Išsamus rinkodaros mišinio modeliavimo vadovas

Dažniausiai naudojami šie marketingo mišinio modeliavimo regresijos metodai:

  • Tiesinė regresija
  • Daugybinė regresija

1. Tiesinės regresijos modelis

Tiesinė regresija gali būti taikoma, kai DV yra nepertraukiamas ir manoma, kad santykis tarp DV ir IDV yra tiesinis.

Santykį galima apibrėžti naudojant lygtį:

formulė 1

Čia „y“ yra priklausomas kintamasis, kurį reikia įvertinti, X yra nepriklausomi kintamieji, o ε yra klaidos terminas. βi yra regresijos koeficientai. Skirtumas tarp stebėto rezultato Y ir prognozuojamo rezultato y žinomas kaip prognozavimo klaida. Regresijos analizė daugiausia naudojama:

  • Priežastinė analizė
  • Prognozuojamas pokyčių poveikis
  • Prognozavimo tendencijos

Tačiau šis metodas nėra tinkamas dideliems duomenų kiekiams, nes jis yra jautrus pašaliniams dydžiams, daugiakolineariškumui ir kryžminei koreliacijai.

2. Dauginamosios regresijos modeliai

Papildomieji modeliai reiškia pastovų kiekvieno papildomo aiškinamųjų kintamųjų vieneto absoliutų poveikį. Jie tinka tik tuo atveju, jei įmonės veikia stabilesnėje aplinkoje ir jų neveikia aiškinamųjų kintamųjų sąveika. Tačiau tokiais scenarijais, kaip, pavyzdžiui, kai kaina lygi nuliui, pardavimai (DV) taps begaliniai.
Norint įveikti linijiniams modeliams būdingus apribojimus, dažnai pirmenybė teikiama dauginamiesiems modeliams. Šie modeliai siūlo tikroviškesnį realybės vaizdą nei papildomi linijiniai modeliai. Šiuose modeliuose IDV dauginami kartu, o ne pridedami.

Yra dviejų rūšių dauginamieji modeliai:

  • Pusiau logaritminiai modeliai
  • Logaritminiai modeliai

Pusiau logaritminiai modeliai

„Log-Linear“ modeliuose nepriklausomų kintamųjų rodikliai dauginami.

Salest = exp (Intercept) * exp (β1 * Pricingt) * exp (β2 * Distributiont) * exp (β3 * Mediat) * exp (β4 * Discountst) * exp (β5 * Seasonalityt) * exp (β6 * Promotionst) *…

Tai taip pat galima perrašyti kaip

Salest = exp (Intercept + β1 * Pricingt + β2 * Distributiont + β3 * Mediat + β4 * Discountst + β5 * Seasonalityt + β6 * Promotionst +…)

Tikslinio kintamojo logaritminė transformacija linearizuoja modelio formą, kurią savo ruožtu galima įvertinti kaip adityvųjį modelį. Priklausomas kintamasis yra transformuojamas logaritmiškai; vienintelis skirtumas tarp priedų modelio ir pusiau logaritminio modelio.

Ln (Salest) = Suvokimas + β1 * Pricingt + β2 * Paskirstymast + β3 * Mediatas + β4 * Nuolaida + β5 * Sezoniškumast + β6 * Promotionst +…

Kai kurie „Log-Linear“ modelių pranašumai yra šie:

  • Koeficientus β galima interpretuoti kaip verslo rezultatų (pardavimų) pokyčius procentais ir nepriklausomų kintamųjų vieneto pokyčius.
  • Kiekvienas modelio nepriklausomas kintamasis veikia virš to, ką jau pasiekė kiti vairuotojai. Taigi jie yra arčiau realaus laiko scenarijų. A

Logaritminiai modeliai

„Log-Log“ modeliuose nepriklausomi kintamieji, be tikslinio kintamojo, taip pat yra logaritminiai transformuojami.

Salest = exp (Intercept) * β1 * Pricingt * β2 * Distributiont * exp (β3 * Mediat) * exp (β4 * Discountst) * exp (β5 * Seasonalityt) * exp (β6 * Promotionst) *…

Modelio perrašymas tiesine forma,

Ln (Salest) = pertraukimas + β1 * Ln (Pricingt) + β2 * Ln (Distributiont) + β3 * Mediatas + β4 * Discountst + β5 * Sezoniškumast + β6 * Promotionst +…

Pagrindinis skirtumas tarp „Log-Linear“ ir „Log-Log“ modelių yra atsako koeficientų aiškinimas. „Log-Log“ modeliuose koeficientai aiškinami kaip verslo rezultatų (pardavimo) pokytis procentais, atsižvelgiant į 1% nepriklausomo kintamojo pokytį

β =% ΔDependent_Kintamasis /% ΔPaaiškinamasis_Kintamasis

Tai reiškia nuolatinį tikslinio kintamojo elastingumą aiškinamiesiems kintamiesiems. „Log-Linear“ modeliuose elastingumo tiesiogiai įvertinti neįmanoma, tačiau jį galima apskaičiuoti pagal koeficientą kaip β · X kiekvienam laikotarpiui. Ji didėja absoliučia verte kartu su aiškinamuoju kintamuoju.

Parašykite komentarą