SAS Visual Analytics: Erste Schritte mit analytischen Modellen

(1)

SAS Visual Analytics: Erste Schritte mit analytischen

Modellen

2021.1.1

Dieses Dokument gilt möglicherweise für weitere Versionen der Software. Öffnen Sie dieses

Dokument in SAS Help Center und klicken Sie auf die Version im Banner, um alle verfügbaren Versionen anzuzeigen.

Informationen zur Verwendung dieses Dokuments . . . 2

Zielgruppe . . . 2

Anforderungen . . . 3

Einführung . . . 3

Informationen zu SAS Visual Statistics und SAS Visual Data Mining and Machine Learning . . . 3

Die Benutzeroberfläche von SAS Visual Analytics . . . 4

Über das Beispiel in diesem Dokument . . . 5

Feature Engineering . . . 5

Informationen zu den Aufgaben in diesem Thema . . . 5

Erste Schritte . . . 5

Berechnen der Total Cost (Gesamtkosten) . . . 6

Berechnen des Order Profit (Auftragsgewinn) . . . 7

Erstellen einer Monthly Time Variable . . . 8

Erstellen der Kategorie Vendor Region . . . 8

Transformieren des Maßes Order Amount Returned . . . 10

Data Exploration . . . 11

Erstellen einer Korrelationsmatrix . . . 12

Erstellen einer Listentabelle . . . 12

(2)

Ausführen einer Automatisierten Erklärung . . . 13

Forecasting . . . 14

Erstellen einer Zeitreihenvorhersage . . . 14

Ausführen einer Was-wäre-wenn-Analyse . . . 15

Modellerstellung . . . 16

Angeben der Partitionsspalte . . . 16

Erstellen einer Logistischen Regression . . . 17

Erstellen eines Entscheidungsbaums . . . 18

Erstellen eines Forest . . . 18

Erstellen eines Gradient Boosting-Modells . . . 19

Erstellen eines Modellvergleichs . . . 20

Ergebnisse . . . 21

Exportieren des Champion-Modells . . . 21

Ableiten prognostizierter Werte . . . 22

Erstellen der Variablen für Anzahl . . . 22

Überprüfen der Modellergebnisse . . . 23

Clustern der Modellergebnisse . . . 24

Untersuchen der Cluster-Ergebnisse . . . 25

Identifizieren der zu untersuchenden Anbieter . . . 27

Informationen zur Verwendung dieses Dokuments

Zielgruppe

Dieses Dokument befasst sich mit den Grundlagen zur Erstellung, des Vergleichens und der

Untersuchung analytischer Modelle in SAS Visual Analytics. Das Beispiel in diesem Dokument nutzt die in SAS Visual Statistics und SAS Visual Data Mining and Machine Learning verfügbaren

Funktionen zur Modellerstellung, sowie die Reporting- und Exploration-Funktionen aus SAS Visual Analytics.

Obwohl das Beispiel in diesem Dokument das Feature Engineering, die Datenexploration,

Modellerstellung und den Modellvergleich umfasst, liegt der Schwerpunkt darauf, dass Sie sich mit der Benutzeroberfläche von SAS Visual Analytics vertraut machen. Dieses Dokument richtet sich in erster Linie an Personen mit analytischen Kenntnissen, die jedoch mit der Benutzeroberfläche von SAS Visual Analytics noch nicht ausreichend vertraut sind. Es ist auch für diejenigen geeignet, die mit den Berichts- und Explorationsfunktionen von SAS Visual Analytics vertraut sind und mehr über die analytischen Funktionen erfahren möchten.

(3)

Anforderungen

Um die Aufgaben in diesem Dokument ausführen zu können, benötigen Sie die folgende Software, Informationen und Berechtigungen:

n ein Link zu einem funktionierenden Deployment von SAS Visual Analytics

n einen unterstützten Webbrowser (siehe die SAS-Support-Site für unterstützte Versionen) n ein Benutzerkonto mit Anmeldedaten für das aktive Deployment

n die für dieses Dokument bereitgestellten Eingabedaten

Einführung

Informationen zu SAS Visual Statistics und SAS Visual Data Mining and Machine Learning

SAS Visual Statistics und SAS Visual Data Mining and Machine Learning ergänzen SAS Visual Analytics durch Tools zur Modellerstellung.

Tools in SAS Visual Statistics:

n Clustering

n Verallgemeinertes additives Modell n Verallgemeinertes lineares Modell n Lineare Regression

n Logistische Regression

n Nichtparametrische logistische Regression n Modellvergleich

Darüber hinaus erhalten Sie Zugriff auf einen leistungsstärkeren Entscheidungsbaum, der die Möglichkeit bietet, den Baum interaktiv zu trainieren, indem Sie auswählen, welche Zweige beschnitten, geteilt oder trainiert werden sollen. Tools in SAS Visual Data Mining and Machine Learning:

n Bayes’sches Netz n Factorization Machine n Forest

n Gradient Boosting n Neuronales Netz n Support Vector Machine

(4)

In SAS Visual Analytics erstellte Modelle können exportiert und für die Bewertung neuer Daten eingesetzt werden. Obwohl die genaue Exportmethode je nach Modell variiert, können exportierte Informationen in Form von DATA-Schrittcode, einer Analytic Store-Tabelle und einer Segment-ID vorliegen. Weitere Informationen dazu, welche Daten für die einzelnen Modelle exportiert werden, erhalten Sie in den Dokumentationen zu SAS Visual Statistics und SAS Visual Data Mining and Machine Learning innerhalb der SAS Visual Analytics-Dokumentation.

Mit SAS Visual Statistics und SAS Visual Data Mining and Machine Learning können Sie eine Vielzahl von Aufgaben ausführen, die für die Erstellung aussagekräftiger Vorhersagemodelle von entscheidender Bedetung sind. Zu diesen Aufgaben zählen die Datensegmentierung (sowohl überwacht als auch unüberwacht), die überwachte Transformation von Variablen, die stratifizierte Modellerstellung, die Erkennung von Ausreißern, die Erstellung interaktiver Funktionen, Datenfilter sowie die nachträgliche Visualisierung. Das in diesem Dokument bereitgestellte Beispiel deckt viele dieser Aufgaben ab. Es können jedoch nicht alle in SAS Visual Statistics und SAS Visual Data Mining and Machine Learning verfügbaren Aufgaben beschrieben werden.

