La tienda del rubro electrodomésticos “ElectroMedia SAC” registra ciertas variables de sus clientes cuando realizan una compra. El objetivo es agrupar a sus clientes con características similares de compra, para luego enviar correos electrónicos promocionales a personas que probablemente puedan realizar una compra de sus productos.
Edad: Variable cuantitativa discreta Casa Propia: Variable cualitativa nominal Número de hijos : Variable cuantitativa discreta Estado civil : Variable cualitativa nominal Marca de TV adquirido: Variable cualitativa nominal
“Plaza Vía” Es un supermercado local que continuamente realiza análisis de sus clientes, los análisis que se hacen son, por ejemplo: seguimiento de compras, satisfacción del cliente, quejas y reclamos, entre otros.
El objetivo principal del estudio en Plaza Vía es comprender y mejorar la relación con sus clientes a través de análisis detallados. Esto incluye evaluar el comportamiento de compra, medir la satisfacción del cliente, y gestionar quejas y reclamos. El enfoque central podría ser la optimización de la experiencia del cliente y la identificación de áreas de mejora en los servicios proporcionados por el supermercado.
La población objetivo del estudio son los clientes de Plaza Vía. En este contexto, la población incluiría a todos los individuos que realizan compras en el supermercado, abarcando diferentes perfiles demográficos, preferencias de compra y frecuencia de visita.
La muestra se refiere a la porción seleccionada de la población total que será objeto de estudio. En el caso de Plaza Vía, la muestra podría ser seleccionada de manera estratégica para representar adecuadamente la diversidad de clientes. Esto podría implicar la selección de clientes habituales y ocasionales, así como la inclusión de diferentes segmentos demográficos.
La unidad de análisis se refiere a la entidad específica que será evaluada durante el estudio. En este contexto, la unidad de análisis podría ser cada cliente individual de Plaza Vía. Se analizarán sus patrones de compra, nivel de satisfacción, interacción con el personal, entre otros aspectos relevantes para el estudio. La información recopilada se utilizará para obtener insights sobre el comportamiento general de la clientela y mejorar la calidad de los servicios ofrecidos por el supermercado.
Local: Representa la ubicación del supermercado. -Cualitativa Nominal Género: Indica el género del cliente -Cualitativa Nominal Pago: Representa el método de pago utilizado por el cliente -Cualitativa Nominal Opinión :Calificación de la opinión del cliente sobre la experiencia -Cualitativa Ordinal Producto Marca: Representa el nivel de preferencia del cliente por la marca del producto -Cualitativa Ordinal Productos: Indica la cantidad de productos comprados por el cliente -Cuantitativa Discreta Monto Pagado: Representa el monto total pagado por el cliente -Cuantitativa Continua Visita Mensual: Indica la frecuencia mensual de visita al supermercado -Cuantitativa Discreta
# Instalar y cargar los paquetes necesarios
if (!require(ggplot2)) {
install.packages("ggplot2")
library(ggplot2)
}
## Loading required package: ggplot2
## Warning: package 'ggplot2' was built under R version 4.3.2
# Instalar y cargar los paquetes necesarios
if (!require(readxl)) {
install.packages("readxl")
library(readxl)
}
## Loading required package: readxl
## Warning: package 'readxl' was built under R version 4.3.2
# Cargar los datos desde un archivo de Excel
plaza <- read_excel("PLAZA-VIA.xlsx")
# Visualizar las primeras filas de los datos simulados de Tipos y Número de airbags de Carros
head(plaza)
## # A tibble: 6 × 8
## Local Género Pago Opinión `Producto Marca` Productos `Monto Pagado`
## <chr> <chr> <chr> <chr> <dbl> <dbl> <dbl>
## 1 Surco femenino TCrédito Regular 3 17 419
## 2 Surco femenino Contado Muy Bue… 3 13 323
## 3 San Borja femenino TCrédito Malo 1 11 84
## 4 San Borja femenino TCrédito Regular 0 11 65
## 5 San Borja femenino TCrédito Buena 3 15 371
## 6 San Borja femenino TDébito Buena 3 17 419
## # ℹ 1 more variable: `Visita Mensual` <dbl>
# Tabla de frecuencia para la tabla Producto Marca
library(agricolae)
## Warning: package 'agricolae' was built under R version 4.3.2
tabla_frecuencia_Producto_Marca<- table.freq(hist(plaza$`Producto Marca`,breaks = "Sturges",
plot = FALSE))
tabla_frecuencia_Producto_Marca
## Lower Upper Main Frequency Percentage CF CPF
## 1 0.0 0.5 0.25 21 28.8 21 28.8
## 2 0.5 1.0 0.75 21 28.8 42 57.5
## 3 1.0 1.5 1.25 0 0.0 42 57.5
## 4 1.5 2.0 1.75 6 8.2 48 65.8
## 5 2.0 2.5 2.25 0 0.0 48 65.8
## 6 2.5 3.0 2.75 24 32.9 72 98.6
## 7 3.0 3.5 3.25 0 0.0 72 98.6
## 8 3.5 4.0 3.75 1 1.4 73 100.0
Interpretaciones: Distribución de Marcas: La tabla de frecuencia para “Producto Marca” muestra la distribución de marcas dentro de la variable. Puedes observar cuántos productos pertenecen a cada marca y entender la proporción relativa de productos para cada una. Esto puede ser útil para identificar las marcas más representadas en tu conjunto de datos.
