Prédire les parts pour le segment racer

Prédisez les parts pour un autre segment de voitures de sport. J'ai préchargé le modèle m5 et la fonction predict_mnl() montrée dans la vidéo. Dans l'exemple de code, vous verrez aussi mon code pour créer la table prod. Votre tâche est de modifier mon code pour prédire les parts pour le segment "racer".

Cet exercice fait partie du cours

<cours>Modélisation des choix pour le marketing en R</cours>

Instructions de l’exercice

Modifiez mon code de création de la table prod afin que la variable segment soit "racer" pour les deux produits. Rappelez-vous que les variables utilisateur comme segment doivent être identiques pour tous les produits de prod.
Prédisez les parts pour les produits de prod en utilisant le modèle m5. Vous pouvez utiliser ma fonction predict_mnl() pour cela. Assurez-vous que la sortie indique que le segment est "racer" pour les deux produits.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# modify the code below so that the segment is set to "racer" for both alternatives
price <- c(35, 30)
seat <- factor(c(2, 2), levels=c(2,4,5))
trans <- factor(c("manual", "auto"), levels=c("auto", "manual"))
convert <- factor(c("no", "no"), levels=c("no", "yes"))
segment <- factor(c("basic", "basic"), levels=c("basic", "fun", "racer"))
prod <- data.frame(seat, trans, convert, price, segment)

# predict shares for the "racer" segment

Modifier et exécuter le code

Cet exercice fait partie du cours

<cours>Modélisation des choix pour le marketing en R</cours>

AvancéNiveau de compétence

4.8+

Commencer le cours gratuitement

L’objectif de ce chapitre est de vous faire parcourir l’ensemble du processus de modélisation des choix le plus rapidement possible, afin que vous ayez une vision d’ensemble de ce que l’on peut faire avec ces modèles et de la manière dont le processus fonctionne. L’idée principale est que nous pouvons utiliser un modèle de choix pour comprendre comment les choix de produits des clients dépendent des caractéristiques de ces produits. Les acheteurs de voitures de sport préfèrent-ils les boîtes manuelles aux automatiques ? Et dans quelle mesure ? Pour vous donner cette vue d’ensemble, nous passerons sur de nombreux détails. Dans les chapitres suivants, nous reviendrons sur des points essentiels : préparation des données, spécification et interprétation des modèles, et présentation des résultats, afin que vous soyez pleinement prêt à utiliser ces méthodes avec vos propres données de choix.

Exercise 1: Pourquoi le choix ?Exercise 2: Données de choix Exercise 3: Examiner les données de choix Exercise 4: Trouver les modalités d'un facteur Exercise 5: Examiner une observation de choix Exercise 6: Qu'ont choisi les personnes ?Exercise 7: Ajuster et interpréter un modèle de choix Exercise 8: Ajuster un modèle de choix Exercise 9: Interpréter les paramètres Exercise 10: Utiliser les modèles de choix pour prendre des décisions Exercise 11: Prédire des parts de choix Exercise 12: Tracer les parts de choix

Les données de choix peuvent provenir de nombreuses sources et être mises en forme de différentes manières. Dans ce chapitre, nous partirons de jeux de données fournis selon plusieurs formats et verrons comment les préparer pour la modélisation des choix. Nous aborderons aussi la façon de concevoir une enquête pour collecter vos propres données de choix.

Exercise 1: Assembler des données de choix Exercise 2: Combien de choix avons-nous ?Exercise 3: Attributs et niveaux Exercise 4: Examiner un choix individuel Exercise 5: Passer d’un format large à un format long Exercise 6: Convertir du format large au format long Exercise 7: Trier les données en format long Exercise 8: Modifier la variable Selection Exercise 9: Données de choix en deux fichiers Exercise 10: Examiner un choix réparti sur deux fichiers Exercise 11: Fusionner deux fichiers Exercise 12: Visualiser des données de choix Exercise 13: Quels types de chocolat les personnes choisissent-elles ?Exercise 14: Les gens choisissent-ils les prix les plus bas ?Exercise 15: Concevoir une enquête conjointe

Dans ce chapitre, nous approfondissons l’estimation des modèles de choix. Pour vous donner des bases solides, nous nous concentrerons sur la manière dont le modèle logit multinomial convertit les caractéristiques produit en une prédiction du choix du décideur. Cela vous donnera un cadre pour décider quelles caractéristiques inclure dans votre modèle.

Exercise 1: Modèles de choix : sous le capot Exercise 2: Créer un objet dfidx Exercise 3: Ajuster un modèle de choix Exercise 4: Supprimer l'interception Exercise 5: Interpréter les paramètres d’un modèle de choix Exercise 6: Quelle marque de chocolat est la plus préférée ?Exercise 7: Calculer la disposition à payer Exercise 8: Prix en tant que facteur Exercise 9: Test du rapport de vraisemblance Exercise 10: Interceptions et interactions Exercise 11: Interaction entre la marque et le type Exercise 12: Interaction entre le prix et l’ordre d’essai Exercise 13: Prédire les parts Exercise 14: Prédire les parts pour le segment racer

Exercice actuel

Exercise 15: Prévoir les parts pour des barres de chocolat Exercise 16: Tracer les parts pour les tablettes de chocolat

Les individus ont des goûts et des préférences différents. Cela paraît évident, et la recherche en marketing le confirme largement. Ce chapitre traite de modèles de choix dans lesquels nous supposons que différents décideurs ont des préférences distinctes qui influencent leurs choix. Lorsque nos modèles reconnaissent cette diversité de préférences, ils ont tendance à prédire des parts plus élevées pour des produits de niche qui séduisent un sous-ensemble de consommateurs. Les modèles hiérarchiques sont utilisés dans la plupart des applications commerciales de modélisation des choix ; il est donc important de comprendre leur fonctionnement.

Exercise 1: Qu’est-ce qu’un modèle de choix hiérarchique ?Exercise 2: Combien de personnes ont répondu à l'enquête sur le chocolat ?Exercise 3: Modèle pour le chocolat avec coefficient de prix aléatoire Exercise 4: Hétérogénéité des préférences pour d’autres caractéristiques Exercise 5: Définir des codes d’effets Exercise 6: Modèle chocolat avec tous les coefficients aléatoires Exercise 7: Interpréter les paramètres d'un modèle hiérarchique Exercise 8: Comment les personnes évaluent-elles le chocolat blanc ?Exercise 9: Prédire les parts avec des modèles hiérarchiques Exercise 10: Prédire les parts pour des chocolats Exercise 11: Au revoir et bonne chance !