一應俱全的資料分析解決方案
Pyramid Analytics 致力於提供資料視覺化解決方案。 它們的主要產品－Pyramid 見解和降低進階資料分析所需的門檻。
透過 Pyramid Analytics 直觀且易於使用的介面，企業可以快速建立交互式資料視覺化報告表，將複雜的資料轉化為易於理解和傳達的圖表。Pyramid 的視覺化工具讓企業更有效地探索資料、發現趨勢，並做出資料導向的決策。
Pyramid Analytics 解決方案透過幫助企業妥善運用資料資產（Data Asset），讓它們制定更合理的營運策略和實現更明智的決策。
Pyramid 的一站式資料分析平台，同時包含資料整合、資料預處理、資料分析和資料視覺化等功能，因此企業只需 pyramid Analytics 就能全面分析所有來源的資料，並透過直觀的視覺化介面和 AI 整合技術幫助企業成為資料導向的組織。
FEATURE
No Code 促進資料分析大眾化
FEATURE
利用 AI 和機器學習更快決策
FEATURE
支援介接異質資料
FEATURE
功能完整的一站式平台
FEATURE
彈性的平台部署方案
探索 Pyramid
Pyramid analytics 成功案例
快來看看哪些企業利用 Pyramid 獲得成功，您也可以！
為什麼你需要 Pyramid Analytics
資料預處理模組降低分析門檻
Pyramid Analytics 的無程式碼（no code）點擊式資料預處理介面讓使用者無需將將資料從資料源取出，就能對其進行預處理。這種直觀的介面降低了資料清理、轉換和整合的難度。
此外，Pyramid Analytics 也導入了抽象化語意資料模型（Virtual Semantic Models），讓使用者能創建自定義的邏輯、運算式或結構，以滿足特定的分析需求。
總而言之，Pyramid Analytics 的點擊式資料預處理介面和抽象化語意資料模型提供更直覺的方式來處理資料、建構函式和資料階層。幫助使用者更快速且有效地處理資料和分析，同時降低串接異質資料源時的複雜性。
內建 AI 和機器學習促進精準決策
Pyramid Analytics 支援廣泛用於機器學習和資料科學領域的 Python 和 R 語言。Pyramid 的內建 AI 模型提供資料整理、訓練和測試功能，讓使用者能有效進行資料分析。而它的機器學習模組則被用於發現趨勢，建立預測模型，理解集群分析。
Pyramid 的內建模型提供了一系列強大的功能和演算法，幫助使用者將客觀的描述式資料轉變為由 AI 驅動的可操作見解。
Pyramid 查詢引擎 PYRANA 提升查詢效能
Pyramid 查詢引擎 PYRANA 提升查詢效能
使用者能將多種資料源輕鬆串接再一起，包括關聯式資料庫、OLAP、資料湖泊以及任何格式的檔案，並透過 PYRANA 這個內建搜尋引擎提供極快的查詢效能。
Pyrana 讓使用者在建立由簡單到複雜的查詢時，不會丟失資料源定義的邏輯和規則。因此使用者可以安心地在 Pyramid Analytics 上進行資料分析和查詢，同時保留原始資料的完整性和可靠性
Pyramid Analytics 的 4 大應用領域
一、資料預處理（Data Prep）
Pyramid Analytics 無縫整合資料預處理功能，因此使用者能讓 Pyramid 解決方案與他現成的資料堆疊（Data Stack）相互協作。將提取出的資料內嵌至核心工作流程，再透過 Pyramid 的資料視覺化功能，使用者可以將異質資料製作成單一視覺化報表，並從中發掘商業見解。另外，Pyramid 提供資料血緣（Data Lineage），確保使用者了解資料來源以及資料是否遭受任何異動。
1.通用語意層（Universal Semantic Layer）
Pyramid Analytics 的通用語意層（universal Semantic Layer）是一種能夠管理和定義資料庫結構的虛擬資料層。使用者能夠在通用語意層中將資料庫表格、欄位和層級轉化爲語意模型，以此了解資料原貌和資料間的相互關係。
虛擬語意層（Virtual Semantic Model）作為一種輕量化資料層，能夠與任何資料源對接，使用者無需將資料載入或複製到 Pyramid 的底層引擎中，只需將資料結構（Schema）導入虛擬語意層，就能執行進階功能，例如：合併（Join）、層次結構（Hierarchy）、累加和半累加度量值（Additive And Semi-Additive Measure）。
