数据访问和集成
数据准备和数据质量
无论数据来自或位于何处，用户都能够查找和利用最有价值的分析数据，并对其进行编目和保护。
以更少的时间查找和评估数据，用更多的时间分析数据。
分析师、数据管理员和业务用户可以使用元数据搜索和搜索结果，轻松查找和发现所需的数据、报告、模型和其他分析资产。借助所有资产，用户可以快速评估资产的适用性，查看所有可供使用的数据或信息以避免返工，并进行评估和决策，从而以高效、受控和安全的方式使用数据或信息。
轻松了解数据对分析资产的影响。
使用数据沿袭查看器获取 SAS Information Catalog 中资产的业务层面影响分析视图。此分析流视图可在其来源和输出的上下文中显示资产及其相互关联。数据沿袭查看器显示数据在其整个生命周期中从源传输到目标时是如何转换和流动的。您可以便捷管理数据，通过了解数据变更增强信任，并轻松响应监管合规要求。
确保使用适当的数据进行分析，而减少对 IT 人员的依赖。
灵活的搜索功能允许您使用自由文本、以前的搜索建议、经过滤的建议或分面查询。面向业务用户的搜索结果在表和列级别提供有关每项数据资产的详细信息，包括数据运行状况、数据质量、关键指标等，使用户能够胸有成竹地确定适合分析的数据。
识别敏感的个人数据。
SAS Information Governance 还提供用于评估数据是否符合预期目的的信息，助力新数据资产的轻松引入和获取，并通过信息隐私评估确保对个人和机密数据的管理和监控。
专用于报告、数据探索和分析的应用程序。
查看大图和底层连接。
使用建议和明确确定的相关度量，快速发现数据中的重要关系。使用机器学习和自然语言解释来查找、呈现和叙述易于理解和解释的事实和洞察。找出发生问题的原因，检查所有选项并发现隐藏在数据中的机会。自动突出显示关键关系、异常值、聚类等，以揭示激发行动的重要洞察。
通过动态视觉将观察变成理解。
创建出色的交互式报告和仪表板。快速总结关键性能指标，并通过 Web 和移动设备共享。高管和一线员工可以快速与洞察进行互动和协作，对洞察进行切分，找到自己的答案，并更好地了解业务绩效。
获得数据支持的答案，洞察驱动的结果。
通过易于使用的预测分析功能，业务分析员甚至无需编程即可评估可能的结果，做出更明智的、数据驱动的决策。智能算法可以减少手动操作。您可以与专家合作，专注于最相关的事情。
将“位置”添加到“内容”。
通过将传统数据与位置数据相结合，将地理环境添加到您的分析和可视化中。位置分析将“位置”维度放在了最前面，因此您可以用新方式进行数据分析，以便在做出决策之前全面了解情况，同时识别特定位置的机会。
简化发现过程。
自助式数据准备，让业务用户能够通过简单的拖拽轻松导入自己的数据、连接表、应用数据质量功能、创建计算列等。通过授权用户以灵活且可信的方式访问、组合、清理和准备自己的数据，SAS Visual Analytics 可以促进整个企业更快、更广泛地采用分析结果。
获得基于聊天功能的洞察。
直观的低代码可视化界面能让您创建和部署自定义的自然语言聊天机器人。获取文本回复、访问数据、报告和可视化功能，甚至通过自然语言对话界面应用分析和人工智能功能。在 SAS 环境中配置机器人，更轻松地获取洞察，或者连接到外部服务将其部署至全球。现在，从数据中获取洞察就像发送消息一样简单。
充分利用两个平台的功能。
利用 Microsoft 365 办公工具无缝访问 SAS 分析结果。深入了解您的数据，查看 SAS Visual Analytics 中的报告并与之交互，将有用信息整合到 Excel 和 Outlook 等 Microsoft 应用程序中。之后，即可与您关系最密切的合作者分享成果。
通过直观的可视化界面构建自定义的自然语言聊天机器人，只需少量代码或无需代码。
使用少量代码的可视化对话构建器。
直观的可视化界面可消除构建对话体验中的不确定性，从而帮助初学者和高级用户加快设计流程。
使用自然语言技术获得答案并完成任务。
