Analisi del Mercato Immobiliare del Texas

Caricamento dei pacchetti necessari

library(readr)
library(dplyr)
library(moments)
library(ggplot2)
library(knitr)

Caricamento del dataset

realestate_texas <- read_csv("C:/Users/OEM/Desktop/realestate_texas.csv")

## Rows: 240 Columns: 8
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (1): city
## dbl (7): year, month, sales, volume, median_price, listings, months_inventory
## 
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

Visualizzazione delle prime righe del dataset

kable(head(realestate_texas))

city	year	month	sales	volume	median_price	listings	months_inventory
Beaumont	2010	1	83	14.162	163800	1533	9.5
Beaumont	2010	2	108	17.690	138200	1586	10.0
Beaumont	2010	3	182	28.701	122400	1689	10.6
Beaumont	2010	4	200	26.819	123200	1708	10.6
Beaumont	2010	5	202	28.833	123100	1771	10.9
Beaumont	2010	6	189	27.219	122800	1803	11.1

Definizione delle variabili:

city: variabile qualitativa nominale, si possono analizzare le frequenze e le distribuzioni per confronti geografici;
year: variabile quantitativa discreta, utile per analisi dei trend nel tempo;
month: variabile qualitativa ordinale, permette di osservare variazioni stagionali;
sales: variabile quantitativa discreta, essenziale per valutare l’andamento del mercato;
volume: variabile quantitativa continua, fornisce un’indicazione economica del mercato immobiliare;
median_price: variabile quantitativa continua, fondamentale per analizzare le tendenze dei prezzi;
listings: variabile quantitativa discreta, rilevante per valutare l’offerta sul mercato;
months_inventory: variabile quantitativa continua, utile per comprendere la dinamica domanda-offerta.

Calcolo degli indici statistici

summary_stats <- realestate_texas %>%
  select(-year, -month) %>% 
  select_if(is.numeric) %>% 
  reframe(
    Mean = sapply(., function(x) round(mean(x), 2)),
    Median = sapply(., function(x) round(median(x), 2)),
    SD = sapply(., function(x) round(sd(x), 2)),
    CV = sapply(., function(x) round(sd(x) / mean(x) * 100, 2)),
    Skewness = sapply(., function(x) round(skewness(x), 2)),
    Kurtosis = sapply(., function(x) round(kurtosis(x), 2))
  )

summary_stats_transposed <- t(summary_stats)

kable(summary_stats_transposed, 
      col.names = c("Statistic", names(realestate_texas %>% select(sales, volume, median_price, listings, months_inventory))))

Statistic	sales	volume	median_price	listings	months_inventory
Mean	192.29	31.01	132665.42	1738.02	9.19
Median	175.50	27.06	134500.00	1618.50	8.95
SD	79.65	16.65	22662.15	752.71	2.30
CV	41.42	53.71	17.08	43.31	25.06
Skewness	0.72	0.88	-0.36	0.65	0.04
Kurtosis	2.69	3.18	2.38	2.21	2.83

Analisi delle variabili:

