Declaração do problema

Vivemos em uma era onde a tecnologia e o uso constante de dispositivos conectados à internet moldam o nosso cotidiano. O estilo de vida digital, caracterizado pelo uso intensivo de redes sociais, streaming, jogos online e outras formas de entretenimento digital, tem transformado significamente os hábitos de consumo e o bem-estar dos indivíduos. Enquanto o acesso facilitado à informação, ao entretenimento e à conectividade oferece benefícios, como conveniência e maior interação social, também há desafios, como fadiga digital, impactos na qualidade do sono, aumento da ansiedade e mudanças nas preferências de consumo.

Este projeto tem como objetivo analisar o comportamento digital, baseado na faixa etária de idade dos entrevistados a partir de um dataset abrangente que contém informações sobre o tempo gasto em diferentes atividades digitais, padrões de sono, nível de atividade física, consumo de mídia e outras variáveis relevantes. A pesquisa permitirá entender como esses fatores se relacionam e quais padrões emergem da análise dos dados.

Abordagem metodológica

Para abordar essa questão, utilizaremos o dataset "social_media_entertainment_data" que é um dataset que está disponível no Kaggle. Esse é um dataset estruturado que inclui variáveis como tempo diário em redes sociais, plataformas de streaming, jogos online, consumo de notícias, nível de interação com anúncios, qualidade do sono, nível de atividade física e percepção de isolamento social. O primeiro passo será realizar um pré-processamento dos dados, tratando valores ausentes, padronizando as informações e explorando possíveis correlações entre diferentes variáveis.

Abordagem proposta

A análise será conduzida de forma a examinar como diferentes faixas etárias interagem com o ambiente digital, explorando padrões de uso de redes sociais, preferências de entretenimento e hábitos online. Buscaremos identificar correlações entre tempo de tela, qualidade do sono e nível de atividade física, além de compreender como o consumo de conteúdo e a escolha de plataformas variam entre gerações. Além disso, expandiremos a investigação para comparar esses padrões entre diferentes nacionalidades, proporcionando uma visão mais ampla sobre o impacto da cultura no comportamento digital.

Benefícios da análise

Os insights gerados por este estudo poderão ser úteis para diferentes setores, incluindo empresas de tecnologia, profissionais de saúde, pesquisadores e até consumidores que desejam compreender melhor o impacto do uso digital em sua vida. Além disso, a análise pode contribuir para estratégias voltadas ao bem-ester digital, sugerindo práticas mais saudáveis de consumo tecnológico e fornencendo dados concretos sobre os desafios e benefícios do estilo de vida digital. Com tudo isso, conseguiremos por exemplo, observar a cultura de uma região ou país espeficio referente a preferencia de consumo específica para entretenimento.

Fonte dos dados

Os dados utilizados neste projeto são provenientes de um dataset abrangente que reúne informações detalhadas sobre hábitos digitais e seu impacto no bem-estar e no consumo. Este conjunto de dados contém 300 mil registros e 40 categorias diferentes, incluindo variáveis essenciais como idade, gênero, nacionalidade, horas diárias gastas (mídia, entretenimento, jogos, etc), estado civil, quantidades de plataformas usadas, plataforma preferida, horas medias de sono, horas de atividades físicas, principais objetivos da mídia social, conteúdo preferido e etc.

Link para o dataset: https://drive.google.com/drive/folders/1tyq26FgxF3yVDzZqUu4HLDXHO5c9x08Q?usp=sharing

O objetivo original desse dataset é fornecer uma visão ampla sobre como o estilo de vida digital influencia diversos aspectos da vida cotidiana, permitindo uma análise detalhada das correlações entre comportamento online e indicadores de bem-estar.

Coletado recentemente, o dataset contém variáveis-chave como horas diárias de mídia social( Daily.Social.Media.Time..hrs), horas diárias de entretenimento (Daily.Entertainment.Time..hrs), plataformas de mídias sociais usadas (Social.Media.Platforms.Used), plataforma primária (Primary.Plataform), ocupação (Ocuppation), estado civil (Marital.Status), horas médias de sono (Average.Sleep.Time..hrs), horas de atividade física (Physical.Activity.Time..hrs) entre outras chaves. Além disso, há informações sobre o impacto do consumo digital nas preferências de compra, na percepção da fadiga digital e no tempo dedicado ao aprendizado online.

