SAP 7.0
Manuals and User Guides for SAP 7.0. We found 1 manuals for free downloads Mode d'emploi
Vous trouverez ci-dessous de brèves informations sur InfiniteInsight 7.0. Ce guide utilisateur vous aidera à transformer vos données en connaissances et à prendre les bonnes décisions stratégiques et opérationnelles au bon moment.
Key Features
- Modélisation des données simple et rapide
- Résultats pertinents et interprétables
- Accès à de nombreux formats de sources de données
- Génération semi-automatique et rapide de modèles
- Interface graphique utilisateur (KxJWizard)
- Interpréteur de commandes (KxShell)
- API de contrôle (COM/DCOM, CORBA, C++)
Pages: 284 SAP 7.0 Mode d'emploi
Brand: SAP Size: 6 MB
Languages: Français
Table of contents
- 5 1 Bienvenue dans ce guide
- 5 1.1 A propos de ce document
- 5 1.1.1 A qui s'adresse ce document
- 5 1.1.2 Prérequis à la lecture de ce document
- 5 1.1.3 Objet de ce document
- 6 1.1.4 Comment utiliser ce document
- 6 Organisation de ce document
- 7 Que devez-vous lire ?
- 8 1.2 Avant de commencer
- 8 1.2.1 Fichiers et documentations livrés avec ce guide
- 8 Fichiers de données exemples
- 8 Documentation
- 8 Documentation complète
- 9 Aide contextuelle
- 10 2 SAP InfiniteInsight®
- 10 2.1 Présentation
- 11 2.2 Architecture et fonctionnement
- 12 2.2.1 Interfaces d'utilisation
- 12 Les trois types d'interface d'utilisation
- 12 L'interface graphique
- 12 L'interpréteur de commande KxShell
- 12 Les API de contrôle
- 13 2.2.2 Fonctionnement
- 13 Phase 1 : Accès aux données
- 13 La fonctionnalité InfiniteInsight® Access
- 14 Phase 2 : Manipulation et préparation des données
- 14 Phase 3 : Modélisation des données
- 15 Phase 4 : Présentation et déploiement du modèle
- 15 La fonctionnalité InfiniteInsight® Scorer
- 15 2.3 Prérequis méthodologiques
- 16 2.3.1 Vos données sont-elles exploitables
- 16 2.3.2 Quelle est votre problématique
- 17 3 Notions fondamentales
- 18 3.1 Fonctionnement de SAP InfiniteInsight® : Vue d'ensemble
- 19 3.2 Sources de données supportées
- 19 3.3 Jeu de données
- 19 3.3.1 Jeu de données d'apprentissage
- 20 3.3.2 Jeu de données d'application
- 20 3.4 Stratégies de découpage
- 20 3.4.1 Définition
- 21 3.4.2 Rôles des trois sous-jeux
- 21 3.4.3 Les types de stratégies de découpage
- 21 La stratégie de découpage personnalisée
- 21 Définition
- 22 Comment l'utiliser
- 22 Les stratégies de découpage automatique
- 22 Généralités
- 23 Stratégie de découpage aléatoire
- 23 Aléatoire avec test à la fin
- 23 Aléatoire sans test (stratégie par défaut)
- 24 Périodique
- 24 Périodique avec test à la fin
- 24 Périodique sans test
- 25 Séquentielle
- 25 Séquentielle sans test
- 26 3.5 Table de données
- 26 3.5.1 Définition
- 26 3.5.2 Synonymes de "observations" et "variables"
- 26 3.5.3 Formatage des données
- 27 3.6 Variables
- 27 3.6.1 Définition générique
- 27 3.6.2 Types de variables
- 28 Variables continues
- 28 Définition
- 28 Variables continues et modélisation
- 28 Variables ordinales
- 28 Définition
- 29 Variables nominales
- 29 Définition
- 29 Variables nominales et modélisation
- 30 3.6.3 Formats de stockage
- 31 Variables de date : les variables générées automatiquement
- 31 3.6.4 Rôles des variables
- 32 Variable cible
- 32 Définition
- 32 Synonymes
