![Rによる実行例: 主成分分析
ユーザー間の類似関係をざっくりと把握するため
主成分分析を実行して可視化してみる
sp.user.data <- read.csv("sp_user_research_data.csv",header = T)
sp.user.pca <- prcomp(sp.user.data[, -1], scale = T)
biplot(sp.user.pca)
2013年6月1日土曜日](https://image.slidesharecdn.com/r-130601005055-phpapp01/85/R-38-320.jpg)
![Rによる実行例: k-means法によるクラスタリング
k-means法を使ってクラスタリングを実行
sp.user.km <- kmeans(sp.user.data[, -1], 4)
sp.user.pca.df <- data.frame(sp.user.pca$x)
sp.user.pca.df$id <- sp.user.data$id
sp.user.pca.df$cluster <- as.factor(sp.user.km$cluster)
ggplot(sp.user.pca.df, aes(x=PC1, y=PC2, label=id, col=cluster)) +
geom_text() +
theme_bw(16)
2013年6月1日土曜日](https://image.slidesharecdn.com/r-130601005055-phpapp01/85/R-41-320.jpg)
![Rによる実行例: MDSによる知覚マップの作成
MASSパッケージのisoMDS関数で作成
library(MASS)
target.data <- read.csv("target_preference_data.csv", header = T)
service.dist <- dist(t(target.data[, -1]))
service.map <- isoMDS(service.dist)
service.map.df <- data.frame(scale(service.map$points))
service.map.df$service_name <- names(target.data[, -1])
ggplot(service.map.df, aes(x = X1, y = X2, label = service_name)) +
geom_text() +
theme_bw(16)
2013年6月1日土曜日](https://image.slidesharecdn.com/r-130601005055-phpapp01/85/R-57-320.jpg)
![Rによる実行例: 選好ベクトル
各ユーザーの選好度を
作成した知覚マップの横軸と縦軸の変数を使ってモデル化
user.preference.data <- do.call(rbind, lapply(1:nrow(target.data), function(i) {
preference.data <- data.frame(p = as.numeric(target.data[i, -1]),
X1 = service.map.df$X1,
X2 = service.map.df$X2)
fit <- lm(p ~ ., data = preference.data)
b <- 2/sqrt(fit$coef["X1"]^2 + fit$coef["X2"]^2)
data.frame(X1 = b * fit$coef["X1"], X2 = b * fit$coef["X2"], service_name = i)
}))
ggplot(service.map.df, aes(x = X1, y = X2, label = service_name)) +
geom_text() +
theme_bw(16) +
xlim(-2, 2) +
ylim(-2, 2) +
geom_point(data = user.preference.data, aes(x = X1, y = X2))
2013年6月1日土曜日](https://image.slidesharecdn.com/r-130601005055-phpapp01/85/R-59-320.jpg)
More Related Content
What's hot (20)
Viewers also liked (11)
More from Yohei Sato (20)
R言語で学ぶマーケティング分析 競争ポジショニング戦略
- 1. R言語で学ぶマーケティング分析 競争ポジショニング戦略 @yokkuns 里 洋平 yohei0511@gmail.com 2013.06.01 第31回Tokyo.R 2013年6月1日土曜日
- 3. AGENDA ■ 競争ポジショニング戦略とは ■ 自己紹介 ■ マーケットセグメンテーション ■ ターゲティング ■ ポジショニング 2013年6月1日土曜日
- 4. AGENDA ■ 競争ポジショニング戦略とは ■ 自己紹介 ■ マーケットセグメンテーション ■ ターゲティング ■ ポジショニング 2013年6月1日土曜日
- 5. 自己紹介 ◆ 統計解析やデータマイニングをビジネスに適用 ◆ 里 洋平（@yokkuns） ◆ 元Webエンジニアのデータサイエンティスト ?今は主にマーケティング周りを見てる ?時系列解析とか異常検知とか最適化とか ?いろんなモデルの構築 ◆ Tokyo.Rの主催者 2013年6月1日土曜日
- 10. AGENDA ■ 競争ポジショニング戦略とは ■ 自己紹介 ■ マーケットセグメンテーション ■ ターゲティング ■ ポジショニング 2013年6月1日土曜日
- 19. 競争ポジショニング戦略 市場がどんな人達で構成されていて その中で誰をターゲットにし どんなサービス?商品を提供するのか セグメンテーション ターゲティング ポジショニング 2013年6月1日土曜日
- 20. AGENDA ■ 競争ポジショニング戦略とは ■ 自己紹介 ■ マーケットセグメンテーション ■ ターゲティング ■ ポジショニング 2013年6月1日土曜日
- 23. マーケットセグメンテーションとは 市場の人々を何らかの基準で いくつかの意味のあるグループに分ける事 セグメント1 セグメント2 セグメント3 セグメント4 2013年6月1日土曜日
