Business Context
Une chaîne de distribution utilise un modèle Binomial Négatif complexe pour prédire les ventes quotidiennes et gérer les stocks. Pour la documentation technique annuelle, l'équipe Data Science doit extraire l'intégralité des statistiques du modèle (corrélations, covariances, itérations) et sauvegarder ces résultats dans des tables physiques pour archivage.
Data Preparation
Simulation de ventes pour 200 magasins avec variables promotionnelles et saisonnières (Volumétrie moyenne).
Copied!
| 1 | |
| 2 | DATA mycas.ventes_magasin; |
| 3 | call streaminit(999); |
| 4 | DO store_id=1 to 200; |
| 5 | DO jour=1 to 30; |
| 6 | promo_active = rand('Bernoulli', 0.3); |
| 7 | trafic_web = rand('Normal', 1000, 200); |
| 8 | mu = exp(2 + 0.5*promo_active + 0.001*trafic_web); |
| 9 | ventes = rand('NEGBIN', 0.5, 0.5*mu); |
| 10 | OUTPUT; |
| 11 | END; |
| 12 | END; |
| 13 | |
| 14 | RUN; |
| 15 |
Étapes de réalisation
1
Pré-requis : Création d'un modèle complexe (Binomial Négatif) stocké.
Copied!
| 1 | |
| 2 | PROC CAS; |
| 3 | countreg.countregFitModel / TABLE={name='ventes_magasin'}, model={depVars={{name='ventes'}}, effects={{vars={'promo_active', 'trafic_web'}}}, dist='NEGBIN'}, store={name='store_ventes_2025', replace=true}; |
| 4 | |
| 5 | RUN; |
| 6 |
2
Extraction complète de toutes les statistiques et sauvegarde dans des tables CAS.
Copied!
| 1 | |
| 2 | PROC CAS; |
| 3 | countreg.countregViewStore / TABLE={name='ventes_magasin'}, instore={name='store_ventes_2025'}, viewOptions={all=true}, outputTables={names={ParameterEstimates='parms_archive', Correlation='corr_archive'}}; |
| 4 | |
| 5 | RUN; |
| 6 |
Expected Result
L'action doit afficher tous les rapports disponibles (Fit Statistics, Correlations, etc.) et créer deux tables CAS 'parms_archive' et 'corr_archive' contenant les données brutes pour l'archivage.