SIGNORETTA

setwd("~/Desktop/STATISTICA/R- project")
library(readr)
dati <- read_csv("Real Estate 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.

1. ANALISI VARIABILI

dim(dati)

## [1] 240   8

str(dati)

## spc_tbl_ [240 × 8] (S3: spec_tbl_df/tbl_df/tbl/data.frame)
##  $ city            : chr [1:240] "Beaumont" "Beaumont" "Beaumont" "Beaumont" ...
##  $ year            : num [1:240] 2010 2010 2010 2010 2010 2010 2010 2010 2010 2010 ...
##  $ month           : num [1:240] 1 2 3 4 5 6 7 8 9 10 ...
##  $ sales           : num [1:240] 83 108 182 200 202 189 164 174 124 150 ...
##  $ volume          : num [1:240] 14.2 17.7 28.7 26.8 28.8 ...
##  $ median_price    : num [1:240] 163800 138200 122400 123200 123100 ...
##  $ listings        : num [1:240] 1533 1586 1689 1708 1771 ...
##  $ months_inventory: num [1:240] 9.5 10 10.6 10.6 10.9 11.1 11.7 11.6 11.7 11.5 ...
##  - attr(*, "spec")=
##   .. cols(
##   ..   city = col_character(),
##   ..   year = col_double(),
##   ..   month = col_double(),
##   ..   sales = col_double(),
##   ..   volume = col_double(),
##   ..   median_price = col_double(),
##   ..   listings = col_double(),
##   ..   months_inventory = col_double()
##   .. )
##  - attr(*, "problems")=<externalptr>

summary(dati)

##      city                year          month           sales      
##  Length:240         Min.   :2010   Min.   : 1.00   Min.   : 79.0  
##  Class :character   1st Qu.:2011   1st Qu.: 3.75   1st Qu.:127.0  
##  Mode  :character   Median :2012   Median : 6.50   Median :175.5  
##                     Mean   :2012   Mean   : 6.50   Mean   :192.3  
##                     3rd Qu.:2013   3rd Qu.: 9.25   3rd Qu.:247.0  
##                     Max.   :2014   Max.   :12.00   Max.   :423.0  
##      volume        median_price       listings    months_inventory
##  Min.   : 8.166   Min.   : 73800   Min.   : 743   Min.   : 3.400  
##  1st Qu.:17.660   1st Qu.:117300   1st Qu.:1026   1st Qu.: 7.800  
##  Median :27.062   Median :134500   Median :1618   Median : 8.950  
##  Mean   :31.005   Mean   :132665   Mean   :1738   Mean   : 9.193  
##  3rd Qu.:40.893   3rd Qu.:150050   3rd Qu.:2056   3rd Qu.:10.950  
##  Max.   :83.547   Max.   :180000   Max.   :3296   Max.   :14.900

ANALISI

Struttura: 240 osservazioni e 8 variabili. Variabile city: qualitativa su scala nominale (4 modalità). Variabili year e month: quantitative discrete; creo nuova colonna “datetime”. Variabile sales: quantitativa discreta. Variabile volume: quantitativa continua Variabile median price: quantitativa continua. Variabile listings: quantitativa discreta. Variabile month inventory: quantitativa discreta.

library(dplyr)

## 
## Attaching package: 'dplyr'

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

dati_new <- dati %>%
  mutate(datetime= paste(dati$year,dati$month, sep = "-", collapse = NULL, recycle0 = FALSE))
attach(dati_new)

2: INDICI POSIZIONE, VARIABILITA’ E FORMA

Calcolo indici solo per variabili quantitative. Per la variabile city genero tabella con distribuzione di frequenze e individuo il valore modale, se presente.

table(city)

## city
##              Beaumont Bryan-College Station                 Tyler 
##                    60                    60                    60 
##         Wichita Falls 
##                    60

dim(dati_new)

## [1] 240   9

N=dim(dati_new)[1]

freq_ass <- table(city)
freq_rel <- table(city)/N
distr_freq_city<-cbind(freq_ass,freq_rel)

ANALISI

Variabile city: La variabile city presenta 4 modalità, le quali hanno la stessa frequenza. Quindi la distribuzione non ha un valore modale. Introduco le funzioni relative al Coefficente di Variazione e all’indice di Gini per le variabile quantitative che analizzo di seguito.Infine installo il package moments.