- 38. Rによる実行例: 主成分分析 ユーザー間の類似関係をざっくりと把握するため 主成分分析を実行して可視化してみる sp.user.data <- read.csv("sp_user_research_data.csv",header = T) sp.user.pca <- prcomp(sp.user.data[, -1], scale = T) biplot(sp.user.pca) 2013年6月1日土曜日
- 41. Rによる実行例: k-means法によるクラスタリング k-means法を使ってクラスタリングを実行 sp.user.km <- kmeans(sp.user.data[, -1], 4) sp.user.pca.df <- data.frame(sp.user.pca$x) sp.user.pca.df$id <- sp.user.data$id sp.user.pca.df$cluster <- as.factor(sp.user.km$cluster) ggplot(sp.user.pca.df, aes(x=PC1, y=PC2, label=id, col=cluster)) + geom_text() + theme_bw(16) 2013年6月1日土曜日
- 43. Rによる実行例: レーダーチャート レーダーチャートを描くと各クラスタの特徴が分かりやすい R言語では、fmsbパッケージのradarchart関数で実行出来る library(fmsb) df <- data.frame(scale(sp.user.km$centers)) dfmax <- apply(df, 2, max) + 1 dfmin <- apply(df, 2, min) - 1 df <- rbind(dfmax, dfmin, df) radarchart(df, seg = 5, plty = 1, pcol = rainbow(4)) legend("topright", legend = 1:4, col = rainbow(4), lty = 1) 2013年6月1日土曜日
- 45. Rによる実行例: レーダーチャート レーダーチャートを描くと各クラスタの特徴が分かりやすい R言語では、fmsbパッケージのradarchart関数で実行出来る ■ クラスタ1: こだわりデジタル層 ?衝動買いをしない、買う前に値段を比較、 計画的な買い物をする ■ クラスタ2: 慎重スロースターター層 ?欲しいものが無い、商品に詳しくない、 衝動買いをしない ■ クラスタ3: 控えめフォロワー層 ?全般的に消費意欲が低い ■ クラスタ4: 飛びつきミーハー層 ?衝動買いをよくする、雑誌や周りを参考に買う 欲しいものが無い 衝動買い 値段比較する 雑誌や周りを 参考にして買う 計画的な買い物 予定より多く買う 2013年6月1日土曜日
- 46. AGENDA ■ 競争ポジショニング戦略とは ■ 自己紹介 ■ マーケットセグメンテーション ■ ターゲティング ■ ポジショニング 2013年6月1日土曜日
- 49. AGENDA ■ 競争ポジショニング戦略とは ■ 自己紹介 ■ マーケットセグメンテーション ■ ターゲティング ■ ポジショニング 2013年6月1日土曜日
- 54. 知覚マップの作成: MDS 個体間の距離や非類似関係からマップを構築する S1 ... Sn S1 ... Sn X1 ... Xn S1 ... Sn ■ 距離 ?ユークリッド距離 ?市街距離 ?ミンコフスキー距離 ■ 類似度 ?ピアソンの相関係数 ?パターン類似度 ※ 非類似度 = 1 - 類似度 2013年6月1日土曜日
- 57. Rによる実行例: MDSによる知覚マップの作成 MASSパッケージのisoMDS関数で作成 library(MASS) target.data <- read.csv("target_preference_data.csv", header = T) service.dist <- dist(t(target.data[, -1])) service.map <- isoMDS(service.dist) service.map.df <- data.frame(scale(service.map$points)) service.map.df$service_name <- names(target.data[, -1]) ggplot(service.map.df, aes(x = X1, y = X2, label = service_name)) + geom_text() + theme_bw(16) 2013年6月1日土曜日
- 59. Rによる実行例: 選好ベクトル 各ユーザーの選好度を 作成した知覚マップの横軸と縦軸の変数を使ってモデル化 user.preference.data <- do.call(rbind, lapply(1:nrow(target.data), function(i) { preference.data <- data.frame(p = as.numeric(target.data[i, -1]), X1 = service.map.df$X1, X2 = service.map.df$X2) fit <- lm(p ~ ., data = preference.data) b <- 2/sqrt(fit$coef["X1"]^2 + fit$coef["X2"]^2) data.frame(X1 = b * fit$coef["X1"], X2 = b * fit$coef["X2"], service_name = i) })) ggplot(service.map.df, aes(x = X1, y = X2, label = service_name)) + geom_text() + theme_bw(16) + xlim(-2, 2) + ylim(-2, 2) + geom_point(data = user.preference.data, aes(x = X1, y = X2)) 2013年6月1日土曜日
- 62. AGENDA ■ 競争ポジショニング戦略とは ■ 自己紹介 ■ マーケットセグメンテーション ■ ターゲティング ■ ポジショニング 2013年6月1日土曜日
- 63. 参考 ■ スマートフォンユーザー動向定点観測 2011 ?http://www.imjp.co.jp/FileUpload/files/documents/release/2011/imjm20110909.pdf ■ マーケティングの統計分析 ?http://www.amazon.co.jp/dp/4496044072 ■ Rによるマーケティングシミュレーション ?http://www.amazon.co.jp/dp/4254128134/ 2013年6月1日土曜日