Análisis descriptivo de reseñas de cerveza

Author

Gabriela Velasco Dávila

Introducción

Este informe presenta un análisis descriptivo de las reseñas de cerveza contenidas en la base de datos beer2. El propósito es identificar los principales patrones relacionados con las características de las cervezas y las valoraciones expresadas por los consumidores.

Carga y revisión inicial de la base de datos

[1] 1586614      15
 [1] "id"             "marca"          "precio"         "alcohol"       
 [5] "carbohidratos"  "calorias"       "nacionalidad"   "calificacion"  
 [9] "aroma"          "apariencia"     "paladar"        "sabor"         
[13] "nombre_cerveza" "tipo"           "origen"        
Rows: 1,586,614
Columns: 15
$ id             <dbl> 47986, 48213, 48215, 47969, 64883, 52159, 52159, 52159,…
$ marca          <chr> "Vecchio Birraio", "Vecchio Birraio", "Vecchio Birraio"…
$ precio         <dbl> 4.99, 4.45, 4.95, 5.58, 3.90, 5.07, 5.07, 5.07, 5.07, 5…
$ alcohol        <dbl> 13.75, 16.90, 17.67, 13.75, 20.69, 12.95, 12.95, 12.95,…
$ carbohidratos  <dbl> 11.5, 14.2, 15.0, 10.5, 15.2, 12.1, 12.1, 12.1, 12.1, 1…
$ calorias       <dbl> 148, 181, 190, 144, 212, 145, 145, 145, 145, 145, 112, …
$ nacionalidad   <chr> "Canadá", "Canadá", "Canadá", "Canadá", "Canadá", "Cana…
$ calificacion   <dbl> 1.5, 3.0, 3.0, 3.0, 4.0, 3.0, 3.5, 3.0, 4.0, 4.5, 3.0, …
$ aroma          <dbl> 2.0, 2.5, 2.5, 3.0, 4.5, 3.5, 3.5, 2.5, 3.0, 3.5, 2.0, …
$ apariencia     <dbl> 2.5, 3.0, 3.0, 3.5, 4.0, 3.5, 3.5, 3.5, 3.5, 5.0, 3.0, …
$ paladar        <dbl> 1.5, 3.0, 3.0, 2.5, 4.0, 3.0, 4.0, 2.0, 3.5, 4.0, 2.5, …
$ sabor          <dbl> 1.5, 3.0, 3.0, 3.0, 4.5, 3.5, 4.0, 3.5, 4.0, 4.0, 2.5, …
$ nombre_cerveza <chr> "Sausa Weizen", "Red Moon", "Black Horse Black Beer", "…
$ tipo           <chr> "clara artesanal", "cerveza normal y helada", "cerveza …
$ origen         <chr> "importada", "importada", "importada", "importada", "im…
[1] 0
            id          marca         precio        alcohol  carbohidratos 
             0              0              0              0              0 
      calorias   nacionalidad   calificacion          aroma     apariencia 
             0              0              0              0              0 
       paladar          sabor nombre_cerveza           tipo         origen 
             0              0              0              0              0 
[1] 66055

La base de datos contiene 1.586.614 reseñas y 15 variables. Cada registro corresponde a una reseña, por lo que un mismo producto puede estar representado en múltiples observaciones. Se identificaron 66.055 valores distintos en la variable id. Asimismo, se verificó la ausencia de datos faltantes en las 15 variables, por lo que no fue necesario realizar procedimientos de imputación o eliminación de observaciones por este motivo.

Clasificación de las variables

De acuerdo con su naturaleza y con la descripción suministrada para la base de datos, las variables se clasifican de la siguiente manera:

Variable Clasificación
id Identificador numérico, no constituye una variable estadística de interés
marca Cualitativa nominal
precio Cuantitativa continua
alcohol Cuantitativa continua
carbohidratos Cuantitativa continua
calorias Cuantitativa discreta
nacionalidad Cualitativa nominal
calificacion Cualitativa ordinal
aroma Cualitativa ordinal
apariencia Cualitativa ordinal
paladar Cualitativa ordinal
sabor Cualitativa ordinal
nombre_cerveza Cualitativa nominal
tipo Cualitativa nominal
origen Cualitativa nominal dicotómica

La variable id se utiliza únicamente para identificar la cerveza reseñada, por lo que no se calcularán indicadores descriptivos sobre ella. Las variables de valoración (calificacion, aroma, apariencia, paladar y sabor) se analizarán como variables cualitativas ordinales, aun cuando R pueda almacenarlas internamente en formato numérico.

