Geschäftskontext
Ein Einzelhandelsunternehmen möchte die Wahrscheinlichkeit vorhersagen, mit der Kunden auf eine neue Werbeaktion reagieren. Ziel ist es, ein BART-Probit-Modell zu erstellen, um die vielversprechendsten Kundensegmente zu identifizieren und das Marketingbudget effizienter einzusetzen. Das Modell basiert auf demografischen Daten und dem bisherigen Kaufverhalten.
Datenaufbereitung
Erstellung einer simulierten Kundentabelle mit demografischen Daten, Kaufhistorie und einer binären Zielvariable 'hat_reagiert'.
Kopiert!
| 1 | DATA kunden_reaktion; |
| 2 | call streaminit(456); |
| 3 | DO kunde_id = 1 to 2000; |
| 4 | alter = 20 + floor(rand('UNIFORM') * 50); |
| 5 | einkommen = 30000 + floor(rand('UNIFORM') * 70000); |
| 6 | letzter_kauf_monate = floor(rand('UNIFORM') * 24); |
| 7 | IF rand('UNIFORM') < 0.7 THEN geschlecht = 'M'; ELSE geschlecht = 'W'; |
| 8 | p = 1 / (1 + exp(-( -2 + 0.05*alter - 0.00001*einkommen - 0.1*letzter_kauf_monate ))); |
| 9 | hat_reagiert = rand('BERNOULLI', p); |
| 10 | OUTPUT; |
| 11 | END; |
| 12 | RUN; |
Étapes de réalisation
1
Laden der Kundendaten in eine CAS-Tabelle.
Kopiert!
| 1 | |
| 2 | PROC CASUTIL; |
| 3 | load |
| 4 | DATA=kunden_reaktion casout='kunden_reaktion_cas' replace; |
| 5 | RUN; |
| 6 |
2
Ausführung der bart.bartProbit-Aktion mit Standardparametern, Definition von kategorialen Variablen und Speicherung des Modells.
Kopiert!
| 1 | PROC CAS; |
| 2 | bart.bartProbit / |
| 3 | TABLE='kunden_reaktion_cas', |
| 4 | class={'geschlecht'}, |
| 5 | model={depVars={{name='hat_reagiert'}}, effects={{vars={'alter', 'einkommen', 'letzter_kauf_monate', 'geschlecht'}}}}, |
| 6 | seed=123, |
| 7 | store={name='bart_marketing_modell', replace=true}, |
| 8 | OUTPUT={casOut={name='marketing_vorhersagen', replace=true}, copyVars={'kunde_id', 'hat_reagiert'}}; |
| 9 | RUN; |
Erwartetes Ergebnis
Die Aktion schließt erfolgreich ab. Ein Item-Store mit dem Namen 'bart_marketing_modell' wird im aktiven Caslib erstellt. Eine Ausgabetabelle 'marketing_vorhersagen' wird ebenfalls erstellt, die die ursprünglichen IDs, die tatsächliche Reaktion und die vorhergesagten Wahrscheinlichkeiten für jeden Kunden enthält. Die Posterior-Zusammenfassungen in den Ergebnissen zeigen die Bedeutung der einzelnen Variablen.