SAS

In a previous article, I implemented an algorithm due to Niels Waller (TAS, 2020) that uses the method of alternating projections (MAP) to generate random correlation matrices that have a specified set of eigenvalues. The algorithm is iterative, and the MAP method is not guaranteed to converge, although Waller claims that the method worked well in a simulation study.

AWS 기반 SAS Viya로 모델 모니터링 자동화…보고 시간 단축과 모델 거버넌스 강화 아프리카 최대 금융기관 중 하나인 Absa 은행은 500개 이상의 신용 리스크 모델을 운영하고 있었습니다. 이 과정에서 모델 모니터링과 보고에 최대 4주가 소요되는 문제를 해결하고자 했습니다. 높아지는 고객 기대와 규제 요구에 대응하기 위해 은행은 데이터 및 AI 부문 글로벌 리더인 SAS와 협력해 신용 리스크 관리 인프라를 현대화했고, 그 결과 보다 빠르고 투명하며 신뢰할 수 있는 신용 의사결정 기반을 마련했습니다. SAS의 데이터 및 AI 플랫폼인 SAS® Viya®를 기반으로 Amazon Web Services(AWS)에서 구동되는 이 신용 리스크 관리 시스템은 모델 모니터링 보고에 걸리는 시간을 최대 4주에서 수 시간으로 줄여 전체 보고 시간을 80~90% 단축했습니다. 또한 신규 모델 적용 기간도 기존 대비 50% 단축했습니다.

A clinical reviewer is not a data entry specialist. Yet in many payer organizations today, that’s effectively what they’ve become. Highly trained nurses and clinicians spend hours navigating fragmented medical records: scrolling through PDFs, interpreting handwritten notes and cross-referencing guidelines; not because the work requires their expertise, but because the information they need isn’t readily accessible. The real challenge isn’t clinical complexity. It’s operational friction.

세계적인 브랜드 Macy's는 정교하게 설계된 데이터 기반의 마케팅 의사결정을 통해 개인 맞춤화 형태의 유효한 고객 경험을 창출하는 데 집중하고 있습니다. 이 글은 SAS Thought Leadership, Editorial 및 Content 팀의 Amy Dyson의 글을 번역한 것입니다. (영문 링크) Macy’s는 '고객 중심(Customer Obsession)' 전략을 기반으로 고객 충성도와 지속 가능한 성장을 추진하는 기업입니다. 마케팅 분석과 AI는 성공적인 마케팅 의사결정 여정의 토대가 되며, 이는 책임감 있고 신뢰할 수 있는 데이터 및 AI 활용이 뒷받침되었을 때 가능합니다. 본격적인 전환의 출발점이 된 고객 중심 전략 Macy's가 거둔 성공의 핵심에는 고객 중심과 관련한 확고한 의지가 있습니다. Macy’s는 고객의 일상 속에 자연스럽게 스며드는 브랜드가 되기를 지향합니다. 이러한 철학은 'Macy's 추수감사절 퍼레이드'에 아름답게 녹아있습니다.

How much work can an agent complete on its own? How many decisions can it make? How far can organizations remove people from the process? Those questions make sense, but they can also obscure where businesses are finding value today. Across marketing, health care, financial services and retail, speakers at SAS Innovate described a more practical division of labor. AI agents handle structured execution, repetitive analysis and time-consuming workflow steps.

O SAS estará presente no Febraban Tech, um dos mais importantes eventos de tecnologia, inovação e negócios da América Latina. Neste ano, o evento acontece nos dias 24, 25 e 26 de agosto, no Distrito Anhembi, reunindo líderes, especialistas e empresas para discutir como dados, analytics e inteligência artificial estão transformando o futuro dos serviços financeiros.

I've been working on a project that uses quasi-Monte Carlo (QMC) techniques to estimate probabilities for multivariate normal (MVN) distributions on finite or infinite rectangular regions. The goal is to enable SAS users to compute these probabilities accurately and efficiently. My implementation is based on a numerical technique called the Genz transformation (A. Genz, 1992; Genz and Bretz, 2009, pp. 49-50).

If your work environment is like ours here at SAS, you're seeing more of your data and applications move to the cloud. It's not yet a complete replacement for having local files on your desktop machine, but with cloud storage and apps -- like Microsoft OneDrive -- I can now access my work documents from any browser and any device, including my smartphone. I can now update my spreadsheets while waiting in the dentist office. Oh joy.

Across industries, organizations continue to invest heavily in data and AI, yet many initiatives never move beyond pilot projects. The challenge isn't creating better models. It's maintaining the infrastructure that surrounds them. Data pipelines, governance, business rules and user interfaces are deeply interconnected. A change to one layer often requires teams to revisit everything else, slowing deployment and increasing operational complexity.

Python developers have more options than ever for working with SAS® Viya®. Whether you prefer VS Code, JupyterLab, notebooks or another workflow, there's no single "right" way to build. The best approach depends on how you work, your team's requirements and the problems you're trying to solve. During my SAS Innovate 2026 session, I shared six different ways to run Python in SAS Viya.