Abschluss Der Goodbelly-Marketinganalyse

Goodbelly Marketing: Analyse und Empfehlungen
Cody Wild & Luba Gloukhov
7. Oktober 2014
Tabellenverzeichnis
Goodbelly Marketing: Analyse und Empfehlungen.........................................................................................1
2 Einleitung......................................................................................................................................................2
2.1 Problembeschreibung.............................................................................................................................2
2.2 Datenbeschreibung.................................................................................................................................2
3 Modellbau......................................................................................................................................................4
3.1 Erste Erkundung.....................................................................................................................................4
6 e......................................................................................................................................................................5
3.2 Regionale Interaktionsmodelle..............................................................................................................5
3.3 Vertriebsmitarbeiter-Interaktionsmodelle..............................................................................................8
4 Endgültiges Modell: Implikationen...............................................................................................................9
5 Empfehlungen.............................................................................................................................................11
6 Anhang........................................................................................................................................................12
6.1 Univariate Statistik...............................................................................................................................12
6.2 Modellspezifikation und Ausgabe.......................................................................................................15
Modell A1....................................................................................................................................................15
Modell A2....................................................................................................................................................15
Modell A3....................................................................................................................................................15
Modell A4....................................................................................................................................................16
Modell A6....................................................................................................................................................17
Modell A7....................................................................................................................................................18
Modell B1....................................................................................................................................................19
Modell B3....................................................................................................................................................20
Modell B5....................................................................................................................................................23
Modell B6....................................................................................................................................................24
Modell C1....................................................................................................................................................26
Modell C2....................................................................................................................................................27
6.3 Region & Sales.Rep Interaktionseffekte...................................................................................................28
1
6.4 Übersichtstabellen.....................................................................................................................................30
1
1 Zusammenfassung
Am allgemeinsten verstanden, unterstützt dieser Bericht die Fortsetzung sowohl der Endkappen- als auch der
Demonstrationsprogramme, da beide mit starken und signifikanten Umsatzsteigerungen verbunden sein können und
den Umsatz beeinflussen.
Wenn die Endcap-Kampagne erfolgreich ist, ist sie mit einem Anstieg des Wochenumsatzes zwischen 1.850 $ und
2.050 $ verbunden. Der Erfolg dieser Kampagne wird jedoch stark durch die Anwesenheit eines regionalen
Vertriebsmitarbeiters beeinflusst, der mit dem Store in Verbindung steht. In Regionen ohne Außendienstmitarbeiter war
die Wirkung einer Endkappe im Wesentlichen nicht vorhanden. Kurzfristig deutet dieses Ergebnis darauf hin, dass
Endkappen in Geschäften ohne Vertriebsmitarbeiter eingeschränkt und in Geschäften mit einem Vertriebsmitarbeiter
erweitert werden sollten. Langfristig sollte mehr Forschung betrieben werden, um festzustellen, welche Faktoren, die
der Anwesenheit eines Vertriebsmitarbeiters zugrunde liegen, diese Dynamik antreiben.
Demonstrationen sind beständiger vorteilhaft, was zu durchschnittlichen Umsatzsteigerungen von 430 $ in der
Woche, in der sie durchgeführt werden, und 300 $ in den 5 Wochen danach führt. Dies spricht eine der in unserem
Briefing dargelegten Befürchtungen an und mildert sie: dass die Vorteile einer Demonstration schnell zurückgehen.
Tatsächlich deutet unsere Analyse darauf hin, dass die positiven Auswirkungen einer Demo bis zu fünf Wochen nach
ihrer Durchführung bei 75 % der anfänglichen Stärke anhalten.
Obwohl endgültige Urteile über die Fortsetzung auf der Grundlage der verfügbaren Daten Kosteninformationen
erfordern würden, glauben wir, dass Marketingmittel in der Vergangenheit im Großen und Ganzen effektiv ausgegeben
wurden und unter Einbeziehung der Erkenntnisse dieses Berichts sowie zusätzlicher Forschungsergebnisse in Zukunft
noch effektiver eingesetzt werden können.
2 Einleitung
2.1 Problembeschreibung
Angesichts der finanziellen Anforderungen, die durch die Rezession und die daraus resultierende Markteinschränkung
im Jahr 2008 auferlegt wurden, ist die Frage, ob die aktuellen Marketingprojekte von Goodbelly zu recht hohen
Renditen führen, von besonderer Relevanz. Vor diesem Hintergrund untersucht dieser Bericht, ob und inwieweit zwei
spezifische Marketingkampagnen, die auf den Goodbelly-Vertrieb bei Whole Foods abzielen, erfolgreich waren.
Die erste dieser Kampagnen beinhaltete den Einsatz von Marketingfonds, um zwei parallele Anreizstrukturen
aufzubauen. Einer dieser Anreize ermöglichte es den Vertriebsmitarbeitern, mehr Whole Foods-Stores davon zu
überzeugen, Goodbelly-Produkte an den Enden der Gänge zu präsentieren. Die anderen haben Whole Foods-Läden
dazu angeregt, die dekorativsten Endkappen zu kreieren, um Kunden anzulocken. Die zweite Marketingkampagne
bezahlte Teilzeitkräfte, um einen Demonstrationsstand im Whole Foods einzurichten und den Kunden Muster
anzubieten.
2.2 Datenbeschreibung
Der für diese Analyse bereitgestellte Datensatz umfasst 1.386 Beobachtungen, die jeweils Informationen für einen
bestimmten Store für jede der elf Wochen zwischen dem 4. Mai und dem 13. Juli 2010 über 12 Variablen darstellen:
• Datum - Datum, das dem ersten Tag der Woche entspricht
• Region - Zweistelliger Code entsprechend der geografischen Region 1
1 Eine vollständige Liste der Abkürzungen und der entsprechenden Regionsnamen finden Sie im
Anhang.
2
• Store - Name des einzelnen Whole Foods Stores
• U nits.Sold - Goodbelly-Einheiten, die unter der Woche verkauft wurden
• Durchschnitt.Einzelhandel.P-Reis - Durchschnittlicher Preis von Goodbelly-Produkten
• Sales.Rep - Binäre Variable auf 1 gesetzt, wenn ein regionaler und nicht nationaler Vertriebsmitarbeiter für das
Geschäft verantwortlich war und ansonsten 0
• Endkappe - Binäre Variable auf 1 gesetzt, wenn im Geschäft während der Woche eine Goodbelly-Endkappe
installiert war, und ansonsten 0
• Demo - Binäre Variable auf 1 gesetzt, wenn der Store in dieser Woche eine Demo durchgeführt hat, ansonsten 0
• Demo1.3 - Binäre Variable auf 1 gesetzt, wenn der Store in den 1-3 Wochen vor dieser Woche eine Demo
durchgeführt hat, ansonsten 0
• Demo4.5 - Binäre Variable auf 1 gesetzt, wenn der Store in den 4-5 Wochen vor dieser Woche eine Demo
durchgeführt hat, ansonsten 0
• N atural - Anzahl der Naturkostläden, die sich im Umkreis von fünf Meilen von diesem Whole Foods-Geschäft
befinden
• F itness - Anzahl der Fitnesscenter, die sich im Umkreis von fünf Meilen von diesem Whole Foods Store
befinden
• **Umsatz - Diese Variable ist nicht im anfänglichen Datensatz enthalten und entspricht U nits. Verkauft.
Durchschnitt. Einzelhandel. Der Reis wurde zur Vereinfachung der Analyse erstellt.
Tabelle 1: Univariate zusammenfassende Statistiken

Variabel Min Median Mittelwert Max
U nte.Verkauft 47.6 236.7 253.8 1041
Durchschnitt.Einzelhandel 2.9 4.1 4.1 6.3
.P-Reis 204.2 967.3 1041.0 4252.0
Revenue Endcap 0 0 .038 1
Demo 0 0 .058 1
Demo1.3 0 0 .157 1
Demo4.5 0 0 .076 1
Sowohl U nits.Sold als auch Revenue folgen unimodalen und rechtsgeneigten Verteilungen. Average.Retail.P-Reis
folgt einer bimodalen Rechtsschrägverteilung. Histogramme dieser beiden kontinuierlichen Variablen finden Sie in
Anhang 1. Wie in der Übersichtstabelle gezeigt, traten Demos in 5,8 % der Beobachtungen innerhalb dieses
Datensatzes auf. Die Mittelwerte für Demo1.3 und Demo4.5 liegen mit 15,7 % bzw. 7,6 % etwas höher, was sowohl auf
das Vorhandensein mehrerer Wochen innerhalb dieser Intervalle als auch auf Demos in den Wochen vor dem vom
Datensatz abgedeckten Fenster zurückzuführen ist. Demos erschienen irgendwann in der Zeit, die den Datensatz in 69
der 126 Filialen umfasste. Endkappen erschienen in nur 12 der 126 Läden.
Tabelle 2: Aufschlüsselung der Beobachtungen nach Auftreten von Marketingtechniken

