BAN210 – Final Assessment

The Final Assessment is available on Blackboard from December 3th, 2021.             The deadline to submit the Final Assessment is December 13th, 2021 at 12:00pm.

Please note that a late penalty of 10% per day will be applied should the deadline not be met.

I will be available to answer questions via email and Microsoft Teams from December 3th, 2021 to December 13th, 2021 at 12:00pm.

Should you have technical issues, please contact the ITS service desk at

[email protected] , or login to our Technician’s Microsoft Teams site (available 08:00 AM EST – 05:00 PM EST.)

The Final Assessment is worth 20% of your final grade.

Academic Integrity

The Final Assessment must be completed individually.

By submitting the Final Assessment, I affirm that I will not give or receive any unauthorized help and that all work provided will be my own. I agree to abide by Seneca’s Academic Integrity           Policy and I understand that any violation of academic integrity will be subject to the penalties   outlined in the policy.

Instructions

Your task is to design and implement necessary components to get the job done.

When needed, refer to the workshops for relevant instructions and ideas, or research methods in the SAS Enterprise Miner book or online.

Unlike the workshops, your task is NOT to simply paste results from Enterprise Miner, you must also EXPLAIN that which the results indicate, the reason why they are important or nontrivial,    and the way they can be used as a PA-based insight.

Please refer to the attached rubric for a clear understanding of the manner in which the Final Assessment will be graded.

Unlike the workshops, the instructions in the final assessment are minimal (this is an assessment!). This is NOT a group work.

Deliverables

1)   Start an MS Word document for your report. Add the following declaration to your file:

“I, ------------ (mention your name), declare that the attached assignment is my own work in accordance with the Seneca Academic Policy.  I have not copied any part of this              assignment, manually or electronically, from any other source including web sites, unless specified as references. I have not distributed my work to other students.”

2)   Download the csv files from Blackboard.

3)   Start a new SAS Enterprise Miner project named Final_yourname.

4)   Your report should be no more than 10 pages in length and include the following:

a.   The goal and summary of your work on the data set (transactions or classification or both!)

b.   Your choice of the best performing models.

c.   The findings (patterns, graphs, model evaluation….) and explanation of the business decision based on your data analysis.

d.   After implementation, assessment and selection of finalized models, during the last stage of this project, you might evaluate models against test sets. In your     documentations, you will show your understanding of the predictive methods,   their strength, and their limitations.

5)   Prepare a narrated Powerpoint presentation and explain your findings in no more than

12 slides, with narration not exceeding 10 minutes . Please note the following:

a.   The outlines and conclusions must be clear.

b.   Use your findings from graphs and short note format.

c.   The narration should lead the audience to the conclusion.

6)   SAS Enterprise Miner files (zipped). DO NOT submit the full SAS project. The zipped file includes the outputs such as logs, graphs, txt, etc.

Datasets

In this assessment, you will be implementing, testing, and documenting Predictive Analytics models for one of three data sets:

-     Dataset 1: A dataset of diamonds

o diamonds:

      No: Number of the diamonds

     Cut: quality of the cut

     Color

     Clarity: measurement of how clear the diamond is (I1 (worst), SI2, SI1, VS2, VS1, VVS2, VVS1, IF (best))

      Depth: total depth percentage

     Table:https://www.brilliance.com/education/diamonds/depth-table

      Price

      Dimensions: x,y,z

o New diamond:

      No: Number of the diamonds

     Cut: quality of the cut

     Cut_ord

     Color

     Clarity

     Clarity_ord

-     Project Overview

A jewelry company wants to put in a bid to purchase a large set of diamonds (new-        diamonds.csv) but is unsure how much it should bid. In this project, results from a         predictive model to make recommendation on how much the jewelry company should bid for the diamonds.

-     Dataset 2: A dataset of Diabetes

o Test_diabetes:

      Pregnancies

     Glucose

      Blood Pressure

     Skin Thickness

      Insulin

      BMI

      DiabetesPedigreeFunction

     Age

     Outcome

-     Project Overview

The purpose of this dataset is to predict a person does or does not have diabetes.         Validate the predictions with appropriate metrics. The target column is ‘outcome’. Try to find out what factors could increase the risk of diabetes

-     Dataset 3: A Sample Superstore

o Sample-Superstore:

     Order ID, Order Date, Ship Date, Ship Mode

     Customer ID, Customer Name, Segment

     Country, City, State, Postal Code, Region

      Product ID, Category, Sub-Category, Product Name

     Sale

      Discount

     Quantity

      Profit

-     Project Overview

The purpose of this sample dataset is to evaluate the annual profit of superstore. Derive a meaningful review segmentation. You perform extensive data analysis to deliver            insights on how the company can increase its profits while minimizing the losses. Try to  find out the weak areas where you can work to make more profit.

Exploring data

Exploratory Data Analysis refers to the critical process of performing initial investigations on data to discover patterns, spot anomalies, test hypothesis and check assumptions with the help  of summary statistics and graphical representations. It is a good practice to understand the data first and try to gather as many insights as possible from it . To show the data:

-     Summarize the evidence and identify interesting patterns while eliminating ideas that likely won’t pan out.

-      Identify relationships or association between variables that are particularly interesting or unexpected.

-     Validate problems with the collected data, such as Outliers, Missing data or Data capture error.

Descriptive Analysis

The following methods are used by retailers to increase sales by better understanding

customer purchasing patterns. If it applies to your dataset, use at least one of the methods below