Vendite (sales): in media, si registrano 192 vendite al mese, con una mediana di 175.5. La deviazione standard è di 79.65, indicando una variabilità moderata. La distribuzione è leggermente asimmetrica verso destra (skewness = 0.72), con alcuni mesi che mostrano picchi di vendita (probabilmente legati a fattori stagionali o campagne di marketing efficaci). La kurtosis è 2.69, suggerendo una distribuzione leggermente più “appiattita” rispetto a una normale.
Volume delle vendite (volume): il valore medio delle vendite è di 31 milioni di dollari, con una mediana di 27 milioni. La deviazione standard è di 16.65 milioni di dollari, e il coefficiente di variazione (CV) del 53.71% è il più alto tra tutte le variabili, evidenziando una notevole variabilità. La distribuzione è anche la più asimmetrica (skewness = 0.88), con una coda a destra più marcata, e una kurtosis di 3.18, che indica una distribuzione leggermente più “appuntita”. E’ la variabile più volatile e asimmetrica, con alcuni mesi che registrano volumi di vendita eccezionalmente alti;
Prezzo mediano (median_price): il prezzo mediano degli immobili è in media di 132,665 dollari, con una mediana di 134,500 dollari. La deviazione standard è di 22,662 dollari, e il CV del 17.08% indica una variabilità relativamente bassa. La distribuzione mostra una leggera asimmetria negativa (skewness = -0.36), con alcuni immobili a prezzi più bassi rispetto alla maggior parte del mercato. La kurtosis è 2.38, suggerendo una distribuzione leggermente più “appiattita”;
Annunci attivi (listings): il numero medio di annunci attivi è di 1,738, con una mediana di 1,618. La deviazione standard è di 752.71, e il CV del 43.31% mostra una variabilità moderata. La distribuzione è leggermente asimmetrica verso destra (skewness = 0.65), con una kurtosis di 2.21, indicando una distribuzione leggermente più “appiattita”.La variabilità moderata e la leggera asimmetria positiva suggeriscono che ci sono mesi con un numero di annunci particolarmente alto, che potrebbero essere sfruttati per ottimizzare le strategie di marketing;
Tempo di inventario (months_inventory): il tempo medio necessario per vendere tutte le inserzioni correnti è di 9.19 mesi, con una mediana di 8.95 mesi. La deviazione standard è di 2.30 mesi, e il CV del 25.06% indica una variabilità moderata. La distribuzione è quasi simmetrica (skewness = 0.04), con una kurtosis di 2.83, suggerendo una distribuzione leggermente più “appuntita”. La distribuzione quasi simmetrica e la variabilità moderata indicano che il tempo necessario per vendere gli immobili è abbastanza stabile, con alcune fluttuazioni.

Identificazione delle variabili con maggiore variabilità e asimmetria:

Tra tutte le variabili, il volume delle vendite (volume) si distingue per avere la variabilità più alta, con un coefficiente di variazione del 53.71%. Questo significa che il valore totale delle vendite varia notevolmente da un mese all’altro, con alcuni mesi che registrano picchi significativi. Questa variabilità potrebbe essere legata a fattori stagionali, eventi economici o strategie di marketing particolarmente efficaci in determinati periodi.

Inoltre, il volume delle vendite è anche la variabile con la distribuzione più asimmetrica, con una skewness di 0.88. Questo indica che la maggior parte dei mesi ha un volume di vendite relativamente basso, ma ci sono alcuni mesi con valori eccezionalmente alti che “spingono” la distribuzione verso destra

Creazione delle classi per median_price

realestate_texas$price_class <- cut(realestate_texas$median_price, 
                                    breaks = seq(min(realestate_texas$median_price), 
                                                 max(realestate_texas$median_price), 
                                                 length.out = 6), 
                                    include.lowest = TRUE, 
                                    labels = c("Basso", "Medio-basso", "Medio", "Medio-alto", "Alto"))
table(realestate_texas$price_class)

## 
##       Basso Medio-basso       Medio  Medio-alto        Alto 
##          18          40          73          84          25

Grafico a barre

ggplot(realestate_texas, aes(x = price_class)) +
  geom_bar(fill = "steelblue", color = "black") +
  labs(title = "Distribuzione delle Classi di Prezzo", x = "Classi di Prezzo", y = "Frequenza") +
  theme_minimal()

La classe più frequente è Medio-alto, con 84 osservazioni, seguita dalla classe Medio con 73 osservazioni. Le classi Basso e Alto sono le meno rappresentate, con rispettivamente 18 e 25 osservazioni. Questo suggerisce che la maggior parte degli immobili ha un prezzo mediano nella fascia medio-alta, mentre pochi immobili si trovano nelle fasce più basse o più alte.

Indice di Eterogeneità Gini per median_price

gini.index <- function(x){
  ni=table(x)
  fi=ni/length(x)
  fi2 = fi^2
  J = length(table(x))
  
  gini = 1-sum(fi2)
  gini.normalizzato = gini/((J-1)/J)
  
  return(gini.normalizzato)
}
gini_median_price <- gini.index(realestate_texas$price_class)
cat("Indice di Eterogeneità di Gini per median_price:", round(gini_median_price, 2), "\n")

## Indice di Eterogeneità di Gini per median_price: 0.93

L’indice di Gini è 0.93, un valore molto vicino a 1. Questo indica un’elevata eterogeneità nella distribuzione dei prezzi. In altre parole, i prezzi degli immobili non sono uniformemente distribuiti tra le classi, ma sono concentrati in alcune fasce specifiche (in particolare, quelle Medio e Medio-alto).

