generar_datos_saturados#

pymc_marketing.customer_choice.synthetic_data.generate_saturated_data(total_sales_mu, total_sales_sigma, treatment_time, n_observations, market_shares_before, market_shares_after, market_share_labels, random_seed=None)[fuente]#

Generar datos sintéticos para el modelo MVITS, asumiendo que el mercado está saturado.

Esta función genera datos sintéticos para el modelo MVITS, asumiendo que el mercado está saturado. Esto hace la suposición de que las ventas totales están distribuidas normalmente alrededor de un nivel promedio de ventas y que las cuotas de mercado son constantes a lo largo del tiempo.

Parámetros:

total_ventas_mu: int: El nivel promedio de ventas en el mercado.
total_ventas_sigma: float: La desviación estándar de las ventas en el mercado.
tiempo_tratamiento: int: El momento en el que se introduce el nuevo modelo.
n_observaciones: int: El número de observaciones a generar.
participaciones_de_mercado_antes: lista[float]: Las cuotas de mercado antes de la introducción del nuevo modelo.
participaciones_de_mercado_despues: list[float]: Las cuotas de mercado después de la introducción del nuevo modelo.
etiquetas_de_cuota_de_mercado: lista[str]: Las etiquetas para las cuotas de mercado.
semilla_aleatoria: np.random.Generator | int, opcional: El generador de números aleatorios a utilizar.

Devoluciones:

data: pd.DataFrame: Los datos sintéticos generados.

Ejemplos

Generar algunos datos sintéticos para el modelo MVITS:

import numpy as np

from pymc_marketing.customer_choice import generate_saturated_data

seed = sum(map(ord, "Saturated Market Data"))
rng = np.random.default_rng(seed)

scenario = {
    "total_sales_mu": 1_000,
    "total_sales_sigma": 5,
    "treatment_time": 40,
    "n_observations": 100,
    "market_shares_before": [[0.7, 0.3, 0]],
    "market_shares_after": [[0.65, 0.25, 0.1]],
    "market_share_labels": ["competitor", "own", "new"],
    "random_seed": rng,
}

data = generate_saturated_data(**scenario)