SAP Analytics Cloud: Análisis predictivo

Libro Multilingüe

🇺🇸 Inglés (Original) 🇪🇸 Español (Traducción)

✅ Todos los idiomas están incluidos en su compra

Editorial SAP PRESS

Año / Edición 2024 / 1

Páginas 315

Autores Antoine Chabert, David Serre

SAP Analytics Cloud: Análisis predictivo

Las organizaciones de hoy deben estar preparadas para los acontecimientos del mañana. ¡Prevea el comportamiento futuro en SAP Analytics Cloud con esta guía completa sobre análisis predictivo! Comience por conocer los tipos de datos, los escenarios y los métodos utilizados en los proyectos de análisis predictivo. A continuación, siga las instrucciones paso a paso para crear, analizar y aplicar modelos predictivos a los datos de su empresa utilizando la clasificación, la previsión de series temporales y el análisis de regresión. ¡Automatice sus modelos y sumérjase en la ciencia de datos con esta guía integral!

Aprenda a utilizar SAP Analytics Cloud para el análisis predictivo.
Cree modelos de series temporales, clasificación y regresión.
Enriquezca las historias y los procesos de planificación de SAP Analytics Cloud con modelos predictivos.

Aprenderás sobre:

Escenarios predictivos y proyectos:
Comprenda los conceptos básicos del análisis predictivo en SAP Analytics Cloud: escenarios, tipos de datos y acciones. A continuación, planifique su proyecto predictivo, lo que incluye identificar a las partes interesadas clave y revisar la metodología.
Crear, capacitar, analizar y aplicar:
Domine los modelos predictivos de principio a fin. Cree modelos de clasificación, series temporales y regresión; luego, entrénelos para identificar patrones de negocio. Analice y aplique los resultados de sus modelos a los datos en SAP Analytics Cloud.
Demostraciones prácticas:
¡Vea el análisis predictivo en acción! Identifique casos de uso para el modelado predictivo. Para cada modelo de datos, comprenda las aplicaciones prácticas a través de ejemplos seleccionados con datos empresariales de muestra.

Aspectos Destacados:

Escenarios predictivos
Pronósticos predictivos
Modelado de datos
Planificación
Modelo de series temporales
Modelo de clasificación
Modelo de regresión
Acciones múltiples
Ciencia de datos
Historias y paneles de control

