Data Mining From a to Z



Yüklə 144,35 Kb.

tarix08.10.2017
ölçüsü144,35 Kb.


  White Paper

Data Mining From A to Z: 

How to Discover Insights and Drive Better Opportunities



Contents

Introduction  .......................................................................1

The SAS

®

 Analytical Life Cycle: Combining Data,  



Discovery and Deployment ............................................2

What Can Data Mining  

Help You Discover?  ..........................................................3

A Closer Look at the Role of Data Mining  

in the Discovery Process  .................................................5

Step 1: Turn a Business Question Into  

an Analytical Hypothesis ......................................................5

Step 2: Prepare the Data for Data Mining  .......................5

Step 3: Explore the Data ......................................................5

Step 4: Model the Data ........................................................6

SAS

®

 Data Mining Solutions  ...........................................6



Using SAS

®

 Enterprise Miner



 for  


Data Mining and Machine Learning ..................................6

Using SAS

®

 Factory Miner for an  



Automated Approach to Data Mining ..............................8

Scaling Your Discovery Process to Handle 

Big Data and Complex Problems  ......................................8

Integration Eases Model Deployment,  

Monitoring and Management ...........................................10

Conclusion ........................................................................11

Learn More .......................................................................11



1

Introduction 

So much data and multitudes of decisions. Organizations 

everywhere struggle with this dilemma. The data is growing, 

but what about your ability to make decisions based on those 

huge volumes of data? Is that growing too? For many, unfortu-

nately, the answer is no.

Data pours in at unprecedented speeds and volumes from 

everywhere. But making fact-based decisions is not dependent 

on the amount of data you have. Actually, having so much data 

can be a paralyzing factor. Where do you even begin? Your 

success will depend on how quickly you can discover insights 

from all that data and use those insights to drive better actions 

across your entire organization. 

That’s where predictive analytics, data mining, machine learning 

and decision management come into play. Predictive analytics 

helps assess what will happen in the future. Data mining looks 

for hidden patterns in data that can be used to predict future 

behavior. Businesses, scientists and governments have used this 

approach for years to transform data into proactive insights. 

Decision management turns those insights into actions that are 

used in your operational processes. So while the same 

approaches can still be applied today – they need to happen 

faster and at a larger scale, using the most modern techniques 

available.

Forward-thinking organizations use data mining and predictive 

analytics to detect fraud and cybersecurity issues, manage risk, 

anticipate resource demands, increase response rates for 

marketing campaigns, generate next-best offers, curb customer 

attrition and identify adverse drug effects during clinical trials, 

among many other things. 

Because they can produce predictive insights from large and 

diverse data, the technologies of data mining, machine learning 

and advanced analytical modeling are essential for identifying 

the factors that can improve organizational performance and, 

when automated in everyday decisions, create competitive 

advantage. And with more of everything these days (data, 

computing power, business questions, risks and consumers), 

the ability to scale your analytical power is essential for staying 

ahead of your competition.

Deploying analytical insights quickly ensures that the timeliness 

of your analytical models is not lost due to slow processes like 

rewriting code for each environment, revalidating the rewritten 

models and other manual processes. If you can rapidly deploy 

your analytical models, the context and relevance of the models 

is not lost and you retain competitive advantage. 

So how do you create an environment that can help your orga-

nization deal with all of the data being collected, all of the 

models being created and all of the decisions that need to be 

made, all at an increasing scale? The answer is an iterative 

analytical life cycle that brings together:

•  Data – the foundation for decisions.

•  Discovery – the process of identifying new insights in data.

•  Deployment – the process of using newly found insights to 

drive improved actions.

Deployment

Discovery

Data


Figure 1: An integrated combination of data, discovery and 

deployment is needed to derive and put into action the fast 

insights needed for scalable decision making.



