Data Mining
3 - Présentation de l’outil KXEN
Azzedine Boumghar Azzedine.Boumghar@kxen.com
Master MI2 Pro EID - Université Paris 13 Data mining et Business Intelligence FDON
KXEN-Confidential 2
1.1. ACCUEILACCUEIL
2.
2. INTRODUCTIONINTRODUCTION
3.
3. LE DATA MINING PAR KXENLE DATA MINING PAR KXEN
4.
4. KXEN ANALYTIC FRAMEWORKKXEN ANALYTIC FRAMEWORK AGENDA
AGENDA AGENDA
KXEN-Confidential 3
Agents: Australie, Asie, Chine
Représentation mondiale de KXEN
Filiales : France, UK, USA
Distributeurs: Europe, Moyen-Orient, Afrique, Amérique Latine
KXEN-Confidential 4
Stratégie de Kxen
La Société
■ Entreprise fondée en Juillet 1998, Aux USA, état du Delaware Investisseurs actifs
■ Sofinnova France & USA, Innovacom, XAnge Capital, Motorola Investment funds
Comité scientifique reconnu
■ Vladimir Vapnik, Gregory Piatetsky-Shapiro, Gilbert Saporta, Isabelle Guyon, Bernhard Schölkopf, Leon Bottou, etc Programme Universitaire
■ Apprentissage de KXEN dans les Universités et les grandes Ecoles dont Centrale Paris, CNAM, UTC, Lille, Montpellier, Ensai Programme de certification
KXEN-Confidential 5
Quelques Clients
KXEN-Confidential 6
De nombreux partenaires
Partenaires Technologiques
Partenaires Conseil et Intégration
KXEN-Confidential 7
Des centaines de questions
Style de vie du Client Style de vie
du Client SegmentationSegmentation
Valorisation Client Valorisation
Client RentabilitéRentabilité
Fidélisation Fidélisation Satisfaction
Client Satisfaction
Client
Propension D’achat Propension
D’achat Analyse Tarifaire Analyse Tarifaire
Optimisation Campagnes Optimisation Campagnes Rétention
Client Rétention
Client
Cross Sell Up Sell Cross Sell
Up Sell Satisfaction
Client Satisfaction
Client
Segmentation De marché Segmentation
De marché Analyse du Panier Moyen Analyse du Panier Moyen
Optimisation des canaux Optimisation des canaux Prévisions
des ventes Prévisions des ventes
Recomm.
En Temps Réel Recomm.
En Temps Réel
Analyse de l’attrition
en temps réel Analyse de l’attrition
en temps réel
Choix du Canal de vente Choix du Canal de vente
Constitution des Offres Constitution des Offres
Analyse des Profits/Pertes Analyse des Profits/Pertes Prévisions
Financières Prévisions Financières
Gestion du Risque Gestion du
Risque Capital Client Capital Client
Détection de Fraude Détection de Fraude Rétention
Client Rétention
Client
…et bien d’autres
…et bien d’autres Client
Client MarketingMarketing VentesVentes FinanceFinance
KXEN-Confidential 8
Quelles évolutions?
Data Mining pour vous et moi
Pas de connaissances statistiques poussées exigées pour créer et déployer des modèles.
Le procédé de préparation de données et de découverte de la connaissance est automatisé.
Compréhension par des graphiques significatifs et des indicateurs de performance
Data
Data MiningMiningpour vous et moipour vous et moi
Pas de connaissances statistiques poussPas de connaissances statistiques pousséées exiges exigéées pour cres pour crééer et der et dééployer des ployer des modmodèèles. les.
Le procLe procééddééde prde prééparation de donnparation de donnéées et de des et de déécouverte de la connaissance est couverte de la connaissance est automatis
automatiséé. .
ComprComprééhension par des graphiques significatifs et des indicateurs de phension par des graphiques significatifs et des indicateurs de performanceerformance
C’est rapide
Construisez des modèles analytiques en quelques secondes ou minutes au lieu de jours et de semaines.
Appliquez-les plus souvent et en temps réel pour prendre de meilleures décisions
CC’’est rapideest rapide
Construisez des modConstruisez des modèèles analytiques en quelques secondes ou minutes au lieu de les analytiques en quelques secondes ou minutes au lieu de jours et de semaines.
jours et de semaines.
