IBM SPSS Modeler en su versión 18.2 presenta una renovada interfaz gráfica y con mayor integración con algoritmos de código abierto como Python y Spark, que antes se ejecutaban desde una fuente externa.
Entre las novedades también se destacan:
- Nueva vista de datos: con un clic en un nodo de origen de datos se pueden examinar y refinar los datos con visualizaciones avanzadas, entre estas la pestaña de gráficos, pre-visualización, auditoría de datos y dashboard que permite múltiples visualizaciones en una única vista.
- IBM Data Warehouse: el modelado de bases de datos con IBM Netezza Analytics ahora soporta IBM Data Warehouse. Al ejecutar uno de los nodos de Netezza disponibles, el modelo resultante puede ser escrito en IBM DB2 Data Warehouse facilitando la implementación.
- Nuevos nodos de modelado: Nodo de mezcla gaussiana, Nodos de estimación de densidad de puntos (KDE), modelado y simulación, Nodo de agrupación en clúster espacial basada en densidad jerárquica (HDBSCAN). Los nuevos modelos se encuentran en la pestaña Python y la pestaña Modelado.
- Nodos JSON disponibles para importar y exportar datos en este formato.
- Compatibilidad entre las rutas diseñadas entre Modeler 18.1 y 18.2, hacia atrás y hacia adelante, lo cual facilita las tareas de mantenimiento de los proyectos.
- Mejoras de IBM SPSS Modeler Text Analytics:
- En esta versión se pueden importar proyectos de IBM SPSS Text Analytics for Surveys cuando se elige una plantilla de recursos, de la misma forma en que se importan recursos de paquetes de análisis de texto, y se puede seleccionar un .tap o un .tas (nuevo) para incluir también categorías en el nuevo nodo.
- Marcas disponibles para los documentos: “completo” e “importante”, lo cual es útil para revisar un modelo de categorías.
- Mejoras en la extracción de conceptos con mayor similitud a los resultados obtenidos con IBM SPSS Text Analytics for Surveys, y modificaciones en el tratamiento de los registros vacíos, ya que ahora serán considerados parte del texto.
- Reglas de reasignación de tipo (TRR), útiles para analizar opiniones que al mismo tiempo hacen referencia a términos positivos y negativos, por ejemplo: “no está mal”. Trabajan el tratamiento de conceptos transformando una secuencia de tipos, macros y elementos en un nuevo concepto con un tipo específico.