Público-Alvo Profissionais, estudantes e interessados da área de Marketing que desejam conhecer os fundamentos básicos de Marketing Analítico e sua aplicação prática. Objetivo do Curso O curso tem como objetivo central introduzir o conceito de Marketing Analítico e apresentar de forma simplificada e prática algumas técnicas, de modo que o participante possa avaliar e recomendar decisões e ações em Marketing baseadas em análise de dados. Objetivos de Aprendizagem Ao final do curso o aluno será capaz de: • Explicar a importância de definir e utilizar métricas em Marketing. • Desenvolver métodos de levantamento de dados primários e secundários. • Desenvolver hipóteses testáveis inferindo causalidades. • Segmentar o mercado com base no comportamento do consumidor. • Gerar insights para o posicionamento de marca. • Suportar a tomada de decisões em Marketing com base em fatos e dados. Dedicação e Carga-Horária Cinco módulos temáticos de aproximadamente 3h cada, totalizando 15h. Cada módulo tem duração estimada de uma semana. Assista ao vídeo de divulgação do curso: https://youtu.be/FvtgLAW_s8Y
Análise de Regressão (Parte 2)
Loading...
Do curso por Insper
Introdução ao Marketing Analítico
522 classificações
Na lição
Inferindo Propriedades e Características de uma População
Ao final desse módulo, espera-se que você esteja apto a formular hipóteses testáveis quantitativamente e analisar testes e modelos lineares.
Conheça os instrutores
Carlos R. F. BaraProfessor
Danny ClaroProfessor
Silvio LabanProfessor
[MÚSICA] Dando continuidade
ao módulo "Inferindo Propriedades e Características de uma População".
Eu gostaria de aprofundar pouco mais na lição
de análise de regressão, o que eu gostaria de fazer com você agora
é uma aplicação prática dos conceitos que nós vimos na videoaula anterior.
Então imagine problema prático em que
anunciante, contrata uma agência de trade
marketing e tem interesse em realizar alguma ações no ponto de venda.
Muito bem, eu como profissional de marketing,
eu tenho que garantir que essas ações deem resultado e o que posso de repente,
ao invés de engajar essa ação diretamente em 1000 pontos de vendas que,
eu posso ter no meu portefólio de varejos de pontos de venda,
eu posso selecionar alguns poucos pontos de venda,
inserir o display nesses pontos de venda e acompanhar vendas.
Muito bem, eu posso inclusive, fazer algumas variações nos displays,
displays que contêm mais produtos, displays que contêm menos produtos.
Poderia também fazer de outras formas, pensando em cores do display,
localização, coisas dessa natureza que são bem práticas,
possíveis de se mensurar e de avaliar o impacto no resultado.
E aqui em resultado, nós vamos medir o quanto de produto que foi vendido
naquela naquele ponto de venda, naquela janela de tempo,
dada as diferenças de displays que foram utilizados.
Nós vamos medir também, algumas outras variáveis para que a gente
possa ter uma análise pouquinho mais profunda,
a respeito dos efeitos que levam,
ou fatores possíveis, que afetam vendas.
Muito bem, então fomos a campo, coletamos as vendas junto com o varejista,
fomos lá e acompanhamos lá a quantidade de produtos que foram vendidos,
garantimos uma boa medida de
quantidade de produtos que foram expostos
e registramos isso ao longo de algumas semanas.
Voltamos para o escritório e trabalhamos esses dados.
Então nós temos basicamente, como nós vimos na videoaula de análise de
regressão, uma variável y que é vendas e uma variável x que nada
mais é do que a quantidade de produtos que eu consegui colocar naquele display.
Muito bem, o que faço então,
eu uso essas duas variáveis para estimar a minha equação,
conhecida como equação de regressão, como nós vimos na videoaula passada,
nós vamos estimar os parâmetros a e b.
O a que é a constante e o b,
que nada mais é do que o coeficiente atrelado a esse display,
ou seja, essa minha variável que explica vendas.
