“Renta de bicis (regresión lineal)”

Paso 1. Importar archivo .csv

file.choose()

## [1] "C:\\Users\\Migue\\OneDrive\\Documentos\\R\\Primer bloque\\renta_de_bicis\\renta_de_bicis_reglineal.Rmd"

base_de_datos <- read.csv("C:\\Users\\Migue\\OneDrive\\Documentos\\R\\Primer bloque\\renta_de_bicis\\rentadebicis_2.csv")

Paso 2. Entenderle a la base de datos

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.   :977.0

plot(base_de_datos$temperatura,base_de_datos$rentas_totales,main="Influencia de la Temperatura sobre las Rentas", xlab="Temperatura (°C)",ylab="Cantidad de Rentas")

La Herramienta “El Generador de Valor de Datos”

Paso 1. Definir el área del negocio que buscamos impactar o mejorar y su KPI.

Se quiere incrementar la renta de bicicletas en fechas invernales. KPI a impactar: renta de bicicletas en Q4 (Oct,Nov,Dic)

Paso 2. Seleccionar plantilla(s) para crear valor a partir de los datos de los clientes. Visión | Segmentación | Personalización | Contextualización

Se busca darle un giro a la percepción que se tiene de la renta de bicicletas en épocas invernales a través de un replanteamiento de la propuesta de valor que tiene el negocio y cómo involucrar a sus clientes.

Paso 3. Generar ideas o conceptos específicos.

Debido a que en estas fechas hace frío, se podría considerar la idea de que haya rentas de bicicletas grupales, es decir, ofrecer rutas de ciclismo en grupos grandes para que personas renten con amigos y tengan una alternativa de fin de semana variado y saludable. Esto da pie a que haya una propuesta de valor más atractiva para el cliente y a que haya una mayor afluencia de personas.

Paso 4. Reunir los datos requeridos.

Se podría hacer un análisis de ventas anteriores. Recabar información de cuántas personas rentan bicis de manera individual, cuántas lo hacen en pareja y cuál es el tiempo estimado de ruta. Esto para saber si sería apropiado realizar esta propuesta o no. Por ello, se haría un análisis de los datos anteriormente recabados, así como un análisis de mercado de cuál es la tendencia de uso de bicicletas y cuáles son las actividades más realizadas en grupos, esto para saber si es posible implementar esta estrategia para este segmento.

Paso 5. Plan de ejecución.

Ofrecer planes de rutas en bicicleta grupales, es decir, tener la posibilidad de rentar bicis con muchas personas y que a través de esta renta se ofrezcan actividades variadas en épocas de baja afluencia (en este caso, en invierno). Con esto en mente, se podría hacer rutas guiadas por la ciudad, en zonas boscosas, parques, entre otros. Además de promover la tendencia de ciclismo saludable, se promueve la salida con amigos, familia y actividades variadas.

Paso 3. Generar regresión lineal

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-16

Evaluar, y en caso necesario, ajustar la regresión lineal

regresion <- lm(rentas_totales ~ hora + mes + año + sensacion_termica + humedad + velocidad_del_viento, data=base_de_datos)
summary(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-16

Construir un modelo de predicción

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 362.4587

Conclusiones

La regresión lineal permite predecir el comportamiento de una variable a partir de otra. Tiene la intención de mostrar el crecimiento y los pronósticos pertinentes.

En el ejercicio anterior vemos la influencia de la temperatura sobre las rentas de bicicletas. Se muestra que hay más rentas de bicicletas en temperaturas promedio de 20°C y 30°C. El modelo estima que se rentarán menos bicicletas en Enero (279 bicis) contra Diciembre (362 bicis) de acuerdo a factores de sensación térmica, humedad, velocidad del viento y demás. Este modelo le permite al analista no sólo anticipar lo que podría pasar de acuerdo a valores pasados sino hacer estrategias enfocadas a esto y tener mejores pronósticos de venta futuros.