Calcolo delle probabilità

prob_beaumont <- round(sum(realestate_texas$city == "Beaumont") / nrow(realestate_texas) * 100, 2)

prob_july <- round(sum(realestate_texas$month == 7) / nrow(realestate_texas) * 100, 2)

prob_december_2012 <- round(sum(realestate_texas$month == 12 & realestate_texas$year == 2012) / nrow(realestate_texas) * 100, 2)

cat("Probabilità che la città sia Beaumont:", prob_beaumont, "%\n")

## Probabilità che la città sia Beaumont: 25 %

cat("Probabilità che il mese sia Luglio:", prob_july, "%\n")

## Probabilità che il mese sia Luglio: 8.33 %

cat("Probabilità che il mese sia Dicembre 2012:", prob_december_2012, "%\n")

## Probabilità che il mese sia Dicembre 2012: 1.67 %

Creazione di nuove variabili:

realestate_texas <- realestate_texas %>%
  mutate(average_price = round(volume * 1e6 / sales, 2),
         listing_effectiveness = round(sales / listings, 2))

realestate_texas <- realestate_texas %>%
  mutate(average_price = round(volume * 1e6 / sales, 2),
         listing_effectiveness = round(sales / listings, 2))

summary_stats <- realestate_texas %>%
  select(-year, -month) %>%  
  select_if(is.numeric) %>%  
  reframe(
    Mean = sapply(., function(x) round(mean(x), 2)),
    Median = sapply(., function(x) round(median(x), 2)),
    SD = sapply(., function(x) round(sd(x), 2)),
    CV = sapply(., function(x) round(sd(x) / mean(x) * 100, 2)),
    Skewness = sapply(., function(x) round(skewness(x), 2)),
    Kurtosis = sapply(., function(x) round(kurtosis(x), 2))
  )

summary_stats_transposed <- t(summary_stats)

kable(summary_stats_transposed, 
      col.names = c("Statistic", names(realestate_texas %>% select(sales, volume, median_price, listings, months_inventory, average_price, listing_effectiveness))))

Statistic	sales	volume	median_price	listings	months_inventory	average_price	listing_effectiveness
Mean	192.29	31.01	132665.42	1738.02	9.19	154320.37	0.12
Median	175.50	27.06	134500.00	1618.50	8.95	156588.48	0.11
SD	79.65	16.65	22662.15	752.71	2.30	27147.46	0.05
CV	41.42	53.71	17.08	43.31	25.06	17.59	39.77
Skewness	0.72	0.88	-0.36	0.65	0.04	-0.07	2.10
Kurtosis	2.69	3.18	2.38	2.21	2.83	2.22	10.01

Prezzo medio (average_price): ha una media di 154,320.37 dollari, con una mediana di 156,588.48 dollari. La deviazione standard è di 27,147.46 dollari, e il coefficiente di variazione (CV) è del 17.59%, indicando una variabilità relativamente bassa. La distribuzione è quasi simmetrica (skewness = -0.07), con una leggera asimmetria negativa che suggerisce la presenza di alcuni immobili con prezzi più bassi rispetto alla maggior parte del mercato (potrebbe rappresentare un’opportunità per attrarre acquirenti con budget limitato). La kurtosis è 2.22, indicando una distribuzione leggermente più “appiattita” rispetto a una normale.
Efficacia degli annunci (listing_effectiveness): ha una media di 0.12 (12%), con una mediana di 0.11 (11%). La deviazione standard è di 0.05, e il coefficiente di variazione (CV) è del 39.77%, indicando una variabilità moderata. La distribuzione mostra una forte asimmetria positiva (skewness = 2.10), con alcuni mesi che registrano un’efficacia eccezionalmente alta. La kurtosis è 10.01, molto alta, il che suggerisce la presenza di valori estremi e una distribuzione molto “appuntita”.

