Contexto empresarial
Una empresa minorista desea predecir qué clientes tienen más probabilidades de responder a una nueva campaña de marketing. El objetivo es optimizar el gasto publicitario dirigiéndose solo al público más receptivo, utilizando un modelo BART Probit para capturar interacciones complejas entre las características del cliente.
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 datos demográficos (edad, ingresos), comportamiento de compra (compras_previas) y una variable categórica (region). La variable objetivo 'respuesta_campana' (1 para sí, 0 para no) indica si el cliente respondió a una campaña anterior.
¡Copiado!
| 1 | DATA casuser.clientes_marketing(caslib='casuser'); |
| 2 | call streaminit(42); |
| 3 | array regions[4] $ E N S O; |
| 4 | DO i = 1 to 5000; |
| 5 | edad = 20 + floor(rand('UNIFORM') * 50); |
| 6 | ingresos = 30000 + floor(rand('UNIFORM') * 70000); |
| 7 | compras_previas = floor(rand('UNIFORM') * 20); |
| 8 | region = regions[ceil(rand('UNIFORM')*4)]; |
| 9 | log_odds = -2 + (edad / 20) - (ingresos / 50000) + (compras_previas * 0.1) + (region='S')*0.5; |
| 10 | prob = 1 / (1 + exp(-log_odds)); |
| 11 | respuesta_campana = rand('BERNOULLI', prob); |
| 12 | OUTPUT; |
| 13 | END; |
| 14 | RUN; |
Étapes de réalisation
1
Cargar la tabla 'clientes_marketing' en la sesión CAS activa.
¡Copiado!
| 1 | |
| 2 | PROC CASUTIL; |
| 3 | load |
| 4 | DATA=casuser.clientes_marketing casout='clientes_marketing' replace; |
| 5 | QUIT; |
| 6 |
2
Ejecutar la acción bart.bartProbit para entrenar el modelo de propensión. Se especifican las variables de clase y se guarda el modelo para su uso futuro en una tabla llamada 'modelo_propension'.
¡Copiado!
| 1 | PROC CAS; |
| 2 | ACTION bart.bartProbit / |
| 3 | TABLE={name='clientes_marketing'}, |
| 4 | target='respuesta_campana', |
| 5 | inputs={'edad', 'ingresos', 'compras_previas'}, |
| 6 | class={'region'}, |
| 7 | nTree=50, |
| 8 | nBI=200, |
| 9 | nMC=1000, |
| 10 | seed=123, |
| 11 | store={name='modelo_propension', replace=true}; |
| 12 | RUN; |
Resultado esperado
El modelo se entrena con éxito y se crea una tabla CAS llamada 'modelo_propension'. Los resultados del modelo, como la tabla de importancia de variables, deben indicar que 'compras_previas' y 'edad' son predictores importantes. La tabla del modelo almacenado está lista para ser utilizada por la acción `bart.bartScore` para puntuar nuevos clientes.