Ombudscom-Statistiken 2014-2018

R-Script & Daten

Die Vorprozessierung und Analyse wurde im Statistikprogramm R vorgenommen. Das zugrunde liegende Script sowie die prozessierten Daten können unter diesem Link heruntergeladen werden. Durch Ausführen von main.Rmd kann der hier beschriebene Prozess nachvollzogen und der für den Artikel verwendete Datensatz generiert werden. Dabei werden Daten aus dem Ordner input eingelesen und Ergebnisse in den Ordner output geschrieben.

SRF Data verwendet das rddj-template von Timo Grossenbacher als Grundlage für seine R-Scripts. Entstehen bei der Ausführung dieses Scripts Probleme, kann es helfen, die Anleitung von rddj-template zu studieren.

Debug-Informationen: This report was generated on 2019-11-19 14:12:02. R version: 3.5.3 on x86_64-pc-linux-gnu. For this report, CRAN packages as of 2019-03-01 were used.

GitHub

Der Code für die vorliegende Datenprozessierung ist auf https://github.com/srfdata/2019-11-ombudscom zur freien Verwendung verfügbar.

Lizenz

2019-11-ombudscom von SRF Data ist lizenziert unter einer Creative Commons Namensnennung - Weitergabe unter gleichen Bedingungen 4.0 International Lizenz.

Weitere Projekte

Code & Daten von SRF Data sind unter https://srfdata.github.io verfügbar.

Haftungsausschluss

Die veröffentlichten Informationen sind sorgfältig zusammengestellt, erheben aber keinen Anspruch auf Aktualität, Vollständigkeit oder Richtigkeit. Es wird keine Haftung übernommen für Schäden, die durch die Verwendung dieses Scripts oder der daraus gezogenen Informationen entstehen. Dies gilt ebenfalls für Inhalte Dritter, die über dieses Angebot zugänglich sind.

Datenbeschreibung

Originalquelle

Originalquelle der Auswertungen sind Daten, die SRF im Rahmen des Öffentlichkeitsprinzips von der Ombudscom herausverlangt hat. Die betreffenden Excel-Dateien, die SRF zugeschickt worden waren, finden sich im Ordner input/data.

Lesen Sie mehr über das Verfahren eines Ombudscom-Falls auf der betreffenden Website oder im letzten Bericht (2018). Wichtig ist uns die Unterscheidung zwischen einer Anfrage und einem Fall. Es wird wie folgt beschrieben: “Eine Anfrage wird statistisch erfasst, wenn sich eine Person schriftlich oder telefonisch an die Schlichtungsstelle wendet und die Voraussetzungen für eine Einleitung des Schlichtungsverfahrens gemäss Art. 8 Prozess- und Gebührenreglement noch nicht erfüllt sind.”

Das bedeutet, dass sich diese Analyse hauptsächlich auf die Fälle und nicht auf die Anfragen konzentriert. So wurden beispielsweise im Jahr 2018 die folgenden Untergruppen von Anfragen protokolliert:

• 564 abgeschlossen, weil sie zu einem Fall wurden
• 872 Abschluss infolge nicht eingereichter Dokumente
• 238 Rückzug der Anfrage
• 101 Unzuständigkeit
• 1344 telefonische Anfragen betreffend Informationen/Ratschläge
• 184 schriftliche Anfragen betreffend Informationen/Ratschläge