2

The SAS


®

 Analytical Life Cycle: 

Combining Data, Discovery and 

Deployment

Even though the majority of this paper is focused on using data 

mining for insights discovery, let’s take a quick look at the entire 

iterative analytical life cycle, because that’s what makes predic-

tive discovery achievable and the actions from it more valuable. 

•  Ask a business question. It all starts here. The discovery 

process is driven by asking business questions that produce 

innovation. This step is focused on exploring what you need 

to know, and how you can apply predictive analytics to your 

data to solve a problem or improve a process.

•  Prepare data. Collecting data certainly isn’t a problem these 

days – it’s streaming in from everywhere. Technologies like 

Hadoop and faster, cheaper computers have made it 

possible to store and use more data, and more types of data, 

than ever before. But there is still the issue of joining data in 

different forms from different sources and the need to trans-

form raw data into data that can used as input for data 

mining. Data scientists still spend much of their time dealing 

with these tasks.

•  Explore the data. Interactive, self-service visualization tools 

need to serve a wide range of user personas in an organiza-

tion (from the business analyst with no analytical knowledge 

to a data scientist) to allow searches for relationships, trends 

and patterns to gain deeper understanding of the informa-

tion captured by variables in the data. In this step, the 

hypothesis formed in the initial phase of the project will be 

refined and ideas on how to address the business problem 

from an analytical perspective are developed and tested. 

While examining your data, you may find the need to create, 

select or transform some data to create more precisely 

focused models. Fast, interactive tools help make this an iter-

ative process, which is crucial for identifying the best ques-

tions and answers.

•  Model the data. In this stage, the data scientist applies 

numerous analytical modeling algorithms to the data to find 

a robust representation of the relationships in the data that 

help answer the business question. Analytical tools search for 

a combination of data and modeling techniques that reliably 

predict a desired outcome. Experimentation is key to finding 

the most reliable answer, and automated model building can 

help minimize the time to results and boost the productivity 

of analytical teams. In the past, with manual model-building 

tools, data miners and data scientists were able to create 

several models in a week or month. Today, they can create 

hundreds or even thousands. But how can they quickly and 

reliably find the one model (out of many) that performs best? 

With automated tournaments of machine-learning algo-

rithms and a clearly defined champion model, this has 

become an easy process. Analysts and data scientists can 

now spend their time focusing on more strategic questions 

and investigations. 

•  Implement the models. Here we move from the discovery 

phase to deployment – taking the insights learned and 

putting them into action using repeatable, automated 

processes. In many organizations this is the point where the 

process often slows down dramatically because there is no 

defined handshake between the two worlds of discovery 

and deployment, let alone automation. Bringing these two 

worlds together to create an integrated transition helps 

decrease time to value for predictive analytics. The faster 

your business can use the answers generated by predictive 

analytics for better decision making, the more value will be 

generated. And, a transparent process is important for 

everyone – especially auditors. 

•  Act on the new information. There are two types of decisions 

that can be made based on analytical results. Strategic deci-

sions are made by humans who look at results and take action. 

Operational decisions are automated – like credit scores or 

recommended best offers – and don’t require human inter-

vention. More and more organizations are looking to 

automate operational decisions and provide real-time 

answers and results to reduce decision latencies. Basing oper-

ational decisions on answers from analytical models also 

makes decisions objective, repeatable and measurable. The 

integration with enterprise decision management tools 

enables organizations to build comprehensive and complete 

operational decision flows that combine data-driven analytics 

and business rules for optimal automated decisions. 

•  Evaluate your results. The next – and perhaps most impor-

tant – step is to evaluate the outcome of the actions 

produced by the analytical model. Did your predictive 

models produce tangible results, such as increased revenue 

or decreased costs? With continuous monitoring and 

measurement of the models’ performance, you can evaluate 

the success of these assets and make sure they continue to 

produce the desired results.



3

•  Ask again. Because your data is always growing and ever 

changing, relationships in data that your models use for 

predictions also change over time. Constant evaluation of 

your analytical results will identify the degradation of model 

accuracy. Even the most accurate models will have to be 

refreshed over time, and organizations will need to go 

through the discovery and deployment steps again. It’s a 

constant and evolving process. 

