Succès statistique

Bnet est accompli dans les techniques modernes d'apprentissage statistique / machine qui supportent Data Analytics et Data Science. Nous voyons trois branches chevauchantes de méthodes communément déployées par nos clients: les modèles linéaires paramétriques avec des conceptions expérimentales; Prévision / Série chronologique; et l'apprentissage automatique. Nos consultants peuvent vous montrer comment mettre ces techniques au travail.

Modèles linéaires paramétriques avec des modèles expérimentaux

Bnet distingue deux cas d'utilisation statistique fondamentale de nos clients. Certains recherchent simplement les meilleures prédictions de résultats d'intérêt sans se soucier des causes et des effets, alors que pour d'autres, il est primordial d'être en mesure d'attribuer des effets à des facteurs particuliers. Le point de départ de Bnet pour ce dernier travail est la régression linéaire et logistique classique superposée à des plans expérimentaux serrés. Ces modèles sont souvent pertinents pour les exigences de mesure de performance de Data Analytics.

Prévision / Séries temporelles

Bnet adepte de nombreuses méthodes de prévision populaires, y compris le cadre de lissage exponentiel généralisé qui estime la tendance, la saisonnalité et l'erreur (ETS) à partir de séries chronologiques. Le lissage est souvent en concurrence avec des modèles de moyenne mobile autorégressive (ARIMA), la régression classique avec des composantes temporelles et des modèles d'apprentissage automatique supervisés tels que MARS et Additive Regression.

Apprentissage automatique

Là où il y a moins de souci de cause à effet et plus avec une précision prédictive, les techniques d'apprentissage automatique sont souvent appropriées. Nous commençons par reconnaître que le monde n'est pas linéaire en ajoutant des splines cubiques et des effets d'interaction à nos modèles. Et nous testons pour overfitting par vigoureuse validation croisée. Nous reconnaissons que les modèles construits avec des données d'entraînement sont crédules en pénalisant les estimations de coefficients en utilisant des méthodes de «régularisation» établies telles que Lars, Lasso et Elastic-Net. Et nous comprenons les avantages prédictifs de la sagesse des foules en utilisant des méthodes d'apprentissage d'ensemble telles que les forêts aléatoires et le renforcement des gradients. Le ML est essentiel à l'exploration et à la prédiction de Data Science.

Notre travail statistique n'est pas exécuté dans le vide. Les modèles et leurs prédictions doivent souvent être incorporés dans les opérations via des applications Data Analytics / Data Science. Nos services d'intégration DA fusionnent les modèles / prédictions R, SAS / WPS et Python-Sci-Kit dans les applications Analytics existantes. Et nous sommes très optimistes sur l'écosystème Spark émergent pour les statistiques de données volumineuses sur Hadoop. Proc Hadoop de WPS offre la possibilité d'accéder en toute transparence aux données de l'écosystème Hadoop avec les syntaxes SAS et R de base. Enfin, nous collaborons avec R vendor Revolution Analytics pour promouvoir et mettre en valeur leur serveur d'entreprise, RevoDeployR.