A primeira análise que a gente consegue fazer,
é o diagrama de dispersão, nós vimos na videoaula
de correlação, a importância do diagrama de dispersão,
que já nos dá uma ideia de associação entre as variáveis.
Então o diagrama de dispersão, ele mostra os
pontos as observações que eu coletei no campo.
Em Minas Gerais, eu poderia dizer que existe efeito de display em vendas.
Agora como é que eu consigo, eu poderia simplesmente calcular o coeficiente de
correlação, agora como é que eu consigo informar sobre causalidade?
Que é justamente o poder da análise de regressão.
O que eu faço, eu vou a pacote estatístico,
eu posso usar tanto o Stata quanto inclusive o
Microsoft Excel, para rodar essa análise.
E o que eu vou fazer, eu vou informar que vendas é o meu y,
a minha variável de respostas e display a minha variável de,
explicativa, que é aquela que afeta vendas.
Muito bem, tem alguns indicadores
antes de a gente olhar o coeficiente e o p valor, que são importantes de a gente,
são importantes de a gente observar.
Deles é o R quadrado.
O R quadrado como a gente viu na videoaula anterior, ele informa
o poder de explicação daquela variável que está sendo utilizada no modelo.
O R quadrado ajustado,
ele nos informa o quanto que
aquele conjunto de variáveis explicam aquela variável de resposta,
ponderando para o número de variáveis que estão sendo utilizadas no modelo.
Nesse primeiro modelo, nós estamos rodando simplesmente a ação de display em vendas,
então existe apenas uma variável.
O R quadrado ajustado, acaba sendo muito parecido com o R quadrado.
O R quadrado elevado me ajuda a inferir que,
o conjunto de variáveis explicativas,
elas afetam a variável dependente,
são as mais importantes de estarem consideradas no modelo.
Para a gente ter uma noção, o que está de fora do R quadrado,
ou seja, aquilo que a gente não conseguiu atingir o 1 é dado ao erro,
algum efeito que eu não fui capaz de observar.
Muito bem, uma vez analisado o R quadrado,
é importante verificar o teste de probabilidade desse R quadrado,
se ele é ou não significativo, que é justamente a probabilidade
de F que me informa sobre esse coeficiente do R quadrado.
E ele no nosso caso aqui, ele é significativo.
Muito bem, uma vez que eu olhei a equação como toda,
eu vou e analiso a variável display.
E na tabela ela me informa o coeficiente,
do efeito do display em vendas e a parte mais importante é o p valor.
Recordadando, a videoaula de teste de hipóteses,
esse é o p valor que, ajuda a gente a rejeitar a hipótese nula.
No caso aqui, nós temos p valor menor do que 1% isso me informa que,
display afeta significativamente vendas.
Isso é bastante importante, porque se a variável estimada ela não for
significativa, a gente não pode tirar qualquer tipo de
conclusão sobre o efeito dessa variável na variável explicativa.
No caso aqui,
então display afeta significativamente vendas e o coeficiente dele é positivo.
Então quanto maior o número de produtos que eu coloco nesse display,
maior a minha venda.
Aqui eu estaria utilizando o
teste bicaudal.
Na verdade, a gente considera que display, ele pode inclusive,
ser prejudicial para as vendas, não só positivo.
Muito bem, para a gente poder endereçar vendas
de maneira adequada e análise de regressão múltipla,
nos permite incluir mais de uma variável explicativa,
toda a vez que o consumidor,
naquele ponto de venda, passou pelo caixa e levou o produto,
nós pedimos para ele responder numa escala de atitude de correlação à marca.
Essa escala variando de 1 a 7,
foi também incluída no modelo.
E aí, o que a gente faz na
verdade colocar o y que é venda, junto com o display que é
uma das variáveis explicativas, ou seja, o x e a atitude com correlação à marca.
Eu rodo novamente a regressão,
estimo e vejo que o R quadrado saiu de .10 e foi para .17 mostrando,
o poder de explicação dessas duas variáveis que eu incluí no modelo.
