Filtrado (subsetting)

Recuerda: la empresa quiere ampliar su negocio y ofrecer Hoppiness a nivel nacional. Por tanto, el modelo también debería funcionar con datos de tiendas nuevas. Una manera de comprobar cómo se comportará tu modelo con datos nuevos es entrenarlo primero con una parte de los datos y luego intentar predecir el resto.

Vas a crear un conjunto de entrenamiento dejando fuera la última compra registrada para cada cliente. Puedes hacerlo usando la función subset() sobre choice.data y seleccionando todas las observaciones cuya variable indicadora LASTPURCHASE sea igual a 0. Del mismo modo, crearás un conjunto de prueba seleccionando todas las observaciones cuya variable indicadora LASTPURCHASE sea igual a 1.

Este ejercicio forma parte del curso

Creación de modelos de respuesta en R

Instrucciones del ejercicio

Deja fuera la última compra para crear un conjunto de entrenamiento. Usa la función subset() sobre choice.data. Especifica LASTPURCHASE == 0 como argumento subset. Asigna el resultado a train.data.
Crea un conjunto de prueba usando la función subset() sobre choice.data. Especifica LASTPURCHASE == 1 como argumento subset. Asigna el resultado a test.data.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Create the training data


# Create the test data

Editar y ejecutar código

Este ejercicio forma parte del curso

Creación de modelos de respuesta en R

IntermedioNivel de habilidad

4.8+

Comienza el curso gratis

En este primer capítulo conocerás los principios y conceptos básicos de los modelos de respuesta del mercado. Aquí aprenderás a crear modelos sencillos de respuesta para las ventas de productos. Además, verás las diferencias teóricas y prácticas entre modelos lineales y no lineales en respuestas de ventas.

Exercise 1: Fundamentos de los modelos de respuesta del mercado Exercise 2: Ventas minoristas Exercise 3: Entender las ventas Exercise 4: Modelos de respuesta lineal Exercise 5: Un modelo lineal de respuesta para ventas Exercise 6: Hacer predicciones Exercise 7: Rendimiento predictivo Exercise 8: Modelos de respuesta no lineales Exercise 9: Linealizar funciones no lineales Exercise 10: ¿Cuál es el valor añadido?

Una estrategia de marketing eficaz combina todas las herramientas disponibles para comunicar los beneficios de un producto. La clave está en definir la mezcla adecuada de estas herramientas para incrementar las ventas y alcanzar los objetivos de cuota de mercado. En el segundo capítulo, aprenderás a incorporar los efectos de la publicidad y la promoción en tu modelo de respuesta de ventas y a identificar la estrategia de marketing con más probabilidades de éxito.

Exercise 1: Ampliación del modelo, parte 1: variables ficticias Exercise 2: Comprender las variables ficticias (dummies)Exercise 3: El efecto del display en las ventas Exercise 4: El efecto de múltiples dummies en las ventas Exercise 5: ¿Y el precio?Exercise 6: Ampliaciones del modelo, parte 2: variables dinámicas Exercise 7: ¿Cómo aplicar un lag?Exercise 8: Añadir efectos rezagados del precio Exercise 9: Más rezagos Exercise 10: ¿Cuál es el valor añadido?Exercise 11: ¿Cuántas extensiones hacen falta?Exercise 12: Resumir el modelo Exercise 13: Predictores innecesarios Exercise 14: Eliminar predictores Exercise 15: Eliminación de predictores

Una empresa solo puede tener éxito en el mercado si sus productos ofrecen una ventaja competitiva frente a los de sus rivales. Para desarrollar una estrategia de marketing eficaz en un entorno competitivo, es esencial comprender la interrelación entre la actividad de marketing y el comportamiento del cliente. En este capítulo, aprenderás a explicar los efectos de las variaciones temporales de precio en la elección de marca del cliente utilizando modelos de respuesta logísticos y probit.

Exercise 1: Modelos de demanda individual Exercise 2: Compras de clientes Exercise 3: Resumir los datos Exercise 4: Competencia Exercise 5: Un modelo de probabilidad lineal para la demanda de cerveza Exercise 6: Modelos de respuesta logística Exercise 7: Un modelo logístico para la demanda de cerveza Exercise 8: Predicciones acotadas Exercise 9: Efectos marginales medios Exercise 10: Gráficos de efectos Exercise 11: Modelos de respuesta probit Exercise 12: Un modelo probit para la demanda de cerveza Exercise 13: Logística vs. probit Exercise 14: Comparación de modelos

El objetivo principal de la modelización de la respuesta es permitir a los profesionales del marketing ver el retorno de sus acciones no solo hoy, sino también mañana. Para estimar ese retorno futuro, se necesita un modelo estadístico sencillo pero fiable. En este último capítulo, aprenderás a evaluar el rendimiento predictivo de los modelos de respuesta logísticos.

Exercise 1: Selección de modelos Exercise 2: Ampliar el modelo logístico de respuesta Exercise 3: Resumir el modelo Exercise 4: El principio de la desviancia Exercise 5: Eliminación de predictores Exercise 6: Rendimiento predictivo Exercise 7: Clasificaciones Exercise 8: Confusión del modelo Exercise 9: Curvas ROC Exercise 10: Validación del modelo Exercise 11: Filtrado (subsetting)

Ejercicio actual

Exercise 12: Entrenamiento del modelo Exercise 13: Prueba fuera de muestra Exercise 14: Para terminar