Ver Tabla de Contenidos Completa

Prefacio
- Objetivo de este libro
- Público objetivo
- Estructura de este libro
  - Parte I: Introducción
  - Parte II: Modelos de pronóstico de series temporales
  - Parte III: Modelos de clasificación y modelos de regresión
- Agradecimientos
- Conclusión
I Primeros pasos
1 Introducción al análisis predictivo en SAP Analytics Cloud
- 1.1 La importancia del análisis predictivo
  - 1.1.1 Breve historia del análisis predictivo
  - 1.1.2 El papel del análisis predictivo en los negocios
- 1.2 Análisis predictivo en SAP Analytics Cloud
  - 1.2.1 Breve historia del análisis predictivo en SAP Analytics Cloud
  - 1.2.2 Inteligencia empresarial, planificación empresarial y análisis aumentado
- 1.3 Casos de uso de los clientes
  - 1.3.1 Pronóstico de series temporales
  - 1.3.2 Clasificación y regresión
- 1.4 Resumen
2 ¿Qué son los escenarios predictivos?
- 2.1 Presentación de escenarios predictivos
  - 2.1.1 Uso y protección de escenarios predictivos
  - 2.1.2 Interfaz de usuario de escenarios predictivos
- 2.2 Los diferentes tipos de escenarios predictivos
- 2.3 El ecosistema predictivo
  - 2.3.1 Conjuntos de datos
  - 2.3.2 Modelos de planeación
  - 2.3.3 Historias
  - 2.3.4 Acciones múltiples
  - 2.3.5 Acciones con datos
- 2.4 Resumen
3 proyectos de análisis predictivo
- 3.1 Partes interesadas en el proyecto de análisis predictivo
  - 3.1.1 Propietarios de negocios
  - 3.1.2 Ingenieros de datos
  - 3.1.3 Creadores de predicciones
  - 3.1.4 Diseñadores de historias
  - 3.1.5 Consumidores de predicciones
  - 3.1.6 Tecnología de la información
- 3.2 Cómo implementar un proyecto de análisis predictivo
  - 3.2.1 Comprensión del negocio
  - 3.2.2 Comprensión de los datos
  - 3.2.3 Preparación de datos
  - 3.2.4 Modelos predictivos
  - 3.2.5 Evaluación del modelo predictivo
  - 3.2.6 Entrega de predicciones
- 3.3 Resumen
Modelos de pronóstico de series temporales II
4 Presentación de los modelos de pronóstico de series temporales
- 4.1 ¿Qué es el pronóstico de series temporales?
  - 4.1.1 Términos y conceptos clave
  - 4.1.2 Pronósticos predictivos descendentes frente a ascendentes
- 4.2 Fuentes de datos para modelos de pronóstico de series temporales
  - 4.2.1 Fuentes de datos
  - 4.2.2 Preparación básica de datos para conjuntos de datos
- 4.3 Flujos de trabajo de pronóstico de series temporales de extremo a extremo
  - 4.3.1 Pronóstico de series temporales basado en modelos de planeación
  - 4.3.2 Pronóstico de series temporales basado en conjuntos de datos
- 4.4 Resumen
5 Uso de pronósticos predictivos en el proceso de planificación
- 5.1 Escenario empresarial
- 5.2 Modelos de planificación
  - 5.2.1 Medidas
  - 5.2.2 Dimensiones
  - 5.2.3 Versiones
  - 5.2.4 Monedas
- 5.3 Creación de modelos de pronóstico de series temporales con planificación predictiva
  - 5.3.1 Crear un escenario predictivo
  - 5.3.2 Configuración general
  - 5.3.3 Objetivo predictivo
  - 5.3.4 Entrenamiento del modelo predictivo
  - 5.3.5 Influencers
  - 5.3.6 Entidades
- 5.4 Comprensión de los modelos de predicción de series temporales
  - 5.4.1 Evaluación del rendimiento del modelo
  - 5.4.2 Informes del modelo de pronóstico de series temporales
- 5.5 Mejora de los modelos de predicción de series temporales con planificación predictiva
  - 5.5.1 Determinación del tamaño óptimo del conjunto de datos de entrenamiento
  - 5.5.2 Entidades de filtrado
  - 5.5.3 Añadir personas influyentes
- 5.6 Guardar pronósticos predictivos
  - 5.6.1 Creación de una versión privada
  - 5.6.2 Guardar pronósticos en una versión privada
- 5.7 Incluir pronósticos predictivos en una historia
  - 5.7.1 Inclusión de pronósticos predictivos en una tabla
  - 5.7.2 Inclusión de pronósticos predictivos en un gráfico de series temporales
- 5.8 Resumen
6 Automatización de la producción de pronósticos predictivos
- 6.1 Introducción a las acciones múltiples
- 6.2 Creación de pasos predictivos en acciones múltiples
- 6.3 Uso de acciones múltiples
  - 6.3.1 Programación de acciones múltiples
  - 6.3.2 Activación de múltiples acciones
- 6.4 Resumen
7 modelos de predicción de series temporales utilizando conjuntos de datos
- 7.1 Escenario empresarial
- 7.2 Creación y edición de conjuntos de datos
  - 7.2.1 Creación del conjunto de datos de entrenamiento
  - 7.2.2 Consideraciones adicionales sobre los conjuntos de datos
- 7.3 Creación de modelos de pronóstico de series temporales en conjuntos de datos
  - 7.3.1 Configuración general
  - 7.3.2 Objetivo predictivo
  - 7.3.3 Entrenamiento del modelo predictivo
  - 7.3.4 Conjuntos de datos frente a modelos de planificación
- 7.4 Comprensión de los modelos de predicción de series temporales basados en conjuntos de datos
  - 7.4.1 Evaluación del rendimiento del modelo
  - 7.4.2 Informes del modelo de pronóstico de series temporales
- 7.5 Mejora de los modelos de predicción de series temporales basados en conjuntos de datos
  - 7.5.1 Determinación del tamaño óptimo de los datos de entrenamiento
  - 7.5.2 Entidades de filtrado
  - 7.5.3 Añadir personas influyentes
- 7.6 Guardar pronósticos predictivos
- 7.7 Incluir pronósticos predictivos en una historia