准确了解您的用户需求，即时做出响应，为用户提供全天候支持。自动执行简单任务并实时回答问题，增强客户体验并提高生产力。
访问数据、报告和可视化功能，甚至运行高级分析结果和 AI。
使用自然语言聊天界面访问数据、报告和可视化功能，更快捷地获得洞察。直接从聊天界面运行文本分析和机器学习模型，以易于理解的自然语言获取有关您的模型的反馈。
助 SAS Visual Statistics，多个用户可以探索数据，以交互方式创建并优化预测模型。
比竞争对手更快发现机会。
数据科学家和统计人员可利用最适合的分析建模技术进行精细观察。结果?您可以前所未有的速度做出分析，找到增加收入的新方法。
利用更好的模型加快分析速度。
针对特定分组或分段轻松构建并优化模型，可同时在大量场景下运行。您可以提出大量假设问题获得更好的结果。根据分析结果采取行动，自动生成评分代码。
提高分析工作效率。
支持多个用户直观地进行数据交互 —— 添加或更改变量、去除异常值等。立即查看改变对模型预测能力的影响，并快速进行优化。
灵活的操作体验。
数据科学团队具有选择语言的最大灵活性，从而充分利用自己的技能。SAS可视化建模统计工具将各种分析资产–无论使用SAS还是采用其他语言创建的，如R、Python、Java或Lua–集成在通用解决方案中。
轻松将数学公式转换为创新的程序，用于矩阵计算、数值分析、优化、模拟、统计和数据分析。
轻松、高效地编程。
通过简单的语法和广泛的函数逻辑库，将数学公式转换为统计编程语句更加简便。您可以为各种应用实施自定义分析，甚至可以构建自己的模块储存库。通过编写程序包共享程序和储存库，并且下载他人编写的程序。
交互式执行探索性分析。
以图形方式浏览数据以发现隐藏的模式，发现变量之间的关系，了解离群值并识别数据中的异常特征。动态链接的图形使您可以在一个图形中选择观测值，并在数据的所有其他视图中看到突出显示的相同观测值。
运行优化和模拟。
在约束条件下找到目标函数的最优值。模拟数据，求解线性系统并执行矩阵计算。而且，无需为数据矩阵声明或分配存储，因为 SAS IML 软件会自动执行此操作。
助力所有员工在同一集成环境中工作，其中涵盖数据管理以及模型开发和部署整个流程。
利用自动化洞察轻松解决复杂的分析问题。
SAS 可视化数据挖掘和机器学习自动生成洞察，让您能够识别所有模型中最常见的变量、在模型中选择的最重要变量以及所有模型的评估结果。自然语言生成功能用于创建以简单语言编写的项目摘要，让您可以轻松解释报告。分析团队成员可以将项目注释添加到洞察报告中，以促进团队成员之间的沟通和协作。
为用户提供语言选项。
不了解 SAS 代码？没有关系。SAS Visual Data Mining and Machine Learning 可让您将开源代码嵌入分析结果，调用管道中的开源算法，并通过 Model Studio 中的通用储存库无缝访问这些模型。用户可以使用自己选择的语言执行所有这些操作，因此可以促进整个组织的协作。您还可以利用 GitHub 上的开源软件包 SAS Deep learning with Python (DLPy)，在 Jupyter notebook 中使用 Python 来访问用于深度学习功能的高级 API，包括计算机视觉、自然语言处理、预测和语音处理。DLPy 支持开放式神经网络交换 (ONNX)，可在框架之间轻松移动模型。
快速探索多种方法以找到最佳解决方案。
大规模并行处理的卓越性能和机器学习管道中功能丰富的构成要素，可让您快速了解和比较多种方法。您只需选择所需的选项，即可快速轻松地找到适用于各种机器学习算法（包括决策树、随机森林、梯度增加、神经网络、支持向量机和因式分解机）的最佳参数设置。复杂的本地搜索优化例程在后台工作，可以高效地调整模型。您还可以在集成的机器学习程序中组合非结构化和结构化数据，以便从新数据类型中获得更有价值的洞察。通过对生命周期各个阶段的可重现性进行分析，您能够获得可以信任的答案和见解。
提高分析团队的生产力。