Die Benutzeroberfläche von SAS Visual Analytics

1 Über die Anwendungsleiste oben haben Sie Zugriff auf andere SAS-Anwendungen. Der Name Ihres Berichts wird in der Anwendungsleiste angezeigt. Sie können Elemente suchen, eine Liste der zuletzt verwendeten Elemente anzeigen, die Hilfe aufrufen, Einstellungen aktualisieren und sich von SAS Visual Analytics abmelden.

2 Im linken Fensterabschnitt können Sie mit Daten, Berichtsobjekten und der Berichtsübersicht arbeiten.

3 Im Arbeitsbereich erstellen Sie Ihre Berichte. Das Aussehen des Arbeitsbereichs ist abhängig vom jeweiligen Berichtsschema.

4 Die Berichtssymbolleiste zeigt den Berichtsnamen und die Anzahl der geöffneten Berichte an. Sie können über die Berichtssymbolleiste zwischen der Bearbeitung und der Anzeige eines Berichts hin und her wechseln, Änderungen rückgängig machen, wiederherstellen oder speichern und auf weitere Menüoptionen zugreifen.

5 Verwenden Sie den rechten Fensterabschnitt, um mit Details zum Bericht, dessen Seiten und dessen Objekten zu arbeiten.

(5)

Über das Beispiel in diesem Dokument

Das Beispiel in diesem Dokument soll den Prozess beschreiben, wie ein Data Scientist zur Lösung eines bestimmten Geschäftsproblems vorgehen könnte. Zu den Aufgaben gehören das Erfassen und Vorbereiten von Daten, das Erkunden der Daten, das Generieren und Vergleichen von Modellen sowie das Dokumentieren der Erkenntnisse, die aus einem Modell gewonnen wurden, um auf diese Informationen zu reagieren. In diesem Dokument besteht das spezifische Geschäftsproblem für den Data Scientist darin, herauszufinden, wie die Unternehmensgewinne des fiktiven Unternehmens Insight Toy Company im Vergleich zum Vorjahr um 5% gesteigert werden können.

Stellen Sie sich vor, Sie sind Data Scientist bei der Insight Toy Company. Die Umsätze sind langsam zurückgegangen. Ihr Manager möchte nach Möglichkeiten suchen, den Gewinn zu steigern.

Glücklicherweise hat Ihre IT-Abteilung zwei Jahre lang Daten zu allen Aspekten Ihres Unternehmens gesammelt und diese sind sofort verfügbar. Diese Daten enthalten Informationen darüber, welche Produkte verkauft werden, an welche Anbieter sie verkauft werden, die damit verbundenen Kosten und einige Kennzahlen zu den Vertriebsmitarbeitern und Anbietern.

Sie planen, zunächst die von Ihrer IT-Abteilung bereitgestellten Daten zu überprüfen. Sie möchten das Feature-Engineering durchführen, um die erforderlichen Spalten zu erstellen. Sie möchten die Daten visualisieren, um die wichtigsten Funktionen besser zu verstehen. Sie möchten mehrere Modelle erstellen und vergleichen, um ein Champion-Modell zu ermitteln. Schließlich möchten Sie dieses Modell anwenden, um mögliche Lösungen zur Steigerung des Unternehmensgewinns zu ermitteln.

Nach Abschluss des Beispiels werden Sie aufgefordert, einen der Schritte mit unterschiedlichen Eingaben, unterschiedlichen Modelltypen oder unterschiedlichen Visualisierungen zu wiederholen.

Feature Engineering

Informationen zu den Aufgaben in diesem Thema

Feature Engineering wird eingesetzt, um die in einem Modell für maschinelles Lernen verwendeten Eingaben zu ermitteln und zu erstellen. Dieser Prozess erfordert üblicherweise sowohl ein

allgemeines Wissen über die zu verwendenden Modelle als auch ein fachspezifisches Wissen über das zu lösende Problem. Um diesen Prozess zu starten, erstellen Sie im folgenden Abschnitt zunächst beispielhaft einige Features, die wesentlich dazu beitragen, die im Zusammenhang mit der Gewinnsteigerung auftretenden Probleme zu lösen. Im letzten Abschnitt führen Sie einige

Untersuchungen der Daten durch, bevor Sie ein neues Feature erstellen.

Erste Schritte

1 Entzippen Sie die auf der SAS Visual Statistics -Dokumentationenseite enthaltene Datei insightToyDemo.sas7bdat und speichern Sie die Beispieldaten ab. Klicken Sie unter der

(6)

Überschrift “SAS Visual Statistics in SAS Viya” auf SAS Visual Statistics: Help Center. Klicken Sie anschließend unter der Überschrift “Beginnen Sie mit den Grundlagen” auf Beispieldaten für erste Schritte mit analytischen Modellen (ZIP). Notieren Sie sich den Speicherort, an dem Sie die Daten gespeichert haben.

2 Melden Sie sich in SAS Drive an.

3 Klicken Sie in SAS Drive auf und wählen Sie Untersuchen und Visualisieren, um SAS Visual Analytics zu starten.

4 Klicken Sie auf Mit Daten starten auf der Startseite, um die Daten zu laden. Das Fenster Daten auswählen wird angezeigt.

5 Klicken Sie auf dem Reiter Import auf Lokale Dateien und dann auf Lokale Datei.

6 Wechseln Sie in den Speicherort, in dem Sie die Datei insightToyDemo.sas7bdat gespeichert haben und wählen Sie insightToyDemo.sas7bdat. Klicken Sie auf Öffnen.

7 Klicken Sie auf Element importieren.

8 Klicken Sie auf OK.

Berechnen der Total Cost (Gesamtkosten)

In diesem Beispiel sind die Gesamtkosten einer Bestellung die Summe ihrer Vertriebs-, Marketing-, Produkt- und Verkaufskosten. Gehen Sie folgendermaßen vor, um das Maß Total Cost zu erstellen:

1 Klicken Sie im Fenster Daten auf Neues Datenelement und wählen Sie Berechnetes Element.

2 Geben Sie im Feld Name Total Cost ein.

Berechnete Elemente werden standardmäßig als Automatisch (Numerisch) mit dem Format COMMA12.2 (Comma) definiert. Übernehmen Sie diese Formatierung unverändert.

3 Wählen Sie oben in der Mitte des Fensters Text aus.

4 Ersetzen Sie in diesem Feld vorhandenen Text durch folgenden Ausdruck: 'Order Distribution Cost'n + 'Order Marketing Cost'n + 'Order Product Cost'n + 'Order Sales Cost'n und klicken Sie auf OK.