  - 7.7.1 Informe sobre pronósticos predictivos en una tabla
  - 7.7.2 Informe sobre pronósticos predictivos en un gráfico de series temporales
- 7.8 Resumen
8 mejores prácticas y consejos para modelos de pronóstico de series temporales
- 8.1 Más allá de las 1000 entidades
  - 8.1.1 Pronóstico por lote de 1000 entidades
  - 8.1.2 Agregar para predecir y desagregar para planificar e informar
  - 8.1.3 Enfoques comparados
- 8.2 Manejo de series temporales con datos faltantes
- 8.3 Consideración de las granularidades temporales
  - 8.3.1 Uso de conjuntos de datos
  - 8.3.2 Uso de modelos de planeación
  - 8.3.3 Recomendaciones adicionales
- 8.4 Creación de indicadores de desempeño ad hoc
  - 8.4.1 Guardar pronósticos para periodos anteriores
  - 8.4.2 Indicadores de rendimiento personalizados
- 8.5 Generación de simulaciones hipotéticas
- 8.6 Previsión de datos al nivel adecuado
  - 8.6.1 Maximizar la precisión de las previsiones
  - 8.6.2 La calidad de los datos es fundamental
  - 8.6.3 Planificación predictiva frente a planificación
  - 8.6.4 Escalabilidad
  - 8.6.5 Conclusiones principales
- 8.7 Resumen
9 La ciencia de datos detrás de los modelos de pronóstico de series temporales
- 9.1 Proceso integral
- 9.2 Técnica de modelado aditivo
  - 9.2.1 Tendencia
  - 9.2.2 Ciclos
  - 9.2.3 Influencers
  - 9.2.4 Fluctuaciones
- 9.3 Suavización exponencial
  - 9.3.1 Suavización exponencial simple
  - 9.3.2 Suavización exponencial doble
  - 9.3.3 Suavizado exponencial triple
  - 9.3.4 Tendencia amortiguada
- 9.4 Selección del modelo predictivo
- 9.5 Resumen
III Modelos de clasificación y modelos de regresión
10 Introducción a los modelos de clasificación y los modelos de regresión
- 10.1 ¿Qué es la clasificación?
  - 10.1.1 Términos y conceptos clave
  - 10.1.2 Clasificación binaria
  - 10.1.3 Categoría y probabilidad previstas
- 10.2 ¿Qué es la regresión?
  - 10.2.1 Términos y conceptos clave
  - 10.2.2 Predicciones
- 10.3 Fuentes de datos para modelos de clasificación y modelos de regresión
  - 10.3.1 Fuentes de datos
  - 10.3.2 Preparación básica de datos para conjuntos de datos
- 10.4 Flujo de trabajo integral
- 10.5 Resumen
11 Creación de información sobre clasificación para enriquecer las historias
- 11.1 Escenario empresarial
- 11.2 Uso de conjuntos de datos con modelos de clasificación
  - 11.2.1 Conjunto de datos de entrenamiento
  - 11.2.2 Conjunto de datos de la aplicación
  - 11.2.3 Conjunto de datos de predicciones
- 11.3 Creación de modelos de clasificación
  - 11.3.1 Crear un escenario predictivo
  - 11.3.2 Configuración general
  - 11.3.3 Objetivo predictivo
  - 11.3.4 Influencers
- 11.4 Comprensión de los modelos de clasificación
  - 11.4.1 Evaluación del rendimiento del modelo
  - 11.4.2 Contribuciones de personas influyentes
  - 11.4.3 Matriz de confusión
  - 11.4.4 Simulación de ganancias
- 11.5 Mejora de los modelos de clasificación
  - 11.5.1 Verificaciones básicas
  - 11.5.2 Mejora de la precisión del modelo
  - 11.5.3 Mejora de la solidez del modelo
  - 11.5.4 El equilibrio entre calidad y solidez
- 11.6 Aplicación de modelos de clasificación
- 11.7 Enriquecer las historias con información sobre clasificación
  - 11.7.1 Probabilidad de predicción
  - 11.7.2 Explicaciones de predicciones
- 11.8 Resumen
12 Creación de información sobre regresión para enriquecer las historias
- 12.1 Escenario empresarial
- 12.2 Uso de conjuntos de datos con modelos de regresión
  - 12.2.1 Conjunto de datos de entrenamiento
  - 12.2.2 Conjunto de datos de la aplicación
  - 12.2.3 Conjunto de datos de predicciones
- 12.3 Creación de modelos de regresión
  - 12.3.1 Crear un escenario predictivo
  - 12.3.2 Configuración general
  - 12.3.3 Objetivo predictivo
  - 12.3.4 Influencers
- 12.4 Comprensión de los modelos de regresión
  - 12.4.1 Evaluación del rendimiento del modelo
  - 12.4.2 Contribuciones de personas influyentes
- 12.5 Mejora de los modelos de regresión
  - 12.5.1 Mejora de la precisión del modelo
  - 12.5.2 Mejora de la solidez del modelo
  - 12.5.3 El equilibrio entre calidad y solidez
- 12.6 Aplicación de modelos de regresión
- 12.7 Enriquecer las historias con información sobre regresión
  - 12.7.1 Valor previsto
  - 12.7.2 Explicaciones de predicciones
- 12.8 Resumen
13 La ciencia de datos detrás de los modelos de clasificación y los modelos de regresión
- 13.1 Ajuste de una función predictiva
- 13.2 Requisitos previos para generar un modelo
- 13.3 Evaluación del rendimiento del modelo
  - 13.3.1 Indicadores de rendimiento para modelos de clasificación
  - 13.3.2 Indicadores de rendimiento para modelos de regresión
  - 13.3.3 Evaluación del rendimiento futuro del modelo
- 13.4 Modelado automatizado de extremo a extremo
  - 13.4.1 Codificación automatizada de datos
  - 13.4.2 Particiones de datos
  - 13.4.3 Potenciamiento de gradientes
  - 13.4.4 Evaluación del rendimiento del modelo
- 13.5 Generación de información predictiva
  - 13.5.1 Categoría prevista
  - 13.5.2 Explicaciones de predicciones
- 13.6 Resumen
14 Conclusión
- 14.1 Lecciones aprendidas
- 14.2 El futuro de los escenarios predictivos en SAP Analytics Cloud
- 14.3 Sus próximos pasos
Los autores
Índice