Análisis de variables cualitativas

Origen de la cerveza

Distribución de las reseñas según el origen de la cerveza
Origen Frecuencia absoluta Frecuencia relativa Porcentaje (%)
importada 1412449 0.8902 89.02
nacional 174165 0.1098 10.98

La distribución de las reseñas según el origen muestra un predominio de las cervezas importadas. De las 1.586.614 reseñas analizadas, 1.412.449 corresponden a cervezas importadas, equivalentes al 89,02 % del total, mientras que 174.165 corresponden a cervezas nacionales, con una participación del 10,98 %. En consecuencia, la moda de la variable origen es importada. Esta composición evidencia que las reseñas de la base se concentran principalmente en productos importados, aspecto que debe tenerse presente al interpretar comparaciones posteriores entre ambos grupos.

Tipo de cerveza

Distribución de las reseñas según el tipo de cerveza
Tipo Frecuencia absoluta Frecuencia relativa Porcentaje (%)
cerveza normal y helada 839088 0.5289 52.89
clara artesanal 483464 0.3047 30.47
lager importada 219194 0.1382 13.82
lager artesanal 22725 0.0143 1.43
baja en calorías / sin alcohol 22143 0.0140 1.40

La distribución de las reseñas según el tipo de cerveza muestra que la categoría más frecuente es cerveza normal y helada, con 839.088 registros, equivalentes al 52,89 % del total, por lo que constituye la moda de la variable. Le siguen las cervezas claras artesanales, con 483.464 reseñas (30,47 %), y las lager importadas, con 219.194 (13,82 %). En contraste, las categorías lager artesanal y baja en calorías/sin alcohol presentan una participación considerablemente menor, con 1,43 % y 1,40 %, respectivamente. Por tanto, la base presenta una mayor concentración de reseñas en las categorías cerveza normal y helada y clara artesanal, aspecto que debe considerarse al realizar comparaciones posteriores entre tipos de cerveza.

Nacionalidad de la cervecería

Distribución de las reseñas según la nacionalidad de la cervecería
Nacionalidad Frecuencia absoluta Frecuencia relativa Porcentaje (%)
Austria 201941 0.1273 12.73
Bélgica 188677 0.1189 11.89
Francia 181574 0.1144 11.44
Estados Unidos 174165 0.1098 10.98
Inglaterra 162644 0.1025 10.25
Canadá 159508 0.1005 10.05
Japón 155273 0.0979 9.79
Alemania 121684 0.0767 7.67
Irlanda 120742 0.0761 7.61
República Checa 120406 0.0759 7.59

Marca

Diez marcas con mayor frecuencia de reseñas
Marca Frecuencia absoluta Frecuencia relativa Porcentaje (%)
Boston Beer Company (Samuel Adams) 39444 0.0249 2.49
Dogfish Head Brewery 33839 0.0213 2.13
Stone Brewing Co. 33066 0.0208 2.08
Sierra Nevada Brewing Co. 28751 0.0181 1.81
Bell’s Brewery, Inc. 25191 0.0159 1.59
Rogue Ales 24083 0.0152 1.52
Founders Brewing Company 20004 0.0126 1.26
Victory Brewing Company 19479 0.0123 1.23
Lagunitas Brewing Company 16837 0.0106 1.06
Avery Brewing Company 16107 0.0102 1.02

La variable marca presenta 5.743 categorías diferentes, por lo que, con el fin de facilitar la lectura del informe, la tabla muestra únicamente las diez marcas con mayor frecuencia de reseñas. La moda corresponde a Boston Beer Company (Samuel Adams), con 39.444 reseñas, equivalentes al 2,49 % del total. Le siguen Dogfish Head Brewery, con 33.839 reseñas (2,13 %), y Stone Brewing Co., con 33.066 (2,08 %). A pesar de ser la categoría modal, Boston Beer Company (Samuel Adams) concentra una proporción relativamente pequeña del total de observaciones, lo que evidencia que las reseñas se encuentran distribuidas entre un número amplio de marcas. Por tanto, no se observa una concentración dominante de las reseñas en una única marca.