Uma caracteristica notável dos dados de origem é a diversidade dos perfis de usuários incluídos, o que permite fazer uma análise segmentada por fatores como faixa etária, nacionalidade, ocupação, estado civil e etc.

Explicação do tratamento de dados

o dataset original é composto apenas um um arquivo, arquivo esse "social_media_entertainment_data". Esse é um dataset estruturado, mas é bom por garantia nós checarmos se existem valores ausentes.

# Carrega o dataset
social_media_entertainment <- read.csv("C:/Users/Alexandre/Meu RCurso/Projeto 2 VA - CPAD 2024.2/social_media_entertainment_data.csv")

# Checando e exibindo na tela a quantidades de Nas
print(sum(is.na(social_media_entertainment)))

## [1] 0

Filtrando por região

Uma das categorias existentes no data set é a categoria Country, categoria essa que é referente a nacionalidade das pessoas entrevistadas. Com isso nós conseguimos fazer um filtro para conseguir separar esse grupo em subgrupos, assim facilitando em uma possível análise da cultura de consumismo dos mesmos.

# Observando as nacionalidades existentes
sort(unique(social_media_entertainment$Country))

## [1] "Australia" "Canada"    "Germany"   "India"     "UK"        "USA"

# Subgrupo dos indivíduos da Austrália
australia_sme <- social_media_entertainment %>%
  filter(Country == "Australia")

# Quantidade de pessoas entrevistadas
nrow(australia_sme)

## [1] 49921

# Exibir os 6 primeiros
australia_sme %>%
  select(1:4) %>%
  slice_head(n = 6)

##   User.ID Age Gender   Country
## 1      17  28   Male Australia
## 2      18  40  Other Australia
## 3      31  44  Other Australia
## 4      36  55  Other Australia
## 5      39  48  Other Australia
## 6      40  35  Other Australia

# Subgrupo dos indivíduos do Canadá
canada_sme <- social_media_entertainment %>%
  filter(Country == "Canada")

# Quantidade de pessoas entrevistadas
nrow(canada_sme)

## [1] 49910

# Exibir os 6 primeiros
canada_sme %>%
  select(1:4) %>%
  slice_head(n = 6)

##   User.ID Age Gender Country
## 1       6  21   Male  Canada
## 2      15  22 Female  Canada
## 3      22  20   Male  Canada
## 4      23  28   Male  Canada
## 5      34  62  Other  Canada
## 6      38  18 Female  Canada

# Subgrupo dos indivíduos da Germany
germany_sme <- social_media_entertainment %>%
  filter(Country == "Germany")

# Quantidade de pessoas entrevistadas
nrow(germany_sme)

## [1] 50060

# Exibir os 6 primeiros
germany_sme %>%
  select(1:4) %>%
  slice_head(n = 6)

##   User.ID Age Gender Country
## 1       1  32  Other Germany
## 2       5  21  Other Germany
## 3       7  16   Male Germany
## 4       9  44  Other Germany
## 5      12  63  Other Germany
## 6      14  24   Male Germany

# Subgrupo dos indivíduos da índia
india_sme <- social_media_entertainment %>%
  filter(Country == "India")

# Quantidade de pessoas entrevistadas
nrow(india_sme)

## [1] 49924

# Exibir os 6 primeiros
india_sme %>%
  select(1:4) %>%
  slice_head(n = 6)

##   User.ID Age Gender Country
## 1       2  62  Other   India
## 2       4  44 Female   India
## 3      10  49  Other   India
## 4      26  53   Male   India
## 5      28  39 Female   India
## 6      29  43  Other   India

# Subgrupo dos indivíduos do Reino Unido
uk_sme <- social_media_entertainment %>%
  filter(Country == "UK")

# Quantidade de pessoas entrevistadas
nrow(uk_sme)

## [1] 50040

# Exibir os 6 primeiros
uk_sme %>%
  select(1:4) %>%
  slice_head(n = 6)

##   User.ID Age Gender Country
## 1      11  14   Male      UK
## 2      13  56   Male      UK
## 3      21  44   Male      UK
## 4      27  23  Other      UK
## 5      33  16  Other      UK
## 6      37  28  Other      UK