(7)

Das Element Total Cost wird jetzt in der Liste Maß angezeigt.

5 Klicken Sie auf , um den Bericht zu speichern. Da der Bericht zum ersten Mal gespeichert wird, erscheint das Fenster Speichern unter. Wechseln Sie in einen Ordner, für den Sie

schreibberechtigt sind. Geben Sie im Feld Name Insight Toy Demo ein. Klicken Sie auf Speichern.

Berechnen des Order Profit (Auftragsgewinn)

Der Auftragsgewinn ist definiert als der Betrag, den Sie für eine Bestellung erhalten haben, abzüglich des Betrags für Retouren und der Gesamtkosten. Gehen Sie folgendermaßen vor, um das Maß Order Profit zu erstellen:

2 Geben Sie im Feld Name Order Profit ein.

4 Ersetzen Sie in diesem Feld vorhandenen Text durch folgenden Ausdruck: ('Order Amount'n - 'Order Amount Returned'n) - 'Total Cost'n und klicken Sie auf OK.

(8)

Das Element Order Profit wird in der Liste Maß angezeigt.

5 Speichern Sie den Bericht.

Erstellen einer Monthly Time Variable

Gehen Sie folgendermaßen vor, um die Monthly Time Variable zu erstellen:

1 Suchen Sie im Fenster Daten die Kategorie Order Date (Auftragsdatum).

2 Klicken Sie mit der rechten Maustaste auf Order Date und wählen Sie Duplizieren. Hierdurch wird die Kategorie Order Date (1) erstellt.

3 Wählen Sie Order Date (1) und klicken Sie auf . 4 Geben Sie im Feld Name Order Date Month ein.

5 Klicken Sie in Format auf Bearbeiten neben MMDDYYYY (MMDDYY8), um das Format der Kategorie zu ändern. Wählen Sie im Fenster Format MMYYYY. Klicken Sie auf OK.

Erstellen der Kategorie Vendor Region

Obgleich Ihre Daten Standortdaten auf Ebene der Staaten für die einzelnen Anbieter enthalten, kann es durchaus sinnvoll sein, die Anbieter stattdessen nach regionalen Volkszählungdaten zu

gruppieren. So erstellen Sie eine benutzerdefinierte Kategorie:

1 Klicken Sie im Fenster Daten auf Neues Datenelement und wählen Sie Benutzerdefinierte Kategorie.

(9)

2 Geben Sie im Feld Name Vendor Region ein.

3 Wählen Sie im Feld Basiert auf Vendor State/Province.

4 Wählen Sie in Werte von Vendor State/Province folgende Werte aus: Alabama, Arkansas, Delaware, District of Columbia, Florida, Georgia, Kentucky, Louisiana, Maryland, Mississippi, North Carolina, Oklahoma, South Carolina, Tennessee, Texas, Virginia und West Virginia.

Ziehen Sie diese Werte in Wertegruppe 1.

5 Klicken Sie auf Wertegruppe 1 und geben Sie South als neuen Namen ein.

6 Wählen Sie in Werte von Vendor State/Province folgende Werte aus: Connecticut, Maine, Massachusetts, New Hampshire, New Jersey, New York, Pennsylvania, Rhode Island und Vermont.

Ziehen Sie diese Elemente in eine neue Wertegruppe. Der neuen Gruppe wird automatisch der Name Wertegruppe 1 zugewiesen.

7 Klicken Sie auf Wertegruppe 1 und geben Sie Northeast als neuen Namen ein.

8 Wählen Sie in Werte von Vendor State/Province folgende Werte aus: Illinois, Indiana, Iowa, Kansas, Michigan, Minnesota, Missouri, Nebraska, North Dakota, Ohio, South Dakota und Wisconsin.

9 Klicken Sie auf Wertegruppe 1 und geben Sie Midwest als neuen Namen ein.

10Wählen Sie in Werte von Vendor State/Province die restlichen 13 Werte aus: Arizona, California, Colorado, Hawaii, Idaho, Montana, Nevada, New Mexico, Oregon, Utah, Washington, Wyoming.

11Klicken Sie auf Wertegruppe 1 und geben Sie West als neuen Namen ein.

(10)

12Klicken Sie auf OK.

13Speichern Sie den Bericht.

Transformieren des Maßes Order Amount Returned

Da einige der verwendeten Modelle von einer Normalverteilung der Daten ausgehen, müssen Sie das Maß Order Amount Returned genauer untersuchen.

1 Ziehen Sie aus dem Fenster Daten das Maß Order Amount Returned in den Arbeitsbereich.

Standardmäßig wird ein Histogramm erstellt. Wie Sie sehen können, sind die Daten nicht normal verteilt, sondern weisen eine rechtsschiefe Verteilung auf.

2 Ziehen Sie aus dem Fenster Objekte ein Box-Plot in den Arbeitsbereich unterhalb des Histogramms.

3 Klicken Sie auf die Schaltfläche Daten zuweisen in der Mitte des Box-Plot.

n Klicken Sie für Kategorie auf Hinzufügen und wählen Sie Vendor Type. Klicken Sie auf OK.

n Klicken Sie für Maße auf Hinzufügen und wählen Sie Order Amount Returned. Klicken Sie auf OK und dann auf Schließen.

4 Nehmen Sie im Fenster Optionen folgende Änderungen vor, um diese Visualisierung zu erweitern:

n Ändern Sie den Wert in Boxausrichtung in .

n Ändern Sie den Wert für Ausreißer in Ausreißer anzeigen.

In diesem Plot ist erkennbar, dass es in erster Linie die Lebensmittelgeschäfte und Discounter sind, die aufgrund der Vielzahl an Ausreißern für eine rechtsschiefe Verteilung der Daten sorgen.

Kaufhäuser, Kioske und alle anderen sind zwar ebenfalls rechtsschief verteilt, jedoch nicht unbedingt im gleichen Ausmaß. Daraus folgt, dass eine Log-Transformation geeignet ist, um die allgemeine Schiefe zu reduzieren.

6 Geben Sie im Feld Name Order Amount Returned (Log) ein.

8 Ersetzen Sie in diesem Feld vorhandenen Text durch folgenden Ausdruck: 'Order Amount Returned'n Log 10 und klicken Sie auf OK.

Das Element Order Amount Returned (Log) wird in der Liste Maße angezeigt.

9 Ziehen Sie aus dem Fenster Daten das Maß Order Amount Returned (Log) auf die rechte Seite des Arbeitsbereichs.

Standardmäßig wird ein Histogramm erstellt. Wie Sie sehen können, liegen die Daten jetzt weitaus näher im Bereich der Normalverteilung.