Demo Demo1.3 Demo4.5 Endkappe n Verkaufte Einheiten Durchschnitt.Einzelhandel
.Preis
0 0 0 0 992 213.27 ± 57.03 4.09 ± 0.44
1 28 497.78 ± 257.91 4.11 ± 0.53
1 0 82 304.88 ± 57.88 4.25 ± 0.53
3
1 3 443.86 ± 244.68 3.71 ± 0.88
1 0 0 171 308.53 ± 47.38 4.09 ± 0.52
1 14 662.26 ± 229.49 3.72 ± 0.47
1 0 15 366.30 ± 70.76 4.31 ± 0.40
1 0 NaN ± NA NaN ± NA
1 0 0 0 57 334.21 ± 55.51 4.19 ± 0.45
1 5 710.74 ± 238.72 4.00 ± 0.43
1 0 2 394.86 ± 47.37 4.63 ± 0.85
1 0 NaN ± NA NaN ± NA
1 0 0 12 427.50 ± 38.52 4.39 ± 0.50
1 2 905.95 ± 28.49 3.50 ± 0.32
1 0 2 532.47 ± 34.05 4.22 ± 0.53
1 1 1041.20 ± NA 4,08 ± NA
Alle 1386 253.82 ± 111.00 4.11 ± 0.46
3 Modellbau
3.1 Erste Erkundung
Bevor wir Modelle untersuchten, die sich direkt mit der Wirkung von Goodbellys Marketing befassten, begann unser
Team mit einfacheren Modellen, von denen wir hofften, dass sie Muster in den Daten aufdecken würden. Da die Daten
als Zeitreihen strukturiert waren, regressierte unser erstes exploratives Modell, Modell A1, gegenüber Date. Obwohl
diese einfache lineare Regression mit einem R 2
geringe Erklärungskraft hatte, vermittelte die Tatsache, dass
a von etwas mehr als 0,05 eine
-
das Datum eine hochsignifikante Variable mit p < 2e war, die Tatsache, dass die Daten einen chronologischen Trend
16
enthielten, wobei die verkauften Einheiten mit fortschreitender Zeit zunahmen.
Da die in dieser Analyse betrachtete Antwort mit Kundenkaufentscheidungen zusammenhängt, deutete die
grundlegende Vertrautheit mit der Wirtschaftstheorie darauf hin, dass Average.Retail.P-Reis die Variation der
verkauften Einheiten erklären kann, wobei Kunden weniger zu höheren Preisen kaufen. Trotz dieser Intuition fand
Modell A2, das U nits zurückging. Verkauft gegen Date und P Reis , dass sich der Effekt P Reis nicht signifikant von
2
Null unterschied, mit p = .32. Angesichts dieser mangelnden Bedeutung von P-Reis als erklärende Variable und der
Ähnlichkeit der Verteilungen von U nits.Sold und Revenue entschied sich unser Team, den Prozess des Modellbaus
fortzusetzen, P-Reis als erklärende Variable zu entfernen und Revenue anstelle von U nits.S old als abhängige Variable
zu verwenden. Diese Entscheidung wurde durch die Tatsache motiviert, dass letztendlich die Frage, ob diese
Marketingprogramme kosteneffizient sind, davon abhängt, ob die Einnahmen, die sie einbringen, größer sind als die
Kosten, die ihnen entstehen. Daher entspricht die Modellierung des Umsatzes als abhängige Variable direkter den in
diesem Bericht behandelten Fragen.
2Der Kürze halber wird hier P-Reis verwendet, um auf Average.Retail.P-Reis zu verweisen
4
Abbildung 1: Verkaufte Einheiten vs. Datum (Modell A1)
1000-
750
6e
U2
u
.E 500
5
250-
0-,
Mai 01 Jul15
An diesem Punkt wurden mit dem Modell A3 die erklärenden Variablen von Interesse, die Indikatoren für das
Vorhandensein jeder Marketingtechnik während einer bestimmten Beobachtung, in die Regression aufgenommen. Mit
diesem Zusatz hat sich die Erklärungskraft unseres Modells fast verzehnfacht und wuchs von R = .054 auf R = .523.
a
2
a
2
Alle Marketingvariablen (d. h. Demo, Demo1.3, Demo4.5 und Endcap) haben in diesem Modell positive und signifikante
Koeffizienten: das erste konkrete Zeichen für einen bemerkenswerten Nutzen, der mit diesen Marketingstrategien
verbunden ist. Sobald diese Indikatoren in das Modell aufgenommen wurden, ist Date mit α = 0,05 nicht mehr
signifikant, was darauf hindeutet, dass der chronologische Aufwärtstrend, der in vereinfachten Modellen und Grafiken
beobachtet wird, weitgehend durch die stärkere Präsenz von Marketingbemühungen im Laufe der Zeit erklärt wird.
Nachdem nun die allgemeinsten Erklärungsvariablen - Datum und Preis - sowie die angestrebten
Erklärungsvariablen eingearbeitet wurden, bestand der nächste Schritt darin, Informationen einzubeziehen, die die
Filialen voneinander unterscheiden. Auf der aggregiertesten Ebene unterscheiden sich die Geschäfte voneinander
durch ihre geografische Lage, die das Modell A4 durch Hinzufügen von Region als erklärende Variable aufgenommen
hat . Dieses Modell war eine wesentliche Verbesserung gegenüber seinem Vorgänger, mit einem Sprung von 15% in
3
Bezug auf die absolute Erklärungskraft, von R = .523 auf R = .668

a
2 2
a
Angesichts dessen als solider Kern eines Modells baute unser Team mit den vorhandenen Variablen, die nun
einzelne Geschäfte innerhalb der Region unterscheiden, weiter auf. Die Modelle A5 und A6, die F itness bzw. N atural
zu der von A4 festgelegten Baseline hinzufügen, finden keinen signifikanten prädiktiven Wert, mit p-Werten von .56
und .58. Im Modell A7, das Sales.Rep hinzufügt, sehen wir, dass es zwar keine wesentliche Vorhersagekraft hinzufügt -
eine Änderung von nur 0,001 in R -, sich jedoch deutlich von Null unterscheidet und daher in nachfolgenden Modellen
a
2
in Zukunft beibehalten wurde.
3.2 Regionale Interaktionsmodelle

Vor dem Hinzufügen von Interaktionsbegriffen wird das Benchmarking des aktuellen besten Modells wie folgt
angegeben:
Umsatz = β0 + β1Region + β2Endkappe + β3Demo + β4Demo1,3 + β5Demo4,5 + β6Sales.Rep
3 Bei der Interpretation der Ergebnisse von Modellen, an denen die Region beteiligt ist,
sollten Sie sich bewusst sein, dass die Null-Ebene der Region und damit diejenige, die von R
ausgewählt wurde, um entfernt und in den Intercept aufgenommen zu werden, um die Invertierbarkeit
zu gewährleisten, bewusst als New England (NE) ausgewählt wurde, da diese Region einen Umsatz
aufwies, der dem durchschnittlichen Umsatz in allen Regionen am nächsten kam.
5
Angesichts der Tatsache, dass das Feld der möglicherweise fruchtbaren Einzelvariablen betrachtet wurde, gehen wir
nun zu Interaktionsbegriffen über, die dazu führen würden, dass die Auswirkungen einer Variablen je nach den Ebenen
einer anderen variieren würden. Ausgehend von der makroskopischsten Sicht der möglichen Differenzierung haben wir
Region als eine mögliche Kategorie betrachtet, in der sich die Auswirkungen einer Marketingtechnik unterscheiden
könnten. Auf dieser Grundlage haben wir das Modell B1 konstruiert, das dem obigen Basismodell einen Region *
Endcap-Interaktionsterm hinzufügt.
Die Hinzufügung dieser Interaktion steigerte den R -Wert unseres Modells, der bei den Modellen A4-A7 bei etwa
2
a
0,67 lag, auf bis zu 0,78. Es ist zu beachten, dass die Mehrheit der Ebenen der Region NA-Koeffizienten für ihre
Interaktion mit Endcap hat. Denn nur fünf Regionen erleben jemals eine Endkappe: Florida, der Mittelatlantik,
Nordkalifornien, der pazifische Nordwesten und Rocky Mountain. Da nur diese fünf Regionen Endkappen aufweisen,
definiert R Interaktionskoeffizienten für nur vier von ihnen, wobei die letzte im Wert des nicht interagierten
Endkappenkoeffizienten enthalten ist. In diesem Fall ist diese Region Rocky Mountain, was bedeutet, dass die Wirkung
von Endcap in der Rocky Mountain-Region 1573 beträgt, wobei alle anderen Koeffizienten relativ dazu ausgedrückt
werden.
Obwohl dies in späteren Abschnitten noch deutlich genauer untersucht werden wird, ist an dieser Stelle die starke
Kluft zwischen den Auswirkungen einer Endkappe auf die Einnahmen in NC, PN und RM - wo sie im Bereich von 1400
bis 2050 US-Dollar liegt - und FL und MA, wo sie zwischen -100 und 30 liegt, zu bemerken.
Da der Erfolg der Hinzufügung der Region darauf hindeutet, dass Endcap je nach geografischem Gebiet erheblich
variieren kann, wurde das Modell B2 von einer aggregierteren geografischen Aufschlüsselung auf eine
minutengenauere Aufschlüsselung umgestellt und ein Interaktionsbegriff zwischen Store und Endcap hinzugefügt.
Obwohl der nominale R um 0,02 anstieg, sobald diese Interaktion hinzugefügt wurde, stieg der R mit einer Änderung
2 2
a
von 0,002 deutlich weniger an. Aufgrund dieser Informationen entschied sich unser Team, den Modellbau auf der
Grundlage einiger Gründe ohne Aufschlüsselung nach einzelnen Geschäften fortzusetzen. Erstens und am einfachsten
war dieser kleine Anstieg der Erklärungskraft völlig unverhältnismäßig zu der Zunahme der Komplexität, die durch die
Addition dieser Interaktion ausgelöst wurde, die unseren Koeffizientenvektor von 20 auf über 200 erhöhte. Zweitens
haben wir uns entschieden, ohne Interaktionen auf Store-Ebene fortzufahren, weil wir glauben, dass ein allgemeineres
Modell ein leistungsfähigeres Modell ist, da es leichter abstrahierbare Erkenntnisse enthält und weniger wahrscheinlich
für diesen spezifischen Datensatz geeignet ist.
Um zum Ausgangspunkt einer einzelnen Interaktion zwischen Region und Endkappe zurückzukehren, nimmt
Modell B3 die Region-Interaktion und wendet sie auf die Demo-Variable an. In diesem Fall ist die Interaktion zwischen
Region und Demo jedoch unbedeutend, mit p-Werten auf einzelnen Koeffizienten im Bereich von .23 bis .92 und einem
partiellen Bestimmungskoeffizienten mit einem p-Wert von .83. Während Endcap also je nach Region stark und
signifikant zu variieren scheint, gibt es keine Unterstützung für die Hypothese, dass Demo dies ebenfalls tut.
Während Modell B3 starke Beweise dafür lieferte, dass die Wirkung einer Demo auf den Umsatz nicht von Region
zu Region variiert, befasst sich Modell B4 mit der Frage, ob die Wirkung einer Demo variieren könnte, je nachdem, ob
frühere Demos im selben Geschäft stattgefunden haben. Um dies zu beheben, enthält es Interaktionen zwischen
Demo: Demo1.3, Demo1.3: Demo4.5 und Demo: Demo4.5. Von diesen war nur die erste mit α = 0,05 signifikant, wobei
die teilweise Wirkung einer Demo erhöht wurde, wenn ihr in den letzten 1-3 Wochen eine weitere Demo vorausging.
Nach Berücksichtigung dieser verschiedenen Wechselwirkungen als mögliche Ergänzungen unseres Modells ist
unser Benchmark-Modell Modell B5, das wie folgt spezifiziert ist:
Umsatz = β0 + β1Region + β2Endkappe + β3 Demo + β4Demo1.3