CV <- function(x){ 
  return(sd(x)/mean(x)*100)}

gini.index <- function(x){ 
  ni=table(x)
  fi= ni/length(x)
  fi2 = fi^2
  J = length(table(x))
  
  gini=1-sum(fi2)
  gini.norm= gini/((J-1)/J)
  
  return(gini.norm)}

install.packages("moments", repos = "http://cran.us.r-project.org")

## 
## The downloaded binary packages are in
##  /var/folders/24/tq3k976n3vj3y8z02m0rlr_r0000gn/T//Rtmpn9tiJ4/downloaded_packages

library(moments)

summary(sales)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    79.0   127.0   175.5   192.3   247.0   423.0

range(sales)

## [1]  79 423

IQR(sales)

## [1] 120

boxplot(sales)

var(sales)

## [1] 6344.3

sd(sales)

## [1] 79.65111

CV(sales)

## [1] 41.42203

gini.index(sales)

## [1] 0.998379

plot(density(sales))

skewness(sales)

## [1] 0.718104

kurtosis(sales)

## [1] 2.686824

ANALISI

Variabile Sales(numero totale di vendite):la variabile sales ha un range compreso tra 79 e 423 vendite mensili, un valore mediano di 175.5 e una media di 192.3 . Ha un indice di Gini di 0.99, quindi un livello molto alto di concentrazione, quasi al limite della massima disuguaglianza.  Ha un coefficiente di variazione, e quindi un grado di variabilità dei dati attorno alla media, del 41%. Ha un indice di asimmetria di 0.7, quindi la distribuzione e asimmetrica positiva, e un indice di curtosi di 2.7, quindi è Leptocurtica, con una maggiore presenza di valori estremi e una forma più appuntita rispetto alla normale.

summary(volume)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   8.166  17.660  27.062  31.005  40.893  83.547

range(volume)

## [1]  8.166 83.547

IQR(volume)

## [1] 23.2335

boxplot(volume)

var(volume)

## [1] 277.2707

sd(volume)

## [1] 16.65145

CV(volume)

## [1] 53.70536

gini.index(volume)

## [1] 0.9999484

plot(density(volume))

skewness(volume)

## [1] 0.884742

kurtosis(volume)

## [1] 3.176987

ANALISI

Variabile Volume(valore totale delle vendite):la variabile volume ha un range compreso tra 8.166 e 83.547 milioni di dollari , un valore mediano di 27.062 e una media di 31.005. Ha un indice di Gini di 0.99 , quindi un livello molto alto di concentrazione, quasi al limite della massima disuguaglianza. Ha un coefficiente di variazione, e quindi un grado di variabilità dei dati attorno alla media, del 54%. Ha un indice di asimmetria di 0.9, quindi la distribuzione e asimmetrica positiva, e un indice di curtosi di 3.2 , quindi è Leptocurtica, con una maggiore presenza di valori estremi e una forma più appuntita rispetto alla normale.

summary(median_price)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   73800  117300  134500  132665  150050  180000

range(median_price)

## [1]  73800 180000

IQR(median_price)

## [1] 32750

boxplot(median_price)

var(median_price)

## [1] 513572983

sd(median_price)

## [1] 22662.15

CV(median_price)

## [1] 17.08218

gini.index(median_price)

## [1] 0.9992672

plot(density(median_price))

skewness(median_price)

## [1] -0.3645529

kurtosis(median_price)

## [1] 2.377038

ANALISI

Variabile median_price (prezzo mediano di vendita):la variabile median price ha un range compreso tra 73800 e 180000 dollari, un valore mediano di 134500 e una media di 132665. Ha un indice di Gini di 0.99 , quindi un livello molto alto di concentrazione, quasi al limite della massima disuguaglianza. Ha un coefficiente di variazione del 17%, quindi i suoi dati sono più concentrati attorno alla media rispetto alle altre variabili. Ha un indice di asimmetria di -0.4, quindi la distribuzione è asimmetrica negativa, e un indice di curtosi di 2.4, quindi è Leptocurtica, con una maggiore presenza di valori estremi e una forma più appuntita rispetto alla normale.

