Contexto empresarial
Un operador de telecomunicaciones tiene una base de datos masiva de clientes con cientos de métricas de comportamiento (minutos usados, datos, quejas, antigüedad, etc.). Quieren identificar qué factores influyen más en el tiempo hasta que un cliente se da de baja (Churn), descartando el ruido mediante técnicas de regularización avanzadas.
Preparación de datos
Generación de alto volumen (simulado) con múltiples covariables para probar rendimiento y selección.
¡Copiado!
| 1 | DATA mycas.telco_churn; |
| 2 | call streaminit(999); |
| 3 | array vars[20] x1-x20; |
| 4 | DO id = 1 to 50000; |
| 5 | DO j=1 to 20; vars[j] = rand('NORMAL'); END; |
| 6 | /* Solo x1, x5 y x10 afectan realmente al riesgo */ |
| 7 | Risk = exp(0.5*x1 - 0.3*x5 + 0.8*x10); |
| 8 | Tenure = rand('WEIBULL', 1.5) * 100 / Risk; |
| 9 | Churn = (rand('UNIFORM') > 0.3); |
| 10 | OUTPUT; |
| 11 | END; |
| 12 | RUN; |
Étapes de réalisation
1
Ajuste del modelo utilizando selección LASSO para filtrar las 20 variables simuladas.
¡Copiado!
| 1 | PROC CAS; |
| 2 | phreg.cox / |
| 3 | TABLE={name='telco_churn'}, |
| 4 | model={depVars={{name='Tenure', event='Churn(0)'}}, effects={{vars={'x1', 'x2', 'x3', 'x4', 'x5', 'x6', 'x7', 'x8', 'x9', 'x10', 'x11', 'x12', 'x13', 'x14', 'x15', 'x16', 'x17', 'x18', 'x19', 'x20'}}}}, |
| 5 | selection={method='LASSO', choose='SBC', stop='SBC'}; |
| 6 | RUN; |
Resultado esperado
El modelo debe procesar el gran volumen de datos eficientemente. El algoritmo LASSO debe identificar correctamente que 'x1', 'x5' y 'x10' son las variables relevantes, estableciendo los coeficientes de las otras variables (ruido) a cero o cerca de cero en la tabla de resultados de selección.