SAP Analytics Cloud: Predictive Analytics

Today’s organizations must be prepared for tomorrow’s events. Forecast future behavior in SAP Analytics Cloud with this comprehensive guide to predictive analytics! Start by learning about the data types, scenarios, and methods used in predictive analytics projects. Then follow step-by-step instructions to build, analyze, and apply predictive models to your business data using classification, time series forecasting, and regression analysis. Automate your models and dive into the data science with this all-in-one guide!

Learn to use SAP Analytics Cloud for predictive analytics
Build time series, classification, and regression models
Enrich SAP Analytics Cloud stories and planning processes with predictive models

You'll learn about:

Predictive Scenarios and Projects:
Understand the basics of predictive analytics in SAP Analytics Cloud: scenarios, data types, and actions. Then plan your predictive project, including identifying the key stakeholders and reviewing the methodology.
Build, Train, Analyze, and Apply:
Master predictive models from end to end. Create classification, time series, and regression models; then train them to identify business patterns. Analyze and apply the results of your models to data in SAP Analytics Cloud.
Practical Demonstrations:
See predictive analytics in action! Identify use cases for predictive modeling. For each data model, understand practical applications through curated examples with sample business data.

Key Highlights:

Predictive scenarios
Predictive forecasts
Data modeling
Planning
Time series model
Classification model
Regression model
Multi-actions
Data science
Stories and dashboards