AppliquezAppliquez--les plus souvent et en temps rles plus souvent et en temps rééel pour prendre de meilleures del pour prendre de meilleures déécisionscisions
Conçu pour être Intégré
Architecture standard, DCOM, CORBA, PMML, XML
Une API bien documentée intégrable facilement dans des applications existantes et des processus
ConçConçu pour être Intu pour être Intéégrgréé
Architecture standard, DCOM, CORBA, PMML, XMLArchitecture standard, DCOM, CORBA, PMML, XML
Une API bien documentéUne API bien documentée inte intéégrable facilement dans des applications existantes et des grable facilement dans des applications existantes et des processus
processus
KXEN-Confidential 9
Que fait KXEN
KXEN permet de réaliser Des modèles descriptifs
■ Exploration des données du passé
■ … pour expliquer le passé
■ Information descriptive sur les variables et leurs relations
Des modèles prédictifs
■ Exploitation des données du passé
■ … pour prévoir et expliquer le futur
■ Information prédictive sur la future valeur de la variable cible
KXEN-Confidential 10
x t
y
Que fait KXEN
1. Expliquer / comprendre
■ Le modèle est une description / simplification du phénomène
■ Il permet de répondre à des questions comme : Quelles sont les variables significatives
Quel est l’impact d’une variation de l’une des variables … 2. Prévoir
■ Le modèle donne une estimation de la classe ou de la valeur
■ Des modèles différents donnent des prévisions différentes Quelle est la “bonne” prévision ?
Existe-t-il un moyen de garantir qu’on obtient une bonne prévision ?
Questions
■ Comment coder les variables ?
■ Comment faire avec des centaines de variables ?
■ Comment choisir le « bon » modèle
? Réponse KXEN
■ Automatisation
KXEN-Confidential 11
La mission KXEN
KXEN fournit une technologie de modélisation prédictive et descriptive des données,
… permettant aux statisticiens et aux utilisateurs métier,
… de transformer rapidement et facilement les données en informations puis en connaissances afin d’aider à la prise de décision.
KXEN-Confidential 12
Méthodologie KXEN
Gain en productivité
■ Automatisation
Codage, pas de recherche d’algorithme, test intégré, débriefing intégré
Qualité, efficacité KI Robustesse KR
■ Régression robuste Ergonomie Accessibilité
■ Facilité de débriefing
■ Discours Marketing
Approche traditionnelle
Sélectionner Les variables Sélectionner
Les variables ComprendreComprendre
Question MétierQuestion Métier
Appliquer Appliquer Préparer les données
Préparer les données Construire Le modèle Construire Le modèle Tester
le modèle Tester le modèle
Approche KXEN
Question MétierQuestion Métier Construire le modèleConstruire le modèle ComprendreComprendre AppliquerAppliquer
KXEN-Confidential 13
Définition du Data Mining
Ensemble de technologies avancées susceptibles d’analyser l’information
Comprendre et prévoir des phénomènes ou des comportements
Prendre des décisions
KXEN-Confidential 14
Data Sources Data Sources
Manipulation de données Manipulation de
données Préparation des données Préparation des
données Modélisation des données Modélisation des
données ProductionProduction SGBD
Oracle, Teradata, DB/2, ...
Fichiers plats csv, txt, tab … Natifs SAS, SPSS, Excel, … SGBD Oracle, Teradata, DB/2, ...
Fichiers plats csv, txt, tab … Natifs SAS, SPSS, Excel, …
C, JAVA, VB, SAS
… C, JAVA, VB, SAS
…
SQL PMML JAVA
… SQL PMML JAVA
… Scoring Code SQL PMML JAVA SAS VB C
… Scoring Scoring Code Code SQL SQL PMML PMML JAVA JAVA SAS SAS VB VB C C
…
… KXEN Apply mode Probabilités Alertes, Déviations (Temps réel) KXEN KXEN Apply Applymodemode Probabilités Alertes, Déviations (Temps réel) Consistent
Coder K2C Consistent
Coder K2C Event Log
KEL Event Log
KEL
Sequence Coder
KSC Sequence
Coder KSC
Time Series KTS Time Series
KTS Robust Regression
K2R Robust Regression
K2R
Smart Segmenter
K2S Smart Segmenter
K2S Model
Export KMX Model Export KMX
Association Rules KAR Association Rules
KAR
KXEN Analytic Framework
KXEN Robust Regression K2R
KXEN-Confidential 16
Problématique
Cibler une catégorie de personnes
■ … Celles qui gagnent plus de 50000$
… pour proposer un service
Optimisation de ma campagne marketing
■ Nombre d’envois?
Comment faire ?