+ β Demo4,5 + β Region * Endkappe + β Demo * Demo1,3 + β Sales.Rep
5 6 7 7
Da dies als potenzielles endgültiges Modell in Betracht gezogen wird, sind nun Tests der zugrunde liegenden als
Summen von Homoskedastizität und Normalität von Fehlertermen notwendig. Der
6
Breusch-Pagan-Test ergab einen p-Wert von 0,11 für dieses Modell, was uns nicht genügend Beweise liefert, um die
Nullhypothese des homoskedastischen Fehlers zurückzuweisen. Der Shapiro-Wilk-Normalitätstest ergab jedoch einen
p-Wert .f .007, was uns dazu veranlasste, die Nullhypothese der Normalität bei α = .05 abzulehnen.
Abbildung 2: Restverteilung (Modell B5)
Abbildung 3: Restwerte vs. angepasste Werte (Modell B5)
Da weder die Metrik der Homoskedastizität noch die der Normalität ideal ist, wurde eine BoxCox-Schätzung
durchgeführt, um festzustellen, ob eine Y-Transformation bei der Korrektur einiger dieser Mängel nützlich sein kann.
Diese Schätzung ergab einen Wert von 0,75, was uns zu Modell B6 führte, das in seinen Parametern mit B5 identisch
ist, aber mit einer auf Y durchgeführten Transformation. Als Ergebnis dieser Umwandlung nimmt R leicht von 0,785 auf
a
2
0,75 ab. Es gibt jedoch auch starke kompensatorische Veränderungen bei den Metriken Homoskedastizität und
Normalität, wobei Breusch-Pagan- und Shapiro-Wilk-Tests p-Werte von 0,91 bzw. 0,54 ergeben. Eine kleine
Anmerkung ist, dass Demo: Demo1.3, das zuvor grenzwertig war, in diesem transformierten Modell mit einem p-Wert
von .211 nun nicht mehr auf einem vernünftigen Niveau signifikant ist. Da alle Demo:Demo-Interaktionen aus dem
aktuellen Modell entfernt wurden, bedeutet dies, dass sich die Wirkung einer Demo zu einem bestimmten Zeitpunkt
nicht wesentlich von der Wirkung dieser Demo unterscheidet, da vorherige Demos durchgeführt wurden. Vereinfacht
ausgedrückt ist der Effekt von susbsequenten Demos einfach eher additiv als additiv und multiplikativ.
7
Die Übernahme dieser Transformation sowie die Entfernung der Interaktion Demo:Demo1.3 führt zu Modell B7, wie
hier spezifiziert:
Umsatz = β0 + β1Region + β2Endkappe + β3Demo + β4Demo1.3 + β5Demo4.5

.75
+ β Region * Endkappe + β Sales.Rep

6 7
Dieses Modell war in vielerlei Hinsicht ein starker Kandidat. Es balancierte Sparsamkeit und Erklärungskraft, integrierte
nur minimale Transformation, zeigte keine offensichtlichen Mängel in der Art und Weise der nicht konstanten
Fehlervarianz von nicht normal verteilten Fehlertermen.
Es gab jedoch ein grundlegendes Problem mit diesem Modell: Die überzeugendste und unerwartetste Geschichte,
die es erzählte, war eine, die wir nicht klar erklären konnten. Diese Geschichte ist die zuvor erwähnte Divergenz
zwischen dem auffallend großen Nutzen, der mit einer Endcap-Promotion in drei Regionen verbunden ist, in denen
Endcaps aufgetreten sind - NC, RM, PN - und dem nicht vorhandenen oder sogar negativen Effekt in den beiden
anderen - FL und MA. Modell B7 gelang es, diese Divergenz zu identifizieren, aber es wurde nicht geklärt, welche
Faktoren diese beiden Gruppen von Regionen voneinander unterschieden. Dies lässt uns ohne eine Position der
Stärke, von der aus wir die Frage beantworten können: Unter den sechs Regionen waren Endkappen, die bisher nicht
eingesetzt wurden, wo verhalten sie sich eher wie die erfolgreiche Gruppe (Gruppe 1) und wo verhalten sie sich eher
wie die erfolglose (Gruppe 2)?
In einem Versuch, den Schlüsselfaktor zu bestimmen, der diese Gruppen von Regionen unterscheidet, wurden die
Daten so unterteilt, dass sie nur diese fünf Regionen umfassen, und es wurde eine binäre Indikatorvariable erstellt, die
auf 1 gesetzt wurde, wenn die Beobachtung zu einer Region in Gruppe 1 gehörte, und auf 0 gesetzt wurde, wenn sie zu
einer Region in Gruppe 2 gehörte. Wir haben dann eine logistische Regression mit diesem Indikator (ecSuccess)
durchgeführt, und Variablen, von denen wir dachten, dass sie für Regionen charakteristisch sein könnten - F itness, N
atural, Average.Retail.P rice undSales.Rep - als erklärende Variablen. Die Ausgabe dieser Regression ist nicht
enthalten, da sie beim Ausführen tatsächlich nicht konvergierte und vor einem wahrscheinlichen Fehler warnte, der auf
"eine im Wesentlichen perfekte Passform" zurückzuführen ist. Dieses unerwartete Ergebnis löste eine weitere Runde
der Untersuchung unserer Daten aus, die zu einer eleganten und letztlich logisch konsistenten Realisierung führte: Bei
Filialen, die Endkappen erlebt hatten, war Sales.Rep, das anzeigte, ob die Filiale mit einem regionalen
Vertriebsmitarbeiter oder nur einem nationalen Vertriebsmitarbeiter interagierte, ein perfekter Prädiktor dafür, ob eine
Filiale zu einer Region der Gruppe 1 oder einer Region der Gruppe 2 gehörte. Mit anderen Worten, aus den Endcap-
Stores fehlte allen Beobachtungen in den erfolglosen Regionen MA und FL ein regionaler Vertriebsmitarbeiter, während
alle Beobachtungen in den erfolgreichen Regionen NC, PN und RM eine hatten.
3.3 Vertriebsmitarbeiter-Interaktionsmodelle
Angesichts dieser Erkenntnis kam uns in den Sinn, dass die Kategorisierung einer Region in eine erfolgreiche oder
erfolglose Gruppe von Sales.Rep abhing. Die ideale Interaktion könnte nicht zwischen Region und Endcap, sondern
zwischen Sales.Rep und Endcap sein. Diese Interaktion wird durch die folgende Abbildung visuell veranschaulicht.
Dies führte zu C1, dem ersten in unserem endgültigen Satz von Modellen, der die beiden oben genannten
Interaktionen ausschaltete. Wie wir gehofft hatten, war dieser neue Interaktionsbegriff mit einem R von etwa 0,77
2
gleichbedeutend mit dem vorherigen besten Modell. Dieses neue Modell hatte jedoch klare Probleme, wie aus dem
Breusch-Pagan- und Shapiro-Wilk-Test hervorgeht, die p-Werte von < 2,2e- bzw. 0,0018 ergaben.
16
8
Abbildung 4: Zunahme aufgrund von Endkappen in Bereichen mit und ohne Vertriebsmitarbeiter
Am Modell C1 wurde eine Box-Cox-Schätzung durchgeführt, die jedoch kein nützliches Ergebnis mit einem
vorgeschlagenen Lambda-Parameter von eins ergab. An dieser Stelle haben wir die Liste der Variablen überprüft, die
zuvor aus dem Modell ausgeschlossen wurden, um zu sehen, ob ihre Wiedereingliederung an dieser Stelle dieses
Problem beheben könnte. Nach mehreren erfolglosen Versuchen fanden wir einen, der funktionierte: Zurückschalten
der abhängigen Variablen auf Units.Sold und Reintegration von Average.Retail.P-Reis als erklärende Variable.
Dies führte zu unserem endgültigen Modell, Modell C2.
4 Endgültiges Modell: Implikationen
Modell C2, unser letztes empfohlenes Modell, ist angegeben als:
U nits.S old = β + β Sales.Rep + β Region + β Average.Retail.P rice + β Endcap + β Demo

