
IBM、SAS和SAP, 三大供应商引起的大数据预测
对于大数据预测分析企业有很多固定的选择。
美国市场研究公司Forrester刚刚发布了2015年第二季度对大数据预测分析解决方案。
也就是说,Forrester的分析师Mike Gualtieri和Rowan Curran他们评估的产品有很大的不同。
数据科学家更容易欣赏一些,而业务分析人员会喜欢其它的。
他们都可以用来准备数据集,使用统计和机器学习算法开发模型,部署和管理预测分析生命周期,这些对数据科学家,业务分析人员和应用程序开发人员来说都是工具。
General Purpose:
重要的是要注意有很多强大的预测分析解决方案提供商并不包括在这一块,但是这并不是因为他们的产品没有任何好处。
而Forrester特别关注“通用”的解决方案,而不是那些针对特定目的像客户分析,交叉销售,智能物流,电子商务等等。
作者还指出,开源软件社区推动预测分析成为主流。开发人员有一个丰富的API的选择范围,他们可以利用通过流行的编程语言,如Java、Python和Scala准备数据和预测模型。
不仅如此,根据报道,许多BI平台还提供了“一些预测分析能力”。信息建筑商例如:MicroStrategy和Tibco可以与R轻松集成。
BI解决方案的“开源”像Birt,OpenText和Tibco,Jaspersoft使R集成更简单。
Fractal Analytics, Opera Solutions, Teradata’s也提供有价值的解决方案,并指出选择购买软件。作者还指出,较大的咨询公司 Accenture, Deloitte, Infosys 和 Virtuasa 都有预测分析和大数据实践。
总的来说,Forrester观望着13供应商:Alpine Data Labs, Alteryx, Agnoss, Dell, FICO, IBM, KNIME, Microsoft, Oracle, Predixion Software, RapidMiner, SAP and SAS。
Forrester的选择标准最一般意义上的利率根据他们目前提供解决方案提供商(组件包括:架构、安全、数据分析、模型管理、可用性和工具,务应用程序)和策略(组件包括收购和定价,执行能力,实现支持,解决方案路线图,和销售增长率。)每一个主要类别有50%的比重。
Leading the Wave:
IBM、SAS和SAP 三个值得信赖的供应商——领先这Forrester的眼界:
IBM完美实现了标准:数据,可用性和工具、模型管理、执行能力,实现支持,解决方案路线图和首选市场增长率。“与客户产生的见解从数据集的数以万计的特性,IBM的预测分析有权承担真正大数据和关键的见解”。IBM不足在哪里?主要是在收购和定价的范畴。
SAS是预测分析的鼻祖,像IBM,它多次取得了完美的分数。有趣的是,它在所有分析供应商中得到了最高的分数。然而,缺点是通过其战略领域的销售增长率和收购和定价。这可能不是一个大问题到明年的话,至少如果Gartner这个最近MQ BI和分析平台上的领导人,他指出SAS意识到了这个缺点并会解决这个问题。
“SAP无情的投资分析回报”Forrester在其报告中指出。我们多次重申,供应商的预测产品包括一些时髦的差异化特性等分析工具,您不必使用数据科学家,只需要一个可视化工具,允许用户分析几个数据库,为SAP 的客户来分析大数据。
The Strong Performers:
RapidMiner的预测分析平台不仅包括1500多个方法预测分析生命周期的所有阶段,而且通过单击它们也可以集成到云。还有一个漂亮的“群众的智慧”特性,它帮助用户避开在过去犯的错误和更快的见解。的缺点是什么?实施支持和安全。
Alteryx需要痛苦的数据准备,这往往是最难和最悲惨的对一个数据工人的工作。他们还提供了一个工具,可以帮助数据科学家与业务用户通过可视化工具。添加到画廊,分析应用程序帮助用户与其他用户共享他们的数据准备和建模工作流程,建立一个公司需要什么带来可行的见解。Alteryx在数据、架构和安全,执行的能力,和销售增长率,有改进的空间。
Oracle作为一个强大的表现,尽管它并没有提供一个单一目的的解决方案。根据Forrester的咨询来看,相反Oracle SQL开发人员工具包括一个可视化界面允许数据分析师创建分析工作流程和模型。不仅如此,Oracle也为分析利用开源R,并修改了一些算法利用Oracle的数据库和Hadoop架构。
FICO,是的,Forrester的谈论信用得分,,已多年的经验在可行的预测分析并建立了一个解决方案,它的使用是光滑的和可用的。它可能是一个宝石为数据的科学家们不断构建和部署模型。FICO的市场提供了许多改进的数据空间和业务应用程序。
Agnoss旨在方便用于科学家忙于预测分析工具通过支持服务为发展预测模型和直观的界面。而解决方案中还提供了决策树,这个功能,有助于高级用户从树创建更复杂的模型。
Alpine Data Labs提供了“最全面的协作工具的所有供应商在Forrester中,而且还能使界面简单、熟悉用户的主流社交媒体网站” Gualtieri and Curran 在报告中写道。这一事实似乎并没有足够多的人购买高山Alpine的产品问题。这可能是收购和定价选项,在这里, Alpine在所有供应商中获得是最低分数。
Dell计划进行大数据和预测分析。收购获得Statistica时进入市场。戴尔在第二波供应商架构中获得了最低分数,所以有很多需要改进的地方。
Make Room for Contenders:
Microsoft 和 Predixion Software给市场带来一些别人没有的价值体系。
他们似乎芽等着开花结果。微软,就其本身而言,它最近收购了有其新的Azure机器学习以及革命的资产分析。不仅如此,该公司的市场范围和雄厚资产。微软获得的分数低于许多供应商但是它是可原谅的,因为它的大数据和预测分析的解决方案可能是最年轻的。
Predixion Software,根据Forrester的咨询来看,提供了一个独特的工具,即(MSLM),一个机器学习的语义模型,包转换,可以部署的数据分析和评分,Java OSGI容器。“这意味着用户可以嵌入整个预测工作流和应用程序”该报告说。
Plenty of Good Choices:
Forrester关键的研究表明,更多的类似用户现在可以获得“现代预测能力”,预测分析现在允许组织嵌入智慧和洞察力。
当然,分析师建议你下载他们的报告,事实上,这可能值得做。这是一个快速发展的市场和供应商在迅速升级他们的产品。
如果没错,组织最好的利用数据将赢得未来,然后使用正确的工具可能是一个重要的区别。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02CDA 数据分析师:助力企业破解数据需求与数据分析需求难题 在数字化浪潮席卷全球的当下,数据已成为企业核心战略资产。无论是市 ...
2025-09-02Power BI 度量值实战:基于每月收入与税金占比计算累计税金分摊金额 在企业财务分析中,税金分摊是成本核算与利润统计的核心环节 ...
2025-09-01巧用 ALTER TABLE rent ADD INDEX:租房系统数据库性能优化实践 在租房管理系统中,rent表是核心业务表之一,通常存储租赁订单信 ...
2025-09-01