ANÁLISIS DE DATOS MASIVOS PARA EL NEGOCIO
Actividad 1
Análisis exploratorio de datos y tratamiento de series temporales
library(readr)
base <- read_csv("Base actividad1.csv")## Rows: 33045 Columns: 13
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (2): type, geography
## dbl (10): average_price, total_volume, 4046, 4225, 4770, total_bags, small_...
## date (1): date
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.La base consta de 33.045 observaciones y 13 variables: 1 variable tipo fecha, 2 variables de texto (type,geography) y 10 variables numéricas
#Verificamos si existen datos faltantes
which(is.na(base))## integer(0)#y lo verficamos ya que todas las variables tienen 33.405 observaciones
registros_no_na <- colSums(!is.na(base))
print(registros_no_na)## date average_price total_volume 4046 4225
## 33045 33045 33045 33045 33045
## 4770 total_bags small_bags large_bags xlarge_bags
## 33045 33045 33045 33045 33045
## type year geography
## 33045 33045 33045Estadística Descriptiva
summary(base)## date average_price total_volume 4046
## Min. :2015-01-04 Min. :0.44 Min. : 85 Min. : 0
## 1st Qu.:2016-06-19 1st Qu.:1.10 1st Qu.: 15119 1st Qu.: 767
## Median :2017-12-10 Median :1.35 Median : 129117 Median : 10995
## Mean :2017-12-12 Mean :1.38 Mean : 968400 Mean : 302391
## 3rd Qu.:2019-06-16 3rd Qu.:1.62 3rd Qu.: 505828 3rd Qu.: 119022
## Max. :2020-11-29 Max. :3.25 Max. :63716144 Max. :22743616
## 4225 4770 total_bags small_bags
## Min. : 0 Min. : 0.0 Min. : 0 Min. : 0
## 1st Qu.: 2712 1st Qu.: 0.0 1st Qu.: 9122 1st Qu.: 6479
## Median : 23436 Median : 178.1 Median : 53222 Median : 36877
## Mean : 279769 Mean : 21482.6 Mean : 364673 Mean : 250198
## 3rd Qu.: 135239 3rd Qu.: 5096.5 3rd Qu.: 174431 3rd Qu.: 120662
## Max. :20470573 Max. :2546439.1 Max. :31689189 Max. :20550407
## large_bags xlarge_bags type year
## Min. : 0 Min. : 0.0 Length:33045 Min. :2015
## 1st Qu.: 466 1st Qu.: 0.0 Class :character 1st Qu.:2016
## Median : 6376 Median : 0.0 Mode :character Median :2017
## Mean : 106733 Mean : 7742.6 Mean :2017
## 3rd Qu.: 40417 3rd Qu.: 804.4 3rd Qu.:2019
## Max. :13327601 Max. :1403184.0 Max. :2020
## geography
## Length:33045
## Class :character
## Mode :character
##
##
## El precio promedio por aguacate es de 1,38 unidades monetarias, el precio más bajo fue de 0,44 y su precio más alto llegó a ser 3,25, sin embargo el 75% de los precios fueron menores a 1,62. El promedio de aguacates vendidos (total_volume) es de 968400, el valor máx registrado hace presumir que se trata de un valor atípico. El promedio del total de bolsas es 364673. Analizando el formato de ventas se observa que existe mayor demanda de las fundas pequeñas en promedio 250198 a diferencia de las bolsas grandes que en promedio es 106733 y bolsas extra grandes 7742. La desviación estándar de las variables muestra que registran datos muy dispersos y sugiere la presencia de oytliers.
En cuanto a las variables tipo texto:
unique(base$type)## [1] "conventional" "organic"length(unique(base$geography))## [1] 54unique(base$geography)## [1] "Albany" "Atlanta" "Baltimore/Washington"
## [4] "Boise" "Boston" "Buffalo/Rochester"
## [7] "California" "Charlotte" "Chicago"
## [10] "Cincinnati/Dayton" "Columbus" "Dallas/Ft. Worth"
## [13] "Denver" "Detroit" "Grand Rapids"
## [16] "Great Lakes" "Harrisburg/Scranton" "Hartford/Springfield"
## [19] "Houston" "Indianapolis" "Jacksonville"
## [22] "Las Vegas" "Los Angeles" "Louisville"
## [25] "Miami/Ft. Lauderdale" "Midsouth" "Nashville"
## [28] "New Orleans/Mobile" "New York" "Northeast"
## [31] "Northern New England" "Orlando" "Philadelphia"
## [34] "Phoenix/Tucson" "Pittsburgh" "Plains"
## [37] "Portland" "Raleigh/Greensboro" "Richmond/Norfolk"
## [40] "Roanoke" "Sacramento" "San Diego"
## [43] "San Francisco" "Seattle" "South Carolina"
## [46] "South Central" "Southeast" "Spokane"
## [49] "St. Louis" "Syracuse" "Tampa"
## [52] "Total U.S." "West" "West Tex/New Mexico"La variable type corresponde a una variable que toma dos valores “conventional” y “organic”, mientras que, la variable geography tiene 54 valores únicos.
