Contexte Métier
Une entreprise de télécommunications souhaite évaluer l'impact causal de deux types d'offres de rétention ('Remise' et 'Surclassement') par rapport à aucune action ('Aucune') sur le taux de désabonnement (Churn). L'objectif est d'utiliser une méthode doublement robuste (AIPW) pour corriger les biais de sélection, car les offres ont été ciblées vers des profils spécifiques.
À propos du Set : causalanalysis
Analyse d'inférence causale et estimation d'effets.
Découvrir toutes les actions de causalanalysis Préparation des Données
Simulation de 5000 clients avec attribution de traitement biaisée (basée sur l'ancienneté) et pré-calcul des probabilités (propension) et des résultats contrefactuels attendus.
Copié !
| 1 | |
| 2 | DATA casuser.churn_data; |
| 3 | call streaminit(999); |
| 4 | DO i = 1 to 5000; |
| 5 | anciennete = rand('Uniform') * 10; |
| 6 | /* Attribution traitement */ prob_remise = 0.3 + 0.02*anciennete; |
| 7 | prob_surclass = 0.2 + 0.01*anciennete; |
| 8 | prob_aucune = 1 - (prob_remise + prob_surclass); |
| 9 | IF prob_aucune < 0 THEN prob_aucune=0; |
| 10 | r = rand('Uniform'); |
| 11 | IF r < prob_remise THEN offre = 'Remise'; |
| 12 | ELSE IF r < (prob_remise + prob_surclass) THEN offre = 'Surclassement'; |
| 13 | ELSE offre = 'Aucune'; |
| 14 | /* Resultat observe (0=Reste, 1=Churn) */ churn_prob = 0.4 - 0.03*anciennete; |
| 15 | IF offre='Remise' THEN churn_prob = churn_prob - 0.1; |
| 16 | IF offre='Surclassement' THEN churn_prob = churn_prob - 0.15; |
| 17 | churn = rand('Bernoulli', max(0, churn_prob)); |
| 18 | /* Counterfactuals */ pred_y_remise = max(0, (0.4 - 0.03*anciennete - 0.1)); |
| 19 | pred_y_surclass = max(0, (0.4 - 0.03*anciennete - 0.15)); |
| 20 | pred_y_aucune = max(0, (0.4 - 0.03*anciennete)); |
| 21 | ps_remise = prob_remise; |
| 22 | ps_surclass = prob_surclass; |
| 23 | ps_aucune = prob_aucune; |
| 24 | OUTPUT; |
| 25 | END; |
| 26 | |
| 27 | RUN; |
| 28 |
Étapes de réalisation
1
Chargement des données simulées en mémoire CAS.
Copié !
| 1 | |
| 2 | PROC CAS; |
| 3 | TABLE.loadTable / path='churn_data.sashdat' caslib='casuser' casout={name='churn_data', replace=true}; |
| 4 | |
| 5 | QUIT; |
| 6 |
2
Exécution de caEffect avec la méthode AIPW pour comparer 'Remise' et 'Surclassement' à la référence 'Aucune'.
Copié !
| 1 | |
| 2 | PROC CAS; |
| 3 | causalanalysis.caEffect / TABLE={name='churn_data'}, treatVar={name='offre'}, outcomeVar={name='churn', type='BINOMIAL', event='1'}, method='AIPW', pom=[ {trtLev='Aucune', trtProb='ps_aucune', predOut='pred_y_aucune'}, {trtLev='Remise', trtProb='ps_remise', predOut='pred_y_remise'}, {trtLev='Surclassement', trtProb='ps_surclass', predOut='pred_y_surclass'} ], difference=[ {refLev='Aucune', evtLev='Remise'}, {refLev='Aucune', evtLev='Surclassement'} ], inference=true; |
| 4 | |
| 5 | RUN; |
| 6 |
Résultat Attendu
L'action doit produire une table des 'Causal Effects' montrant la réduction du taux de churn (différence négative) pour les deux offres par rapport à 'Aucune'. Grâce à AIPW, les estimations doivent rester robustes même si le modèle de propension simule un ciblage fort.