Geschäftskontext
Ein Marketingteam eines Telekommunikationsunternehmens möchte Kundengruppen basierend auf Anrufdaten segmentieren. Sie benötigen sowohl grobe Segmente für landesweite Kampagnen als auch sehr feine Nischensegmente für lokale Angebote. Wir testen die `resolutionList`-Option, um mehrere Granularitätsstufen in einem einzigen Durchlauf zu berechnen.
Datenaufbereitung
Simulation eines größeren Netzwerks mit 1000 Verbindungen durch Datengenerierung.
Kopiert!
| 1 | DATA mycas.anruf_daten; |
| 2 | call streaminit(123); |
| 3 | DO i = 1 to 1000; |
| 4 | from_id = rand("Integer", 1, 100); |
| 5 | to_id = rand("Integer", 1, 100); |
| 6 | IF from_id ne to_id THEN OUTPUT; |
| 7 | END; |
| 8 | RUN; |
Étapes de réalisation
1
Ausführung der Community-Erkennung mit verschiedenen Auflösungen (Resolution 0.5 für grob, 1.0 für standard, 2.0 für fein).
Kopiert!
| 1 | PROC CAS; |
| 2 | ACTION network.community RESULT=r / |
| 3 | links={name="anruf_daten", from="from_id", to="to_id"} |
| 4 | resolutionList={0.5, 1.0, 2.0} |
| 5 | outLevel={name="segment_level", replace=true} |
| 6 | outNodes={name="kunden_segmente", replace=true}; |
| 7 | RUN; |
2
Überprüfung der unterschiedlichen Community-Strukturen in der outLevel-Tabelle.
Kopiert!
| 1 | fetch / TABLE={name="segment_level"}; |
| 2 | |
| 3 | RUN; |
| 4 | QUIT; |
| 5 |
Erwartetes Ergebnis
Die Ergebnistabelle `segment_level` enthält Einträge für jede Auflösung (Resolution). Bei 0.5 sollten weniger, aber größere Gemeinschaften gefunden werden. Bei 2.0 sollten viele kleine, eng verbundene Gruppen (Nischen) identifiziert werden.