Statisztikai programcsomagok

Az előadások a következő témára: "Statisztikai programcsomagok"— Előadás másolata:

1 Statisztikai programcsomagok
Csicsman József BME Matematikai intézet, Sztochasztika Tanszék Külső oktató Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

2 Az előadás témái Egy tegnapi e-mai üzenet A Statisztikai szoftverek
Adat előkészítő és adatelemző szoftverek a KSH-ban SAS az adófeldolgozásban Vállalati Információs Rendszerek döntések támogatására, a hagyományos elemzési módszertanoktól a mobilos Dashboard-ig Pénzintézeti és Telekommunikációs alkalmazások Adatelemzés és adattárház építés az egészségügyben A Big Data és a Hadoop technológiák A Magyarországon is megvalósult BD projektek Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

3 Egy mai hír a Linked-ről, Hétköznapok az adatiparban: adatelőkészítés
Adatelemzőnek lenni menő dolog.  Egy rövid bemutatkozásból persze nem derül ki, hogy ebben az első hallásra is vonzónak tűnő munkakörben a feladatok jelentős részét „favágó munka”, az adatok előkészítése teszi ki . Márton Zimmer Creating Value from Hiflylabs Ahogy egy, a Forbes-ban megjelent felmérés is mutatja, a „data scientist”-ek 76%-a legkevésbé ezeket a feladatokat szeretik a munkájukban, mégis idejük a 80%-át töltik ezzel. Érdekes, hogy ez az arány tíz éve is hasonló volt, ahogy például ezt egy akkoriban megjelent könyvünkben is írtuk. Különös, egyedi kifejezéseket fejlesztettünk ki erre, ha már ennyit foglalkozunk vele: adatot túrunk, masszírozunk, gyurmázunk, kopasztunk… Mégis kevés olyan "pályaelhagyót" ismerek, aki emiatt megunta vagy megutálta volna az adatokkal való foglalkozást. Szeretünk főzni, és ha az kell hozzá, hát elvégezzük a zöldségpucolást is. Ráadásul nem mindegy hogy az adatelőkészítést milyen minőségben végezzük el. Sokszor itt dől el, hogy milyen minőségű lesz a végeredmény – a fonnyadt részeket ki kell vágni, de az ízes falatokat fel kell dolgozni.  Az adatelemzési technológia persze mindeközben szédítő ütemben fejlődik. Sok olyan fejlesztés van, ami éppen az adatelőkészítés megkönnyítését célozza meg azt ígérve, hogy a szakértők végre az idejük nagyobb részét tölthetik igazi elemzéssel. Ömlik a kockázati tőke a Big Data feldolgozását megkönnyítő startupokba és persze az adatipar szoftveróriásai is fejlesztik a saját megoldásaikat. 2016. ősz Kovács Erzsébet - Csicsman József

4 Zimmer Márton: Hétköznapok az adatiparban: adatelőkészítés
 Akkor reménykedhetünk benne, hogy a múlté lesz a  „80% adatelőkészítés – 20 % elemzés, modellezés” munkaidő arány" szabálya? Ebben nem számítok a következő években nagy változásra.  Az egyre fejlettebb eszközök ugyan valóban egyre ügyesebben fogják támogatni ezt a tevékenységet. De ennek inkább lesz az az eredménye, hogy olyan adatforrásokat is szeretnénk majd kiaknázni, amiről ma eszünkbe se jut, hogy hozzányúlhatunk. A gyorsabb közlekedési eszközök sem eredményezték azt, hogy az emberek kevesebbet töltenek utazással. Inkább az lett az eredmény, hogy messzebbi úti célokat is elérhetőnek tartunk.  Van még egy terület, amelytől sokan az adatelőkészítési munka elvégzését várják: léteznek mesterséges intelligencia alapú kezdeményezések is az adatok értelmezésére. A mesterséges intelligencia persze egyre több helyre „beteszi a lábát”, így például néhány évtized múlva valószínűleg sokkal kevesebb sofőrre lesz szükség.  Séfek azonban akkor is lesznek, legfeljebb olyan szerencsések lesznek, hogy a zöldségtisztítást gép segíti. Ahogy lesz adatelemző is, akinek a munkáját is jóval több hasznos eszköz könnyíti majd. 2015. ősz Kovács Erzsébet - Csicsman József

5 Szokásos napi e-mai üzenet
There are several postdoctoral and PhD positions open at the University of Edinburgh in the “Big Data Optimization" Lab of  Peter Richtarik:  The positions start in Fall 2016.  1) Postdoctoral Research Associate position in Big Data Optimization Duration: 3 years More information and online application form:  Funded through EPSRC grant: "Randomized Algorithms for Extreme Convex Optimization”. … 3) PhD position in Big Data Optimization Duration: 3.5 years Apply here:  (Choose "OR and Optimization") Funded by the School of Mathematics, University of Edinburgh. The post is associated with the EPSRC grant: "Randomized Algorithms for Extreme Convex Optimization”. 4) Ten PhD positions in Data Science Duration: 4 years   We have funding for 10 PhD students in virtually all areas of Data Science, including optimization. I’ll be happy to supervise  successful applicants wishing to work in areas such as big data optimization, randomized algorithms for numerical linear algebra or optimization, and scalable machine learning. ! Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

