Caso 1: análisis descriptivo de reseñas de cerveza
Juan Pablo Riascos Muñoz
10 de septiembre de 2026
Introducción
El propósito de este informe es realizar un diagnóstico descriptivo de las preferencias expresadas por consumidores de cerveza e identificar patrones en el precio, la composición nutricional, el tipo, el origen y las valoraciones sensoriales. El análisis es descriptivo: permite comparar comportamientos dentro de la base académica, pero no demostrar relaciones de causa y efecto.
Descripción y calidad de la base
La base beer2.csv contiene 1.586.614
reseñas y 15 variables. Cada fila representa
una reseña; por ello, una cerveza puede aparecer más de una vez.
id se utiliza únicamente como identificador y no se
interpreta como variable estadística.
calidad <- data.table(
Indicador = c("Número de reseñas", "Número de variables", "Datos faltantes"),
Resultado = c(format(nrow(beer2), big.mark = "."), ncol(beer2), sum(is.na(beer2)))
)
kable(calidad, align = c("l", "r"))| Indicador | Resultado |
|---|---|
| Número de reseñas | 1.586.614 |
| Número de variables | 15 |
| Datos faltantes | 0 |
No se encontraron datos faltantes. La variable precio es
simulada, por lo que sus resultados describen exclusivamente esta base
académica y no deben interpretarse como precios reales del mercado.
datatable(head(beer2, 8), options = list(pageLength = 8, scrollX = TRUE),
rownames = FALSE)Variables cualitativas nominales
Tipo de cerveza
ft_tipo <- tabla_frecuencia(beer2$tipo)
kable(ft_tipo, align = c("l", "r", "r"))| Categoría | Frecuencia | Porcentaje |
|---|---|---|
| cerveza normal y helada | 839088 | 52.89 |
| clara artesanal | 483464 | 30.47 |
| lager importada | 219194 | 13.82 |
| lager artesanal | 22725 | 1.43 |
| baja en calorías / sin alcohol | 22143 | 1.40 |
moda(beer2$tipo)## [1] "cerveza normal y helada"ggplot(ft_tipo, aes(x = reorder(Categoría, Frecuencia), y = Frecuencia)) +
geom_col(fill = "#2E86AB") +
coord_flip() +
scale_y_continuous(labels = label_number(big.mark = ".")) +
labs(title = "Reseñas según tipo de cerveza", x = NULL, y = "Frecuencia") +
theme_minimal()
La categoría modal es cerveza normal y helada, con aproximadamente 52,89 % de las reseñas. Le sigue la cerveza clara artesanal con 30,47 %. Las categorías lager artesanal y baja en calorías o sin alcohol tienen una representación cercana al 1,4 % cada una. Por tanto, las comparaciones deben interpretarse teniendo en cuenta el fuerte desbalance entre tipos.
Origen
ft_origen <- tabla_frecuencia(beer2$origen)
kable(ft_origen, align = c("l", "r", "r"))| Categoría | Frecuencia | Porcentaje |
|---|---|---|
| importada | 1412449 | 89.02 |
| nacional | 174165 | 10.98 |
moda(beer2$origen)## [1] "importada"ggplot(ft_origen, aes(x = Categoría, y = Frecuencia, fill = Categoría)) +
geom_col(show.legend = FALSE) +
scale_y_continuous(labels = label_number(big.mark = ".")) +
labs(title = "Reseñas según origen", x = NULL, y = "Frecuencia") +
theme_minimal()
El origen modal es importada. Las cervezas importadas reúnen 89,02 % de las reseñas, mientras las nacionales representan 10,98 %. Esta diferencia describe la composición de la base y no necesariamente la participación real del mercado.
Nacionalidad
ft_nacionalidad <- tabla_frecuencia(beer2$nacionalidad)
kable(ft_nacionalidad, align = c("l", "r", "r"))| Categoría | Frecuencia | Porcentaje |
|---|---|---|
| Austria | 201941 | 12.73 |
| Bélgica | 188677 | 11.89 |
| Francia | 181574 | 11.44 |
| Estados Unidos | 174165 | 10.98 |
| Inglaterra | 162644 | 10.25 |
| Canadá | 159508 | 10.05 |
| Japón | 155273 | 9.79 |
| Alemania | 121684 | 7.67 |
| Irlanda | 120742 | 7.61 |
| República Checa | 120406 | 7.59 |
moda(beer2$nacionalidad)## [1] "Austria"Austria es la nacionalidad modal, con 12,73 % de los registros,
seguida por Bélgica y Francia. Las diez nacionalidades presentan
participaciones entre 7,59 % y 12,73 %, de modo que esta variable está
menos concentrada que tipo y origen.