summary(listings)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##     743    1026    1618    1738    2056    3296

range(listings)

## [1]  743 3296

IQR(listings)

## [1] 1029.5

boxplot(listings)

var(listings)

## [1] 566569

sd(listings)

## [1] 752.7078

CV(listings)

## [1] 43.30833

gini.index(listings)

## [1] 0.9996201

plot(density(listings))

skewness(listings)

## [1] 0.6494982

kurtosis(listings)

## [1] 2.20821

ANALISI

Variabile listings (numero totale di annunci attivi): La variabile listings ha un range compreso tra 743 e 3296 annunci attivi mensili, un valore mediano di 1618 e una media di 1738. Ha un indice di Gini di 0.99 , quindi un livello molto alto di concentrazione, quasi al limite della massima disuguaglianza. Ha un coefficiente di variazione, e quindi un grado di variabilità dei dati attorno alla media, del 43%. Ha un indice di asimmetria di 0.6, quindi la distribuzione e asimmetrica positiva, e un indice di curtosi di 2.2, quindi è Leptocurtica, con una maggiore presenza di valori estremi e una forma più appuntita rispetto alla normale. —

summary(months_inventory)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   3.400   7.800   8.950   9.193  10.950  14.900

range(months_inventory)

## [1]  3.4 14.9

IQR(months_inventory)

## [1] 3.15

boxplot(months_inventory)

var(months_inventory)

## [1] 5.306889

sd(months_inventory)

## [1] 2.303669

CV(months_inventory)

## [1] 25.06031

gini.index(months_inventory)

## [1] 0.9944444

plot(density(months_inventory))

skewness(months_inventory)

## [1] 0.04097527

kurtosis(months_inventory)

## [1] 2.825552

ANALISI

Variabile months inventory (quantità di tempo necessaria per vendere tutte le inserzioni correnti):la variabile months inventory ha un range compreso tra 3 e 15 mesi , un valore mediano e una media di 9 mesi. Ha un indice di Gini di 0.99 , quindi un livello molto alto di concentrazione, quasi al limite della massima disuguaglianza. Ha un coefficiente di variazione del 25%, quindi una bassa variabilità dei dati rispetto alla media. Ha un indice di asimmetria di 0.04, quindi la distribuzione è approssimativamente simmetrica (considendo anche la la prossimità dei valori di media e mediana), e un indice di curtosi di 2.8, quindi è Leptocurtica, con una maggiore presenza di valori estremi e una forma più appuntita rispetto alla normale.

3. IDENTIFICAZIONE VARIABILI CON MAGGIORE VARIABILITA’ E ASIMMETRIA

La variabile con la più alta variabilità è la variabile volume con un Coefficente di Variazione del 54%. La variabile con la distribuzione più asimmetrica è la variabile volume con un indice di asimmetria di 0.9.

4. CREAZIONI DI CLASSI PER UNA VARIABILE QUANTITATIVA

volume_cl <- cut(dati_new$volume,
                 breaks = c(8.000,20.000,40.000,60.000,85.000))


freq_ass <- table(volume_cl)
freq_rel <- table(volume_cl)/N
NI <- cumsum(freq_ass)
FI <- NI/N
distr_freq_volumecl<-cbind(freq_ass,freq_rel, NI, FI)

ANALISI

Commento: Osservando la distribuzione di frequenze della variabile volume divisa in 4 classi, i valori si concentrano per il 74% nelle prime 2 classi e la classe modale è la seconda classe (20.000-40.000) la quale contiene il 41% delle osservazioni totali.

