Actualmente estoy trabajando con un dataset de Ventas de una tienda de Ropa. Esta contiene todas las transacciones realizadas desde el 2019 a la fecha.
El formato en que están los datos es el siguiente:
ID | OrderId | Items | Categoria | Precio | N° Boleta |
1 ABC 2 Polera 10.000 1
1 ABC 2 Pantalón 9.000 1
1 ABD 1 Polera 10.000 2
1 ABE 3 Polera 10.000 3
1 ABE 3 Pantalón 9.000 3
1 ABE 3 Zapatos 15.000 3
2 XYZ 2 Polera 10.000 1
2 XYZ 2 Pantalón 9.000 1
2 XYO 1 Chaqueta 10.000 2
2 XYU 3 Polera 10.000 3
2 XYU 3 Pantalón 9.000 3
2 XYU 3 Zapatos 15.000 3
Actualmente para realizar un diagrama de Sankey estoy considerando el Precio mas alto de la transacción (OrderId) para clasificar la venta por categoria, de la siguiente forma.
ID | N° Boleta | Categoria
1 1 Polera
1 2 Polera
1 3 Zapatos
2 1 Polera
2 2 Chaqueta
2 3 Zapatos
Y finalmente uso la función spread para crear una "matriz" con el ID del cliente y cada columna corresponde al N° de Boleta con su respectiva Categoria
ID | N° Boleta 1 | N° Boleta 2 | N° Boleta 3 |
1 Polera Polera Zapatos
2 Polera Chaquetas Zapatos
Finalmente realizo un group by para por ID, N° Boleta 1, N° Boleta 2, N° Boleta 3 para calcular la cantidad de repeticiones que tienen todas las conbinaciones posibles para finalmente gráficar con el siguiente código.
alluvial( Dataset[,1:3], freq=Dataset$Freq, border=NA )
Hasta el momento eso me ha funcionado de forma correcta con el siguiente gráfico:
La pregunta es la siguiente, ¿es correcto realizar un diagrama de Sankey pero utilizando todas las Categorías de las transacciones?
De no ser correcto, ¿que alternativas existen para graficar el proceso de compra de los clientes?
Gracias de ante mano.
ggalluvial
permite usar colores, seguramente la librería que usas también.tidygraph
tiene un interface "tidy" bastante fácil de usar e implementa algunos algoritmos para grafos direccionales. En tidygraph.data-imaginist.com/reference/index.html hay información básica sobre los algoritmos disponibles.