10Ziehen Sie aus dem Fenster Objekte ein Box-Plot in den Arbeitsbereich unterhalb des Histogramms.

(11)

11Klicken Sie auf die Schaltfläche Daten zuweisen in der Mitte des Box-Plot.

n Klicken Sie für Kategorie auf Hinzufügen und wählen Sie Vendor Type. Klicken Sie auf OK.

n Klicken Sie für Maße auf Hinzufügen und wählen Sie Order Amount Returned (Log).

Klicken Sie auf OK und dann auf Schließen.

12Nehmen Sie im Fenster Optionen folgende Änderungen vor, um diese Visualisierung zu erweitern:

n Ändern Sie den Wert in Boxausrichtung in .

n Ändern Sie den Wert für Ausreißer in Ausreißer anzeigen.

Diese Einstellungen sollten mit dem vorherigen Box-Plot übereinstimmen. Beachten Sie, dass die Daten einer Normalverteilung weitaus näher liegen als zuvor. Lebensmittelgeschäfte und

Discounter weisen weiterhin die größte Varianz auf.

Data Exploration

Informationen zu den Aufgaben in diesem Thema

Dieses Thema befasst sich mit den verschiedenen Möglichkeiten, Daten zu untersuchen. Das mittels dieser Untersuchungen gewonnene Wissen hilft Ihnen zu bestimmen, welche Eingaben in Ihren Modellen die besten sind.

(12)

Erstellen einer Korrelationsmatrix

Eine Korrelationsmatrix zeigt, wie der Name schon sagt, die Korrelationsstatistik zwischen allen Elementen einer bestimmten Menge oder zwischen Elementen zweier separater Mengen an. So erstellen Sie eine Korrelationsmatrix:

1 Klicken Sie auf , um eine neue Seite im Arbeitsbereich hinzuzufügen.

2 Ziehen Sie aus dem Fenster Objekte eine Korrelationsmatrix in den Arbeitsbereich.

3 Legen Sie im Fenster Optionen folgende Optionen fest:

n Aktivieren Sie Achsenetiketten drehen.

4 Geben Sie im Fenster Rollen für Korrelationen anzeigen die Option Zwischen zwei Reihen von Maßen an.

5 Klicken Sie im Fenster Rollen auf Hinzufügen unter der Rolle X-Achse und wählen Sie Market Penetration, Order Amount, Order Amount Returned, Order Amount Returned (Log), Order Distribution Cost, Order Marketing Cost, Order Product Cost, Order Sales Cost, Order Size, Sales Rep Rating, Sales Rep Vendors, Total Cost, Vendor Distance, Vendor Rating und Vendor Satisfaction aus. Klicken Sie auf OK.

6 Klicken Sie für die Rolle Y-Achse auf Hinzufügen und wählen Sie Order Profit aus. Klicken Sie auf OK.

7 Beobachten Sie, welche Variablen für Order Profit die stärkste Korrelation aufweisen.

Beispielsweise liegt die stärkste Korrelation bei Order Amount mit einem Wert von 0.7120 und die schwächste Korrelation bei Market Penetration mit einem Wert von 0.0100.

Erstellen einer Listentabelle

Die Listentabelle ermöglicht es Ihnen, aggregierte Informationen zur selben Zeit übergreifend für mehrere unterschiedliche Maße anzuzeigen. So erstellen Sie ein Listentabelle:

1 Ziehen Sie aus dem Fenster Objekte eine Listentabelle in den Arbeitsbereich unterhalb der Korrelationsmatrix.

2 Klicken Sie auf die Schaltfläche Daten zuweisen in der Mitte der Listentabelle. Klicken Sie für Spalten auf Hinzufügen und wählen Sie Vendor Region, Vendor Type, Product Line, Order Amount, Order Amount Returned und Vendor Satisfaction aus. Klicken Sie auf OK und dann auf Schließen.

Sie werden feststellen, dass die Wert der Spalte Vendor Satisfaction nicht aussagekräftig sind.

Die standardmäßig verwendete Aggregation hier ist Summe. Stattdessen sollte für die Spalte Vendor Satisfaction jedoch der Mittelwert verwendet werden.

3 Suchen Sie im Fenster Daten nach Vendor Satisfaction. Klicken Sie auf neben dem Eintrag Vendor Satisfaction. Ändern Sie den Wert in Aggregation in Durchschnitt. Jetzt sollten die Werte in der Listentabelle aussagekräftiger sein.

(13)

4 Sortieren Sie die Listentabelle absteigend nach Order Amount Returned. Sie werden erkennen, dass die ersten Einträge in der Liste hauptsächlich Discounter mit relativ niedrigen

Zufriedenheitsbewertungen enthalten. Auf den ersten Blick scheinen die Werte in den Spalten Vendor Region, Product Line und Order Amount keine Muster oder Tendenzen erkennen zu lassen.

Auf der Grundlage dieser Informationen können Sie die Spalten Vendor Type und Vendor Satisfaction weiter untersuchen.

Ausführen einer Automatisierten Erklärung

Die automatisierte Erklärung ermittelt die wichtigsten zugrundeliegenden Faktoren für eine bestimmte abhängige Variable. Sie ermöglicht eine schnelle Analyse aller Variablen in Ihren Daten, um auf diese Weise für die Verwendung in Ihren Modellen geeignete Variablen zu ermitteln. Im folgenden Beispiel soll ein Modell zur Untersuchung von Warenretouren erstellt werden.

So führen Sie eine automatisierte Erklärung aus:

1 Klicken Sie im Fenster Daten mit der rechten Maustaste auf Order Returned und wählen Sie dann Erklären ð Auf neuer Seite erklären.

2 Wählen Sie im Fenster Optionen Gruppen Hoch und Niedrig anzeigen.

3 Sie werden im Balkendiagramm erkennen, dass die Anzahl der Retouren in hohem Maße mit der Zufriedenheit mit dem Anbieter zusammenhängt. Im Dual-Histogramm sind zwei einzelne

Verteilungen zu erkennen, die zeigen, dass dann Bestellungen weitaus häufiger retourniert werden, wenn die Zufriedenheit mit dem jeweiligen Anbieter gering ist.

(14)

4 (Optional) Untersuchen Sie die zu anderen verwandten Faktoren bereitgestellten Informationen.