# Subgrupo dos indivíduos do USA
usa_sme <- social_media_entertainment %>%
  filter(Country == "USA")

# Quantidade de pessoas entrevistadas
nrow(usa_sme)

## [1] 50145

# Exibir os 6 primeiros
usa_sme %>%
  select(1:4) %>%
  slice_head(n = 6)

##   User.ID Age Gender Country
## 1       3  51 Female     USA
## 2       8  58 Female     USA
## 3      24  32 Female     USA
## 4      25  36 Female     USA
## 5      32  21   Male     USA
## 6      45  26 Female     USA

Adicionando colunas

Antes de qualquer coisa, fazendo uma breve pesquisa, acabei observando que normalmente pela faixa de idade das pessoas, conseguimos imaginar em que fase da vida ela se encontra.Sendo assim, vamos adicionar uma nova categoria, chamada “Faixa_Etaria”, onde nós iremos incluir nessa nova categoria, em que divisão cada entrevistado se encontra.

Explicação das Faixas Etárias:

• 13-17 anos (Adolescentes) -> Esta faixa reúne os jovens que estão na fase de adolescência, com a maioria ainda cursando o ensino médio.
• 18-24 anos (Jovens adultos iniciantes) -> A fase onde as pessoas estão começando a entrar no mercado de trabalho ou indo para a faculdade.
• 25-34 anos (Adultos jovens) -> Pessoas que estão firmando suas carreiras com uma fase de vida mais estável, em relação à sua formação e objetivos profissionais.
• 35-44 anos (Adultos Meia-idade) -> Aqui, muitos já têm famílias, com uma fase de vida mais madura em termos de carreira e responsabilidades pessoais.
• 45-54 anos (Adultos experientes) -> Pessoas que estão no auge de suas carreiras, com bastante experiência, mas ainda com uma boa expectativa de vida e saúde.
• 55-65 anos (Pré-Aposentadoria) -> Fase de preparação para aposentadoria.

# Adicionar a coluna Faixa_Etaria com novas divisões coerentes
social_media_entertainment <- social_media_entertainment %>%
  mutate(Faixa_Etaria = cut(Age, 
                            breaks = c(13, 17, 24, 34, 44, 54, 65), 
                            labels = c("13-17", "18-24", "25-34", "35-44", "45-54", "55-65"),
                            include.lowest = TRUE))

#Exibindo na tela
head(social_media_entertainment %>% select(User.ID,Age,Country,Faixa_Etaria))

##   User.ID Age Country Faixa_Etaria
## 1       1  32 Germany        25-34
## 2       2  62   India        55-65
## 3       3  51     USA        45-54
## 4       4  44   India        35-44
## 5       5  21 Germany        18-24
## 6       6  21  Canada        18-24

# Criar a faixa de tempo gasto em mídias sociais
social_media_entertainment <- social_media_entertainment %>%
  mutate(Faixa_Tempo_Social = cut(Daily.Social.Media.Time..hrs., 
                                  breaks = seq(0, 8, by = 1), 
                                  labels = c("0-1 hora", "1-2 horas", "2-3 horas", "3-4 horas", 
                                             "4-5 horas", "5-6 horas", "6-7 horas", "7-8 horas"),
                                  include.lowest = TRUE))
head(social_media_entertainment %>% select(User.ID,Age,Country,Daily.Social.Media.Time..hrs.,Faixa_Tempo_Social))

##   User.ID Age Country Daily.Social.Media.Time..hrs. Faixa_Tempo_Social
## 1       1  32 Germany                          4.35          4-5 horas
## 2       2  62   India                          4.96          4-5 horas
## 3       3  51     USA                          6.78          6-7 horas
## 4       4  44   India                          5.06          5-6 horas
## 5       5  21 Germany                          2.57          2-3 horas
## 6       6  21  Canada                          4.69          4-5 horas

Informações resumidas das variáveis de interesses

Abaixo nós temos alguns dos valores únicos das colunas de relevância, que fornecem uma melhor visão das categorias de dados disponíveis:

Esses valores únicos mostram as diferentes categorias e níveis que estão disponíveis no dataset, ajudando a entender a variedade e a abrangência dos dados.

