Instalar paquetes y llamar librerias

library(tidyverse)
## ── Attaching packages ─────────────────────────────────────── tidyverse 1.3.2 ──
## ✔ ggplot2 3.3.6      ✔ purrr   0.3.4 
## ✔ tibble  3.1.8      ✔ dplyr   1.0.10
## ✔ tidyr   1.2.0      ✔ stringr 1.4.1 
## ✔ readr   2.1.2      ✔ forcats 0.5.2 
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
# install.packages("gtrendsR")
library(gtrendsR)

Para resolver errores al graficar

# devtools::install_github("PMassicote/gtrendsR")

Herramienta: “Generador de Valor de Datos”

Paso 1. Definir el área de negocios que deseamos impactar o mejorar y su KPI.

Área de Marketing.

Paso 2. Seleccionar plantilla (-s) para crear valor a partir de los datos de los clientes.

Visión / Segmentación / Personalización / Contextualización

Paso 3. Generar ideas o conceptos específicos.

1.Analizar la tendencia que la empresa John Deere tiene y analizarla con su entorno.

Paso 4. Reunir los datos requeridos.

Información necesaria completa a través de la herramienta instalada.

Paso 5: Plan de ejecución.

En este caso, John Deere deberá seguir invirtiendo en la innovación de sus productos para seguir destacando y difereciandose de su competencia con el objetivo de que sus tractores que serán un producto buscado aún en el mercado, sigan vendiéndose progresivamente y la empresa siga creciendo positivamente.

Graficar la tendencia de la empresa (John Deere):

termino <- c("John Deere")
ubicacion <- c("MX")
canal <- "web"
periodo <- ("2010-01-01 2022-09-01")
tendencia <- gtrends(termino, ubicacion, canal, time = periodo)
plot(tendencia)

Gráficar la tendencia de su principal producto (tractor):

termino1 <- c("tractor")
ubicacion <- c("MX")
canal <- "web"
periodo <- ("2010-01-01 2022-09-01")
tendencia1 <- gtrends(termino1, ubicacion, canal, time = periodo)
plot(tendencia1)

Graficar la tendencia de uno de sus principales competidores (Fendt):

termino2 <- c("Fendt")
ubicacion <- c("MX")
canal <- "web"
periodo <- ("2010-01-01 2022-09-01")
tendencia2 <- gtrends(termino2, ubicacion, canal, time = periodo)
plot(tendencia2)

Conclusiones

En este caso podemos observar como John Deere ha tenido un incremento lineal en los últimos años en el mercado mexicano y alcanzará el mejor de sus picos en 2023, esto puede ir aunado al incremento de sus ventas y reconocimiento internacional que la empresa actualmente tiene. Asimismo, uno de sus productos principales que en este caso son los tractores, tienen una tendencia de búsqueda lineal positiva, indicando así, que las personas siguen necesitando de esta maquinaria para facilitar sus procesos. Por otro lado, uno de sus principales competidores que es Fendt, marca reconocida principalmente por sus tractores, ha tenido una tendencia en decadencia desde 2010-2011, que tuvo su último pico notorio de crecimiento y desde entonces decayó considerablemente manteniéndose estable en los últimos 10 años.

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