- 32 Exemple
- 33 Contraintes d'utilisation
- 34 Variable explicative
- 34 Définition
- 34 Synonymes
- 34 Exemple
- 35 Variable de poids
- 35 Définition
- 35 Exemple
- 35 Contrainte d'utilisation
- 35 3.7 Modèles
- 35 3.7.1 Définition générique
- 36 3.7.2 Performance d'un modèle
- 36 3.7.3 Types de modèles
- 36 3.7.4 Génération d'un modèle
- 37 3.7.5 Représentation d'un modèle
- 37 Description du polynôme
- 37 Exemples de polynômes
- 38 Méthodologie
- 38 3.7.6 Validation d'un modèle
- 39 3.7.7 Dans quels cas un modèle est-il acceptable
- 39 Reproductibilité : indicateur de robustesse acceptable
- 39 Capacité prédictive : indicateur de qualité acceptable
- 39 3.7.8 Comment obtenir un meilleur modèle
- 40 3.8 Indicateurs de performance
- 40 3.8.1 Indicateurs spécifiques à SAP InfiniteInsight®
- 40 La capacité prédictive : indicateur de qualité
- 40 Définition
- 40 Exemple
- 40 Améliorer la capacité prédictive d'un modèle
- 41 La reproductibilité : indicateur de robustesse
- 41 Définition
- 41 Exemple
- 41 Améliorer la reproductibilité d'un modèle
- 41 Capacité prédictive, reproductibilité et courbe de profit
- 42 Utilisation avancée : la capacité prédictive pour des cibles continues
- 42 3.8.2 Autres indicateurs
- 42 GINI index
- 43 K-S
- 43 3.8.3 Indicateurs d'erreurs
- 44 Erreur absolue moyenne (L1)
- 44 Erreur quadratique moyenne (L2)
- 44 Erreur maximale (LInf)
- 44 Erreur moyenne (ErrorMean)
- 45 Ecart-type de l'erreur (ErrorStdDev)
- 45 Taux de classement (ClassificationRate)
- 45 Coefficient de détermination (R2)
- 46 3.9 Types de profit
- 46 3.9.1 Définition
- 46 3.9.2 Les quatre types de profit
- 46 Le profit détecté
- 46 Le profit Lift
- 47 Le profit normalisé
- 47 Le profit personnalisé
- 47 3.10 Courbes avancées
- 47 3.10.1 ROC
- 48 3.10.2 Courbes de Lorenz
- 48 Lorenz "Bon"
- 48 Lorenz "Mauvais"
- 49 3.10.3 Courbes de densité
- 49 Courbe de densité "Bon"
- 49 Courbe de densité "Mauvais"
- 50 Courbes avancées > Courbe de densité "Tous"
- 50 3.10.4 Courbes de "Risque"
- 50 Good/Bad Odds
- 51 Probabilité du risque
- 51 Densité de la population
- 52 Risque 'tout'
- 53 4 Scénario d'utilisation : Gagnez en efficacité et maîtrisez votre budget grâce à la modélisation
- 53 4.1 Présentation
- 53 4.2 Votre objectif
- 54 4.3 Vos moyens
- 54 4.3.1 Un budget restreint et fortement contrôlé
- 54 4.3.2 L'information à votre disposition
- 54 Des données disparates
- 54 Des données manquantes
- 55 Editer les options
- 55 Personnaliser les feuilles de style
- 58 Définir un entrepôt de métadonnées
- 58 Environnement technique
- 58 4.4 Votre approche
- 59 4.4.1 La phase de test de votre campagne marketing
- 59 4.5 Votre problématique
- 60 4.6 Vos solutions
- 60 4.6.1 Méthode globale
- 60 4.6.2 Méthode intuitive
- 61 4.6.3 Méthode statistique classique
- 61 4.6.4 Méthode InfiniteInsight
- 62 4.7 Présentation des fichiers exemples
- 64 4.8 L'assistant de modélisation
- 65 5 Créer un modèle de classement ou de régression avec InfiniteInsight® Modeler
- 65 5.1 Etape 1 - Définir les paramètres de modélisation
- 66 5.1.1 Sélectionner une source de données
- 67 Cas des données stockées en base de données : le mode "Explain"
- 68 Le mode "Explain" a été configuré
- 68 Le mode "Explain" n'a pas été configuré