Abaixo, segue um resumo das principais variáveis no dataset:

1. Caracterização da população

# Contar a quantidade de pessoas por faixa etária
faixa_etaria_count <- as.data.frame(table(social_media_entertainment$Faixa_Etaria))

#Calcular as porcentagens
faixa_etaria_count$Percentage <- round(faixa_etaria_count$Freq / sum(faixa_etaria_count$Freq) * 100, 1)

#Criar um rótulo que combina faixa etária, a porcentagem e a quantidade de pessoas
faixa_etaria_count$Label <- paste0(faixa_etaria_count$Var1, " (", faixa_etaria_count$Freq, " pessoas, ", faixa_etaria_count$Percentage, "%)")


# Criar o gráfico de pizza com porcentagens e quantidades nos rótulos da legenda
ggplot(faixa_etaria_count, aes(x = "", y = Freq, fill = Label)) +
  geom_bar(width = 1, stat = "identity") +
  coord_polar("y") +  
  labs(title = "Distribuição de Pessoas por Faixa Etária") +
  theme_void() +  # Remove o plano de fundo e os eixos para um gráfico de pizza puro
  theme(legend.title = element_blank()) # Remove o título da legenda para clareza

2. Padrões de uso das mídias sociais

# Criar o mapa de calor normalizado
ggplot(dados_normalizados_faixaetaria_tempogasto, aes(x = Faixa_Tempo_Social, y = Faixa_Etaria, fill = Proporcao)) +
  geom_tile() +
  scale_fill_gradient(low = "lightblue", high = "darkblue") +
  labs(title = "Mapa de Calor: Uso de Redes Sociais Normalizado",
       x = "Faixa de Tempo Gasto",
       y = "Faixa Etária",
       fill = "Proporção (%)") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

2.2 Número de plataformas utilizadas por faixa etária

# Criar a tabela de contagem automática
tabela_contagem <- as.data.frame(table(social_media_entertainment$Faixa_Etaria, 
                                       social_media_entertainment$Social.Media.Platforms.Used))

# Renomear colunas
colnames(tabela_contagem) <- c("Faixa_Etaria", "Social_Media_Platforms_Used", "Quantidade")

# Converter Social_Media_Platforms_Used para numérico
tabela_contagem$Social_Media_Platforms_Used <- as.numeric(as.character(tabela_contagem$Social_Media_Platforms_Used))

# Normalizar os dados dentro de cada Faixa Etária
dados_normalizados_qtdplataform_faixaetaria <- tabela_contagem %>%
  group_by(Faixa_Etaria) %>%
  mutate(Proporcao = (Quantidade / sum(Quantidade)) * 100)

# Criar o heatmap
ggplot(dados_normalizados_qtdplataform_faixaetaria, aes(x = as.factor(Social_Media_Platforms_Used), 
                               y = Faixa_Etaria, fill = Proporcao)) +
  geom_tile() +
  scale_fill_gradient(low = "lightblue", high = "darkblue") +
  labs(title = "Mapa de Calor: Quantidade de Plataformas Usadas por Faixa Etária",
       x = "Número de Plataformas Usadas",
       y = "Faixa Etária",
       fill = "Proporção (%)") +
  theme_minimal()

O gráfico de calor representa a distribuição da quantidade de plataformas de mídias sociais utilizadas por diferentes faixas etárias. As tonalidades mais escuras indicam uma maior concentração de indivíduos utilizando determinada quantidade de plataformas, enquanto as cores mais claras representam menor uso relativo.

A análise revela que a faixa etária de 35 a 44 anos tem um pico de uso em duas plataformas, o que sugere uma preferência consolidada por esse número específico. Esse dado pode indicar que esse grupo etário mantém um uso moderado e seletivo das redes sociais, possivelmente equilibrando sua vida digital com outras atividades.

Já os grupos mais jovens (13-17 anos e 18-24 anos) apresentam uma distribuição mais homogênea, sem um número de plataformas dominante. Isso pode indicar que essas faixas etárias experimentam diferentes redes sociais de forma mais variada, sem um padrão rígido de uso.

Por outro lado, os usuários mais velhos (55-65 anos) tendem a se concentrar no uso de apenas uma plataforma, o que sugere uma menor diversidade no consumo de mídias sociais, possivelmente devido a menor familiaridade com a tecnologia ou preferência por redes mais específicas.