Nombre de la cerveza

Diez cervezas con mayor frecuencia de reseñas
Nombre de la cerveza Frecuencia absoluta Frecuencia relativa Porcentaje (%)
90 Minute IPA 3290 0.0021 0.21
India Pale Ale 3130 0.0020 0.20
Old Rasputin Russian Imperial Stout 3111 0.0020 0.20
Sierra Nevada Celebration Ale 3000 0.0019 0.19
Two Hearted Ale 2728 0.0017 0.17
Arrogant Bastard Ale 2704 0.0017 0.17
Stone Ruination IPA 2704 0.0017 0.17
Sierra Nevada Pale Ale 2587 0.0016 0.16
Stone IPA (India Pale Ale) 2575 0.0016 0.16
Pliny The Elder 2527 0.0016 0.16

La variable nombre_cerveza presenta una alta diversidad, con 56.857 nombres de cerveza diferentes en la base de datos. La cerveza con mayor frecuencia de reseñas es 90 Minute IPA, con 3.290 observaciones, equivalentes aproximadamente al 0,21 % del total. Le siguen India Pale Ale, con 3.130 reseñas (0,20 %), y Old Rasputin Russian Imperial Stout, con 3.111 (0,20 %). Aunque 90 Minute IPA constituye la moda de esta variable, su participación porcentual es baja debido a la gran cantidad de cervezas diferentes presentes en la base. Esto evidencia una distribución ampliamente diversificada de las reseñas entre numerosos productos.

Identificador de la cerveza. La variable id funciona exclusivamente como identificador del producto y, por tanto, no se considera una variable estadística de interés para el análisis descriptivo. En la base se identificaron 66.055 valores distintos de id entre las 1.586.614 reseñas. La repetición de un mismo identificador en diferentes filas confirma que una misma cerveza puede contar con múltiples reseñas. En consecuencia, esta variable se utiliza únicamente para reconocer los productos y se excluye del cálculo de medidas descriptivas.

Calificación

Distribución de las reseñas según la calificación general
Calificación Frecuencia absoluta Frecuencia relativa Porcentaje (%)
0.0 7 0.0000 0.00
1.0 10954 0.0069 0.69
1.5 12975 0.0082 0.82
2.0 38225 0.0241 2.41
2.5 58523 0.0369 3.69
3.0 165644 0.1044 10.44
3.5 301817 0.1902 19.02
4.0 582764 0.3673 36.73
4.5 324385 0.2045 20.45
5.0 91320 0.0576 5.76

La distribución de la calificación general evidencia una concentración de las reseñas en valoraciones relativamente altas. La categoría más frecuente es 4,0, con 582.764 reseñas, equivalentes al 36,73 % del total, por lo que constituye la moda de la variable. Asimismo, las calificaciones entre 3,5 y 5,0 reúnen aproximadamente el 81,96 % de las observaciones. En contraste, las valoraciones inferiores a 3,0 presentan una participación considerablemente menor. Estos resultados sugieren que, dentro de la base analizada, las experiencias generales registradas por los consumidores tienden a ubicarse en los niveles superiores de la escala de valoración. Este resultado es descriptivo y no implica que alguna característica específica de las cervezas sea la causa de dichas calificaciones.

Aroma

Distribución de las reseñas según la valoración del aroma
Aroma Frecuencia absoluta Frecuencia relativa Porcentaje (%)
1.0 6873 0.0043 0.43
1.5 12524 0.0079 0.79
2.0 42566 0.0268 2.68
2.5 66359 0.0418 4.18
3.0 200030 0.1261 12.61
3.5 365312 0.2302 23.02
4.0 557383 0.3513 35.13
4.5 271450 0.1711 17.11
5.0 64117 0.0404 4.04

La valoración del aroma se concentra principalmente en los niveles superiores de la escala. La puntuación más frecuente es 4,0, con 557.383 reseñas, equivalentes al 35,13 % del total, por lo que constituye la moda de la variable. Además, las valoraciones comprendidas entre 3,5 y 5,0 reúnen el 79,30 % de las observaciones. En contraste, las puntuaciones más bajas presentan una participación reducida. En términos descriptivos, estos resultados muestran que las reseñas de la base tienden a registrar valoraciones favorables del aroma de las cervezas, sin que ello permita establecer relaciones causales con otras características de los productos.

