Contexte Métier
Une enseigne de grande distribution souhaite identifier les comportements d'achat séquentiels pour optimiser ses campagnes marketing. L'objectif est de découvrir quels produits sont achetés successivement (et non simultanément) par les clients fidèles, afin de proposer des bons de réduction ciblés après le premier achat (ex: Achat TV -> Achat Barre de son le mois suivant).
Préparation des Données
Création d'un historique d'achats sur 5 clients. Certains suivent le chemin TV->Son, d'autres non.
Copié !
| 1 | DATA casuser.retail_history; |
| 2 | LENGTH client_id $5 produit $10 date_achat 8; |
| 3 | INPUT client_id $ date_achat produit $; |
| 4 | DATALINES; |
| 5 | C1 10 TV |
| 6 | C1 20 BARRE_SON |
| 7 | C1 25 CABLE_HDMI |
| 8 | C2 12 TV |
| 9 | C2 40 BARRE_SON |
| 10 | C3 5 FRIGO |
| 11 | C3 15 MICROONDE |
| 12 | C4 10 TV |
| 13 | C4 11 BARRE_SON |
| 14 | C5 30 TV |
| 15 | ; |
| 16 | RUN; |
| 17 |
Étapes de réalisation
1
Chargement des données en mémoire CAS (implicite via data step dans CASUSER) et vérification.
Copié !
| 1 | |
| 2 | PROC CAS; |
| 3 | |
| 4 | TABLE.tableInfo / TABLE="retail_history" caslib="casuser"; |
| 5 | |
| 6 | RUN; |
| 7 |
2
Exécution de cSpade pour trouver les séquences apparaissant chez au moins 40% des clients.
Copié !
| 1 | PROC CAS; |
| 2 | sequence.cspade / |
| 3 | TABLE={name="retail_history", caslib="casuser"}, |
| 4 | sequenceId="client_id", |
| 5 | eventId="date_achat", |
| 6 | itemId="produit", |
| 7 | support=0.4, |
| 8 | casout={name="patterns_retail", caslib="casuser", replace=true}; |
| 9 | RUN; |
| 10 | QUIT; |
Résultat Attendu
La table de sortie 'patterns_retail' doit contenir la séquence 'TV -> BARRE_SON' car elle apparaît chez 3 clients sur 5 (60%), ce qui est supérieur au support de 0.4. Le client C5 (TV seule) et C3 (Frigo) ne contribuent pas à ce motif.