ການປະເມີນພາຍນອກຂອງຂໍ້ມູນສັງເຄາະຂອງພວກເຮົາໂດຍຜູ້ຊ່ຽວຊານດ້ານຂໍ້ມູນຂອງ SAS

ຂໍ້ມູນສັງເຄາະຂອງພວກເຮົາແມ່ນ ປະເມີນຜົນ ແລະ ການອະນຸມັດ ໂດຍຜູ້ຊ່ຽວຊານດ້ານຂໍ້ມູນຂອງ SAS

sas
ຈອງ Demo

ການແນະນໍາການປະເມີນຜົນພາຍນອກຂອງຂໍ້ມູນສັງເຄາະຂອງພວກເຮົາໂດຍຜູ້ຊ່ຽວຊານດ້ານຂໍ້ມູນຂອງ SAS

ພວກເຮົາໄດ້ເຮັດຫຍັງ?

ຂໍ້ມູນສັງເຄາະທີ່ສ້າງຂຶ້ນໂດຍ Syntho ໄດ້ຖືກປະເມີນ, ກວດສອບ ແລະອະນຸມັດຈາກມຸມເບິ່ງພາຍນອກ ແລະຈຸດປະສົງໂດຍຜູ້ຊ່ຽວຊານດ້ານຂໍ້ມູນຂອງ SAS.

ເປັນຫຍັງຂໍ້ມູນສັງເຄາະຂອງພວກເຮົາຈຶ່ງຖືກປະເມີນຈາກພາຍນອກໂດຍຜູ້ຊ່ຽວຊານດ້ານຂໍ້ມູນຂອງ SAS?

ເຖິງແມ່ນວ່າ Syntho ມີຄວາມພູມໃຈທີ່ຈະສະເຫນີໃຫ້ຜູ້ຊົມໃຊ້ມີບົດລາຍງານການຮັບປະກັນຄຸນນະພາບຂັ້ນສູງ, ພວກເຮົາຍັງເຂົ້າໃຈເຖິງຄວາມສໍາຄັນຂອງການປະເມີນພາຍນອກແລະຈຸດປະສົງຂອງຂໍ້ມູນສັງເຄາະຂອງພວກເຮົາຈາກຜູ້ນໍາອຸດສາຫະກໍາ. ນັ້ນແມ່ນເຫດຜົນທີ່ພວກເຮົາຮ່ວມມືກັບ SAS, ຜູ້ນໍາໃນການວິເຄາະ, ເພື່ອປະເມີນຂໍ້ມູນສັງເຄາະຂອງພວກເຮົາ.

SAS ດໍາເນີນການປະເມີນຜົນຢ່າງລະອຽດຕ່າງໆກ່ຽວກັບຄວາມຖືກຕ້ອງຂອງຂໍ້ມູນ, ການປົກປ້ອງຄວາມເປັນສ່ວນຕົວ, ແລະການນໍາໃຊ້ຂອງຂໍ້ມູນສັງເຄາະທີ່ສ້າງໂດຍ AI ຂອງ Syntho ໃນການປຽບທຽບກັບຂໍ້ມູນຕົ້ນສະບັບ. ເປັນການສະຫລຸບ, SAS ໄດ້ປະເມີນແລະອະນຸມັດຂໍ້ມູນສັງເຄາະຂອງ Syntho ວ່າຖືກຕ້ອງ, ປອດໄພ, ແລະສາມາດໃຊ້ໄດ້ເມື່ອປຽບທຽບກັບຂໍ້ມູນຕົ້ນສະບັບ.

SAS ໄດ້ເຮັດຫຍັງໃນລະຫວ່າງການປະເມີນນີ້?