SAS provides an integrated, complete analytics platform that 

handles every step in the iterative analytical life cycle. This 

remainder of this paper will focus on the data discovery portion 

of the life cycle – and the data mining tools you’ll need to 

quickly build the most accurate predictive models possible.

What Can Data Mining  

Help You Discover? 

Data mining provides a core set of technologies that help orga-

nizations anticipate future outcomes, discover new opportuni-

ties and improve business performance. It can be applied to a 

variety of customer issues in any industry – from customer 

segmentation and targeting, to fraud detection and credit risk 

scoring, to identifying adverse drug effects during clinical trials.

A common use of data mining and  machine-learning tech-

niques is to automatically segment customers by behavior, 

demographics or attitudes – to better understand needs of 

specific groups and serve them in a more targeted way. This 

analytical segmentation, or unsupervised modeling, helps to 

identify groups of customers that are similar and might react to 

Figure 2: The analytical life cycle is an iterative process of making discoveries from your data and applying new insights to 

continually improve predictive models and their results. 

Ask

Prepare


Ex

pl

or



e

Ac

t



Model

Implement

Evaluate

Deployment

Discovery



4

certain offers or activities in a similar way. Using these segments, 

you can create models for each group to predict the next-best 

offer or activity to which they’re most likely to respond. To ensure 

that you only engage desired customers, you can further comple-

ment the customer acquisition model with a risk-scoring model 

to find out who is a good credit risk and actually worth the invest-

ment to acquire or retain.

Another important use for data mining and machine learning is 

to help detect fraud, which is important as fraudsters become 

more sophisticated in their tactics. Models can be built to cross-

reference data from a variety of sources, correlating nonobvious 

variables with known traits to identify new patterns of fraudulent 

activities. 

Because of its potential to produce accurate predictive insights 

from huge volumes of diverse data, data mining has proven to 

be an invaluable component of many analytical initiatives. Data 

mining and machine learning can help you: 

•  Automatically discover patterns, trends and relationships 

represented in data. 

•  Develop models to better understand and describe charac-

teristics and activities based on these patterns.

•  Use those insights to help evaluate future options and make 

fact-based decisions. 

•  Create score code that expresses the calculations to be 

made for timely, appropriate actions. 

Common Applications for Data Mining Across Industries

Business Question 

Application 

What Is Predicted? 

How to better target product/service offers?

Profiling and segmentation. 

Customer behaviors and needs by segment. 

Which product/service to recommend?

Cross-sell and up-sell. 

Probable customer purchases. 

How to grow and maintain valuable customers?

Acquisition and retention. 

Customer preferences and purchase patterns. 

How to direct the right offer to the right person 

at the right time?

Campaign management. 

The success of customer communications. 

Which customers to invest in and how to best 

appeal to them?

Profitability and lifetime value. 

Drivers of future value (margin and retention). 

Industry-Specific Data Mining Applications

Business Question 

Application 

What Is Predicted? 

How to assess and control risk within existing 

(or new) consumer portfolios?

Credit scoring (banking). 

Creditworthiness of new and existing sets of 

customers. 

How to increase sales with cross-sell/up-sell, 

loyalty programs and promotions?

Recommendation systems (online retail). 

Products that are likely to be purchased next. 

How to minimize operational disruptions and 

maintenance costs?

Asset maintenance (utilities, manufacturing, oil 

and gas).

The real drivers of asset or equipment failure. 

How to reduce health care costs and satisfy 

patients?

Health and condition management (health 

insurance).

Patients at risk of chronic, treatable/prevent-

able illness. 

How to decrease fraud losses and lower false 

positives?

Fraud management and cybersecurity (gov-

ernment, insurance, banks).

Unknown fraud cases and future risks. 

How to bring drugs to the marketplace quickly 

and effectively?

