ebook img

Applied Analytics through Case Studies using SAS and R. Implementing Predictive Models and Machine Learning Techniques PDF

409 Pages·2018·6.441 MB·english
Save to my drive
Quick download
Download
Most books are stored in the elastic cloud where traffic is expensive. For this reason, we have a limit on daily download.

Preview Applied Analytics through Case Studies using SAS and R. Implementing Predictive Models and Machine Learning Techniques

Applied Analytics through Case Studies Using SAS and R Implementing Predictive Models and Machine Learning Techniques Deepti Gupta Applied Analytics through Case Studies Using SAS and R Deepti Gupta Boston, Massachusetts, USA ISBN-13 (pbk): 978-1-4842-3524-9 ISBN-13 (electronic): 978-1-4842-3525-6 https://doi.org/10.1007/978-1-4842-3525-6 Library of Congress Control Number: 2018952360 Copyright © 2018 by Deepti Gupta Any source code or other supplementary material referenced by the author in this book is available to readers on GitHub via the book's product page, located at www.apress.com/978-1-4842-3524-9. For more detailed information, please visit http://www.apress.com/source-code. Contents Introduction� �����������������������������������������������������������������������������������������������������������xix Chapter 1: Data Analytics and Its Application in Various Industries ������������������������1 What Is Data Analytics? ����������������������������������������������������������������������������������������������������������������2 Data Collection ������������������������������������������������������������������������������������������������������������������������3 Data Preparation ����������������������������������������������������������������������������������������������������������������������4 Data Analysis ���������������������������������������������������������������������������������������������������������������������������4 Model Building �������������������������������������������������������������������������������������������������������������������������5 Results �������������������������������������������������������������������������������������������������������������������������������������5 Put into Use �����������������������������������������������������������������������������������������������������������������������������5 Types of Analytics �������������������������������������������������������������������������������������������������������������������������6 Understanding Data and Its Types �������������������������������������������������������������������������������������������������7 What Is Big Data Analytics? ����������������������������������������������������������������������������������������������������������8 Big Data Analytics Challenges �����������������������������������������������������������������������������������������������10 Data Analytics and Big Data Tools �����������������������������������������������������������������������������������������11 Role of Analytics in Various Industries �����������������������������������������������������������������������������������14 Who Are Analytical Competitors? ������������������������������������������������������������������������������������������18 Key Models and Their Applications in Various Industries ������������������������������������������������������������18 Summary�������������������������������������������������������������������������������������������������������������������������������������21 References ����������������������������������������������������������������������������������������������������������������������������������21 Chapter 2: Banking Case Study ������������������������������������������������������������������������������27 Applications of Analytics in the Banking Sector��������������������������������������������������������������������������28 Increasing Revenue by Cross-Selling and Up-Selling �����������������������������������������������������������29 Minimizing Customer Churn ��������������������������������������������������������������������������������������������������30 Increase in Customer Acquisition ������������������������������������������������������������������������������������������30 Predicting Bank-Loan Default ������������������������������������������������������������������������������������������������31 Predicting Fraudulent Activity������������������������������������������������������������������������������������������������32 Case Study: Predicting Bank-Loan Defaults with Logistic Regression Model �����������������������������34 Logistic Regression Equation ������������������������������������������������������������������������������������������������35 Odds ��������������������������������������������������������������������������������������������������������������������������������������36 Logistic Regression Curve �����������������������������������������������������������������������������������������������������37 Logistic Regression Assumptions ������������������������������������������������������������������������������������������38 Logistic Regression Model Fitting and Evaluation �����������������������������������������������������������������39 Statistical Test for Individual Independent Variable in Logistic ���������������������������������������������������40 Regression Model ������������������������������������������������������������������������������������������������������������������40 Predictive Value Validation in Logistic Regression Model ������������������������������������������������������41 Logistic Regression Model Using R ���������������������������������������������������������������������������������������������46 About Data �����������������������������������������������������������������������������������������������������������������������������47 Performing Data Exploration �������������������������������������������������������������������������������������������������47 