No geral, o mapa de calor destaca diferenças geracionais no consumo de redes sociais, sugerindo que a quantidade de plataformas utilizadas está diretamente ligada a fatores como interesse, tempo disponível e familiaridade com o ambiente digital.

2.3 Principal plataforma de mídia social por faixa etária

# Criar tabela de contagem cruzada (quantidade de usuários por Faixa_Etaria e Primary.Platform)
tabela_contagem_etaria_primary_plataform <- table(social_media_entertainment$Faixa_Etaria, social_media_entertainment$Primary.Platform)

# Converter para dataframe
df <- as.data.frame(tabela_contagem_etaria_primary_plataform)
colnames(df) <- c("Faixa_Etaria", "Primary_Platform", "Contagem")

# Normalizar os dados dentro de cada faixa etária (proporção percentual)
df <- df %>%
  group_by(Faixa_Etaria) %>%
  mutate(Proporcao_primary_plataform = Contagem / sum(Contagem) * 100)

# Criar o gráfico de calor
ggplot(df, aes(x = Primary_Platform, y = Faixa_Etaria, fill = Proporcao_primary_plataform)) +
  geom_tile() +
  scale_fill_gradient(low = "lightblue", high = "darkblue", name = "Proporção (%)") +
  labs(title = "Mapa de Calor: Plataforma Principal por Faixa Etária",
       x = "Plataforma Principal",
       y = "Faixa Etária") +
  theme_minimal()

O uso das redes sociais varia de acordo com a idade dos usuários, refletindo padrões distintos de comportamento digital. O gráfico analisado mostra a relação entre faixa etária e a plataforma principal utilizada, permitindo identificar quais redes sociais são mais populares em cada grupo de idade.

3. Comportamento relacionado ao entretenimento digital

# Criar a nova categoria Faixa_Entretenimento
social_media_entertainment <- social_media_entertainment %>%
  mutate(Faixa_Entretenimento = cut(Daily.Entertainment.Time..hrs.,
                                    breaks = c(0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10),
                                    labels = c("0-1 hora", "1-2 horas", "2-3 horas", 
                                               "3-4 horas", "4-5 horas", "5-6 horas", 
                                               "6-7 horas", "7-8 horas", "8-9 horas", "9-10 horas"),
                                    include.lowest = TRUE))

# Criar tabela de contagem
tabela_contagem_faixaetaria_e_entretenimento <- social_media_entertainment %>%
  count(Faixa_Etaria, Faixa_Entretenimento) %>%
  group_by(Faixa_Etaria) %>%
  mutate(Proporcao_entretenimento = n / sum(n) * 100)  # Normalizar dentro de cada faixa etária

# Criar o mapa de calor
ggplot(tabela_contagem_faixaetaria_e_entretenimento, aes(x = Faixa_Entretenimento, y = Faixa_Etaria, fill = Proporcao_entretenimento)) +
  geom_tile() +
  geom_text(aes(label = sprintf("%.1f%%", Proporcao_entretenimento)), color = "white", size = 2) + # Adiciona porcentagem
  scale_fill_gradient(low = "lightblue", high = "darkblue") +
  labs(title = "Mapa de Calor: Tempo Diário de Entretenimento por Faixa Etária",
       x = "Faixa de Tempo de Entretenimento",
       y = "Faixa Etária",
       fill = "Proporção (%)") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

# Contar a frequência de cada plataforma preferida por faixa etária
df_summary <- social_media_entertainment %>%
  group_by(Faixa_Etaria, Preferred.Entertainment.Platform) %>%
  summarise(Count = n(), .groups = "drop")

# Normalizar os dados dentro de cada Faixa Etária
df_summary <- df_summary %>%
  group_by(Faixa_Etaria) %>%
  mutate(Proportion = Count / sum(Count) * 100)

# Transformar os dados para o formato adequado para o ggplot
df_heatmap <- dcast(df_summary, Faixa_Etaria ~ Preferred.Entertainment.Platform, value.var = "Proportion", fill = 0)

# Converter para formato longo para ggplot
df_long <- melt(df_heatmap, id.vars = "Faixa_Etaria")

# Criar o mapa de calor
ggplot(df_long, aes(x = variable, y = Faixa_Etaria, fill = value)) +
  geom_tile() +
  geom_text(aes(label = sprintf("%.1f%%", value)), color = "white", size = 4) + # Adiciona porcentagem
  scale_fill_gradient(low = "lightblue", high = "darkblue", name = "Proporção (%)") +
  labs(
    title = "Mapa de Calor: Plataforma Preferida por Faixa Etária",
    x = "Plataforma Preferida",
    y = "Faixa Etária"
  ) +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