Wie im Jahresbericht 2018 auf Seite 9 angegeben. Im Erklärungstext ist zu verstehen, dass die Anfragen allein vielleicht keine sehr zuverlässige Informationsquelle sind: “872 abgeschlossene Anfragen sind auf nicht eingereichte Dokumente zurückzuführen. Diese machten knapp 26% aller Anfragen aus. Gegenüber dem Vorjahr stieg dieser Wert leicht. Oft sind den Kundinnen und Kunden die Hürden zur Durchführung eines Schlichtungsverfahrens zu hoch. Bereits das Ausfüllen eines speziell für das Schlichtungsverfahren vorgesehenen Formulars bereitete einigen Personen Mühe. Oftmals gingen sie fälschlicherweise auch davon aus, dass der Ombudsmann ihre Interessen gegenüber den Anbietern vertritt oder die streitige Angelegenheit umgehend (z.B. mit einem Telefonat mit dem betroffenen Anbieter) lösen kann. Auch wurden sie von auf die Schlichtungsstelle verweisenden Stellen falsch über die Funktion und die Aufgaben der Schlichtungsstelle informiert. Die Mitarbeitenden der Schlichtungsstelle klärten die Kundinnen und Kunden über die Tätigkeit auf und informierten sie über die Eintretensvoraussetzungen: Bevor ein Schlichtungsverfahren eingeleitet werden kann, muss die begehrende Partei das Formular „Schlichtungsbegehren“ unter Angabe des Sachverhalts und Ziels ausfüllen sowie glaubhaft darlegen, dass sie sich innerhalb der letzten 12 Monate erfolglos um eine Lösung des Problems bemüht hatte. Ging aus der Anfrage nicht hervor, dass die Kundin oder der Kunde bereits eine Lösung mit dem Anbieter angestrebt hatte, empfahl die Schlichtungsstelle, sich schriftlich mit einer Beschwerde an den betroffenen Anbieter zu wenden. Dieser Aufwand war vielen Kundinnen und Kunden zu gross. Sie gingen – wie bereits erwähnt – davon aus, dass die Schlichtungsstelle ihre Interessen vertreten könne und sie in der Angelegenheit nichts weiter unternehmen müssen. Daher strebten sie kein Schlichtungsverfahren an und die Anfragen wurden infolge nicht eingereichter Dokumente abgeschlossen.”

Packages definieren

# from https://mran.revolutionanalytics.com/web/packages/checkpoint/vignettes/using-checkpoint-with-knitr.html
# if you don't need a package, remove it from here (commenting is probably not sufficient)
# tidyverse: see https://blog.rstudio.org/2016/09/15/tidyverse-1-0-0/
cat("
library(rstudioapi)
library(tidyverse) # ggplot2, dplyr, tidyr, readr, purrr, tibble
library(glue) # string literals
library(magrittr) # pipes
library(readxl) # excel
library(scales) # scales for ggplot2
library(jsonlite) # json
library(lintr) # code linting
library(ggrepel) # repelling geom_text
library(rmarkdown)",
file = "manifest.R")

Packages installieren

# if checkpoint is not yet installed, install it (for people using this
# system for the first time)
if (!require(checkpoint)) {
  if (!require(devtools)) {
    install.packages("devtools", repos = "http://cran.us.r-project.org")
    require(devtools)
  }
  devtools::install_github("RevolutionAnalytics/checkpoint",
                           ref = "v0.3.2", # could be adapted later,
                           # as of now (beginning of July 2017
                           # this is the current release on CRAN)
                           repos = "http://cran.us.r-project.org")
  require(checkpoint)
}
# nolint start
if (!dir.exists("~/.checkpoint")) {
  dir.create("~/.checkpoint")
}
# nolint end
# install packages for the specified CRAN snapshot date
checkpoint(snapshotDate = package_date,
           project = path_to_wd,
           verbose = T,
           scanForPackages = F,
           use.knitr = F,
           R.version = R_version)
rm(package_date)

Packages laden

source("manifest.R")
unlink("manifest.R")
sessionInfo()