0 1 2 3 4 5
+ β6Demo1,3 + β7Demo4,5 + β8Sales.Rep ª Endcap
9
Wenn dieses Modell ausgeführt wird, erzeugt es die folgenden Koeffizienten und t-Werte:
Schätzung Std. Fehler t-WertPr(>|t|)

(Intercept) 290.4688 18.4468 15.746 < 2e-16***
Demo 106.4176 5.7614 18.471 < 2e-16***
Demo1.3 72.6323 3.8370 18.929 < 2e-16***
Demo4.5 72.5876 5.1404 14.121 < 2e-16***
Endkappe -1.1611 12.4999 -0.093 0.9260
RegionFL -13.2980 10.5617 -1.259 0.2082
RegionMA -12.6337 9.9816 -1.266 0.2058
RegionMW 7.6899 6.6410 1.158 0.2471
RegionNA -19.2996 9.9375 -1.942 0.0523 .
Region NC 7.1791 6.9733 1.030 0.3034
RegionPN 0.2981 7.5342 0.040 0.9684
RegionRM 1.7499 7.3517 0.238 0.8119
RegionSO -15.7381 10.7988 -1.457 0.1452
RegionSP 7.9846 7.0766 1.128 0.2594
RegionSW -20.8752 10.6241 -1.965 0.0496*
Sales.Rep 39.4663 10.5825 3.729 0.0002***
Durchschnitt.Einzelh -21.7311 3.7075 -5.8615.74e-09 ***
andel.Preis
Endkappe:Sales.Rep 457.4982 15.3309 29.842 < 2e-16***
Mehrfaches R- 0,8071,Angepasst R-Quadrat: 0,8047

Quadrat:
Während der R -Wert für dieses Modell im Wesentlichen mit dem des Modells C1 identisch ist, minimiert dieses Modell
2
die Probleme, die durch Heteroskedastizität und Nichtnormalität entstehen, mit Breusch-Pagan- und Shapiro-Wilk-p-
Werten von 0,26 bzw. 0,73. Der Koeffizient für Endcap bei Sales.Rep == 0 unterscheidet sich nicht signifikant von Null -
ein Ergebnis, das mit früheren Erkenntnissen von Endcap übereinstimmt, die sich in diesen Regionen marginal oder
sogar negativ auswirken. Im Gegensatz dazu, wenn Sales.Rep= = 1, ist der Koeffizient auf Endcap ein hochsignifikanter
457,5.
Die Wirkung von Demo auf Units.Sold ist konsistenter, da sich die Interaktionsbedingungen sowohl zwischen Demo
und Region als auch zwischen Demo als nicht signifikant herausstellten. Wenn in der Beobachtungswoche eine Demo
durchgeführt wird, ist diese Tatsache mit einem Anstieg des Volumens von U nits.S old um 106,4 verbunden. Wenn in
der Vergangenheit eine Demo weiter durchgeführt wurde, entweder um 1-3 oder 4-5 Wochen, ist diese Tatsache mit
einem Anstieg der verkauften Einheiten um 72,6 verbunden.
Der Koeffizient für P-Reis, der in früheren Modellen keine Bedeutung hatte, entspricht den Erwartungen der
Wirtschaftstheorie, da er in diesem Modell signifikant und negativ ist. Dies deutet darauf hin, dass in früheren Modellen
eine hohe Korrelation zwischen P-Reis und einer Variablen, die noch nicht im Modell enthalten ist, eine Quelle für
Endogenität und damit Verzerrung in unseren Schätzungen war.
Obwohl Region diesem Modell relativ wenig Vorhersagekraft hinzufügt, half seine Einbeziehung, ansonsten
vorhandene Probleme der Heteroskedastizität und Nichtnormalität einzudämmen, und so wurde es wegen seiner
normalisierenden Wirkung einbezogen.
Die folgende Tabelle fasst die durchschnittlichen geschätzten Umsatzsteigerungen zusammen, die mit jeder der
Marketingtechniken in jeder Region verbunden sind, wobei P Reis = der durchschnittliche P Reis in dieser Region und
Sales.Rep gleich 1 gesetzt wird, wenn es in dieser Region Filialen gibt, die sich mit einem regionalen und nicht mit
einem nationalen Vertriebsmitarbeiter verbinden. Umsatznutzenwerte, die im Bereich des Datensatzes liegen (d. h. bei
1
0
denen wir Beobachtungen für diese Kombination aus Region und Sales.Rep haben), sind mit ** angegeben.
Tabelle 3: Geschätzter Umsatzvorteil der Marketingtechnik nach Region

Region Sales.Rep meanPrice n Endkappe Demo Demo1.3 Demo4.5
∗∗
NE 0 $4.33 30 $2.69 $462.69 $318.00∗∗ $323.13∗∗
∗∗
NE 1 $4.09 80 $1860.84 $437.15 $300.45∗∗ $305.29∗∗
FL 0 $4.15 88 $2.57∗∗ $443.05 $304.50 $309.41∗∗
MA 0 $3.61 209 $2.24∗∗ $385.80∗∗ $265.15∗∗ $269.43∗∗
MW 1 $3.94 176 $1789.96 $420.50∗∗ $289.00∗∗ $293.66∗∗
NA 0 $4.13 143 $2.57 $441.40 $303.37 $308.25
NC 1 $4.53 165 $2058.67∗∗ $483.62∗∗ $332.39∗∗ $337.74∗∗
PN 1 $4.05 99 $1841.52∗∗ $432.61∗∗ $297.33∗∗ $302.12∗∗
RM 1 $4.40 110 $2001.14∗∗ $470.11∗∗ $323.10∗∗ $328.30∗∗
SO 1 $3.80 77 $2.36 $405.61 $278.77 $283.26
SP 1 $4.40 132 $1999.50 $469.72∗∗ $322.83∗∗ $328.04∗∗
SW 0 $4.20 77 $2.60 $448.18 $308.03 $312.99
5 Empfehlungen
Basierend auf den Ergebnissen unseres endgültigen Modells können wir eine analytisch fundierte Antwort auf die in
unserer Problemstellung gestellten Fragen geben: nämlich, ob die von Goodbelly durchgeführten Marketingtechniken
zu erheblichen und lang anhaltenden Umsatzsteigerungen geführt haben.
Innerhalb dieser Daten wurde gezeigt, dass Demonstrationen im Geschäft einen konsistenten, positiven und
signifikanten Effekt hatten, der sich zwischen den Regionen oder als Folge einer zusätzlichen Dämonenstrategie in
einer Vorwoche nicht signifikant unterschied. Dieser positive Effekt war vorhersehbar am höchsten, mit einem
durchschnittlichen Anstieg von 106 verkauften Einheiten und 430 US-Dollar Umsatzsteigerung, als die Demonstration in
dieser Woche stattgefunden hatte. Der Effekt ging dann auf 72,6 zusätzliche Einheiten zurück, die in der Woche nach
der Demonstration verkauft wurden, und blieb danach für mindestens fünf Wochen auf diesem Niveau. Dieses Ergebnis
hat einige wichtige Auswirkungen auf zukünftige Marketingentscheidungen. Erstens widerspricht diese Analyse,
zumindest in Bezug auf die fünf Wochen nach einer Demonstration, der Sorge, dass die Auswirkungen des Marketings
kurzlebig sind, da der positive Effekt bis zu fünf Wochen und möglicherweise länger bei 75 % Stärke anhält. Zweitens,
da keine Interaktionen zwischen der Demonstration dieser Woche und denDämonenstrationen der Vorwochen
letztendlich als signifikant befunden wurden, deuten unsere Ergebnisse darauf hin, dass wiederholte Demos im selben
Geschäft mindestens fünf Wochen auseinander liegen sollten, um möglichst kostengünstig zu arbeiten und die Wirkung
einer Demo voll auszuschöpfen.
Die Kampagne, dekorative Endkappen zu konstruieren, hatte eine stärkere positive Wirkung auf den Umsatz, aber
eine weniger universelle. In Geschäften und in Regionen mit einem regionalen Vertriebsmitarbeiter waren Endkappen
mit einem durchschnittlichen geschätzten Umsatzanstieg von 457,5 Einheiten verbunden, was einem
1
1
zusätzlichen Umsatz von 1860 bis 2050 US-Dollar entspricht. In Geschäften ohne Vertriebsmitarbeiter war dieser
Schub jedoch im Wesentlichen nicht vorhanden. Auf der grundlegendsten Ebene würde dieses Ergebnis dringend
empfehlen, dass die Endcap-Kampagne in Regionen - NC, PN, RM - fortgesetzt wird, in denen sie erfolgreich war, und
in Regionen - MA und FL - minimiert oder eliminiert wird, in denen dies nicht der Fall ist. Projiziert man etwas weiter von
den Ergebnissen dieser Analyse, deutet dieses Ergebnis darauf hin, dass die Ausweitung der Endkappen auf neue
Geschäfte und Regionen am ehesten zu starken positiven Ergebnissen in Gebieten mit einem regionalen
Vertriebsmitarbeiter führen wird. Nach diesen Kriterien wären der Mittlere Westen, Neuengland und der Südpazifik
ideale Expansionstargen.
Es lohnt sich jedoch, sich einen Moment Zeit zu nehmen, um zu untersuchen, warum das Vorhandensein eines
Vertriebsmitarbeiters mit einem so starken positiven Effekt verbunden ist. Vielleicht verfügen regionale
Vertriebsmitarbeiter über ein tieferes Wissen über ihre jeweilige Region und sind besser in der Lage, die
Endkappeninstallation auf Geschäfte auszurichten, in denen sie vermuten, dass sie erfolgreich sein wird. Vielleicht
motivieren die engeren Verbindungen, die zwischen regionalen Vertretern und Filialmitarbeitern entstehen, die Filialen,
Endkappen zu konstruieren, die besser dekoriert und prominenter innerhalb der Filiale platziert sind. Es könnte sogar
sein, dass die gleichen Kriterien, die bestimmen, ob ein regionaler Vertriebsmitarbeiter ernannt wird, entscheidend dafür
sind, ob eine Endcap-Kampagne erfolgreich ist. Die wichtigste Erkenntnis hier ist, dass, während dieser Bericht hier
eine Assoziation findet, wenn Goodbelly die Kausalmechanik, die hier am Werk ist, auf einer tieferen Ebene verstehen
will, weitere Forschung notwendig wäre. Dies könnte möglicherweise in Form eines Interviews mit regionalen und
nationalen Vertriebsmitarbeitern erfolgen, um die Zeit zu ermitteln, die sie für ihre Endkappen-Kampagnen aufgewendet
haben, oder in Form qualitativerer Informationen über die Endkappen selbst, wie z. B. ihren Standort im Geschäft.
Es ist zu beachten, dass alle diese Empfehlungen, da sie sich auf die Kosten der einzelnen Techniken beziehen,
allein auf der Grundlage erhöhter Einnahmen und nicht auf der Grundlage einer klareren Kosten-Nutzen-Analyse
ausgesprochen werden. Angesichts dieses Vorbehalts empfehlen wir jedoch, alle Demonstrationskampagnen und eine
Untergruppe von Endcap-Kampagnen fortzusetzen oder zu erweitern, wenn die in diesem Bericht geschätzten
Umsatzsteigerungen die Kosten tatsächlich übertreffen, und hoffen, dass diese Analyse zu einer zuversichtlicheren und
letztendlich erfolgreichen Entscheidungsfindung von Goodbelly führen kann.
6 Anhang
6.1 Univariate Statistik
Abkürzung
NE
Tabelle
FL 4: Region Abkürzungen und Namen
MA
MW Name
NA Neuengland
NC Florida
PN
Mid Atlantic
RM
SO Midwest
SP North Atlantic
SW North California
Pacific Northwest
Rocky Mountain
South
Südpazifischer
Südwesten
1
2
Abbildung 5: Verteilung der verkauften Einheiten
Abbildung 6: Verteilung des durchschnittlichen Verkaufspreises
1
3
Abbildung 8: Verteilung der insgesamt verkauften Einheiten pro Store
Dichte
1
4
6.2 Modellspezifikation und Ausgabe
Modell A1
(Datum SLR)
Einheiten.Verkauft = β + β Datum
0 1
lm(formula = Units.Sold ~ Date, data = gbData)
Residuen:
Min 1Q Median 3Q Max
-239.15 -59.45 -14.32 38.88 770.94
Koeffizienten:
Schätzung Std. Fehler t-Wert Pr(>|t|) (Intercept) -17090.576
1934.447 -8.835 <2e-16 ***
Datum 1.175 0.131 8.966 <2e-16 ***
Reststandardfehler: 107,9 bei 1384 Freiheitsgraden