数据科学家、业务分析师和其他分析专家，可从支持整个机器学习管道的单一协作环境中获得高度准确的结果。各类用户都可以访问和准备数据。进行探索性分析。建立和比较机器学习模型。创建评分代码以实施预测模型。执行一键式模型部署。使用我们的自动建模 API，用户可以比以往更快地完成所有这些工作。
减少数据和决策之间的延迟。
为了增强协作理解，该解决方案在每个节点内为所有用户提供有助于商业运营的注释，对正在运行的方法以及方法、结果和解释的相关信息进行描述。
使用简单语言解释模型。
在所有建模节点（包括 LIME、ICE、SHAP、PD 热图等）中都提供标准的可解释性报告，其中包含来自嵌入式自然语言生成的简单语言解释。将建模信息导出为 PDF 报告，可以在数据科学团队之外共享。
帮助数据科学家、MLOps 工程师和业务分析师紧密配合，快速部署众多模型，并与开源功能进行集成。
确保高效模型治理和信息透明。
作为面向各类模型和分析资产的集中式、可搜索储存库，能让您全面了解分析流程，确保可追溯性和高效治理。解决方案通过版本控制来简化模型管理。您可以 跟踪模型管理流程每个步骤的项目历史记录，并统一查看每个模型的状态、定义和价值。使用开放的 REST API 访问模型，模型评分组件可简化 IT 工作。
借助轻松的模型验证，确保高质量预测。
使用我们的开源包 sasctl，为基于 Python 的模型自动生成可执行评分代码。通过简单易用的无代码界面方便地对模型进行测试，在模型投入生产之前验证模型评分逻辑。
一次构建，随处部署，无需重新编码。
将您的分析模型从创新实验室高效地迁移到选定的生产环境中。无论要将模型部署到数据库中，对数据进行批量评分，托管实时 REST API 评分端点，在 Docker、Azure、GCP 或 AWS 上将模型推送到注册表托管的容器中，还是直接部署到 Azure 机器学习中，SAS Model Manager 都能满足您的需求。
自动监控模型性能，确保按预期运行。
无论使用哪种语言创建模型，SAS Model Manager 都可以自动监控模型性能（涵盖模型启动、使用到停用的整个过程）。性能基准报告可以显示模型的评分表现，以及文档是否符合要求的标准。通过生成警报来指示模型衰减情况。由于模型在不同部门中使用，该解决方案可生成广泛的跟踪、验证和审计报告，并标记最佳模型以便用于其他应用。持续监控能帮您了解模型何时需要优化或淘汰。
调整模型以反映内部或外部变化，大幅提高效率。
持续进行模型更新，以适应不断变化的市场和业务状况。您可以根据新数据重新训练现有模型，也可以使用特征工程或新数据元素修改模型。模型重新训练与模型管道处理环境相结合，有效提高效率。
使用 CI/CD 方法自动管理模型生命周期，节省时间和资源。
SAS Model Manager 能让您使用开放的 REST API 集成多种环境、工具和应用程序。您可以创建与业务需求和流程相匹配的自定义工作流，以便对分析生命周期进行自动管理。
借助面向未来的可靠、快速、可配置、开放预测工具，更好地规划未来。
简化和自动化预测过程。
以较大规模自动生成可靠的预测结果，同时进行可视化处理和相应部署，无需人工参与。减少人工干预意味着预测过程中出现个人偏见的可能性更小。由于预测分析师不必为每个时间序列构建和监控预测模型，他们可专注于更具战略性的高价值预测或不适合自动化的问题。同时，经验更丰富的预测人员可以开发和共享他们配置的建模策略和管道，供其他业务领域使用。
大规模生成准确的预测结果，对规划加以优化。
根据数据的性质将数据自动划分为具有类似时间序列的段。然后使用时间序列、机器学习和混合技术，将最有效的建模技术应用于每个组。
为开源用户赋能。
为数据科学团队提供在 Python 和 R 中扩展流行开源算法的选项，只需将其分发到云中并行运行即可。SAS Visual Profecting 提供可扩展的开放框架，可集成和并行处理算法，从而以可控和一致的方式进行共享和重用。
整合外部驱动因素和业务知识。
