¿Cómo lograr el éxito rápido de un negocio de bicicletas compartidas?

Este caso práctico se presenta como proyecto final del certificado de Data Analytics de Google. En este proyecto se trata de sintentizar todo lo aprendido a lo largo de los 7 módulos anteriores que componen este certificado.

Para llevar a cabo este proyecto se aplicarán los pasos del proceso de analisis de datos: Preguntar, Preparar, Procesar, Analizar, Compartir y Actuar.

En primer lugar se presenta el escenario:

Escenario

Eres un analista de datos que trabaja en el equipo de analistas de marketing de Cyclistic, una empresa de bicicletas compartidas de Chicago. La directora de marketing cree que el éxito futuro de la empresa depende de maximizar la cantidad de membresías anuales. Por lo tanto, tu equipo quiere entender qué diferencias existen en el uso de las bicicletas Cyclistic entre los ciclistas ocasionales y los miembros anuales. A través de estos conocimientos, tu equipo diseñará una nueva estrategia de marketing para convertir a los ciclistas ocasionales en miembros anuales. Sin embargo, antes de eso, los ejecutivos de Cyclistic deben aprobar tus recomendaciones; por eso, debes respaldar tu propuesta con una visión convincente de los datos y visualizaciones profesionales de los mismos.

PREGUNTAR

En esta etapa se delimita la cuestión que se busca resolver con el fin de comprender completamente las expectativas de las partes involucradas. La empresa ficticia Ciclystic cuenta con dos categorías de clientes: los ciclistas ocasionales, quienes pagan por el uso de la bicicleta solo en las ocasiones que la emplean, y los ciclistas que han adquirido una suscripción anual, permitiéndoles utilizarlas tantas veces como deseen durante dicho periodo. La directora de marketing sostiene que el éxito futuro de la empresa está vinculado a la maximización del número de suscripciones anuales.

Por lo tanto, el dilema planteado consiste en comprender las disparidades en el comportamiento de los usuarios de bicicletas Cyclistic entre los ciclistas ocasionales y aquellos con una suscripción anual. A través de este entendimiento, se desarrollará una nueva estrategia de marketing con el objetivo de convertir a los ciclistas ocasionales en suscriptores anuales.

Es esencial tener en cuenta quiénes son los interesados en este proceso: los ejecutivos de Cyclistic, quienes deben aprobar las recomendaciones basadas en el conocimiento adquirido. Asimismo, la directora de marketing, desde donde proviene la solicitud de análisis, también es una parte fundamental.

Por ende, se establecerán estrategias de comunicación con estos interesados, tanto con la directora de marketing como con los ejecutivos, con el propósito de enfocar adecuadamente el problema.

Las tres preguntas en concreto que guiarán el programa de marketing son:

  1. ¿En qué se diferencian los socios anuales y los ciclistas ocasionales con respecto al uso de las bicicletas de Cyclistic?

  2. ¿Por qué los ciclistas ocasionales comprarían membresías anuales de Cyclistic?

  3. ¿Cómo puede usar Cyclistic los medios digitales para influenciar a los ciclistas ocasionales a convertirse en miembros?

De estas tres preguntas, la directora de marketing nos asigna, como analista de datos, la primera pregunta: ¿En qué se diferencian los socios anuales y los ciclistas ocasionales con respecto al uso de las bicicletas de Cyclistic?

PREPARAR

Para realizar el análisis tenemos los datos históricos de los viajes de Cyclistic. Para este desarrollo se utilizarán los datos de los últimos 12 meses (marzo 2023 - febrero 2024), como se indica en las pautas del proyecto.

Los datos históricos se pueden obtener del siguiente enlace:

Datos históricos Cyclistic

Los ficheros se encuentran en formato .csv. Una vez descargados los ficheros con los datos de viajes de los últimos 12 meses los dejaremos en un repositorio común.

PROCESAR

Para el procesamiento de estos datos utilizaremos R con RStudio, por lo que en primer lugar, en caso de ser necesario, descargaremos y posteriormente cargaremos todas las librerias que vamos a necesitar.

library(tidyverse)
library(readr)
library(dplyr)
library(ggplot2)
library(data.table)
library(lubridate)
library(generics)
library(stringi)
library(descriptr)
library(psych)