Drug discovery (life sciences).

Compounds that have desirable effects. 




5

In some cases to expedite modeling processes, you may want 

to sample the data – that is, create a smaller subset of the data 

that represents the target data set. Data mining can only 

uncover patterns already present in the data, so the sample 

should be representative and large enough to contain the 

significant information. The analytics base table is also generally 

divided into at least two sets: the training set and the test set. 

The training set is used to train the data mining and machine-

learning algorithm(s), while the test set is used to verify the 

accuracy of any patterns found. 

Step 3: Explore the Data

Next, you’ll want to explore the data and search for anticipated 

relationships, unanticipated trends and anomalies to gain an 

understanding of the information you’re working with and 

further refine ideas and questions. Data exploration can also 

help pinpoint data quality problems such as data errors, missing 

values or data distributions that need to be transformed for the 

modeling stage. In addition, you can use several other types of 

techniques to detect patterns in the data that can help you build 

more accurate predictive models or help you create additional 

input data for your predictive model. 

•  Clustering (or unsupervised modeling) identifies groups or 

structures in the data that are similar, beyond the structures 

otherwise visible in the data. 

•  Association-rule learning searches for relationships among 

variables, such as products frequently bought together 

(known as market basket analysis), which can lead to further 

recommendations for purchase. 

•  Text analytics can help you to create new structured informa-

tion from electronic text data. This new data can help to 

improve the accuracy of your models. For example, inte-

grating customer comments on your products and services 

from call center notes or reviews on social media forums 

often produces more accurate churn prediction models. 

•  Interactive data visualization presents results graphically and 

lets users interact with these graphs to more easily identify 

important patterns or anomalies with the data that might 

have an impact in the model-building stage. 

Often, you’ll need to modify your data before modeling so you 

should plan on a step for creating, selecting and transforming 

variables to focus your model-selection process. Based on your 

discoveries in the exploration phase, you may need to manipu-

late your data to introduce new variables, fill in missing values or 

look for outliers so you can reduce the number of variables to 

only the most significant ones. 

A Closer Look at the Role of Data 

Mining in the Discovery Process 

Data mining and machine learning lie at the heart of the 

discovery process. But there’s more to discovery than just 

building an analytical model. You’ll get better results if you take 

an iterative, holistic approach.

Step 1: Turn a Business Question Into an 

Analytical Hypothesis

The first step in the discovery process is to ask a business 

question (see tables on page 4). Usually an organization has a 

general idea of what it wants to achieve – something like, “We 

want to reduce the churn of our valuable customers.” To 

address these issues with analytics, business questions must be 

specified in detail or transformed into an analytical hypothesis. 

For example, every predictive model requires a well-defined 

outcome, a label or target. If you want to predict customer 

churn, you need to define churn as an outcome for the model. 

However, churn is likely defined differently in different organiza-

tions. Does it refer to someone actively canceling a contract or 

someone who is dormant in his activities? How long can a 

customer remain dormant before being classified as a churner? 

What is valuable? Do we include only historical value or poten-

tial future value (lifetime value) of a customer? Your first step in 

the discovery process is to identify an issue and translate the 

issue into a question that can be addressed with analytics. 

Step 2: Prepare the Data for Data Mining 

To begin, you must determine what data is needed to answer 

the question. Based on the specifics of the business question, 

an analyst evaluates the data that is available and decides if the 

data has the potential to answer the question at hand. If not, 

external data may be needed or new data might need to be 

collected. Often, the data is in different systems and needs to be 

accessed and turned into a data set that can be used for data 

mining and machine learning. Predictive or supervised models 

require a single record per entity to model. (An analytics base 

table for forecasting or market analysis will look different from a 

table for predictive or supervised modeling). If you want to 

model the likelihood of customer churn, you need to create a 

single table where each record contains all the data attributes 

for a single customer. This often requires a significant amount of 

data aggregation and transformation. Once a single analytics 

base table for the analysis has been aggregated, the other 

aspects of the life cycle come into play. Because it is necessary 

to experiment with data, the preparation stage is also very itera-

tive with the analyst trying different types of data to get the most 

accurate predictive results. 




