Renta de Bicis

Importar base de datos

#file.choose ()
bd <- read.csv("/Users/vanessaelizondo/Desktop/Tec/Semestre 7/CSV/rentadebicis.csv")

Entender la base de datos

resumen <- summary(bd)
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.   :977.0

Generador de Valores

Pasos Importantes:.

Paso 1. Definir el área de negocios que deseamos impactar o mejorar y su KPI.

Impactar en el area de ventas, mejorando sus KPIs de conformidad y atracción de clientes.

Paso 2. Seleccionar plantilla (-s) para crear valor a partir de los datos de los clientes.

Visión / Segmentación / Personalización /Contextualización

Paso 3. Generar Ideas o conceptos específicos

Elaborar un modelo de ventas predictivas

Paso 4. Reunir los datos requeridos

Crear una nueva base de datos con la información esencial y las variables significativas que tienen mayor impacto y valor en la renta de las bicis.

Paso 5. Plan de ejecución

1. Mercadotecnia hace un plan de atracción de los clientes segmentados tomando en cuenta las variables con mayor importancia en la renta de bicis.

2. El area de Ventas conoce la información de impacto para el cliente.

3. Se lanza mayor publicidad en días con características relevantes para los clientes y la publicidad es atractiva al mencionar aquello que se encuentra como relevante para el cliente.

Observaciones

¿Porqué los dias llegan hasta el 19 y no el 31? ¿Qué significan las estaciones? R: 1 es primavera, 2 es verano y 3 invierno

plot(bd$temperatura, bd$rentas_totales, main = "Influencia de la Temperatura sobre las Rentas Totales", xlab = "Temperatura (·c)", ylab = "Rentas Totales")

Generar Regresion Lineal

regresion <- lm (rentas_totales ~ hora + dia + mes + aÒo + 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 + aÒo + 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 ***
## 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-16

Evaluar y en caso necesario ajustar la regresion lineal

regresion <- lm (rentas_totales ~ hora + mes + aÒo + sensacion_termica + humedad + velocidad_del_viento, data=bd)
summary (regresion)

## 
## Call:
## lm(formula = rentas_totales ~ hora + mes + aÒo + 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 ***
## 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-16

Construir Modelo Predictivo

datos_nuevos <- data.frame (hora=12, mes=1, aÒo=2013, sensacion_termica=24, humedad=62, velocidad_del_viento=13)
predict(regresion,datos_nuevos)

##        1 
## 279.1478

Conclusión

Se hizo una regresión lineal para conocer la revelancia de las variables y la relación que tienen entre ellas.

En este caso se buscaba ver el Total de Rentas de Bicis y con el uso de la regresión lineal pudimos identificar variables con mayor impacto en la información y la variable que buscabamos analizar. Hicimos una comparación entre la influencia de la Temperatura y la Sensación Térmica y nos dimos cuenta que tiene mayor impacto la Sensación Térmica con 4.74. Otras variables con mucha relevancia fueron el mes y el año para definir las Rentas Totales las cuales indican tener un máximo de 977 Rentas.

También realizamos un modelo predictivo para predecir situaciones o riesgos a futuro y pudimos jugar con las variables y reconocer su importancia, al final las variables con mayor impacto fueron seleccionadas, las cuales fueron: la hora, mes, año, sensación térmica, humedad y velocidad del viento. Estás para poder conocer cantidades y totales de las rentas de bicis. Y con la predicción se obtuvo el dato de que en enero del 2013, a las 12pm, con una sensación térmica de 24, humedad de 62 y velocidad de 13, se obtendría una renta de bicis totales de 279.

También con este modelo predictivo pudimos definir que el modelo tiene un R_squared de .38, por lo que se ve que tiene mucho margen de oportunidad y de mejora.