1 Enunciado del caso

La gerencia de Marketing de plazaVea se encuentra evaluando la efectividad de distintas estrategias promocionales desplegadas durante una campaña comercial orientada a incrementar el gasto de clientes de alta recurrencia en la categoría de consumo masivo.

Durante una ventana de activación de siete días, se implementaron cuatro tratamientos de marketing sobre grupos de clientes comparables, cada uno asociado a un tipo distinto de intervención comercial:

  • Tratamiento 1: Control
    Clientes que no recibieron ninguna comunicación promocional.

  • Tratamiento 2: Email con descuento general
    Clientes que recibieron un correo con una oferta de descuento aplicable a categorías seleccionadas.

  • Tratamiento 3: Push con recomendación personalizada
    Clientes impactados mediante una notificación en la app con sugerencias de compra basadas en comportamiento histórico.

  • Tratamiento 4: WhatsApp con cupón dinámico
    Clientes que recibieron un mensaje con un cupón individualizado, de vigencia corta y enfoque en conversión inmediata.

La variable de análisis es el ticket post campaña, definido como el monto total gastado por cada cliente, expresado en soles, durante los siete días posteriores a la activación del tratamiento.

🎯 Objetivo del análisis
Evaluar si los tratamientos de marketing implementados por Plaza Vea generan diferencias significativas en el ticket promedio post campaña de los clientes.

Para este análisis utilice la base datos “caso_plazaVea.csv” para tomar las decisiones correspondientes.

Resolver lo siguiente:

###Carga de librerias
library(tidyverse)
library(car)
library(rstatix)
library(ggpubr)
library(knitr)
datos = read.csv("caso_plazaVea.csv", header=T, sep=",")
head (datos)
##   tratamiento ticket_post
## 1     Control    36.26024
## 2     Control    40.17978
## 3     Control    41.98678
## 4     Control    36.52157
## 5     Control    38.10214
## 6     Control    44.25787
Preguntas a resolver
1. Realice un análisis descriptivo inicial de la variable ticket_post por tratamiento.
2. Evalúe si las varianzas del ticket post campaña son homogéneas entre los tratamientos.
3. Considerando el resultado anterior, determine si existen diferencias significativas entre las medias de los tratamientos.
4. En caso de encontrar diferencias globales significativas, determine entre qué tratamientos se presentan dichas diferencias aplicando una prueba post hoc de Games-Howell.

Conclusión

Con base en el análisis realizado, el estudiante deberá emitir una conclusión estadística y una conclusión de negocio que respondan a la siguiente pregunta central:

¿Qué tratamiento de marketing genera el mayor impacto en el ticket post campaña y cuáles diferencias son estadísticamente concluyentes?

Desarrollo :

  1. Realice un análisis descriptivo inicial
    datos %>%
      group_by(tratamiento) %>%
      summarise(
        n = n(),
        media = mean(ticket_post),
        desviacion_estandar = sd(ticket_post),
        minimo = min(ticket_post),
        maximo = max(ticket_post)
      ) %>%
      kable(digits = 2, caption = "Resumen descriptivo del ticket post campaña por tratamiento")
Resumen descriptivo del ticket post campaña por tratamiento
tratamiento n media desviacion_estandar minimo maximo
Control 90 41.63 5.71 26.38 56.09
Email descuento general 95 47.56 9.28 22.97 76.54
Push personalizado 85 48.54 9.04 19.74 69.40
WhatsApp cupón dinámico 75 56.12 11.97 32.16 87.42

Complementamos con un gráfico

    ggboxplot(
      datos,
      x = "tratamiento",
      y = "ticket_post",
      color = "tratamiento",
      add = "jitter"
    ) +
      labs(
        title = "Distribución del ticket post campaña según tratamiento",
        x = "Tratamiento de marketing",
        y = "Ticket post campaña (S/)"
      ) +
      theme_minimal() +
      theme(legend.position = "none")