KXEN-Confidential 17
Process KXEN
Construire un modèle en utilisant le passé
Apprentissage Expliquer les résultats
Prévoir Appliquer
Déploiement du SCORE dans la base de données
KXEN-Confidential 18
Processus de modélisation et de déploiement
Apprentissage TRAINING DATA
Known Output _____________
_____________
_____________
Yes No Yes TRAINING
DATA Known Output _____________
_____________
_____________
Yes No Yes
Manipulation Des données Manipulation Des données
Présentation et Déploiement Présentation et
Déploiement Préparation des
données Préparation des
données
Modélisation Des données Modélisation Des données Les données
Les données
Nouvelles données
Modèle d’
apprentissa ge
TEST DATA
Unknown Output ____________
____________
____________
?
?
? TEST DATA
Unknown Output ____________
____________
____________
?
?
?
Description
0 0.05 0.1 0.15 0.2 0.25
Predicted Output
Yes No Yes Predicted
Output Yes No Yes
KXEN Robust Regression K2R
Demo
KXEN-Confidential 20
K2R dans le processus de modélisation
Sélection de Variables S Séélection delection de
Variables
Variables Préparation des données
Pr Prééparationparation des donn des donnééeses
Construction du modèle Construction
du modèle Test du ModèleTest du Modèle Manipulation
de données Manipulation Manipulation
de donn de donnééeses
Construit automatiquement des modèles afin de prévoir une variable binaire ou continue et répondre à une question métier
Construit automatiquement des mod Construit automatiquement des modèèles les
afin de
afin de prpréévoirvoirune variable binaire ou une variable binaire ou continue et r
continue et réépondre pondre ààune question méune question métiertier
KXEN-Confidential 21
KXEN Régression Robuste
K2R utilise un algorithme de régression et de codage des données qui :
■Construit automatiquement et rapidement des modèles prédictifs
■Manipule sans risque des centaines de variables
■Fournit des indicateurs pour évaluer la qualité et la robustesse d’un modèle.
■Détermine et classe les variables clés expliquant une question donnée.
■Simule en temps réel de nouveaux cas.
■Détecte les individus atypiques
KXEN-Confidential 22
Des rapports compréhensibles
Informations concises sur les modèles construits
■ Indicateurs Ki et Kr
■ Courbes de profits
Rapports détaillés
■ Variables : Ki individuel, % de valeurs manquantes, et valeurs de remplacements
■ Détail des variables posant problème
■ Contributions des variables Carte de score complète
KXEN-Confidential 23
KXEN Process de modélisation
Débrief du modèle Débrief du modèle
Déploiement du modèle Déploiement du modèle Construction d’un modèle Construction d’un modèle Construction d’un modèle Construction d’un modèle
Exécuter le modèle Exécuter le modèle Description des variables
et définition des rôles Description des variables
et définition des rôles Sélection de la source
de données Sélection de la source
de données Sélection du type d’analyse Sélection du type d’analyse
KXEN-Confidential 24
Débrief du modèle Débrief du modèle
Déploiement du modèle Déploiement du modèle Construction d’un modèle Construction d’un modèle
Débrief du modèle Débrief du modèle
Analyse descriptive Analyse descriptive Evaluation du Modèle (Qualité / Robustesse) Evaluation du Modèle (Qualité / Robustesse) Modèle généré Modèle généré
KXEN Process de modélisation
KXEN-Confidential 25 Model Deployment
Model Deployment Déploiement du modèle Déploiement du modèle Débrief du modèle Débrief du modèle Construction d’un modèle Construction d’un modèle
KXEN Process de modélisation
KXEN-Confidential 26
Déploiement
Back testing Back testing
Génération des codes sources
Génération des codes sources Appliquer le modèle Appliquer le modèle
Update du modèle Update du
modèle Batch / Temps réel
Batch / Temps réel
RDBMS (UDF, SQL, PMML)
RDBMS
(UDF, SQL, PMML) Outside RDBMS (C, HTML SAS…) Outside RDBMS (C, HTML SAS…)
Déploiement Déploiement Déploiement Déploiement
KXEN Robust Regression K2R
informations complémentaires
KXEN-Confidential 28
Le processus de modélisation
Et deux indicateurs
■ Précision : KI
■ Robustesse : KR
KXEN-Confidential 29
Matrice Ki/Kr
Utilisable en production Besoin de plus
d’exemples (lignes) Elevé
Besoin de plus de variables (colonnes) Besoin de plus de
données (des lignes et/ou des
colonnes) Faibl
e
Elevé Faible
Kr (Robustesse)
KI (Qualité)
KXEN-Confidential 30
Cible
Wizard Aléatoire Validation Test
Légende
50 15
100
100 50
Kr ≈≈≈≈1- B/(A+B+C)
A
Ki
Valid≈≈≈≈ (B+C)/(A+B+C)
B C
Population Ki & Kr : Indicateurs de performance
KXEN Smart Segmenter K2S
KXEN-Confidential 32
K2S
Création de segments homogènes à partir d’un grand nombre de variables
K2S utilise la technique des K-means (centroïdes) La segmentation peut-être supervisée ce qui la rend
très opérationnelle.
