Geschäftskontext
Ein Online-Einzelhändler möchte Kaufmuster identifizieren, um Produktempfehlungen zu verbessern. Das Ziel ist es, häufige Abfolgen von Produktkäufen (z. B. 'Schuhe' gefolgt von 'Socken') zu finden, die bei mindestens 40% der Kunden auftreten.
Datenaufbereitung
Erstellung einer Transaktionstabelle mit Kunden-IDs, Kaufzeitpunkten (Tagen) und Produktkategorien.
Kopiert!
| 1 | DATA casuser.retail_trans; INPUT cust_id day product $; DATALINES; |
| 2 | 1 10 Schuhe |
| 3 | 1 12 Socken |
| 4 | 1 15 Pflege |
| 5 | 2 5 Schuhe |
| 6 | 2 8 Socken |
| 7 | 3 10 Hose |
| 8 | 3 12 Guertel |
| 9 | 3 15 Schuhe |
| 10 | 4 2 Schuhe |
| 11 | 4 5 Socken |
| 12 | 5 1 Hose |
| 13 | 5 3 Schuhe |
| 14 | ; RUN; |
Étapes de réalisation
1
Laden der Daten und Überprüfung der Struktur.
Kopiert!
| 1 | |
| 2 | PROC CAS; |
| 3 | TABLE.tableInfo / TABLE="retail_trans"; |
| 4 | |
| 5 | RUN; |
| 6 |
2
Ausführung des cSpade-Algorithmus mit einem minimalen Support von 0.4 (40%).
Kopiert!
| 1 | |
| 2 | PROC CAS; |
| 3 | sequence.cspade / TABLE={name="retail_trans"} sequenceId="cust_id" eventId="day" itemId="product" support=0.4 casout={name="retail_patterns", replace=true}; |
| 4 | |
| 5 | RUN; |
| 6 |
Erwartetes Ergebnis
Die Ausgabetabelle 'retail_patterns' sollte Sequenzen wie 'Schuhe -> Socken' enthalten, da diese Kombination bei Kunde 1, 2 und 4 (3 von 5 = 60%) auftritt, was über dem Schwellenwert von 40% liegt.