- 69 5.1.2 Décrire les données sélectionnées
- 73 Pourquoi décrire les données sélectionnées
- 74 Comment décrire les données sélectionnées
- 76 Des données redondantes
- 76 Un mot sur les clés de base de données
- 77 Voir les données
- 78 5.1.3 Ajouter un filtre au jeu de données
- 81 5.1.4 Sélectionner les variables
- 82 Sélectionnez les variables cibles
- 83 Sélectionner la variable de poids
- 85 Sélectionner les variables explicatives
- 86 5.1.5 Traduire les catégories de variables
- 88 5.1.6 Vérifier les paramètres de modélisation
- 89 Activation de la sauvegarde automatique
- 91 5.1.7 Définir les paramètres spécifiques du modèle
- 91 Onglet "Général"
- 92 Définir le degré du modèle (optionnel)
- 92 Définir le nombre de segments pour la variable de score
- 92 Exclusion des variables à faible KR
- 93 Nombre maximum de corrélations conservées
- 94 Activer le Post-traitement
- 95 Définir la valeur des catégories cibles
- 96 Onglet "Sélection automatique"
- 96 Sélection automatique des variables
- 97 Mode de sélection
- 97 Critères d'arrêt
- 99 Onglet "Mode Risque"
- 99 Activer le Mode "Risque"
- 100 Domaine d'ajustement des risques
- 101 5.2 Etape 2 - Générer et valider le modèle
- 102 5.2.1 Générer le modèle
- 102 5.2.2 Suivi du processus de génération
- 104 5.2.3 Valider le modèle généré
- 106 5.3 Etape 3 - Analyser et comprendre le modèle généré
- 106 5.3.1 Menu d'utilisation
- 106 5.3.2 Aperçu du modèle
- 107 Aperçu
- 107 Notifications
- 108 Variables cibles nominales
- 108 Variables cibles continues
- 108 Indicateurs de performance
- 109 Options
- 109 Exporter vers PowerPoint
- 110 5.3.3 Les courbes de performances
- 110 Définition
- 110 Afficher le graphique des courbes de profit
- 111 Options de visualisation
- 112 Pour exporter au format Excel
- 112 Pour ouvrir la vue courante dans une nouvelle fenêtre
- 113 Pour un modèle à cible nominale
- 114 Pour un modèle à cible continue
- 115 Comprendre les courbes de performances
- 115 Pour un modèle à cible nominale
- 117 Pour un modèle à cible continue
- 118 KI, KR et courbes de performances
- 118 5.3.4 Contribution des variables
- 118 Définition
- 119 Afficher les contributions des variables
- 120 Comprendre les contributions des variables
- 121 Variables corrélées
- 121 Variables codées
- 121 5.3.5 Détails des variables
- 121 Définition
- 122 Afficher le graphique de détails d'une variable
- 123 Options
- 123 Options d'affichage
- 124 Options d'utilisation
- 125 Comprendre les graphiques de variables
- 126 Catégories des variables et profit
- 127 Axes du graphique
- 127 Définition de l'importance des catégories
- 128 Profit standard
- 128 Constante de normalisation
- 128 Propriétés de profit standard
- 129 Regroupement de catégories
- 130 5.3.6 Rapports de modélisation
- 130 Options des rapports de modélisation
- 130 Options d'utilisation
- 131 Options d'affichage
- 132 5.3.7 Carte des scores
- 133 Mode "Risque"
- 134 Options de la carte des scores
- 135 5.3.8 Matrice de confusion
- 135 Définitions
- 136 Comprendre la matrice de confusion
- 137 Comprendre la matrice de coût
- 138 5.3.9 Arbre de décision
- 139 Afficher l'arbre de décision
- 140 Comprendre l'arbre de décision
- 141 L'arbre de décision
- 142 Le détail des noeuds
- 143 La courbe de profit
