Modelo Predictivo: Renta de Bicis
ElenaVela_A01283535
2022-09-05
Esta foto es obtenida del negocio de renta de bicis en Parque
Fundidora, Monterrey. Por lo que se puede observar de primera mano como
un negocio real puede usar lo visto a continuación
Paso 1. Importar archivo de renta de bicis en .csv
#file.choose()
base_de_datos <- read.csv("/Users/elenavela/Downloads/rentadebicis 3.csv")Paso 2. Entender la base de datos
Mediante el resumen podemos observar las variables que se tienen, así como ver la cantidad de registros y cambiar errores (en caso de detectar).
resumen <- summary(base_de_datos)
resumen## hora dia mes año
## Min. : 0.00 Min. : 1.000 Min. : 1.000 Min. :2011
## 1st Qu.: 6.00 1st Qu.: 5.000 1st Qu.: 4.000 1st Qu.:2011
## Median :12.00 Median :10.000 Median : 7.000 Median :2012
## Mean :11.54 Mean : 9.993 Mean : 6.521 Mean :2012
## 3rd Qu.:18.00 3rd Qu.:15.000 3rd Qu.:10.000 3rd Qu.:2012
## Max. :23.00 Max. :19.000 Max. :12.000 Max. :2012
## estacion dia_de_la_semana asueto temperatura
## Min. :1.000 Min. :1.000 Min. :0.00000 Min. : 0.82
## 1st Qu.:2.000 1st Qu.:2.000 1st Qu.:0.00000 1st Qu.:13.94
## Median :3.000 Median :4.000 Median :0.00000 Median :20.50
## Mean :2.507 Mean :4.014 Mean :0.02857 Mean :20.23
## 3rd Qu.:4.000 3rd Qu.:6.000 3rd Qu.:0.00000 3rd Qu.:26.24
## Max. :4.000 Max. :7.000 Max. :1.00000 Max. :41.00
## sensacion_termica humedad velocidad_del_viento
## Min. : 0.76 Min. : 0.00 Min. : 0.000
## 1st Qu.:16.66 1st Qu.: 47.00 1st Qu.: 7.002
## Median :24.24 Median : 62.00 Median :12.998
## Mean :23.66 Mean : 61.89 Mean :12.799
## 3rd Qu.:31.06 3rd Qu.: 77.00 3rd Qu.:16.998
## Max. :45.45 Max. :100.00 Max. :56.997
## rentas_de_no_registrados rentas_de_registrados rentas_totales
## Min. : 0.00 Min. : 0.0 Min. : 1.0
## 1st Qu.: 4.00 1st Qu.: 36.0 1st Qu.: 42.0
## Median : 17.00 Median :118.0 Median :145.0
## Mean : 36.02 Mean :155.6 Mean :191.6
## 3rd Qu.: 49.00 3rd Qu.:222.0 3rd Qu.:284.0
## Max. :367.00 Max. :886.0 Max. :977.0plot(base_de_datos$temperatura,base_de_datos$rentas_totales,main="Influencia de la Temperatura sobre las Rentas", xlab="Temperatura (°C)",ylab="Cantidad de Rentas")
Herramienta: “El generador de valor de datos”
Paso 1. Definir el área del negocio que buscamos
impactar o mejorar y su KPI.
Se busca impactar en el número de rentas, y mediante estas mismas se
podrá ver si el plan de acción ha sido exitoso o no (KPI).
Paso 2. Seleccionar la plantilla (-s) para crear valor
a partir de los datos de los clientes.
El negocio tendrá en cuenta el indicador de rentas. El departamento de
mercadotecnia tomará en cuenta las variables que más impactan para
generar estrategias que impacten positivamente a las ventas.
Vision | Segmentacion | Personalización |
Contextualizacion
Paso 3. Generar ideas o conceptos
específicos.
Elaborar un modelo predictivo de las rentas de bicicletas.
Paso 4. Reunir los datos requeridos.
Se tiene la base de datos de las variables que impactan a las rentas de
bicicletas, mediante un modelo de regresión see observarán que variables
impactan más a las rentas.
Paso 5. Plan de ejecucion.
Mercadotecnia elaborará un plan, aprovechando las vaiables, para
desplegar el modelo predictivo. Modelo piloto se aplicará cuando se
tengan una mayor cantidad de variables pertinentes en el ambiente.
