Renta de bicis
Andrea Paola Sosa A00827359
2022-09-08
“El Generador de Valor de Datos”
Area del negocio que buscamos impactar o mejorar y su KPI:
En este caso el area de negocio que se busca impactar es el area de marketing. Esto debido a que el objetivo principal es aumentar la renta de las bicicletas lo cual impactaria en la rentabilidad de la empresa que las renta. El KPI con el cual se podria medir el exito de una nueva estrategia o mejora seria la cantidad de rentas mensuales de bicicletas.
Seleccionar plantilla para crear valor a partir de los datos de los clientes:
Personnalizacion ya que en base a la prefernecia de temperatura en la que hay mas rentas se implementara la etsrategia deseada.
Generar ideas o conceptos especificos:
Como se analizo en los graficos, la renta de bicis aumenta de acuerdo con la temperatura, es por eso que se puede generar una estrategia en la cual se aproveche cuando la temperatura sea alta para atraer la mayor cantidad de clientes.
Reunir los datos requeridos:
La base de datos de las rentas de bicicletas.
Plan de Ejecucion:
Crear un modelo predictivo para poder predecir que temporada es la mas adecuada para rentas bicis, de esta manera hacer estrategias para aumentar las rentas.
Importar base de datos
bd <- read.csv ("/Users/andreapaolasosa/Desktop/rentadebicis1.csv")
c## function (...) .Primitive("c")resumen <- summary (bd)
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. :977.0Observaciones
#1. Por que los dias llegan hasta el 19 y no hasta el 31?
#2. Que significan los numeros en las estaciones? R: 1 es primavera, 2 es verano, 3 es otoño y 4 es invierno
Grafica
plot (bd$temperatura,bd$rentas_totales,main = "influencia de la temperatura sobre rentas totales" , xlab = "temperatura", ylab = "cantidad")
Regresion Lineal
regresion <- lm (rentas_totales ~hora + dia + mes + año + dia_de_la_semana + temperatura + sensacion_termica + estacion + dia_de_la_semana + asueto + temperatura + sensacion_termica + humedad + velocidad_del_viento, data=bd)
summary (regresion) ##
## Call:
## lm(formula = rentas_totales ~ hora + dia + mes + año + dia_de_la_semana +
## temperatura + sensacion_termica + estacion + dia_de_la_semana +
## asueto + temperatura + sensacion_termica + humedad + velocidad_del_viento,
## data = bd)
##
## 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 ***
## dia_de_la_semana 4.393e-01 6.918e-01 0.635 0.52545
## temperatura 1.582e+00 1.038e+00 1.524 0.12752
## sensacion_termica 4.748e+00 9.552e-01 4.971 6.76e-07 ***
## estacion -7.774e+00 5.177e+00 -1.502 0.13324
## asueto -4.864e+00 8.365e+00 -0.582 0.56089
## 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-16Evaluar, y en caso necesario, ajustar la regresion lineal
regresion <- lm (rentas_totales ~hora + + mes + año + sensacion_termica + humedad + velocidad_del_viento, data=bd)
summary (regresion) ##
## Call:
## lm(formula = rentas_totales ~ hora + +mes + año + sensacion_termica +
## humedad + velocidad_del_viento, data = bd)
##
## 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-16Construir Modelo Predictivo
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
En este ejercicio se realizo la regresion lineal con el fin de poder encontrar una correlacion entre la variable de temperatura y rentas totales. De acuerdo a la grafica se puede observar que la variable temperatura afecta a la cantidad de rentas de bicis debido a que entre mayor es la temperatura existe un aumento en la renta, haciendo que las personas incrementen su decision de rentar bicis con un clima caluroso a diferencia de cuando hay bajas temperaturas.