Contexte Métier
Une entreprise de logistique modélise les dépendances entre 10 centres de distribution majeurs pour prédire les ruptures de chaîne. Le modèle est complexe. L'équipe IT veut vérifier rapidement la définition du modèle (structure) stockée avant de lancer une simulation Monte Carlo massive, en s'assurant que l'accès au 'store' est performant.
Préparation des Données
Génération de données pour 10 variables (centres) et création d'un modèle complexe.
Copié !
| 1 | |
| 2 | DATA mycas.supply_chain; |
| 3 | array x{10}; |
| 4 | call streaminit(999); |
| 5 | DO i = 1 to 5000; |
| 6 | DO j=1 to 10; |
| 7 | x{j} = rand('NORMAL'); |
| 8 | END; |
| 9 | OUTPUT; |
| 10 | END; |
| 11 | |
| 12 | RUN; |
| 13 | |
| 14 | PROC CAS; |
| 15 | copula.copulaFit / TABLE={name='supply_chain'}, var={'x1','x2','x3','x4','x5','x6','x7','x8','x9','x10'}, define={copula='NORMAL'}, store={name='logistics_store', replace=true}; |
| 16 | |
| 17 | RUN; |
| 18 |
Étapes de réalisation
1
Inspection de la définition du modèle uniquement avec rapport de chronométrage.
Copié !
| 1 | |
| 2 | PROC CAS; |
| 3 | copula.copulaViewStore / instore={name='logistics_store'} viewOptions={modelDefinition=true} timingReport={summary=true}; |
| 4 | |
| 5 | RUN; |
| 6 |
Résultat Attendu
L'action doit retourner très rapidement la table 'ModelDefinition' confirmant la structure normale à 10 dimensions, accompagnée d'un rapport de temps d'exécution (CPU/Real time) pour valider la performance d'accès.