Variedad de Productos por Marca: Analizando la tabla, podrías interpretar la variedad de productos que cada marca ofrece. Si una marca tiene múltiples productos presentes en la tabla, podría indicar una gama diversificada de productos. Esto es valioso para comprender la amplitud de la oferta de productos de cada marca.
Identificación de Marcas Dominantes: La frecuencia relativa de cada marca puede ayudarte a identificar las marcas dominantes en tu conjunto de datos. Las marcas con frecuencias más altas son las más comunes, y esto puede ser crucial para tomar decisiones comerciales, como estrategias de marketing o gestión de inventario.
# Tabla de frecuencia para la tabla Productos
library(agricolae)
tabla_frecuencia_Productos<- table.freq(hist(plaza$Productos,breaks = "Sturges",
plot = FALSE))
tabla_frecuencia_Productos
## Lower Upper Main Frequency Percentage CF CPF
## 1 8 10 9 11 15.1 11 15.1
## 2 10 12 11 10 13.7 21 28.8
## 3 12 14 13 8 11.0 29 39.7
## 4 14 16 15 6 8.2 35 47.9
## 5 16 18 17 15 20.5 50 68.5
## 6 18 20 19 10 13.7 60 82.2
## 7 20 22 21 13 17.8 73 100.0
Interpretación: Distribución de Productos: La tabla de frecuencia para la variable “Productos” proporciona una visión de la distribución de productos en tu conjunto de datos. Puedes observar cuántos productos caen en diferentes categorías o rangos, lo que te ayuda a entender la variabilidad en la oferta de productos.
Identificación de Productos Populares: Al analizar la frecuencia de cada producto, podrías identificar cuáles son los productos más populares o presentes presentes en tu conjunto de datos. Esto podría ser útil para enfocar estrategias de marketing o gestionar el inventario de manera más eficiente.
Evaluación de la Variedad de Productos: La tabla también te permite evaluar la variedad de productos en términos de la cantidad de categorías o tipos presentes. Una mayor cantidad de productos distintos puede indicar una oferta más diversificada, lo que puede ser un beneficio para atraer a un público más amplio.
# Create intervals of 100 for the 'Monto Pagado' variable
monto_intervals <- cut(plaza$`Monto Pagado`, breaks = seq(0, 1200, by = 100))
# Create the frequency distribution table
monto_freq_table <- table(monto_intervals)
# Display the frequency distribution table
monto_freq_table
## monto_intervals
## (0,100] (100,200] (200,300] (300,400]
## 20 25 10 6
## (400,500] (500,600] (600,700] (700,800]
## 7 5 0 0
## (800,900] (900,1e+03] (1e+03,1.1e+03] (1.1e+03,1.2e+03]
## 0 0 0 0
Interpretaciones para la Tabla de Distribución de Frecuencias del Monto Pagado Distribución de Montos Pagados: La tabla de distribución de frecuencias muestra cómo se distribuyen los montos pagados en intervalos de 100 unidades. Puedes observar la cantidad de observaciones que caen en cada rango de montos, lo que proporciona información sobre la variabilidad en los pagos realizados. Esto es útil para comprender la distribución general de los montos pagados en tu conjunto de datos.
Identificación de Rangos Predominantes: Al analizar la tabla, puedes identificar los intervalos de montos donde hay una mayor concentración de observaciones. Esto te ayuda a determinar los rangos de montos que son más comunes o frecuentes en tus datos. Identificar rangos predominantes es crucial para comprender la distribución y tomar decisiones basadas en los patrones observados.
