Coheris, (www.coheris.com), éditeur de solutions logicielles dans les domaines du CRM et de la Business Analytics, annonce la nouvelle version 9.1 de Coheris Analytics Spad, solution puissante et intuitive de datamining et d’analyse prédictive, qui sera disponible en novembre 2017.
Parmi les nouveautés de la version 9.1 de Coheris Analytics SPAD, figurent notamment :
Le déploiement de diagrammes dans Hadoop
Grace à l’import Hadoop ajouté en version 9.0, les utilisateurs peuvent maintenant se connecter à leur Data Lake et créer directement leurs modèles prédictifs avec Coheris SPAD. Les modèles peuvent ainsi être appliqués à l’ensemble des données stockées dans le cluster sans avoir besoin de les exporter dans une autre application. Grâce à cette nouvelle fonctionnalité, il n’est plus nécessaire de transporter les données, le modèle peut être déployé directement dans le Data Lake.
Le langage Python (3.6) vient compléter l'offre des langages de script utilisables aux côtés de R
La version 9.1 met à jour le support de R 3.4.1 et ajoute le support de Python 3.6. Les utilisateurs peuvent désormais utiliser leur langage favori et les librairies qu’il propose pour réaliser des traitements spécifiques sur leurs données au sein d’un diagramme SPAD. Il est désormais facile de réutiliser une méthode R ou Python sur de nouvelles données sans changer son code.
La méthode Random Forest
La méthode des Forêts aléatoire (Random Forest) vient enrichir la liste des méthodes prédictives du package Data Mining. Tout comme pour les arbres de décision, un moteur spécifique de calcul parallèle au sein de chaque arbre permet d’atteindre de très bonnes performances même sur de gros volumes de données. Les options de paramétrage et les résultats clairs et complets de cette nouvelle méthode aident à créer le meilleur modèle possible.
La recommandation par filtrage collaboratif
Cette nouvelle méthode de recommandation permet une personnalisation très fine et des recommandations produits en se basant uniquement sur l’historique d’achat. Elle est particulièrement efficace sur les gros volumes de données et permet de faire des prédictions plus personnalisées que les règles d’association. Il est possible d’obtenir une recommandation performante pour chaque utilisateur même en l’absence d’informations sur les utilisateurs et les produits.
Parmi les nouveautés de la version 9.1 de Coheris Analytics SPAD, figurent notamment :
Le déploiement de diagrammes dans Hadoop
Grace à l’import Hadoop ajouté en version 9.0, les utilisateurs peuvent maintenant se connecter à leur Data Lake et créer directement leurs modèles prédictifs avec Coheris SPAD. Les modèles peuvent ainsi être appliqués à l’ensemble des données stockées dans le cluster sans avoir besoin de les exporter dans une autre application. Grâce à cette nouvelle fonctionnalité, il n’est plus nécessaire de transporter les données, le modèle peut être déployé directement dans le Data Lake.
Le langage Python (3.6) vient compléter l'offre des langages de script utilisables aux côtés de R
La version 9.1 met à jour le support de R 3.4.1 et ajoute le support de Python 3.6. Les utilisateurs peuvent désormais utiliser leur langage favori et les librairies qu’il propose pour réaliser des traitements spécifiques sur leurs données au sein d’un diagramme SPAD. Il est désormais facile de réutiliser une méthode R ou Python sur de nouvelles données sans changer son code.
La méthode Random Forest
La méthode des Forêts aléatoire (Random Forest) vient enrichir la liste des méthodes prédictives du package Data Mining. Tout comme pour les arbres de décision, un moteur spécifique de calcul parallèle au sein de chaque arbre permet d’atteindre de très bonnes performances même sur de gros volumes de données. Les options de paramétrage et les résultats clairs et complets de cette nouvelle méthode aident à créer le meilleur modèle possible.
La recommandation par filtrage collaboratif
Cette nouvelle méthode de recommandation permet une personnalisation très fine et des recommandations produits en se basant uniquement sur l’historique d’achat. Elle est particulièrement efficace sur les gros volumes de données et permet de faire des prédictions plus personnalisées que les règles d’association. Il est possible d’obtenir une recommandation performante pour chaque utilisateur même en l’absence d’informations sur les utilisateurs et les produits.