View Full Table of Contents

Preface
- Objective of This Book
- Target Audience
- Structure of This Book
  - Part I: Getting Started
  - Part II: Time Series Forecasting Models
  - Part III: Classification Models and Regression Models
- Acknowledgments
- Conclusion
I Getting Started
1 An Introduction to Predictive Analytics in SAP Analytics Cloud
- 1.1 The Importance of Predictive Analytics
  - 1.1.1 A Brief History of Predictive Analytics
  - 1.1.2 The Role of Predictive Analytics in Business
- 1.2 Predictive Analytics in SAP Analytics Cloud
  - 1.2.1 A Brief History of Predictive Analytics in SAP Analytics Cloud
  - 1.2.2 Business Intelligence, Enterprise Planning, and Augmented Analytics
- 1.3 Customer Use Cases
  - 1.3.1 Time Series Forecasting
  - 1.3.2 Classification and Regression
- 1.4 Summary
2 What Are Predictive Scenarios?
- 2.1 Introducing Predictive Scenarios
  - 2.1.1 Using and Securing Predictive Scenarios
  - 2.1.2 User Interface of Predictive Scenarios
- 2.2 The Different Types of Predictive Scenarios
- 2.3 The Predictive Ecosystem
  - 2.3.1 Datasets
  - 2.3.2 Planning Models
  - 2.3.3 Stories
  - 2.3.4 Multi Actions
  - 2.3.5 Data Actions
- 2.4 Summary
3 Predictive Analytics Projects
- 3.1 Predictive Analytics Project Stakeholders
  - 3.1.1 Business Owners
  - 3.1.2 Data Engineers
  - 3.1.3 Prediction Creators
  - 3.1.4 Story Designers
  - 3.1.5 Prediction Consumers
  - 3.1.6 Information Technology
- 3.2 How to Implement a Predictive Analytics Project
  - 3.2.1 Business Understanding
  - 3.2.2 Data Understanding
  - 3.2.3 Data Preparation
  - 3.2.4 Predictive Modeling
  - 3.2.5 Predictive Model Evaluation
  - 3.2.6 Delivering Predictions
- 3.3 Summary
II Time Series Forecasting Models
4 Introducing Time Series Forecasting Models
- 4.1 What Is Time Series Forecasting?
  - 4.1.1 Key Terms and Concepts
  - 4.1.2 Top-Down versus Bottom-Up Predictive Forecasting
- 4.2 Data Sources for Time Series Forecasting Models
  - 4.2.1 Data Sources
  - 4.2.2 Basic Data Preparation for Datasets
- 4.3 End-to-End Time Series Forecasting Workflows
  - 4.3.1 Time Series Forecasting Based on Planning Models
  - 4.3.2 Time Series Forecasting Based on Datasets
- 4.4 Summary
5 Using Predictive Forecasts in the Planning Process
- 5.1 Business Scenario
- 5.2 Planning Models
  - 5.2.1 Measures
  - 5.2.2 Dimensions
  - 5.2.3 Versions
  - 5.2.4 Currencies
- 5.3 Creating Time Series Forecasting Models with Predictive Planning
  - 5.3.1 Create a Predictive Scenario
  - 5.3.2 General Settings
  - 5.3.3 Predictive Goal
  - 5.3.4 Predictive Model Training
  - 5.3.5 Influencers
  - 5.3.6 Entities
- 5.4 Understanding Time Series Forecasting Models
  - 5.4.1 Assessing Model Performance
  - 5.4.2 Time Series Forecasting Model Reports
- 5.5 Improving Time Series Forecasting Models with Predictive Planning
  - 5.5.1 Finding the Optimal Training Dataset Size
  - 5.5.2 Filtering Entities
  - 5.5.3 Adding Influencers
- 5.6 Saving Predictive Forecasts
  - 5.6.1 Creating a Private Version
  - 5.6.2 Saving Forecasts into a Private Version
- 5.7 Including Predictive Forecasts in a Story
  - 5.7.1 Including Predictive Forecasts in a Table
  - 5.7.2 Including Predictive Forecasts in a Time Series Chart
- 5.8 Summary
6 Automating the Production of Predictive Forecasts
- 6.1 Introducing Multi Actions
- 6.2 Creating Predictive Steps in Multi Actions
- 6.3 Using Multi Actions
  - 6.3.1 Scheduling Multi Actions
  - 6.3.2 Triggering Multi Actions
- 6.4 Summary
7 Time Series Forecasting Models Using Datasets
- 7.1 Business Scenario
- 7.2 Creating and Editing Datasets
  - 7.2.1 Creating the Training Dataset
  - 7.2.2 Additional Dataset Considerations
- 7.3 Creating Time Series Forecasting Models on Datasets
  - 7.3.1 General Settings
  - 7.3.2 Predictive Goal
  - 7.3.3 Predictive Model Training
  - 7.3.4 Datasets versus Planning Models
- 7.4 Understanding Time Series Forecasting Models Based on Datasets
  - 7.4.1 Assessing Model Performance
  - 7.4.2 Time Series Forecasting Model Reports
- 7.5 Improving Time Series Forecasting Models Based on Datasets
  - 7.5.1 Finding the Optimal Training Data Size
  - 7.5.2 Filtering Entities
  - 7.5.3 Adding Influencers
- 7.6 Saving Predictive Forecasts
- 7.7 Including Predictive Forecasts in a Story
  - 7.7.1 Report on Predictive Forecasts in a Table