Analisi condizionata

summary_city <- realestate_texas %>%
  group_by(city) %>%
  summarise(
    mean_sales = mean(sales, na.rm = TRUE),  
    sd_sales = sd(sales, na.rm = TRUE)       
  )

summary_year <- realestate_texas %>%
  group_by(year) %>%
  summarise(
    mean_sales = mean(sales, na.rm = TRUE),  
    sd_sales = sd(sales, na.rm = TRUE)       
  )

summary_month <- realestate_texas %>%
  group_by(month) %>%
  summarise(
    mean_sales = mean(sales, na.rm = TRUE),  
    sd_sales = sd(sales, na.rm = TRUE)       
  )

kable(summary_city, digits = 2, align = "c", caption = "Media e deviazione standard delle vendite per città")

Media e deviazione standard delle vendite per città
city	mean_sales	sd_sales
Beaumont	177.38	41.48
Bryan-College Station	205.97	84.98
Tyler	269.75	61.96
Wichita Falls	116.07	22.15

kable(summary_year, digits = 2, align = "c", caption = "Media e deviazione standard delle vendite per anno")

Media e deviazione standard delle vendite per anno
year	mean_sales	sd_sales
2010	168.67	60.54
2011	164.12	63.87
2012	186.15	70.91
2013	211.92	84.00
2014	230.60	95.51

kable(summary_month, digits = 2, align = "c", caption = "Media e deviazione standard delle vendite per mese")

Media e deviazione standard delle vendite per mese
month	mean_sales	sd_sales
1	127.40	43.38
2	140.85	51.07
3	189.45	59.18
4	211.70	65.40
5	238.85	83.12
6	243.55	95.00
7	235.75	96.27
8	231.45	79.23
9	182.35	72.52
10	179.90	74.95
11	156.85	55.47
12	169.40	60.75

Rappresentazione grafica dei risultati

ggplot(summary_city, aes(x = city, y = mean_sales)) +
  geom_bar(stat = "identity", fill = "steelblue", alpha = 0.8) + 
  geom_errorbar(aes(ymin = mean_sales - sd_sales, ymax = mean_sales + sd_sales), 
                width = 0.2, color = "red") + 
  theme_minimal() + 
  theme(axis.text.x = element_text(angle = 0, hjust = 0.5)) + 
  labs(title = "Media e deviazione standard delle vendite per città", 
       x = "Città", 
       y = "Vendite medie")

ggplot(summary_year, aes(x = year, y = mean_sales)) +
  geom_line(color = "blue", size = 1) + 
  geom_point(color = "blue", size = 2) + 
  geom_errorbar(aes(ymin = mean_sales - sd_sales, ymax = mean_sales + sd_sales), 
                width = 0.2, color = "red") +
  theme_minimal() + 
  labs(title = "Media e deviazione standard delle vendite per anno", 
       x = "Anno", 
       y = "Vendite medie") +
  scale_x_continuous(breaks = summary_year$year)

## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.

ggplot(summary_month, aes(x = month, y = mean_sales)) +
  geom_line(color = "blue", size = 1) + 
  geom_point(color = "blue", size = 2) + 
  geom_errorbar(aes(ymin = mean_sales - sd_sales, ymax = mean_sales + sd_sales), 
                width = 0.2, color = "red") +
  theme_minimal() + 
  scale_x_continuous(breaks = 1:12, 
                     labels = c("Gen", "Feb", "Mar", "Apr", "Mag", "Giu", 
                                "Lug", "Ago", "Set", "Ott", "Nov", "Dic")) + 
  labs(title = "Media e deviazione standard delle vendite per mese", 
       x = "Mese", 
       y = "Vendite medie")

Boxplot per la distribuzione del prezzo mediano tra le città:

ggplot(realestate_texas, aes(x = city, y = median_price)) +
  geom_boxplot() +
  labs(title = "Distribuzione del Prezzo Mediano per Città", x = "Città", y = "Prezzo Mediano")

Il grafico Boxplot mostra che:

Beaumont: il prezzo mediano è relativamente basso, con una distribuzione abbastanza compatta. Ci sono alcuni outlier che indicano immobili con prezzi più alti rispetto alla maggior parte del mercato.
Bryan-College Station: il prezzo mediano è più alto rispetto a Beaumont, con una distribuzione leggermente più ampia. Anche qui ci sono alcuni outlier, ma meno pronunciati.
Tyler: ha il prezzo mediano più alto, con una distribuzione ampia e alcuni outlier significativi. Questo suggerisce che ci sono immobili di fascia alta che influenzano la distribuzione.
Wichita Falls: il prezzo mediano è il più basso tra tutte le città, con una distribuzione molto compatta e pochi outlier.

