“Renta de Bicicletas”
Carlos González Ayerdi A00829126
2022-09-06
Regresión Lineal
Paso 1. Importar archivo .csv
#file.choose()
base_de_datos <- read.csv("/Users/carlosgonzalez/Desktop/Modelos preictivosr /Renta_De_Bicis.csv")Paso 2. Entender la base de datos
resumen <- summary(base_de_datos)
resumen## hora dia mes aÒo
## 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")
Generador de Valor de Datos
Definir el area del negocio que buscamos impactar o mejorar y su KPI
Se considera que principalmente de ventas; en este caso, se trata de impactar y considerar los indicadores clave de rentas mensuales, rentas de suscriptores (usuarios suscritos y no suscritos)
Seleccionar plantilla para crear valor a partir de los datos de los clientes:
#Visión | Segmentación | Personalización | Contextualización
En este caso se establece la plantilla de visión; ya que mediante la misma se pueden obtener fundamentos hacia lo que puede hacer el negocio para cambiar sus parametros o metodos de operacion en función del comportamiento del cliente frente a la variable del clima y potencialmente generar más ventas.
Generar ideas o conceptos especificos
Tomando en cuenta el área de la empresa impactada, se plantea focalizar los esfuerzos desde el area de ventas, donde se puede analizar, mediante el desarrollo de regresion y modelo de predicción, se propone analizar los meses con mayor numero de ventas para así lanzar ofertas/descuentos e incluso mayor publicidad en meses que no se vende relativamente en comparación con otros meses del año.
Reunir los datos requeridos
En este caso, contamos con la base de datos de los registros de ventas/rentas clasificado en sus dinstintos tipos de suscriptores; juntando datos de temperatura.
Plan de ejecución
Por parte del área de ventas, en conjunto con marketing (área comercial) se plantea planificar periodos de descuentos/ofertas e incluso realizar campañas publicitarias omnicanales con el objetivo de aumentar ventas
Paso 3. Generar regresión lineal
regresion <- lm(rentas_totales ~ hora + dia + mes + aÒo + 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 + aÒo + 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 ***
## aÒo 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 + aÒo + sensacion_termica + humedad + velocidad_del_viento, data=base_de_datos)
summary(regresion)##
## Call:
## lm(formula = rentas_totales ~ hora + mes + aÒo + 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 ***
## aÒo 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 predicción
datos_nuevos <- data.frame(hora=12, mes=1:12, aÒo=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
Me pareció sumamente interesante este proyecto, ya que se pudo predecir la relacion entre el factor del clima; el como influye en el comportamiento del cliente mediante regresiones y posteriormente con metodos de visualizacion de datos predictivos; adicionalmente se ve un area de oportunidad en los primeros meses del año, lo cual es un area donde se proponen planes de acción que potencializen los activos de la empresa; creciendo dentro de su industria.