ພວກເຮົາໄດ້ໃຊ້ຂໍ້ມູນໂທລະຄົມທີ່ໃຊ້ສໍາລັບ "churn" ການຄາດຄະເນເປັນຂໍ້ມູນເປົ້າຫມາຍ. ເປົ້າໝາຍຂອງການປະເມີນແມ່ນເພື່ອນຳໃຊ້ຂໍ້ມູນສັງເຄາະເພື່ອຝຶກຝົນແບບຄາດຄະຕິຕ່າງໆ ແລະ ປະເມີນປະສິດທິພາບຂອງແຕ່ລະຕົວແບບ. ເນື່ອງຈາກການຄາດຄະເນການປັ່ນປ່ວນແມ່ນວຽກງານການຈັດປະເພດ, SAS ໄດ້ເລືອກຮູບແບບການຈັດປະເພດທີ່ນິຍົມເພື່ອເຮັດໃຫ້ການຄາດຄະເນ, ລວມທັງ:

  1. ປ່າສຸ່ມ
  2. ການເພີ່ມລະດັບສີ
  3. ການຖົດຖອຍ logistic
  4. Neural network

ກ່ອນທີ່ຈະສ້າງຂໍ້ມູນສັງເຄາະ, SAS ແບ່ງຊຸດຂໍ້ມູນໂທລະຄົມແບບສຸ່ມອອກເປັນຊຸດລົດໄຟ (ສໍາລັບການຝຶກອົບຮົມແບບຈໍາລອງ) ແລະຊຸດຄ້າງ (ສໍາລັບການໃຫ້ຄະແນນແບບຈໍາລອງ). ການມີຊຸດຄ້າງໄວ້ແຍກຕ່າງຫາກສໍາລັບການໃຫ້ຄະແນນຊ່ວຍໃຫ້ມີການປະເມີນທີ່ບໍ່ເປັນກາງວ່າຮູບແບບການຈັດປະເພດອາດຈະເຮັດແນວໃດດີເມື່ອນໍາໃຊ້ກັບຂໍ້ມູນໃຫມ່.

ໂດຍໃຊ້ຊຸດລົດໄຟເປັນວັດສະດຸປ້ອນ, Syntho ໄດ້ໃຊ້ເຄື່ອງຈັກ Syntho ເພື່ອສ້າງຊຸດຂໍ້ມູນສັງເຄາະ. ສໍາລັບ benchmarking, SAS ຍັງໄດ້ສ້າງສະບັບພາສາທີ່ບໍ່ເປີດເຜີຍຊື່ຂອງລົດໄຟທີ່ກໍານົດໄວ້ຫຼັງຈາກການນໍາໃຊ້ເຕັກນິກການປິດບັງຊື່ຕ່າງໆເພື່ອບັນລຸເປົ້າຫມາຍສະເພາະໃດຫນຶ່ງ (ຂອງ k-anonymity). ຂັ້ນ​ຕອນ​ທີ່​ຜ່ານ​ມາ​ໄດ້​ເຮັດ​ໃຫ້​ມີ​ສີ່​ຊຸດ​ຂໍ້​ມູນ​:

  1. ຊຸດຂໍ້ມູນລົດໄຟ (ເຊັ່ນຊຸດຂໍ້ມູນຕົ້ນສະບັບລົບຊຸດຂໍ້ມູນການຖືເອົາ)
  2. ຊຸດຂໍ້ມູນທີ່ຄ້າງໄວ້ (ເຊັ່ນຊຸດຍ່ອຍຂອງຊຸດຂໍ້ມູນຕົ້ນສະບັບ)
  3. ຊຸດຂໍ້ມູນທີ່ບໍ່ເປີດເຜີຍຕົວຕົນ (ຂໍ້ມູນທີ່ບໍ່ເປີດເຜີຍຊື່ຂອງຊຸດຂໍ້ມູນລົດໄຟ, ຊຸດຂໍ້ມູນຕົ້ນສະບັບລົບຊຸດຂໍ້ມູນການຖືເອົາ)
  4. ຊຸດຂໍ້ມູນສັງເຄາະ (ຂໍ້ມູນສັງເຄາະຂອງຊຸດຂໍ້ມູນລົດໄຟ, ຊຸດຂໍ້ມູນຕົ້ນສະບັບລົບຊຸດຂໍ້ມູນການຖືເອົາ)

ຊຸດຂໍ້ມູນ 1, 3 ແລະ 4 ໄດ້ຖືກນໍາໃຊ້ເພື່ອຝຶກອົບຮົມແຕ່ລະຮູບແບບການຈັດປະເພດ, ຜົນໄດ້ຮັບ 12 (3 x 4) ແບບຝຶກອົບຮົມ. ຕໍ່ມາ SAS ໄດ້ນໍາໃຊ້ຊຸດຂໍ້ມູນການຍຶດຖືເພື່ອວັດແທກຄວາມຖືກຕ້ອງຂອງແຕ່ລະແບບຈໍາລອງໃນການຄາດຄະເນການປັ່ນປ່ວນຂອງລູກຄ້າ.