6

are big timesavers here. When you are satisfied with the results 

of your modeling endeavors, you then begin the deployment 

process. But because it’s a completely iterative process, there 

are constant examinations and adjustments. As discussed 

before, there are several steps involved in the deployment 

process (see the SAS Analytical Life Cycle section on page 2). 

For more information on the deployment process, read 



From 

Data to Decision: How SAS® Decision Manager Automates 

Operational Decisions

. To learn more about data mining and 

discovery, keep reading!

SAS


®

 Data Mining Solutions 

Data mining and machine learning enable you to discover 

insights that drive better decision making. With SAS data mining 

solutions, you can streamline the discovery process to develop 

models quickly so you can understand key relationships and 

find the patterns that matter the most.

Using SAS

®

 Enterprise Miner



 for  


Data Mining and Machine Learning

SAS Enterprise Miner is a comprehensive, graphical workbench 

for data mining. This widely acclaimed and extensive platform 

provides capabilities to prepare data for predictive analytics, 

identify the most significant variables, develop models using 

the most modern data mining and machine-learning algo-

rithms, easily validate the accuracy and fitness of the model(s), 

and generate assets that allow a simple deployment of analyt-

ical models into your operational applications for automated 

decision making.

Powerful data preparation tools address data quality problems, 

such as missing values and outliers, and help you develop 

segmentation rules. Interactive data exploration enables users 

to create dynamic, linked plots to identify relationships within 

the data. SAS Enterprise Miner provides dozens of advanced 

statistical and machine-learning  algorithms for descriptive and 

predictive modeling, including clustering, link and market 

basket analysis, principal component analysis, decision trees, 

bagging and boosting, Bayesian networks, neural networks, 

random forests, linear regression, logistic regression, support 

vector machine, time series data mining and many more.

At the end of the model development pipeline, complete, opti-

mized scoring code is delivered for easy deployment of the 

unsupervised or supervised models in SAS, C, Java and PMML 

for scoring data in SAS as well as in other environments. Score 

code can also be delivered automatically as an in-database 

Step 4: Model the Data

After carefully exploring and preparing your input data, you are 

ready to create predictive or supervised models to search for a 

combination of the data that reliably predicts a desired 

outcome. Depending on the data and issue at hand, you can 

choose from a variety of modern machine-learning and statis-

tical techniques to solve your problem – including classification, 

regression, neural networks, random forests, support vector 

machine, incremental response or time series data mining – as 

well as industry-specific techniques such as credit scoring in 

banking or rate making for insurance. 

The selection of the most appropriate techniques depends on 

several factors. Is it more important to have a model that 

predicts your desired outcome with the highest accuracy or is it 

also (or even more) important to have transparency into the 

data relationships that drive the predictions? Automated 

machine-learning techniques are often too complex to allow the 

exploration of business drivers from the model results, while 

other statistical techniques such as regression or decision trees 

are more transparent and are preferred in regulated industries.

To get the most value from your predictive models, you’ll want 

to constantly evaluate the usefulness and reliability of the 

findings from your data mining processes. Not all patterns 

found by the data mining algorithms will be valid. The algo-

rithms might find patterns in the training data set that are not 

present in the general data set. (This is called overfitting.) To 

address this concern, patterns are validated against a test set of 

data. The patterns learned on the training data will be applied to 

the test set, and the resulting output is compared to the desired 

(or known) output. 

For example, a data mining algorithm that had been trained to 

distinguish fraudulent credit card transactions from legitimate 

ones would then be applied to the test set of transactions on 

which it had not been trained. The accuracy of the patterns can 

then be measured from how many credit card transactions are 

correctly classified. If the learned patterns do not meet desired 

standards, modifications are made to the preprocessing and 

data mining techniques until the result is satisfactory and the 

learned patterns can be successfully applied to operational 

systems. 