2.靈活的連接性、整合和可擴充
利用 Pyramid Analytics 的商業智能整合解決方案，使用者能夠從資料源抓取資料，並將其內嵌至核心工作流程中。Pyramid 的 BI 解決方案會在資料分析前先將其淨化（Data Cleaning），確保資料的品質與準確性，再透過一站式 ETL 元件，讓使用者在 Pyramid 平台上將資料進行處理（Manipulate）、轉換，再將其製做成單一視覺化報表。透過 pyramid 的解決方案，使用者能發掘未曾注意的高價值商業見解。
Pyramid 具有介接眾多熱門資料源的功能，例如： Redshift、Snowflake、Microsoft、Databricks、Oracle、SAP 等等。對於這些資料源，Pyramid Analytics 均提供了相應的整合方案。
二、商業分析
只依靠自助服務與視覺化介面無法幫助使用者做出有效決策，Pyramid 透過現代化、無程式碼、直觀的 UI 介面以及智慧化分析協助使用者發掘深層資料見解。在這個「資料導向」時代，Pyramid Analytics 結合的各項 AI 技術，有助於將進階統計分析「大眾化」。
1.AI 促進明智決策
利用 Pyramid Analytics 的導引精靈和直覺式分析介面，使用者無需撰寫程式也能進行複雜的統計分析，還能將其重複使用。
Pyramid Analytics 的 Smart Discover 透過機器學習和 AI 技術自動分析使用者的資料。Smart Discover 是一種 AI 工具，利用啟發式演算法和增強引擎（Augmentation Engine）幫助非技術人員建立分析內容，從而發現藏於細節的見解。
Pyramid Analytics 的 Smart Discover 功能，例如「解釋」和「解釋差異」，能幫助使用者利用 ML 模型剖析分析結果。另外，使用者也能透過問答方式與 Pyramid NLQ 聊天機器人進行互動式分析。
2.NLQ 聊天機器人顛覆資料分析
NLQ 機器人以直觀、靈活的方式建立報表和探索資料，因此不使用傳統分析和商業智能操作（BI Action）也能將資料視覺化。操作 NLQ 機器人的方式十分直觀，只需在聊天界面上輸入簡單的句子描述需求，NLQ 機器人就會根據提問，自動產出相應的資料視覺化報表和查詢指令，另外，它也會透針對使用者的提問，給出 AI 生成的建議。
另外，使用者能透過機器學習模型中的「Prompt」提示，寫出合適的查詢指令。因此他們無需了解資料底層結構和層級，也能在與機器人互動的過程中獲得見解。
3.商業決策建模
Pyramid 的 Tabulate 利用查詢組合（query mashup）、多重查詢視覺化（multi-query visualization）和靈活的格式設定，讓使用者能夠利用即時資料建模。另外，使用者還能透過他們熟悉的試算表公式，建立來自不同資料源的混合式商業模型。
透過 Tabulate 的 Solve 外掛，使用者能在試算表上建立最佳化模型和決策模型，從而進行假設分析（What If Analysis）和模擬（simulation）。另外，使用者還能將 Tabulate 產出的小元件（Snippet）、視覺化結果和 Solve 優化的統計結果嵌入故事版（Storyboard）和出版（Publication）。
三、資料科學
資料科學家、分析師和無技術背景的使用者能在同一個平台上協作、建構和部署機器學習模型。任何人都能在 Pyramid Analytics 上建立、訓練和部署機器學習模型，發掘資料集的資料模式（Data Pattern）、進行異常檢測、預測和優化。商務使用者可以在直觀的拖放界面中應用模型，使用導引式建模功能，而專業的資料科學家則可以使用程式語言，如 Python 或 R，建立自定義模型。
1.資料視覺化導入工作流程
2.資料探索、處理和轉換
一般來說，資料科學家需花費 80 % 的時間整合、形塑和清洗資料（Data Cleansing）， Pyramid 的拖曳建模工具能與 AI 工具相互整合，以執行上述繁瑣的例行公事，從而縮短開發模型時程。
