Subsetten

Denk daran: Das Unternehmen möchte sein Geschäft ausbauen und Hoppiness landesweit anbieten. Das Modell soll daher auch mit Daten aus neuen Filialen funktionieren. Eine Möglichkeit, zu prüfen, wie dein Modell auf neuen Daten performt, ist, es zunächst auf einem Teil der Daten zu trainieren und anschließend den verbleibenden Teil vorherzusagen.

Du erstellst einen Trainingsdatensatz, indem du den letzten erfassten Kauf pro Kunde zurückhältst. Das erreichst du mit der Funktion subset() auf choice.data, indem du alle Beobachtungen auswählst, bei denen die Indikatorvariable LASTPURCHASE gleich 0 ist. Entsprechend erstellst du einen Testdatensatz, indem du alle Beobachtungen auswählst, bei denen die Indikatorvariable LASTPURCHASE gleich 1 ist.

Diese Übung ist Teil des Kurses

<Kurs>Response-Modelle in R erstellen</Kurs>

Übungsanweisungen

Lass den letzten Kauf weg, um einen Trainingsdatensatz zu erstellen. Verwende die Funktion subset() auf choice.data. Gib LASTPURCHASE == 0 als subset-Argument an. Weise das Ergebnis train.data zu.
Erstelle einen Testdatensatz, indem du die Funktion subset() auf choice.data verwendest. Gib LASTPURCHASE == 1 als subset-Argument an. Weise das Ergebnis test.data zu.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Create the training data


# Create the test data

Code bearbeiten und ausführen

Diese Übung ist Teil des Kurses

<Kurs>Response-Modelle in R erstellen</Kurs>

Mittlere SchwierigkeitSchwierigkeitsgrad

4.9+

Kurs kostenlos starten

In diesem ersten Kapitel lernst du die grundlegenden Prinzipien und Konzepte von Marktreaktionsmodellen kennen. Hier erfährst du, wie du einfache Response-Modelle für Produktverkäufe erstellst. Außerdem lernst du die theoretischen und praktischen Unterschiede zwischen linearen und nichtlinearen Modellen für Verkaufsreaktionen kennen.

Exercise 1: Grundlagen von Markt-Response-Modellen Exercise 2: Einzelhandelsumsatz Exercise 3: Umsatz verstehen Exercise 4: Lineare Response-Modelle Exercise 5: Ein lineares Response-Modell für Verkäufe Exercise 6: Prognosen erstellen Exercise 7: Prognosegüte Exercise 8: Nichtlineare Response-Modelle Exercise 9: Nichtlineare Funktionen linearisieren Exercise 10: Welchen Mehrwert bringt das?

Eine effektive Marketingstrategie kombiniert alle verfügbaren Instrumente, um die Vorteile eines Produkts zu kommunizieren. Entscheidend ist es, den richtigen Mix dieser Instrumente zu finden, um Umsatzzuwächse und Marktanteilsziele zu erreichen. Im zweiten Kapitel lernst du, wie du die Effekte von Werbung und Promotion in dein Sales-Response-Modell integrierst und wie du die Marketingstrategie identifizierst, die mit hoher Wahrscheinlichkeit erfolgreich ist.

Exercise 1: Modellerweiterung Teil 1: Dummy-Variablen Exercise 2: Dummy-Variablen verstehen Exercise 3: Der Effekt von Display-Aktionen auf den Absatz Exercise 4: Der Effekt mehrerer Dummies auf den Absatz Exercise 5: Und was ist mit dem Preis?Exercise 6: Modellerweiterungen Teil 2: Dynamische Variablen Exercise 7: Wie laggen?Exercise 8: Verzögerte Preiseffekte hinzufügen Exercise 9: Weitere Lags Exercise 10: Was ist der Mehrwert?Exercise 11: Wie viele Erweiterungen werden benötigt?Exercise 12: Das Modell zusammenfassen Exercise 13: Überflüssige Prädiktoren Exercise 14: Prädiktoren weglassen Exercise 15: Prädiktoren eliminieren

Ein Unternehmen kann nur dann am Markt erfolgreich sein, wenn seine Produkte gegenüber denen der Konkurrenz einen Wettbewerbsvorteil haben. Um in einem wettbewerbsintensiven Umfeld eine wirksame Marketingstrategie zu entwickeln, ist es entscheidend, das Zusammenspiel von Marketingaktivität und Kundenverhalten zu verstehen. In diesem Kapitel lernst du, wie du die Auswirkungen temporärer Preisänderungen auf die Markenwahl der Kundschaft mithilfe logistischer und Probit-Response-Modelle erklärst.

Exercise 1: Modelle für individuelle Nachfrage Exercise 2: Käufe der Kundinnen und Kunden Exercise 3: Daten zusammenfassen Exercise 4: Wettbewerb Exercise 5: Ein lineares Wahrscheinlichkeitsmodell für die Biernachfrage Exercise 6: Logistische Response-Modelle Exercise 7: Ein logistisches Modell für die Biernachfrage Exercise 8: Begrenzte Vorhersagen Exercise 9: Durchschnittliche marginale Effekte Exercise 10: Effektplots Exercise 11: Probit-Response-Modelle Exercise 12: Ein Probit-Modell für die Biernachfrage Exercise 13: Logit vs. Probit Exercise 14: Modellvergleich

Das Hauptziel des Response-Modelings ist es, Marketer in die Lage zu versetzen, nicht nur heute, sondern auch morgen einen Return auf ihre Maßnahmen zu sehen. Um diesen zukünftigen Effekt zu betrachten, ist ein einfaches, aber verlässliches statistisches Modell erforderlich. In diesem letzten Kapitel lernst du, wie du die Vorhersagegüte logistischer Response-Modelle bewertest.

Exercise 1: Modellauswahl Exercise 2: Erweiterung des logistischen Response-Modells Exercise 3: Das Modell zusammenfassen Exercise 4: Das Deviance-Prinzip Exercise 5: Prädiktoren eliminieren Exercise 6: Vorhersagegüte Exercise 7: Klassifikationen Exercise 8: Modell-Verwechslung Exercise 9: ROC-Kurven Exercise 10: Modellvalidierung Exercise 11: Subsetten

Aktuelle Übung

Exercise 12: Modelltraining Exercise 13: Out-of-sample-Testing Exercise 14: Zum Abschluss