Mehrfaches R-Quadrat: 0,0549,Angepasstes R-Quadrat: 0,05421
F-Statistik: 80,39 auf 1 und 1384 DF, p-Wert: < 2,2e-16
Modell A2
(A1 + Preis)
Units.Sold = β + β Date + β Average.Retail.P Reis

0 1 2
lm(formula = Units.Sold ~ Date + Average.Retail.Price, data = gbData) Residuals:

-241.03 -59.08 -13.65 38.83 770.74
Koeffizienten:
Schätzung Std. Fehler t-Wert Pr(>|t|)
(Intercept) -1,749e +04 1.975e+03 -8.853 <2e-16 ***
Datum 1.200e +00 1.334e-01 8.992 <2e-16 ***
Durchschnitt.Einzelha 6.330e+00 6.369e+00 0.994 0.32
ndel.Preis
Modell A3
(A1 + erläuternde Marketingvariablen)
Umsatz = β + β Datum + β Demo + β Demo1,3 + β Demo4,5 + β Endkappe

0 1 2 3 4 5
1
5
lm(formula = Revenue ~ Date + Demo + Demo1.3 + Demo4.5 + Endcap, data = gbData)
Residuen:
-1703.0 -179.9 -8.6 172.9 1437.4
Koeffizienten:
(Intercept) 11170.0531 6114.5655 1.827 0.0679 .
Datum -0.6975 0.4141 -1.684 0.0923 .
Demo 582.4088 36.9297 15.771 <2e-16 ***
Demo1.3 405.0617 24.9277 16.249 <2e-16 ***
Demo4.5 395.0120 32.5316 12.142 <2e-16 ***
Endkappe 1188.0596 45.6155 26.045 <2e-16 ***

Mehrfaches R-Quadrat: 0,5247,Angepasstes R-Quadrat: 0,523 F-Statistik: 304,7 auf
5 und 1380 DF, p-Wert: < 2,2e-16
Modell A4
(A3 - Datum + Region)
Umsatz = β0 + β1Demo + β2Demo1,3 + β3Demo4,5 + β4Region + β5Endkappe
lm(formula = Revenue ~ Demo + Demo1.3 + Demo4.5 + Region + Endcap, data = gbData)
Residuen:
-1354.74 -152.39 1.84 144.90 1146.75
Koeffizienten:
Schätzung Fehler t-WertPr(>|t|)
(Intercept) Std.
943.40 25.99 36.299 < 2e-16 ***
Demo 487.39 31.32 15.562 < 2e-16 ***
Demo1.3 286.96 20.83 13.777 < 2e-16 ***
Demo4.5 275.80 27.94 9.871 < 2e-16 ***
RegionFL -311.57 38.91 -8.0082.47e-15 ***
RegionMA -268.78 31.53 -8.524 < 2e-16 ***
RegionMW 40.85 32.56 1.255 0.20985
RegionNA -197.40 34.29 -5.7571.05e-08 ***
Region NC 237.42 33.14 7.1641.28e-12 ***
RegionPN 106.41 37.69 2.823 0.00482 **
RegionRM 116.23 36.36 3.196 0.00142 **
RegionSO -214.23 40.05 -5.3491.04e-07 ***
RegionSP 138.16 34.70 3.9817.21e-05 ***
RegionSW -196.59 40.05 -4.9081.03e-06 ***
Endkappe 1147.04 39,33 29,166 < 2e-16 ***

1
6
Modell A5
(A4 + Fitness)
Umsatz = β + β Region + β Demo + β Demo1,3 + β Demo4,5 + β Endkappe + β Fitness

0 1 2 3 4 5 6
lm(formula = Revenue ~ Region + Demo + Demo1.3 + Demo4.5 + Endcap + Fitness,

data = gbData)
Residuen:
-1356.96 -150.23 2.45 147.41 1147.65
Koeffizienten:
(Intercept) 937.605 27.902 33.603 < 2e-16 ***
RegionFL -312.657 38.964 -8.0242.18e-15 ***
RegionMA -269.371 31.557 -8.536 < 2e-16 ***
RegionMW 36.683 33.378 1.099 0.27196
RegionNA -197.495 34.294 -5.7591.04e-08 ***
Region NC 236.555 33.184 7.1291,64e-12***
RegionPN 108.168 37.828 2.860 0.00431 **
RegionRM 115.365 36.404 3.169 0.00156 **
RegionSO -216.248 40.217 -5.3778.89e-08 ***
RegionSP 136.798 34.790 3.9328,84e-05***
RegionSW -197.436 40.088 -4.9259.46e-07 ***
Demo 487.504 31.328 15.561 < 2e-16 ***
Demo1.3 287.071 20.835 13.778 < 2e-16 ***
Demo4.5 276.034 27.951 9.876 < 2e-16 ***
Endkappe 1147.327 39.341 29.164 < 2e-16 ***
Fitness 2.734 4.785 0.571 0.56783

Modell A6
(A4 + Natur)
Umsatz = β0 + β1Region + β2Endkappe + β3Demo + β4Demo1,3 + β5Demo4,5 + β6N atural
lm(formula = Revenue ~ Region + Demo + Demo1.3 + Demo4.5 + Endcap +

Natürlich, Daten = gbData)
1
7
Residuen:
Min 1Q Median 3Q Max.
-1350.2 -15 2.0 1.4 146.8 1141,3
Koeffiziente
n
Schätzung . t-Wert Pr(>|t|)
Std
(Intercept) 949.905 Fehler 33.313 < 2e-16 ***
28.514
RegionFL -312.316 38.941 -8.020 2,24e-15 ***
RegionMA -268.474 31.545 -8.511 < 2e-16 ***
RegionMW 41.724 32.609 1.280 0.20092
RegionNA -197.883 34.305 -5.768 9.88e-09 ***
Region NC 238.591 33.217 7.183 1.12e-12 ***
RegionPN 104.911 37.800 2.775 0.00559 **
RegionRM 115.064 36.434 3.158 0.00162 **
RegionSO -216.473 40.264 -5.376 8.93e-08 ***
RegionSP 138.295 34.710 3.984 7.12e-05 ***
RegionSW -199.442 40.389 -4.938 8.86e-07 ***
Demo 486.983 31.336 15.540 < 2e-16 ***
Demo1.3 286.370 20.861 13.727 < 2e-16 ***
Demo4.5 275.511 27.953 9.856 < 2e-16 ***
Endkappe 1149.041 39.503 29.087 < 2e-16 ***
Natürlich -4.263 7.674 -0.556 0.57859