library(ggplot2)
ggplot(data= dati_new)+
  geom_bar(
    aes(x=volume_cl),
    stat = "count",
    col="black",
    fill= "pink")+
    labs(title= "Distribuzione delle classi di volume",
      x="Volume in classi, mln $",
        y="Frequenze assolute")+
  theme_classic()

ggplot(data= dati_new)+
  geom_bar(aes(x=volume_cl,
               fill=city),
           position = "fill",
           stat = "count",
           col="pink")+
  labs(title= "Distribuzione delle classi di volume per città, normalizzato",
       x="Volume in classi, mln $",
       y="Frequenze relative")+
  theme_classic()

v1 <- volume_cl
v2 <- city

frq_volumexcity <-table(v1,v2)

frq_volumexcity_tot <-addmargins(frq_volumexcity)
print(frq_volumexcity_tot)

##          v2
## v1        Beaumont Bryan-College Station Tyler Wichita Falls Sum
##   (8,20]        12                     7     0            59  78
##   (20,40]       45                    30    23             1  99
##   (40,60]        3                    14    27             0  44
##   (60,85]        0                     9    10             0  19
##   Sum           60                    60    60            60 240

gini.index(volume_cl)

## [1] 0.9124537

ANALISI

Commento: la variabile ha un indice di Gini di 0.91 quindi un livello molto alto di concentrazione, quasi al limite della massima disuguaglianza. Introducendo poi la variabile city, osserviamo nel dettaglio la distribuzione delle città all’interno delle classi di volume. Beaumont ha come classe modale la seconda classe con il 75% delle osservazioni e il restante 20% nella prima classe di volume. Bryan-College Station ha una distribuzione più equilibrata con una classe modale, la seconda, in cui si concentrano il 50% delle osservazioni. Tyler è distribuita tra le ultime 3 classi di volume, con la seconda classe al 38% e la terza classe al 45%. Wichita Falls rientra al 98% nella prima classe 8-20 (con 59 osservazioni su 60).

5: CALCOLO PROBABILITà

frequenze <- table(city)
print(frequenze)

## city
##              Beaumont Bryan-College Station                 Tyler 
##                    60                    60                    60 
##         Wichita Falls 
##                    60

prob_beaumont <- frequenze["Beaumont"] / length(city)
print(prob_beaumont)

## Beaumont 
##     0.25

ANALISI

Commento: La probabilità di estrarre la modalità “Beaumont” è del 25%.

frequenze <- table(month)
print(frequenze)

## month
##  1  2  3  4  5  6  7  8  9 10 11 12 
## 20 20 20 20 20 20 20 20 20 20 20 20

prob_luglio <- frequenze["7"] / length(month)
print(prob_luglio)

##          7 
## 0.08333333

ANALISI

Commento: La probabilità di estrarre la modalità “luglio” è del 8%.

frequenze <- table(datetime)
print(frequenze)

## datetime
##  2010-1 2010-10 2010-11 2010-12  2010-2  2010-3  2010-4  2010-5  2010-6  2010-7 
##       4       4       4       4       4       4       4       4       4       4 
##  2010-8  2010-9  2011-1 2011-10 2011-11 2011-12  2011-2  2011-3  2011-4  2011-5 
##       4       4       4       4       4       4       4       4       4       4 
##  2011-6  2011-7  2011-8  2011-9  2012-1 2012-10 2012-11 2012-12  2012-2  2012-3 
##       4       4       4       4       4       4       4       4       4       4 
##  2012-4  2012-5  2012-6  2012-7  2012-8  2012-9  2013-1 2013-10 2013-11 2013-12 
##       4       4       4       4       4       4       4       4       4       4 
##  2013-2  2013-3  2013-4  2013-5  2013-6  2013-7  2013-8  2013-9  2014-1 2014-10 
##       4       4       4       4       4       4       4       4       4       4 
## 2014-11 2014-12  2014-2  2014-3  2014-4  2014-5  2014-6  2014-7  2014-8  2014-9 
##       4       4       4       4       4       4       4       4       4       4

prob_dicembre2012 <- frequenze["2012-12"] / length(datetime)
print(prob_dicembre2012)

##    2012-12 
## 0.01666667

ANALISI

Commento: La probabilità di estrarre la modalità “dicembre 2012” è dell’ 2%.