4. Hábitos digitais e estilo de vida

# Criar a nova categoria de Faixa de Mensagem Diária
social_media_entertainment <- social_media_entertainment %>%
  mutate(Faixa_Mensagem_Diaria = case_when(
    Daily.Messaging.Time..hrs. >= 0 & Daily.Messaging.Time..hrs. < 1 ~ "0-1 hora",
    Daily.Messaging.Time..hrs. >= 1 & Daily.Messaging.Time..hrs. < 2 ~ "1-2 horas",
    Daily.Messaging.Time..hrs. >= 2 & Daily.Messaging.Time..hrs. < 3 ~ "2-3 horas",
    Daily.Messaging.Time..hrs. >= 3 & Daily.Messaging.Time..hrs. < 4 ~ "3-4 horas",
    Daily.Messaging.Time..hrs. >= 4 & Daily.Messaging.Time..hrs. <= 5 ~ "4-5 horas"
  ))

# Criar a tabela de contagem para análise cruzada
tabela_mensagem <- social_media_entertainment %>%
  count(Faixa_Etaria, Faixa_Mensagem_Diaria) %>%
  group_by(Faixa_Etaria) %>%
  mutate(Proporcao_mensagem = n / sum(n) * 100)

# Gerar o mapa de calor
ggplot(tabela_mensagem, aes(x = Faixa_Mensagem_Diaria, y = Faixa_Etaria, fill = Proporcao_mensagem)) +
  geom_tile() +
  geom_text(aes(label = sprintf("%.1f%%", Proporcao_mensagem)), color = "white", size = 4) + # Adiciona porcentagem
  scale_fill_gradient(low = "lightblue", high = "darkblue", name = "Proporção (%)") +
  labs(title = "Mapa de Calor: Tempo Diário com Mensagens por Faixa Etária",
       x = "Faixa de Tempo com Mensagens",
       y = "Faixa Etária") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

# Criar a nova categoria "Media_sono"
social_media_entertainment <- social_media_entertainment %>%
  mutate(Media_sono = case_when(
    Average.Sleep.Time..hrs. >= 4 & Average.Sleep.Time..hrs. < 5 ~ "4-5 horas",
    Average.Sleep.Time..hrs. >= 5 & Average.Sleep.Time..hrs. < 6 ~ "5-6 horas",
    Average.Sleep.Time..hrs. >= 6 & Average.Sleep.Time..hrs. < 7 ~ "6-7 horas",
    Average.Sleep.Time..hrs. >= 7 & Average.Sleep.Time..hrs. < 8 ~ "7-8 horas",
    Average.Sleep.Time..hrs. >= 8 & Average.Sleep.Time..hrs. <= 9 ~ "8-9 horas"
  ))

# Criar a tabela de contagem para análise cruzada
tabela_sono <- social_media_entertainment %>%
  count(Faixa_Etaria, Media_sono) %>%
  group_by(Faixa_Etaria) %>%
  mutate(Proporcao_sono = n / sum(n) * 100)

# Gerar o mapa de calor
ggplot(tabela_sono, aes(x = Media_sono, y = Faixa_Etaria, fill = Proporcao_sono)) +
  geom_tile() +
  scale_fill_gradient(low = "lightblue", high = "darkblue", name = "Proporção (%)") +
  labs(title = "Mapa de Calor: Média de Sono por Faixa Etária",
       x = "Média de Sono",
       y = "Faixa Etária") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

# Criando a nova categoria "Media_atividade_fisica"
social_media_entertainment <- social_media_entertainment %>%
  mutate(Media_atividade_fisica = case_when(
    Physical.Activity.Time..hrs. == 0.00 ~ "Não faz",
    Physical.Activity.Time..hrs. > 0.00 & Physical.Activity.Time..hrs. <= 0.50 ~ "Até 30 minutos",
    Physical.Activity.Time..hrs. > 0.50 & Physical.Activity.Time..hrs. <= 1.00 ~ "30m - 1h",
    Physical.Activity.Time..hrs. > 1.00 & Physical.Activity.Time..hrs. <= 1.50 ~ "1h - 1h30",
    Physical.Activity.Time..hrs. > 1.50 & Physical.Activity.Time..hrs. <= 2.00 ~ "1h30 - 2h",
    Physical.Activity.Time..hrs. > 2.00 & Physical.Activity.Time..hrs. <= 3.00 ~ "Mais de 2 horas"
  ))