6 Ki az a Data Scientist? Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

7 A Data Scientist pozíciója
Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

8 Elvárások a DS-től Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

9 Van ilyen ember? Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

10 A DS hagyományos szoftvereszközei
Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

11 A DS napi munkájának eszközei
Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

12 A mátrix alakú adatszerkezet az adatelemzésben
objektumok Var1 Var2 Vark O1 O2 On Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

13 A statisztikai szoftverek történeti áttekintése
P-STAT, SPSS, BMDP, OSIRIS,S-PLUS termékek, SAS,… Az 1970-s évek végen egyetemi környezetben induló termékek Nagy rendszereket kiegészítő szoftverek, pl. ORACLE Financial, Adatbáziskezelőkhöz, ügyviteli rendszerekhez tartozó lekérdező rendszerek MINITAB, SYSSTAT, MATLAB, STATA,,… Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

14 Magyarországon elérhető lehetőségek
SAS SAS Institute (magyarországi képviselet: SAS Institute Kft.) Statistica StatSoft Inc. (magyarországi képviselet: StatSoft Hungary) SPSS SPSS Inc. (magyarországi képviselet: IBM Hungary) Eviews IHS EViews Team (magyarországi képviselet: Új Calculus Bt.) R Az S szoftver továbbfejlesztése, szabadon elérhető WEKA,Pyton,… Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

15 Adatbányászati szoftverek 1995-től
Intelligent Miner DBMiner MineSet Clementine Enterprise Miner Statistica Data–mining Adatelemző-> Adatbányász-> Data Scientist Kapcsolat az adatelemző szoftverekkel programozó ( SAS BASE, SPSS syntax, Matlab, R, ...) alkalmazásfejlesztő (SAS App Dev Stúdió, Webes dashboardok,…) Felhasználó 1.(alkalmazások üzemeltetői, alkalmazásgazdák) Felhasználó 2. (Aktuáriusok, befektetés-, kockázatelemzők,...) Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

16 Az adatbányászati szoftverek összehasonlítása
Milyen számítógép architektúrákon fut? A szoftver biztosítja-e az összes adatbányászati módszertant? Ha nem, hogyan bővíthető? A bővíthető-e a saját programozási nyelvén?, Milyen adat-vizualizációs lehetőségekkel rendelkezik? Milyen outputformákkal rendelkezik és azok másolhatók-e szövegszerkesztőkbe? Jól kezeli-e a nagy adatállományokat? Elterjedt-e használata, könnyen megoszthatók-e az adatokat és programok? Megfizethető-e a termék a felhasználó számára? Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

17 A Statisztikai szoftverek használata a tudományos célú felhasználásoknál
Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

18 Adat előkészítő és adatelemző szoftverek a KSH-ban
Kérdőív szerkesztés (Word, Excel) Nyomtatás, megszemélyesítés (Openpage) Adateditáló rendszerek: BLAISE, Oracle és SAS Adattárolás eszköze az Oracle A nyomdakész „táblagyártás” a TPL-lel Az adatelemzés eszközei nagygépes környezetben (BMDP, SPSS, SAS) Napjaink adatelőkészítő és elemző rendszerei (ORACLE, SAS és az SPSS) Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

19 Az SPSS-szel támogatott adatelemzések a KSH-ban
Elsősorban a társadalomstatisztikai adatgyűjtések Egészségügyi felmérések teljeskörűsítése, hibaszámítása és publikálása Oktatásstatisztika Időmérleg Demográfiai elemzések Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

20 SAS alkalmazások a KSH-ban
AKM modellek A migráció eszköze a SAS Fogyasztói árstatisztika Háztartásstatisztika,és a Munkaerőfelvétel A Mikrocenzus, a Próbanépszámlálás és a Népszámlálás Mikroszimulációs szolgáltató rendszer A HKF adatfelvétel korrekciója mikroszimulációs eszközökkel Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

21 SAS az adófeldolgozásban
VIR Társasági adó becslése A Monitorozó rendszer 1996-ban A korrigált becslési algoritmus 1997-ben Az eredmények és a hibák, a jó becslés feltételrendszere Központi bevallásfeldolgozás META Futtatórendszer Lekérdező Adat és alkalmazásvédelem Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

22 Többváltozós Statisztikai Modellezés Csicsman J
Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

23 Hogyan védjük meg alkalmazásainkat az illetéktelen használattól, a véletlen és a szándékos károkozástól Az adatvédelem és a jogosultságkezelés problémái Feladatok a fejlesztés időszakában A már kész alkalmazások jogosultságvédelme és követése Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