Marca y nombre de la cerveza
Debido a que marca y nombre_cerveza tienen
muchas categorías, una tabla completa sería poco legible. Se muestran
las diez categorías más frecuentes y se identifica la moda.
top_marcas <- tabla_frecuencia(beer2$marca)[1:10]
top_nombres <- tabla_frecuencia(beer2$nombre_cerveza)[1:10]
kable(top_marcas, caption = "Diez marcas más frecuentes")| Categoría | Frecuencia | Porcentaje |
|---|---|---|
| Boston Beer Company (Samuel Adams) | 39444 | 2.49 |
| Dogfish Head Brewery | 33839 | 2.13 |
| Stone Brewing Co. | 33066 | 2.08 |
| Sierra Nevada Brewing Co. | 28751 | 1.81 |
| Bell’s Brewery, Inc. | 25191 | 1.59 |
| Rogue Ales | 24083 | 1.52 |
| Founders Brewing Company | 20004 | 1.26 |
| Victory Brewing Company | 19479 | 1.23 |
| Lagunitas Brewing Company | 16837 | 1.06 |
| Avery Brewing Company | 16107 | 1.02 |
kable(top_nombres, caption = "Diez nombres de cerveza más frecuentes")| Categoría | Frecuencia | Porcentaje |
|---|---|---|
| 90 Minute IPA | 3290 | 0.21 |
| India Pale Ale | 3130 | 0.20 |
| Old Rasputin Russian Imperial Stout | 3111 | 0.20 |
| Sierra Nevada Celebration Ale | 3000 | 0.19 |
| Two Hearted Ale | 2728 | 0.17 |
| Arrogant Bastard Ale | 2704 | 0.17 |
| Stone Ruination IPA | 2704 | 0.17 |
| Sierra Nevada Pale Ale | 2587 | 0.16 |
| Stone IPA (India Pale Ale) | 2575 | 0.16 |
| Pliny The Elder | 2527 | 0.16 |
cat("Moda de marca:", paste(moda(beer2$marca), collapse = ", "), "\n\n")## Moda de marca: Boston Beer Company (Samuel Adams)cat("Moda de nombre de cerveza:", paste(moda(beer2$nombre_cerveza), collapse = ", "))## Moda de nombre de cerveza: 90 Minute IPAVariables cualitativas ordinales
Aunque las valoraciones utilizan números, representan categorías ordenadas de evaluación. Por ello se resumen con frecuencias, porcentajes, mediana y moda.
for (v in variables_ordinales) {
cat("\n\n##", tools::toTitleCase(v), "\n\n")
tf <- tabla_frecuencia(beer2[[v]])
print(kable(tf, align = c("r", "r", "r")))
cat("\nMediana:", median(beer2[[v]]),
"— Moda:", paste(moda(beer2[[v]]), collapse = ", "), "\n")
}Calificacion
| Categoría | Frecuencia | Porcentaje |
|---|---|---|
| 4 | 582764 | 36.73 |
| 4.5 | 324385 | 20.45 |
| 3.5 | 301817 | 19.02 |
| 3 | 165644 | 10.44 |
| 5 | 91320 | 5.76 |
| 2.5 | 58523 | 3.69 |
| 2 | 38225 | 2.41 |
| 1.5 | 12975 | 0.82 |
| 1 | 10954 | 0.69 |
| 0 | 7 | 0.00 |
Mediana: 4 — Moda: 4
Aroma
| Categoría | Frecuencia | Porcentaje |
|---|---|---|
| 4 | 557383 | 35.13 |
| 3.5 | 365312 | 23.02 |
| 4.5 | 271450 | 17.11 |
| 3 | 200030 | 12.61 |
| 2.5 | 66359 | 4.18 |
| 5 | 64117 | 4.04 |
| 2 | 42566 | 2.68 |
| 1.5 | 12524 | 0.79 |
| 1 | 6873 | 0.43 |
Mediana: 4 — Moda: 4
Apariencia
| Categoría | Frecuencia | Porcentaje |
|---|---|---|
| 4 | 674186 | 42.49 |
| 3.5 | 318529 | 20.08 |
| 4.5 | 288108 | 18.16 |
| 3 | 166009 | 10.46 |
| 5 | 65398 | 4.12 |
| 2.5 | 39493 | 2.49 |
