Caso Cyclistic
Felipe Vicencio
2025-05-20
Introducción
Este documento es mi primer proyecto para poner en práctica mis habilidades como Data Analyst. Los ejercicios fueron entregados por la plataforma de estudios Coursera.
¿Qué veremos?
- Descripción del proyecto
- Carga de archivos
- Limpieza de datos
- Explorando los datos
- Visualización
- Conclusiones
Proyecto
Cyclistic es un servicio de renta ficticio de bicicletas públicas en Chicago que incluye 5.800 bicicletas y 600 estaciones. La directora de marketing cree que el éxito futuro de la empresa depende de incrementar la cantidad de membresías anuales. Para esto, necesitan conocer a los ciclistas ocasionales y cómo abordarlos publicitariamente.
¿Cómo lograr el éxito de un negocio de arriendo de bicicletas?
Preguntas fundamentales
¿Cuál es la diferencia entre usuarios casuales y miembros?
¿Por qué los ciclistas casuales querrían ser miembros?
¿Cómo puede Cyclistic usar los medios digitales para incitar a los ciclistas casuales a convertirse en miembros?
Paquetes necesarios
if(!require(tidyverse)) install.packages("tidyverse")## Loading required package: tidyverse## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ readr 2.1.5
## ✔ forcats 1.0.0 ✔ stringr 1.5.1
## ✔ ggplot2 3.5.1 ✔ tibble 3.2.1
## ✔ lubridate 1.9.4 ✔ tidyr 1.3.1
## ✔ purrr 1.0.4
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorsif(!require(ggplot2)) install.packages("ggplot2")
library(tidyverse)
library(ggplot2)
library(skimr)
library(lubridate)Carga de archivos
# Establecemos la carpeta que contiene los archivos
setwd("/Users/buger/Documents/Análisis_de_datos/Caso_Cyclistic")
# Obtener lista de archivos CSV
archivos <- list.files(pattern = "\\.csv$")
# Acá queremos verificar si las columnas de nuestros archivos son iguales
# Extraer nombres de columnas de cada archivo
columnas_por_archivo <- map(archivos, ~names(read_csv(.x, n_max = 0)))
# Crear un resumen
resumen_columnas <- tibble(
archivo = archivos,
columnas = map(columnas_por_archivo, ~paste(sort(.x), collapse = ", "))
)
# Mostrar diferencias entre columnas. Si indica nª 12, son iguales.
resumen_columnas %>%
count(columnas) %>%
arrange(desc(n))## # A tibble: 1 × 2
## columnas n
## <list> <int>
## 1 <chr [1]> 12# Unimos los archivos
# Una vez comprobado que son compatibles, unimos los archivos.
datos_combinados <- list.files(pattern = "\\d+-divvy-tripdata\\.csv$") %>%
map_dfr(~read_csv(.x, show_col_types = FALSE))
# Comprobamos nuestros datos
glimpse(datos_combinados)## Rows: 5,779,568
## Columns: 13
## $ ride_id <chr> "743252713F32516B", "BE90D33D2240C614", "D47BBDDE7C…
## $ rideable_type <chr> "classic_bike", "electric_bike", "classic_bike", "c…
## $ started_at <dttm> 2024-04-22 19:08:21, 2024-04-11 06:19:24, 2024-04-…
## $ ended_at <dttm> 2024-04-22 19:12:56, 2024-04-11 06:22:21, 2024-04-…
## $ start_station_name <chr> "Aberdeen St & Jackson Blvd", "Aberdeen St & Jackso…
## $ start_station_id <chr> "13157", "13157", "TA1307000107", "13157", "TA13070…
## $ end_station_name <chr> "Desplaines St & Jackson Blvd", "Desplaines St & Ja…
## $ end_station_id <chr> "15539", "15539", "13249", "15539", "TA1308000029",…
## $ start_lat <dbl> 41.87773, 41.87772, 41.96167, 41.87773, 41.96161, 4…
## $ start_lng <dbl> -87.65479, -87.65496, -87.65464, -87.65479, -87.654…
## $ end_lat <dbl> 41.87812, 41.87812, 41.95606, 41.87812, 41.88683, 4…
## $ end_lng <dbl> -87.64395, -87.64395, -87.66884, -87.64395, -87.622…
## $ member_casual <chr> "member", "member", "member", "member", "member", "…Limpieza y preparación de datos
# Creamos una columna para indicar el día, mes y hora del viaje
datos_combinados <- datos_combinados %>%
mutate(
hour_of_day = hour(started_at),
day_of_week = wday(started_at, label = TRUE),
month_name = month(started_at, label = TRUE, abbr = FALSE))# Agregamos una columna nueva con el tiempo de recorrido
datos_combinados <- datos_combinados %>%
mutate(ride_length = as.numeric(difftime(ended_at, started_at, units = "mins"))) %>%
mutate(ride_length = round(ride_length, 2))# Eliminamos los datos que pertenescan a la estación que no es real "HQ QR"
# además de los que tienen tiempo de recorrido negativo
datos_combinados <- datos_combinados[!(datos_combinados$start_station_name == "HQ QR" | datos_combinados$ride_length < 0),]
# Eliminamos las columnas que no sirven
datos_combinados <- datos_combinados %>%
select(-c(start_lat, start_lng, end_lat, end_lng))Ya que tenemos listos nuestros datos, comenzamos con la observación.