Evaluación de la Extensión de Montos: La tabla te permite evaluar la extensión de los montos pagados en tu conjunto de datos. Si hay observaciones en una amplia gama de intervalos, indica una variabilidad significativa en los montos pagados. Por otro lado, si las observaciones están concentradas en unos pocos intervalos, esto sugiere una distribución más sesgada. Esta información es esencial para comprender la diversidad o uniformidad en los montos pagados. ## graficos estadisticos
# Cargar librería ggplot2 para visualización de datos
library(ggplot2)
# Crear gráfico de barras para Pago por Productos con colores
grafico_barras_Pago_Productos <- ggplot(plaza, aes(x = Pago, y = Productos, fill = Pago)) +
geom_bar(stat = "identity", position = "dodge") +
labs(title = "Distribución de Millas por Pago de Carro",
x = "Pago",
y = "Productos",
fill = "Pago") +
scale_fill_manual(values = c(
"Contado" = "blue",
"TCrédito" = "pink",
"TDébito" = "green"
)) +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Visualizar gráfico de barras
print(grafico_barras_Pago_Productos)
# Crear histograma para los Pago por Productos
histograma_productos <- ggplot(plaza, aes(x = Productos, fill = Pago)) +
geom_bar(position = "identity", alpha = 0.7) + # Cambiar a geom_bar y quitar binwidth
labs(title = "Histograma de millas de Pago por Productos",
x = "Productos",
y = "Count", # Cambiar a Count ya que ahora estamos usando stat="count"
fill = "Pago") +
theme_minimal()
# Visualizar el histograma
print(histograma_productos)
# Crear gráfico de cajas para Pago por Productos
boxplot_millas <- ggplot(plaza, aes(x = Pago, y = Productos)) +
geom_boxplot() +
labs(title = "Distribución de Pago por Productos",
x = "Pago",
y = "Productos") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Visualizar el gráfico de cajas
print(boxplot_millas)
# Crear gráfico de densidad para las Pago por Productos
density_plot <- ggplot(plaza, aes(x = Productos, fill = Pago)) +
geom_density(alpha = 0.5) +
labs(title = "Distribución de Densidad de Millas por Pago de Carro",
x = "Millas",
y = "Densidad") +
theme_minimal()
# Visualizar el gráfico de densidad
print(density_plot)
# Crear diagrama circular para Pago y millas
pie_chart_Pago_millas <- ggplot(plaza, aes(x = "Pago", y = Productos, fill = Pago)) +
geom_bar(stat = "identity", width = 1, color = "white") +
coord_polar("y") +
labs(title = "Distribución de Millas por Pago",
fill = "Pago") +
theme_minimal() +
theme(legend.position = "bottom")
# Visualizar diagrama circular
print(pie_chart_Pago_millas)
Gráfico de Barras para Pago por Productos Este gráfico de barras muestra la distribución de millas por diferentes métodos de pago. Aquí está la interpretación:
Título: “Distribución de Millas por Pago de Carro” Eje X: Métodos de pago (Contado, TCrédito, TDébito) Eje Y: Cantidad de productos Color: Cada barra representa un método de pago y está coloreada según el mismo. Interpretación: Puedes observar visualmente cómo se distribuyen las millas para cada método de pago. Por ejemplo, puedes identificar si ciertos métodos de pago están asociados a más millas que otros. Histograma de Millas por Productos Este histograma proporciona información sobre la distribución de millas por productos y el método de pago. Aquí está la interpretación:
Título: “Histograma de millas de pago por productos” Eje X: Categorías de productos Eje Y: Cuenta de productos (frecuencia) Color: Barras coloreadas según el método de pago. Interpretación: El histograma muestra cómo se distribuyen las millas para diferentes productos y cómo esta distribución varía según el método de pago. Puedes identificar patrones o tendencias en la distribución de millas. Gráfico de Cajas para Pago por Productos El gráfico de cajas proporciona información sobre la distribución de millas por diferentes métodos de pago. Aquí está la interpretación:
Título: “Distribución de Pago por Productos” Eje X: Métodos de pago (Contado, TCrédito, TDébito) Eje Y: Cantidad de productos Interpretación: El gráfico de cajas muestra la mediana, los cuartiles y los posibles valores atípicos en la distribución de millas para cada método de pago. Es útil para comparar la dispersión de millas entre diferentes métodos de pago. Gráfico de Densidad para Pago por Productos Este gráfico de densidad muestra la distribución de densidad de millas por productos y método de pago. Aquí está la interpretación:
Título: “Distribución de Densidad de Millas por Pago de Carro” Eje X: Millas Eje Y: Densidad Color: Áreas coloreadas según el método de pago. Interpretación: El gráfico de densidad proporciona una representación suave de cómo se distribuyen las millas para diferentes productos y métodos de pago. Puedes identificar zonas de alta densidad que indican concentraciones de millas. Diagrama Circular para Pago y Millas Este diagrama circular muestra la proporción de millas para cada método de pago. Aquí está la interpretación:
Título: “Distribución de Millas por Pago” Circular del sector: Cada sector representa un método de pago. Área: El área de cada sector indica la proporción de millas asociadas a ese método de pago. Interpretación: Puedes ver rápidamente la contribución relativa de cada método de pago a la cantidad total de millas, facilitando la identificación de métodos de pago dominantes.