## R version 3.5.3 (2019-03-11)
## Platform: x86_64-pc-linux-gnu (64-bit)
## Running under: Ubuntu 18.04.3 LTS
## 
## Matrix products: default
## BLAS: /opt/R/R-3.5.3/lib/R/lib/libRblas.so
## LAPACK: /opt/R/R-3.5.3/lib/R/lib/libRlapack.so
## 
## locale:
##  [1] LC_CTYPE=en_US.UTF-8       LC_NUMERIC=C              
##  [3] LC_TIME=de_CH.UTF-8        LC_COLLATE=en_US.UTF-8    
##  [5] LC_MONETARY=de_CH.UTF-8    LC_MESSAGES=en_US.UTF-8   
##  [7] LC_PAPER=de_CH.UTF-8       LC_NAME=C                 
##  [9] LC_ADDRESS=C               LC_TELEPHONE=C            
## [11] LC_MEASUREMENT=de_CH.UTF-8 LC_IDENTIFICATION=C       
## 
## attached base packages:
## [1] stats     graphics  grDevices utils     datasets  methods   base     
## 
## other attached packages:
##  [1] rmarkdown_1.11   ggrepel_0.8.0    lintr_1.0.3      jsonlite_1.6    
##  [5] scales_1.0.0     readxl_1.3.0     magrittr_1.5     glue_1.3.0      
##  [9] forcats_0.4.0    stringr_1.4.0    dplyr_0.8.0.1    purrr_0.3.0     
## [13] readr_1.3.1      tidyr_0.8.2      tibble_2.0.1     ggplot2_3.1.0   
## [17] tidyverse_1.2.1  checkpoint_0.4.0 rstudioapi_0.9.0 knitr_1.21      
## 
## loaded via a namespace (and not attached):
##  [1] Rcpp_1.0.0       cellranger_1.1.0 plyr_1.8.4       pillar_1.3.1    
##  [5] compiler_3.5.3   tools_3.5.3      digest_0.6.18    lubridate_1.7.4 
##  [9] evaluate_0.13    nlme_3.1-137     gtable_0.2.0     lattice_0.20-38 
## [13] pkgconfig_2.0.2  rlang_0.3.1      rex_1.1.2        cli_1.0.1       
## [17] yaml_2.2.0       haven_2.1.0      xfun_0.5         withr_2.1.2     
## [21] xml2_1.2.0       httr_1.4.0       hms_0.4.2        generics_0.0.2  
## [25] grid_3.5.3       tidyselect_0.2.5 R6_2.4.0         modelr_0.1.4    
## [29] backports_1.1.3  htmltools_0.3.6  rvest_0.3.2      assertthat_0.2.0
## [33] colorspace_1.4-0 stringi_1.3.1    lazyeval_0.2.1   munsell_0.5.0   
## [37] broom_0.5.1      crayon_1.3.4

rm(list = ls(all = TRUE))

Daten einlesen

# prepare multiple tibbles that will be filled with data
status <- tibble() # Statistik
reasons_cases_requests <- tibble() # Beschwerdegründe (Fälle und Anfragen)
reasons_cases <- tibble() # Beschwerdegründe (nur Fälle)
reasons_requests <- tibble() # Beschwerdegründe (nur Anfragen)
languages <- tibble() # Sprache Beschwerdeführer
appellant_types <- tibble() # Art Beschwerdeführer
avg_sums <- tibble() # Durchschnittliche Streitsummen
avg_durations <- tibble() # Durchschnittlichen Behandlungsdauer

# the files have a consistent structure
c("FDA", "MWDA") %>%
  walk(function(current_type) {
    list.files(
      "input/data",
      pattern = glue("^\\d{{4}}_{current_type}.xlsx$"),
      full.names = TRUE
    ) %>%
      walk(function(current_file) {
        # create helper function that gathers providers
        # renames first column to category and appends info about year/file
        add_info_and_gather <- function(df) {
          df %>%
            rename(category = 1) %>%
            mutate(
              year = as.numeric(str_extract(current_file, "\\d{4}")),
              type = str_replace_all(current_type, c(
                "FDA" = "Fernmeldedienst",
                "MWDA" = "Mehrwertdienst"
              ))
            ) %>%
            gather(
              key = "provider",
              value = "value",
              -one_of("category", "year", "type", "file")
            ) %>%
            # convert to numeric, but first remove dots (thousands) and
            # replace commas (decimal) with point
            mutate(
              value = str_replace_all(value, "\\.", ""),
              value = str_replace_all(value, ",", "."),
              value = as.numeric(value)
            )
        }