24 Vállalati Információs Rendszerek döntések támogatására
Technológia Munkatársak ADAT Üzleti célok Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés Üzleti információk

25 A vállalati információ- (tudás) kinyerés folyamata
Á C Ó Tranzakciós Minőség A D T O K Kockázat RDBMS Fogyasztó “Régi” Here is the view of the PROCESS... Adatkezelés Szervezés Kiaknázás Termék SAS Piac Külső Jövő Információ-tárház Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

26 Információ tárház (Data Warehouse)
“Témaorientált, integrált, nem változó, idővariáns adatoknak olyan szervezett gyűjteménye, amely a vezetés igényeit támogatja” (William H. Inmon definíciója) tárgyorientált integrált időtengelye van csak bővíteni lehet Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

27 A vállalati döntéshozók információ igénye
Aktuális, pontos és teljes információk Az üzleti változásokat figyelembe vevő adatok Új üzleti lehetőségekbe betekintés lehetősége a vállalati stratégiákhoz történő alakíthatóság A vállalati információs rendszerek piramis ábrája Tranzakciós rendszerek VIR Adatbányászati eszközök Statisztikai szoftverek Metainformációs rendszerek, Adattárházak Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

28 Vezetői Információs Rendszerek (VIR-MIS)
Követelmények vállalati szintű adatelérés és kezelés alkalmazások sokfélesége különböző felhasználói igények hardver független architektúra alkalmazás fejlesztés a hagyományos GUI rendszerektől a webes alkalmazásokig Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

29 CalcQ Mobil és a Dashboard Az ERP rendszerekben tárolt adatok elérése mobil eszközökkel
A vállalati ügyviteli rendszerek zártak A döntés előkészítés rugalmas támogatása a Calculus Q&A rendszerével Előre definiált lekérdezések elérése és adatmódosítási lehetőségek mobil eszközökön Az adat és alkalmazás védelem problémája a mobilos operációs rendszereken (adatvédelmi alkalmazás a felhasználók azonosítására és a használható funkcióira) Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

30 Pénzintézeti megoldások specialitásai
Hiányzó adatok pótlása Adattisztítási feladatok az elemzés előtt Alaprendszerekre épülő adattárház megoldások Felhasználó igényeit kiszolgáló adatpiacok Üzleti termékek eredményének előrejelzése A Credit Scoring elemzések és csalásfelderítés támogatása A stressz teszt vizsgálatok elkészítése (árfolyam-változás, munkanélküliség növekedés,…) Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

31 Adatelemzési alkalmazások a telefóniában
Ügyfélszegmentáció Ügyfélértékek kiszámítása Hiányzó demográfiai adatok pótlása statistical matchinggel Marketing felmérések adatainak korrigálása A lemorzsolódások elkerülésére kidolgozandó marketingstratégiák hatásának előrejelzése A csalók felderítésének támogatása Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

32 Adatelemzés és adattárház építés az egészségügyben Fizioszenzoros mintaalkalmazás
Viselhető szenzorok bluetooth kommunikációval Adatgyűjtő és továbbító egység (mobil) Központi feldolgozó, vezérlő szerver –háttérben adatbázis, megjelenítés terminálon HTTPS Vezeték nélküli kommunikáció TCP/IP Adatelemzést végző SAS szerver Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

33 Adatfeldolgozás DB/2 és SAS között
Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

34 Az eredmények prezentálása az orvosok számára
graph_emg.sas graph_intergralt_amplitudo.sas graph_atlag_amplitudo.sas graph_integralt_amp_egysegenkent.sas Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

35 A Big Data és a Hadoop technológiák
Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

36 Mi az a Big DATA ; Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

37 Mikor is Big a Data? Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

38 A nagy méretű adaok kezelésének problémái
Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

39 A világ digitalizált, mit tegyünk vele?
Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

40 A V-k a Big Data világából (a marketinges szemével)
Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

41 A technológia üzleti pozíciói
Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

42 A Big Data szoftver komponensei
Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

43 Kinek készülnek a Big Data alkalmazások?
Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

44 Big Data és a Data Sciense
Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

45 Mivel kezelhetőek a BD-k?
Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

46 Valós alkalmazás a dmlab-tól
Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

47 A Magyarországon is megvalósult BD projektek
A gazdálkodó szervek kiválasztása az adóellenőrzésre Biztosítási ajánlatok a roaming területre való belépéskor Hirdetési csalók felderítése Web használat elemzése az egér mozgásának elemzésével Sportanalitikai elemzések (mozgás, egészségügyi állapot,… Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

48 Big Data, Hadoop, Data Science összefoglalás
Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés

49 Köszönöm a figyelmet! Csicsman@calculus.hu
Többváltozós Statisztikai Modellezés Csicsman J.: Adattárházak-adatelemzés