Data scientists and data miners need to experiment with a multi-

tude of predictive modeling and machine-learning algorithms 

in order to find the one that works best for their specific 

problem. Automated modeling tournaments where users can 

experiment to identify the winning modeling strategy quickly 



7

function for scoring inside Hadoop as well as industry-leading 

databases such as Teradata, IBM, Oracle, Pivotal, Aster Data, 

SAP HANA, etc., for very seamless integration with business 

applications and fast operational results.

In addition to generating score code in different languages and 

formats, SAS Enterprise Miner also generates many assets that 

enable easy deployment, management and monitoring of 

predictive models as part of operational business processes.  

All of these assets are supported by metadata to provide mean-

ingful documentation around the entire process.

The SAS Enterprise Miner data mining process is driven by a 

process flow diagram that you can modify, save and share. The 

drag-and-drop GUI enables business analysts with little statis-

tical expertise to navigate through the data mining process, 

while the quantitative expert can go behind the scenes to fine-

tune the analytical models.

With SAS Enterprise Miner, you can:

•  Create training and test sample data sets with  

high predictive value.

•  Interactively explore relationships and anomalies  

in the data.

•  Create, transform and select the most appropriate 

variables for analysis.

•  Apply a range of modeling techniques to identify 

patterns in the data.

•  Validate the usefulness and reliability of findings 

from the data mining process.

•  Create all required assets for easy model deploy-

ment, monitoring and management. 

Figure 3: Decision trees are just one of the many modeling techniques included with SAS Enterprise Miner. They can be developed 

interactively or in batch mode. Numerous assessment plots help gauge overall tree stability.




8

as the producer of organizational best-practice modeling pipe-

lines for different projects and other users of the environment 

consume these best practices in a self-service fashion for 

optimal results. 

And SAS Factory Miner does not stop with the identification of a 

champion model for each segment.  Complete code is auto-

matically created for the entire scoring pipeline (including data 

transformations) of each model for deployment in SAS or other 

environments, such as databases or Hadoop. 

In addition, all model development and scoring assets can be 

registered to SAS Decision Manager, a centralized web-based 

environment for managing the life cycle and governance of 

your modeling assets from SAS or third-party providers, 

including open-source analytics.

The automation, ease of use, scalability and collaboration capa-

bilities of SAS Factory Miner ramp up your predictive model-

building power, increase the productivity of your analytics staff, 

enable collaboration across dispersed analytics teams, as well 

as expand your analytics talent pool through the democratiza-

tion of machine-learning techniques.

Scaling Your Discovery Process to Handle 

Big Data and Complex Problems 

Big data and complex problems call for big analytics solutions. 

At SAS, we amp up your discovery power with distributed 

in-memory analytics. The idea is simple yet powerful. Break your 

data into smaller chunks and distribute the volume of the data 

and the complexity of the problem across your compute 

Using SAS

®

 Factory Miner for an  



Automated Approach to Data Mining

As organizations apply more targeted analytics to their growing 

number of customer and business segments, there is a need to 

create even more predictive models at more granular levels. For 

example, instead of developing one model for the entire 

customer base, marketing departments want to create specific 

models for many customer segments. A retailer may want to 

develop cross-sell models for a large number of product cate-

gories. Or, a transport enterprise will want to build predictive 

maintenance models for different components of the vehicles it 

has in operation. And while this makes it necessary to create a 

lot more models, most analysts and data scientists don’t have 

the luxury of more time. 

With SAS Factory Miner, you get an interactive predictive 

modeling environment that makes it extremely easy to create, 

modify and assess hundreds, or even thousands, of models very 

quickly. With just a few clicks, you can access, modify and trans-

form your data, choose which machine-learning techniques you 

want to apply and run the models in an automated model tour-

nament environment to quickly identify the best performer for 

each segment.  Modeling techniques included in SAS Factory 

Miner are:

•  Bayesian networks.