        # read ranges and bind to prepared tibbles
        suppressMessages({
          status <<- status %>%
            bind_rows(
              read_excel(current_file, skip = 1, n_max = 37) %>%
                add_info_and_gather()
            )

          reasons_cases_requests <<- reasons_cases_requests %>%
            bind_rows(
              read_excel(current_file, skip = 40, n_max = 22) %>%
                add_info_and_gather()
            )

          reasons_cases <<- reasons_cases %>%
            bind_rows(
              read_excel(current_file, skip = 65, n_max = 22) %>%
                add_info_and_gather()
            )

          reasons_requests <<- reasons_requests %>%
            bind_rows(
              read_excel(current_file, skip = 90, n_max = 22) %>%
                add_info_and_gather()
            )

          languages <<- languages %>%
            bind_rows(
              read_excel(current_file, skip = 115, n_max = 4) %>%
                add_info_and_gather()
            )

          appellant_types <<- appellant_types %>%
            bind_rows(
              read_excel(current_file, skip = 122, n_max = 3) %>%
                add_info_and_gather()
            )

          avg_sums <<- avg_sums %>%
            bind_rows(
              read_excel(current_file, skip = 128, n_max = 2) %>%
                add_info_and_gather()
            )

          avg_durations <<- avg_durations %>%
            bind_rows(
              read_excel(current_file, skip = 133, n_max = 8) %>%
                add_info_and_gather()
            )
        })
      })
  })

# In our tables we still have some totals. Not only in the column category
# where it is the sum of all other categories, but also in the column provider
# we remove all these, we can sum stuff on our own perfectly well.
# Also convert category, type, provider to factor in all tibbles, don't be
# confused by the syntax with walk / assign, it's really just a fancy way
# to apply the same mutation to all variables named in the vector.
c(
  "status",
  "reasons_cases_requests",
  "reasons_cases",
  "reasons_requests",
  "languages",
  "appellant_types",
  "avg_sums",
  "avg_durations"
) %>%
  walk(function(current_tibble) {
    # create new variables with names …_totals
    assign(
      glue("{current_tibble}_totals"),
      get(current_tibble) %>%
        # now remove totals from original tables
        filter(
          str_detect(category, "^Total") |
          str_detect(provider, "^Total")
        ),
      envir = .GlobalEnv
    )
    # apply mutation to all variables
    assign(
      current_tibble,
      get(current_tibble) %>%
        # now remove totals from original tables
        filter(
          !str_detect(category, "^Total") &
          !str_detect(provider, "^Total")
        ) %>%
        mutate_at(
          vars(category, type, provider),
          factor
        ),
      envir = .GlobalEnv
    )
  })

Gesamtanzahl Fälle und Anfragen

Die Tabelle status enthält zwei Gruppen: Fälle und Anfragen abgeschlossen. In der Spalte category sind auch die Unterkategorien aufgeführt, aber diese beiden sind geeignet, um sich die Summen pro Jahr anzusehen, z.B:

top_four <- c("Salt Mobile SA", "Swisscom (Schweiz) AG",
              "Sunrise Communications AG", "UPC Schweiz GmbH")

status %>%
  filter(category == "Fälle" | category == "Anfragen abgeschlossen") %>%
  group_by(category, year) %>%
  summarise(sum = sum(value)) %>%
  spread(key = category, value = sum) %>%
  mutate(Total = `Anfragen abgeschlossen` + `Fälle`) %>%
  knitr::kable()

status %>%
  filter(category == "Fälle" | category == "Anfragen abgeschlossen") %>%
  group_by(category, year, type) %>%
  summarise(sum = sum(value)) %>%
  ggplot(
    aes(
      x = year,
      y = sum,
      fill = type
    )
  ) +
  geom_bar(stat = "identity") +
  scale_fill_brewer(palette = "Set1", guide = FALSE) +
  facet_grid(category ~ type, scales = "fixed") +
  theme_minimal() +
  labs(
    title = "Anzahl Fälle und Anfragen pro Jahr",
    x = NULL,
    y = NULL,
    fill = NULL
  )

