《企业经营对抗实训》指导书

《企业经营对抗实训》指导书大润发江苏各门店2018年1月-2019年12月经营对抗一、建立企业真实门店与模拟数据框架结构1、基础数据：模拟大润发在江苏省各门店的经营，然后为各门店编号，标明地区。2、经营数据：（1）时间：2018年1月~2019年12月共2年；周次：104周（每年52周）（2）经营品种：p1（酸奶）；p2（面包）（3）各品种的销售单价的制定由模拟进行，促销的组织由模拟进行,取值1表示促销，取值0表示不促销。（具体过程在实训中完成）3、利用R建立数据结构为如下形式数据框（data.frame()）：门店名称编号地区年份周次p1单价p2单价p1促销p2促销p1销量P2销量二、利用R输入数据：k.stores<-3#门店个数，具体根据你搜集的数据填写k.weeks<-104#周次数编号方式<-101:(100+k.stores)#编号起止门店编号<-rep(编号方式,each=104)#为各门店编号地区类型<-c(rep('南京',1),rep('无锡',1),rep('苏州',1))#根据模拟的数据填写门店所属地区<-rep(地区类型,each=104)#注意和上一句的区别年份<-rep(rep(2018:2019,each=k.weeks/2),times=k.stores)#学习rep()函数的用法，输入周次<-rep(1:52,times=2*k.stores)#学习rep()函数的用法，快速输入p1单价<-sample(x=c(2.2,2.4,2.6,2.8,3),size=3*104,replace=TRUE)#学习利用sample()函数制定价格的方法p2单价<-sample(x=c(5,5.1,5.2,5.3,5.4,5.5),size=3*104,replace=TRUE)p1促销<-rbinom(n=3*104,size=1,p=0.1)#利用概率rbinom()函数制定促销策略p2促销<-rbinom(n=3*104,size=1,p=0.15)p1销量<-rpois(n=3*104,lambda=1200)#利用概率rpoise()函数确定销售量p2销量<-rpois(n=3*104,lambda=1500)store.df<-data.frame(门店编号,门店所属地区,年份,周次,p1单价,p2单价,p1促销,p2促销,p1销量,p2销量)store.df总结：在百度上搜几个函数的用法。rep();sample();rbinom();rpois()。三、假设大润发在南通开了一家新店，其他策略不变。请问，数据库该怎么修改？写出代码。四、假设大润发在苏州又开了一家新店，其他策略不变。请问，数据库该怎么修改？写出代码。五、经营数据分析数据框(库)建立基本完成后，可以对经营数据进行分析了。引用数据框中的某个根数据用$美元符号。1、频数分析使用table()函数进行频数分析，并且可以用plot()函数画图。例：table(store.df$p1单价)运行后显示不同价格对应的销售量。然后，把这个结果赋给一个变量如p1.table，可以画图观察数据的分布状况。p1.table<-table(store.df$p1单价)plot(p1.table)操作要求：按照这个方法分析一下p2的价格与销售量的关系，并且画图。2、双向交叉表格分析使用table()函数，在括号里引入2个因素进行分析。例如：table(store.df$p1单价,store.df$p1促销)运行结果，显示每种产品在不同价格下实施促销的次数。操作要求：按照这个方法分析一下p2不同的单价下与促销次数的关系。3、极值分析使用max()，min()函数进行极值分析请自己对主要因素进行操作。4、集中（度）趋势分析使用mean()函数进行集中度分析请自己对主要因素进行操作。5、数据框概括性分析（描述统计量）使用summary()函数进行数据框概括性分析例如：summary(store.df)操作要求：请对运行结果主要部分进行解读。6、对数据框中行列数据的函数性运算使用apply()函数进行对数据框中行列数据的函数性运算方法：apply(数据对象,MARGIN=1或2,FUN=某函数名称)说明：MARGIN=1表示对行进行计算，MARGIN=2表示对列进行计算某函数名称，常见的有：sum(),mean()等，但是括号不输入。例：apply(store.df$p1销量,MAGIN=2,FUN=sum)请自己对主要因素进行操作。7、数据的可视化图形分析（1）直方图使用hist()函数画直方图例如：hist(store.df$p1销量)图形的优化，使用以下参数进行设置：main=’’，设置主题，在单引号里输入主题就可以了xlab=’’,设置x轴的标题ylab=‘’，设置y轴的标题col=’’,设置颜色，如：red,blue,green等，可以输入运行colors()函数，选择自己需要的颜色。操作运行：hist(store.df$p1销量,main=’’,xlab=’’,ylab=’’,col=’’)#请在单引号里填入数据（2）箱线图使用boxplot()函数画箱线图，显示数据的分布状况，国外很流行这个图形。例：boxplot(store.df$p2销量,xlab=’weeksales’,ylab=’p2’,main=’weeksalesofp2,allstores’,horizontal=TRUE)运行一下。观察图形。8、因子分析因子：是指数据不能加减乘除运算，只能用作分类标准的变量。例如：编号、地区、促销等就是因子。因子分析相当有于“数据透视表”或者“交叉列联表”的功能。采用aggregate()函数进行因子分析，里面3个参数：aggregate(数据对象,by=list(运行后输出名称=因子名称),使用函数名称)例如：aggregate(store.df$p1销量,by=list(地区名称=store.df$地区),sum)含义是：对store.df$p1销量的数据按照store.df$地区的因子进行分类求和。aggregate(store.df$p1销量,by=list(地区名称=store.df$地区),mean)含义是：对store.df$p1销量的数据按照store.df$地区的因子进行分类求均值。还可以对里面的参数进行变量变换。《企业经营对抗实训》项目之（二）模拟消费者行为和分析一、建立消费者数据库（框）set.seed(21821)#设置种子数k.cust<-1000#消费者数量id<-1:k.cust#消费者编号方式id.cust<-rep(id,each=1)#消费者编号age<-round(rnorm(n=k.cust,mean=38,sd=10))#消费者年年龄，服从均值为38岁，标准差10岁的正态分布，round表示取整数email<-factor(sample(c('yes','no'),size=k.cust,replace=TRUE,prob=c(0.7,0.3)))#有无邮箱credit.score<-round(rnorm(n=k.cust,mean=3*age+500,sd=50))#信用分distance.to.store<-round(exp(rnorm(n=k.cust,mean=6,sd=2)))#离商店的距离（米）online.visits<-rnbinom(k.cust,size=0.3,mu=15+ifelse(email==’yes’,15,0)-0.7*(age-median(age)))online.will<-rbinom(k.cust,size=online.visits,prob=0.3)online.spend<-exp(rnorm(k.cust,mean=3,sd-0.1))*online.willstore.will<-rnbinom(k.cust,size=5,mu=3/sqrt(distance.to.store))stor