Cargamos todos los ficheros

  lista_archivos <- list.files("C:/Users/felipe.gutierrezuria/Documents/Google_Data_Analytics/Proyecto_Final/DATA_12MESES", full.names= TRUE)
  
  lista_archivos
##  [1] "C:/Users/felipe.gutierrezuria/Documents/Google_Data_Analytics/Proyecto_Final/DATA_12MESES/202303-divvy-tripdata.csv"
##  [2] "C:/Users/felipe.gutierrezuria/Documents/Google_Data_Analytics/Proyecto_Final/DATA_12MESES/202304-divvy-tripdata.csv"
##  [3] "C:/Users/felipe.gutierrezuria/Documents/Google_Data_Analytics/Proyecto_Final/DATA_12MESES/202305-divvy-tripdata.csv"
##  [4] "C:/Users/felipe.gutierrezuria/Documents/Google_Data_Analytics/Proyecto_Final/DATA_12MESES/202306-divvy-tripdata.csv"
##  [5] "C:/Users/felipe.gutierrezuria/Documents/Google_Data_Analytics/Proyecto_Final/DATA_12MESES/202307-divvy-tripdata.csv"
##  [6] "C:/Users/felipe.gutierrezuria/Documents/Google_Data_Analytics/Proyecto_Final/DATA_12MESES/202308-divvy-tripdata.csv"
##  [7] "C:/Users/felipe.gutierrezuria/Documents/Google_Data_Analytics/Proyecto_Final/DATA_12MESES/202309-divvy-tripdata.csv"
##  [8] "C:/Users/felipe.gutierrezuria/Documents/Google_Data_Analytics/Proyecto_Final/DATA_12MESES/202310-divvy-tripdata.csv"
##  [9] "C:/Users/felipe.gutierrezuria/Documents/Google_Data_Analytics/Proyecto_Final/DATA_12MESES/202311-divvy-tripdata.csv"
## [10] "C:/Users/felipe.gutierrezuria/Documents/Google_Data_Analytics/Proyecto_Final/DATA_12MESES/202312-divvy-tripdata.csv"
## [11] "C:/Users/felipe.gutierrezuria/Documents/Google_Data_Analytics/Proyecto_Final/DATA_12MESES/202401-divvy-tripdata.csv"
## [12] "C:/Users/felipe.gutierrezuria/Documents/Google_Data_Analytics/Proyecto_Final/DATA_12MESES/202402-divvy-tripdata.csv"

Posteriormente, empleamos la función ‘lapply' para leer todos los archivos especificados en las rutas previas mediante el comando’read_csv’`. Esto nos permite generar un dataframe para cada fichero, incorporando una variable de mes derivada del nombre de cada archivo. Simultáneamente, creamos otra variable que representa la diferencia entre el momento de inicio y el momento de finalización de cada recorrido. El output final consistirá en una lista de dataframes.

 resultado <- lapply(lista_archivos,
            function(x){
              df <- read_csv(x)
              df$month <- x
              df$month <- stri_replace_all_regex(df$month,
                            pattern=c('C:/Users/felipe.gutierrezuria/Documents/Google_Data_Analytics/Proyecto_Final/DATA_12MESES/',   
                                      '-divvy-tripdata.csv'),
                            replacement=c('', ''),
                            vectorize=FALSE)
              df$diff <- df$ended_at - df$started_at
              df$diff_double <- as.double(df$diff, units="auto")
              df$diff_format <- hms::hms(seconds_to_period(df$diff))
              df
            }
)

El proceso anterior nos proporciona una lista de dataframes, cada uno correspondiente a uno de los 12 meses que estamos analizando.

class (resultado)
## [1] "list"

Ahora, nuestro siguiente paso con esta lista de dataframes es combinarlos todos en uno solo consolidado. Para lograr esto, utilizaremos el comando ‘do.call', el cual, en lugar de aplicar una función a los elementos de una lista, consiste en incorporar una lista como argumentos de una función; en este caso, la función es’rbind'.

df <- do.call(rbind,resultado)

ANALIZAR Y COMPARTIR

Después de realizar el análisis, presentamos una descripción inicial que incluye el número de registros y la cantidad y características de las variables. Proporcionamos un vistazo a los datos utilizando la función glimpse(df), que muestra que hay 5,732,913 filas y 17 columnas en el marco de datos df. A continuación, utilizamos la función ds_screener(df) para obtener un resumen detallado de las columnas, sus tipos de datos, niveles únicos y la cantidad de valores faltantes.