O teste de F para esse R quadrado também é significativo e o R ajustado
mostra para mim, inclusive, que atitude é uma variável muito importante
em se considerar quando nós estamos estudando o comportamento de vendas.
então mostra que aumentou o R quadrado pelo fato de termos colocados essa
variável importante que é a atitude com relação à marca.
Assim como o display, a atitude também tem
coeficiente positivo e pelo p valor eu consigo também informar
que a atitude afeta significativamente vendas.
Para tornar a análise ainda mais completa,
quando os consumidores passaram pelo caixa nós pedimos para
eles também informar a renda que eles possuem e utilizamos
renda na análise do comportamento de venda.
Aí dessa vez nós temos y que é vendas,
nós temos x1 que é display, x2 que é atitude e x3 que é renda,
uma outra variável contínua que a gente incluiu no modelo.
Avaliando o r quadrado nós aumentamos
o r quadrado para 0,18 e o r quadrado ajustado para 0,17.
Esse r quadrado é significativo, assim como o teste de F informa para a gente.
O curioso e interessante é que, no caso de vendas desse produto dessa marca
específica, renda não é efeito que contribui tanto para a venda do produto.
De alguma forma, aparentemente existe
uma inelasticidade desse produto, inerente aí das
características da marca, do tipo de produto e etc.
O que nós podemos informar, com relação à renda,
é que renda não afeta significativamente vendas.
Renda é positivo, o coeficiente é positivo mas não é significativo.
E aí para finalizar e tornar a nossa análise
ainda mais profunda com relação às vendas dos produtos e o efeito do display,
ou seja da ação que eu coloquei no mercado, eu também acompanhei o quanto
que outros concorrentes fizeram de ações nessa mesma época.
Então eu fui lá e medi o meu concorrente direto quantos
produtos receberam algum tipo de promoção.
Uma vez que eu incluo no modelo a promoção dos
concorrentes eu vou lá e analiso o r quadrado.
O r quadrado ele saltou de 0,10, quando eu apenas utilizava display no,
na análise, para 0,19, mostra ganho de poder de explicação desse
conjunto de variáveis e ele tem r quadrado significativo também,
pelo teste de F e uma vez que eu vou e analiso o coeficiente
de promoção dos concorrentes ele é negativo, como há de se esperar, não é?
Então a promoção dos concorrentes afeta negativamente a venda dos meus produtos.
Porém esse coeficiente ele não foi significativo.
Quando a gente olha o teste de hipótese da hipótese nula,
o p valor ele é 0,14 significa ele é 14%,
ele está acima de nível mínimo de rigor de significância que seria 10%.
14% mais alto que 10%, isso permite eu
inferir que promoção por mais que ela afete negativamente,
ela não é significativa no, nas vendas do meu produto.
Aí eu convido você a olhar esse resultados com
pouco mais de cuidado e endereçar algumas ações possíveis.
Aqui certamente nós podemos voltar para o nosso departamento financeiro,
ou para reportar internamente dentro da empresa, de que a ação de promoção,
ou seja essa ação de trade marketing que eu coloquei em prática,
ela surtiu efeito nessa amostra de
pontos de venda e ela poderia ser ampliada para
número de pontos de venda que são utilizados pela,
por essa marca, esse produto, essa empresa.
Uma vez que display, o número de frentes que existe nesse
display afeta positiva e significativa as vendas dos produtos.
Eu convido você a olhar
a videoaula em que mostramos como essas análises
são feitas utilizando tanto o Microsoft Excel quanto
pacote estatístico, o STATA.
[SEM ÁUDIO]
Explore nosso catálogo
Registre-se gratuitamente e obtenha recomendações, atualizações e ofertas personalizadas.
O Coursera proporciona acesso universal à melhor educação do mundo fazendo parcerias com as melhores universidades e organizações para oferecer cursos on-line.
© 2019 Coursera Inc. Todos os direitos reservados.