Modell A7
(A4 + Sales.Rep)
Umsatz = β0 + β1Region + β2Endkappe + β3Demo + β4Demo1,3 + β5Demo4,5 + β6Sales.Rep
lm(Formel = Umsatz ~ Region + Demo + Demo1.3 + Demo4.5 + Endkappe

Sales.Rep, Daten = gbData) +
Residuen:
-1353.41 -151.92 1.87 146.13 1146.04
Koeffizienten:
(Intercept) 852.559 49.100 17.364 < 2e-16 ***
RegionFL -220.911 56.922 -3.881 0.000109 ***
RegionMA -177.677 52.336 -3.395 0.000706 ***
RegionMW 7.119 36.014 0.198 0.843338
RegionNA -106.560 53.940 -1.976 0.048408 *
Region NC 203.121 36.647 5.543 3.57e-08 ***
1
8
RegionPN 72.437 40.743 1.778 0.075640 .
RegionRM 82.567 39.463 2.092 0.036600 *
RegionSO -123.390 57.766 -2.136 0.032854 *
RegionSP 104.067 38.019 2.737 0.006276 **
RegionSW -105.750 57.766 -1.831 0.067368 .
Demo 484.688 31.302 15,484 < 2e-16 ***
Demo1.3 284.642 20.828 13,666 < 2e-16 ***
Demo4.5 279.623 27.958 10.001 < 2e-16 ***
Endkappe 1147.759 39.276 29.223 < 2e-16 ***
Sales.Rep 125.128 57.414 2.179 0.029472 *
Reststandardfehler: 267 bei 1370 Freiheitsgraden

Modell B1
(A7 + Region: Endcap-Interaktion)
Umsatz = β0 + β1Region + β2 Demo + β3Demo1,3 + β4Demo4,5 + β5Endkappe

+ β6Region * Endkappe + β7Sales.Rep

Region * Endcap + Sales.Rep, Daten = gbData)
Residuen:
-676.54 -146.08 -6.82 136.29 886.60
Koeffizienten: (6 wegen Singularitäten nicht definiert)

846.00 39.65 21.336 < 2e-16 ***
(Intercept)
RegionFL -74.62 46.59 -1.602 0.10948
RegionMA -137.67 42.34 -3.251 0.00118 **
RegionMW 7.40 29.08 0.254 0.79919
RegionNA -100.00 43.56 -2.296 0.02184 *
Region NC 118.21 29.94 3.948 8.27e-05 ***
RegionPN 22.68 33.97 0.668 0.50446
RegionRM 64.69 32.09 2.016 0.04402 *
RegionSO -116.83 46.65 -2.505 0.01238 *
RegionSP 100.22 30.70 3.264 0.00112 **
RegionSW -99.19 46.65 -2.126 0.03365 *
Demo 478.18 25.38 18.840 < 2e-16 ***
Demo1.3 288.81 16.93 17.061 < 2e-16 ***
Demo4.5 311.01 22.66 13.724 < 2e-16 ***
Endkappe 1573.98 109.94 14.316 < 2e-16 ***
Sales.Rep 129.32 46.36 2.789 0.00535 **
1
9
RegionFL:Endkapp -1549.78 130.09 -11.913 < 2e-16***
e
RegionMA:Endkapp -1676.08 141.65 -11.833 < 2e-16***
e
RegionMW:Endkapp NA NA NA NA
e
RegionNA:Endkapp NA NA NA NA
e
RegionNC:Endkapp 475.65 124.56 3.819 0.00014***
e
RegionPN:Endkapp -130.99 124.15 -1.055 0.29158
e
RegionRM:Endkapp NA NA NA NA
e
RegionSO:Endkapp NA NA NA NA
e
RegionSP:Endkapp NA NA NA NA
e
RegionSW:Endkapp NA NA NA NA
e
Modell B2 (B1 + Store + Store:Endcap Interaction)
Umsatz = β0 + β1Region + β2Endkappe + β3 Demo + β4Demo1,3 + β5Demo4,5

+ β Region * Endkappe + β Store + β Store * Endkappe + β Sales.Rep
6 7 8 9
n.b: Vollständige Regressionsausgabe entfällt aufgrund der hohen Komplexität mit mehr als 250
Koeffizienten. Stattdessen werden zusammenfassende Modellstatistiken sowie ANOVA-Ausgaben bereitgestellt.

Mehrfaches R-Quadrat: 0,8076,Angepasstes R-Quadrat: 0,786 F-Statistik:
37,33 bei 140 und 1245 DF, p-Wert: < 2,2e-16
Analyse der Varianztabelle
Antwort: Umsatz
Df Summe Mittelwer F-Wert Pr(>F)
Region 10 Quadrat
91338349 t Quadrat
9133835 198.2805< 2e-16 ***
Demo 1 21652374 21652374 470.0373< 2e-16 ***
Demo1.3 1 19032981 19032981 413.1746< 2e-16 ***
Demo4.5 1 7225538 7225538 156.8545< 2e-16 ***
Endkappe 1 60823921 60823921 1320.3869< 2e-16 ***
Shop 115 21645750 188224 4.0860< 2e-16 ***
Region:Endkap 4 18230088 4557522 98.9363< 2e-16 ***
pe
Endkappe: 2.49070.01528 *
7 803136 114734
Reste 1245 57351206 46065
aufbewahren
Modell B3
(B1 + Region: Demo-Interaktion)
Umsatz = β + β Region + β Endkappe + β Demo + β Demo1,3 + β Demo4,5

0 1 2 3 4 5
+ β6Region * Endkappe + β8Region * Demo + β7Vertrieb.Rep
2
0
Region * Endkappe + Demo * Region + Sales.Rep, Daten = gbData)
Residuen:
-678.40 -148.33 -3.63 135.76 883.78
Koeffizienten: (10 aufgrund von Singularitäten nicht definiert)

(Intercept) 846.028 39.700 21.311 < 2e-16 ***
RegionFL -74.648 46.650 -1.600 0.109791
RegionMA -135.086 42.512 -3.178 0.001518 **
RegionMW 6.454 30.381 0.212 0.831791
RegionNA -100.029 43.612 -2.294 0.021964 *
Region NC 116.347 30.996 3.754 0.000182 ***
RegionPN 15.798 34.845 0.453 0.650342
RegionRM 61.191 33.800 1.810 0.070458 .
RegionSO -116.859 46.705 -2.502 0.012463 *
RegionSP 94.353 32.130 2.937 0.003374 **
RegionSW -99.219 46.705 -2.124 0.033817 *
Demo 441.396 91.736 4.812 1.66e-06 ***
Demo1.3 288.567 17.020 16.955 < 2e-16 ***
Demo4.5 310.970 22.785 13.648 < 2e-16 ***
Endkappe 1573.435 110.209 14.277 < 2e-16 ***
Sales.Rep 132.113 46.895 2.817 0.004915 **
RegionFL:Endkapp -1549.231 130.350 -11.885 < 2e-16 ***
e
RegionMA:Endkapp -1670.111 142.159 -11.748 < 2e-16 ***
e
e
e
RegionNC:Endkapp 476.420 124.825 3.817 0.000141 ***
e
e
e
e
e
e
RegionFL:Demo NA NA NA NA
RegionMA:Demo -10.569 112.004 -0.094 0.924835
RegionMW:Demo 18.031 107.049 0.168 0.866268
RegionNA:Demo NA NA NA NA
RegionNC:Demo 19.998 117.956 0.170 0.865398
RegionPN:Demo 148.704 125.202 1.188 0.235153
RegionRM:Demo 42.249 108.858 0.388 0.697994
RegionSO:Demo NA NA NA NA
RegionSP:Demo 68.583 111.279 0.616 0.537788
RegionSW:Demo NA NA NA NA
---
Reststandardfehler: 215,9 auf 1360 Freiheitsgrade
Mehrfaches R-Quadrat: 0,7874,Angepasstes R-Quadrat: 0,7835 F-Statistik:
2
1
201,5 auf 25 und 1360 DF, p-Wert: < 2,2e-16
Modell B4 (B1 : Demo/Demo-Interaktionen)
Umsatz = β0 + β1Region + β2Endkappe + β3 Demo + β4Demo1,3 + β5Demo4,5

+β Region•Endkappe+β Demo•Demo1.3+Demo1.3•Demo4.5+Demo•Demo4.5+β Sales.Rep
6 7 7

Region * Endcap + Demo * Demo1.3 + Demo1.3 * Demo4.5 + Demo * Demo4.5
+ Sales.Rep, data = gbData)
Residuen:
-679.03 -149.14 -5.51 135.62 882.60

Schätzun Std. Fehler t-WertPr(>|t|)
(Intercept) g 846.479 39.669 21.339 < 2e-16 ***
RegionFL -75.097 46.573 -1.6120.107093
RegionMA -135.224 42.291 -3.1970.001418 **
RegionMW 5.895 29.105 0.2030.839528
RegionNA -100.480 43.562 -2.3070.021227 *
Region NC 116.688 29.969 3.8940.000104 ***
RegionPN 18.954 33.980 0.5580.577072
RegionRM 61.579 32.120 1.9170.055427 .
RegionSO -117.310 46.642 -2.5150.012013 *
RegionSP 100.923 30.680 3.2900.001029 **
RegionSW -99.670 46.642 -2.1370.032781 *
Demo 443.985 28.766 15.435 < 2e-16 ***
Demo1.3 282.093 18.337 15.383 < 2e-16 ***
Demo4.5 310.871 25.160 12.356 < 2e-16 ***
Endkappe 1531.290 112.207 13.647 < 2e-16 ***
Sales.Rep 132.849 46.315 2.8680.004189 **
e
RegionMA:Endkapp -1627.203 144.128 -11.290 < 2e-16 ***
e
e
e
RegionNC:Endkapp 519.498 126.706 4.1004.38e-05 ***
e
RegionPN:Endkapp -90.004 126.495 -0.7120.476882
e
e
e
e
e
Demo:Demo1.3 127.918 63.508 2.0140.044186 *
Demo1.3:Demo4.5 -58.548 60.823 -0.9630.335919
Demo:Demo4.5 145.612 110.244 1.3210.186785
Reststandardfehler: 215,3 auf 1363 Freiheitsgrade
2
2
Modell B5
(B1 + Demo:Demo1.3 Interaktion)
Umsatz = β + β Region + β Endkappe + β Demo + β Demo1,3 + β Demo4,5

