Datenauswertung zur Bestimmung von Süsswaren-Beliebtheit
Die Beliebtheit von Süsswaren soll ermittelt werden. Es stehen dazu Beispieldaten von candy-power-ranking zur Verfügung.
Der Datensatz wird eingelesen und exploriert, dann werden verschiedene Dinge ausprobiert.
Um nicht gleich auf die vollen Details gehen zu müssen, teile ich die Produkte in drei Gruppen ein: top/medium/bottom (25/50/25%).
- Mir sind nicht alle Produkte bekannt :-)
- Unter den beliebtesten scheinen auch einige der bekanntesten zu sein: Twix, Kit Kat, Milky Way, Snickers, M&Ms. Gehört eh alles zu Mars, das sollte der Einkauf dann bedenken.
- Ausser den Eigenschaften der Produkte (siehe nächster Abschnitt) gibt es noch ein Ranking im Zuckergehalt und im Preisvergleich, jeweils nur relativ zu den anderen betrachteten Produkten.
- Keine echten Preise, keine echten Umsätze, keine Margen; d.h. das wird eine recht einseitige idealistische Betrachtung der Beliebtheit, die die Randbedingungen eines Supermarkts total vernachlässigt.
Bevor ich zur Regression komme, kam erst die Idee mit der Gruppenbildung. Gibt es, basierend auf den Produkteigenschaften, ähnliche Produkte, die dann auch ähnlich beliebt sind?
Clustering mit binären Variablen (chocolate ja/nein) ist etwas schwierig, aber vielleicht reicht hier schon ein einfacher grafischer Ansatz als Drilldown.
Die Daten werden wieder so in Gruppen aufgeteilt wie vorher. Jedes Süssigkeitenmerkmal wird mit TRUE/FALSE dargestellt.
Was wird gesucht? Gruppen mit möglichst vielen blauen Produkten oder mit möglichst vielen roten Punkten, d.h. mit Eigenschaften, die auf beliebte Produkte zutreffen und welchen, die auf unbeliebte Produkte zutreffen. Wenn einzelne Gruppen z.B. nur blaue oder nur rote Produkte enthalten, ist die zugehörige Eigenschaft ein sehr sicherer Hinweis zur Beliebtheit.
Was sieht man, wenn man auf die rechte Spalte der Grafik schaut?
- hard hat nur gelbe/rote Produkte -- schlechte Eigenschaft
- ähnlich bei fruity, viel rot und gelb und zwei blaue -- schlechte Eigenschaft
- crispedricewafer hat nur blau/gelb -- gute Eigenschaft
- bar und chocolate haben auch mehrheitlich blaue Produkte -- gute Eigenschaften
Damit zeigt sich schon, dass man im Allgemeinen eher auf bar/chocolate/crispedricewafer gehen sollte, weil diese Eigenschaften häufig bei beliebten Produkten zu finden sind.
Kann man gute Eigenschaften kombinieren, quasi wie eine Kreuzung in der Genetik?
- peanutyalmondy + chocolate
- nougat + bar
- crispedricewafer + bar
- chocolate + bar
Der untere Teil der Grafik ist wieder wie vorher (Punkte jeweils zufällig verschoben, aber auf den gleichen Seiten wie vorher). Oben kommen die vier neuen Eigenschaften hinzu. Diese treten natürlich nicht mehr so häufig zusammen auf wie die einzelnen Eigenschaften vorher.
Eine ziemlich sichere Süssigkeitenvariante ist crispedricewafer + bar. Von sechs Produkten, die diese Kombination enthalten, sind fünf in der höchsten Beliebtheitsklasse. Bei den anderen Kombinationen sind die Verteilungen ähnlich gut. Damit ist also eine einfache Möglichkeit beschrieben, beliebte Produkte auszuwählen (bzw. dann herzustellen oder einzulisten, wenn man keine Eigenindustrie hat).
Eine Regression ist naheliegend. Ob das sinnvoll ist, sie mit diesen Daten zu machen, sei mal dahingestellt.
Ich sage also aus allen Eigenschaften der Produkte deren Beliebtheit voraus, hier nur mit einem einfachen linearen Modell. Modelldetails sind im Code.
Die einzelnen Eigenschaften mit ihren positiven oder negativen Auswirkungen auf die Beliebtheit des Produkts (und die spätere Beleibtheit des Käufers?) sieht man hier:
- chocolate ist am besten
- fruity ist im Gegensatz zur univariaten Analyse vorher hier doch ganz gut
- hard (candy) ist unbeliebt
Dasselbe wie vorher kann man hier auch nochmal machen, indem man die künstlich kombinierten Eigenschaften hinzufügt. Dann sind die Eingabevariablen für die Regression allerdings nicht mehr unabhängig voneinander.
Die zwei künstlichen Eigenschaften im oberen Teil der Grafik wirken sich stärker positiv auf die Beliebtheit aus als die einzelnen Eigenschaften darunter.
Als Bonus kann man auch noch probieren, auf dieselbe Weise den Zuckergehalt der einzelnen Süssigkeiten vorherzusagen. Ob das sinnvoll ist, sei dahingestellt.
Immerhin: caramel und hard (candy) sagen den relativ höchsten Zuckergehalt in den hier verwendeten Produkten voraus.
- Modell wie oben angegeben auf existierenden Beliebtheitsdaten trainieren (supervised learning)
- Eigenschaften des neuen gewünschten Produkts bestimmen (labeled data)
- Modell verwenden, um Beliebtheit des neuen Produkts vorherzusagen (prediction)
- Für ähnliche Analysen sollte man sicher Verkaufszahlen (Umsatz/Stückzahl) von eigenen Produkten verwenden.
- Die Marge auf den Produkten muss natürlich berücksichtigt werden.
- Es wäre interessant, noch den Hersteller der Produkte mit zu berücksichtigen -- also ob z.B. Produkte von Mars, Ferrero oder Mondelez immer sehr beliebt sind. Dann könnte man sich vielleicht beim Einlisten oder beim Kreieren einer neuen Süssigkeit auf einen bestimmten Hersteller verlassen.
- Falls eine solche Regression (eventuell mit komplexeren Modellen) zum Einsatz kommt, sollte das Labeling der Produktdaten mit den gewünschten Eigenschaften von Hand gemacht werden.
- Umfragen sind wichtig, um auch negative Präferenzen der Käufer zu bekommen -- Umsätze und Verkäufe drücken ja nur positive Präferenzen aus, ich weiss üblicherweise nicht, warum jemand ein Produkt nicht kauft.
- Es sollte Pernigotti Gianduia Nero permanent eingelistet werden.
- (to be continued)