La précision de l'analyse prédictive au service de vos décisions
Approfondissez vos analyses et modélisez instantanée vos données grâce au logiciel d'analyse de Minitab.
Minitab a été reconnu comme l'un des meilleurs logiciels d'analyse statistique par Capterra | Minitab a été élu meilleur logiciel d'analyses statistiques pour les data scientists par SoftwareSuggest |
4 raisons pour démarrer l'analyse prédictive :
- Détection des tendances et des opportunités dans vos données, sans lignes de code ni expérience en statistiques
- Identification rapide des principaux prédicteurs pour vos objectifs grâce à la modélisation des données facile à prendre en main
- Fiabilité et précision des résultats provenant d'algorithmes prédictifs reposant sur des arbres de décision
- Méthodes de Machine Learning (auto-apprentissage par la machine) faciles à comprendre, à visualiser et à exécuter
CART® (arbres de classification et de régression)
L'algorithme CART est fondé sur les arbres de décision est l'un des outils d'exploration de données les plus populaires. Il trouve comment fractionner les données en segments plus petits, puis sélectionne de manière récursive les fractions les plus performantes jusqu'à obtenir le résultat idéal.
Random Forests® (modèle de Machine Learning d'auto-apprentissage par la machine)
Cet algorithme est fondé sur un ensemble d'arbres de décision CART et utilise les techniques de répétition, de randomisation, d'échantillonnage et d'apprentissage ensembliste, tout en regroupant simultanément des arbres indépendants afin de déterminer la prédiction globale de la forêt.
lTreeNet® (algorithme de boosting de gradient)
Notre outil de Machine Learning le plus puissant, le plus flexible et le plus récompensé est salué pour la précision et la cohérence de ses prévisions, fruits d'une structure itérative qui corrige les erreurs combinées au fur et à mesure de la création de l'ensemble.
Outils d'analyse prédictive et prescriptive
Maintenance Préventive
- Régression sur la durée de vie
- Prévision de garantie
- Test accéléré de durée de vie
Analyse prédictive dans le secteur de la distribution :
- Regroupement
- Modélisation du comportement client
- Méthodes de série chronologique (ARIMA)
Temps d'attente, coûts de traitement, prévision de la satisfaction dans le secteur de la santé : :
- Droite d'ajustement
- Droite d'ajustement binaire
- Ajustement du modèle de régression
- Régression logistique binaire
- Régression CART
- Classification CART
Prévention des fraudes, notation de solvabilité, segmentation de la clientèle, prévision de la demande dans les secteurs de la finance et de l'assurance :
- Analyse multivariée pour la prévision du comportement du consommateur
- Regroupement
- Arbres de décision
- Analyse factorielle
- Analyse en composantes principales (PCA)
- Boosting de gradient TreeNet et Random Forests
Arbres de décision - Algorithmes supervisés
Techniques de modélisation et d'auto-apprentissage par la machine ex exploration de données - Algorithmes supervisés
Classification:
- Analyse discriminante linéaire (LDA)
- Analyse discriminante quadratique (QDA)
- Régression logistique
- Arbres de classification
Régression:
- Simple
- Polynomiale
- Multiple
- Non linéaire
- PLS (moindres carrés partiels)
- Arbres de régression
- Régression sur la durée de vie
- Prévision de garantie
Méthodes de série chronologique
- Analyse de tendance
- Autorégressive à moyenne mobile intégrée (ARIMA)
- Moyenne mobile
- Autocorrélation
- Lissage exponentiel
- Décomposition
- Intercorrélation
- Prédiction de garantie
Arbres de décision - Algorithmes non supervisés
Maschinelles Lernen und Modellierungsverfahren beim Data Mining – Algorithmen für unbeaufsichtigtes Lernen
Clustering:
- Clusterbeobachtungen
- Clustervariablen
- Clusterzentrenanalyse
- Faktorenanalyse
Datenreduzierung:
- Hauptkomponentenanalyse
- Faktorenanalyse
Automatisiertes maschinelles Lernen
Ermitteln des besten Modells für Ihre Daten:
- CART®
- Random Forests®
- TreeNet® Gradient Boosting
- ROC-Kurve
- Relative Variablenwichtigkeit
"TreeNet nous a permis de déterminer très simplement les principaux prédicteurs et de concevoir des stratégies à même de les traiter efficacement."
"Grâce à TreeNet, notre banque a pu identifier les clients qu'elle risquait de perdre avec un niveau de confiance compris entre 80 % et 90 %."
"CART® a comparé des données de médecins ayant soigné des patients atteints du SARS à des données de médecins n'ayant pas été exposés au virus, afin d'identifier les facteurs de risque de la transmission du SARS-CoV."