(63885))==پروژه R
دو سال پیش منتشر شده
تعداد بازدید: 120
کد پروژه: 445993
شرح پروژه
#پروژه_جدید
#کدپروژه : 63885
موضوع : پروژه R
وقتتون بخیر ==
شما تحلیل اماری پنل دیتا longitudinal data با زبان R هم انجام میدهید؟
: سلام سه روز زمان دارم
اگر حتما امکان انجامش هست بفرمایید حدود هزینه رو تا اطلاعات رو ارسال کنم خدمتتون
: مرحله اول دیتا کلینینگ
مرحله دوم ویژوالیزیشن
و تحلیلش
مرحله سه چک کردن متغییرهای مرتبط مساله
مرحله چهار متدولوژی و کدهاش
مرحله پنج خروجی تحلیلی نتایج
گزارشش مهمه و زبان انگلیسی ترجیحا بهتره
لطفا چک کنید و اطلاع بدید
بیشتر از کد کردن
گزارشش مهمه
نکته بعد اینکه به هیچ وجه نباید دیتاست رو تغییر بدن که به نتیجه برسن( تجربه داشتم، وقتی گزارش رسید دستم دیدم از دیتاست من استفاده نشده)
من خودم هر مرحله رو باید چک کنم که خروجیهامون یکی باشه چون در نهایت من باید سر کلاس اینو ارایه بدم
تحلیل داده با r و من کدهاشو میدم
چون باید از اینها استفاده کنیم
ولی بخش دیتا کلینیک رو شما خودتون کد بزنید
من فرد حرفه ای و مسلط لازم دارم که سریع و با کیفیت کار جمع بشه
: Before running your analyses, ensure to conduct appropriate exploratory data analysis (EDA) and data cleaning procedures to prepare your dataset for longitudinal data analysis. Ensure that your data meets the assumptions required for the specific longitudinal data analysis techniques you plan to employ.
Based on the variables provided in the dataset from JD.com, the dependent variable (DV) should be something that represents the performance of SKUs over time. An ideal DV could be the "Quantity" variable, as it indicates the number of units ordered, which is a direct measure of SKU performance. Alternatively, the "Final_Unit+Price" might be used as it represents the final purchase price, reflecting the economic value generated by each SKU.
For predictors or independent variables (IVs), you might consider the following:
• Type: The type of SKU (1P or 3P) might influence SKU performance.
• Promise: Expected delivery time could affect customer purchasing decisions.
• Original_Unit Price: The original list price might influence customer's perception and purchasing behavior.
• Various Discount Variables: These could affect the attractiveness of products to customers, influencing sales volume.
• Gift_Item: The presence of a gift promotion might influence the number of units ordered.
• Plus: Whether the user has a PLUS membership might affect their purchasing behavior.
• Channel: The click channel might influence the visibility and accessibility of SKUs, affecting their performance.
• Same_Region_Delivery: Whether the order is shipped and delivered within the same region might affect delivery time and customer satisfaction, influencing sales.
• Time Variables: These could provide insights into the efficiency of the delivery process and its impact on SKU performance.
Hypothesis Generation:
1. Hypothesis 1: SKUs with shorter expected delivery times ("Promise") will have a higher number of units ordered ("Quantity").
• Rationale: Customers might prefer products that are expected to be delivered sooner.
2. Hypothesis 2: SKUs with gift promotions ("Gift_Item") will have higher sales compared to those without gift promotions.
• Rationale: Gift promotions might attract more customers, leading to higher sales.
3. Hypothesis 3: SKUs offered with various discounts will experience higher sales volume.
• Rationale: Discounts might increase the perceived value of products, encouraging more purchases.
4. Hypothesis 4: The total delivery time ("Total Delivery Time") negatively affects the quantity of units ordered.
• Rationale: Longer delivery times might dissuade customers from making purchases, leading to lower sales for SKUs with slower delivery services.
5. Hypothesis 5: PLUS members will order more units of SKUs compared to non-PLUS members.
• Rationale: PLUS members might be more engaged or loyal customers, leading to higher purchasing activity.
این پروژه شامل 2 فایل مهم است، لطفا قبل از ارسال پیشنهاد حتما نسبت به بررسی این فایل اقدام فرمایید.
مهارت ها و تخصص های مورد نیاز
مهلت برای انجام
3روز
وضعیت مناقصه
بسته
درباره کارفرما
عضویت چهار سال پیش
