Análisis de Impacto de Campaña de Marketing

Contexto empresarial

Una empresa minorista desea cuantificar el impacto marginal en el gasto promedio del cliente al variar dos palancas de marketing: el porcentaje de descuento ofrecido y la inversión en campañas de correo electrónico. El objetivo es tomar decisiones basadas en datos sobre qué estrategia genera un mayor aumento en los ingresos.

Sobre el conjunto : bart

Modelos de árboles de regresión aditiva bayesiana.

Descubrir todas las acciones de bart

Preparación de datos

Crea una tabla de clientes con su gasto, la inversión en marketing por correo electrónico que recibieron, el descuento que se les aplicó y su edad. Estos datos simulan una base de clientes diversa para entrenar un modelo predictivo de gastos.

¡Copiado!

1	DATA mycas.clientes_gasto;
2	call streaminit(123);
3	DO id_cliente = 1 to 2000;
4	edad_cliente = 20 + floor(rand('UNIFORM') * 50);
5	inversion_email = rand('UNIFORM') * 10;
6	descuento_pct = rand('UNIFORM') * 15;
7	gasto_cliente = 50 + (inversion_email * 2.5) + (descuento_pct * 3.1) + (edad_cliente * 0.5) + rand('NORMAL', 0, 25);
8	OUTPUT;
9	END;
10	RUN;

Étapes de réalisation

Entrenamiento del modelo BART para predecir el gasto del cliente en función de la edad, la inversión en correo electrónico y el descuento. El modelo se guarda en la tabla 'modelo_gasto_cliente'.

¡Copiado!

1	PROC CAS;
2	LOADACTIONSET 'bart';
3	bart.bartGauss RESULT=res /
4	TABLE={name='clientes_gasto'},
5	inputs={{name='edad_cliente'}, {name='inversion_email'}, {name='descuento_pct'}},
6	target='gasto_cliente',
7	saveState={name='modelo_gasto_cliente', replace=true};
8	RUN;

Cálculo de tres márgenes predictivos: un escenario base, un escenario con un aumento del descuento al 20%, y un escenario con una inversión en email de 12. Se calculan las diferencias entre los escenarios de marketing y el escenario base.

¡Copiado!

1	PROC CAS;
2	bart.bartScoreMargin /
3	TABLE={name='clientes_gasto'},
4	model={name='modelo_gasto_cliente'},
5	margins={{name='base', at={{var='descuento_pct', value=5}, {var='inversion_email', value=5}}},
6	{name='escenario_descuento', at={{var='descuento_pct', value=20}, {var='inversion_email', value=5}}},
7	{name='escenario_email', at={{var='descuento_pct', value=5}, {var='inversion_email', value=12}}}},
8	differences={{name='dif_descuento', evtMargin='escenario_descuento', refMargin='base'},
9	{name='dif_email', evtMargin='escenario_email', refMargin='base'}},
10	casOut={name='impacto_marketing_out', replace=true};
11	RUN;
12	QUIT;

Resultado esperado

Se espera una tabla CAS de salida 'impacto_marketing_out' que contenga 5 filas: una para cada uno de los tres escenarios ('base', 'escenario_descuento', 'escenario_email') y una para cada una de las dos diferencias ('dif_descuento', 'dif_email'). Cada fila debe mostrar la media predictiva del gasto del cliente, la desviación estándar y los límites de credibilidad. Se espera que 'dif_descuento' y 'dif_email' muestren un valor medio positivo, indicando un aumento en el gasto.

Voir la documentation technique de bartScoreMargin