•  Decision trees.

•  Gradient boosting.

•  Neural networks.

•  Random forests.

•  Support vector machines.

•  Generalized linear models.

•  Linear regression.

•  Logistic regression.

Users can easily identify modeling exceptions (segments where 

the automated approach does not generate models that meet 

acceptance criteria). The white-box design of SAS Factory Miner 

lets users easily modify predictive modeling pipelines and fine-

tune parameters of pipeline components for better results 

where required. They can even create their own customized 

modeling pipelines for their favorite analytical projects, 

including data preparation, feature engineering and selection 

and learning algorithms, and share them with other users to 

create a repository of organizational best practices. This collabo-

ration across the entire organization can help expand the 

analytics talent pool in your organization. The data scientist acts 

With SAS Factory Miner, you can: 

•  Boost discovery productivity.

•  Automate model development.

•  Explore new ideas faster.

•  Collaborate with your analytics peers across  

your organization.

•  Expand your analytics talent pool through  

automated self-service machine learning. 

•  Put large predictive model portfolios into produc-

tion more efficiently and manage them with ease.



9

engines, whether it’s on a single machine with a multitude of 

processing cores (CPUs) or a network of computers, such as a 

Hadoop cluster. The processing is done entirely in memory 

whenever possible, including the communication between the 

processing units (CPUs), which makes this process really fast. 

SAS distributed, in-memory analytics processing takes advan-

tage of a highly scalable and reliable analytics infrastructure – 

including database appliances like Pivotal Greenplum, Teradata, 

Oracle and SAP HANA – and commodity hardware using open 

source Hadoop or Hadoop Cloudera and Hortonworks distribu-

tions. For the users, nothing much changes. They can work from 

the same familiar interface for their data mining, predictive 

analytics and machine-learning projects, while SAS In-Memory 

Analytics takes care of the optimal workload distribution on the 

available system.

Figure 4: Customizable assessment techniques in SAS Factory Miner enable you to generate champion models for every segment 

in your data.

SAS High-Performance Data Mining lets you analyze large 

volumes of diverse data using a drag-and-drop interface and 

powerful descriptive, predictive and machine-learning methods. 

A variety of modeling techniques – including random forests, 

support vector machines, neural networks and clustering – are 

combined with data preparation, data exploration and scoring 

capabilities. Because you’re able to build and run more models 

faster, you can ask more questions and bring new ideas into your 

data mining process. SAS High-Performance Text Mining lets you 

gain quick insights from large unstructured data collections 

involving millions of documents, emails, notes, report snippets, 

social media sources, etc. Support is included for parsing, entity 

extraction, automatic stemming and synonym detection, topic 

discovery and singular value decomposition (SVD). Text mining 

results can be used as inputs into high-performance data mining 

to improve your predictive modeling power.




10

Furthermore, business rules are being used in conjunction with 

analytical models to make decisions more flexible and agile. 

With SAS Decision Manager, business rules help define the 

actions based on specific conditions in business processes.

In the past, the deployment of a predictive model into the 

production environment has been manually performed by IT, 

often resulting in huge delays before the model could be used.  

With constantly changing market conditions and new data 

continuously arriving, it’s possible for models to become 

obsolete before they are even deployed. With the seamless 

integration of the discovery and deployment phases of the 

analytical life cycle, SAS enables organizations to automate this 

process. SAS Decision Manager provides a streamlined inter-

face to deploy models to execution environments in real time or 

batch without recoding the models for different environments. 

This maximizes the investment in the analytics through reuse of 

the analytical assets across environments and reduces risks by 

eliminating the need for manual recoding and subsequent 

revalidation: develop once, deploy many times. 

Forward-thinking organizations are finding new ways to be 

more efficient and drive better automated decisions. SAS Decision 

Manager provides the features that organizations need for 

faster and easier model deployment into production situations.