Forecasting

Informationen zu den Aufgaben in diesem Thema

In diesem Thema erstellen Sie ein Zeitreihendiagramm der Gewinne Ihres Unternehmens und untersuchen, wie sich diese im kommenden Jahr ändern könnten.

Erstellen einer Zeitreihenvorhersage

2 Ziehen Sie aus dem Fenster Objekte Forecasting in den Arbeitsbereich.

3 Klicken Sie auf Daten zuweisen in der Mitte des Berichtsarbeitsbereichs und nehmen Sie folgende Änderungen vor:

n Klicken Sie unter Zeitachse auf Hinzufügen und wählen Sie Order Date Month.

n Klicken Sie unter Maß auf Häufigkeit und wählen Sie Order Profit.

n Klicken Sie unter Zugrundeliegende Faktoren auf Hinzufügen und wählen Sie Order Amount und Order Amount Returned. Klicken Sie auf OK.

4 Wählen Sie im Fenster Optionen für die Option Prognosehorizont den Wert 12.

Der standardmäßig verwendete Wert für den Prognosehorizont ist 6, da die Daten jedoch monatlich aggregiert werden, und da Sie eine Vorhersage für das ganze Jahr erstellen möchten,

(15)

sollten Sie diesen Wert auf 12 festlegen. Beachten Sie, dass die Zeitreihen die Saisonalität Ihrer Produkte berücksichtigen.

Ausführen einer Was-wäre-wenn-Analyse

1 Stellen Sie sicher, dass das Prognose-Plot ausgewählt ist. Klicken Sie im Fenster Rollen unter Forecast auf What If.

Die Was-wäre-wenn-Analyse ermittelt, inwieweit die zugrundeliegenden Faktoren verändert werden müssen, um das angestrebte Wachstum von 5% zu erreichen.

2 Stellen Sie sicher, dass im Fenster Was-wäre-wenn-Analyse Zielwertsuche als Analysetyp ausgewählt ist.

3 Klicken Sie links oben im Fenster Was-wäre-wenn-Analyse auf Tabelle. Klicken Sie anschließend auf und wählen Sie Zeitreihenwerte festlegen.

Im Fenster Zeitreihenwerte festlegen können Sie die zur Prognose verwendeten Zeitreihen auf Basis angegebener Faktoren anpassen.

4 Wählen Sie im Fenster Zeitreihenwerte festlegen Nach Prozentwert und geben Sie den Wert 5 in das Feld ein. Klicken Sie auf OK.

5 Sobald Sie wieder zurück in der Was-wäre-wenn-Analyse sind, klicken Sie auf Anwenden.

Beachten Sie, dass Order Amount nach unten und Order Amount Returned nach oben korrigiert wurde, um die angestrebte Steigerung des Order Profit zu realisieren.

(16)

6 Klicken Sie auf Schließen.

Modellerstellung

Informationen zu den Aufgaben in diesem Thema

In diesem Thema erstellen Sie vier statistische Modelle, um zu ermitteln, ob eine Bestellung

zurückgesendet wurde. Zwei dieser Modelle sind in SAS Visual Statistics verfügbar—das Logistische Regressionsmodell und das Entscheidungsbaummodell. Die anderen beiden Modelle sind in SAS Visual Data Mining and Machine Learning verfügbar—das Forest-Modell und das Gradient Boosting- Modell. Sie vergleichen diese vier Modelle, um ein Champion-Modell zu ermitteln.

Angeben der Partitionsspalte

Ihre Datei enthält die Kategorie z-Partition. Diese Kategorie ist als Partitionsvariable gedacht und enthält nur zwei Werte: T für Trainingsbeobachtungen und V für Validierungsbeobachtungen. Gehen Sie folgendermaßen vor, um eine Partitionsspalte auf Basis dieser Kategorie zu erstellen:

1 Klicken Sie im Fenster Daten mit der rechten Maustaste auf die Kategorie z-Partition und wählen Sie Neue Partition.

2 Geben Sie im Fenster Neue Partition V für Validierungsdatenwert und T für Trainingsdatenwert an.

(17)

Erstellen einer Logistischen Regression

Nachdem Sie die Aufgaben Feature-Engineering, Datenexploration und Forecasting abgeschlossen haben, können Sie mit der Modellierung Ihrer Daten beginnen. Das erste Modell, das Sie erstellen, ist eine logistische Regression zur Feststellung, ob eine Bestellung zurückgegeben wurde.

2 Ziehen Sie aus dem Fenster Objekte eine Logistische Regression in den Arbeitsbereich.

3 Nehmen Sie im Abschnittfenster Rollen der logistischen Regression folgende Zuweisungen vor:

n Klicken Sie unter Abhängige Variable auf Hinzufügen und wählen Sie Order Returned.

n Klicken Sie in Stetige Effekte auf Hinzufügen und wählen Sie Order Distribution Cost, Order Marketing Cost, Order Product Cost, Order Sales Cost, Vendor Distance, Vendor Rating und Vendor Satisfaction. Klicken Sie auf OK.

n Klicken Sie in Klassifizierungseffekte auf Hinzufügen und wählen Sie Product Line und Vendor Type. Klicken Sie auf OK.

n Klicken Sie in Partitions-ID auf Hinzufügen und wählen Sie z-Partition.

4 Standardmäßig wird die Konfusionsmatrix angezeigt. Beachten Sie, dass das Modell überwiegend korrekt erkannt hat, ob eine Bestellung zurückgegeben wurde. Die Falschklassifikationsrate der Validierung liegt bei ca. 5,5%.

5 Klicken Sie mit der rechten Maustaste in die Konfusionsmatrix und wählen Sie ROC. Das ROC- Diagramm für dieses Modell zeigt einen raschen, steilen Anstieg gefolgt von einem schnellen Abflachen.

6 Beachten Sie das Anpassungsübersicht-Plot. Dieses Plot ordnet die Variablen entsprechend ihrer auf Basis der p-Werte ermittelten Bedeutung in Rangfolgen ein. Wie zu erkennen ist, besitzen die Variablen Vendor Satisfaction, Vendor Type und Product Line die größte Bedeutung im Modell.

(18)

Erstellen eines Entscheidungsbaums

1 Klicken Sie im Arbeitsbereich mit der rechten Maustaste auf das logistische Regressionsmodel, halten Sie die Alt-Taste gedrückt und wählen Sie Auf neuer Seite duplizieren als ð

Entscheidungsbaum.

