Förutsäga valandelar

Jag har laddat in en funktion som heter predict_mnl() som vi kan använda för att förutsäga valandelar för en ny uppsättning produkter. predict_mnl() tar två indata:

ett modellobjekt skapat av mlogit
en dataframe som beskriver de produkter vi vill förutsäga andelar för

Den här övningen är en del av kursen

Valmodellering för marknadsföring i R

Övningsinstruktioner

Undersök products för att se vilka egenskaper dessa fyra bilar har. products är inte stor, så du kan helt enkelt skriva dess namn för att skriva ut hela dataframen i konsolen.
Använd predict_mnl() för att förutsäga andelar för dessa fyra produkter. Du behöver ange m1 som första indata och products som andra indata.
Skriv ut andelarna i konsolen genom att skriva shares.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# inspect products


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

# print the shares to the console

Redigera och kör kod

Den här övningen är en del av kursen

Valmodellering för marknadsföring i R

SkillTag.level.advancedSkillTag.label

4.8+

Starta kursen gratis

Målet med det här kapitlet är att ge dig en snabb genomgång av hela valmodelleringsprocessen, så att du får en bred förståelse för vad vi kan göra med valmodeller och hur processen fungerar. Grundtanken är att vi kan använda en valmodell för att förstå hur kundernas produktval påverkas av produkternas egenskaper. Föredrar köpare av sportbilar manuell växellåda framför automatisk? Och i så fall, hur mycket? För att ge dig en överblick hoppar vi över många detaljer. I senare kapitel går vi tillbaka och behandlar viktiga frågor kring dataförberedelse, modellspecifikation och tolkning samt hur du presenterar dina resultat – så att du är väl förberedd att använda dessa metoder med dina egna valdata.

Exercise 1: Varför val?Exercise 2: Valdata Exercise 3: Granska valdata Exercise 4: Hitta nivåerna för en faktor Exercise 5: Granska en valobservation Exercise 6: Vad valde personerna?Exercise 7: Anpassa och tolka en valmodell Exercise 8: Anpassa en valmodell Exercise 9: Tolka parametrar Exercise 10: Använda valmodeller för att fatta beslut Exercise 11: Förutsäga valandelar

Aktuell övning

Exercise 12: Plotta valandelar

Det finns många olika källor för valdata och olika sätt att formatera den. I det här kapitlet tar vi data som presenteras i flera olika format och lär oss hur vi strukturerar den för valmodellering. Vi diskuterar också hur du kan utforma en enkät för att samla in egna valdata.

Exercise 1: Sammanställa valdata Exercise 2: Hur många val har vi?Exercise 3: Attribut och nivåer Exercise 4: Undersök ett enskilt val Exercise 5: Konvertera från brett till långt format Exercise 6: Konvertera från brett till långt format Exercise 7: Sortera den långa datan Exercise 8: Ändra variabeln Selection Exercise 9: Valdata i två filer Exercise 10: Undersök ett val i två filer Exercise 11: Slå samman två filer Exercise 12: Visualisera valdata Exercise 13: Vilka typer av choklad väljer folk?Exercise 14: Väljer folk lägre priser?Exercise 15: Utforma en conjointundersökning

I det här kapitlet fördjupar vi oss i skattning av valmodeller. För att ge dig en grund att stå på fokuserar vi på hur den multinomiala logitmodellen omvandlar produktegenskaper till en prediktion för vad beslutsfattaren kommer att välja. Det ger dig ett ramverk för att avgöra vilka egenskaper som ska ingå i din modell.

Exercise 1: Valsmodeller – under huven Exercise 2: Skapa ett dfidx-objekt Exercise 3: Anpassa en valmodell Exercise 4: Ta bort konstanttermen Exercise 5: Tolka valsmodellens parametrar Exercise 6: Vilket chokladmärke föredras mest?Exercise 7: Beräkna betalningsvilja Exercise 8: Pris som en faktor Exercise 9: Likelihood-ratiotest Exercise 10: Intercept och interaktioner Exercise 11: Interaktion mellan varumärke och typ Exercise 12: Interaktion mellan pris och provomgång Exercise 13: Förutsäga marknadsandelar Exercise 14: Förutsäga marknadsandelar för racer-segmentet Exercise 15: Förutsäg andelar för chokladkakor Exercise 16: Plotta andelar för chokladkakor

Olika människor har olika smak och preferenser. Det verkar intuitivt självklart, och det finns också omfattande forskning inom marknadsföring som bekräftar det. Det här kapitlet behandlar valmodeller där vi utgår från att olika beslutsfattare har olika preferenser som påverkar deras val. När modellerna tar hänsyn till att konsumenter har olika preferenser tenderar de att förutsäga större marknadsandelar för nischprodukter som tilltalar en delmängd av konsumenterna. Hierarkiska modeller används i de flesta kommersiella valmodelleringstillämpningar, så det är viktigt att förstå hur de fungerar.

Exercise 1: Vad är en hierarkisk valmodell?Exercise 2: Hur många personer svarade på chokladundersökningen?Exercise 3: Chokladmodell med slumpmässig priskoefficient Exercise 4: Heterogenitet i preferenser för andra egenskaper Exercise 5: Ange effektkoder Exercise 6: Chokladmodell med alla koefficienter som slumpmässiga Exercise 7: Tolka parametrar i hierarkiska modeller Exercise 8: Hur värderar konsumenter vit choklad?Exercise 9: Förutsäga marknadsandelar med hierarkiska modeller Exercise 10: Förutsäga marknadsandelar för choklad Exercise 11: Hejdå och lycka till!