Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Audience basket 2011
1.
2.
3.
4.
5. Il modello di regressione è stato costruito sulla base di 328 partite (tutte le partite delle stagioni 2007-08, 2008-2009 e 2009-2010, più le prime 48 dirette della stagione 2010-2011). Il miglior modello per spiegare l’Audience è stato ottenuto includendo queste 17 variabili (sono ordinate in base all’importanza che il modello gli attribuisce nella spiegazione dell’Audience): Il modello VARIABILI COEFFICIENTI Milano 13949,9 "Natale" 13933,0 Derby 8644,9 Siena 7148,1 Roma 4915,8 Diff.pti -678,8 Treviso -3303,1 Teramo -4304,6 Montegranaro -4793,3 Pesaro -4810,1 Cantù -4934,5 Caserta -6446,9 Juve - Inter – Milan -7772,8 Brindisi -10760,7 Biella -11318,6 Avellino -11701,7 Cremona -12154,0 (Constant) 41464,0
11. Confronto fra le fasce orarie (dal 2007/08 alla 16°giornata della stagione 2010-11) Squadre Partite % Audience media Differenza Audience Media totale Dev.Std. Audience Share medio Contatti netti medi Sabato sera 55 27% 20.950 -13.980 11.059 0,09% 163.558 Domenica 12.00 60 30% 48.907 48.907 17.728 0,31% 189.255 Domenica pomeriggio 46 23% 35.041 35.041 17.744 0,19% 175.002 Domenica sera 25 12% 35.028 35.028 15.514 0,13% 198.451 Altre 15 7% 33.059 33.059 12.491 0,21% 159.326 TOTALE 201 100% 34.930 0 18.780 0,19% 177.791
12.
13.
14. La previsione (1 di 3) Uno degli obiettivi dell’analisi di regressione è prevedere i valori futuri della variabile dipendente (l’Audience Media) attraverso le variabili indipendenti incluse nel modello. Per farlo, la regressione multipla deve rendere massima la capacità previsiva delle variabili indipendenti considerandole globalmente. La regressione multipla permette di sfruttare molte opzioni, sia nella forma, sia nella specificazione delle variabili indipendenti, che consentono di modificare l’equazione in modo tale da accrescere la sua capacità previsiva. Spesso, però, questa viene potenziata a scapito dell’interpretazione. Attualmente stiamo tentando di realizzare ulteriori specificazioni del modello che consentano di individuare oltre ai fattori maggiormente determinanti per comprendere al meglio i dati storici dell’Audience anche le variabili più utili per prevederne i valori futuri sulla base delle informazioni disponibili ex-ante la gara (squadre coinvolte, contro-programmazione, posizione in classifica, differenza punti in classifica, ecc.).
15. La previsione (2 di 3) Il miglior modello previsivo ottenuto al momento attuale (31/01/2011) è stato ottenuto calibrando il modello di regressione sulle ultime due stagioni di Regular Season (135 dirette; tutta la stagione 2009/10 più le prime 48 dirette della stagione in corso). Il MAE è uno degli indicatori utilizzabili per valutare la bontà previsiva di un modello e per il confronto fra modelli. E’ ottenuto calcolando media degli errori di previsione in valore assoluto (errore di previsione = valore ‘vero’ – valore previsto dal modello). Nel nostro caso il MAE assume valore pari a 10.395, ovvero in media la differenza fra il numero reale di spettatori che seguono la diretta ed il numero previsto dal modello (ex-ante la partita) è pari a 10.395.
16. La previsione (3 di 3) Nella tabella seguente sono indicate le variabili incluse nel modello previsivo ed i relativi coefficienti: L’indicatore R 2 in questo modello (calibrato su 135 partite) risulta pari a 0,47 . VARIABILI COEFFICIENTI "Natale" 14249,5 Milano 13899,2 Roma 8681,8 Siena 8412,5 Varese 3720,1 Virtus 2300,7 Derby 730,2 Pesaro 320,8 Pti.POS 309,9 Diff.pti -305,2 Cantù -1056,6 Caserta -3436,4 Teramo -3609,3 Treviso -4087 Cremona -4615,7 Brindisi -6160,2 Juve,Inter,Milan -7282,6 Biella -8008 Montegranaro -10429,3 Avellino -11453,8 (Constant) 26867,8