# csv for graphic in article
write_csv(
  status %>%
    filter(category == "Fälle") %>%
    select(-category) %>%
    group_by(year, type) %>%
    summarise(sum = sum(value)) %>%
    spread(type, sum),
  path = "output/cases_per_type.csv"
)

Anzahl Provider

Die Anzahl der Anbieter / Provider scheint über Jahre hinweg einheitlich zu sein.

status %>%
  distinct(type, provider, year) %>%
  group_by(type, year) %>%
  count() %>%
  knitr::kable()

Höchste Anzahl Fälle

Nun identifizieren wir die “grossen Fische” über alle fünf Jahre hinweg, sortiert nach der Gesamtzahl der Fälle:

top_20 <- status %>%
  filter(category == "Fälle") %>%
  group_by(provider, type, category) %>%
  summarise(sum = sum(value)) %>%
  ungroup() %>%
  spread(key = category, value = sum) %>%
  arrange(desc(`Fälle`)) %>%
  top_n(20)

top_20 %>%
  knitr::kable()

top_20 %<>%
  pull(provider)

# define a categorical color scale with looots of values
categorical <- c(
  "#e31f2b", "#f7a600", "#a8b51c",
  "#61b13e", "#1cb373", "#1cb0b5",
  "#1e8ce3", "#a359c0", "#ca51af",
  "#9f9c90" # grey
)

Fälle nach Provider und Jahr

top_10 <- top_20[1:10]

status %>%
  filter(
    provider %in% top_10 &
    category == "Fälle"
  ) %>%
  ggplot(
    aes(
      x = year,
      y = value,
      group = provider,
      color = provider
    )
  ) +
  geom_line() +
  geom_text_repel(
    data = status %>%
      filter(
        provider %in% top_10 &
        year == max(year) &
        category == "Fälle"
      ),
    mapping = aes(
      label = provider
    ),
    segment.colour = "#DDDDDD",
    direction = "y",
    nudge_x = 0.5,
    hjust = 0
  ) +
  scale_color_manual(values = categorical) +
  scale_x_continuous(
    breaks = seq(min(status$year), max(status$year)),
    limits = c(NA, max(avg_sums$year) + 3)
  ) +
  theme_minimal() +
  theme(legend.position = "none") +
  labs(
    title = "Anzahl Fälle der 10 Provider mit den meisten Fällen",
    x = NULL,
    y = NULL
  )

Durchschn. Streitsummen

Unter den Top-10-Anbietern mit den meisten Fällen analysieren wir auch die durchschnittliche Streitsumme pro Fall und Jahr:

avg_sums %>%
  filter(
    provider %in% top_10 &
    category == "Streitsumme CHF"
  ) %>%
  ggplot(
    aes(
      x = year,
      y = value,
      group = provider,
      color = provider
    )
  ) +
  geom_line() +
  geom_text_repel(
    data = avg_sums %>%
      filter(
        provider %in% top_10 &
        category == "Streitsumme CHF" &
        year == max(year)
      ),
    mapping = aes(
      label = provider
    ),
    segment.colour = "#DDDDDD",
    direction = "y",
    nudge_x = 0.5,
    hjust = 0
  ) +
  scale_y_log10(labels = dollar_format(prefix = "CHF")) +
  scale_x_continuous(
    breaks = seq(min(status$year), max(status$year)),
    limits = c(NA, max(avg_sums$year) + 3)
  ) +
  scale_color_manual(values = categorical) +
  theme_minimal() +
  theme(legend.position = "none") +
  labs(
    title =
      "Durchschnittliche Streitsumme der 10 Provider mit den meisten Fällen",
    subtitle = "Hinweis: Die y-Achse ist logarithmisch",
    x = NULL,
    y = NULL
  )

Die Durchschnittssumme pro Fall der Top-10-Anbieter liegt in der Regel zwischen 100 und 500 Schweizer Franken, mit Ausnahme der UPC Schweiz GmbH im Jahr 2014, wo sie CHF 2’397 betrug.

