Introduction

The assignment will be done in groups of up to 6 students.  Please submit 1 single report, no more than 20 pages, double spaced.  Report should be concise.  Additional tables and             figures can be included in the appendix but cannot be guaranteed that it will be read.

The assignment will use both Tableau and AET .  The file is available on Moodle.  It is divided into 6 main parts – exploratory and descriptive analysis, market basket analysis, assortment planning, RFM & Clustering, Predictions, and Price Elasticity.  Read the assignment in              advance.  The time required on each part is not equal.

Answer the following questions.

Part 1 – Exploratory data analysis

1.   [10 points] Perform descriptive analytics of the orders.  Specifically, plot the                 distributions for number of orders, quantity and unit price over time.   Note that you will need to create a new variable for unit price which is the Sales divided by                Quantity.  Describe what you see.  Are there any purchasing patterns over time like    holidays?

2.   [15 points] For a particular product, is there variance in unit price?  Which product

has the biggest variance in unit price?  How does the unit price vary over time?  Can   you show a few examples of products which varying a lot over time?  Which                 products vary little over time?  Which subcategory has the largest variance?  Can you explain why some of the products vary in unit price?  Why do you think it happens?

Part 2 – market basket analysis

3.   [25 points] Perform market basket analysis at the sub-category level.  You do not        need to compute the support, lift and confidence.  Rather, a simple quantity count is sufficient.  What sub categories are purchased the most together?

4.   [25 points] Now, conduct a market basket analysis at the product level for the top 10 selling products.  What do you find?  Are these high or low priced products?

Part 3 – Assortment Planning

5.   [25 points] For the bakery example done in class, what is the estimated demand for Fudge, Family Size, Tiny Tina?  What was the actual substitution effect with Fudge,   Family Size, Yummy Cake?  Show your work.

Part 4 – RFM & Clustering

1.   [5 points] Generate the RFM variables using the superstore data.  Remember, you     will need to group by customer id first.  Then, assign a score of 1 for the “best”          customer for the top 20 percentile of customers for that dimension.  Show your and procedure how you did this.

2.   [20 points] Once you have created a worksheet with proper variables and                     visualization, you can export the worksheet data using the “Crosstab to Excel” in the  “Worksheet” menu item.  Make sure that the rows and columns in the exported files are in the correct.  Open the file in Excel to check that it is what you want.  Then,        export the file to csv, and import into the AET clustering module.

a.   Make plots for R&F, F&M, and M&R.  Perform clustering on these plots. The AET shows What do you choose for the number of clusters?  How and why    did you come up with those values?

b.   Now, we will cluster on all 3 RFM dimensions.  Use Step 3 in the AET.  How many clusters did you choose?  Why?

c.    Now, repeat part (b) with more variables from Tableau.  Which variables do you add and why?

Part 5 - Prediction

3.   [5 points] Now we will predict customers who are likely to return items.  In Tableau, join the order table with the returns table.  Do a cross tabulation or “group by”         Customer ID, and count how many returns each customer does.  Check that your      table join includes customers who had no returns.  Now perform a “slice-and-dice”  by visualizing the number of returns by each group of R, F, M like in lecture for the    campaign response rates.

4.   [20 points] Now export your worksheet data like in part 4, into excel, then into csv.    Upload the csv file into the Decision Tree module of the AET.  Note that for decision  tree, the value can only be 0 or 1.  You will need to convert your returns count into 0 if they have never returned an item, and 1 if they have returned 1 or more.  In the     Decision Tree module, select your new returns binary variable as the “target”, and     one more for the features.  Plot the decision tree1 .  What do you see?  Explain the      outcomes.  What other variables can you add?