0 1 2 3 4 5
+ β Region * Endkappe + β Demo * Demo1,3 + β Sales.Rep

6 7 7

Region * Endkappe + Demo * Demo1.3 + Sales.Rep, Daten = gbData)
Residuen:
-678.14 -148.91 -2.61 135.85 881.66

Schätzun Std. Fehler t-Wert Pr(>|t|)
(Intercept) g 847.529 39.594 21.405 < 2e-16***
RegionFL -76.052 46.525 -1.6350.102352
RegionMA -135.528 42.283 -3.2050.001381 **
RegionMW 4.063 29.071 0.1400.888878
RegionNA -101.530 43.495 -2.3340.019725 *
Region NC 115.068 29.921 3.8460.000126 ***
RegionPN 18.268 33.973 0.5380.590857
RegionRM 62.904 32.052 1.9630.049900 *
RegionSO -118.360 46.579 -2.5410.011162 *
RegionSP 100.991 30.656 3.2940.001012 **
RegionSW -100.720 46.579 -2.1620.030765 *
Demo 448.034 28.507 15.716 < 2e-16***
Demo1.3 277.345 17.615 15.745 < 2e-16***
Demo4.5 307.204 22.686 13.541 < 2e-16***
Endkappe 1549.236 110.293 14.047 < 2e-16***
Sales.Rep 132.734 46.314 2.8660.004221 **
e
e
e
e
RegionNC:Endkapp 503.161 124.928 4.0285,94e-05 ***
e
e
e
e
e
e
Demo:Demo1.3 143.276 62.069 2.3080.021128 *
studierter Breusch-Pagan-Test
daten: Test
BP = 35.2751, df = 26, p-Wert = 0,1058
2
3
Shapiro-Wilk-Normalitätstest
data: test$residuals
W = 0,9969, p-Wert = 0,006932
Modell B6
(B5 mit Y 0 = Y Transformation)
,75
Umsatz = β + β Region + β Endkappe + β Demo + β Demo1.3 + β Demo4.5

.75
0 1 2 3 4 5
+ β6Region * Endkappe + β7Demo * Demo1,3 + β7Sales.Rep
lm(formula = Revenue^0.75 ~ Region + Demo + Demo1.3 + Demo4.5 +

Endkappe + Region * Endkappe + Demo * Demo1.3 + Sales.Rep, Daten =
gbData)
Residuen:
-101.968 -19.252 0.226 18.607 108.774
Koeffizienten (6 wegen Singularitäten nicht definiert)

: Schätzung Std. t-Wert Pr(>|t|)
(Intercept) Fehler
156.5346 5.2827 29.631 < 2e-16 ***
RegionFL -10.9843 6.2074 -1.7700.077028 .
RegionMA -18.5830 5.6415 -3.2940.001013 **
RegionMW 0.4917 3.8788 0.1270.899139
RegionNA -14.8584 5.8032 -2.5600.010563 *
Region NC 14.7704 3.9922 3.7000.000224 ***
RegionPN 2.4013 4.5328 0.5300.596361
RegionRM 8.0439 4.2764 1.8810.060188 .
RegionSO -17.1849 6.2147 -2.7650.005766 **
RegionSP 12.9378 4.0901 3.1630.001595 **
RegionSW -14.8376 6.2147 -2.3870.017099 *
Demo 56.5647 3.8035 14.872 < 2e-16 ***
Demo1.3 35.9593 2.3503 15.300 < 2e-16 ***
Demo4.5 38.8173 3.0268 12.824 < 2e-16 ***
Endkappe 170.9696 14.7156 11.618 < 2e-16 ***
Sales.Rep 18.1382 6.1793 2.9350.003388 **
e
RegionMA:Endkappe -180,4750 18.9656 -9.516 < 2e-16 ***
e
e
RegionNC:Endkapp 56.5342 16.6682 3.3920.000714 ***
e
e
e
e
e
e
Demo:Demo1.3 10.3542 8.2814 1.2500.211403

2
4
daten: Test
BP = 16,8634, df = 26, p-Wert = 0,9132
W = 0,9989, p-Wert = 0,5397
Modell B7 (B6 - Demo:Demo1.3)
Umsatz = β + β Region + β Endkappe + β Demo + β Demo1.3 + β Demo4.5

.75
0 1 2 3 4 5
+ β6Region * Endkappe + β7Sales.Rep
lm(formula = Revenue^0.75 ~ Region + Demo + Demo1.3 + Demo4.5 + Endcap +

Region * Endcap + Sales.Rep, data = gbData)
Residuen:
-101.852 -19.374 -0.111 18.657 109.131

Schätzung Fehler t-Wert Pr(>|t|)
Std. 156.4244 5.2831 29.609 < 2e-16 ***
RegionFL
(Intercept) -10.8812 6.2082 -1.7530.079875 .
RegionMA -18.7376 5.6414 -3.3210.000919 ***
RegionMW 0.7329 3.8748 0.1890.850010
RegionNA -14.7481 5.8037 -2.5410.011159 *
Region NC 14.9972 3.9889 3.7600.000177 ***
RegionPN 2.7203 4.5266 0.6010.547957
RegionRM 8.1731 4.2761 1.911 0.056167 .
RegionSO -17.0746 6.2154 -2.747 0.006090 **
RegionSP 12.8824 4.0907 3.1490.001673 **
RegionSW -14.7274 6.2154 -2.370 0.017950 *
Demo 58.7430 3.3818 17.370 < 2e-16***
Demo1.3 36.7875 2.2554 16.311 < 2e-16***
Demo4.5 39.0925 3.0194 12.947 < 2e-16***
Endkappe 172.7580 14.6489 11.793 < 2e-16***
Sales.Rep 17.8919 6.1775 2.8960.003836 **
e
e
e
e
RegionNC:Endkapp 54.5464 16.5956 3.2870.001039 **
e
e
e
2
5
e
e
e
daten: Test
BP = 17,1345, df = 25, p-Wert = 0,8769
W = 0,9988, p-Wert = 0,4771
Modell C1
Umsatz = β0+β1 Sales.Rep+β2Endcap+β3Demo+β4 Demo1.3 + β5 Demo4.5 + β6 Sales.Rep + β2Endcap
lm(formula = Revenue ~ Demo + Demo1.3 + Demo4.5 + Endcap + Sales.Rep *

Endcap + Sales.Rep, Daten = gbData)
Residuen:
-940.18 -152.37 -9.58 143.23 827.31
Koeffizienten:
(Intercept) 740.043 9.229 80.190 <2e-16 ***

Demo 453.726 26.151 17.350 <2e-16 ***
Demo1.3 275.410 17.199 16.013 <2e-16 ***
Demo4.5 331.758 23.104 14.359 <2e-16 ***
Endkappe -9.924 55.406 -0.179 0.858
Sales.Rep 294.568 12.993 22.672 <2e-16 ***
Endkappe:Sales.R 1736.923 67.450 25.751 <2e-16 ***
ep
Reststandardfehler: 225 bei 1379 Freiheitsgraden Mehrfaches R-Quadrat:

0,7659,Angepasstes R-Quadrat: 0,7649
daten: Test
BP = 116.0507, df = 6, p-Wert < 2.2e-16
2
6
W = 0,9962, p-Wert = 0,001782
Modell C2
U nits.S old = β + β Sales.Repβ Average.Retail.P rice + β Endcap + β Demo

0 1 2 3 4
+ β5Demo1,3 + β6Demo4,5 + β7Sales.Rep * Endcap
lm(formula = Units.Sold ~ Demo + Demo1.3 + Demo4.5 + Endcap + Region +

Sales.Rep * Endcap + Average.Retail.Price + Sales.Rep, data = gbData)
Residuen:
-171.010 -33.577 0.677 33.349 179.660
Koeffizienten:
(Intercept) 290.4688 18.4468 15.746 < 2e-16 ***
Demo 106.4176 5.7614 18.471 < 2e-16 ***
Demo1.3 72.6323 3.8370 18.929 < 2e-16 ***
Demo4.5 72.5876 5.1404 14.121 < 2e-16 ***
Endkappe -1.1611 12.4999 -0.093 0.9260
RegionFL -13.2980 10.5617 -1.259 0.2082
RegionMA -12.6337 9.9816 -1.266 0.2058
RegionMW 7.6899 6.6410 1.158 0.2471
RegionNA -19.2996 9.9375 -1.942 0.0523 .
Region NC 7.1791 6.9733 1.030 0.3034
RegionPN 0.2981 7.5342 0.040 0.9684
RegionRM 1.7499 7.3517 0.238 0.8119
RegionSO -15.7381 10.7988 -1.457 0.1452
RegionSP 7.9846 7.0766 1.128 0.2594
RegionSW -20.8752 10.6241 -1.965 0.0496 *
Sales.Rep 39.4663 10.5825 3.729 0.0002 ***
Durchschnitt.Einzelha -21.7311 3.7075 -5.8615.74e-09 ***
ndel.Preis
Endkappe:Sales.Rep 457.4982 15.3309 29.842 < 2e-16 ***

data: yz
BP = 20,3246, df = 17, p-Wert = 0,258
daten: yz$Residuen
W = 0,9991, p-Wert = 0,7279
2
7
6.3 Region & Sales.Rep Interaktionseffekte
Abbildung 9: Modell C2: Restverteilung
Abbildung 10: Modell C2: Restwerte im Vergleich zu

angepassten Werten
2
8
Abbildung 11: Modell C2: Restbestände im Vergleich zum
durchschnittlichen Verkaufspreis
Abbildung 12: Auswirkungen der Demo auf den Umsatz (bei 0)

