KXEN Analytic Framework

1
Introduction

• KXEN Analytic Framework

2
Sommaire
Le data mining dans lentreprise
KXEN Vapnik la nouvelle donne
Démonstration
3
Le constat du Gartner
Volume
The Business IntelligenceGap
Available Information
Numbers of criticaldecisions
Business IntelligenceAptitude
Source Gartner
Time

• Ex Une grande entreprise française en 2001
• a réalisé 900 campagnes marketing
• a fait un modèle de ciblage pour 20 campagnes
  seulement

4
Quest ce qui empêchent les gens aujourdhui
danalyser leurs données?

• Le facteur Gourou
• Les outils statistiques actuels demandent une
  forte expertise pour être bien utilisés
• Les Experts en Statistiques sont chers et très
  occupés

• Les opportunités du marché
  nattendent pas
• La transformation des données en connaissance
  prend des semaines.
• Les ressources des experts sont rares
  pouvez-vous attendre?
• gt Vous ne pouvez appliquer les techniques de
  modélisation avancées quaux projets
  stratégiques.

• Une industrialisation complexe
• Informatique très sollicitée duplication des
  données, mise en uvre des modèles
• Multiplicité des acteurs analystes,
  utilisateurs métier, informaticiens

gt Un coût par modèle élevé
5
Une nécessaire expertise
Analyse des corrélations entre variables
Méthode empirique de vérification de la robustesse
Codage des variables après analyse des
distributions
Choix et compréhension des tests
Choix dun algorithme
6
Challenge de la modélisation prédictive (1/2)
Construction du modèle sur des individus avec la
variable cible connue
Application du modèle sur des individus avec la
variable cible inconnue
7
Challenge de la modélisation prédictive (2/2)
Y
Y
F1 (X)
F2 (X)
X
X
x
Modèle très robuste
Modèle très précis
Y
F3 (X)
X
x
Tradeoff fit-robustesse
Challenge construire à partir dun échantillon
un modèle qui soit aussi bon sur léchantillon
que sur de nouvelles données.
8
Sommaire
Le data mining dans lentreprise
KXEN Vapnik la nouvelle donne
Démonstration
9
Apport de Vladimir Vapnik

• Vladimir Vapnik
• énonce un cadre théorique rigoureux dans lequel
  fit et robustesse dun modèle sont clairement
  définis.
• Il ouvre la voie à une nouvelle branche formelle
  de la statistique la théorie statistique de
  lapprentissage.
• (excelente synthèse livre de Friedmann,
  Springer Series in statistics, 2001
•  Elements of Statistical Learning )
• Vladimir Vapnik mathématicien russe arrivé aux
  US en 92, aux Bell (aujourdhui ATT) Labs
  pendant 10 ans puis depuis 2001 chez NEC.
• Premiers papiers en russe dès 1972.
• US Medal en sciences en 1992.
• Plusieurs livres chez Springer Verlag et J. Wiley
  dès 1982
• Enseigné par Gilbert Saporta au CNAM, ENSAE, ISUP
  depuis 2001
• Information 14 - 15 nov 2002 conférence
  organisée par Saporta au CNAM avec Vapnik,
  Friedmann, Schoelkopf

10
Avec ou sans le SRM de Vapnik
11
Sommaire
Le data mining dans lentreprise
KXEN Vapnik la nouvelle donne
Démonstration
12
Positionnement KXEN
Business model

• Indirect
• Leading SIs OEMs
• KXEN Inside

Architecture
Mathematics

• Components made to be embedded
• Written around API
• Industry standards for easy integration

• Breakthrough theory allows automation
• RD backed by strong scientific committee

13
Le Datamining avec KXEN cest
Introduction
Applications
Modèles Prédictifs
Modèles Descriptifs
Intégrations
Théorie
Les composants

• Classification
• Régression
• Prévisions avec séries temporelles

• Analyse Multi-variable
• Clustering
• Corrélation
• iOLAP

? Prédire lInconnu
? Quels sont les facteurs explicatifs ?
14
Caractéristiques KXEN
Introduction

• Facilité dutilisation
• Possibilité de créer et déployer des modèles sans
  expertise technique
• Préparation des données et processus
  dextraction de la connaissance automatisés
• Meilleure compréhension grâce à des graphiques
  pertinents et des indicateurs de performance

Applications
Intégrations
Théorie
Les composants

• Vitesse
• Construction de modèles analytiques complexes en
  minutes au lieu dheures ou jours
• Utilisation plus fréquente, en temps réel pour
  prendre de meilleures décisions

• Fiabilité
• Obtention régulière de bons résultats en terme de
  qualité(KI) et de fiabilité (KR)
• La compréhension des données permet à
  lutilisateur de décider de lutilisationdu
  modèle en tout confiance

• Intégration
• Architecture standard de composants, DCOM, CORBA,
  PMML, XML
• API documentées pour une intégration facile dans
  les applications et process existants

15
Sommaire
KXEN positionnement
Les domaines dapplication
Intégration des composants
La théorie de Vapnik
Détails des composants
16
Des données à la connaissance
Base de données
Modèle prédictif F(X1, .. Xn)
Décomposition des clients en groupes homogènes
vis à vis de lensemble des X i
Facteurs explicatifs de lachat Leviers dactions
Application du modèle sur denouveaux clients et
calcul des scores dappétences
17
KXEN Analytic Framework 2.1
Introduction
Applications
Intégrations
Théorie
Les composants
Data Access C API
Consistent Coder K2C