Apariencia

Distribución de las reseñas según la valoración de la apariencia
Apariencia Frecuencia absoluta Frecuencia relativa Porcentaje (%)
0.0 7 0.0000 0.00
1.0 3323 0.0021 0.21
1.5 6147 0.0039 0.39
2.0 25414 0.0160 1.60
2.5 39493 0.0249 2.49
3.0 166009 0.1046 10.46
3.5 318529 0.2008 20.08
4.0 674186 0.4249 42.49
4.5 288108 0.1816 18.16
5.0 65398 0.0412 4.12

La valoración de la apariencia presenta una marcada concentración en los niveles superiores de la escala. La puntuación más frecuente es 4,0, con 674.186 reseñas, equivalentes al 42,49 % del total, por lo que constituye la moda de la variable. Asimismo, las puntuaciones comprendidas entre 3,5 y 5,0 concentran aproximadamente el 84,85 % de las observaciones. En contraste, las valoraciones inferiores a 3,0 representan una proporción reducida de las reseñas. En términos descriptivos, la apariencia constituye un atributo generalmente bien valorado entre las cervezas reseñadas en esta base, aunque estos resultados no permiten establecer relaciones causales.

Paladar

Distribución de las reseñas según la valoración del paladar
Paladar Frecuencia absoluta Frecuencia relativa Porcentaje (%)
1.0 6874 0.0043 0.43
1.5 11045 0.0070 0.70
2.0 38333 0.0242 2.42
2.5 62842 0.0396 3.96
3.0 206932 0.1304 13.04
3.5 338585 0.2134 21.34
4.0 606711 0.3824 38.24
4.5 253102 0.1595 15.95
5.0 62190 0.0392 3.92

La valoración del paladar se concentra principalmente en los niveles superiores de la escala. La puntuación más frecuente es 4,0, con 606.711 reseñas, equivalentes al 38,24 % del total, por lo que constituye la moda de la variable. Asimismo, las puntuaciones comprendidas entre 3,5 y 5,0 representan aproximadamente el 79,45 % de las observaciones. Las valoraciones inferiores a 3,0 presentan una participación considerablemente menor. En términos descriptivos, los resultados indican que la sensación en el paladar tiende a recibir valoraciones favorables dentro de las reseñas analizadas, sin que ello permita establecer relaciones causales con otras características de las cervezas.

Sabor

Distribución de las reseñas según la valoración del sabor
Sabor Frecuencia absoluta Frecuencia relativa Porcentaje (%)
1.0 9991 0.0063 0.63
1.5 15128 0.0095 0.95
2.0 41992 0.0265 2.65
2.5 66534 0.0419 4.19
3.0 166860 0.1052 10.52
3.5 324541 0.2045 20.45
4.0 541429 0.3412 34.12
4.5 336162 0.2119 21.19
5.0 83977 0.0529 5.29

La valoración del sabor presenta una concentración importante en los niveles superiores de la escala. La puntuación más frecuente es 4,0, con 541.429 reseñas, equivalentes al 34,12 % del total, por lo que constituye la moda de la variable. Además, las valoraciones comprendidas entre 3,5 y 5,0 representan el 81,05 % de las observaciones. En contraste, las puntuaciones más bajas presentan frecuencias considerablemente menores. En términos descriptivos, estos resultados muestran que las reseñas analizadas tienden a presentar valoraciones favorables del sabor.

