上一篇老闆已經知道該進什麼貨了!但老闆說每一個品牌的產品都有價錢高低之分，只給品牌似乎不夠，要能知道消費者能接受的價位品牌，老闆怎麼說也沒錯!

直接上ggplot依據既有消費數據能區分價錢的級距

ggplot(data = Month2016SalesTop,mapping = aes(x=brand,y=Month,fill=Income))+
  geom_bar(stat = "identity")+
  coord_flip()

所以消費行為的金額區間為4萬-8萬、8萬-12萬、12萬以上三個區間各品牌坐落於價格區間的位置；從上圖中發現沒12月份的金額，在上面做每月的銷售金額就沒12月份，因為2016年沒有12月份，其他年度皆有12月份。

拉回來!那有沒有可以看到品牌明確坐落位置區間，上圖中還是須人工對應，是不是就可一眼看出

ggplot(data = Month2016SalesTop,mapping = aes(x=Month,y=Income,color=brand))+
  geom_point()+
  coord_polar()

從上圖可以看到消費者大部分的品牌銷售總額都4萬元以下的區間，其中novica銷售總額約12萬，而這些品牌是薄利多銷還是單價很貴，就延伸下一個問題

因此老闆知道在2016年銷售最好，依據該年度消費者喜歡品牌分析，消費者消費行為依品牌價錢總和可區分為三個等級，分別為4萬以內、4萬-8萬之間、8萬到12萬，從統計圖可感覺消費者在4萬元以內的區間，所以將銷售出去的商品依據價格區間找出品牌。

首先將月份及品牌群組，並計算每個品牌銷售總額

Prices <- SalesTrue %>% 
  separate(dateAdded,c("Year","Month"), sep = "-") %>% 
  filter(Year == "2016") %>% 
  group_by(Month,brand) %>% 
  summarise(Income = sum(prices.amountMax)*30)  %>% 
  ungroup()
View(Prices)

從上圖可以看到每個品牌的銷售總額並有1283各品牌，在上一篇經統計消費價錢可區分三個區間，因此將上圖所有品牌銷售總金額分類至屬於的價錢區間，因此建立Level變數存放分類的結果，再以PricesRange存放Prices及Level兩個變數的資料。
先將每個品牌銷售總額分類

Level <- ifelse(Prices$Income <= 40000, "Four",
                ifelse(Prices$Income <= 80000,"Eight",
                       ifelse(Prices$Income <= 120000,"Twelve",
                                                   ifelse(Prices$Income > 120001,"Twelve+","")) ))

這一段程式碼Four為4萬元以內的區間；Eight為4萬-8萬之間；Twelve為8萬到12萬、12萬以上為Twelve+，分類結果如下圖

將資料合併為R資料框架

PricesRange <- data.frame(Prices,Level)
View(PricesRange)

結果如下圖

大致瀏覽是否有正確分類，細看完成每個品牌價格區間的分類，但資料太多很難區分品牌坐落在哪一個價格區間，因此繪圖查看

從上圖明確得知消費金額座落於4萬元以內的等級，而消費次數約1200筆次消費，證實上一篇的假設，而在上一篇又提出四萬是薄利多銷還是商品單價很高，所以依據4萬以內計算每個品牌消費次數及各品牌銷售總額的平均價錢，程式碼如下

BrandFour <- PricesRange %>% 
  filter(Level == "Four") %>% 
  group_by(brand) %>% 
  summarise(
    PricesAvg = mean(Income),
    Consumption = n()
  ) %>% arrange(desc(Consumption)) %>% 
  ungroup()
View(BrandFour)

上圖中為4萬以內的品牌共有681各品牌，第一筆bamboo品牌平均銷售價錢為922元並銷出9次，似乎證實薄利多銷，但看第二筆平均銷售單價為3530.5元也消費9次，若以第一筆和第二筆比較，似乎無法證實薄利多銷的論點，所以我們再追下去!

因此以消費次數以及每個品牌平均總合價錢，兩者之間的關係，如下，先將消費次數轉換成類別

BrandFour$Consumption <- factor(BrandFour$Consumption)

ComsumptionPrices <- BrandFour %>% 
  group_by(Consumption) %>% 
  summarise(TotalAvgLevel= sum(PricesAvg)) %>% 
  ungroup()

繪圖來看

ggplot(data = ComsumptionPrices,mapping = aes(x=Consumption,y=TotalAvgLevel,fill="brand")) + 
  geom_bar(stat = "identity")