2 Beachten Sie, dass im Variablenbedeutung-Plot Vendor Satisfaction der wichtigste Prädiktor im Baum ist.

Erstellen eines Forest

Der Forest (auch: Gesamtstruktur) ist ein Vorhersagemodell, das die Ergebnisse zahlreicher

unterschiedlicher Entscheidungsbäume basierend auf einer zufälligen Teilmenge der Daten und einer zufälligen Teilmenge von Prädiktoren kombiniert. Um den vorhergesagten Wert einer Beobachtung zu bestimmen, kann jeder Baum im Forest abstimmen, und die Mehrheit wird ausgewählt. Gehen Sie folgendermaßen vor, um einen Forest zu erstellen:

1 Klicken Sie im Arbeitsbereich mit der rechten Maustaste auf das Entscheidungsbaummodell, halten Sie die Alt-Taste gedrückt und wählen Sie Auf neuer Seite duplizieren als ð Forest.

2 Beachten Sie, dass der Fehler-Plot sehr schnell konvergiert, sodass Sie weniger Bäume für ähnliche Ergebnisse trainieren können. Legen Sie im Fenster Optionen den Wert für Anzahl Bäume auf 30 fest.

3 Beachten Sie, dass im Variablenbedeutung-Plot Vendor Satisfaction der wichtigste Prädiktor ist.

(19)

4 Klicken Sie mit der rechten Maustaste in das Fehler-Plot und wählen Sie Teilweise Abhängigkeit.

Beachten Sie, dass die vorhergesagte Wahrscheinlichkeit, dass eine Bestellung zurückgegeben wird, stark abnimmt, wenn die Lieferantenzufriedenheit von 50% auf 60% steigt. Werte für die Lieferantenzufriedenheit außerhalb dieses Bereichs haben nur einen geringen zusätzlichen Einfluss auf die vorhergesagte Wahrscheinlichkeit.

Erstellen eines Gradient Boosting-Modells

Genau wie der Forest, kombinieren Gradient Boosting-Modelle die Ergebnisse mehrerer Entscheidungsbäume. Der Hauptunterschied besteht darin, dass beim Erstellen eines neuen Entscheidungsbaums in einem Gradient Boosting-Modell die Ergebnisse der vorherigen

(20)

Entscheidungsbäume verwendet werden, um die Ergebnisse besser abzustimmen. Gehen Sie folgendermaßen vor, um ein Gradient Boosting-Modell zu erstellen:

1 Klicken Sie im Arbeitsbereich mit der rechten Maustaste auf das Forest-Modell, halten Sie die Alt- Taste gedrückt und wählen Sie Auf neuer Seite duplizieren als ð Gradient Boosting.

2 Beachten Sie, dass das Iterationsdiagramm nicht notwendigerweise konvergiert hat. Legen Sie im Fenster Optionen den Wert für Anzahl Bäume auf 25 fest.

3 Beachten Sie, dass im Variablenbedeutung-Plot Vendor Satisfaction der wichtigste Prädiktor ist.

Erstellen eines Modellvergleichs

Nachdem Sie nun vier konkurrierende Vorhersagemodelle erstellt haben, können Sie einen Modellvergleich hinzufügen, um ein Champion-Modell zu bestimmen.

2 Ziehen Sie aus dem Fenster Objekte einen Modellvergleich in den Arbeitsbereich.

3 Überprüfen Sie im Fenster Modellvergleich hinzufügen folgende Felder:

n Partition sollte z-Partition enthalten.

n Abhängige Variable sollte Order Returned enthalten.

n Ereignisausprägung sollte Y enthalten.

4 In Verfügbare Modelle sollten die vier zuvor erstellten Modelle zu sehen sein. Aktivieren Sie Alle auswählen und klicken Sie auf OK.

5 Da Sie ein Modell mit einer abhängigen Kategorievariable erstellt haben, wird der KS (Youden)- Wert als standardmäßige Anpassungsstatistik verwendet. Beachten Sie im Anpassungsstatistik- Plot, dass Gradient boosting — Order Returned 1 den besten KS (Youden)-Wert aufweist. Dies ist die Standardstatistik, die das Champion-Modell bestimmt.

(21)

Hinweis: Das Plot der relativen Bedeutung wird nicht angezeigt. Der Grund hierfür ist, dass das logistische Regressionsmodell ein binäres Modell ist und die drei anderen baumbasierten Modelle, die verglichen werden, multinomiale Modelle sind.

6 Klicken Sie mit der rechten Maustaste in das Anpassungsstatistik-Plot und wählen Sie Anpassungsstatistik ð Validierung ð Falschklassifikationsrate (Ereignis). Beachten Sie, dass das logistische Regressionsmodell nach dieser Statistik das beste Modell ist.

Ergebnisse

Informationen zu den Aufgaben in diesem Thema

In diesem Thema exportieren Sie das Champion-Modell aus dem vorherigen Thema. Anschließend untersuchen Sie die Ergebnisse dieses Modells weiter, um zu ermitteln, wo Retouren reduziert und Unternehmensgewinne gesteigert werden können.

Exportieren des Champion-Modells

1 Stellen Sie sicher, dass im Anpassungsstatistik-Plot die Logistische Regression ausgewählt ist.

2 Um das Modell zu exportieren, klicken Sie mit der rechten Maustaste in den Arbeitsbereich und wählen Ausgewähltes Modell exportieren.

(22)

3 Überprüfen Sie den Code im Fenster Modell exportieren und klicken Sie auf Export. Wenn Sie im Browser gefragt werden, ob Sie die exportierte Datei öffnen oder speichern möchten,

speichern Sie die Datei.

Diese Datei enthält den SAS-Code, der erforderlich ist, um neue Daten basierend auf dem soeben erstellten logistischen Regressionsmodell zu bewerten.

Ableiten prognostizierter Werte

1 Navigieren Sie zu der Seite mit der Logistischen Regression. Diese sollte sich auf Seite 5 befinden.

2 Um die für das Modell vorhergesagten Werte abzuleiten, klicken Sie mit der rechten Maustaste in den Arbeitsbereich und wählen Prognostizierte Werte ableiten.

3 Überprüfen Sie im Fenster Neue Prognoseelemente die Einträge in den Feldern Prognostizierte Werte und Wahrscheinlichkeitswerte. Klicken Sie auf OK.

Der Wert im Feld Prognostizierte Werte gibt Auskunft darüber, für welche im Modell enthaltenen Beobachtungen prognositziert wurde, ob es sich um eine Retoure halten könnte. Mögliche Werte in diesem Feld sind Ja, Nein oder Fehlend. Ähnliches gilt für den Wert der Variable

Wahrscheinlichkeitswerte, die Auskunft darüber gibt, mit welcher Wahrscheinlichkeit eine gegebene Beobachtung eine Retoure ist. Mögliche Werte dieser Variablen sind reelle Zahlen zwischen 0 und 1.