- 144 Paramétrer l'affichage
- 145 5.4 Etape 4 - Utiliser le modèle
- 145 5.4.1 Vérification des déviations
- 146 Sélectionner le jeu de données à analyser
- 147 Suivi du processus de vérification des déviations
- 148 Comprendre l'analyse des déviations
- 149 Rapport récapitulatif
- 149 5.4.2 Appliquer un modèle sur un nouveau jeu de données
- 151 Contrainte d'utilisation d'un modèle
- 152 Décision de classement
- 153 Comprendre l'écran Décision de classement
- 154 Utiliser l'application directe dans la base de données
- 154 Pré-requis pour l'utilisation du mode d'application direct dans la base de données
- 155 Paramètres avancés
- 155 Sorties globales
- 155 Copier la variable de poids
- 155 Copier l’identifiant de jeu de données
- 155 Copier les variables
- 156 Constantes définies par l'utilisateur
- 157 Table de profit
- 159 Sorties associées à la cible
- 159 Codes motifs
- 160 Cible continue
- 160 Valeur prévue
- 160 Indicateur d'aberrance
- 160 Quantiles associés à la valeur prévue
- 160 Contributions individuelles des variables explicatives
- 161 Cible nominale
- 161 Sorties par ordre d'importance des scores
- 161 Scores
- 161 Décision
- 161 Probabilités
- 161 Sorties par catégories de référence
- 161 Valeur prévue
- 161 Probabilité de la classe prévue
- 162 Autres
- 162 Indicateur d'aberrance
- 162 Quantiles associé à la valeur prévue
- 162 Contributions individuelles des variables explicatives
- 163 Types de résultats proposés
- 164 Analyser les résultats de l'application
- 165 Description du fichier de résultats
- 166 5.4.3 Effectuer une simulation
- 169 5.4.4 Affiner un modèle
- 173 5.4.5 Générer le code source d'un modèle
- 176 Liste des codes générés
- 177 Paramètres avancés
- 177 Mode UNICODE
- 177 Options SQL/UDF
- 178 5.4.6 Exporter le script KxShell
- 180 5.4.7 Enregistrer un modèle
- 181 Fichiers créés lors de l'enregistrement d'un modèle
- 182 5.4.8 Ouvrir un modèle existant
- 184 6 Scénario d'utilisation : Personnalisez votre communication grâce à la modélisation de données
- 184 6.1 Présentation
- 184 6.2 Votre objectif
- 185 6.3 Votre approche
- 185 6.4 Votre problématique
- 185 6.5 Vos solutions
- 186 6.5.1 Méthode intuitive
- 186 6.5.2 Méthode statistique classique
- 187 6.5.3 Méthode InfiniteInsight
- 188 6.6 L'assistant de modélisation
- 189 6.6.1 Editer les options
- 189 Personnaliser les feuilles de style
- 192 7 Créer un modèle de segmentation ou de regroupement avec InfiniteInsight® Modeler
- 192 7.1 Etape 1 - Définir les paramètres de modélisation
- 193 7.1.1 Sélectionner une source de données
- 193 Pour sélectionner une source de données
- 194 7.1.2 Décrire les données sélectionnées
- 198 Pourquoi décrire les données sélectionnées
- 199 Comment décrire les données sélectionnées
- 201 Un mot sur les clés de base de données
- 202 Voir les données
- 203 7.1.3 Ajouter un filtre au jeu de données
- 206 7.1.4 Traduire les catégories de variables
- 207 7.1.5 Sélectionner les variables
- 208 Sélectionner les variables cibles
- 209 Sélectionner la variable de poids
- 211 Sélectionner les variables explicatives
- 212 7.1.6 Vérifier les paramètres de modélisation
- 213 Définir le nombre de segments
- 214 Calculer les expressions SQL
- 214 Paramètres spécifiques du modèle