Paso 3. Generar regresión lineal
En estadística, la regresión lineal o ajuste lineal es un modelo matemático usado para aproximar la relación de dependencia entre una variable dependiente Y (renta), y variables independientes X.
regresion <- lm(rentas_totales ~ hora + dia + mes + año + estacion + dia_de_la_semana + asueto + temperatura + sensacion_termica + humedad + velocidad_del_viento, data=base_de_datos)
summary(regresion)##
## Call:
## lm(formula = rentas_totales ~ hora + dia + mes + año + estacion +
## dia_de_la_semana + asueto + temperatura + sensacion_termica +
## humedad + velocidad_del_viento, data = base_de_datos)
##
## Residuals:
## Min 1Q Median 3Q Max
## -305.52 -93.64 -27.70 61.85 649.10
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -1.661e+05 5.496e+03 -30.217 < 2e-16 ***
## hora 7.735e+00 2.070e-01 37.368 < 2e-16 ***
## dia 3.844e-01 2.482e-01 1.549 0.12150
## mes 9.996e+00 1.682e+00 5.943 2.89e-09 ***
## año 8.258e+01 2.732e+00 30.225 < 2e-16 ***
## estacion -7.774e+00 5.177e+00 -1.502 0.13324
## dia_de_la_semana 4.393e-01 6.918e-01 0.635 0.52545
## asueto -4.864e+00 8.365e+00 -0.582 0.56089
## temperatura 1.582e+00 1.038e+00 1.524 0.12752
## sensacion_termica 4.748e+00 9.552e-01 4.971 6.76e-07 ***
## humedad -2.115e+00 7.884e-02 -26.827 < 2e-16 ***
## velocidad_del_viento 5.582e-01 1.809e-01 3.086 0.00203 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 141.7 on 10874 degrees of freedom
## Multiple R-squared: 0.3891, Adjusted R-squared: 0.3885
## F-statistic: 629.6 on 11 and 10874 DF, p-value: < 2.2e-16Paso 4. Evaluar, y en caso necesario, ajustar la regresion lineal
regresion <- lm(rentas_totales ~ hora + mes + año + sensacion_termica + humedad + velocidad_del_viento, data=base_de_datos)
regresion##
## Call:
## lm(formula = rentas_totales ~ hora + mes + año + sensacion_termica +
## humedad + velocidad_del_viento, data = base_de_datos)
##
## Coefficients:
## (Intercept) hora mes
## -1.662e+05 7.734e+00 7.574e+00
## año sensacion_termica humedad
## 8.266e+01 6.172e+00 -2.121e+00
## velocidad_del_viento
## 6.208e-01summary(regresion)##
## Call:
## lm(formula = rentas_totales ~ hora + mes + año + sensacion_termica +
## humedad + velocidad_del_viento, data = base_de_datos)
##
## Residuals:
## Min 1Q Median 3Q Max
## -308.60 -93.85 -28.34 61.05 648.09
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -1.662e+05 5.496e+03 -30.250 < 2e-16 ***
## hora 7.734e+00 2.070e-01 37.364 < 2e-16 ***
## mes 7.574e+00 4.207e-01 18.002 < 2e-16 ***
## año 8.266e+01 2.732e+00 30.258 < 2e-16 ***
## sensacion_termica 6.172e+00 1.689e-01 36.539 < 2e-16 ***
## humedad -2.121e+00 7.858e-02 -26.988 < 2e-16 ***
## velocidad_del_viento 6.208e-01 1.771e-01 3.506 0.000457 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 141.7 on 10879 degrees of freedom
## Multiple R-squared: 0.3886, Adjusted R-squared: 0.3883
## F-statistic: 1153 on 6 and 10879 DF, p-value: < 2.2e-16Paso 5. Construir un modelo de prediccion
Tomando en cuenta los resultados del modelo de regresión, obtenemos las variables que más impactan a las rentas totales, pudiendo realizar una predicción de las rentas.
datos_nuevos <- data.frame(hora=12, mes=1:12, año=2013, sensacion_termica=24, humedad=62, velocidad_del_viento=13)
predict(regresion,datos_nuevos)## 1 2 3 4 5 6 7 8
## 279.1478 286.7215 294.2952 301.8690 309.4427 317.0164 324.5901 332.1638
## 9 10 11 12
## 339.7375 347.3112 354.8849 362.4587Conclusiones
La regresión lineal permite predecir el comportamiento de una variable a partir de otra. Esta herramienta puede ser de gran utilidad para negocios, debido a que permite conocer una predicción de ventas, rentas, ingresos, o cualquier variable que sea de interés para el usuario.
Considero que mediante este ejemplo se pueden llegar a ver las posibilidades que tiene la regresión lineal, como en este caso vimos una predicción de las rentas de los próximos 12 meses de este negocio.
Al haber visto clases de estadística anteriormente, puedo entender la gran utilidad y lo frecuente que es el uso de la regresión lineal; sin embargo, esta resulta la primera vez que lo hago de manera tan eficaz, como es aquí en R.
Tomando en cuenta lo que obtenemos de la regresión lineal, obtenemos que en los proximos 12 meses, las rentas totales habrán crecido. Todo esto viendo que la hora sean las 12:00, en el año 2013, con una sensación térmica de 24, humedad de 62 y una velocidad del viento de 13. Al cumplirse, o parecerse lo más posible, estos datos, puede resultarr favorable para el negocio de la renta de bicicletas.
Esto mismo puede ser tomado en cuenta por el equipo de mercadotecnia, como fue indicado en la herramienta, ya que ellos tendrán la tarea de generar estrategias e ideas que potencialicen las rentas, principalmente tomando en cuenta los indicadores otorgados por la regresión lineal.