SAS ດໍາເນີນການປະເມີນຜົນຢ່າງລະອຽດຕ່າງໆກ່ຽວກັບຄວາມຖືກຕ້ອງຂອງຂໍ້ມູນ, ການປົກປ້ອງຄວາມເປັນສ່ວນຕົວ, ແລະການນໍາໃຊ້ຂອງຂໍ້ມູນສັງເຄາະທີ່ສ້າງໂດຍ AI ຂອງ Syntho ໃນການປຽບທຽບກັບຂໍ້ມູນຕົ້ນສະບັບ. ເປັນການສະຫລຸບ, SAS ໄດ້ປະເມີນແລະອະນຸມັດຂໍ້ມູນສັງເຄາະຂອງ Syntho ວ່າຖືກຕ້ອງ, ປອດໄພ, ແລະສາມາດໃຊ້ໄດ້ເມື່ອປຽບທຽບກັບຂໍ້ມູນຕົ້ນສະບັບ.

ທ່ານ​ມີ​ຄໍາ​ຖາມ​ໃດໆ?

ສົນທະນາກັບຜູ້ຊ່ຽວຊານຂອງພວກເຮົາ

ຕິດ​ຕໍ່​ພວກ​ເຮົາ

ຜົນໄດ້ຮັບເບື້ອງຕົ້ນຂອງການປະເມີນຂໍ້ມູນໂດຍ SAS

ແບບຈໍາລອງທີ່ໄດ້ຮັບການຝຶກອົບຮົມກ່ຽວກັບຂໍ້ມູນສັງເຄາະໃຫ້ຄະແນນທີ່ຄ້າຍຄືກັນສູງເມື່ອປຽບທຽບກັບຕົວແບບທີ່ໄດ້ຮັບການຝຶກອົບຮົມຈາກຂໍ້ມູນຕົ້ນສະບັບ

ຂໍ້ມູນສັງເຄາະຈາກ Syntho ຖືບໍ່ພຽງແຕ່ສໍາລັບຮູບແບບພື້ນຖານ, ມັນຍັງເກັບກໍາຮູບແບບສະຖິຕິທີ່ 'ເຊື່ອງໄວ້' ເລິກທີ່ຕ້ອງການສໍາລັບວຽກງານການວິເຄາະຂັ້ນສູງ. ອັນສຸດທ້າຍແມ່ນສະແດງໃຫ້ເຫັນຢູ່ໃນຕາຕະລາງແຖບ, ຊີ້ໃຫ້ເຫັນວ່າຄວາມຖືກຕ້ອງຂອງຕົວແບບທີ່ໄດ້ຝຶກອົບຮົມກ່ຽວກັບຂໍ້ມູນສັງເຄາະທຽບກັບແບບຈໍາລອງທີ່ໄດ້ຮັບການຝຶກອົບຮົມຈາກຂໍ້ມູນຕົ້ນສະບັບແມ່ນຄ້າຍຄືກັນ. ດັ່ງນັ້ນ, ຂໍ້ມູນສັງເຄາະສາມາດຖືກນໍາໃຊ້ສໍາລັບການຝຶກອົບຮົມຕົວຈິງຂອງຕົວແບບ. ວັດສະດຸປ້ອນ ແລະ ຄວາມສໍາຄັນຕົວປ່ຽນແປງທີ່ເລືອກໂດຍລະບົບສູດການຄິດໄລ່ກ່ຽວກັບຂໍ້ມູນສັງເຄາະທຽບກັບຂໍ້ມູນຕົ້ນສະບັບແມ່ນຄ້າຍຄືກັນຫຼາຍ. ດັ່ງນັ້ນ, ມັນໄດ້ຖືກສະຫຼຸບວ່າຂະບວນການສ້າງແບບຈໍາລອງສາມາດເຮັດໄດ້ໃນຂໍ້ມູນສັງເຄາະ, ເປັນທາງເລືອກສໍາລັບການນໍາໃຊ້ຂໍ້ມູນທີ່ມີຄວາມອ່ອນໄຫວທີ່ແທ້ຈິງ.

