Geschäftskontext
Ein Marketingteam möchte verstehen, warum einige Kundenprofile unvollständig sind (z. B. fehlendes Alter, Einkommen). Sie vermuten, dass diese Muster fehlender Daten mit der Reaktion des Kunden auf eine frühere Kampagne (Zielvariable 'hat_gekauft') korrelieren könnten. Dies wird ihnen helfen zu entscheiden, ob sie eine Datenvervollständigungskampagne durchführen oder zukünftige Marketingmaßnahmen anpassen sollen.
Über das Set : dataSciencePilot
Automatisiertes maschinelles Lernen (AutoML) und Pipeline-Generierung.
Entdecken Sie alle Aktionen von dataSciencePilot Datenaufbereitung
Erstellung einer Kundentabelle mit absichtlich fehlenden demografischen Informationen und einer Kaufverhaltens-Zielvariable.
Kopiert!
| 1 | DATA mycas.KUNDEN_PROFILE; |
| 2 | ATTRIB KundenID LENGTH=8 Alter LENGTH=8 Jahreseinkommen LENGTH=8 Region $10 hat_gekauft LENGTH=8; |
| 3 | INPUT KundenID Alter Jahreseinkommen Region $ hat_gekauft; |
| 4 | DATALINES; |
| 5 | 101 34 65000 Nord 1 |
| 6 | 102 . 82000 Sued 0 |
| 7 | 103 45 . Nord 1 |
| 8 | 104 28 54000 West 0 |
| 9 | 105 . . Ost 0 |
| 10 | 106 51 95000 Sued 1 |
| 11 | 107 39 . West 1 |
| 12 | 108 42 71000 Ost 0 |
| 13 | 109 . 88000 Nord 0 |
| 14 | 110 60 110000 . 1 |
| 15 | ; |
| 16 | RUN; |
Étapes de réalisation
1
Laden der Kundendaten in eine CAS-Tabelle (bereits im Data-Prep-Schritt erfolgt).
Kopiert!
| 1 | /* Daten bereits in mycas.KUNDEN_PROFILE geladen */ |
2
Ausführung der Analyse fehlender Muster mit 'hat_gekauft' als Zielvariable, um Korrelationen zwischen fehlenden Daten und dem Kaufverhalten zu identifizieren.
Kopiert!
| 1 | PROC CAS; |
| 2 | dataSciencePilot.analyzeMissingPatterns |
| 3 | TABLE={name='KUNDEN_PROFILE', caslib='mycas'}, |
| 4 | inputs={'Alter', 'Jahreseinkommen', 'Region'}, |
| 5 | target='hat_gekauft', |
| 6 | casOut={name='marketing_missing_patterns', caslib='mycas', replace=true}; |
| 7 | RUN; |
| 8 | QUIT; |
Erwartetes Ergebnis
Die Ausgabetabelle 'marketing_missing_patterns' soll die verschiedenen Muster fehlender Werte auflisten (z.B. 'nur Alter fehlt', 'Alter und Einkommen fehlen'). Für jedes Muster soll die Verteilung der Zielvariable 'hat_gekauft' angezeigt werden. Es wird erwartet, dass das Muster, bei dem sowohl Alter als auch Einkommen fehlen, eine signifikant niedrigere Kaufquote aufweist, was dem Marketingteam eine Grundlage für gezielte Datenanreicherungsinitiativen liefert.