Considerazioni:

Tyler e Bryan-College Station sono le città con i prezzi mediani più alti, mentre Wichita Falls ha i prezzi più bassi.
la presenza di outlier in Beaumont e Tyler suggerisce che ci sono immobili con prezzi significativamente più alti rispetto alla media, che potrebbero rappresentare opportunità di mercato per acquirenti con budget elevato.

Grafico a barre per il totale delle vendite per mese e città:

ggplot(realestate_texas, aes(x = factor(month), y = sales, fill = city)) +
  geom_bar(stat = "identity", position = "stack", alpha = 0.85) + 
  scale_x_discrete(labels = c("Gen", "Feb", "Mar", "Apr", "Mag", "Giu", 
                              "Lug", "Ago", "Set", "Ott", "Nov", "Dic")) + 
  scale_fill_brewer(palette = "Set3") +
  theme_minimal() + 
  theme(
    legend.position = "bottom", 
    legend.title = element_blank(),
    axis.text.x = element_text(angle = 0, hjust = 0.5) 
  ) +
  labs(title = "Totale delle Vendite per Mese e Città", 
       x = "Mese", 
       y = "Totale Vendite")

ggplot(realestate_texas, aes(x = factor(month), y = sales, fill = city)) +
  geom_bar(stat = "identity", position = "fill", alpha = 0.85) + 
  scale_x_discrete(labels = c("Gen", "Feb", "Mar", "Apr", "Mag", "Giu", 
                              "Lug", "Ago", "Set", "Ott", "Nov", "Dic")) + 
  scale_fill_brewer(palette = "Set3") +
  theme_minimal() + 
  theme(
    legend.position = "bottom", 
    legend.title = element_blank(),
    axis.text.x = element_text(angle = 0, hjust = 0.5) 
  ) +
  labs(title = "Totale delle Vendite per Mese e Città", 
       x = "Mese", 
       y = "Totale Vendite")

ggplot(realestate_texas, aes(x = interaction(month, year), y = sales, fill = city)) +
  geom_bar(stat = "identity", position = "stack", alpha = 0.85) + 
  scale_x_discrete(labels = function(x) {
    paste0(substr(x, 1, 2), "-", substr(x, 3, 7))
  }) +
  scale_fill_brewer(palette = "Set3") +
  theme_minimal() + 
  theme(
    legend.position = "bottom", 
    legend.title = element_blank(),
    axis.text.x = element_text(angle = 45, hjust = 1, size = 6)  
  ) +
  labs(title = "Totale delle Vendite per Mese, Città e Anno", 
       x = "Mese-Anno", 
       y = "Proporzione delle Vendite")+
  geom_vline(xintercept = seq(12.5, by = 12, length.out = length(unique(realestate_texas$year)) - 1), 
             linetype = "dashed", color = "gray", size = 0.5)

Sono stati creati 3 grafici, il primo è un grafico a barre per il totale delle vendite per mese e città, il secondo grafico mostra la proporzione delle vendite per ogni mese rispetto al totale annuo, infine il terzo include la variabile year.

Dai risultati si evince che:

Beaumont: le vendite sono più basse nei mesi invernali (gennaio-febbraio) e aumentano gradualmente nei mesi primaverili ed estivi (marzo-agosto), con un picco a giugno;
Bryan-College Station: mostra un andamento simile a Beaumont, ma con picchi di vendita più pronunciati nei mesi estivi, specialmente a giugno e luglio;
Tyler: le vendite sono costantemente più alte rispetto alle altre città, con un picco significativo sempre a giugno e luglio;
Wichita Falls: le vendite sono le più basse, con un andamento stabile durante tutto l’anno, sempre con un leggero aumento nei mesi estivi.

Quindi, i mesi primaverili ed estivi (marzo-agosto) sono i più favorevoli per le vendite in tutte le città.

Tyler è la città con il maggior numero di vendite, mentre Wichita Falls ha le vendite più basse.