ເປັນຫຍັງແບບຈໍາລອງທີ່ໄດ້ຮັບການຝຶກອົບຮົມກ່ຽວກັບຂໍ້ມູນທີ່ບໍ່ເປີດເຜີຍຊື່ເຮັດໃຫ້ຄະແນນບໍ່ດີ?

ເຕັກນິກການປິດບັງຊື່ແບບຄລາສສິກມີຢູ່ທົ່ວໄປວ່າພວກເຂົາຈັດການຂໍ້ມູນຕົ້ນສະບັບເພື່ອຂັດຂວາງການຕິດຕາມບຸກຄົນ. ພວກເຂົາເຈົ້າ manipulate ຂໍ້ມູນແລະເຮັດໃຫ້ການທໍາລາຍຂໍ້ມູນໃນຂະບວນການ. ຍິ່ງເຈົ້າບໍ່ເປີດເຜີຍຕົວຕົນຫຼາຍເທົ່າໃດ, ຂໍ້ມູນຂອງທ່ານຈະຖືກປົກປ້ອງໄດ້ດີຂຶ້ນ, ແຕ່ກໍ່ຍິ່ງເຮັດໃຫ້ຂໍ້ມູນຂອງທ່ານຖືກທໍາລາຍຫຼາຍເທົ່າທີ່ຄວນ. ນີ້ແມ່ນຄວາມເສຍຫາຍໂດຍສະເພາະສໍາລັບວຽກງານ AI ແລະການສ້າງແບບຈໍາລອງທີ່ "ພະລັງງານການຄາດເດົາ" ເປັນສິ່ງຈໍາເປັນ, ເພາະວ່າຂໍ້ມູນທີ່ມີຄຸນນະພາບທີ່ບໍ່ດີຈະເຮັດໃຫ້ເກີດຄວາມເຂົ້າໃຈທີ່ບໍ່ດີຈາກຕົວແບບ AI. SAS ສະແດງໃຫ້ເຫັນນີ້, ໂດຍມີພື້ນທີ່ພາຍໃຕ້ເສັ້ນໂຄ້ງ (AUC*) ຢູ່ໃກ້ກັບ 0.5, ສະແດງໃຫ້ເຫັນວ່າຕົວແບບທີ່ໄດ້ຮັບການຝຶກອົບຮົມກ່ຽວກັບຂໍ້ມູນທີ່ບໍ່ເປີດເຜີຍຊື່ປະຕິບັດໄດ້ຮ້າຍແຮງທີ່ສຸດ.

ຂໍ້ມູນສັງເຄາະຜົນໄດ້ຮັບ SAS

ຜົນໄດ້ຮັບເພີ່ມເຕີມຂອງການປະເມີນຂໍ້ມູນສັງເຄາະໂດຍ SAS

ຜົນໄດ້ຮັບເພີ່ມເຕີມຂອງການປະເມີນຂໍ້ມູນສັງເຄາະໂດຍ SAS

ການພົວພັນແລະຄວາມສໍາພັນລະຫວ່າງຕົວແປໄດ້ຖືກເກັບຮັກສາໄວ້ຢ່າງຖືກຕ້ອງໃນຂໍ້ມູນສັງເຄາະ.

ພື້ນທີ່ພາຍໃຕ້ເສັ້ນໂຄ້ງ (AUC), metric ສໍາລັບການວັດແທກການປະຕິບັດຕົວແບບ, ຍັງຄົງສອດຄ່ອງ.

ຍິ່ງໄປກວ່ານັ້ນ, ຄວາມສໍາຄັນຂອງຕົວແປ, ເຊິ່ງຊີ້ໃຫ້ເຫັນເຖິງອໍານາດຄາດຄະເນຂອງຕົວແປໃນແບບຈໍາລອງ, ຍັງຄົງ intact ເມື່ອປຽບທຽບຂໍ້ມູນສັງເຄາະກັບຊຸດຂໍ້ມູນຕົ້ນສະບັບ.