glimpse(df)
## Rows: 5,707,168
## Columns: 17
## $ ride_id            <chr> "6842AA605EE9FBB3", "F984267A75B99A8C", "FF7CF57CFE…
## $ rideable_type      <chr> "electric_bike", "electric_bike", "classic_bike", "…
## $ started_at         <dttm> 2023-03-16 08:20:34, 2023-03-04 14:07:06, 2023-03-…
## $ ended_at           <dttm> 2023-03-16 08:22:52, 2023-03-04 14:15:31, 2023-03-…
## $ start_station_name <chr> "Clark St & Armitage Ave", "Public Rack - Kedzie Av…
## $ start_station_id   <chr> "13146", "491", "620", "TA1306000003", "18067", "62…
## $ end_station_name   <chr> "Larrabee St & Webster Ave", NA, "Clark St & Randol…
## $ end_station_id     <chr> "13193", NA, "TA1305000030", "13154", "TA1306000015…
## $ start_lat          <dbl> 41.91841, 41.97000, 41.89820, 41.88872, 41.91448, 4…
## $ start_lng          <dbl> -87.63645, -87.71000, -87.63754, -87.64445, -87.668…
## $ end_lat            <dbl> 41.92182, 41.95000, 41.88458, 41.91052, 41.88578, 4…
## $ end_lng            <dbl> -87.64414, -87.71000, -87.63189, -87.65311, -87.651…
## $ member_casual      <chr> "member", "member", "member", "member", "member", "…
## $ month              <chr> "202303", "202303", "202303", "202303", "202303", "…
## $ diff               <drtn> 138 secs, 505 secs, 638 secs, 943 secs, 660 secs, …
## $ diff_double        <dbl> 138, 505, 638, 943, 660, 867, 415, 1320, 587, 717, …
## $ diff_format        <time> 00:02:18, 00:08:25, 00:10:38, 00:15:43, 00:11:00, …
ds_screener(df)
## ---------------------------------------------------------------------------
## |   Column Name    |   Data Type   |  Levels  |  Missing  |  Missing (%)  |
## ---------------------------------------------------------------------------
## |     ride_id      |   character   |    NA    |     0     |       0       |
## |  rideable_type   |   character   |    NA    |     0     |       0       |
## |    started_at    |POSIXct, POSIXt|    NA    |     0     |       0       |
## |     ended_at     |POSIXct, POSIXt|    NA    |     0     |       0       |
## |start_station_name|   character   |    NA    |  866105   |     15.18     |
## | start_station_id |   character   |    NA    |  866105   |     15.18     |
## | end_station_name |   character   |    NA    |  920524   |     16.13     |
## |  end_station_id  |   character   |    NA    |  920524   |     16.13     |
## |    start_lat     |    numeric    |    NA    |     0     |       0       |
## |    start_lng     |    numeric    |    NA    |     0     |       0       |
## |     end_lat      |    numeric    |    NA    |   7353    |     0.13      |
## |     end_lng      |    numeric    |    NA    |   7353    |     0.13      |
## |  member_casual   |   character   |    NA    |     0     |       0       |
## |      month       |   character   |    NA    |     0     |       0       |
## |       diff       |   difftime    |    NA    |     0     |       0       |
## |   diff_double    |    numeric    |    NA    |     0     |       0       |
## |   diff_format    | hms, difftime |    NA    |     0     |       0       |
## ---------------------------------------------------------------------------
## 
##  Overall Missing Values           3587964 
##  Percentage of Missing Values     3.7 %
##  Rows with Missing Values         1374761 
##  Columns With Missing Values      6

En este análisis, observamos que el dataframe tiene 5,707,168 registros y 17 variables. Además, se presenta un informe detallado sobre las variables, sus tipos de datos, niveles únicos y la cantidad de valores faltantes en cada una. Por ejemplo, se señala que algunas columnas, como start_station_name, start_station_id, end_station_name, y end_station_id, tienen valores faltantes que representan el 15.18% y 16.13% del total, respectivamente. En total, hay 3.7% de valores faltantes en el conjunto de datos, correspondiendo a 3,587,964 registros sin información completa.

Número de ciclistas ocasionales y de miembros con suscripción a lo largo del año

Generamos un gráfico con el objetivo de obtener una visión global de la distribución entre ciclistas ocasionales y aquellos con una suscripción anual. Para lograr esto, realizamos una agrupación mensual de los datos.

by_month_user <- df %>%
               group_by(month) %>%
               count(member_casual)
 user_labels <- c(casual="Usuario Ocasional" , member="Usuario con Suscripción")
          ggplot(by_month_user, aes(fill=member_casual,y=n,x=month )) +
            geom_bar(position="dodge", stat="identity") +
            scale_y_continuous(labels = function(x) format(x, scientific = FALSE)) +
            theme(axis.text.x =element_text(angle=45),
                plot.title=element_text(size=18,hjust=0.5))+
            labs(x="Mes",y="Número de Usuarios",title="Tipo de Usuario por meses del año",
               fill="Tipo de Usuario\n") +
            scale_fill_brewer(labels=user_labels,palette="Set3")

Las conclusiones iniciales derivadas de esta visualización revelan una marcada correlación entre el uso del servicio y las condiciones climáticas, evidenciándose un aumento en el número de usuarios de ambos tipos durante los meses de clima favorable. Además, se destaca que el número de usuarios con suscripción supera en todo momento al de usuarios ocasionales, con una disparidad más pronunciada durante los meses invernales, donde la cifra de usuarios ocasionales experimenta una drástica reducción.

