借助面向未来的可靠、快速、可配置、开放预测工具,更好地规划未来。
简化和自动化预测过程。
以较大规模自动生成可靠的预测结果,同时进行可视化处理和相应部署,无需人工参与。减少人工干预意味着预测过程中出现个人偏见的可能性更小。由于预测分析师不必为每个时间序列构建和监控预测模型,他们可专注于更具战略性的高价值预测或不适合自动化的问题。同时,经验更丰富的预测人员可以开发和共享他们配置的建模策略和管道,供其他业务领域使用。
大规模生成准确的预测结果,对规划加以优化。
根据数据的性质将数据自动划分为具有类似时间序列的段。然后使用时间序列、机器学习和混合技术,将最有效的建模技术应用于每个组。
为开源用户赋能。
为数据科学团队提供在 Python 和 R 中扩展流行开源算法的选项,只需将其分发到云中并行运行即可。SAS Visual Profecting 提供可扩展的开放框架,可集成和并行处理算法,从而以可控和一致的方式进行共享和重用。
整合外部驱动因素和业务知识。
从提供给系统的变量中自动选择影响预测过程的业务驱动因素、假日或事件。使用简单的用户界面,您还可以根据实际业务知识改写系统结果,进一步提高预测准确性。根据您在同一生态系统中定义的特定过滤器来管理变更。
免费试用
试用最新 SAS Viya 功能。
获取 SAS Viya 14 天免费试用,其中包括此套件以及整个分析生命周期的功能。
主要功能
SAS Visual Forecasting 提供了一种开放式预测生态系统,可快速自动生成大量可靠的预测结果。
数据访问、准备和质量
使用直观的界面进行数据访问、分析、清理和转换,该界面通过嵌入式 AI 提供自助数据准备功能。
数据可视化
通过单一的自助服务界面直观地浏览数据,创建和共享智能可视化和交互式报告。增强分析和高级功能可助力用户快速获得洞察,帮助您发现数据中隐藏的信息。
自动时间序列分析和预测
多个功能包在时间序列分析过程中执行特定任务。将带有时间戳的交易数据转换为时间序列格式,然后自动生成预测模型。
机器学习与深度学习
在预测过程中整合神经网络 (NN)、循环神经网络 (RNN) 和混合技术(NNS + 时间序列),即使是最具挑战性的序列也可以建模。在使用这些复杂技术之前,生成功能并将事务数据自动转换为正确的格式,无需进行手动的劳动密集型特征工程。
并行化处理开源算法
使用管理完善且统一的框架,集成和并行处理 Python 和 R 算法,以便在云环境中进行运行。让开源用户能够使用云环境中的 SAS Viya 工作节点扩展代码,从而以分布式方式快速运行。
时间序列分段
根据需求分类属性(例如数量和波动性),使用预构建模板自动对数据进行分段,并在项目管道中分别对每个分段进行建模。或者根据您的业务知识导入自定义分段。根据数据的性质应用最适合的预测技术,显著提高预测质量。
向模型添加事件
将事件(假日、零售促销、自然灾害等)对相依时间序列的影响建模,以提高模型的准确性。该解决方案包括默认的预构建事件(例如,主要假日),您可从外部事件储存库中添加其他事件。
交互式建模
分析单个时间序列,直观地比较模型,并通过简单的用户界面为独立时间序列开发自定义模型。使用自动生成的诊断图和表格来评估模型,并选择适合自己的最佳模型。
高度灵活的预测覆盖
借助简单的用户界面,使用强大的手动覆盖功能,对由属性(不仅仅是层次变量)定义的特定过滤器或时间序列组进行自定义调整。
分级调节
对层次结构中的每个序列分别进行建模和预测,从上至下在多个级别进行协调。在任何级别调整预测,并将其分配到较低级别以保持层次结构一致。个人预测(按产品、地点等)汇总到最高数字。
支持 API 和其他编程语言
包括各种内置预测模型,能让您自定义专属于您数据的模型。使用公共 REST API 将 SAS 分析添加到其他应用程序。调用来自 SAS、Python、R、Java 和 Lua 的分析操作、过程和 API。
用于分布式处理的脚本语言
脚本环境支持快速的内存时间序列分析。脚本语言针对其运行的机器进行了优化和编译,无需为不同的机器重写代码。
云原生
SAS Viya 的架构具有紧凑、云原生和快速的特性。无论是更青睐 SAS 云还是公共云或私有云提供商,您都可以将云投资发挥到极致。