# Revisamos si se incluyeron las columnas
colnames(datos_combinados)## [1] "ride_id" "rideable_type" "started_at"
## [4] "ended_at" "start_station_name" "start_station_id"
## [7] "end_station_name" "end_station_id" "member_casual"
## [10] "hour_of_day" "day_of_week" "month_name"
## [13] "ride_length"glimpse(datos_combinados)## Rows: 5,779,391
## Columns: 13
## $ ride_id <chr> "743252713F32516B", "BE90D33D2240C614", "D47BBDDE7C…
## $ rideable_type <chr> "classic_bike", "electric_bike", "classic_bike", "c…
## $ started_at <dttm> 2024-04-22 19:08:21, 2024-04-11 06:19:24, 2024-04-…
## $ ended_at <dttm> 2024-04-22 19:12:56, 2024-04-11 06:22:21, 2024-04-…
## $ start_station_name <chr> "Aberdeen St & Jackson Blvd", "Aberdeen St & Jackso…
## $ start_station_id <chr> "13157", "13157", "TA1307000107", "13157", "TA13070…
## $ end_station_name <chr> "Desplaines St & Jackson Blvd", "Desplaines St & Ja…
## $ end_station_id <chr> "15539", "15539", "13249", "15539", "TA1308000029",…
## $ member_casual <chr> "member", "member", "member", "member", "member", "…
## $ hour_of_day <int> 19, 6, 11, 18, 19, 16, 7, 18, 20, 15, 18, 17, 22, 1…
## $ day_of_week <ord> Mon, Thu, Sat, Thu, Fri, Wed, Wed, Thu, Tue, Sat, T…
## $ month_name <ord> April, April, April, April, April, April, April, Ap…
## $ ride_length <dbl> 4.58, 2.95, 16.30, 3.77, 37.37, 5.13, 16.90, 6.03, …summary(datos_combinados$ride_length)## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## 0.0 5.7 10.0 18.3 17.9 1559.9 1091133table(datos_combinados$day_of_week)##
## Sun Mon Tue Wed Thu Fri Sat
## 619107 641757 641223 695859 661645 691107 737560# Son 5,779,391 de viajes registrados.
# El promedio de tiempo de viajes es de 18 minutos.
# Los sábados es cuando más se utiliza el servicio# Frecuencia de tipos de bicicleta
datos_combinados %>%
count(rideable_type)## # A tibble: 4 × 2
## rideable_type n
## <chr> <int>
## 1 classic_bike 2583585
## 2 electric_bike 2027985
## 3 electric_scooter 76688
## 4 <NA> 1091133# La bicicleta clásica es la que más se utiliza,
# seguida de la bicicleta eléctrica
# Frecuencia de tipos de usuarios
datos_combinados %>%
count(member_casual) %>%
mutate(porcentaje = n / sum(n) * 100)## # A tibble: 3 × 3
## member_casual n porcentaje
## <chr> <int> <dbl>
## 1 casual 1720682 29.8
## 2 member 2967576 51.3
## 3 <NA> 1091133 18.9# Los miembros equivalen al 51.3%
# Los usuarios casuales 29.8%# Promedio de viajes por miembros y no miembros
datos_combinados %>%
group_by(member_casual) %>%
summarise(mean(ride_length))## # A tibble: 3 × 2
## member_casual `mean(ride_length)`
## <chr> <dbl>
## 1 casual 27.7
## 2 member 12.8
## 3 <NA> NA# Tiempo promedio de uso por usuario
# Casual: 27 min
# Miembro: 12 min
# Promedio de viaje por tipo de usuario y día
datos_combinados %>%
group_by(member_casual, day_of_week) %>%
summarise(
duracion_promedio = mean(ride_length, na.rm = TRUE),
.groups = "drop"