Integration Eases Model Deployment, 

Monitoring and Management 

While this paper focuses on the data mining and analytical 

discovery process, you can’t really end a conversation about 

data mining and machine learning for business applications 

without touching on what happens after the predictive models 

are built and the champion model chosen. So, what does 

happen? You move on to the deployment phase (see Figure 2).

After the champion model has been selected, it needs to  

be implemented into the right production environment. 

Organizations use predictive models in different ways. For 

example, they might be used to select customers for marketing 

campaigns by running a batch-scoring process and providing 

the selected customers as a list to marketing. An increasing 

number of organizations are looking into more integrated and 

automated processes to make the results of predictive models 

available for operational decision making. Rather than having 

the scoring process run in batch, they would like to have the 

model provide on-demand answers as part of a business appli-

cation. Organizations may also want real-time answers from 

streaming data (e.g., for automated fraud detection or predic-

tive maintenance). 

Figure 5: SAS Decision Manager helps expedite the model deployment process. It integrates model development automation 

with SAS Factory Miner and accelerates common manual tasks, like the definition of business rules and automatic generation of 

vocabularies.



11

Conclusion

Today, more organizations are recognizing the value of 

predictive analytics results. And that’s good because if you’re 

collecting and storing data, you should be using it to gain 

insights that lead to competitive advantage. 

This is especially true if your organization is paying people to 

create analytical models! But the trick has always been getting 

all the different pieces and parts moving together in order to 

extract the maximum value from all your data. SAS offers a 

complete analytical-lifecycle process that helps organizations go 

from data to decisions on a very large scale, in a very reliable 

manner. 

It starts with data access and preparation (data volumes don’t 

matter), moves through the process of data discovery and analyt-

ical modeling to produce predictive insights, and goes on to the 

deployment and management of results – all in an integrated 

environment. 

While this paper introduced all phases of the analytical life cycle, 

its main focus was on the discovery portion. And at SAS, discovery 

means using predictive analytics to quickly and easily find new 

and reliable insights from data. With industry-recognized data 

mining software like SAS Enterprise Miner, the new SAS Factory 

Miner solution, in-memory technologies and enterprise model 

management capabilities, organizations are able to tackle any 

big data analytics problem. 

•  SAS Factory Miner provides an automated, web-based 

solution for building and retraining predictive models across 

multiple segments. It boosts productivity by enabling 

modelers to quickly and easily test many approaches simul-

taneously using machine learning and statistical algorithms. 

•  In situations where automated modeling doesn’t work,  

SAS Enterprise Miner can be used to handcraft customized, 

strategic advanced predictive models. 

•  Distributed in-memory computing keeps processing moving 

at maximum speeds.

•  SAS Decision Manager streamlines analytical model deploy-

ment – all from a single interface.

These solutions streamline the data discovery/data mining 

process, enabling you to create highly accurate predictive and 

descriptive models based on data analysis from across your 

enterprise. 

Learn More

Visit 


sas.com/datamining

 to find out more about  

our data mining and data discovery solutions.

Join the 

SAS Data Mining Community

, where users  

and SAS employees share tips and other information. 

For a complete overview of the entire analytical life cycle, 

read 

Manage the Analytical Life Cycle for Continuous  

Innovation

.

To learn more about the deployment phase, read  



From Data to Decision: How SAS® Decision Manager  

Automates Operational Decisions

.


To contact your local SAS office, please visit: 

sas.com/offices

SAS and all other SAS Institute Inc. product or service names are registered trademarks or trademarks of 

SAS Institute Inc. in the USA and other countries. 

®

 indicates USA registration. Other brand and product 



names are trademarks of their respective companies. Copyright © 2016, SAS Institute Inc. All rights reserved. 

104937_S149733.0116





Dostları ilə paylaş:


Verilənlər bazası müəlliflik hüququ ilə müdafiə olunur ©genderi.org 2019
rəhbərliyinə müraciət

    Ana səhifə