Moda de las variables cualitativas y ordinales

Moda de las variables cualitativas y ordinales
Variable Moda
Origen importada
Tipo de cerveza cerveza normal y helada
Nacionalidad Austria
Marca Boston Beer Company (Samuel Adams)
Nombre de la cerveza 90 Minute IPA
Calificación 4
Aroma 4
Apariencia 4
Paladar 4
Sabor 4

Las modas permiten identificar las categorías que aparecen con mayor frecuencia en las reseñas analizadas. Predominan las cervezas de origen importado y el tipo “cerveza normal y helada”. Austria es la nacionalidad más frecuente, Boston Beer Company (Samuel Adams) es la marca con mayor presencia y 90 Minute IPA es el nombre de cerveza que más se repite. En cuanto a las variables ordinales relacionadas con la valoración del producto, la calificación general, el aroma, la apariencia, el paladar y el sabor presentan una moda de 4, lo que indica que esta es la valoración observada con mayor frecuencia en cada uno de estos atributos.

Análisis de variables cuantitativas

Precio

Medidas descriptivas de la variable precio
Medida Valor
Mínimo 2.37
Primer cuartil (Q1) 4.36
Mediana 5.00
Media 5.00
Tercer cuartil (Q3) 5.64
Máximo 7.72
Desviación estándar 0.89
Varianza 0.78
Rango intercuartílico 1.28
Rango 5.35

Distribución del precio

El histograma muestra que la distribución del precio presenta una forma aproximadamente simétrica y unimodal, con una mayor concentración de observaciones alrededor de 5. Esto coincide con las medidas descriptivas obtenidas, ya que tanto la media como la mediana son iguales a 5,00. La frecuencia disminuye progresivamente hacia los valores extremos, siendo poco frecuentes los precios cercanos al mínimo de 2,37 y al máximo de 7,72. En general, los precios se concentran principalmente alrededor de los valores centrales de la distribución.

Alcohol

Medidas descriptivas de la variable alcohol
Medida Valor
Mínimo 0.03
Primer cuartil (Q1) 14.28
Mediana 17.67
Media 18.71
Tercer cuartil (Q3) 22.63
Máximo 59.45
Desviación estándar 5.46
Varianza 29.77
Rango intercuartílico 8.35
Rango 59.42

Distribución del alcohol

El histograma muestra que el contenido de alcohol presenta una distribución asimétrica hacia la derecha. La mayor concentración de observaciones se encuentra en valores intermedios, mientras que la frecuencia disminuye a medida que aumenta el contenido de alcohol, formando una cola hacia los valores superiores. Esta asimetría también se refleja en las medidas descriptivas, ya que la media (18,71) es superior a la mediana (17,67). Además, el valor máximo de 59,45 se encuentra considerablemente alejado del tercer cuartil (22,63), lo que evidencia la presencia de valores altos poco frecuentes dentro de la distribución.

Carbohidratos

Medidas descriptivas de la variable carbohidratos
Medida Valor
Mínimo 3.50
Primer cuartil (Q1) 12.40
Mediana 13.80
Media 14.05
Tercer cuartil (Q3) 15.60
Máximo 30.20
Desviación estándar 2.38
Varianza 5.64
Rango intercuartílico 3.20
Rango 26.70

Distribución de carbohidratos

El histograma muestra que la distribución del contenido de carbohidratos se concentra principalmente alrededor de los valores centrales, especialmente entre aproximadamente 12 y 16. La media es de 14,05 y la mediana de 13,80, valores relativamente cercanos, aunque la media ligeramente superior sugiere una leve asimetría hacia la derecha. Esto también puede observarse en el histograma, donde la distribución presenta una cola que se extiende hacia valores altos. El 50 % central de las observaciones se encuentra entre 12,40 y 15,60, mientras que el valor máximo alcanza 30,20, considerablemente alejado del tercer cuartil. En general, la mayoría de las observaciones presentan contenidos de carbohidratos cercanos a los valores centrales, con algunos valores altos poco frecuentes.

Calorías

Medidas descriptivas de la variable calorías
Medida Valor
Mínimo 21.00
Primer cuartil (Q1) 157.00
Mediana 182.00
Media 193.20
Tercer cuartil (Q3) 224.00
Máximo 541.00
Desviación estándar 46.57
Varianza 2168.65
Rango intercuartílico 67.00
Rango 520.00

Distribución de calorías

El histograma muestra que la distribución de las calorías presenta asimetría hacia la derecha, ya que la mayor parte de las observaciones se concentra en valores relativamente bajos y medios, mientras que existe una cola que se extiende hacia valores más altos. Esta característica también se refleja en que la media (193,2) es superior a la mediana (182). El 50 % central de las observaciones se encuentra entre 157 y 224 calorías, mientras que el valor máximo alcanza 541 calorías, considerablemente alejado del tercer cuartil. En general, la mayoría de las observaciones se concentra alrededor de los valores centrales, aunque existen valores altos poco frecuentes que aumentan la dispersión y desplazan la media hacia la derecha.

