Predicción del Gasto del Cliente para Campaña de Marketing Personalizada

Contexto empresarial

Una empresa minorista quiere optimizar su presupuesto de marketing prediciendo el gasto futuro de sus clientes. El objetivo es construir un modelo BART para identificar a los clientes de alto valor y dirigirles ofertas personalizadas. Este escenario prueba el flujo de trabajo estándar de entrenamiento y almacenamiento de un modelo.

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 y de comportamiento de compra. La variable objetivo es 'gasto_anual'.

¡Copiado!

1	DATA mycas.clientes_retail;
2	call streaminit(42);
3	DO id_cliente = 1 to 5000;
4	edad = 20 + floor(rand('UNIFORM') * 50);
5	ingreso_anual = 30000 + rand('NORMAL', 25000, 15000);
6	antiguedad_meses = 1 + floor(rand('UNIFORM') * 60);
7	compras_previas = floor(rand('UNIFORM') * 100);
8	gasto_anual = 100 + (ingreso_anual * 0.01) + (antiguedad_meses * 5) + (compras_previas * 2.5) + rand('NORMAL', 0, 50);
9	IF ingreso_anual < 30000 THEN ingreso_anual = 30000;
10	OUTPUT;
11	END;
12	RUN;

Étapes de réalisation

Carga de la tabla 'clientes_retail' en la sesión CAS activa.

¡Copiado!

1
2	PROC CASUTIL;
3	load
4	DATA=mycas.clientes_retail casout='clientes_retail' replace;
5	QUIT;
6

Ejecución de bart.bartGauss para entrenar el modelo de predicción de gasto. Se utiliza un número moderado de árboles y se guarda el modelo para su posterior uso en scoring.

¡Copiado!

1	PROC CAS;
2	bart.bartGauss /
3	TABLE={name='clientes_retail'},
4	target='gasto_anual',
5	inputs={'edad', 'ingreso_anual', 'antiguedad_meses', 'compras_previas'},
6	nTree=50,
7	nBI=200,
8	nMC=800,
9	seed=123,
10	store={name='modelo_gasto_cliente', replace=true};
11	RUN;
12	QUIT;

Verificación de la creación de la tabla de almacenamiento del modelo.

¡Copiado!

1	PROC CASUTIL;
2	list tables;
3	QUIT;

Resultado esperado

La acción se ejecuta correctamente y crea una tabla CAS llamada 'modelo_gasto_cliente'. Las tablas de resultados muestran un resumen del modelo ajustado. Esto confirma que el modelo está listo para ser utilizado por otros equipos para puntuar nuevos clientes.

Voir la documentation technique de bartGauss