) %>%
arrange(member_casual, day_of_week)## # A tibble: 15 × 3
## member_casual day_of_week duracion_promedio
## <chr> <ord> <dbl>
## 1 casual Sun 32.5
## 2 casual Mon 26.2
## 3 casual Tue 23.3
## 4 casual Wed 24.6
## 5 casual Thu 24.3
## 6 casual Fri 27.1
## 7 casual Sat 31.2
## 8 member Sun 14.4
## 9 member Mon 12.1
## 10 member Tue 12.2
## 11 member Wed 12.3
## 12 member Thu 12.3
## 13 member Fri 12.6
## 14 member Sat 14.3
## 15 <NA> <NA> NaN# Qué día se movilizan más
datos_combinados %>%
mutate(dia_semana = wday(started_at, label = TRUE, week_start = 1)) %>%
count(dia_semana, member_casual) %>%
drop_na() %>%
arrange(desc(n))## # A tibble: 14 × 3
## dia_semana member_casual n
## <ord> <chr> <int>
## 1 Wed member 483654
## 2 Tue member 458193
## 3 Thu member 453324
## 4 Mon member 437917
## 5 Fri member 429697
## 6 Sat member 378504
## 7 Sat casual 359056
## 8 Sun member 326287
## 9 Sun casual 292820
## 10 Fri casual 261410
## 11 Wed casual 212205
## 12 Thu casual 208321
## 13 Mon casual 203840
## 14 Tue casual 183030# Usuarios casuales: sábados.
# Miembros: miércoles.
# Frecuencia de viajes diarios
datos_combinados %>%
group_by(member_casual == "member", day_of_week) %>%
count(ride_length) %>%
drop_na() %>%
arrange(desc(n))## # A tibble: 152,486 × 4
## # Groups: member_casual == "member", day_of_week [14]
## `member_casual == "member"` day_of_week ride_length n
## <lgl> <ord> <dbl> <int>
## 1 TRUE Wed 4.88 505
## 2 TRUE Wed 4.9 500
## 3 TRUE Tue 4.17 493
## 4 TRUE Wed 4.87 490
## 5 TRUE Wed 4.92 483
## 6 TRUE Wed 5.72 483
## 7 TRUE Wed 4.63 477
## 8 TRUE Wed 4.45 476
## 9 TRUE Wed 4.7 475
## 10 TRUE Wed 5.02 473
## # ℹ 152,476 more rows# Rutas frecuentes
datos_combinados %>%
group_by(start_station_name, end_station_name) %>%
count(member_casual) %>%
arrange(desc(n)) %>%
drop_na()## # A tibble: 274,158 × 4
## # Groups: start_station_name, end_station_name [179,410]
## start_station_name end_station_name member_casual n
## <chr> <chr> <chr> <int>
## 1 Streeter Dr & Grand Ave Streeter Dr & Grand Ave casual 8705
## 2 DuSable Lake Shore Dr & Monroe St DuSable Lake Shore Dr … casual 7099
## 3 DuSable Lake Shore Dr & Monroe St Streeter Dr & Grand Ave casual 5203
## 4 State St & 33rd St Calumet Ave & 33rd St member 5104
## 5 Calumet Ave & 33rd St State St & 33rd St member 5083
## 6 Michigan Ave & Oak St Michigan Ave & Oak St casual 4597
## 7 Ellis Ave & 60th St Ellis Ave & 55th St member 3991
## 8 Ellis Ave & 55th St Ellis Ave & 60th St member 3758
## 9 Ellis Ave & 60th St University Ave & 57th … member 3718
## 10 University Ave & 57th St Ellis Ave & 60th St member 3710
## # ℹ 274,148 more rows# Los usuarios casuales parten y terminan en la misma estación.
# Posiblemente la usan solo para pasear
# Horas en las que más se usa la bicicleta
# Todos los usuarios
datos_combinados %>%
group_by(member_casual) %>%
count(hour_of_day) %>%
arrange(desc(n)) %>%
drop_na()## # A tibble: 48 × 3
## # Groups: member_casual [2]
## member_casual hour_of_day n
## <chr> <int> <int>
## 1 member 17 321298
## 2 member 16 278068
## 3 member 18 246997
## 4 member 8 212871
## 5 member 15 198519
## 6 member 19 170537
## 7 member 7 167112
## 8 casual 17 166717
## 9 member 12 162369
## 10 member 14 161308
## # ℹ 38 more rows# La hora pic es a las 17:00hrs
# Usuarios casuales
datos_combinados %>%
filter(member_casual == "casual") %>%
group_by(member_casual) %>%
count(hour_of_day) %>%
arrange(desc(n)) %>%
drop_na()## # A tibble: 24 × 3