从提供给系统的变量中自动选择影响预测过程的业务驱动因素、假日或事件。使用简单的用户界面，您还可以根据实际业务知识改写系统结果，进一步提高预测准确性。根据您在同一生态系统中定义的特定过滤器来管理变更。
SAS Visual Text Analytics 可拓展人类阅读能力，从大量文本数据中整理和提取有用的信息。
发现新趋势和潜在机会。
借助自然语言处理、机器学习和深度学习方法以及语言规则的正确组合，快速、不知疲倦地对不断增长的文本数据进行过滤，以识别主要思想或主题、提取关键术语、分析情感并识别单词之间的关联。这有助于在需要时向人们提供正确的信息。
更快地将数据转化为决策。
根据提供的数据进行决策，缩小获得信息到采取行动之间的差距。如果有人通过移动设备应用发表评论或点击，SAS Visual Text Analytics 立即使用内存、数据库、数据流技术分析数据。嵌入式可视化功能允许对数据和分析进行可视化探索，同时还提供直观的面板，可以轻松地将结果传达给相关人员。
开放式生态系统促进协作和信息共享。
SAS 可视化文本分析提供了一个灵活的环境，可支持整个分析生命周期（从数据准备到发现分析洞察，再到将模型投入生产以实现价值）。在高度协作的工作区中创建、管理和共享内容（包括最佳实践管道），该工作区可轻松与现有系统和开源技术集成。
通过自动化改善分析工作流。
智能算法和 NLP 技术可自动检测文本数据中的关系和情感，从而消除费时的人工分析流程。通过自动生成规则和交互式沙箱，增强人类主题专业知识使用以过滤结果，该交互式沙箱能让用户通过评估规则子集来确定哪些规则的执行效果更好。借助拖放功能、最佳实践模板、简单的合并和拆分功能、轻松的主题升级、自动规则生成和一键式模型部署，能够减少所需的人工模型构建工作，从而节省出更多时间用以专注于查找重要信息。
在云端并行运行强大的优化和网络优化求解程序，即使是最具挑战性的业务问题也可以找到解决方案，包括最优的资源分配、路由和规划。
快速解决复杂的优化问题。
相较以往，更快速地找到难题的最佳解决方案。通过利用分配的 SAS Viya 和内存引擎，SAS Optimization 以突破性的速度提供优化建模结果。内存数据持久性可消除在迭代分析期间多次加载数据的需要。
推动更好的决策。
确定最佳解决方案并将其应用于复杂的实际问题。最先进的数学优化方法与一整套数据准备、探索、分析和报告功能集成在统一环境中。
为用户提供他们的首选编程语言。
Python、Java、R 和 Lua 编程人员可利用 SAS 优化中的各种求解程序，而无需学习 SAS 代码。他们可通过最熟悉的编程语言访问功能强大、受信任和经过测试的 SAS 算法。
借助 SAS Econometrics，您可以使用大量观察数据对复杂的经济和商业场景进行建模、预测和模拟。
更快地解决时间和事件特定问题。
运行可使用不同规范进行拟合的大规模多元模拟。对离散和连续事件进行计数回归、横截面分析、面板数据分析和审查事件估计。SAS® Viya® 采用可扩展的分布式内存引擎，能够以超高的处理速度提供有关最大数据集的经济计量建模结果。此外，内存数据持久性可消除在迭代分析期间多次加载数据的需要。
为用户提供编程语言选项。
Python、Java、R 和 Lua 编程人员可体验 SAS 计量经济学的功能，而无需学习 SAS 代码。SAS Viya 引擎使程序员能够从首选编码环境中获得强大、可靠和经过测试的 SAS 算法。
做出更好、更科学的决定。
了解不同经济和市场条件、客户人口统计、定价决策、营销活动等对业务的影响。分析风险并响应监管要求。无论业务流程的复杂程度如何，该解决方案都能让您对任何业务流程进行建模和模拟，即使时间依赖性、联合关系或动态流程令分析变得更加复杂。通过将预测过程与计量经济分析相结合，您可以在将来主动获得更强的盈利能力。
抓住机会并发现隐藏在业务海量快速移动数据中的危险信号。
使用机器学习获得采用正确操作所需的洞察。
