A Bellabeat solicita uma análise dos dados de uso de dispositivos inteligentes de outras empresas para obter informações sobre como os consumidores usam dispositivos, com o objetivo de identificar padrões e trazer sugestões de melhorias de um de seus produtos prestados, os produtos estão descritos logo abaixo:
Aplicativo Bellabeat: O aplicativo Bellabeat fornece aos usuários dados de saúde relacionados à sua atividade, sono, estresse, ciclo menstrual e hábitos de atenção plena. Esses dados podem ajudar os usuários a entender melhor seus hábitos atuais e tomar decisões saudáveis. O aplicativo Bellabeat se conecta à sua linha de produtos inteligentes de bem-estar.
Leaf: O rastreador de bem-estar clássico da Bellabeat pode ser usado como pulseira, colar ou clipe. O rastreador Leaf se conecta ao aplicativo Bellabeat para rastrear a atividade, o sono e o estresse.
Time: Este relógio de bem-estar combina a aparência atemporal de um relógio clássico com tecnologia inteligente para rastrear a atividade, o sono e o estresse do usuário. O relógio Time se conecta ao aplicativo Bellabeat para fornecer informações sobre seu bem-estar diário.
Spring: Esta é uma garrafa de água que rastreia a ingestão diária de água por meio de tecnologia inteligente para garantir que você esteja adequadamente hidratado ao longo do dia. A garrafa Spring se conecta ao aplicativo Bellabeat para rastrear seus níveis de hidratação.
Planos da Bellabeat: A Bellabeat também oferece aos usuários diferentes planos de assinatura. As assinaturas oferecem aos usuários acesso 24 horas por dia, 7 dias por semana, orientação totalmente personalizada sobre nutrição, atividade, sono, saúde e beleza, além de atenção plena com base em seu estilo de vida e objetivos.
Os dados disponibilizados nesse caso são: Dados do rastreador de condicionamento físico FitBit (CC0: Domínio público, conjunto de dados disponibilizado por meio de Mobius): Este conjunto de dados de Kaggle contém um rastreador de condicionamento físico pessoal de trinta usuários do Fitbit. Após baixar o arquivo zipado, podemos ser capazes de identificar os seguintes arquivos CSV:
A coleção de arquivos apresenta documentos em ambos os formatos longo (Wide) e curto (Narrow). Os dados possuem limitações; por exemplo, nas tabelas que exibem informações por minuto (Wide), não há dados a partir do minuto 47 de cada hora. Além disso, algumas tabelas contêm informações inseridas pelo usuário, em vez de serem medidas ou rastreadas pelos dispositivos inteligentes. Por exemplo, na tabela weightLogInfo, o peso dos usuários é inserido pelo usuário ou coletado por meio de um dispositivo inteligente. Por fim, há tabelas que não possuem informações de alguns usuários.
Os dados foram inicialmente processados, ou seja, limpos e manipulados, utilizando a linguagem de programação R no ambiente RStudio. Posteriormente, incluiu-se a participação do Power BI com o objetivo de auxiliar na construção de visualizações e painéis. Como mencionado anteriormente, os dados apresentam limitações e informações inseridas manualmente. No caso da tabela weightLogInfo, inicialmente, a informação da média de peso (KG) por pessoa parecia ser frutífera, mas acabou não sendo utilizada devido à falta de usuários. Abaixo, compartilho o código da filtragem e seu resultado, que comprova a escassez de dados para uma análise confiável desta tabela.
library(dplyr)
weightLogInfo <- read.csv("weightLogInfo.csv")
NoManualweight <- weightLogInfo %>%
group_by(Id) %>%
filter(IsManualReport == "False") %>%
summarise(MeanWeightKg = mean(WeightKg))
head(NoManualweight) #Exibe as primeiras 6 linhas de uma tabela
## # A tibble: 3 × 2
## Id MeanWeightKg
## <dbl> <dbl>
## 1 1927972279 134.
## 2 5577150313 90.7
## 3 8877689391 85.1
O objetivo desta análise é identificar padrões de comportamento nos dados disponibilizados com o intuito de fazer sugestões de melhoria em um dos dispositivos inteligentes da Bellabeat. Após analisar todos os arquivos disponíveis, identifiquei alguns padrões interessantes para sugerir melhorias no dispositivo inteligente, especificamente no aplicativo Bellabeat. O primeiro insight identificado foi o dia da semana e o horário em que as pessoas realizavam mais exercícios.