## # Groups: member_casual [1]
## member_casual hour_of_day n
## <chr> <int> <int>
## 1 casual 17 166717
## 2 casual 16 154186
## 3 casual 18 140442
## 4 casual 15 135513
## 5 casual 14 124006
## 6 casual 13 119889
## 7 casual 12 115692
## 8 casual 19 100338
## 9 casual 11 99447
## 10 casual 10 78101
## # ℹ 14 more rows# Los miembros casuales también tienen como hora pic las 17:00 hrs.
# Uso del servicio mensualmente
# Miembros
datos_combinados %>%
group_by(month_name) %>%
count(member_casual) %>%
filter(member_casual == "member") %>%
arrange(member_casual, desc(n))## # A tibble: 12 × 3
## # Groups: month_name [12]
## month_name member_casual n
## <ord> <chr> <int>
## 1 September member 373058
## 2 August member 356122
## 3 July member 349961
## 4 October member 329547
## 5 June member 327342
## 6 May member 310372
## 7 April member 231991
## 8 November member 201053
## 9 March member 172144
## 10 December member 116932
## 11 February member 103125
## 12 January member 95929# Mayormente en Septiembre y poco en Enero
# Usuarios casuales
datos_combinados %>%
group_by(month_name) %>%
count(member_casual) %>%
filter(member_casual == "casual") %>%
arrange(member_casual, desc(n))## # A tibble: 12 × 3
## # Groups: month_name [12]
## month_name member_casual n
## <ord> <chr> <int>
## 1 July casual 262097
## 2 August casual 259014
## 3 September casual 258743
## 4 June casual 239369
## 5 May casual 190237
## 6 October casual 179598
## 7 April casual 108215
## 8 November casual 77763
## 9 March casual 70643
## 10 December casual 32287
## 11 February casual 22845
## 12 January casual 19871# Julio, agosto y Septiembre.Explorando los datos
En total tenemos 5,779,391 viajes registrados.
Cómo se dividen los clientes:
Los miembros equivalen al 51.3%
Los usuarios casuales 29.8%
Los usuarios casuales parten y terminan en la misma estación. Posiblemente utilizan la bicicleta solo para pasear
Los usuarios casuales se mueven mayormente los sábados, mientras que los miembros, los miércoles.
Tiempo de uso promedio:
Usuarios casuales: 27 min.
Miembros: 12 min.
La hora pic del servicio es a las 17:00hrs. por parte de ambos usuarios.
Julio, agosto y Septiembre, son los meses donde más se usa el servicio, es decir, en verano.
Visualización
datos_combinados %>%
filter(!is.na(member_casual) & !is.na(rideable_type)) %>% # Excluye NA en ambas variables
ggplot(aes(x = member_casual, fill = rideable_type)) +
geom_bar(position = "dodge") +
labs(
title = "Uso de bicicletas por tipo de usuario",
x = "Tipo de usuario",
y = "Número de viajes",
fill = "Tipo de bicicleta"
) +
theme_minimal() +
labs(caption = "Fuente: Divvy Bikes, 2024")
datos_combinados %>%
mutate(mes = floor_date(started_at, "month")) %>%
count(mes, member_casual) %>%
drop_na() %>%
ggplot(aes(x = mes, y = n, color = member_casual)) +
geom_line(linewidth = 1) +
geom_point() +
labs(title = "Uso anual por tipo de usuario",
x = "Mes", y = "Viajes") +
labs(caption = "Fuente: Divvy Bikes, 2024")
datos_combinados %>%
mutate(dia_semana = wday(started_at, label = TRUE, week_start = 1)) %>%
count(dia_semana, member_casual) %>%
drop_na() %>%
ggplot(aes(x = dia_semana, y = n, fill = member_casual)) +
geom_col(position = "dodge") +
labs(title = "Uso semanal por tipo de usuario",
x = "Día de la semana", y = "Viajes") +
labs(caption = "Fuente: Divvy Bikes, 2024")
Conclusiones
Las principales caracteristicas de los usuarios casuales, a quienes queremos alcanzar, son:
Equivalen al 29% de los usuarios totales, usan en su mayoría la bicicleta para pasear y mayormente los sábados, a las 17:00hrs, entre Julio y Septiembre.
Se les puede ofrecer planes más flexibles para motivar el paseo durante el fin de semana o la movilización durante esos 3 meses.
Los datos han sido proporcionados por Motivate International Inc. bajo esta licencia.