광고 매출 분석

실제로는 광고 매체비 이외의 많은 요인이 매출에 영향을 미칩니다. 본 분석에서는 다른 요인이 모두 동일한 상황에서 매체비 만 변경했을 때 매출액의 변화가 발생한 것이라고 간주해 봅니다. 각 미디어별로 매체비를 어떻게 쓰느냐에 따라서 매출액이 어떻게 달라질지 예측하며 궁극적으로 매출액을 최대화할 수 있는 미디어 믹스의 구성을 도출할 것입니다. 

**데이터 설명**

---

*   TV:TV 매체비 입니다.

*   radio:라디오 매체비입니다.

*   newpaper:신문 매체비입니다.

*   sales:매출액 입니다.

 

 

매출과 매체비의 히트맵

import seaborn as sns

sns.heatmap(df.corr(), annot=True)

히트맵

 

- 매출과 상관성이 높은 것은 TV > Radio > Newspaper 순서입니다.

- Radio, Newspaper  서로 약한 양의 상관관계가 있습니다.

 

Pairplot

import matplotlib.pyplot as plt

sns.pairplot(df)

plt.show()

pair plot

 

- Pairplot을 통해 변수간의  상관성을 산점도 그래프로 표현했습니다. 티비, 라디오의 매체비가 높아질 수록 매출도 높아집. 하지만 산점도 그래프를 통해 확인했을 때 신문은 다른 매체들에 비해 상관성이 적은 것으로 보입니다.

 

OLS(최소 제곱법)

import statsmodels.formula.api as sm

model=sm.ols(formula='sales~TV+radio+newspaper', data=df).fit()

model.summary()

 

OLS 분석 결과

 

-  R-squared값은 0.897으로 높은 값을 가집니다.

-  p-value의 0.05 수준에서 유의한 변수는 티비, 라디오입니다.

-  뉴스는 유의하지 않은 것으로 나타났습니다. 즉 신문광고가 매출액에 미치는 영향은 유의하지 않다고 할 수 있습니다.

-  회귀식은 다음과 같습니다. sales=2.9389+0.0458TV+0.1885radio-0.0010newspaper

 

변수의 포함여부에 따른 OLS

odel1=sm.ols(formula='sales~TV+radio+newspaper',data=df).fit()

model2=sm.ols(formula='sales~TV+radio',data=df).fit()

model3=sm.ols(formula='sales~TV',data=df).fit()

print(model1.summary())

print(model2.summary())

print(model3.summary())

-  유의하지 않은 변수인 뉴스를 제거한 모델이 AIC, BIC가 가장 낮습니다.

   *여기서 AIC가 낮은 것은 즉 모형의 적합도가 높은 것을 의미하는데 모형의 적합도란 실제 자료와 연구자의 연구 모형이 얼마나 부합하는지 평가하는 것입니다.)

-  여러 개의 모델 중 선택을 할 때 AIC, BIC가 가장 낮은지 여부로 정하기도 합니다.

-  물론 AIC, BIC가 유일한 판단 기준은 아니지만 RMSE와 다른 기준들과 함께 고려되어야 합니다.

- 결과에 따르면  p-value가 0.05 이상으로 신문광고는 매출액 예측에 있어서 변수의 유무가 통계적으로 유의한 차이를 보이지 않습니다. 즉 신문광고 마케팅은 매출액에 관련이 없다고 할 수 있습니다. 

 

모델을 활용한 예측

model.predict({'TV':200, 'radio':20, 'newspaper':7})

 

- 각 미디어별 매체비에 따른 매출을 예측했을 때, 그 결과 값은 16입니다.

 

 

모델 적용 방안

-  신문광고를 중단하고  티비, 라디오 광고 위주로 광고 매체비를 분배해야 합니다.

-  라디오 광고는 비용 대비 효율은 조금 떨어지는 것 같습니다. 티비 광고의 상관계수가 더 큽니다. 우리 제품은 티비 광고  할수록 잘 팔리는 제품입니다. 

 

 

 

 

출처:Fast_Campus