L’utilisateur doit spécifier le nombre de classes Classe les variables importantes par segment. Cela
permet d’identifier facilement les variables structurantes (Kullback – Leibler)
Des expressions logiques (type SQL) permettent un débriefing très puissant de chacun des segments.
KXEN-Confidential 33
Choisir le type de segmentation
Contraintes opérationnelles
■ Le choix du nombre de segments est toujours limité par votre capacité à les utiliser.
Signification métier
■ Interprétation des résultats : Une segmentation n’est pertinente que si elle est utilisable et facile à expliquer
Ki et Kr
■ A Ki et Kr équivalent, un nombre de segments plus petit est préférable.
KXEN-Confidential 34
Applications de K2S
Adapter la stratégie d’entreprise avec les résultats d’une segmentation robuste et traiter les clients différemment selon leur segment d’appartenance
Connaître l’étape du cycle de vie d’un client permet d’adapter l’offre commerciale
Contacter un groupe clé de clients ayant un grand nombre de ressemblances peut augmenter l’efficacité d’une campagne.
KXEN-Confidential 35
Paramétrages de K2S
Sélection du jeu de données description
■ Fichier plat, Table, etc.
■ Table d’analyse – KEL, KSC, SQL, capacités de manipulation des données
Définir éventuellement une cible
■ Par défaut la dernière variable dans la description
■ Continue ou binaire
Choisir un nombre de segments
■ Par défaut 10
Variables exclues (facultatif)
■ Par défaut : aucune
Identifier la variable de poids (facultatif)
■ Par défaut : aucune
Définition de la catégorie cible (facultatif)
■ Par défaut : la moins fréquente
Calcul des expressions SQL (facultatif)
■ Activé par défaut
KXEN-Confidential 36
Statistiques Croisées
Segment Nom: nom du segment Fréquences: pourcentage de la population dans le segment % de ‘étiquettes': Dans le cas binaire : pourcentage de la catégorie cible. Dans le cas continu : moyenne de la cible
Segment Nom: nom du segment Fréquences: pourcentage de la population dans le segment % de ‘étiquettes': Dans le cas Dans le cas binaire : pourcentage de la cat binaire : pourcentage de la catéégorie gorie cible. Dans le cas continu : moyenne cible. Dans le cas continu : moyenne de la cible
de la cible
Étant donné un segment, parcourir chaque variable pour détecter les profils se différenciant de la population totale.
Étant donné un segment, parcourir chaque variable pour détecter les profils se différenciant de la population totale.
KXEN-Confidential 37
Description des segments
Le choix de calculer les expressions SQL vous permet de voir, dans le compte rendu du modèle, les expressions SQL définissant chaque segment généré.
Le choix de calculer les expressions SQL vous permet de voir, dans le compte rendu du modèle, les expressions SQL définissant chaque segment généré.
KXEN Smart Segmenter K2S
Démo
KXEN-Confidential 39
Data Sources Data Sources
Data Manipulation
Data Manipulation
Data Preparation
Data Preparation
Data Modeling
Data
Modeling ProductionProduction RDBMS
Oracle, Teradata, DB/2, ...
Text Files csv, txt, tab … Native SAS, SPSS, Excel, … RDBMS Oracle, Teradata, DB/2, ...