6.CREAZIONE NUOVE VARIABILI

library(dplyr)
dati_new <- dati_new %>%
  mutate(med_price_new = (volume/sales)*1000000)

ANALISI

Commento: ho creato una nuova colonna che calcoli il prezzo medio degli immobili disponibili.

dati_new <- dati_new %>%
  mutate(list_efficiency = ((months_inventory/listings)*100)*100)

attach(dati_new)

## The following objects are masked from dati_new (pos = 5):
## 
##     city, datetime, listings, median_price, month, months_inventory,
##     sales, volume, year

summary(list_efficiency)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   30.37   42.38   56.80   58.81   71.52   93.60

CV(list_efficiency)

## [1] 31.28903

plot(density(list_efficiency))

skewness(list_efficiency)

## [1] 0.4230854

kurtosis(list_efficiency)

## [1] 1.931897

#1. boxplot list_efficiency
boxplot(list_efficiency, main="Boxplot Efficacia annunci di vendita", xlab="Efficacia annunci, in %")

#2. boxplot list_efficiency & city

ggplot(dati_new)+
  geom_boxplot(aes(
    x=city,
    y=list_efficiency))+
  labs(title= "Distribuzione dell'efficienza annunci di vendita per città ",
       x="Città",
       y="Efficacia annunci, in %")+
  theme_bw()

#3. boxplot list_efficiency & year
boxplot(list_efficiency~year, main="Boxplot Efficacia annunci di vendita per anno", xlab="Anno", ylab="Efficacia annunci, in %")

#4. boxplot city & listings

ggplot(dati_new)+
  geom_boxplot(aes(
    x=city,
    y=listings))+
  labs(title= "Distribuzione degli annunci attivi di vendita per città",
       x="Città",
       y="Annunci attivi di vendita")+
  theme_bw()

#5. boxplot city & median price
ggplot(dati_new)+
  geom_boxplot(aes(
    x=city,
    y=median_price))+
      labs(title= "Distribuzione del prezzo mediano per città",
       x="Città",
       y="Prezzo mediano, in $")+
  theme_bw()

#boxplot listings & year
boxplot(listings~year, main="Boxplot annunci attivi di vendita per anno", xlab="Anno", ylab="Annunci")

ANALISI

Commento: la variabile mostra un un minimo del 30% e un massimo del 93% di efficacia degli annunci, con il valore della media e della mediana molto prossimi tra il 57% e il 59%; ha un coefficiente di variazione, e quindi un grado di variabilità dei dati attorno alla media, del 31%. Inoltre, ha un indice di asimmetria di 0.4, quindi la distribuzione e asimmetrica positiva, e un indice di curtosi di 1.9, quindi è Leptocurtica, con una maggiore presenza di valori estremi e una forma più appuntita rispetto alla normale. Tuttavia guardando ai valori della media e della mediana, i quali sono molto prossimi, possiamo considerare la distribuzione approssimativamente simmetrica.

Introducendo la variabile city osserviamo che la variabilità in termini di efficacia degli annunci varia notevolmente, soprattutto per le città di Tyler e di Wichita Falls che si collocano ai due opposti (la prima con un valore mediano di circa il 40%, la seconda con un valore mediano di circa l’85%), mentre le altre due città si collocano intorno ai valori mediani della variabile (Bryan-College Station intorno al 52% circa e Beaumont intorno al 62% circa). Osservando però poi come gli annunci sono distribuiti sulle 4 città (variabile listings), si nota che la città di Tyler è la capofila per numero di annunci attivi con un valore mediano di circa 2875 annunci, mentre la città di Wichita Falls è l’ultima con un valore mediano inferiore ai 1000 annunci. Inoltre, osservando anche la variabile median_price per città, abbiamo la conferma della variabilità del prezzo mediano per città: Tyler ha un prezzo mediano di circa 140.000$ contro i 105.000$ circa di Wichita Falls. Dunque l’indice di efficacia riferito alla città di Wichita Falls potrebbe essere influenzato dal numero minore di annunci e dal prezzo medio minore rispetto alle altre 4 città, ma sarebbero necessarie ulteriori ricerche in merito.