  - 7.7.2 Report on Predictive Forecasts in a Time Series Chart
- 7.8 Summary
8 Best Practices and Tips for Time Series Forecasting Models
- 8.1 Going Beyond 1,000 Entities
  - 8.1.1 Forecast by Batch of 1,000 Entities
  - 8.1.2 Aggregate to Predict and Disaggregate to Plan and Report
  - 8.1.3 Compared Approaches
- 8.2 Handling Time Series with Missing Data
- 8.3 Considering Time Granularities
  - 8.3.1 Using Datasets
  - 8.3.2 Using Planning Models
  - 8.3.3 Additional Recommendations
- 8.4 Creating Ad Hoc Performance Indicators
  - 8.4.1 Saving Forecasts for Past Periods
  - 8.4.2 Custom Performance Indicators
- 8.5 Generating What-If Simulations
- 8.6 Forecasting Data at the Right Level
  - 8.6.1 Maximizing Forecasting Accuracy
  - 8.6.2 Data Quality Is Key
  - 8.6.3 Predictive Planning versus Planning
  - 8.6.4 Scalability
  - 8.6.5 Key Takeaways
- 8.7 Summary
9 The Data Science behind Time Series Forecasting Models
- 9.1 End-to-End Process
- 9.2 Additive Modeling Technique
  - 9.2.1 Trend
  - 9.2.2 Cycles
  - 9.2.3 Influencers
  - 9.2.4 Fluctuations
- 9.3 Exponential Smoothing
  - 9.3.1 Simple Exponential Smoothing
  - 9.3.2 Double Exponential Smoothing
  - 9.3.3 Triple Exponential Smoothing
  - 9.3.4 Damped Trend
- 9.4 Predictive Model Selection
- 9.5 Summary
III Classification Models and Regression Models
10 Introducing Classification Models and Regression Models
- 10.1 What Is Classification?
  - 10.1.1 Key Terms and Concepts
  - 10.1.2 Binary Classification
  - 10.1.3 Predicted Category and Probability
- 10.2 What Is Regression?
  - 10.2.1 Key Terms and Concepts
  - 10.2.2 Predictions
- 10.3 Data Sources for Classification Models and Regression Models
  - 10.3.1 Data Sources
  - 10.3.2 Basic Data Preparation for Datasets
- 10.4 End-to-End Workflow
- 10.5 Summary
11 Creating Classification Insights to Enrich Stories
- 11.1 Business Scenario
- 11.2 Using Datasets with Classification Models
  - 11.2.1 Training Dataset
  - 11.2.2 Application Dataset
  - 11.2.3 Predictions Dataset
- 11.3 Creating Classification Models
  - 11.3.1 Create a Predictive Scenario
  - 11.3.2 General Settings
  - 11.3.3 Predictive Goal
  - 11.3.4 Influencers
- 11.4 Understanding Classification Models
  - 11.4.1 Assessing Model Performance
  - 11.4.2 Influencer Contributions
  - 11.4.3 Confusion Matrix
  - 11.4.4 Profit Simulation
- 11.5 Improving Classification Models
  - 11.5.1 Basic Checks
  - 11.5.2 Improving Model Accuracy
  - 11.5.3 Improving Model Robustness
  - 11.5.4 The Quality versus Robustness Trade-Off
- 11.6 Applying Classification Models
- 11.7 Enriching Stories with Classification Insights
  - 11.7.1 Prediction Probability
  - 11.7.2 Prediction Explanations
- 11.8 Summary
12 Creating Regression Insights to Enrich Stories
- 12.1 Business Scenario
- 12.2 Using Datasets with Regression Models
  - 12.2.1 Training Dataset
  - 12.2.2 Application Dataset
  - 12.2.3 Predictions Dataset
- 12.3 Creating Regression Models
  - 12.3.1 Create a Predictive Scenario
  - 12.3.2 General Settings
  - 12.3.3 Predictive Goal
  - 12.3.4 Influencers
- 12.4 Understanding Regression Models
  - 12.4.1 Assessing Model Performance
  - 12.4.2 Influencer Contributions
- 12.5 Improving Regression Models
  - 12.5.1 Improving Model Accuracy
  - 12.5.2 Improving Model Robustness
  - 12.5.3 The Quality versus Robustness Trade-Off
- 12.6 Applying Regression Models
- 12.7 Enriching Stories with Regression Insights
  - 12.7.1 Predicted Value
  - 12.7.2 Prediction Explanations
- 12.8 Summary
13 The Data Science behind Classification Models and Regression Models
- 13.1 Fitting a Predictive Function
- 13.2 Prerequisites to Generating a Model
- 13.3 Evaluating the Model Performance
  - 13.3.1 Performance Indicators for Classification Models
  - 13.3.2 Performance Indicators for Regression Models
  - 13.3.3 Evaluating the Future Performance of the Model
- 13.4 End-to-End Automated Modeling
  - 13.4.1 Automated Data Encoding
  - 13.4.2 Data Partitions
  - 13.4.3 Gradient Boosting
  - 13.4.4 Model Performance Evaluation
- 13.5 Generating Predictive Insights
  - 13.5.1 Predicted Category
  - 13.5.2 Prediction Explanations
- 13.6 Summary
14 Conclusion
- 14.1 Lessons Learned
- 14.2 The Future of Predictive Scenarios in SAP Analytics Cloud
- 14.3 Your Next Steps
The Authors
Index

