Aandelen voorspellen

Er is een functie predict_mnl() geladen waarmee we keuzeaandelen kunnen voorspellen voor een nieuwe set producten. predict_mnl() neemt twee inputs:

een modelobject gemaakt door mlogit
een data frame dat de producten beschrijft waarvoor we aandelen willen voorspellen

Deze oefening maakt deel uit van de cursus

Keuzemodellering voor marketing in R

Oefeninstructies

Inspecteer products om te zien welke kenmerken deze vier auto's hebben. products is niet groot, dus je kunt simpelweg de naam typen om het volledige data frame naar de console te printen.
Gebruik predict_mnl() om aandelen voor deze vier producten te voorspellen. Je moet de eerste input op m1 zetten en de tweede op products.
Print de aandelen naar de console door shares te typen.

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan te vullen.

# inspect products


# use predict_mnl to predict share for products
shares <- predict_mnl(___, ___)

# print the shares to the console

Code bewerken en uitvoeren

Deze oefening maakt deel uit van de cursus

Keuzemodellering voor marketing in R

SkillTag.level.advancedSkillTag.label

4.8+

Begin gratis met de cursus

Ons doel voor dit hoofdstuk is om je zo snel mogelijk door het hele keuzemodelleringsproces te leiden, zodat je een breed beeld krijgt van wat we met keuzemodellen kunnen doen en hoe het proces werkt. Het kernidee is dat we met een keuzemodel kunnen begrijpen hoe de productkeuzes van klanten afhangen van de kenmerken van die producten. Hebben kopers van sportwagens liever handgeschakelde transmissies dan automaten? En hoeveel liever? Om je een overzicht te geven slaan we veel details over. In latere hoofdstukken gaan we terug om belangrijke onderwerpen te behandelen rond het voorbereiden van gegevens, het specificeren en interpreteren van modellen en het rapporteren van je bevindingen, zodat je volledig voorbereid bent om deze methoden op je eigen keuzegegevens toe te passen.

Exercise 1: Waarom keuze?Exercise 2: Keuzedata Exercise 3: Keuzedata verkennen Exercise 4: De niveaus van een factor vinden Exercise 5: Een keuze-observatie inspecteren Exercise 6: Wat kozen mensen?Exercise 7: Een keuzemodel fitten en interpreteren Exercise 8: Een keuzemodel fitten Exercise 9: Parameters interpreteren Exercise 10: Keuzemodellen gebruiken om beslissingen te nemen Exercise 11: Aandelen voorspellen

Huidige oefening

Exercise 12: Keuzeaandelen plotten

Er zijn veel verschillende bronnen voor keuzegegevens en meerdere manieren waarop ze kunnen zijn geformatteerd. In dit hoofdstuk nemen we gegevens die in verschillende alternatieve formaten zijn aangeleverd en leren we hoe je ze geschikt maakt voor keuzemodellering. We bespreken ook hoe je een enquête kunt opzetten om je eigen keuzegegevens te verzamelen.

Exercise 1: Keuzedata samenstellen Exercise 2: Hoeveel keuzes hebben we?Exercise 3: Attributen en niveaus Exercise 4: Bekijk één enkele keuze Exercise 5: Converteren van breed naar lang Exercise 6: Converteer van wide naar long Exercise 7: Sorteer de long data Exercise 8: Wijzig de variabele Selection Exercise 9: Keuzedata in twee bestanden Exercise 10: Inspecteer een keuze in twee bestanden Exercise 11: Twee bestanden samenvoegen Exercise 12: Keuzedata visualiseren Exercise 13: Welke soorten chocolade kiezen mensen?Exercise 14: Kiezen mensen voor lagere prijzen?Exercise 15: Een conjoint-enquête ontwerpen

In dit hoofdstuk duiken we dieper in het schatten van keuzemodellen. Om je een basis te geven voor het denken over keuzemodellen, focussen we op hoe het multinomiale logitmodel productkenmerken omzet in een voorspelling van wat de beslisser zal kiezen. Dit geeft je een kader om te bepalen welke kenmerken je in je model opneemt.

Exercise 1: Keuzemodellen – onder de motorkap Exercise 2: Maak een dfidx-object Exercise 3: Pas een keuzemodel Exercise 4: Verwijder de intercept Exercise 5: Parameters van keuzemodellen interpreteren Exercise 6: Welke chocolademerk heeft de voorkeur?Exercise 7: Berekenen van bereidheid om te betalen Exercise 8: Price als factor Exercise 9: Likelihood-ratio-toets Exercise 10: Intercepters en interacties Exercise 11: Interactie tussen merk en type Exercise 12: Interactie tussen prijs en Trial Exercise 13: Aandelen voorspellen Exercise 14: Aandelen voorspellen voor het racer-segment Exercise 15: Voorspel aandelen voor chocoladerepen Exercise 16: Plot aandelen voor chocoladerepen

Mensen hebben verschillende smaken en voorkeuren. Dat klinkt intuïtief logisch, en er is ook uitgebreid marketingonderzoek dat dit bevestigt. Dit hoofdstuk behandelt keuzemodellen waarin we aannemen dat verschillende beslissers verschillende voorkeuren hebben die hun keuzes beïnvloeden. Wanneer onze modellen erkennen dat consumenten uiteenlopende voorkeuren hebben, voorspellen ze vaak een groter marktaandeel voor nicheproducten die een deel van de consumenten aanspreken. Hiërarchische modellen worden in de meeste commerciële toepassingen van keuzemodellering gebruikt, dus het is belangrijk om te begrijpen hoe ze werken.

Exercise 1: Wat is een hiërarchisch keuzemodel?Exercise 2: Hoeveel mensen vulden de chocoladeenquête in?Exercise 3: Chocolademodel met willekeurige prijscoëfficiënt Exercise 4: Heterogeniteit in voorkeuren voor andere kenmerken Exercise 5: Effectcodering instellen Exercise 6: Chocolademodel met alle coëfficiënten willekeurig Exercise 7: Parameters van een hiërarchisch model interpreteren Exercise 8: Hoe waarderen mensen witte chocolade?Exercise 9: Aandelen voorspellen met hiërarchische modellen Exercise 10: Aandelen voorspellen voor chocolaatjes Exercise 11: Tot ziens en veel succes!