4 Das Fenster Daten enthält drei neue Elemente, Prognostiziert: Order Returned, Prognose- Cutoff für Prognostiziert: Order Returned und Wahrscheinlichkeit: Order Returned=Y. Diese Elemente sind als Eingaben für andere Modelle und als Datenelemente in

Berichtsvisualisierungen verfügbar.

Erstellen der Variablen für Anzahl

1 Klicken Sie im Fenster Daten mit der rechten Maustaste auf Order Returned und wählen Sie Neue Berechnung.

2 Wählen Sie im Fenster Berechnung erstellen für Typ Anzahl.

3 Geben Sie Order Returned (#) in das Feld Name ein.

5 Klicken Sie im Fenster Daten mit der rechten Maustaste auf Prognostiziert: Order Returned und wählen Sie Neue Berechnung.

6 Wählen Sie im Fenster Berechnung erstellen für Typ Anzahl.

7 Geben Sie Prognostiziert: Order Returned (#) in das Feld Name ein.

(23)

Überprüfen der Modellergebnisse

2 Ziehen Sie im Fenster Objekte einen Schieberegler in den Arbeitsbereich.

3 Klicken Sie auf die Schaltfläche Daten zuweisen in der Mitte des Schiebereglers. Klicken Sie unter Maß/Datum auf Hinzufügen und wählen Sie Order Date Month. Klicken Sie auf Schließen.

Sie werden diesen Schieberegler in späteren Schritten verwenden, um die in anderen Objekten angezeigten Daten interaktiv zu filtern.

4 Ziehen Sie im Fenster Objekte ein Balkendiagramm in den Arbeitsbereich unterhalb des Schiebereglers.

5 Klicken Sie auf Daten zuweisen in der Mitte des Balkendiagramms und nehmen Sie folgende Zuweisungen vor:

n Klicken Sie in Kategorie auf Hinzufügen und wählen Sie Vendor Type.

n Klicken Sie unter Maß auf Häufigkeit und wählen Sie Order Profit (#).

n Klicken Sie unter Gruppe auf Hinzufügen und wählen Sie Vendor Region.

6 Klicken Sie im Fenster Optionen unter Gruppierungsstil auf .

7 Klicken Sie im Fenster Filter auf Neuer Filter und wählen Sie Order Returned.

8 Deaktivieren Sie in Order Returned N.

9 Ziehen Sie im Fenster Objekte ein zweites Balkendiagramm in den Arbeitsbereich unterhalb des Schiebereglers und rechts neben das erste Balkendiagramm.

10Klicken Sie auf Daten zuweisen in der Mitte des Balkendiagramms und nehmen Sie folgende Zuweisungen vor:

n Klicken Sie unter Maß auf Häufigkeit und wählen Sie Prognostiziert: Order Returned (#).

n Klicken Sie unter Gruppe auf Hinzufügen und wählen Sie Vendor Region.

11Klicken Sie im Fenster Optionen unter Gruppierungsstil auf .

12Klicken Sie im Fenster Filter auf Neuer Filter und wählen Sie Order Returned.

13Deaktivieren Sie in Order Returned N.

14Ziehen Sie im Fenster Objekte eine Kreuztabelle in den Arbeitsbereich unterhalb der beiden Balkendiagramme.

15Klicken Sie auf die Schaltfläche Daten zuweisen in der Mitte der Kreuztabelle und nehmen Sie die folgenden Zuweisungen vor:

n Klicken Sie unter Zeilen auf Hinzufügen und wählen Sie Vendor Region und Vendor State/

Province. Klicken Sie auf OK.

(24)

n Klicken Sie unter Maße auf Hinzufügen und wählen Sie Order Returned (#), Prognostiziert:

Order Returned (#) und Order Amount Returned. Klicken Sie auf OK.

Klicken Sie mit der rechten Maustaste auf Häufigkeit und wählen Sie Häufigkeit entfernen.

Klicken Sie auf Schließen.

16Klicken Sie im Fenster Filter auf Neuer Filter und wählen Sie Order Returned.

17Deaktivieren Sie in Order Returned N.

18Wählen Sie den Schieberegler oben im Arbeitsbereich aus. Wählen Sie im Fenster Aktionen Automatische Aktionen für alle Objekte.

19Auf dieser Seite können Sie vergleichen, wie viele Aufträge das logistische Regressionsmodell als Zurückgegeben vorhersagt und wie viele tatsächlich in einem benutzerdefinierten Zeitraum zurückgegeben wurden. Im folgenden Bild werden beispielsweise nur Bestellungen angezeigt, die im Januar 2016 oder später aufgegeben wurden. Nachdem Sie diese Ergebnisse überprüft haben, können Sie sicher sein, dass Ihr logistisches Regressionsmodell klassifizieren kann, ob eine Bestellung zurückgegeben wird.

Clustern der Modellergebnisse

Nachdem Sie nun sicher sein können, dass Ihr Modell vorhersagen kann, ob eine Bestellung

zurückgegeben wurde, möchten Sie die Ergebnisse gruppieren, um weiter zu ermitteln, welche Arten von Bestellungen zurückgegeben werden. SAS Visual Analytics bietet zwei wichtige Tools für die Modellsegmentierung—Clustering und Entscheidungsbäume.

2 Ziehen Sie im Fenster Objekte ein Cluster in den Arbeitsbereich.

(25)

3 Klicken Sie auf die Schaltfläche Daten zuweisen in der Mitte des Clusters. Klicken Sie unter Variablen auf Hinzufügen und wählen Sie Wahrscheinlichkeit: Order Returned=Y und Vendor Satisfaction. Klicken Sie auf OK und dann auf Schließen.

4 Beachten Sie, dass eines der Cluster Beobachtungen enthält, bei denen der Wert für

Wahrscheinlichkeit: Order Returned=Y sehr hoch und der Wert für Vendor Satisfaction sehr niedrig ist. Dies sind die Beobachtungen, auf die Sie abzielen möchten, um die Retouren zu reduzieren.

Beachten Sie die Cluster-ID, die diesem Cluster entspricht. Im folgenden Bild ist dies Cluster 4.

Die Ergebnisse des Clusterobjekts sind jedoch nicht deterministisch, und Ihren Ergebnissen ist möglicherweise eine andere Cluster-ID zugewiesen.