Comparación según el tipo de cerveza

Comparación de indicadores según el tipo de cerveza
tipo Número de observaciones Precio medio Alcohol medio Carbohidratos medios Calorías medias
cerveza normal y helada 839088 4.99 20.10 14.29 203.82
clara artesanal 483464 5.00 18.15 14.51 191.10
lager importada 219194 5.03 15.86 12.71 167.84
lager artesanal 22725 5.07 15.67 13.54 169.88
baja en calorías / sin alcohol 22143 4.99 9.84 8.66 109.52

La comparación según el tipo de cerveza muestra que el precio medio presenta pocas diferencias entre las categorías, con valores cercanos a 5. En cambio, se observan diferencias más marcadas en el contenido medio de alcohol, carbohidratos y calorías. La categoría cerveza normal y helada presenta el mayor contenido medio de alcohol (20,10) y de calorías (203,82), mientras que la clara artesanal registra el mayor promedio de carbohidratos (14,51). Por su parte, la categoría baja en calorías / sin alcohol presenta los menores promedios de alcohol (9,84), carbohidratos (8,66) y calorías (109,52). Estos resultados permiten identificar diferencias descriptivas entre los tipos de cerveza de la base analizada, aunque no permiten establecer relaciones causales.

Comparación según el origen

Comparación de indicadores según el origen de la cerveza
origen Número de observaciones Precio medio Alcohol medio Carbohidratos medios Calorías medias
importada 1412449 5.00 18.71 14.02 193.06
nacional 174165 5.02 18.73 14.24 194.06

Al comparar las cervezas según su origen, se observa que la mayor parte de las observaciones corresponde a cervezas importadas, con 1.412.449 registros, mientras que las nacionales presentan 174.165. A pesar de esta diferencia en el número de observaciones, los valores promedio de las variables analizadas son muy similares entre ambos grupos. El precio medio es de 5,00 para las cervezas importadas y 5,02 para las nacionales; el contenido medio de alcohol es de 18,71 y 18,73, respectivamente. De igual forma, los carbohidratos medios corresponden a 14,02 en las importadas y 14,24 en las nacionales, mientras que las calorías medias son 193,06 y 194,06. En términos descriptivos, no se observan diferencias importantes entre las cervezas nacionales e importadas en estas características, aunque existe una marcada diferencia en la cantidad de observaciones disponibles para cada grupo.

Conclusiones

El análisis descriptivo permitió identificar los principales patrones presentes en las 1.586.614 reseñas de cerveza de la base de datos. En las variables cualitativas y ordinales se observó una mayor presencia de reseñas correspondientes a cervezas importadas y del tipo cerveza normal y helada. Asimismo, las valoraciones de calificación, aroma, apariencia, paladar y sabor presentan una moda de 4.

En las variables cuantitativas se encontraron comportamientos diferentes. El precio presenta una distribución concentrada alrededor de 5, mientras que las variables alcohol, carbohidratos y calorías muestran distintos grados de asimetría hacia valores altos, por lo que la interpretación conjunta de medidas como la media, la mediana, los cuartiles y las medidas de dispersión permite describir mejor su comportamiento.

Al comparar los tipos de cerveza se observan diferencias descriptivas en el contenido promedio de alcohol, carbohidratos y calorías, mientras que los precios medios permanecen relativamente cercanos entre las categorías. De igual forma, la comparación por origen muestra valores promedio similares entre las cervezas nacionales e importadas para los indicadores estudiados.

Estos resultados constituyen un diagnóstico descriptivo de la base analizada y permiten reconocer patrones que podrían orientar análisis posteriores. Sin embargo, no permiten establecer relaciones causales ni generalizar automáticamente los resultados a todos los consumidores o cervezas. Además, debe tenerse en cuenta que la variable precio es simulada y, por lo tanto, sus resultados describen únicamente esta base académica.