Tipo de bicicleta más utilizada a lo largo del año

Realizaremos ahora un estudio similar al anterior pero con el tipo de bicicleta preferida por los usuarios a lo largo del año. Se ignoran para este estudio las bicicletas ancladas, cuyo uso es practicamente residual en los primeros meses del año y su comercialización desaparece en los últimos meses.

  by_month_bike_type <- df %>%
    filter(rideable_type != "docked_bike") %>%
    group_by(month) %>%
    count(rideable_type)
bike_labels <- c(classic_bike="Clásica" , electric_bike="Eléctrica")
     ggplot(by_month_bike_type, aes(fill=rideable_type,y=n,x=month )) +
          geom_bar(position="dodge",stat="identity") +
           scale_y_continuous(labels = function(x) format(x, scientific = FALSE)) +
          theme(axis.text.x =element_text(angle=45),plot.title=element_text(size=14,hjust=0.5))+
          labs(x="Mes",y="Número de Usuarios",title="Tipo de Bicicleta por meses del año",
               fill="Tipo de Bicicleta\n") +
          scale_fill_brewer(labels=bike_labels,palette="Set3")

Como observamos, el uso de ambos tipos de bicicletas es muy similar a lo largo de todo el año, no existiendo un patrón claro de preferencia por parte de los usuarios, por lo que, en principio, no parece que esto pueda determinar el futuro de nuestra estrategia empresarial en el caso que nos ocupa.

Tiempo de uso medio de las bicicletas por tipo de usuario

A continuación vamos a analizar el tiempo medio de uso de las bicicletas que realizan los usuarios a lo largo del año

stats_by_month <- describeBy(df$diff_double, df$month, mat = TRUE) 
# Crear el gráfico
ggplot(stats_by_month, aes(x = group1, 
                    y = round(mean/60, 2),
                    group = 1)) +
  geom_line(color="blue") +
  geom_point(color="red") +
  labs(x = "Mes", y = "Tiempo Medio Recorrido (en minutos)", title = "Tiempo de recorrido en la bicicleta por meses del año") +
  theme(axis.text.x =element_text(angle=45),plot.title=element_text(size=14,hjust=0.5))

Como se puede observar, el factor climático es fundamental en los valores de esta variable, aumentándose significativamente en los meses estivales. Para obtener conclusiones más significativas para nuestro caso de estudio, se analiza a continuación en función del tipo de usuario: ocasional o suscriptor.

 stats_by_month_by_membercasual <- describeBy(df$diff_double, 
                                        list(df$month, df$member_casual), mat = TRUE)
 ggplot(stats_by_month_by_membercasual,aes(x = group1,
                y = round(mean/60, 2),
                group = group2)) +
          geom_line(aes(col = group2)) +
          geom_point() +
          theme(axis.text.x =element_text(angle=45),plot.title=element_text(size=14,hjust=0.5))+
          labs(y="Tiempo Medio Recorrido (en minutos)",x="Mes",
               title="Tiempo de recorrido en la bicicleta por meses del año", 
               color="Tipo de Usuario") +
          scale_color_manual(values = c(casual = "blue", member = "red"),
            labels = c(casual = "Ocasional", member = "Suscriptor"))

En este caso los datos arrojan unos valores muy interesantes. La duración de los viajes que realizan los usuarios ocasionales es siempre mayor que la de los suscriptores, llegando a triplicar en algunos periodos del año un valor a otro.

ACTUAR

En este primer análisis, se derivan dos conclusiones principales:

  1. Los ciclistas con suscripción son los usuarios más frecuentes a lo largo de todo el año, y esta diferencia se acentúa especialmente en los meses de invierno.
  2. Los ciclistas ocasionales son aquellos que realizan viajes de mayor duración durante todo el año, con tiempos de uso que oscilan entre el doble y el triple de los ciclistas con suscripción a lo largo del año.

Dado que los analistas financieros han establecido que la estrategia óptima consiste en maximizar el número de usuarios con suscripción, debido a su mayor rentabilidad, el objetivo primordial debería ser persuadir a los ciclistas ocasionales para que consideren la membresía anual como una alternativa atractiva.

Para ello, según lo revelado por los datos, se sugiere establecer precios de uso que incentiven la adquisición de una membresía anual cuando se supera cierta duración de viaje. Sin embargo, este escenario ideal no tiene en cuenta la competencia existente en el mercado real. Un aumento indiscriminado de los precios para los usuarios ocasionales podría motivar a los potenciales usuarios a optar por servicios de la competencia.

En vista de estos hallazgos, se puede trazar una posible estrategia para maximizar el número de usuarios con suscripción. Sin embargo, se requiere un análisis más detallado que incluya variables adicionales, como la edad, el género, la profesión, el lugar de residencia, entre otros, con el fin de optimizar la campaña de marketing y dirigirla de manera efectiva hacia los usuarios adecuados.