Contexto empresarial
Un banco desea analizar el impacto de dos canales de comunicación (Email vs SMS) en la tasa de conversión de clientes para un nuevo producto. Dado el gran volumen de datos y la simplicidad requerida, se utiliza el método IPW. Se requiere un nivel de significancia estricto (alpha=0.01) para asegurar que las diferencias observadas no sean por azar.
Sobre el conjunto : causalanalysis
Análisis de inferencia causal y estimación de efectos.
Descubrir todas las acciones de causalanalysis Preparación de datos
Generación de un dataset volumétrico (10,000 clientes) con una variable de resultado binaria (Conversión: 0 o 1) y probabilidades de tratamiento.
¡Copiado!
| 1 | |
| 2 | DATA mycas.marketing_campaign; |
| 3 | call streaminit(12345); |
| 4 | DO client_id = 1 to 10000; |
| 5 | segment = rand('INTEGER', 1, 5); |
| 6 | prob_sms = 0.3 + (0.1 * segment); |
| 7 | IF prob_sms > 0.9 THEN prob_sms = 0.9; |
| 8 | IF rand('UNIFORM') < prob_sms THEN channel = 'SMS'; |
| 9 | ELSE channel = 'Email'; |
| 10 | /* Resultado binario: 1 = Compra, 0 = No Compra */ IF channel = 'SMS' THEN conversion_prob = 0.15; |
| 11 | ELSE conversion_prob = 0.10; |
| 12 | IF rand('UNIFORM') < conversion_prob THEN converted = 1; |
| 13 | ELSE converted = 0; |
| 14 | OUTPUT; |
| 15 | END; |
| 16 | |
| 17 | RUN; |
| 18 |
Étapes de réalisation
1
Análisis de efecto causal con IPW para resultado binario y alpha modificado.
¡Copiado!
| 1 | |
| 2 | PROC CAS; |
| 3 | causalanalysis.caEffect / TABLE={name='marketing_campaign'} method='IPW' treatVar={name='channel'} outcomeVar={name='converted', type='CONTINUOUS'} /* Tratamos binario como continuo para la media */ pom={{trtLev='SMS', trtProb='prob_sms'}, {trtLev='Email', trtProb='prob_sms'}} difference={{evtLev={'SMS'}, refLev={'Email'}}} alpha=0.01 inference=true; |
| 4 | |
| 5 | RUN; |
| 6 |
Resultado esperado
Se espera obtener estimaciones de la tasa de conversión media para SMS y Email. La tabla de diferencias debe indicar si el canal SMS tiene un 'lift' significativo sobre el Email con un intervalo de confianza del 99% (alpha 0.01), validando la robustez del análisis en grandes volúmenes.