Como podem ver nos gráficos abaixo, o dia da semana mais popular para a realização de exercícios, com base nos dados disponibilizados, é a terça-feira. Os intervalos de horários mais populares são das 12:00 às 15:00 e das 17:00 às 19:00. Tendo isso em mente, essas informações podem ser utilizadas para alocar algum tipo de evento esportivo que possa ocorrer dentro de algum dos intervalos de tempo citados ou no dia da semana mencionado, com o objetivo de aproveitar um dia popular ou tentar estimular os usuários a realizar exercícios em algum outro período menos produtivo. Geração da tabela weeklySteps que contem a soma de passos dos úsuarios durante os dias da semana
dailySteps <- read.csv("dailySteps.csv")
library(lubridate)
weeklySteps <- dailySteps %>%
mutate(weekDay = wday(mdy(ActivityDay), label= TRUE)) %>%
group_by(weekDay) %>%
summarise(total_passos_semana = sum(StepTotal))
Gráfico de barras gerado no PowerBI com o resultado do código acima.
Código da geração da tabela horlySteps que contém dados da soma de passos ocorridos em cada hora do dia.
hourlySteps <- read.csv("hourlySteps.csv")
hourlySteps <- hourlySteps %>%
mutate(ActivityHour = parse_date_time(ActivityHour, '%m/%d/%Y %H:%M:%S %p')) %>%
group_by(hour =hour(ActivityHour)) %>%
summarise(total_passos = sum(StepTotal))
Gráfico de barras gerado no PowerBI com o resultado do código acima.
As próximas sugestões compõem uma estratégia para estimular o usuário a praticar mais exercícios físicos e, por conseguinte, aumentar a utilização dos produtos inteligentes. O plano consiste em traçar o perfil de usuários mais bem-sucedidos na perda de calorias e intensidade de exercícios, descobrindo, com base nos dados, quais comportamentos possuem uma relação com esse resultado.
Primeiramente foi coletado dados do sono dos úsuarios, estes dados foram relacionados com a intensidade dos exercicios realizados por eles, abaixo segue o método utililizado.
SleepDay <- read.csv("sleepDay.csv")
MeanSleep <- SleepDay %>%
mutate(SleepDay = parse_date_time(SleepDay, '%m/%d/%Y %H:%M:%S %p')) %>%
group_by(Id) %>%
summarise(PersonSleepAvarage = mean(TotalTimeInBed)/60) %>% #converter em horas
mutate(PeopleSleepAvarage = mean(PersonSleepAvarage))
Para calcular a intensidade de cada usuário, devemos nos atentar aos 3 tipos de intensidade presentes na tabela, desconsiderando a intensidade sedentária. Onde light (leve) possui peso 1, fairly (razoável) possui peso 2 e veryActive (muito ativo) possui peso 3, gerando assim uma pontuação com base nos minutos dedicados a cada tipo de intensidade.
dailyIntensities <- read.csv("dailyIntensities.csv")
peopleintensityAVG <- dailyIntensities %>%
group_by(Id) %>%
summarise(
mean_SedentaryMinutes = mean(SedentaryMinutes),
mean_LightlyActiveMinutes = mean(LightlyActiveMinutes),
mean_FairlyActiveMinutes = mean(FairlyActiveMinutes),
mean_VeryActiveMinutes = mean(VeryActiveMinutes),
mean_SedentaryActiveDistance = mean(SedentaryActiveDistance),
mean_LightlyActiveDistance = mean(LightActiveDistance),
mean_FairlyActiveDistance = mean(ModeratelyActiveDistance),
mean_VeryActiveDistance = mean(VeryActiveDistance),
) %>%
mutate(mean_total_distance =
mean_SedentaryActiveDistance +
mean_LightlyActiveDistance +
mean_FairlyActiveDistance +
mean_VeryActiveDistance ,
mean_total_activeMinutes =
mean_LightlyActiveMinutes +
mean_FairlyActiveMinutes +
mean_VeryActiveMinutes,
mean_intensity =
3 * mean_VeryActiveMinutes +
2 * mean_FairlyActiveMinutes +
mean_LightlyActiveMinutes
)
Por fim conectandos as duas tabelas pela chave primaria que é o Id do úsuario.
ItensityVsSleep <- inner_join(MeanSleep,peopleintensityAVG,by="Id") %>%
group_by(Id) %>%
summarise(PersonSleepAvarage,PeopleSleepAvarage,mean_intensity )
head(ItensityVsSleep)
## # A tibble: 6 × 4
## Id PersonSleepAvarage PeopleSleepAvarage mean_intensity
## <dbl> <dbl> <dbl> <dbl>
## 1 1503960366 6.39 7.00 374.
## 2 1644430081 5.77 7.00 250.
## 3 1844505072 16.0 7.00 118.
## 4 1927972279 7.30 7.00 44.1
## 5 2026352035 8.96 7.00 257.
## 6 2320127002 1.15 7.00 207.
Abaixo o gráfico gerado no PowerBi em relação a tabela acima.