Guardando invece alla variazione della variabile negli anni 2010-2014, vediamo un valore mediano che è passato dal 60% circa nel 2010 al 40% circa del 2014. Analizzando poi la variazione in termini di numeri di annunci nello stesso arco temporale, notiamo un trend di diminuzione degli annunci.

7-8: ANALISI CONDIZIONATA CON RAPPRESENTAZIONI GRAFICHE

A. ANALISI PREZZO MEDIO PER CITTA’

ggplot(dati_new)+
  geom_boxplot(aes(
    x=city,
    y=med_price_new))+
      labs(title= "Distribuzione del prezzo medio per città",
       x="Città",
       y="Prezzo medio, in $")+
  theme_bw()

ANALISI

Commento: in ordine decrescente, la capofila è la città di Bryan-College Station con un valore mediano di poco oltre 180.000$ e un valore massimo che supera i 210.000\(, segue la città di Tyler con un valore mediano di circa 170.000\) e un valore massimo di quasi 195.000\(; in terza posizione la città di Beaumont con un valore mediano di circa 145.000\), mentre a chiudere la distribuzione troviamo la città di Wichita Falls con un valore mediano di 120.000$.

B. ANALISI VENDITE PER CITTA’ E PER MESI

ggplot(data = dati_new)+
  geom_col(aes(x=month,
               y= sales,
               fill=city))+
             labs(title= "Analisi andamento vendite per mese (periodo 2010-2014)",
       x="Mesi",
       y="Vendite totali, per mese")

ggplot(data = dati_new)+
  geom_col(aes(x=month,
               y= sales,
               fill=city),
           position = "fill")+
  labs(title= "Analisi andamento vendite per mese, per città",
       x="Mesi",
       y="Vendite, frequenze relative")

ANALISI

Commento: in termini assoluti sul periodo in esame, dal 2010 al 2014, si evidenzia un trend di crescita delle vendite graduale nei primi due mesi dell’anno, più pronunciata dal mese di marzo fino a raggiungere il picco nei mesi tra maggio e agosto. Successivamente si osserva un declino delle vendite che si mantiene relativamente stabile fino a dicembre. Il valore minimo si registra a gennaio con circa 2500 vendite, mentre il valore massimo si registra a giugno con circa 4800 vendite (il totale vendite mensile rappresentato in questo grafico è la somma degli anni 2010-2014).

Il trend è confermato analizzando le singole città, con l’eccezione di Wichita Falls che ha un andamento più lineare; dall’analisi degli annunci per città abbiamo però già osservato che la suddetta ha un numero minore di annunci rispetto alle altre 3 città texane. La prima città per numero di vendite è Tyler, seguita da Brain-College Station che nei mesi di picco ha vendite molto simili alla prima. Come già visto in precedenza, Tyler è la città con il maggior numero di annunci. Segue la città di Beaumont con un incremento nei mesi estivi ma con un piccolo decremento su luglio. In ultima posizione la città di Wichita Falls.

C. ANALISI ANDAMENTO VARIABILE SALES DURANTE GLI ANNI

ggplot(dati_new)+
  geom_boxplot(aes(
    x=sales,
    y=datetime))+
  labs(title= "Andamento vendite mensile dal 2010 al 2014",
       x= "Vendite mensili",
       y= "Data")+
  theme_linedraw()

boxplot(sales~year,  main="Boxplot andamento vendite per anno", xlab="Anno", ylab="Vendite mensili")

boxplot(volume~year,  main="Boxplot volume vendite per anno", xlab="Anno", ylab="Volume vendite, in mln $")

ANALISI

Commento: è identificabile un trend generale di crescita nel periodo in studio, cioè tra il 2010 e il 2014 sia in termini di vendite mensili, sia in termini di volumi di vendita in milioni di dollari ed è confermato l’andamento stagionale delle vendite, con un incremento nei mesi tra maggio e luglio. In particolare, vi è un incremento da un valore mediano di circa 160 vendite mensili nel 2010 ad un valore mediano di circa 210 vendite mensili nel 2014, con un incremento anche dei valori massimi nei 5 anni. Guardando invece ai volumi di vendite in milioni di dollari, osserviamo un incremento da un valore mediano di circa 25 milioni di dollari del 2010 ad un valore mediano di quasi 40 milioni di dollari nel 2014, con un incremento dei valori massimi come per la variabile precedente.