# Transformando em fator para ordenar as categorias no gráfico
social_media_entertainment <- social_media_entertainment %>%
  mutate(Media_atividade_fisica = factor(
    Media_atividade_fisica,
    levels = c("Não faz", "Até 30 minutos", "30m - 1h", "1h - 1h30", "1h30 - 2h", "Mais de 2 horas")
  ))

# Criando a tabela de contagem e calculando a proporção corretamente por faixa etária
tabela_atividadeFisica <- social_media_entertainment %>%
  count(Faixa_Etaria, Media_atividade_fisica) %>%
  group_by(Faixa_Etaria) %>%
  mutate(Proporcao_atividadeFisica = (n / sum(n)) * 100)

# Criando o mapa de calor
ggplot(tabela_atividadeFisica, aes(x = Media_atividade_fisica, y = Faixa_Etaria, fill = Proporcao_atividadeFisica)) +
  geom_tile() +
  geom_text(aes(label = sprintf("%.1f%%", Proporcao_atividadeFisica)), color = "white", size = 4) + # Adiciona porcentagem
  scale_fill_gradient(low = "lightblue", high = "darkblue") +
  labs(
    title = "Mapa de Calor: Média de Atividade Física por Faixa Etária",
    x = "Média de Atividade Física",
    y = "Faixa Etária",
    fill = "Proporção (%)"
  ) +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

5. Interesses e objetivos no uso das redes sociais

# Criando a tabela de contagem para análise cruzada
tabela_conteudo <- social_media_entertainment %>%
  count(Faixa_Etaria, Preferred.Content.Type) %>%
  group_by(Faixa_Etaria) %>%
  mutate(Proporcao_conteudo = (n / sum(n)) * 100)

# Criando o mapa de calor
ggplot(tabela_conteudo, aes(x = Preferred.Content.Type, y = Faixa_Etaria, fill = Proporcao_conteudo)) +
  geom_tile() +
  geom_text(aes(label = sprintf("%.1f%%", Proporcao_conteudo)), color = "white", size = 4) + # Adiciona porcentagem
  scale_fill_gradient(low = "lightblue", high = "darkblue", name = "Proporção (%)") +
  labs(
    title = "Mapa de Calor: Tipo de Conteúdo Preferido por Faixa Etária",
    x = "Tipo de Conteúdo",
    y = "Faixa Etária"
  ) +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

# Criando a tabela de contagem para análise cruzada
tabela_objetivo <- social_media_entertainment %>%
  count(Faixa_Etaria, Primary.Social.Media.Goal) %>%
  group_by(Faixa_Etaria) %>%
  mutate(Proporcao_objetivo = (n / sum(n)) * 100)

# Criando o mapa de calor
ggplot(tabela_objetivo, aes(x = Primary.Social.Media.Goal, y = Faixa_Etaria, fill = Proporcao_objetivo)) +
  geom_tile() +
  geom_text(aes(label = sprintf("%.1f%%", Proporcao_objetivo)), color = "white", size = 4) +  # Adiciona porcentagem
  scale_fill_gradient(low = "lightblue", high = "darkblue", name = "Proporção (%)") +
  labs(
    title = "Mapa de Calor: Objetivo do Uso das Mídias Sociais por Faixa Etária",
    x = "Objetivo do Uso das Mídias Sociais",
    y = "Faixa Etária"
  ) +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

Comparação de objetivos das mídias sociais por País

Vamos utilizar o mapa de calor semelhante ao que vimos, mas agora iremos segmentar também a categoria Country.