Text Files csv, txt, tab … Native SAS, SPSS, Excel, …
C, JAVA, VB, SAS
… C, JAVA, VB, SAS
…
SQL PMML JAVA
… SQL PMML JAVA
… Générer le Code Oracle Teradata IBM DB2 PMML JAVA SAS VB C
… G Géénnéérerrerlele Code Code Oracle Oracle Teradata Teradata IBM DB2 IBM DB2 PMML PMML JAVA JAVA SAS SAS VB VB C C
…
… Appliquer Scoring Alerts, Deviations Real Time Appliquer Appliquer Scoring Alerts, Deviations Real Time ENCODER
LES VARIABLES ENCODER
LES VARIABLES FUSIONNER
et AGREGER
par dates FUSIONNER
et AGREGER
par dates
RECONSTITUER LES SEQUENCES RECONSTITUER
LES SEQUENCES
SERIE TEMPORELLE
SERIE TEMPORELLE
SCORER SCORER
SEGMENTER SEGMENTER
EXPORTER LES MODELES EXPORTER LES MODELES
COMPRENDRE LES REGLES D’ASSOCIATION COMPRENDRE LES REGLES D’ASSOCIATION
Fonctionnalités de KXEN
KXEN Association Rules KAR
KXEN-Confidential 41
KAR dans le processus de modélisation
KAR manipule les données pour construire une table analysable en utilisant toutes les transactions d’une session
KAR détecte les règles d’association contenues dans la table de transaction
Construction du modèle Construction du Construction du
mod modèèlele
Test du modèle Test du Test du mod modèèlele Manipulation
de données Manipulation
de données Préparation des données Pr Prééparationparationdesdes
donn donnééeses
KXEN-Confidential 42
Généralités sur les règles d’associations
Un grand nombre de tickets de caisses contiennent :
■ un blouson
■ un T-shirt
■ un pull
SI un client achète un blouson ET un T-shirt, ALORS il achète aussi un pull.
■ Blouson & T-shirt => pull
KXEN-Confidential 43
Généralités sur les règles d’association Pourquoi ?
Ventes au détail et marketing de masse:
compréhension des comportements d'achats :
■Optimiser l'organisation de la surface de ventes
■Mettre en avant les offres spéciales appropriées
■Gérer les stocks
■…
Services bancaires:
■Cross-selling, Up-selling
■… Autres …
KXEN-Confidential 44
Généralités sur les règles d’association Pour quoi ?
KXEN Association Rules (KAR) génère les règles d’association. Elles fournissent des résultats clairs et utiles, par exemple pour l’analyse de panier.
Elles mettent en lumière des rapports entre des produits
ou des services et suggèrent immédiatement des actions appropriées.
Les règles d'association sont utilisées dans l'exploration de données catégoriques, aussi appelé items.
KXEN-Confidential 45
Comment fonctionne KAR?
Les forces de KAR
Produit des résultats clairs et compréhensibles, Permet un processus de modélisation non supervisé
(pas de variable cible),
Explore de grands jeux de données grâce à sa capacité à produire d'abord des règles sur plusieurs petites parties du fichier avant de les agréger (exploration par chunks),
Permet de générer seulement les règles les plus appropriées (aussi appelé règles primaires).
KXEN-Confidential 46
KAR : L’analyse du panier Transaction 2
Transaction 2
Transaction 1 Transaction 1
Transaction 3 Transaction 3
SESSION SESSION
KXEN-Confidential 47
ANTECEDENTANTECEDENT
=>
(ce qui implique)
CONSEQUENTCONSEQUENT
Définitions
PaniersPaniers
KXEN-Confidential 48
Comment fonctionne KAR?
L'historique des données permet de construire des règles d'association.
Deux études de fichiers de données : 1: Fichier des Références
2: Fichier des Transactions (table des Transactions)
KXEN-Confidential 49
Comment fonctionne KAR?
…
…
…
Tee- shirt 2
4
Veste 2
3
Tee- shirt 1
2
Veste 1
1
Item Id caddie Clé
…
…
M. Ferrero 2
M. Smith 1
Nom du client Id caddie
Table Caddie Table Caddie
Table des transactions Table des transactions
KXEN-Confidential 50
Comprendre les résultats KAR Support, Confiance et KI Création des règles d' association
3 Indicateurs Clés sont utilisés pour qualifier une règle
=Prob[ Pull-over & Veste & Tee-Shirt ] / Prob[ Pull- over ]
LIFT
= Mesure de la qualité. Est fonction du lift KI
= Pourcentage des sessions vérifiant le conséquent de la règle parmi ceux vérifiant l'antécédent de la règle.
Prob[ Pull-over | Veste & Tee-Shirt ]
Confiance
= Pourcentage des sessions contenant tous les items d’une règle.
Prob[ Veste & Tee-Shirt & Pull-over]
Support
Veste, Tee-Shirt => Pull-over Indicateur
KXEN-Confidential 51
Comprendre les résultats KAR Support
34% des clients ont acheté une veste ET un tee-shirt ET un pull-over.