Line Charts per l’andamento delle vendite nel tempo per città:

ggplot(realestate_texas, aes(x = year, y = sales, color = city, group = city)) +
  geom_line() + 
  geom_point() +
  scale_color_brewer(palette = "Set1") + 
  theme_minimal() +
  theme(
    legend.position = "bottom", 
    legend.title = element_blank(), 
    axis.text.x = element_text(angle = 45, hjust = 1), 
    panel.grid.major.y = element_line(color = "gray90", size = 0.5) 
  ) +
  labs(title = "Andamento delle Vendite nel Tempo per Città", 
       x = "Anno", 
       y = "Vendite")

## Warning: The `size` argument of `element_line()` is deprecated as of ggplot2 3.4.0.
## ℹ Please use the `linewidth` argument instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.

ggplot(realestate_texas, aes(x = year, y = sales, color = city, group = city)) +
  geom_line() + 
  geom_point() +
  scale_color_brewer(palette = "Set1") + 
  facet_wrap(~ city) +
  theme_minimal() +
  theme(
    legend.position = "bottom", 
    legend.title = element_blank(), 
    axis.text.x = element_text(angle = 45, hjust = 1), 
    panel.grid.major.y = element_line(color = "gray90", size = 0.5) 
  ) +
  labs(title = "Andamento delle Vendite nel Tempo per Città", 
       x = "Anno", 
       y = "Vendite")

Il grafico mostra che:

Beaumont: le vendite mostrano una crescita moderata nel tempo, con picchi in alcuni anni (es. 2013) e flessioni in altri (es. 2011);
Bryan-College Station: questa città ha un andamento più volatile, con picchi di vendita significativi in alcuni anni (es. 2013) e cali in altri (es. 2011);
Tyler: le vendite mostrano una crescita costante nel tempo, con un picco significativo nel 2014. Questo suggerisce che il mercato immobiliare a Tyler è in forte espansione;
Wichita Falls: le vendite sono le più basse tra tutte le città, con un andamento relativamente stabile nel tempo. Non ci sono picchi significativi, ma nemmeno cali drastici.

Considerazioni:

Tyler è la città con la crescita più marcata delle vendite, suggerendo un mercato in forte espansione;
Bryan-College Station ha un andamento più volatile, con picchi e cali significativi, che potrebbero essere legati a fattori economici o stagionali;
Wichita Falls ha un mercato più stabile, ma con vendite medie più basse rispetto alle altre città.

Conclusioni

Tyler si distingue come la città con la crescita più marcata, sia in termini di vendite che di prezzi mediani. Le vendite sono aumentate costantemente nel tempo, raggiungendo picchi significativi nei mesi estivi. Questo suggerisce un mercato in forte espansione, con immobili di fascia alta che attirano acquirenti disposti a investire.

Bryan-College Station, invece, mostra un andamento più volatile, con picchi di vendita significativi in alcuni mesi e cali in altri. Questa variabilità potrebbe essere legata a fattori stagionali o eventi economici locali. Nonostante la volatilità, la città ha un mercato attivo, con un prezzo mediano più alto rispetto a Beaumont e Wichita Falls. La presenza di mesi con efficacia degli annunci particolarmente alta suggerisce che ci sono strategie di marketing che funzionano meglio in determinati periodi, che potrebbero essere replicate per migliorare le performance complessive.

Beaumont ha un mercato più stabile, con vendite medie più basse rispetto a Tyler e Bryan-College Station, ma con una crescita moderata nel tempo. I mesi estivi sono i più favorevoli per le vendite, ma la città non raggiunge i livelli di performance delle altre due. Tuttavia, la presenza di alcuni immobili con prezzi più bassi rispetto alla media potrebbe attrarre acquirenti con budget limitato, offrendo opportunità per diversificare l’offerta.

Infine, Wichita Falls è la città con le vendite medie più basse e un andamento più stabile nel tempo. Nonostante la bassa variabilità, il mercato rimane poco dinamico, con un leggero aumento delle vendite nei mesi estivi. Questa stabilità potrebbe essere un’opportunità per adottare strategie mirate, come campagne di marketing specifiche o offerte promozionali, per stimolare la domanda e aumentare le vendite.

In sintesi, Tyler e Bryan-College Station rappresentano le opportunità più promettenti, con mercati in crescita e picchi di vendita significativi. Beaumont e Wichita Falls, invece, richiedono strategie più mirate per sfruttare il potenziale di mercato e migliorare le performance.