商業數據分析 - 期中競賽 - 圖表一

組員名單

M064020023 李劭竑

B034020022 吳明倫

M064111038 林嘉羽

M064111040 吳欣容

M064111045 周俊德

M054112060 蔡佩紜

Tony Chou 指導

---

對於A表的變數解釋與圖表

1.realpoorbitch分佈圖

·由此圖可以看出，真正在意獲利（愛比價）的人並不是多數，少數的顧客(3%)才會斤斤計較。

ggplot(data=A,aes(x=realpoorbitch))+geom_histogram(col="black",fill=rainbow(30))+ggtitle("realpoorbitch distribution")

table(A$realpoorbitch==1)

FALSE  TRUE 
27710   874 

874/(27710+874)

[1] 0.03057655

2.realspec分佈圖

·由此圖可以看出，結果呈現負值的人很少，故推測投機消費的人很少。

ggplot(data=A,aes(x=realspec))+geom_histogram(col="black",fill=rainbow(30))+ggtitle("realspec distribution")

3.r分佈圖

·有半數的人（54.87%)，在一個月以內到店裡消費過。

ggplot(data=A,aes(x=r))+geom_histogram(col="red4",fill=rainbow(30))+ggtitle("r distribution")

table(A$r<30)

FALSE  TRUE 
12900 15684 

15684/(12900+15684)

[1] 0.5486986

4.m分佈圖

·有八成(79.46%)的人平均消費在1500以下，其中以一千左右為最多數。

ggplot(data=A,aes(x=log10(m)))+geom_histogram(col="black",fill=rainbow(30))+scale_x_continuous(breaks=seq(0,10,1))+ggtitle("m distribution")

table(A$m<1500)

FALSE  TRUE 
 5871 22713 

22713/(5871+22713)

[1] 0.7946054

5.s分佈圖

·第一次到店消費與現在距離的天數，越來越少新的顧客進入店裡。

ggplot(data=A,aes(x=s))+geom_histogram(col="black",fill="skyblue2")+ggtitle("s distribution")

6.avgbuy分佈圖

·所有顧客平均在每樣商品上花多少錢，大部分的人都花在50-150元的區間。

ggplot(data=A,aes(x=avgbuy))+geom_histogram(col="grey3",fill="coral1")+scale_x_continuous(breaks=seq(0,1000,50))+xlim(0,200)+ggtitle("avgbuy distribution")

Scale for 'x' is already present. Adding another scale for 'x', which will replace the existing scale.

7.rev分佈圖

·大部分的人（84.83%)的人總貢獻都在5000以下。

ggplot(data=A,aes(x=log10(rev)))+geom_histogram(col="grey5",fill="skyblue2")+scale_x_continuous(breaks=seq(0,5,0.5))+xlim(0,5)+ggtitle("rev distribution")

Scale for 'x' is already present. Adding another scale for 'x', which will replace the existing scale.

table(A$rev<5000)

FALSE  TRUE 
 4337 24247 

24247/(24247+4337)

[1] 0.8482718

8.frise

·連續兩個月消費次數呈現正成長的顧客數量為3%，顧客保留狀況不是很好。

table(A$frise)

FALSE  TRUE 
27724   860 

860/(860+27724)

[1] 0.03008676

9.f的分佈圖

·在這四個月中，有95.22%的顧客只來10次以下，而有41.58%的顧客屬於一次性消費顧客。

ggplot(data=A,aes(x=f))+geom_histogram(col="black",fill=rainbow(30))+scale_x_continuous(breaks=seq(0,60,5))+xlim(0,30)+ggtitle("f distribution")

Scale for 'x' is already present. Adding another scale for 'x', which will replace the existing scale.

table(A$f<10)

FALSE  TRUE 
 1365 27219 

27219/(27219+1365)

[1] 0.952246

table(A$f<2)

FALSE  TRUE 
16698 11886 

11886/(11886+16698)

[1] 0.415827

10.wday、消費金額的關係

·由此圖可以看出，禮拜日消費金額最高，且六日人潮也為最多。

A <- merge(A,X[,c("cust","wday")],by = "cust")
A$wday = as.factor(A$wday)
test = tapply(A$m,A$wday,sum)
df = data.frame(weekday = c("Sun","Monday","Tues","Wed","Thur","Fri","Sat"),count = test)
df$weekday = as.factor(df$weekday)
df$weekday <- ordered(df$weekday,c("Sun","Monday","Tues","Wed","Thur","Fri","Sat"))
ggplot(data=df,aes(x = weekday, y=count)) + geom_bar(stat = "identity",col="black",fill="tan1")

11.area跟rev之間的關係

·由下圖可知住附近的人(E、F)對商店的收益貢獻較高，顯示距離與收益貢獻確實呈現顯著的相關性。

rev_sum = tapply(A$rev,A$area,sum)
df = data.frame(area = c("A","B","C","D","E","F","G","H"),rev_sum = rev_sum)
ggplot(data=df,aes(x=area,y=rev_sum)) + geom_bar(stat = "identity",col="brown",fill=rainbow(8))

12.area和realspec的關係

·由下圖顯示，地區與投機程度並沒有高度的顯著相關性，沒有差很多。

mean_spec = tapply(A$realspec,A$area,mean)
df = data.frame(area = c("A","B","C","D","E","F","G","H"),
                mean_spec = mean_spec)
ggplot(data = df, aes(x = area, y=mean_spec)) + geom_bar(stat = "identity",fill="turquoise",col="gray17")