Veste ET Tee-Shirt ET Pull-over Veste ET
Veste ET TeeTee--ShirtShirtET Pull-ET Pull-overover
Base de données des Achats Base de donn
Base de donnéées des Achatses des Achats
KXEN-Confidential 52
Comprendre les résultats KAR Confiance
75% des clients, qui ont acheté une veste et un tee- shirt, ont aussi acheté un pull-over.
ATTENTION ! La relation n’est pas réciproque : un client ayant acheté un pull-over n’achète pas
obligatoirement une veste et un tee-shirt.
Base de données des Achats Base de donn
Base de donnéées des Achatses des Achats
Pull-over Pull Pull--overover Veste ET Tee-shirt
Veste
VesteET TeeET Tee--shirtshirt 75%75%
KXEN-Confidential 53
Comprendre les résultats KAR KI
100%
Sessions Parfait
Aléatoire Training
Antecedent = A 100%
Conséquent
60%= Prob [A | B])
Conséquent = B
Règle du Support
Confiance = Règle du Support / Antecedent Support
30%
[ ]
[ ]
( 1)1 × −
= − Lift
B ob Pr
A ob KI Pr
KXEN Association Rules
Démo avec KAR
KXEN-Confidential 55
=>
(implique ?)
KAR : Détection de combinaisons d’achat
Objectifs de KAR :
■ Adapter les méthodes de ventes
Recommandations, placement des produits
■ Adapter la politique tarifaire
■ Orienter le comportement d’achat des clients
Résultats de KAR :
■ Détections de règles
KXEN Time series KTS
KXEN-Confidential 57
Séries temporelles Prévision d’un signal évoluant avec le temps
Objectifs de KTS :
■Prévision des ventes d’un produit
■Prévision de l’évolution d’un chiffre d’affaire
■Prévisions boursières (analyse des cours)
■Prévisions des flux d’appels
■…
KXEN-Confidential 58
Séries temporelles Prévision d’un signal évoluant avec le temps
Résultats de KTS
■ Prévision du signal prenant en compte:
cycles (périodique, saisonnier)
tendance
les fluctuations
les variables exogènes
KXEN-Confidential 59
Facilité d’utilisation
Possibilité de créer et déployer des modèles sans expertise technique Préparation des données et processus d’extraction de la connaissance automatisés Meilleure compréhension grâce à des graphiques pertinents et
des indicateurs de performance
Facilit
Facilitéédd’’utilisation utilisation
PossibilitPossibilitééde créde créer et der et dééployer des modployer des modèèles sans expertise techniqueles sans expertise technique
PrPrééparation des donnparation des donnéées et processus des et processus d’’extraction de la connaissance automatisextraction de la connaissance automatisééss Meilleure comprMeilleure comprééhension grâce hension grâce ààdes graphiques pertinents et des graphiques pertinents et
des indicateurs de performance des indicateurs de performance
Vitesse
Construction de modèles analytiques complexes en minutes au lieu d’heures ou jours Utilisation plus fréquente, en temps réel pour prendre de meilleures décisions
Vitesse Vitesse
Construction de modConstruction de modèèles analytiques complexes en minutes au lieu dles analytiques complexes en minutes au lieu d’’heures ou joursheures ou jours
Utilisation plus frUtilisation plus frééquente, en temps rquente, en temps rééel pour prendre de meilleures del pour prendre de meilleures déécisionscisions
Mise en production aisée : Intégration
Architecture standard de composants, DCOM, CORBA, PMML, XML
API documentées pour une intégration facile dans les applications et process existants
Mise en production ais
Mise en production aiséée : Inte : Intéégrationgration
Architecture standard de composants, DCOM, CORBA, PMML, XMLArchitecture standard de composants, DCOM, CORBA, PMML, XML
API documentAPI documentéées pour une intes pour une intéégration facile dans les applications et gration facile dans les applications et processprocessexistantsexistants
Les différentiateurs KXEN
KXEN change les règles du jeu en mettant des techniques avancées d’analyse prédictive à la portée des non-spécialistes
KXEN change les r
KXEN change les rèègles du jeu en mettant des techniquesgles du jeu en mettant des techniques avanc
avancéées des d’’analyse pranalyse préédictive dictive ààla portéla portée des none des non--spspéécialistescialistes
EXTREME DATAMINING
KXEN Analytic Framework Merci à vous !
azzedine.boumghar@kxen.com