Die Personal Edition des IBM SPSS Modelers ist speziell für den Einzelbenutzer ausgelegt, welcher auf einer täglichen Basis, schnelle und effiziente Entscheidungen treffen muss. Vertriebsleiter, Marketingspezialisten, Pädagogen, Mitarbeiter im Gesundheitswesen, Benutzer in fast jedem Industriezweig können mithilfe der Personal Edition strukturierte Daten erforschen, analysieren und visualisieren. Mithilfe der Drag-and-Drop Oberfläche erstellen Sie in wenigen Minuten anschauliche Vorhersagemodelle und integrieren diese in Reports oder uploaden diese zu einer Datenbank, um individuelle organisatorische Herausforderungen zu bewältigen.
Die Personal Edition ist nur für eine Single User Installation ausgelegt!
IBM SPSS Modeler
Predictive Analytics in einer kompakten Einzellösung
Predictive Analytics ist heutzutage ein zentraler Bestandteil in jeder modernen Unternehmens-IT. Mithilfe von Predictive Analytics lassen sich komplexe wirtschaftliche Zusammenhänge vorhersagen und analysieren. Unternehmen können anhand dieser Erkenntnisse bessere Entscheidungen treffen, Risiken konkreter einschätzen, Strategien effizienter planen, etc. Die IBM SPSS Modeler Produktlinie ist eine umfassende Predictive-Analytics-Plattform, die Einzelpersonen, Gruppen, Systemen und dem gesamten Unternehmen Entscheidungen auf der Grundlage von Vorhersagen ermöglicht. SPSS Modeler bietet zahlreiche intelligente Algorithmen und Verfahren, darunter für Textanalyse, Entitätsanalyse, Entscheidungsmanagement und -optimierung. Damit können Sie stets die richtigen Entscheidungen treffen – vom Desktop aus oder in den operativen Systemen.
Ihre Benefits
Erkenntnisse aus all Ihren Daten
Analysieren Sie strukturierte und unstrukturierte Daten in Dateien, relationalen Datenbanken, Hadoop-Distributionen und mehr. Sie können Daten in einem visuellen, intuitiven Ablauf kombinieren, transformieren und für die Analyse aufbereiten.
Deep Machine
Learning
IBM SPSS Modeler bietet eine breite Palette an Analysefunktionen, darunter maschinelles Lernen, automatische Modellierung, Ensemble-Modellierung, Simulation, georäumliche Analyse und Big-Data-Algorithmen.
Flexible Implementierungsoptionen
Profitieren Sie von der einfachen und überschaubaren Berichterstattung und den flexiblen Implementierungsoptionen, wie: Verbindung mit Business-Intelligence, Batch- und Echtzeit-Scoring, sowie analytisches Entscheidungsmanagement vor Ort, in der Cloud oder in einem Hybrid-Modell.
Erweiterbarkeit und Programmierbarkeit
Scripting-Sprachen wie Python und R können zur nativen Funktionserweiterung genutzt werden. Erstellen Sie mit R neue Features und Funktionen für Business-Analysten und verwenden Sie die kostenlosen Erweiterungen der IBM Predictive Analytics Community.