Ausgang Fälle

Aufschlüsselung nach Rückzug, Schlichtung und Nicht-Schlichtung über alle Jahre und Top-10-Anbieter:

relevant_status <- c(
  "Schlichtung zustande gekommen",
  "Rückzug Kunde nach Einleitung",
  "Schlichtung nicht zustande gekommen"
)

status %>%
  filter(
    category %in% relevant_status &
    provider %in% top_10
  ) %>%
  mutate(provider = factor(provider, levels = top_10)) %>%
  ggplot(aes(
    x = year,
    y = value,
    fill = category
  )) +
  geom_bar(stat = "identity") +
  facet_wrap(~ provider) +
  scale_fill_manual(values = c("#9d9d9d", "#e31f2b", "#61b13e")) +
  theme_minimal() +
  labs(
    title = "Fälle und deren Ausgang nach Provider, Jahr und Kategorie",
    subtitle = "Top 10 der Provider mit den meisten Fällen 2014-2018",
    x = NULL,
    y = NULL,
    fill = NULL
  )

# table for "top four"
status %>%
  filter(
    category %in% relevant_status &
    provider %in% top_four
  ) %>%
  group_by(provider, year) %>%
  summarize(sum = sum(value)) %>%
  knitr::kable()

# csv for graphic in article
write_csv(
  status %>%
    filter(
      category %in% relevant_status
    ) %>%
    mutate(provider = if_else(
      provider %in% top_four,
      as.character(provider),
      "Andere"
    )) %>%
    group_by(provider, category) %>%
    summarise(value = sum(value)) %>%
    spread(provider, value) %>%
    select(
      category,
      `Salt` = `Salt Mobile SA`,
      `Sunrise` = `Sunrise Communications AG`,
      `Swisscom` = `Swisscom (Schweiz) AG`,
      `UPC` = `UPC Schweiz GmbH`,
      Andere
    ) %>%
    mutate(category = factor(category, levels = c(
      "Schlichtung nicht zustande gekommen",
      "Schlichtung zustande gekommen",
      "Rückzug Kunde nach Einleitung"
    ))) %>%
    arrange(category),
  path = "output/cases_top_4_with_exit.csv"
)

relevant_status <- c(
  "Einigung zugunsten Kunde",
  "Einigung zugunsten Provider",
  "Einigung Kunde und Provider",
  "Ablehnung Kunde",
  "Ablehnung Provider",
  "Ablehnung Kunde und Provider",
  "Unzuständigkeit nach Einleitung",
  "Rückzug Kunde nach Einleitung"
)
status_aggregated <- status %>%
  filter(
    category %in% relevant_status &
    provider %in% top_10
  ) %>%
  mutate(provider = factor(provider, levels = top_10)) %>%
  mutate(category = factor(category, levels = relevant_status)) %>%
  group_by(provider, category) %>%
  summarize(total_category = sum(value)) %>%
  ungroup()

status_aggregated %>%
  ggplot(aes(
    x = provider,
    y = total_category,
    fill = category
  )) +
  geom_bar(stat = "identity") +
  scale_fill_manual(values = c("#579d39", "#72bd51", "#b3df9f",
                               "#c91024", "#f1434a", "#ff9193", "#ffe6e6",
                               "#9d9d9d")) +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1.2)) +
  labs(
    title = "Fälle und deren Ausgang nach Provider, 2014-2018",
    subtitle = "Top 10 der Provider mit den meisten Fällen 2014-2018",
    x = NULL,
    y = NULL,
    fill = NULL
  )