- 215 Activer le calcul des statistiques croisées
- 215 Choisir la distance à utiliser
- 216 Stratégie de codage
- 216 7.2 Etape 2 - Générer et valider le modèle
- 217 7.2.1 Générer le modèle
- 218 7.2.2 Suivi du processus de génération
- 219 7.2.3 Valider le modèle généré
- 222 7.3 Etape 3 - Analyser et comprendre le modèle généré
- 222 7.3.1 Menu d'utilisation
- 222 7.3.2 Aperçu du modèle
- 223 Aperçu
- 223 Notifications
- 224 Variables
- 224 Indicateurs de performance
- 224 Nombre de segments
- 225 7.3.3 Courbes de performances
- 225 Définition
- 225 Afficher le graphique des courbes de performances
- 226 Options de visualisation
- 226 Pour un modèle à cible nominale
- 227 Comprendre les courbes de profit
- 228 Capacité prédictive, reproductibilité et courbes de profit
- 229 7.3.4 Détails des variables
- 229 Définition
- 229 Afficher le graphique de détails d'une variable
- 230 Options
- 230 Options d'affichage
- 231 Options d'utilisation
- 232 Comprendre les graphiques de variables
- 232 7.3.5 Graphiques des segments
- 233 Afficher les graphiques à bulles
- 234 Comprendre les graphiques à bulles
- 235 Afficher les graphiques des segments
- 236 Comprendre les graphiques des segments
- 236 Le graphique "Fréquences"
- 237 Le graphique "Moyennes de la cible"
- 238 Le graphique "Moyennes relatives de la cible"
- 239 7.3.6 Statistiques croisées
- 239 Statistiques croisées et profils de variables
- 239 Profil d'une variable
- 239 Exemple d'un profil de variable
- 240 Afficher les statistiques croisées
- 241 Comprendre les statistiques croisées
- 242 Les graphiques de statistiques croisées
- 243 Afficher les expressions SQL
- 244 Comprendre les expressions SQL
- 245 Différence entre statistiques croisées classiques et expressions SQL
- 246 7.3.7 Rapport de modélisation
- 247 Options des rapports de modélisation
- 247 Options d'affichage
- 248 Options d'utilisation
- 248 7.4 Etape 4 - Utiliser le modèle
- 249 7.4.1 Appliquer un modèle sur un nouveau jeu de données
- 249 Contrainte d'utilisation d'un modèle
- 249 Types de résultats proposés
- 252 Utiliser l'application directe dans la base de données
- 252 Pré-requis pour l'utilisation du mode d'application direct dans la base de données
- 253 Paramètres avancés
- 253 Copier la variable de poids
- 253 Copier les variables
- 254 Constantes définies par l'utilisateur
- 255 Sorties par rang de segment
- 255 Segments par ordre de proximité
- 255 Noms des segments par ordre de proximité
- 255 Distances par ordre croissant
- 256 Probabilité
- 256 Sorties par identifiant de segment
- 256 Distance aux segments
- 257 Probabilité du segment
- 257 Autres
- 257 Codage disjonctif de la valeur prévue
- 258 Valeur moyenne de la cible / Probabilité de la catégorie cible
- 258 Analyser les résultats de l'application
- 259 Description du fichier de résultats
- 260 8 Glossaire
- 260 agrégation de données
- 260 analyse de réseaux sociaux
- 260 antécédent
- 260 application directe en base de données (in-database application)
- 260 apprentissage
- 261 attribut
- 261 AUC
- 261 auto-sélection
- 261 barre d'erreur
- 261 base de données
- 261 bibliothèque de variables
- 262 borne inférieure
- 262 borne supérieure
- 262 carte de score
- 262 catégorie
- 262 catégorie cible
- 262 centroïde
