Impacto de mercadeo en ventas

En el siguiente ejemplo vamos a trabajar con datos de las venta de una compañia para relacionar las ventas con la inversión en mercadeo

require(datarium)
require(ggplot2)
require(plotly)
data("marketing")
head(marketing)
youtube facebook newspaper sales
276.12 45.36 83.04 26.52
53.40 47.16 54.12 12.48
20.64 55.08 83.16 11.16
181.80 49.56 70.20 22.20
216.96 12.96 70.08 15.48
10.44 58.68 90.00 8.64 
## Promedio y desviación

promedio = mean(marketing$sales)
desviacion = sd(marketing$sales)

data.frame(promedio,desviacion)
promedio desviacion
16.827 6.260948 
g1=ggplot(data = marketing, mapping = aes(x=sales))+geom_histogram(fill="blue")+theme_bw()
ggplotly(g1)
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

Análisis Bivariado

g2=ggplot(data = marketing, mapping = aes(x=newspaper, y=sales))+geom_point()+theme_bw()+geom_smooth()
ggplotly(g2)
## `geom_smooth()` using method = 'loess' and formula 'y ~ x'

Correlación de Pearson

cor(marketing$newspaper,marketing$sales)
## [1] 0.228299

Al tener un 22% es muy bajo la correlacion.

fb y ventas

g3=ggplot(data = marketing, mapping = aes(x=facebook, y=sales))+geom_point()+theme_bw()+geom_smooth()
ggplotly(g3)
## `geom_smooth()` using method = 'loess' and formula 'y ~ x'

Correlacion de Pearson

cor(marketing$facebook,marketing$sales)
## [1] 0.5762226
g4=ggplot(data = marketing, mapping = aes(x=youtube, y=sales))+geom_point()+theme_bw()+geom_smooth()
ggplotly(g4)
## `geom_smooth()` using method = 'loess' and formula 'y ~ x'

Correlacion de Pearson

cor(marketing$youtube,marketing$sales)
## [1] 0.7822244

modelo de regresion

mod_you = lm(sales~youtube, data = marketing)
mod_you
## 
## Call:
## lm(formula = sales ~ youtube, data = marketing)
## 
## Coefficients:
## (Intercept)      youtube  
##     8.43911      0.04754

sales = 8.43911 + (0.04754* youtube)

Las ventas promedio cuando no se inyecta capital a Youtube es de 8.43911 dolares y por cada 1000 dolares crece 0.04754 millones de dolares

summary(mod_you)
## 
## Call:
## lm(formula = sales ~ youtube, data = marketing)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -10.0632  -2.3454  -0.2295   2.4805   8.6548 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 8.439112   0.549412   15.36   <2e-16 ***
## youtube     0.047537   0.002691   17.67   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 3.91 on 198 degrees of freedom
## Multiple R-squared:  0.6119, Adjusted R-squared:  0.6099 
## F-statistic: 312.1 on 1 and 198 DF,  p-value: < 2.2e-16

Variable youtube significativa del modelo <2e-16 *** y explica un 60% la variabilidad de las ventas con r cuadrado

Predectivo del modelo

Estimar las ventas para un mes en el cual se invierta en mercado en youtube 65 mil dolares.

predict(mod_you,list(youtube=65),interval = "confidence", level = 0.95)
##        fit      lwr      upr
## 1 11.52899 10.72462 12.33337

11.52899 es el valor que se espera y se mueve entre 10.72462 y 12.33337 con un 95% de confianza

validacion cruzada

Sirve para evaluar el poder predictivo del modelo, 80 para modelar y estimar y 20 para validar

## segmentar los datos
id_modelar=sample(1:200, size = 160)
marketing_modelar=marketing[id_modelar,] 
marketing_validar=marketing[-id_modelar,]


## estimar el modelo set de modelar

mod_you_modelar=lm(sales~youtube,data = marketing_modelar)

##precedir el set de validacion

sales_pred = predict(mod_you_modelar,list(youtube=marketing_validar$youtube))

## Comparar ventas del modelo  y realea

sales_real=marketing_validar$sales
error=sales_real-sales_pred
res=data.frame(sales_real,sales_pred,error)

## calcularl el indicador de evaluacion  de la predicción

MAE=mean(abs(error))
MAE
## [1] 2.749787
## class(marketing) para validar el tipo de datos


## el modelo no es perfecto puesto que su erroe es
MAE
## [1] 2.749787
head(marketing)
youtube facebook newspaper sales
276.12 45.36 83.04 26.52
53.40 47.16 54.12 12.48
20.64 55.08 83.16 11.16
181.80 49.56 70.20 22.20
216.96 12.96 70.08 15.48
10.44 58.68 90.00 8.64