#Medidas estadisticas
##Datos de las Visitas mensuales
visita_mensual<- c(10,13,3,9,6,14,13,11,14,3,3,10,2,5,3,4,15,6,5,10,3,3,12,12,2,15,15,8,11,15,9,2,15,5,13,14,7,10,11,10,10,13,2,14,14,15,2,15,4,2,14,2,7,4,4,6,5,5,3,6,5,13,5,14,7,13,2,9,8,14,7,12,15)
#Opción 1
promedio = sum(visita_mensual)/length(visita_mensual)
promedio
## [1] 8.520548
#Opción 2
mean(visita_mensual)
## [1] 8.520548
median(visita_mensual)
## [1] 9
# Opción 1 (tabla)
table(visita_mensual)
## visita_mensual
## 2 3 4 5 6 7 8 9 10 11 12 13 14 15
## 8 7 4 7 4 4 2 3 6 3 3 6 8 8
# Opción 2
library(modeest)
## Warning: package 'modeest' was built under R version 4.3.2
##
## Attaching package: 'modeest'
## The following object is masked from 'package:agricolae':
##
## skewness
mfv(visita_mensual)
## [1] 2 14 15
##Datos de los Montos pagados
Monto_Pagado<- c(419,323,84,65,371,419,131,204,444)
#Opción 1
promedio = sum(Monto_Pagado)/length(Monto_Pagado)
promedio
## [1] 273.3333
#Opción 2
mean(Monto_Pagado)
## [1] 273.3333
median(Monto_Pagado)
## [1] 323
# Opción 1 (tabla)
table(visita_mensual)
## visita_mensual
## 2 3 4 5 6 7 8 9 10 11 12 13 14 15
## 8 7 4 7 4 4 2 3 6 3 3 6 8 8
# Opción 2
library(modeest)
mfv(Monto_Pagado)
## [1] 419
Interpretación de Estadísticas Descriptivas para las Visitas Mensuales Medios Aritméticos Opción 1: El promedio de visitas mensuales, calculado sumando todas las visitas y dividiendo por el número de meses, es aproximadamente X. Esto indica la cantidad promedio de visitas que se registran mensualmente. Opción 2: La función meanproporciona también la media aritmética y coincide con el resultado obtenido en la Opción 1. mediana La mediana de las visitas mensuales, que es el valor que ocupa la posición central cuando los datos están ordenados, es Y. Esto sugiere que la mitad de las observaciones tienen un número de visitas menor o igual a la mediana, y la otra mitad tiene un número de visitas mayor. Moda Opción 1 (Tabla): La tabla de frecuencias muestra la cantidad de veces que ocurre cada valor en las visitas mensuales. No hay un valor claramente dominante, ya que no hay un número que se repite con mayor frecuencia. Opción 2: Utilizando la función mfvdel paquete modeest, se indica que no hay un modo único y que todos los valores son modas. Esto significa que no hay un número de visitas que se repita con mayor frecuencia. Interpretación de Estadísticas Descriptivas para Montos Pagados Medios Aritméticos Opción 1: El promedio de los montos pagados, calculado sumando todos los montos y dividiendo por el número de observaciones, es aproximadamente Z. Esto indica el monto promedio que se paga en cada transacción. Opción 2: La función meanproporciona también la media aritmética y coincide con el resultado obtenido en la Opción 1. mediana La mediana de los montos pagados, que es el valor que ocupa la posición central cuando los datos están ordenados, es W. Esto sugiere que la de las transacciones tienen un monto pagado mitad menor o igual a la mediana, y la otra mitad tiene un monto mayor. Moda Opción 1 (Tabla): La tabla de frecuencias muestra la cantidad de veces que ocurre cada valor en los montos pagados. No hay un valor claramente dominante, ya que no hay un monto que se repite con mayor frecuencia. Opción 2: Utilizando la función mfvdel paquete modeest, se indica que no hay un modo único y que todos los valores son modas. Esto significa que no hay un monto pagado que se repita con mayor frecuencia.