Este gráfico possui uma linha azul que representa a média de intensidade geral dos usuários. Observando mais atentamente o local do gráfico que apresenta a maior concentração de usuários acima da média de intensidade, percebe-se que são os usuários que dormem cerca de 7 a 8:30 horas por dia. Com base nessa informação, cabe a criação de um meio de comunicação com os usuários sugerindo que adotem determinado comportamento para estimular o aumento da intensidade durante as caminhadas.
Visto que grande parte dos praticantes de exercícios físicos são atentos em relação à perda calórica, temos como objetivo resgatar informações que possam direcionar o usuário a atingir as metas que ele estabeleceu para si mesmo. MET, ou Equivalente Metabólico da Tarefa, é uma forma de estimar o gasto energético de uma determinada atividade física. O MET é capaz de ajudar a calcular as calorias gastas a partir da fórmula kcal = (MET x Peso x Duração em horas).
Neste tópico, temos como objetivo salientar a diferença de perda calórica entre praticar determinada atividade física intensamente e praticar uma atividade física com um alto MET. Primeiramente, vamos carregar e criar as tabelas de média de perda calórica e média de METs. A tabela de intensidade já foi carregada anteriormente neste documento.
dailyCalories <- read.csv("dailyCalories.csv")
averagePersonCalories <- dailyCalories %>%
group_by(Id) %>%
summarise(AverageCalories = mean(Calories)) %>%
mutate(TotalAverageCalories = mean(AverageCalories))
head(averagePersonCalories)
## # A tibble: 6 × 3
## Id AverageCalories TotalAverageCalories
## <dbl> <dbl> <dbl>
## 1 1503960366 1816. 2282.
## 2 1624580081 1483. 2282.
## 3 1644430081 2811. 2282.
## 4 1844505072 1573. 2282.
## 5 1927972279 2173. 2282.
## 6 2022484408 2510. 2282.
minuteMETs <- read.csv("minuteMETsNarrow.csv")
PersonMets <- minuteMETs %>%
group_by(Id) %>%
summarise(AverageMETs = mean(METs))
head(PersonMets)
## # A tibble: 6 × 2
## Id AverageMETs
## <dbl> <dbl>
## 1 1503960366 16.7
## 2 1624580081 12.5
## 3 1644430081 14.1
## 4 1844505072 11.9
## 5 1927972279 10.6
## 6 2022484408 17.0
Em seguida devemos criar tabelas que relacionam as tabelas METs com caloria e intensidade com caloria.
CaloriesVsMET <- inner_join(averagePersonCalories,PersonMets, by="Id")
head(CaloriesVsMET)
## # A tibble: 6 × 4
## Id AverageCalories TotalAverageCalories AverageMETs
## <dbl> <dbl> <dbl> <dbl>
## 1 1503960366 1816. 2282. 16.7
## 2 1624580081 1483. 2282. 12.5
## 3 1644430081 2811. 2282. 14.1
## 4 1844505072 1573. 2282. 11.9
## 5 1927972279 2173. 2282. 10.6
## 6 2022484408 2510. 2282. 17.0
ItensityVsCalories <- inner_join(peopleintensityAVG, averagePersonCalories, by="Id") %>%
group_by(Id) %>%
summarise(mean_intensity, AverageCalories, TotalAverageCalories)
head(ItensityVsCalories)
## # A tibble: 6 × 4
## Id mean_intensity AverageCalories TotalAverageCalories
## <dbl> <dbl> <dbl> <dbl>
## 1 1503960366 374. 1816. 2282.
## 2 1624580081 191. 1483. 2282.
## 3 1644430081 250. 2811. 2282.
## 4 1844505072 118. 1573. 2282.
## 5 1927972279 44.1 2173. 2282.
## 6 2022484408 405. 2510. 2282.
Abaixo os respectivos gráficos, METs e calorias, intensidade e calorias.
Como podem observar no gráfico acima, à medida que a média de METs por pessoa aumenta, consequentemente a média de perda calórica também aumenta. Este resultado é também observado no gráfico abaixo, mas é necessário se atentar ao detalhe da inclinação da linha de tendência, que no gráfico abaixo demonstra-se ser menos acentuada, caracterizando-se como um fator não tão substancial quanto o gráfico acima. Com isso, podemos concluir que se atentar ao METs das atividades executadas pode auxiliar mais na perda calórica do que aumentar a intensidade de um determinado exercício. Todavia, ambos os pontos contribuem para a perda calórica.”
Com base nos resultados de análise já apresentados, as sugestões que indico para o Aplicativo Bellabeat são: criação de eventos nos períodos-chave, implementação de um painel de informações com o objetivo de orientar os usuários a tomarem as melhores decisões possíveis em relação ao gerenciamento de atividades físicas. Neste campo, sugeri a disponibilização de dados sobre o sono e a relação entre METs, intensidade e a perda calórica. Esse contato mais direto com o usuário é algo necessário para se destacar entre outras empresas que prestam serviços similares, afinal, a alma de qualquer negócio é o cliente.