Model Building and Interpretation of Full Data ����������������������������������������������������������������������52 Model Building and Interpretation of Training and Testing Data ��������������������������������������������56 Predictive Value Validation�����������������������������������������������������������������������������������������������������61 Logistic Regression Model Using SAS ����������������������������������������������������������������������������������������65 Model Building and Interpretation of Full Data ����������������������������������������������������������������������74 Summary�������������������������������������������������������������������������������������������������������������������������������������92 References ����������������������������������������������������������������������������������������������������������������������������������92 Chapter 3: Retail Case Study ����������������������������������������������������������������������������������97 Supply Chain in the Retail Industry ���������������������������������������������������������������������������������������������98 Types of Retail Stores �����������������������������������������������������������������������������������������������������������������99 Role of Analytics in the Retail Sector ����������������������������������������������������������������������������������������100 Customer Engagement ��������������������������������������������������������������������������������������������������������100 Supply Chain Optimization ��������������������������������������������������������������������������������������������������101 Price Optimization ���������������������������������������������������������������������������������������������������������������103 Space Optimization and Assortment Planning ���������������������������������������������������������������������103 Case Study: Sales Forecasting for Gen Retailers with SARIMA Model ��������������������������������������105 Overview of ARIMA Model ���������������������������������������������������������������������������������������������������107 Three Steps of ARIMA Modeling ������������������������������������������������������������������������������������������������111 Identification Stage �������������������������������������������������������������������������������������������������������������111 Estimation and Diagnostic Checking Stage �������������������������������������������������������������������������113 Forecasting Stage ����������������������������������������������������������������������������������������������������������������114 Seasonal ARIMA Models or SARIMA ������������������������������������������������������������������������������������������115 Evaluating Predictive Accuracy of Time Series Model ��������������������������������������������������������������117 Seasonal ARIMA Model Using R ������������������������������������������������������������������������������������������������118 About Data ���������������������������������������������������������������������������������������������������������������������������119 Performing Data Exploration for Time Series Data ��������������������������������������������������������������119 Seasonal ARIMA Model Using SAS ��������������������������������������������������������������������������������������������133 Summary�����������������������������������������������������������������������������������������������������������������������������������158 References ��������������������������������������������������������������������������������������������������������������������������������159 Chapter 4: Telecommunication Case Study ����������������������������������������������������������161 Types of Telecommunications Networks �����������������������������������������������������������������������������������162 Role of Analytics in the Telecommunications Industry ��������������������������������������������������������������163 Predicting Customer Churn �������������������������������������������������������������������������������������������������163 Network Analysis and Optimization �������������������������������������������������������������������������������������165 Fraud Detection and Prevention ������������������������������������������������������������������������������������������166 Price Optimization ���������������������������������������������������������������������������������������������������������������166 Case Study: Predicting Customer Churn with Decision Tree Model ������������������������������������������168 Advantages and Limitations of the Decision Tree ����������������������������������������������������������������169 Handling Missing Values in the Decision Tree ���������������������������������������������������������������������170 Handling Model Overfitting in Decision Tree ������������������������������������������������������������������������170 How the Decision Tree Works ����������������������������������������������������������������������������������������������171 Measures of Choosing the Best Split Criteria in Decision Tree ��������������������������������������������172 Decision Tree Model Using R �����������������������������������������������������������������������������������������������������179 About Data ���������������������������������������������������������������������������������������������������������������������������179 Performing Data Exploration �����������������������������������������������������������������������������������������������180 Splitting Data Set into Training and Testing �������������������������������������������������������������������������183 Model Building & Interpretation on Training and Testing Data ���������������������������������������������184 Decision Tree Model Using SAS ������������������������������������������������������������������������������������������������193 Model Building