- 263 chunk (by chunk)
- 263 coefficient de détermination (R2)
- 263 confiance
- 263 conséquent
- 263 contribution
- 263 contributions intelligentes des variables
- 264 corrélation
- 264 délai d'expiration
- 264 détail des variables
- 264 déviation
- 264 domaine
- 264 écart-type
- 265 écart-type de l'erreur
- 265 échantillonnage
- 265 éditeur de formule
- 265 encodage
- 265 enregistrement
- 265 enregistrement analytique
- 266 entité
- 266 erreur absolue moyenne (L1)
- 266 erreur maximale (LInf)
- 266 erreur moyenne
- 266 erreur quadratique moyenne (L2)
- 266 faux positif
- 267 filtre numérique
- 267 fluctuation
- 267 graphe à bulles / graphe en bulles
- 267 index de GINI
- 267 indicateur de performance clé
- 267 indicateur de qualité : capacité prédictive
- 268 indicateur de robustesse : reproductibilité
- 268 installation avec plusieurs instances
- 268 intervalle de prédiction
- 268 Item
- 268 itemset
- 268 itération
- 269 jeu de données
- 269 jeu de données d'application
- 269 jeu de données d'apprentissage
- 269 jeu de données d'événements
- 269 KL (Kullback-Leibler)
- 270 Lift
- 270 MAPE globale sur l'horizon
- 270 matrice confusion
- 270 métadonnées
- 270 méta-opérateur
- 271 modèle descriptif
- 271 modèle explicatif
- 271 monotonicité
- 271 moteur
- 271 moyenne
- 271 moyenne des valeurs absolues de l'erreur relative (MAPE)
- 271 normaliser
- 272 observation non assignée
- 272 pivot
- 272 polynôme
- 272 population
- 272 population estampillée
- 273 profit détecté
- 273 profit Lift
- 273 profit normalisé
- 273 profit personnalisé
- 273 racine
- 273 rapport de modélisation
- 274 règle d'association
- 274 représentation en graphe bipartite / représentation en graphe non bipartite
- 274 robustesse
- 274 ROC
- 274 rôle
- 275 saisonal
- 275 score
- 275 segment
- 275 sensibilité
- 275 série temporelle
- 275 serveur authentifié
- 276 session
- 276 simulation
- 276 source de données
- 276 statistiques croisées
- 276 stockage
- 277 stratégie de découpage
- 277 stratégie de découpage aléatoire
- 277 stratégie de découpage périodique
- 277 stratégie de découpage personnalisée
- 278 stratégie de découpage séquentielle
- 278 support
- 278 table calendaire
- 278 table d'analyse
- 278 table de données
- 279 taux de classement
- 279 test de K-S
- 279 transaction
- 279 type de profit
- 279 type de variable
- 280 valeur aberrante
- 280 valeur manquante
- 280 variable
- 280 variable cible
- 280 variable continue
- 281 variable de poids
- 281 variable exclue
- 281 variable explicative
- 281 variable extra prédictible
- 281 variable nominale
- 282 variable ordinale
- 282 vrai négatif
- 282 vrai positif
Frequently Answers and Questions
A qui s'adresse ce document ?
Ce document s'adresse aux personnes qui souhaitent évaluer ou utiliser SAP InfiniteInsight®.
Quels sont les prérequis à la lecture de ce document ?
La lecture de ce guide ne nécessite aucune connaissance préalable, y compris en statistiques ou en bases de données.
Qu'est-ce que SAP InfiniteInsight® Modeler / Régression ou Classement ?
Il vous permet de comprendre et de prédire un phénomène.
Qu'est-ce que SAP InfiniteInsight® Modeler / Segmentation ?
Il vous permet de décrire un jeu de données, en le décomposant en groupes de données homogènes, ou segments.