# table for "top four"
status_aggregated %>%
  filter(provider %in% top_four) %>%
  knitr::kable()

status_aggregated %>%
  group_by(provider) %>%
  mutate(share = round(total_category / sum(total_category), 2)) %>%
  filter(str_detect(category, "Rückzug")) %>%
  select(provider, share) %>%
  arrange(desc(share)) %>%
  knitr::kable()

relevant_status <- c(
  "Einigung zugunsten Kunde",
  "Einigung zugunsten Provider",
  "Einigung Kunde und Provider",
  "Ablehnung Kunde",
  "Ablehnung Provider",
  "Ablehnung Kunde und Provider",
  "Unzuständigkeit nach Einleitung"
)
status_aggregated <- status %>%
  filter(
    category %in% relevant_status &
    provider %in% top_10
  ) %>%
  mutate(provider = factor(provider, levels = top_10)) %>%
  mutate(category = factor(category, levels = relevant_status)) %>%
  group_by(provider, category) %>%
  summarize(total_category = sum(value)) %>%
  ungroup()

status_aggregated %>%
  ggplot(aes(
    x = provider,
    y = total_category,
    fill = category
  )) +
  geom_bar(stat = "identity") +
  scale_fill_manual(values = c("#579d39", "#72bd51", "#b3df9f",
                               "#c91024", "#f1434a", "#ff9193", "#ffe6e6",
                               "#9d9d9d")) +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1.2)) +
  labs(
    title = "Fälle und deren Ausgang nach Provider, 2014-2018",
    subtitle = "Top 10 der Provider mit den meisten Fällen 2014-2018",
    x = NULL,
    y = NULL,
    fill = NULL
  )

status_aggregated %>%
  filter(!str_detect(category, "Rückzug")) %>%
  mutate(agg = word(category, 1)) %>%
  group_by(provider, agg) %>%
  summarize(total_category = sum(total_category)) %>%
  mutate(share = round(total_category / sum(total_category), 2)) %>%
  filter(str_detect(agg, "Einigung")) %>%
  select(provider, share) %>%
  arrange(desc(share)) %>%
  knitr::kable()

Beschwerdegründe (Fälle)

# get top n reasons
top_n_reasons <- reasons_cases %>%
  group_by(category) %>%
  summarize(total_category = sum(value)) %>%
  arrange(desc(total_category)) %>%
  top_n(9) %>%
  pull(category)

reasons_cases %>%
  filter(
    provider %in% top_10
  ) %>%
  # keep top 10 categories and summarize rest
  mutate(category = case_when(
    category %in% top_n_reasons ~ as.character(category),
    TRUE ~ "Sonstige"
  )) %>%
  mutate(provider = factor(provider, levels = top_10)) %>%
  mutate(category = factor(category, levels =
                             c(as.character(top_n_reasons), "Sonstige"))) %>%
  group_by(provider, category) %>%
  summarize(total_category = sum(value)) %>%
  ungroup() %>%
  ggplot(aes(
    x = provider,
    y = total_category,
    fill = category
  )) +
  geom_bar(stat = "identity") +
  scale_fill_manual(values = categorical) +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1.2)) +
  labs(
    title = "Beschwerdegründe (Fälle) nach Provider, 2014-2018",
    subtitle = "Top 10 der Provider mit den meisten Fällen 2014-2018",
    x = NULL,
    y = NULL,
    fill = NULL
  )

# table for "top four"
reasons_cases %>%
  filter(provider %in% top_four) %>% # keep top 10 categories and summarize rest
  mutate(category = case_when(
    category %in% top_n_reasons ~ as.character(category),
    TRUE ~ "Sonstige"
  )) %>%
  group_by(provider, category) %>%
  summarize(sum = sum(value)) %>%
  ungroup() %>%
  group_by(provider) %>%
  arrange(provider, desc(sum)) %>%
  knitr::kable()

# csv for graphic in article
write_csv(
  reasons_cases %>%
    filter(provider %in% top_four) %>%
    group_by(category) %>%
    summarise(value = sum(value)) %>%
    arrange(desc(value)),
  path = "output/reasons_top_four_providers.csv"
)

reasons_cases %>%
  # keep top 10 categories and summarize rest
  mutate(category = case_when(
    category %in% top_n_reasons ~ as.character(category),
    TRUE ~ "Sonstige"
  )) %>%
  mutate(category = factor(category, levels =
                             c(as.character(top_n_reasons), "Sonstige"))) %>%
  group_by(category) %>%
  summarize(total = sum(value)) %>%
  knitr::kable()