使用者可以透過 Pyramid 的視覺化和統計功能，將輸入的資料進行探索式分析（Exploratory Data Analysis），藉此發掘資料集的特徵。另外，使用者還能透過整合過的 Chat GPT，將自然語言轉換成 SQL、DAX 和 MDX 程式碼。
3.Marketplace 降低資料分析門檻
商務使用者能在直觀的拖曳介面上使用 Pyramid Analytics 的內建演算法，並在無需編寫程式碼的情況下，建立功能強大的預測模型。
Marketplace 是 Pyramid 平台上的資源庫，這裡提供使用者各式各樣的資源，如：資料預處理工具、機器學習模型、視覺化模板等，使用者能根據自身需求下載或複製相應的檔案或腳本。
Marketpalce 上的資源是由 Pyramid 社群和合作夥伴共同開發，它們旨在提供更多的功能和解決方案。
4.深度整合 Python 和 R 語言
Pyramid Analytics 著重將 Python 和 R 語言整合至它們的架構中，這讓資料科學家能夠輕鬆地訓練模型並將其部署至正式環境。這種整合讓使用 Python 和 R的資料科學家能夠在 Pyramid 上進行端到端的開發和部署。
5.特徵工程（Feature Engineering）
Pyramid Analytics 的特徵工程（Feature Engineering）能幫助資料科學家和商務分析師透過轉換原始資料或利用數學函式創建新的資料特徵，並透過第三方平台（如： DataBrick）的 API 存取資料特徵，為原始資料建立適用於機器學習的資料特徵。另外，使用者還能透過 Rest API 在 Pyramid 平台上將資料與團隊共享。
6.模型部署和監控
在 Pyramid 上建立的模型及其所需的資料流（Data Pipeline）能被直接儲存、排程和執行。使用者能透過監測 pyramid Analytics上模型預測結果 ，以獲得模型的效能資訊。另外，Pyramid Analytics支援告警功能，因此，使用者就能在系統效能出現異常時即時響應。
7.建立、訓練及應用模型
使用者可以用 Learn、Predict 和 Regular 腳本建立和訓練模型，簡單來說，他們可以透過不同的腳本執行在 learn 和 predict 的操作。透過運行 learn 函數，使用者能將訓練資料輸入模型中，並獲得一個機器學習模型。
使用者只需要透過點擊就能使用廣大的 ML 函式資源庫，包括 Weka、MLIB、TensorFlow 和用於深度機器學的 DL4J 。而 Pyramid 的內建腳本也能用於建立和訓練模型，讓使用者有多元的方式訓練模型，以實現更快的結果和準確性，而被建立的模型也能儲存和重複利用，只需將儲存的模型連接到新資料流，就能對其進行測試和評分（Scoring） 。
四、增強分析
Pyramid Analytics 在增強分析領域中領先全球，並在 Gartner 2023 關鍵能力報告中的增強消費者使用案例中拔得頭籌。Pyramid Analytics 採用的 AI 和機器學習技術能將資料分析自動化，並透過 AI 找出可操作的見解來協助企業保持競爭優勢。Pyramid Analytics 整合最先進的 AI 、機器學習和自然語言查詢（NLP），大規模地將資料科學自動化並在極短的時間內幫助使用者發掘重要資料。
1.AI 驅動做出明智決策
pyramid 的 AI 驅動技術幫助使用者更精準和更有自信地推動決策。Pyramid 的自動探索和智慧化見解，讓使用者無需繁瑣的步驟就能深入了解自己資料背後的「故事」。
Pyramid 的 AI/ML 演算法更能在幾秒內揭開資料間的關聯性（Correlation）、共同特徵（Commonality）以及異常值（Anomaly），並同時執行帕拉托（Pareto）、類別資料和趨勢分析。
2.無縫 OpenAI 整合
Pyramid 利用整合 AI 技術讓資料分析和視覺化變得更智能和高效，透過結合 ChatGPT ，Pyramid 的語言模型能夠自動生成 SQL、DAX 和 MDX 指令以及由 Python 和 R 語言寫成的機器學習邏輯。
使用者能透過 Pyramid 的自然語言處理（NLP）建立用於商務建模的試算表公式、產生內容與圖像、自動化講述資料故事和文字分析。