and Interpretation of Full Data ��������������������������������������������������������������������200 Model Building and Interpretation on Training and Testing Data �����������������������������������������208 Summary�����������������������������������������������������������������������������������������������������������������������������������217 References ��������������������������������������������������������������������������������������������������������������������������������217 Chapter 5: Healthcare Case Study ������������������������������������������������������������������������221 Application of Analytics in the Healthcare Industry ������������������������������������������������������������������224 Predicting the Outbreak of Disease and Preventative Management �����������������������������������225 Predicting the Readmission Rate of the Patients ����������������������������������������������������������������225 Healthcare Fraud Detection �������������������������������������������������������������������������������������������������227 Improve Patient Outcomes & Lower Costs ��������������������������������������������������������������������������228 Case Study: Predicting Probability of Malignant and Benign Breast Cancer with Random Forest Model ���������������������������������������������������������������������������������������������������������������230 Working of Random Forest Algorithm ����������������������������������������������������������������������������������230 Random Forests Model Using R ������������������������������������������������������������������������������������������238 Random Forests Model Using SAS ��������������������������������������������������������������������������������������249 Summary�����������������������������������������������������������������������������������������������������������������������������������271 References ��������������������������������������������������������������������������������������������������������������������������������271 Chapter 6: Airline Case Study �������������������������������������������������������������������������������277 Application of Analytics in the Airline Industry ��������������������������������������������������������������������������280 Personalized Offers and Passenger Experience ������������������������������������������������������������������281 Safer Flights ������������������������������������������������������������������������������������������������������������������������282 Airline Fraud Detection ��������������������������������������������������������������������������������������������������������283 Predicting Flight Delays �������������������������������������������������������������������������������������������������������284 Case Study: Predicting Flight Delays with Multiple Linear Regression Model ��������������������������286 Multiple Linear Regression Equation �����������������������������������������������������������������������������������287 Multiple Linear Regression Assumptions and Checking for Violation of Model Assumptions �������������������������������������������������������������������������������������������������������������287 Variables Selection in Multiple Linear Regression Model ����������������������������������������������������290 Evaluating the Multiple Linear Regression Model ���������������������������������������������������������������290 Multiple Linear Regression Model Using R �������������������������������������������������������������������������������292 About Data ���������������������������������������������������������������������������������������������������������������������������293 Performing Data Exploration �����������������������������������������������������������������������������������������������293 Model Building & Interpretation on Training and Testing Data ���������������������������������������������299 Multiple Linear Regression Model Using SAS ���������������������������������������������������������������������������311 Summary�����������������������������������������������������������������������������������������������������������������������������������340 References ��������������������������������������������������������������������������������������������������������������������������������340 Chapter 7: FMCG Case Study ��������������������������������������������������������������������������������345 Application of Analytics in FMCG Industry ��������������������������������������������������������������������������������346 Customer Experience & Engagement ����������������������������������������������������������������������������������347 Sales and Marketing ������������������������������������������������������������������������������������������������������������347 Logistics Management ��������������������������������������������������������������������������������������������������������348 Markdown Optimization ������������������������������������������������������������������������������������������������������349 Case Study: Customer Segmentation with RFM Model and K-means Clustering ���������������������350 Overview of RFM Model ������������������������������������������������������������������������������������������������������351 Overview of K-means Clustering �����������������������������������������������������������������������������������������355 RFM Model & K-means Clustering Using R �������������������������������������������������������������������������������358 About Data ���������������������������������������������������������������������������������������������������������������������������358 Performing Data Exploration �����������������������������������������������������������������������������������������������359 RFM Model & K-means Clustering Using SAS ���������������������������������������������������������������������������376 