El diagrama de cajas o bigote confirma la presencia de datos atpicos en las variables analizadas.
par(mfrow = c(2, 3))
boxplot(base$average_price, main = "Precio por unidad")
boxplot(base$total_volume, main = "Volumen de ventas")
boxplot(base$total_bags, main = "Total Bolsas")
boxplot(base$small_bags, main = "Bolsas pequeñas")
boxplot(base$large_bags, main = "Bolsas grandes")
boxplot(base$xlarge_bags, main = "Bolsas extra grandes")
Aguacates orgánicos en Albany
Albany<-base[base$geography=="Albany",]
Albanyorganic <- Albany[Albany$type=="organic",]
mean(Albanyorganic$average_price)## [1] 1.683529El precio promedio de los aguacates orgánicos en Albany es 1,68
Aguacates orgánicos en Boston
Boston<-base[base$geography=="Boston",]
Bostonorganic <- Boston[Boston$type=="organic",]
mean(Bostonorganic$average_price)## [1] 1.742778El precio promedio de los aguacates orgánicos en Boston es 1,74
Análisis de covarianza y correlación (base total)
#Aguacates orgánicos
organic <- base[base$type=="organic",]
cov(organic$average_price, organic$total_volume)## [1] -3027.04cor(organic$average_price, organic$total_volume)## [1] -0.04665951Se evidencia una relaión negativa, sin embargo, dado que el valor es cercano a 0, no se evidencia una relación lineal entre el precio de los aguacates orgánicos y el volumen total ventas
#Aguacates convencionales
convencional <- base[base$type=="conventional",]
cov(convencional$average_price, convencional$total_volume)## [1] -122979.7cor(convencional$average_price, convencional$total_volume)## [1] -0.09164995Se evidencia una relación negativa, sin embargo, dado que el valor es cercano a 0, no se evidencia una relación lineal entre el precio de los aguacates convencionales y el volumen total de ventas
ANÁLISIS DE REGRESIÓN
estimaciónorgánicos <-lm(log(organic$total_volume) ~ log(organic$average_price))
summary(estimaciónorgánicos)##
## Call:
## lm(formula = log(organic$total_volume) ~ log(organic$average_price))
##
## Residuals:
## Min 1Q Median 3Q Max
## -5.3478 -0.9586 -0.1608 0.7926 4.8868
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 10.14072 0.02636 384.73 <2e-16 ***
## log(organic$average_price) -0.76654 0.05227 -14.66 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.427 on 16519 degrees of freedom
## Multiple R-squared: 0.01285, Adjusted R-squared: 0.01279
## F-statistic: 215 on 1 and 16519 DF, p-value: < 2.2e-16El parámetro es estadísticamente significativo (***) lo que significa que si el precio sube un 10% la venta disminuye en 0,076%, lo que realmente es una afectación mínima.
estimaciónconvencional <- lm(log(convencional$total_volume) ~ log(convencional$average_price))
summary(estimaciónconvencional)##
## Call:
## lm(formula = log(convencional$total_volume) ~ log(convencional$average_price))
##
## Residuals:
## Min 1Q Median 3Q Max
## -2.8152 -0.9493 -0.1589 0.5785 4.5734
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 13.42427 0.01134 1183.72 <2e-16 ***
## log(convencional$average_price) -1.32043 0.04629 -28.52 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.298 on 16522 degrees of freedom
## Multiple R-squared: 0.04694, Adjusted R-squared: 0.04688
## F-statistic: 813.7 on 1 and 16522 DF, p-value: < 2.2e-16El parámetro es estadísticamente significativo (***) y significa que cuando el precio sube un 10% la venta disminuye un 0,13%.
PREDICCIÓN
#Predicción precio de venta aguacates orgánicos en Albany
precioalbany <- ts(Albany$average_price, start = c(2015,1), frequency=52)
plot(precioalbany)
library(forecast)## Registered S3 method overwritten by 'quantmod':
## method from
## as.zoo.data.frame zoomodelo <- auto.arima(precioalbany)
predicción<-forecast(modelo,12)
plot(predicción)
predicción$mean## Time Series:
## Start = c(2026, 41)
## End = c(2026, 52)
## Frequency = 52
## [1] 0.9288717 1.5492443 0.8644969 1.5899525 0.9615437 1.5430591 1.0479606
## [8] 1.6014913 1.1442428 1.4587715 1.1936428 1.4915513