Verfügbare Editionen
IBM SPSS Modeler ist in unterschiedlichen Editionen verfügbar mit abgestimmten Features um genau Ihre Bedürfnisse abzudecken. Die folgenden Editionen stehen Ihnen zur Verfügung:
Benutzeroberfläche
Weitere Informationen
Downloads für die Software IBM SPSS Modeler
Datenblatt | Hilfreiche Informationen über den IBM SPSS Modeler, seinen Anwendungsgebieten und seinen Funktionen, können Sie in diesem Datenblatt einsehen: Datenblatt lesen
White Paper | In diesem White Paper erfahren Sie, wie Sie mithilfe von zeit- und standortbasierten Analysen neue Erkenntnisse erlangen: White Paper lesen
Big Data mit IBM SPSS Modeler | Lessen Sie hier wie Sie mit dem IBM SPSS Modeler, Big Data effizient und eindrucksvoll als Quelle für präzise Vorhersagen nutzen können: Broschüre lesen
Installationsanweisungen
Desktopinstallation
- Benutzerhandbuch für die Installation von Einzelplatzlizenzen: ModelerAuthorizedUserInstall.pdf
- Administratorhandbuch für die Installation von Einzelplatzlizenzen: ModelerAuthorizedUserAdmin.pdf
- Benutzerhandbuch für die Installation von Concurrent User Lizenzen: ModelerConcurrentInstall.pdf
- Administratorhandbuch für die Installation von Concurrent User Lizenzen: ModelerConcurrentAdmin.pdf
Serverinstallation
- Installationsanweisung für UNIX-Systeme: ModelerServerInstallforUNIX.pdf
- Installationsanweisung für Windows-Systeme: ModelerServerInstallforWin.pdf
Systemvoraussetzungen für die Software IBM SPSS Modeler
Details zur Installation können Sie den entsprechenden PDF-Installationsanweisungen, hinterlegt im Tab 'Downloads', entnehmen.
Desktop-Systeme
Windows® | Mac® OS X | |
Andere Voraussetzungen | Display Auflösung mind. 1024x768 | |
Betriebssystem | Windows 7, 8, 8.1, Windows 10 (32-/64-Bit) | Mac OS X 10.10 (Yosemite), 10.11 (El Capitan) (nur 64-Bit!) |
Minimum CPU | Intel® Pentium® oder Pentium-class Prozessor oder höher (für 32-Bit Windows) x64 (AMD 64 and EM64T) Prozessorfamilie (für 64-Bit Windows) |
|
Min. RAM | 4 GB RAM | |
Festplattenplatz | 20 GB freier Speicherplatz auf der Festplatte |
Server-Systeme
Windows® Server | Linux® Server | |
Andere Voraussetzungen | Display Auflösung mind. 1024x768 | Linux (64 bit) kernel 2.6.28-238.e15 or higher FORTRAN version libgfortran.so.3 C++ Version libstdc++.so.6.0.10 |
Betriebssystem | Windows Server 2008 oder 2012 (nur 64-Bit!), | Red Hat® Enterprise Linux 6, 7, 7.1 (nur 64-Bit!) SUSE Linux Enterprise Server 11 (nur 64-Bit!) Ubuntu 14.10 (nur 64-Bit!) |
Minimum CPU | UNIX Hardware: PowerPC Prozessor, 233MHz oder besser und IBM System p für IBM AIX UltraSPARC II oder besser für Solaris x64 (AMD 64 und EM64T) Prozessorfamilie oder IBM System z für Linux 64-Bit |
|
Min. RAM | 4 GB RAM | |
Festplattenplatz | 20 GB freier Speicherplatz auf der Festplatte |
Neue Funktionen in IBM SPSS Modeler
- Modeler Personal und Modeler Professional jetzt unter MAC OS verfügbar. (Modeler Premium noch nicht!)
Big Data Algorithmen
In früheren Versionen vom Modeler wurden einige neue Algorithmen hinzugefügt, die allerdings nur in Kombination mit dem Analytic Server ausgeführt werden konnten. Nun können alle diese Algorithmen direkt im Modeler auch ohne Analytic Server benutzt werden. Zudem gibt es einen verbesserten Zeitreihenalgorithmus. All diese Algorithmen unterstützen parallele Prozessierung für die Modelbildung, das heißt, dass die Modelbildung auf großen Datenmengen nun viel schneller erfolgen kann (Big Data Algorithmen).
