Contexte Métier
Un grand distributeur analyse les ventes journalières de produits à faible rotation. Les données contiennent énormément de zéros (jours sans vente). Le dataset est large (nombreuses variables explicatives potentielles : météo, promos, jour semaine, etc.). L'objectif est d'utiliser un modèle à inflation de zéros (ZINB) tout en sélectionnant automatiquement les variables pertinentes via une méthode Stepwise pour optimiser la performance.
Préparation des Données
Simulation volumétrique (100 000 lignes) avec 20 variables prédictives (x1-x20) et une variable cible 'ventes' contenant 60% de zéros structurels.
Copié !
| 1 | |
| 2 | DATA mycas.ventes_retail; |
| 3 | call streaminit(999); |
| 4 | array x[20] x1-x20; |
| 5 | DO i = 1 to 100000; |
| 6 | DO j=1 to 20; |
| 7 | x[j] = rand('Normal'); |
| 8 | END; |
| 9 | IF rand('Uniform') < 0.6 THEN ventes = 0; |
| 10 | ELSE ventes = rand('Poisson', exp(0.5 + 0.2*x1 - 0.1*x5)); |
| 11 | OUTPUT; |
| 12 | END; |
| 13 | |
| 14 | RUN; |
| 15 |
Étapes de réalisation
1
Ajustement d'un modèle ZINB avec sélection de variables (Stepwise) basée sur le critère SBC.
Copié !
| 1 | |
| 2 | PROC CAS; |
| 3 | countreg.countregFitModel / TABLE={name='ventes_retail'}, model={depVars={{name='ventes'}}, effects={{vars={'x1','x2','x3','x4','x5','x6','x10','x15','x20'}}}}, zeromodel={effects={{vars={'x1', 'x2'}}}}, modelOptions={modelType='ZINB'}, selection={method='STEPWISE', criterion='SBC'}; |
| 4 | |
| 5 | RUN; |
| 6 |
Résultat Attendu
L'action doit gérer la volumétrie sans erreur mémoire. L'algorithme de sélection doit retenir uniquement les variables significatives (ex: x1, x5) et exclure le bruit (x10, x20), tout en ajustant correctement la partie inflation de zéros.