| 2 | 25414 | 1.60 |
| 1.5 | 6147 | 0.39 |
| 1 | 3323 | 0.21 |
| 0 | 7 | 0.00 |
Mediana: 4 — Moda: 4
Paladar
| Categoría | Frecuencia | Porcentaje |
|---|---|---|
| 4 | 606711 | 38.24 |
| 3.5 | 338585 | 21.34 |
| 4.5 | 253102 | 15.95 |
| 3 | 206932 | 13.04 |
| 2.5 | 62842 | 3.96 |
| 5 | 62190 | 3.92 |
| 2 | 38333 | 2.42 |
| 1.5 | 11045 | 0.70 |
| 1 | 6874 | 0.43 |
Mediana: 4 — Moda: 4
Sabor
| Categoría | Frecuencia | Porcentaje |
|---|---|---|
| 4 | 541429 | 34.12 |
| 4.5 | 336162 | 21.19 |
| 3.5 | 324541 | 20.45 |
| 3 | 166860 | 10.52 |
| 5 | 83977 | 5.29 |
| 2.5 | 66534 | 4.19 |
| 2 | 41992 | 2.65 |
| 1.5 | 15128 | 0.95 |
| 1 | 9991 | 0.63 |
Mediana: 4 — Moda: 4
En las cinco valoraciones la moda es 4,0. La calificación general de 4,0 concentra 36,73 % de los registros; aroma 35,13 %; apariencia 42,49 %; paladar 38,24 % y sabor 34,12 %. En general, las reseñas se concentran entre 3,5 y 4,5, lo cual refleja valoraciones predominantemente favorables dentro de esta base.
ord_long <- melt(beer2[, ..variables_ordinales],
measure.vars = variables_ordinales,
variable.name = "Atributo", value.name = "Valor")
ggplot(ord_long, aes(x = factor(Valor), fill = Atributo)) +
geom_bar(position = "dodge") +
scale_y_continuous(labels = label_number(big.mark = ".")) +
labs(title = "Distribución de las valoraciones", x = "Valoración", y = "Frecuencia") +
theme_minimal() +
theme(legend.position = "bottom")
rm(ord_long)Variables cuantitativas
resumen_num <- resumen_cuantitativo(beer2, variables_cuantitativas)
columnas_numericas <- setdiff(names(resumen_num), c("Variable", "Moda"))
resumen_num[, (columnas_numericas) := lapply(.SD, round, 2), .SDcols = columnas_numericas]
kable(resumen_num, align = c("l", rep("r", ncol(resumen_num) - 1)))| Variable | Media | Mediana | Moda | Minimo | Q1 | Q3 | Maximo | Rango | RIC | Varianza | Desviacion | CV_porcentaje |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| precio | 5.36 | 5.41 | 5.69 | 2.20 | 4.98 | 5.82 | 8.03 | 5.83 | 0.84 | 0.42 | 0.65 | 12.11 |
| alcohol | 18.71 | 17.67 | 13.75 | 0.03 | 14.28 | 22.63 | 59.45 | 59.42 | 8.35 | 29.77 | 5.46 | 29.16 |
| carbohidratos | 14.05 | 13.80 | 13.5 | 3.50 | 12.40 | 15.60 | 30.20 | 26.70 | 3.20 | 5.64 | 2.38 | 16.91 |
| calorias | 193.17 | 182.00 | 156 | 21.00 | 157.00 | 224.00 | 541.00 | 520.00 | 67.00 | 2168.65 | 46.57 | 24.11 |
El precio presenta media de 5,36 y mediana de 5,41; su cercanía sugiere una distribución relativamente equilibrada. El alcohol tiene media de 18,71 gramos y mediana de 17,67, mientras las calorías tienen media de 193,17 y mediana de 182. En estas dos variables la media supera la mediana, lo que indica influencia de valores altos. En consecuencia, para alcohol y calorías conviene acompañar la media y desviación estándar con la mediana y el rango intercuartílico, que son menos sensibles a extremos.