Folgende Algorithmen aus früheren Version sind jetzt im Modeler verfügbar (auch ohne Analytic Server):
- Statistische Methoden: Linear-AS und GLE
- Linear Support Vector Machines
- Entscheidungsbäume: Random Trees und Tree-AS (i.e. CHAID)
- Clustering Algorithmen: Two-Step-AS
Ihr Mehrwert der neuen Algorithmen: Multi-Threading
- Schnellere Modellbildung bei großen Datenmengen durch Parallelverarbeitung und effizientere Nutzung der Hardwareressourcen
- Alle neuen Algorithmen sind Multithreading-fähig, auch im lokalen Modeler (ohne Modeler Server bzw. Analytic Server)
- In früheren Modeler-Versionen waren Multithreading-fähige Algorithmen auf einen der o.g. Server angewiesen
Ihr Mehrwert der neuen Algorithmen: Regularization
- Verhindert “Overfitting” (ungenaue Vorhersagen auf neuen Daten) indem extreme und komplexe Parameterwerte reguliert werden
- Ohne Regularization werden oft nur auf den Daten, auf denen das Modell aufgebaut wurde, hervorragende Ergebnisse erzielt, nicht jedoch auf neuen Daten
- Verfügbar in GLE und Linear Support Vector Machines
Ihr Mehrwert der neuen Algorithmen: Automatische Datenaufbereitung
- Tree-AS und Linear Support Vector Machines benutzen im Hintergrund eine automatische Datenaufbereitung
- Für Sie reduziert sich hierdurch sowohl der Zeitaufwand als auch die Fehleranfälligkeit einer manuellen Datenaufbereitung erheblich
- Nur drei Beispiele dieses Features: Kategoriale Felder mit mehr als 12 Ausprägungen werden zusammengeführt (Default: <=12Bins), Transformation eines Datums bzw. Zeitfeldes in eine kontinuierliche Variable (z. B. Geburtstag in Alter), Leerzeichen bei Stringfeldern werden 'getrimmt'
Exkurs: Random Trees
- Random Trees ist ein 'Ensemble Model', bestehend aus einer Vielzahl von Entscheidungsbäumen (C&RT)
- Hauptziel von Random Trees: exakte Vorhersage der abhängigen Variable. Hier liegt der Fokus also nicht auf dem Erkennen unbekannter Zusammenhänge oder Muster.
Exkurs: Neuer Time Series Algorithmus
- 'Split' Modeling - verschiedene Zeitreihenvorhersagen werden für definierte Gruppen berechnet (anhand der Split-Variable). Multithreading-fähig und lauffähig in Analytic Server
- Ist die Splitvariable z.B. das Geschlecht oder die verschiedenen Filialen eines Retailers, dann können hierauf Zeitreihenvorhersagen erstellt werden
Open Source: Python for Spark, Predictive Extensions
Der SPSS Modeler kann jetzt auch Python for Spark ohne Zuhilfenahme des Analytic Server ausführen. Zudem ist die on-demand Integration von Predictive Extensions nun sehr vereinfacht. Damit geht SPSS weiter den Weg, Open Source Technologien zu integrieren (vgl. auch R).
- Spark ist Open Source Technologie und sehr schnell im Umfeld von Big Data Analytics. Aufgrund der in-memory Technologie um ein Vielfaches schneller als vergleichbare Techniken
- Spark MLlib Algorithmen sind im Modeler 18 via Python for Spark zugänglich, verfügbar auch für 'nicht-Hadoop' Datenquellen. Collaborative Filtering und Page Rank sind bereits als Extensions verfügbar
- Der Custom Dialog Builder unterstützt jetzt auch Python for Spark ohne Analytic Server. Der Programmiercode wird in benutzerfreundliche GUIs eingebunden und ermöglicht so auch 'Nicht-Programmierern' Zugang zu Spark Funktionalitäten
- Predictive Extensions kann man innerhalb des Modeler unmittelbar laden, so dass der gewünschte Algorithmus ohne Umwege sofort zur Verfügung steht
SPSS Community
- Neu in Modeler: direkter Zugriff zu den Foren und zur SPSS Community
- Die SPSS Community ist 'DIE' zentrale Anlaufstelle für SPSS Anwender
- Alle technischen Infos & Support, auch Predictive Extensions
- Support via Chat oder Email, ohne Kauf einer Lizenz/ ICN/ Recorded Entitlement
- Neue DB2 on Z/OS In-Database Algorithmen. Fünf In-Database Algorithmen laufen in DB2 auf Z/OS oder IDAA (IBM DB2 Analytics Accelerator): Decision Tree, Regression Tree, K-Means, Naïve Bayes, Two-step