CONCLUSIONI

L’analisi svolta ha permesso di identificare un generale trend di crescita nel periodo in studio in termini di vendite e volumi di vendita in milioni di dollari. In particolare si evidenzia un andamento stagionale delle vendite, con un in incremento nei mesi tra maggio e luglio. Vi è stato infatti un incremento delle vendite mensili da un valore mediano di circa 160 vendite mensili nel 2010 ad un valore mediano di circa 210 vendite mensili nel 2014, con un incremento anche dei valori massimi nei 5 anni. Guardando invece ai volumi di vendite in milioni di dollari, osserviamo un incremento da un valore mediano di circa 25 milioni di dollari del 2010 ad un valore mediano di quasi 40 milioni di dollari nel 2014, con un incremento dei valori massimi come per la variabile precedente. Segnaliamo però una diminuzione dell’efficacia degli annunci di vendita, con un valore mediano che è passato dal 60% circa nel 2010 al 40% circa del 2014, e una lieve decrescita degli annunci attivi nello stesso arco temporale.

Per quanto riguarda l’efficacia delle strategie di marketing delle inserzioni immobiliari, l’efficacia media degli annunci attivi è del 59% e un range che va dal 30% al 93%. Tale indice di efficacia varia molto in base alla città selezionata: la città di Tyler ha un valore mediano del 40%, seguita da Bryan-College Station con il 52% circa, Beaumont con il 62% circa e infine Wichita Falls con il valore mediano più alto, circa l’85%. Analizzando in particolare le due città che si collocano ai poli opposti, è bene riportare che esse sono differenti sia per numero di annunci attivi che per prezzo medio e mediano degli immobili. In particolare, Wichita Falls ha un valore mediano inferiore ai 1000 annunci, nettamente inferiore alle altre tre città, e il numero di annunci ha un impatto diretto sull’indice di efficacia degli annunci di vendita.

Le 4 città, quindi, si differenziano in termini di prezzo medio, mediano, numero di annunci attivi e quindi anche volume di vendita. Se volessimo ordinarle in ordine crescente in base ai risultanti ottenuti partiremmo dalla città di Wichita Falls che presenta il numero minore di annunci attivi (valore mediano di circa 1000 annunci attivi), il prezzo medio e mediano più basso (rispettivamente 120.000$ e 105.000$ circa), e che in termini di volumi di vendita si posiziona al 98% nella prima classe, ovvero tra 8 e 20 milioni di dollari. Segue la città di Beaumont con un valore mediano di 1700 annunci attivi (tecnicamente in seconda posizione se ordinassimo le città in base ai valori mediani di annunci attivi) ma con un prezzo medio e mediano di rispettivamente 145.000$ e 133.000$ circa e un posizionamento prevalente nella seconda classe di volume, ovvero tra 20 e 40 milioni di dollari, con il 75% delle osservazioni mensili. Nelle prime due posizioni le città di Tyler e Brian-College Station con valori simili e prossimi in termini di prezzo medio e mediano: Tyler ha un prezzo medio di 170.000$ e mediano di 140.000$ circa, mentre la seconda ha un prezzo medio di 180.000$ e mediano di 155.000$ circa. Tuttavia la città di Tyler è la prima in termini di numero di annunci attivi (valore mediano di 2875 annunci attivi contro i 1500 di Bryan-College Station). In termini di volumi di vendita, invece, la città di Tyler si conferma capofila con il 45% delle osservazione nella terza classe di volume, tra i 40 e 60 milioni, e il 38% nella seconda classe, tra 20 e 40 milioni, mentre Bryan-College registra il 50% delle osservazioni mensili nella seconda classe di volume. Guardando però all’efficacia degli annunci di vendita, la città di Bryan-College Station con un valore mediano del 52% circa, contro un 40% della città di Tyler. In conclusione la città di Tyler è capofila in termini di annunci attivi e volume di vendite, mentre Bryan-College Station lo è in termini di prezzo medio e mediano, nonché di efficacia degli annunci di vendita.