Tarefa de Negócio

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.

Dados

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:

  • dailyActivity
  • dailyCalories
  • dailyIntensities
  • dailySteps
  • heartrate_seconds
  • hourlyCalories
  • hourlyIntensities
  • hourlySteps
  • minuteCaloriesNarrow
  • minuteCaloriesWide
  • minuteIntensitiesNarrow
  • minuteIntensitiesWide
  • minuteMETsNarrow
  • minuteSleep
  • minuteStepsNarrow
  • minuteStepsWide
  • SleepDay
  • weightLogInfo

Preparar Dados

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.

Processamento de dados

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

Resultados da Analíse

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.

Meio de Comunicação

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.

Relação entre sono e intensidade

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.

Relação entre calorias, METs e intensidade

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.”

Conclusão

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.

Painel PowerBi