Renta de Bicis A01280625 - RM
Liz Manzano A01280625
2022-09-06
Paso 1. Definir el área del negocio que buscamos impactar/ mejorar y su KPI.
¿Qué objetivos esperas apoyar? ¿Cuáles son tus KPI’s establecidos que se utilizan para medir el rendimiento?
En este caso, la base de datos que se está manejando en este análisis es sobre renta de bicis y contiene información desde hora, clima, temperatura, estación día de la semana, entre otra. Es por esto que en este caso se está analizando en ver la relación entre todos estos factores. Los KPIS que se pueden utilizar son “Rentas por temperatura” y rentas por día de la semana.
Paso 2. Seleccionar plantilla(s) para crear valor a partir de los datos de los clientes.
Para crear valor es necesario seleccionar las plantillas de Segmentación para así poder ubicar de maera mas sencilla cuando se tiene una mayor renta y cuando se requiere de cierta publicidad para aumentar las mismas.
Paso 3. Generar ideas o conceptos específicos.
Hipótesis:
Hipótesis 1: Estrategias de promociones exclusivas en las rentas .
Hipótesis 2: Ofrecer kits en donde se incluyan artículos de deportes para el invierno ya que cuando la temperatura es baja se tiende a ver menos rentas.
Hipótesis 3: Ofrecer paquete de hdratación como promociones.
Paso 4. Reunir los datos específicos.
¿Qué datos tenemos? ¿Qué datos necesitamos?
Con la base de datos saber que tenemos los datos necesarios los cuales son,“hora”, “mes”, “año”, “día de la la semana”, “asueto”, “temperatura”, “sensación térmica”, “humedad”, “velocidad del viento”, “rentas de no registrados”, “rentas de registrados”, “rentas totales”.
Paso 5. Plan de ejecución.
Fase 1. Piloto de kits durante temporada de calor.
Fase 2. Arrranque durante temporada de frío en donde ya que tienen popularidad los descuentos y promociones los puedan tomar.
#Importar base de datos # ~
bd<- read.csv( "/Users/lizmanzano/Desktop/CSV DOCS/rentadebicis.csv")Entender la Base de Datos
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 qué los dias llegan hasta el 19 y no hasta el 31? #2. ¿Qué significan los números de las estaciones? R: 1 es primavera, 2 es verano, 3 es otoño y 4 es invierno.
plot(bd$temperatura,bd$rentas_totales, main = "Influencia de la Temperatura sobre las Rentas Totales", xlab = "Temperatura (Cº)", ylab = "Cantidad")
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 = bd)
regresion##
## Call:
## lm(formula = rentas_totales ~ hora + dia + mes + año + estacion +
## dia_de_la_semana + asueto + temperatura + sensacion_termica +
## humedad + velocidad_del_viento, data = bd)
##
## Coefficients:
## (Intercept) hora dia
## -1.661e+05 7.735e+00 3.844e-01
## mes año estacion
## 9.996e+00 8.258e+01 -7.774e+00
## dia_de_la_semana asueto temperatura
## 4.393e-01 -4.864e+00 1.582e+00
## sensacion_termica humedad velocidad_del_viento
## 4.748e+00 -2.115e+00 5.582e-01summary(regresion)##
## Call:
## lm(formula = rentas_totales ~ hora + dia + mes + año + 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 ***
## 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-16Evaluar, y en caso necesario ajustar, la regresión lineal
regresion <- lm(rentas_totales ~ hora + mes + año + sensacion_termica + humedad + velocidad_del_viento, data = bd)
regresion##
## Call:
## lm(formula = rentas_totales ~ hora + mes + año + sensacion_termica +
## humedad + velocidad_del_viento, data = bd)
##
## 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 = 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 un Modelo Predictivo
datos_nuevos <- data.frame(hora=12, mes=1, año=2013, sensacion_termica=24, humedad=62, velocidad_del_viento= 13)
predict(regresion,datos_nuevos)## 1
## 279.1478Conclusiones
Durante este análisis se trabajó en una predicción de rentas totales de bicicletas. Dentro del mismo se trabajó y se hizo un análisis de la influencia de la temperatura sobre las rentas totales de bicis, en donde se pudo observar que se tiene una mayor cantidad de rentas cuando la temperatura es de 30 y 40 grados.