5 Klicken Sie mit der rechten Maustaste in das Fenster Cluster und wählen Sie Cluster-ID- Elemente ableiten.

6 Geben Sie im Fenster Neue Cluster-ID-Elemente Cluster Order Returned im Feld Cluster-ID ein. Lassen Sie die Standardwerte aller anderen Felder unverändert. Klicken Sie auf OK.

Untersuchen der Cluster-Ergebnisse

In diesem Abschnitt erstellen Sie eine Visualisierung, anhand derer Sie Ihre Ergebnisse interaktiv nach Lieferantenregion anzeigen und filtern können.

2 Ziehen Sie im Fenster Objekte eine Schaltflächenleiste in den Arbeitsbereich.

3 Klicken Sie auf die Schaltfläche Daten zuweisen in der Mitte des Schaltflächenleiste. Klicken Sie unter Kategorie auf Hinzufügen und wählen Sie Vendor Region. Klicken Sie auf Schließen.

(26)

4 Ziehen Sie im Fenster Objekte einen Schieberegler in den Arbeitsbereich rechts neben der Schaltflächenleiste.

5 Klicken Sie auf die Schaltfläche Daten zuweisen in der Mitte des Schiebereglers. Klicken Sie unter Maß/Datum auf Hinzufügen und wählen Sie Order Date Month. Klicken Sie auf Schließen.

6 Wählen Sie im Fenster Daten Vendor State/Province und klicken Sie auf . 7 Wählen Sie in Klassifizierung Geografie.

8 Wählen Sie im Fenster Geografieelement bearbeiten US State Names im Feld Name oder Code-Kontext aus. Klicken Sie auf OK.

9 Ziehen Sie im Fenster Objekte eine Geo-Koordinate in den Arbeitsbereich unterhalb der Schaltflächenleiste und dem Schieberegler.

10Klicken Sie auf die Schaltfläche Daten zuweisen in der Mitte der Geo-Koordinate und nehmen Sie die folgenden Zuweisungen vor:

n Klicken Sie in Geografie auf Hinzufügen und wählen Sie Vendor State/Province.

n Klicken Sie in Größe auf Hinzufügen und wählen Sie Order Amount Returned.

11Wählen Sie im Fenster Optionen unter Darstellungstyp Datenebene Blase aus.

12Ziehen Sie im Fenster Objekte ein Butterfly-Diagramm rechts neben die Geo-Koordinate.

13Klicken Sie auf die Schaltfläche Daten zuweisen in der Mitte des Butterfly-Diagramms und nehmen Sie folgende Zuweisungen vor:

n KlickenSie in Kategorie auf Hinzufügen und wählen Sie Cluster Order Returned.

n Klicken Sie in Maß (Balken) auf Hinzufügen und wählen Sie Order Amount Returned.

n Klicken Sie in Maß (Balken 2) auf Häufigkeit und wählen Sie Order Amount.

14Ziehen Sie im Fenster Objekte ein Balkendiagramm in den Arbeitsbereich unterhalb der Geo- Koordinate und des Butterfly-Diagramms.

15Klicken Sie auf Daten zuweisen in der Mitte des Balkendiagramms und nehmen Sie folgende Zuweisungen vor:

n Klicken Sie in Maß auf Hinzufügen und wählen Sie Order Amount Returned. Klicken Sie auf OK. Stellen Sie sicher, dass Häufigkeit ebenfalls zugewiesen ist. Klicken Sie auf Schließen.

16Wählen Sie im Arbeitsbereich die Schaltflächenleiste aus. Wählen Sie im Fenster Aktionen Automatische Aktionen für alle Objekte.

17Wählen Sie im Butterfly-Diagramm das Cluster aus, das die meisten Retouren enthält. Die zum Cluster zugehörigen Datenwerte werden sowohl in der Geo Map als auch im Balkendiagramm ausgewählt. Notieren Sie sich die Nummer des Clusters mit den meisten Retouren. Sie benötigen diese Nummer in einem späteren Arbeitsschritt.

Überprüfen Sie die Diagramme für die einzelnen Regionen. Beachten Sie, dass in den Regionen Discounter und Lebensmittelgeschäfte die meisten Retouren aufweisen und dass ein erheblicher Teil dieser Retouren in einem einzigen Cluster enthalten ist. Die Anbieter in diesem Cluster sind diejenigen, auf die Sie abzielen möchten, um die Anzahl der Retouren zu reduzieren.

(27)

Mittels dieser Informationen können Sie mit Ihrem Verkaufsteam zusammenarbeiten, um diejenigen Anbieter anzusprechen, die nicht zufrieden sind und zu einem finanziellen Verlust beitragen.

Identifizieren der zu untersuchenden Anbieter

2 Ziehen Sie auf dem Reiter Objekte eine Kreuztabelle in den Arbeitsbereich.

3 Klicken Sie auf die Schaltfläche Daten zuweisen in der Mitte der Kreuztabelle und nehmen Sie die folgenden Zuweisungen vor:

n Klicken Sie in Zeilen auf Hinzufügen und wählen Sie Vendor, Vendor Region, Cluster Order Returned. Klicken Sie auf OK.

n Klicken Sie in Maße auf Hinzufügen und wählen Sie Order Amount Returned, Order Amount, Order Profit und Vendor Satisfaction. Klicken Sie auf OK.

Klicken Sie mit der rechten Maustaste auf Häufigkeit und wählen Sie Häufigkeit entfernen.

Klicken Sie auf Schließen.

4 Klicken Sie im Fenster Filter auf Neuer Filter und wählen Sie Cluster Order Returned.

5 Wählen Sie nur das Cluster mit den meisten Retouren aus, das Sie sich oben notiert hatten.

6 Verwenden Sie die Kreuztabelle, um einzelne Anbieter und deren Beiträge zu den Gewinnen zu identifizieren und zu untersuchen. Im Idealfall können Sie diese Liste gemeinsam mit Ihrem Verkaufsteam untersuchen, um diese Lieferanten besser einzubinden und zufrieden zu stellen, was letztllich zu einer Reduzierung der Retouren führt.

(28)

SAS® and all other SAS Institute Inc. product or service names are registered trademarks or trademarks of SAS Institute Inc. in the USA and other countries. ® indicates USA registration. Other brand and product names are trademarks of their respective companies. Copyright © 2021, SAS Institute Inc., Cary, NC, USA. All Rights Reserved. May 2021 v_002-P1:vaamgs