ອີງຕາມການສັງເກດເຫຼົ່ານີ້ໂດຍ SAS ແລະໂດຍການນໍາໃຊ້ SAS Viya, ພວກເຮົາສາມາດສະຫຼຸບໄດ້ຢ່າງຫມັ້ນໃຈວ່າຂໍ້ມູນສັງເຄາະທີ່ຜະລິດໂດຍ Syntho Engine ແມ່ນທຽບກັບຂໍ້ມູນທີ່ແທ້ຈິງໃນດ້ານຄຸນນະພາບ. ນີ້ຢືນຢັນການນໍາໃຊ້ຂໍ້ມູນສັງເຄາະສໍາລັບການພັດທະນາແບບຈໍາລອງ, ປູທາງສໍາລັບການວິເຄາະຂັ້ນສູງດ້ວຍຂໍ້ມູນສັງເຄາະ.

ບົດສະຫຼຸບໂດຍຜູ້ຊ່ຽວຊານດ້ານຂໍ້ມູນຂອງ SAS

  • ແບບຈໍາລອງທີ່ໄດ້ຮັບການຝຶກອົບຮົມກ່ຽວກັບຂໍ້ມູນສັງເຄາະທຽບກັບຕົວແບບທີ່ໄດ້ຮັບການຝຶກອົບຮົມຈາກຂໍ້ມູນຕົ້ນສະບັບສະແດງໃຫ້ເຫັນປະສິດທິພາບທີ່ຄ້າຍຄືກັນສູງ
  • ແບບຈໍາລອງທີ່ໄດ້ຮັບການຝຶກອົບຮົມກ່ຽວກັບຂໍ້ມູນທີ່ບໍ່ເປີດເຜີຍຊື່ທີ່ມີ 'ເຕັກນິກການປິດບັງຊື່ແບບຄລາສສິກ' ສະແດງໃຫ້ເຫັນປະສິດທິພາບທີ່ຕໍ່າກວ່າເມື່ອປຽບທຽບກັບຕົວແບບທີ່ໄດ້ຮັບການຝຶກອົບຮົມຈາກຂໍ້ມູນຕົ້ນສະບັບ ຫຼືຂໍ້ມູນສັງເຄາະ
  • ການ​ຜະ​ລິດ​ຂໍ້​ມູນ​ສັງ​ເຄາະ​ແມ່ນ​ງ່າຍ​ແລະ​ວ່ອງ​ໄວ​ເນື່ອງ​ຈາກ​ວ່າ​ເຕັກ​ນິກ​ການ​ເຮັດ​ວຽກ​ແທ້​ດຽວ​ກັນ​ຕໍ່​ຊຸດ​ຂໍ້​ມູນ​ແລະ​ປະ​ເພດ​ຂໍ້​ມູນ​
ໂລໂກ້ Sas

ຂໍ້ມູນສັງເຄາະຂອງພວກເຮົາແມ່ນ ການອະນຸມັດ ໂດຍຜູ້ຊ່ຽວຊານດ້ານຂໍ້ມູນຂອງ SAS

ອ່ານບົດຄວາມ

ບົດຄວາມອ້າງອີງ

ການປົກຫຸ້ມຂອງຄູ່ມື syntho

ບັນທຶກຄູ່ມືຂໍ້ມູນສັງເຄາະຂອງເຈົ້າດຽວນີ້!

  • ຂໍ້ມູນສັງເຄາະແມ່ນຫຍັງ?
  • ເປັນຫຍັງອົງການຈັດຕັ້ງຈຶ່ງໃຊ້ມັນ?
  • ການເພີ່ມມູນຄ່າກໍລະນີລູກຄ້າຂໍ້ມູນສັງເຄາະ
  • ວິທີການເລີ່ມຕົ້ນ
ຮ້ອງຂໍຄູ່ມື
ຕິດຕໍ່ຜູ້ຊ່ຽວຊານ