# Criando a tabela de contagem para análise cruzada entre Faixa Etária, Objetivo e País
tabela_objetivo_pais <- social_media_entertainment %>%
  count(Country, Faixa_Etaria, Primary.Social.Media.Goal) %>%
  group_by(Country, Faixa_Etaria) %>%
  mutate(Proporcao = (n / sum(n)) * 100)

# Criando o mapa de calor
ggplot(tabela_objetivo_pais, aes(x = Primary.Social.Media.Goal, y = Faixa_Etaria, fill = Proporcao)) +
  geom_tile() +
  geom_text(aes(label = sprintf("%.1f%%", Proporcao)), color = "white", size = 2) +
  scale_fill_gradient(low = "lightblue", high = "darkblue", name = "Proporção (%)") +
  facet_wrap(~Country) +  # Separar os gráficos por país
  labs(
    title = "Mapa de Calor: Objetivo do Uso das Mídias Sociais por Faixa Etária e País",
    x = "Objetivo do Uso",
    y = "Faixa Etária"
  ) +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

Comparação de tipo de conteúdo preferido por País

# Criando a tabela de contagem para análise cruzada entre Faixa Etária, Tipo de Conteúdo e País
tabela_conteudo_pais <- social_media_entertainment %>%
  count(Country, Faixa_Etaria, Preferred.Content.Type) %>%
  group_by(Country, Faixa_Etaria) %>%
  mutate(Proporcao_conteudo = (n / sum(n)) * 100)

# Criando o mapa de calor
ggplot(tabela_conteudo_pais, aes(x = Preferred.Content.Type, y = Faixa_Etaria, fill = Proporcao_conteudo)) +
  geom_tile() +
  geom_text(aes(label = sprintf("%.1f%%", Proporcao_conteudo)), color = "white", size = 2) +
  scale_fill_gradient(low = "lightblue", high = "darkblue", name = "Proporção (%)") +
  facet_wrap(~Country) +  # Separar os gráficos por país
  labs(
    title = "Mapa de Calor: Tipo de Conteúdo Preferido por Faixa Etária e País",
    x = "Tipo de Conteúdo",
    y = "Faixa Etária"
  ) +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

Análise de comportamento de consumo de entretenimento por nacionalidade e faixa etária

Dessa maneira conseguimos verificar se países diferentes têm impactos distintos dda qualidade do sono das pessoas, mediante ao tempo de tela.

# Criar uma tabela de contagem cruzada entre as categorias
tabela_entretenimento <- social_media_entertainment %>%
  count(Country, Faixa_Etaria, Preferred.Entertainment.Platform, Preferred.Device.for.Entertainment) %>%
  group_by(Country, Faixa_Etaria) %>%
  mutate(Proporcao = (n / sum(n)) * 100)

# Criar um gráfico de facetamento por País e Faixa Etária
ggplot(tabela_entretenimento, aes(x = Preferred.Entertainment.Platform, y = Preferred.Device.for.Entertainment, fill = Proporcao)) +
  geom_tile() +
  geom_text(aes(label = sprintf("%.1f%%", Proporcao)), color = "white", size = 1) + # Adiciona os valores
  scale_fill_gradient(low = "lightblue", high = "darkblue", name = "Proporção (%)") +
  labs(
    title = "Preferência de Entretenimento por Plataforma e Dispositivo",
    x = "Plataforma de Entretenimento",
    y = "Dispositivo Preferido"
  ) +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 90, hjust = 1)) +
  facet_grid(Country ~ Faixa_Etaria) # Separar por País e Faixa Etária

Conclusão final

O objetivo desta análise foi compreender as correlações entre tempo médio de tela, qualidade do sono, nacionalidade e faixa etária, entre outras categorias, além de investigar como diferentes grupos demográficos consomem entretenimento digital em distintas plataformas e dispositivos. Em um contexto onde a tecnologia e o consumo de mídia digital estão cada vez mais presentes no cotidiano, sempre é bom buscar fornecer uma visão detalhada sobre os padrões de uso e seus possíveis impactos no bem-estar.

Para abordar essa questão, utilizamos o dataset “social_media_entertainment”, que contém informações detalhadas sobre hábitos digitais de diversos públicos. Aplicamos técnicas para conseguir filtrar esses dados e utilizamos da visualização de dados para identificar padrões entre o tempo de tela diário, a qualidade do sono, a influência da idade, localização geográfica, entre outros critérios. Além disso, analisamos como diferentes faixas etárias em distintos países preferem consumir entretenimento e em quais dispositivos preferidos por cada grupo.