Contexte Métier
Une enseigne de grande distribution souhaite segmenter sa base client non pas sur des critères démographiques, mais sur des habitudes d'achat croisées. L'objectif est d'identifier des 'communautés' de produits souvent achetés ensemble par les mêmes groupes de clients pour cibler des promotions.
Préparation des Données
Création d'un graphe d'achats croisés : Produits (Noeuds) et fréquences d'achat simultané (Liens). Deux clusters distincts sont simulés : 'Petit-Dejeuner' (Café, Lait, Sucre) et 'Apéro' (Chips, Soda, Olives).
Copié !
| 1 | DATA mycas.market_basket; INPUT product1 $ product2 $ frequency; DATALINES; Cafe Lait 50 |
| 2 | Cafe Sucre 40 |
| 3 | Lait Sucre 45 |
| 4 | Chips Soda 80 |
| 5 | Chips Olives 30 |
| 6 | Soda Olives 25 |
| 7 | Cafe Chips 2 |
| 8 | ; RUN; |
Étapes de réalisation
1
Exécution de l'algorithme Louvain par défaut pour identifier les clusters naturels.
Copié !
| 1 | |
| 2 | PROC CAS; |
| 3 | network.community / links={name='market_basket'} nodesVar={vars=('product1', 'product2')} outNodes={name='ProductSegments', replace=true}; |
| 4 | |
| 5 | RUN; |
| 6 |
2
Vérification des résultats dans la table de sortie.
Copié !
| 1 | |
| 2 | PROC CAS; |
| 3 | TABLE.fetch / TABLE='ProductSegments' sortBy='community'; |
| 4 | |
| 5 | RUN; |
| 6 |
Résultat Attendu
L'action doit générer la table `ProductSegments`. On attend 2 communautés distinctes : une regroupant {Cafe, Lait, Sucre} et une autre {Chips, Soda, Olives}. Le lien faible (Cafe-Chips) ne doit pas fusionner les deux groupes.