for (v in variables_cuantitativas) {
print(
ggplot(beer2, aes(x = .data[[v]])) +
geom_histogram(bins = 40, fill = "#2E86AB", color = "white") +
scale_y_continuous(labels = label_number(big.mark = ".")) +
labs(title = paste("Distribución de", v), x = v, y = "Frecuencia") +
theme_minimal()
)
}
Comparación por tipo de cerveza
comparacion_tipo <- beer2[, lapply(.SD, mean), by = tipo,
.SDcols = c(variables_cuantitativas, variables_ordinales)]
comparacion_tipo[, (names(comparacion_tipo)[-1]) :=
lapply(.SD, round, 2), .SDcols = -1]
kable(comparacion_tipo)| tipo | precio | alcohol | carbohidratos | calorias | calificacion | aroma | apariencia | paladar | sabor |
|---|---|---|---|---|---|---|---|---|---|
| clara artesanal | 5.70 | 18.15 | 14.51 | 191.10 | 3.88 | 3.78 | 3.87 | 3.79 | 3.82 |
| cerveza normal y helada | 5.27 | 20.10 | 14.29 | 203.82 | 3.86 | 3.85 | 3.94 | 3.83 | 3.90 |
| lager importada | 5.17 | 15.86 | 12.71 | 167.84 | 3.61 | 3.34 | 3.55 | 3.47 | 3.48 |
| baja en calorías / sin alcohol | 4.28 | 9.84 | 8.66 | 109.52 | 2.95 | 2.58 | 2.82 | 2.68 | 2.64 |
| lager artesanal | 4.55 | 15.67 | 13.54 | 169.88 | 3.64 | 3.37 | 3.59 | 3.49 | 3.49 |
La cerveza clara artesanal presenta el mayor precio promedio (5,71). La cerveza normal y helada tiene los mayores promedios de alcohol (20,10 gramos) y calorías (203,82), mientras que la categoría baja en calorías o sin alcohol registra los menores promedios de alcohol, carbohidratos y calorías. Esta última categoría también presenta las valoraciones promedio más bajas. Las calificaciones generales promedio de cerveza normal y helada y clara artesanal son muy cercanas (3,86 y 3,88), por lo que no sería apropiado afirmar una diferencia sustancial únicamente con este resumen.
set.seed(121)
muestra_grafica <- beer2[sample(.N, min(.N, 100000))]
ggplot(muestra_grafica, aes(x = tipo, y = precio, fill = tipo)) +
geom_boxplot(show.legend = FALSE, outlier.alpha = 0.15) +
coord_flip() +
labs(title = "Precio según tipo de cerveza",
subtitle = "Visualización basada en una muestra aleatoria de 100.000 reseñas",
x = NULL, y = "Precio") +
theme_minimal()
Comparación por origen
comparacion_origen <- beer2[, lapply(.SD, mean), by = origen,
.SDcols = c(variables_cuantitativas, variables_ordinales)]
comparacion_origen[, (names(comparacion_origen)[-1]) :=
lapply(.SD, round, 2), .SDcols = -1]
kable(comparacion_origen)| origen | precio | alcohol | carbohidratos | calorias | calificacion | aroma | apariencia | paladar | sabor |
|---|---|---|---|---|---|---|---|---|---|
| importada | 5.46 | 18.71 | 14.02 | 193.06 | 3.81 | 3.73 | 3.84 | 3.74 | 3.79 |
| nacional | 4.54 | 18.73 | 14.24 | 194.06 | 3.85 | 3.77 | 3.88 | 3.77 | 3.82 |
Las cervezas importadas tienen mayor precio promedio (5,47) que las nacionales (4,54). En alcohol, carbohidratos y calorías los promedios son cercanos. Las cervezas nacionales presentan valoraciones promedio ligeramente superiores en los cinco atributos; sin embargo, las diferencias son pequeñas y la mediana es 4,0 para ambos orígenes. Estos resultados describen la muestra y no demuestran que el origen produzca mejores valoraciones.
ggplot(muestra_grafica, aes(x = origen, y = precio, fill = origen)) +
geom_boxplot(show.legend = FALSE, outlier.alpha = 0.15) +
labs(title = "Precio según origen",
subtitle = "Visualización basada en una muestra aleatoria de 100.000 reseñas",
x = NULL, y = "Precio") +
theme_minimal()
Principales hallazgos y conclusiones
- La base está dominada por reseñas de cervezas importadas y de los tipos cerveza normal y helada y clara artesanal; por ello, los resultados globales están fuertemente influenciados por estas categorías.
- Las valoraciones de calificación, aroma, apariencia, paladar y sabor se concentran principalmente entre 3,5 y 4,5, y en todos los casos la moda es 4,0.
- La cerveza clara artesanal presenta el mayor precio promedio, mientras la cerveza normal y helada presenta los mayores promedios de alcohol y calorías.
- La categoría baja en calorías o sin alcohol cumple el patrón esperado de menor contenido promedio de alcohol, carbohidratos y calorías, pero también registra menores valoraciones promedio.
- Las cervezas importadas muestran un precio promedio superior al de las nacionales. En cambio, las diferencias de composición y valoración por origen son pequeñas.
- Los patrones encontrados pueden orientar nuevas preguntas y comparaciones, pero no permiten establecer causalidad. La variable precio es simulada y los resultados solo representan esta base académica.