Geschäftskontext
Ein Logistikunternehmen analysiert die Abhängigkeiten zwischen Lieferverzögerungen verschiedener Zulieferer. Das Data-Science-Team benötigt spezifische Korrelationsmatrizen und Parameterschätzungen aus einem bestehenden Modell, um diese in ein externes Dashboard zu exportieren. Hierfür müssen die Ergebnisse explizit als CAS-Tabellen gespeichert werden.
Datenaufbereitung
Erstellung von simulierten Lieferzeitdaten für Zulieferer A und B und Speicherung des Modells.
Kopiert!
| 1 | |
| 2 | DATA casuser.supply_chain; |
| 3 | DO i = 1 to 500; |
| 4 | id = i; |
| 5 | delay_A = rand('Exponential', 2); |
| 6 | delay_B = delay_A * 0.8 + rand('Normal', 0, 1); |
| 7 | IF delay_B < 0 THEN delay_B = 0; |
| 8 | OUTPUT; |
| 9 | END; |
| 10 | |
| 11 | RUN; |
| 12 | |
| 13 | PROC CAS; |
| 14 | copula.copulaFit / TABLE={name='supply_chain', caslib='casuser'} var={'delay_A', 'delay_B'} copulaType='clayton' store={name='logisticsStore', caslib='casuser'}; |
| 15 | |
| 16 | QUIT; |
| 17 |
Étapes de réalisation
1
Laden des Stores mit spezifischen Anzeigeoptionen für Korrelationen und Endschätzungen sowie Speichern dieser Ergebnisse als CAS-Tabellen.
Kopiert!
| 1 | |
| 2 | PROC CAS; |
| 3 | copula.copulaViewStore / instore={name='logisticsStore', caslib='casuser'} viewOptions={correlations=true, finalEstimates=true, fitModelSummary=false} outputTables={names={correlations='corr_export', finalEstimates='est_export'}}; |
| 4 | |
| 5 | RUN; |
| 6 | |
| 7 | QUIT; |
| 8 |
2
Überprüfung, ob die Ausgabetabellen existieren (optionaler Schritt zur Validierung).
Kopiert!
| 1 | |
| 2 | PROC CAS; |
| 3 | TABLE.tableInfo / caslib='casuser' wild='*_export'; |
| 4 | |
| 5 | RUN; |
| 6 | |
| 7 | QUIT; |
| 8 |
Erwartetes Ergebnis
Die Aktion zeigt nur die Korrelationsmatrix und die Parameterschätzungen an. Zusätzlich werden zwei neue Tabellen ('corr_export' und 'est_export') in der Caslib 'casuser' erstellt, die diese Daten enthalten.