Summary�����������������������������������������������������������������������������������������������������������������������������������393 References ��������������������������������������������������������������������������������������������������������������������������������394 Index ���������������������������������������������������������������������������������������������������������������������397 Introduction Analytics is a big buzz and a need for today’s industries to solve their business problems. Analytics helps in mining the structured and unstructured data in order to withdraw the effective insights from the data, which will help to make effective business decisions. SAS and R are highly used tools in analytics across the globe by all industries for data mining and building machine learning and predictive models. This book focuses on industrial business problems and a practical analytical approach to solve those problems by implementing predictive models and machine learning techniques using SAS and R analytical languages. The primary objective of this book is to help statisticians, developers, engineers, and data analysts who are well versed in writing codes; have a basic understanding of data and statistics; and are planning to transition to a data scientist profile. The most challenging part is practical and hands-on knowledge of building predictive models and machine learning algorithms and deploying them in industries to address industrial business problems. This book will benefit the reader in solving the business problems in various industrial domains by sharpening their analytical skills in getting practical exposure to various predictive model and machine learning algorithms in six industrial domains. What’s in This Book This book focuses on industrial business problems and practical analytical approaches to solve those problems by implementing predictive models and machine learning techniques using SAS Studio and R analytical languages. This book contains six industrial case studies of various domains with data and all the codes in SAS Studio and R languages, which would benefit all readers to practice and implement these models in their own business cases. In Chapter 1 the general outline about analytics, the role of analytics in various industries, and a few popular data science and analytical tools are discussed. Chapter 2 describes the role of analytics in the banking industry with a detailed explanation of predicting a bank loan default case study in R and SAS. Chapter 3 describes how analytics contribute in the retail industry and offers a detailed explanation of forecasting a case study in R and SAS. Chapter 4 describes how analytics is reshaping the telecommunications industry and gives a detailed explanation of a case study on predicting customer churn in R and SAS. Chapter 5 describes the application of analytics in the healthcare industry and gives a clear explanation of a case study on predicting the probability of benign and malignant breast cancer using R and SAS. Chapter 6 describes the role of analytics in the airline industry and provides a case study on predicting flight arrival delays (minutes) in R and SAS. Chapter 7 describes the application of analytics in the FMCG industry with a detailed explanation of a business case study on customer segmentation based on their purchasing history using R and SAS. Who’s the Target Audience? • Data Scientists who would like to implement machine learning techniques with a practical analytical approach toward a particular industrial problem. • Statistician, Engineers, and Researchers with a great theoretical understanding of data and statistics and would like to enhance their skills by getting practical exposure to data modeling. • Data analysts who know about data mining but would like to implement predictive models and machine learning techniques. • Developers who are well versed with coding but would like to transition to a career in data science. What You Will Learn • Introduction to analytics and data understanding. • How to approach industrial business problems with an analytical approach. • Practical and hands-on knowledge in building predictive model and machine learning techniques. • Building the analytical strategies. Data Analytics and Its Application in Various Industries Data analytics has become part and parcel of any business in today’s world. In fact, it has evolved into an industry in itself. Vast numbers of software platforms are available for data extraction, scrubbing, analysis, and visualization. Some of these platforms are specialized for carrying out one of the above-listed aspects of data analytics, while others offer a generalist tool to carry out almost all tasks ranging from data scrubbing to visualization. Of these platforms, SAS® and R are the most popular for data analytics with a large global clientele. In 1967, Statistical Analysis System (SAS) started as a federal funded project for graduate students to track agriculture data at North Carolina State University.1 Today it has become a global leader in data analysis software market with customers spanning over 148 countries.2 Ninety-six of the top 100 Fortune Global 500® companies use SAS. R, which originally was a statistical computing language, has advanced significantly over the years. R Studio is an Integrated Development Environment (IDE) for R3 and offers a free, user-friendly platform for data analytics. Both SAS® and R offer vast capabilities but have certain contrasting advantages that are discussed later in more detail. A broad array of companies ranging from the largest global banks to regional transport firms are using data analytics to solve diverse sets of problems These diverse applications have one commonality: using data and statistics as the basis for decision making. In this chapter, certain key aspects related to data analytics will be introduced.

See more

The list of books you might like

Most books are stored in the elastic cloud where traffic is expensive. For this reason, we have a limit on daily download.