Resolução do caso Advertising por Meio de Regressão Linear

S6 – Resolução do caso Advertising por meio de Regressão linear

INTRODUÇÃO

Frequentemente as organizações recorrem as ferramentas de análise de mercado e de estudos de marketing para decisões de investimentos e campanhas publicitarias. A análise de base de dados sobre o comportamento do consumidor pode gerar insumos valiosos com potencial para criar vantagem competitiva em algumas organizações. Na era do marketing digital as estratégias para se chegar ao consumidor estão cada vez mais dinâmicas e a organização que souber usar a informação a seu favor saíra na frente.

Nesse estudo abordaremos como as estratégias de publicidade e algoritmos de marketing digital podem afetar a demanda de restaurantes. O objetivo é avaliar as variáveis envolvidas na reserva de um restaurante e quais os mecanismos de publicidade podem potencializar essa demanda, aumentando a exposição, interesse e, consequentemente, o número de reservas dos restaurantes. Serão avaliados 2 tipos de restaurantes, independentes e de cadeia, segregados em 3 grupos, 1 grupo sem qualquer algoritmo de publicidade, 1 grupo com um algoritmo vigente e outro grupo com algoritmo alternativo. Ao final das análises será possível identificar qual variável e qual algoritmo tem maior efeito no número de reservas.

FUNDAMENTAÇÃO TEÓRICA

1. Hipóteses

A análise por estatística descritiva do experimento conduzido para determinar se o novo algoritmo seria mais eficiente que o atualmente utilizado produziu uma série de hipóteses que serão testadas por método de regressão linear.

No Gráfico 1, gráfico de dispersão que representa a correlação entre as duas variáveis quantitativas # of reservations e # of visits, observa-se que há correlação positiva entre as variáveis. Esse resultado parece indicar que quanto maior o número de visitas, maior o número de reservas. Tendo em vista que a visita à página do restaurante de interesse pode indicar a preferência do consumidor que acaba por se materializar em reserva, essa relação parece coerente. Assim, tem-se a primeira hipótese:

H1: Quanto mais pageviews o restaurante recebe maior é o seu número de reservas.

[pic 1]

Gráfico 1 – gráfico de dispersão entre as variáveis quantitativas # of reservations e # of visits

Da mesma forma, o Gráfico 2, de dispersão entre as variáveis # of reservations e # of calls parece apontar uma relação positiva entre as variáveis. Ainda, considerando que a ligação tende a ocorrer após a tomada de decisão pelo consumidor, essa relação parece razoável. Assim, tem-se a segunda hipótese:

H2: Quanto mais calls o restaurante recebe maior o seu número de reservas.

[pic 2]

Gráfico 2 – gráfico de dispersão entre as variáveis quantitativas # of reservations e # of calls

O Gráfico 1 demonstra a possibilidade de existir dois grupos distintos, o primeiro ao redor de 350 pageviews e o segundo ao redor de 700. Esse fato parece indicar que há uma outra variável afetando a relação. Analisando o Gráfico 3 abaixo, tem-se que o tipo de restaurante parece ser essa variável. Isso poderia ocorrer pelo fato de restaurantes de cadeia serem mais conhecidos e possuírem mais filiais, frequentemente sendo mais lembrados pelo consumidor. Assim, tem-se a terceira hipótese, que busca verificar se o tipo de restaurante é uma variável moderadora que modera a relação entre # of reservations e # of visits.

H3: O efeito de pageviews no número de reservas é maior para restaurantes do tipo cadeia.

[pic 3]

Gráfico 3 – gráfico de dispersão entre as variáveis quantitativas # of reservations e # of visits moderado por tipo de restaurante

Diferente do que ocorre com a relação entre pageviews e o número de reservas, não é possível inferir, apenas a partir do Gráfico 2, se há outra variável afetando a relação entre calls e reservas. No entanto, como observado no Gráfico 4, o tipo de restaurante também parece moderar essa relação. Assim, é possível construí a quarta hipótese a ser testada:

H4: O efeito de calls no número de reservas é maior para restaurantes do tipo cadeia.

[pic 4]

Gráfico 4 – gráfico de dispersão entre as variáveis quantitativas # of reservations e # of calls moderada por tipo de restaurante

Alternativamente à terceira hipótese, poder-se-ia pensar que o tipo de tratamento seria a variável que afeta a relação entre pageviews e reservas. Isso poderia ser explicado pelo melhor funcionamento de algum algoritmo em relação ao outro. Nesse caso, o tipo de tratamento pode gerar o efeito moderador, alterando o efeito da variável pageviews no número de reservas. O Gráfico 5 apresenta graficamente essa relação. Assim, tem-se a quinta hipótese:

H5: O efeito de pageviews no número de reservas é maior para restaurantes do grupo de tratamento algoritmo alternativo.

[pic 5]

Gráfico 5 – gráfico de dispersão entre as variáveis quantitativas # of reservations e # of visits por tipo de tratamento

Alternativamente à quarta hipótese, poder-se-ia pensar que o tipo de tratamento seria a variável que afeta a relação calls e reservas. Do mesmo modo, o tipo de tratamento pode gerar o efeito moderador, porém nesse caso alterando o efeito da variável calls no número de reservas. O Gráfico 6 apresenta graficamente essa relação. Assim, tem-se a quinta hipótese:

H6: O efeito de calls no número de reservas é maior para restaurantes do grupo de tratamento algoritmo alternativo.

[pic 6]

Gráfico 6 – gráfico de dispersão entre as variáveis quantitativas # of reservations e # of calls por tipo de tratamento

METODOLOGIA

1. Desenho de pesquisa

O desenho da pesquisa trata-se de um experimento aleatório, com dois grupos de tratamento e um grupo de controle. Enquanto um grupo (controle) não recebeu qualquer propaganda, os outros dois receberam propaganda grátis, sendo que um grupo com base no algoritmo atual e outro com base no novo algoritmo que está sendo testado.

...