充分理解来自操作、交易、传感器和物联网设备的流传输数据非常重要。SAS Event Stream Processing 包括在单一解决方案中提供流传输数据质量和分析，大量 SAS 和开源机器学习以及用于连接、解密、清理和理解流传输数据的高频分析。无论您的数据移动有多快、拥有多少数据或从中提取多少个数据源，都可以通过直观的界面进行控制。您可从业务的各个方面定义模式和处理场景，从而保持敏捷并在问题出现时加以处理。
做出合理的大数据决策。
在存储大数据之前，对其进行过滤、正规化、分类、聚合、标准化和清理，从而节省清理数据湖所需的大量人员和计算资源。将预构建的数据质量例程和文本处理执行用于动态数据，以便过滤大数据并为使用做好准备。
经济高效地从边缘扩展到云端，以获得不断增长的数据量。
更快、更好、更强大的数据流处理（从边缘到企业）可实现高容量吞吐量（每秒数百万个事件），这意味着分布式内存网格处理商品硬件环境中可实现低延迟响应时间。使用具有嵌入式人工智能和机器学习功能的高级分析，对结构化和非结构化数据源（包括视频、文本、图像分类和识别）进行分析。此外，SAS Event Stream Manager 集成 SAS Event Stream Processing Studio 和服务器组件，能够对 SAS Event Stream Processing 项目的部署和分析进行简化和自动化处理，在不中断服务的情况下实现快速决策。
与客户、合作伙伴、供应商和员工进行互动时，SAS Intelligent Decisioning 可以帮助您制定最佳决策。
为您的所有用例提供实时决策
根据业务规则和大量完善的分析结果，向任何用例交付相关且可交互的实时决策。在部署前进行简便的决策测试，确保实现预期结果。强大管控功能可确保您的决策在整个企业中获得正确理解和信任。凭借基于云的架构，可以轻松处理大量数据和决策，同时加以扩展来满足您的需求。此外，还能通过与物联网设备进行集成，在边缘和数据流中完成决策。
与技能水平各异的用户实现轻松协作
无论您偏好拖放式 GUI 还是编写代码，都可以轻松构建和修改决策流程。通过浏览集中式数据、模型和业务规则储存库，并从现有资产中进行选择来定义决策的能力。比较不同的对象和版本以了解和跟踪变更，简化团队之间的协作。使用即时可用、基于角色的治理工作流程来应用各种决策检查点，确保准确性和任务透明性。
始终做出最佳决策
通过整合通用储存库中的人工智能和机器学习模型改进决策质量，这些模型使用您的首选语言创建。
一致且快速做出部署分析模型的决策
通用的决策编写和部署环境可显著减少 IT 验证和部署分析模型所需的时间，无论是用 SAS、开源代码还是自定义代码编写。通过单一界面，您可以原生集成、管理和部署 SAS 和 Python 分析模型、自定义代码和业务规则，批量和实时 Web 服务执行的逻辑相同。这意味着部署速度更快，让用户更加信任基于分析结果的运营决策。
充分利用内置于 Microsoft Power Platform 的 SAS Intelligent Decisioning 功能
SAS Decisioning Power Connector 是 Microsoft Power Platform 中的一种认证连接器，能让您连接到 SAS Viya 环境，并在 Microsoft Power App 或 Power Automate 中运行选定的决策模块和分析模型。借助 SAS Decisioning 连接器，您可以轻松地将两个先进平台相结合，获得基于人工智能的业务应用和流程。
事半功倍的决策制定
SAS Container Runtime 为符合轻量级 OCI（开放容器计划）标准的 Docker 容器，可用于执行 SAS 模型、Python 模型和 Python 代码。其具有高度的可扩展性，可以发布到 Microsoft Azure、AWS 和 GCP 上的任何容器注册表。之后，用户可以利用云基础架构，以最小的占用空间进行部署。这可以确保您充分利用自身资源，快速执行更多决策并减少管理环境所需的工作量。