Endcap =
2
9
6.4 Übersichtstabellen
Tabelle 5: Zusammenfassung der verkauften Einheiten und des Preises nach Region
Units.Sold Average.Retail.Price
Region n mittelwert gez. mittelwert gez.
FL 88 188.49 48.31 4.15 0.24
MA 209 222.40 62.41 3.61 0.25
MW 176 282.52 71.67 3.94 0.37
NA 143 181.32 50.97 4.13 0.36
NC 165 312.36 145.47 4.53 0.31
NE 110 254.37 67.46 4.16 0.50
PN 99 343.80 207.35 4.05 0.44
RM 110 302.39 126.00 4.40 0.53
SO 77 192.16 49.01 3.80 0.28
SP 132 285.79 63.37 4.40 0.33
SW 77 178.36 50.39 4.20 0.32
Alle 1386 253.82 111.00 4.11 0.46
Tabelle 6: Aufschlüsselung der s Wann Endkapp == 1

Beobachtung Demo e
01
Demo1.3 Demo1.3
0101
Demo4.5 Demo4.5 Demo4.5 Demo4.5
01010101
länge Länge Länge Länge Länge Länge Länge Länge
Region n
FL 11 11 0 0 0 0 0 0 0
MA 6 0 2 3 0 1 0 0 0
NC 15 10 1 3 0 1 0 0 0
PN 17 5 0 7 0 3 0 2 0
RM 4 2 0 1 0 0 0 0 1
Alle 53 28 3 14 0 5 0 2 1
3
0
Tabelle 7: Aufschlüsselung der Beobachtungen für Endcap == 0
Endkappe
0 Demo 0 1 1 Demo
Demol.3 Demol.3
0 Demol.3 0 1
1 Abbruch.3
Demo4.5 Demo4.5
1 0 1 Demo4.5 0
0 )4.5 Demo4.5 Demo4.5 Demo4.5
Deme 0 10 10 1 0 1 0 1 0 1 Der 0
Region n Länge länge Länge Länge Länge Länge 0 Länge 1 Länge länge Länge Länge Länge länge Länge Länge
FL 77 75 2 0 0 0 0 0 0 0 0 0 0 0 0 0
MA 203 148 12 32 0 11 0 0 0 0 0 0 0 0 0 0
MW 176 119 6 30 4 12 0 5 0 0 0 0 0 0 0 0
NA 143 143 0 0 0 0 0 0 0 0 0 0 0 0 0 0
NC 150 96 17 23 6 5 0 2 1 0 0 0 0 0 0 0
NE 110 74 11 19 0 6 0 0 0 0 0 0 0 0 0 0
PN 82 69 4 6 0 2 0 1 0 0 0 0 0 0 0 0
RM 106 53 7 27 4 92 3 1 0 0 0 0 0 0 0
SO 77 77 0 0 0 0 0 0 0 0 0 0 0 0 0 0
SP 132 61 23 34 1 12 0 1 0 0 0 0 0 0 0 0
sw 77 77 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Alle 1333 992 82 171 15 57 2 12 2 0 0 0 0 0 0 0

Abschluss Der Goodbelly-Marketinganalyse

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Abschluss Der Goodbelly-Marketinganalyse

Hochgeladen von

Copyright:

Verfügbare Formate

Goodbelly Marketing: Analyse und Empfehlungen

Cody Wild & Luba Gloukhov

• Datum - Datum, das dem ersten Tag der Woche entspricht

• Region - Zweistelliger Code entsprechend der geografischen Region 1

• U nits.Sold - Goodbelly-Einheiten, die unter der Woche verkauft wurden

• Durchschnitt.Einzelhandel.P-Reis - Durchschnittlicher Preis von Goodbelly-Produkten

Tabelle 1: Univariate zusammenfassende Statistiken

Tabelle 2: Aufschlüsselung der Beobachtungen nach Auftreten von Marketingtechniken

enthielten, wobei die verkauften Einheiten mit fortschreitender Zeit zunahmen.

Bezug auf die absolute Erklärungskraft, von R = .523 auf R = .668

in Zukunft beibehalten wurde.

3.2 Regionale Interaktionsmodelle

Umsatz = β0 + β1Region + β2Endkappe + β3Demo + β4Demo1,3 + β5Demo4,5 + β6Sales.Rep

Umsatz = β0 + β1Region + β2Endkappe + β3 Demo + β4Demo1.3

Abbildung 2: Restverteilung (Modell B5)

Abbildung 3: Restwerte vs. angepasste Werte (Modell B5)

Umsatz = β0 + β1Region + β2Endkappe + β3Demo + β4Demo1.3 + β5Demo4.5

+ β Region * Endkappe + β Sales.Rep

U nits.S old = β + β Sales.Rep + β Region + β Average.Retail.P rice + β Endcap + β Demo

+ β6Demo1,3 + β7Demo4,5 + β8Sales.Rep ª Endcap

Schätzung Std. Fehler t-WertPr(>|t|)

Mehrfaches R- 0,8071,Angepasst R-Quadrat: 0,8047

Tabelle 3: Geschätzter Umsatzvorteil der Marketingtechnik nach Region

Abbildung 6: Verteilung des durchschnittlichen Verkaufspreises

lm(formula = Units.Sold ~ Date, data = gbData)

Reststandardfehler: 107,9 bei 1384 Freiheitsgraden

Units.Sold = β + β Date + β Average.Retail.P Reis

lm(formula = Units.Sold ~ Date + Average.Retail.Price, data = gbData) Residuals:

Umsatz = β + β Datum + β Demo + β Demo1,3 + β Demo4,5 + β Endkappe

Reststandardfehler: 320,4 bei 1380 Freiheitsgraden

Umsatz = β0 + β1Demo + β2Demo1,3 + β3Demo4,5 + β4Region + β5Endkappe

lm(formula = Revenue ~ Demo + Demo1.3 + Demo4.5 + Region + Endcap, data = gbData)

Reststandardfehler: 267,4 bei 1371 Freiheitsgraden

Umsatz = β + β Region + β Demo + β Demo1,3 + β Demo4,5 + β Endkappe + β Fitness

lm(formula = Revenue ~ Region + Demo + Demo1.3 + Demo4.5 + Endcap + Fitness,

Reststandardfehler: 267,5 bei 1370 Freiheitsgraden

Umsatz = β0 + β1Region + β2Endkappe + β3Demo + β4Demo1,3 + β5Demo4,5 + β6N atural

lm(formula = Revenue ~ Region + Demo + Demo1.3 + Demo4.5 + Endcap +

Reststandardfehler: 267,5 bei 1370 Freiheitsgraden

Umsatz = β0 + β1Region + β2Endkappe + β3Demo + β4Demo1,3 + β5Demo4,5 + β6Sales.Rep

lm(Formel = Umsatz ~ Region + Demo + Demo1.3 + Demo4.5 + Endkappe

Reststandardfehler: 267 bei 1370 Freiheitsgraden

Umsatz = β0 + β1Region + β2 Demo + β3Demo1,3 + β4Demo4,5 + β5Endkappe

lm(formula = Revenue ~ Region + Demo + Demo1.3 + Demo4.5 + Endcap +

Koeffizienten: (6 wegen Singularitäten nicht definiert)

Modell B2 (B1 + Store + Store:Endcap Interaction)

Umsatz = β0 + β1Region + β2Endkappe + β3 Demo + β4Demo1,3 + β5Demo4,5

Reststandardfehler: 214,6 bei 1245 Freiheitsgraden

Analyse der Varianztabelle

Umsatz = β + β Region + β Endkappe + β Demo + β Demo1,3 + β Demo4,5

+ β6Region * Endkappe + β8Region * Demo + β7Vertrieb.Rep

lm(formula = Revenue ~ Region + Demo + Demo1.3 + Demo4.5 + Endcap +

Koeffizienten: (10 aufgrund von Singularitäten nicht definiert)

Reststandardfehler: 215,9 auf 1360 Freiheitsgrade

Mehrfaches R-Quadrat: 0,7874,Angepasstes R-Quadrat: 0,7835 F-Statistik:

Modell B4 (B1 : Demo/Demo-Interaktionen)

Umsatz = β0 + β1Region + β2Endkappe + β3 Demo + β4Demo1,3 + β5Demo4,5

lm(formula = Revenue ~ Region + Demo + Demo1.3 + Demo4.5 + Endcap +

Koeffizienten: (6 wegen Singularitäten nicht definiert)

Umsatz = β + β Region + β Endkappe + β Demo + β Demo1,3 + β Demo4,5

+ β Region * Endkappe + β Demo * Demo1,3 + β Sales.Rep

lm(formula = Revenue ~ Region + Demo + Demo1.3 + Demo4.5 + Endcap +

Koeffizienten: (6 wegen Singularitäten nicht definiert)