ℹ️ ¿Cómo adquirir este libro?

Este producto tiene un precio especial bajo consulta. Puedes iniciar tu pedido o aclarar cualquier duda en el botón Consultar precio de la página.

También hemos preparado una guía paso a paso para explicarte cómo solicitar tu cotización fácilmente.

Ver paso a paso aquí →

Descargo de responsabilidad

SAP, otros productos SAP y servicios mencionados aquí así como sus respectivos logos son marca registrada de SAP SE (o una compañía afiliada de SAP) en Alemania y otros países. Nuestra compañía no está afiliada con SAP SE ni con ninguna de sus compañías afiliadas incluyendo pero no limitada a: Sybase, Business Objects, Hybris, Ariba y SuccessFactors. Todos los otros nombres, marcas, logos, etc. son marcas o servicios registrados de sus respectivos propietarios.

Inicio > Libros SAP > Libros Multilingüe > SAP Analytics Cloud: Análisis predictivo

SAP Analytics Cloud: Análisis predictivo

Name: SAP Analytics Cloud: Análisis predictivo
Brand: SAP
SKU: BOOK-SAPPRESS-EBOOK-2024-9781493224791
Availability: InStock

Garantía

Recibe el producto que esperabas o te devolvemos tu dinero

¿Desea ver una muestra del curso o libro?

Necesita una muestra del curso o libro, solicítela en el chat de abajo y se la brindamos con gusto.

1 cuota de $0.00 USD sin intereses		Total $0.00 USD
2 cuotas de $0.00 USD sin intereses		Total $0.00 USD
3 cuotas de $0.00 USD sin intereses		Total $0.00 USD
4 cuotas de $0.00 USD sin intereses		Total $0.00 USD
5 cuotas de $0.00 USD sin intereses		Total $0.00 USD
6 cuotas de $0.00 USD sin intereses		Total $0.00 USD

SAP Analytics Cloud: Análisis predictivo

Aprenderás sobre:

Aspectos Destacados:

SAP Analytics Cloud: Predictive Analytics

You'll learn about:

Key Highlights:

ℹ️ ¿Cómo adquirir este libro?

Descargo de responsabilidad

SAP Analytics Cloud: Análisis predictivo

Productos relacionados