Kaggle: Bike Trips
Romario
2023-01-31
Introdução
Serem acusados de fazerem mal ao meio-ambiente e terem um aumento, quase logarítmico, dos custos com impostos e manutenção, tornaram os carros cada vez mais impopulares.
Em contrapartida, vem aumentando o uso de aplicativos de mobilidade, individual e coletiva. Tanto de automóveis, como de patinetes e bicicletas.
Aqui no Rio, cidade onde moro, houve um boom dos patinetes, no mundo distante do final década e 10. Hoje,devido a motivos sanitários e políticos, talvez, eles perderam força
Outro meio de locomoção alternativo, iniciado antes dos patinetes e que ainda sobrevivem, são as bicicletas alugadas. Elas são fornecidas por um grande popular no país, não citarei nomes, pois não estou sendo patrocinado.
Não sei os custos para alugá-las, pois não sei andar de bicicleta, mas é possível ver pessoas felizes as pedalando nas orlas da zona sul. Seja alguém que gosta de se exercitar ou um entregador de deliveries.
A ideia é boa e parece lucrativa, ou pelo menos dá uma aura de sustentabilidade à empresa. Entretanto, não é original, o que não é um problema. Ao que parece, a Citi Bike é um programa parecido de compartilhamento de bicicletas, presente na cidade de Nova Iorque desde de 2013.
Olha, minha visão de Nova Iork é um pouco estereotipada, influência de comédias românticas e gibis do homem-aranha, então não me parece ser uma cidade muito agradável e segura para andar de bicicleta.
Mas se os nova-iorquinos se aventuram, quem sou eu para julgar. E é sobre eles que vamos aprender mais um pouco.
Cadê as fontes?
Essa análise será feita a partir de um dataset disponível no Kaggle, uma acervo de vários arquivos para treinar:
- Análise de dados;
- Visualização de dados;
- Machine Learning;
- e muitas outras coisas.
Além disso, ele possui cursos com certificados de introdução a linguagem python e ao principal pacote do mesmo para a área de dados, o pandas.
Mas prefiro usar o R.
Este é o clique aqui para o dataset,
bora a a análise.
Bibliotecas
Uma primeira visão dos dados
Vamos descobrir qual o tamanho deste dataset, seu número de linhas e colunas.
## [1] "Número de linhas: 1595334 || Número de variavéis: 11"O primeiro número é de linhas e o segundo e colunas. E bem temos muitas linhas.
Devemos também visualizar se há células vazias, com linhas ou colunas com informaçães faltantes.
## [1] "Número de informações faltando 0"Pelo santos guias do BI, esse dataset não possuí dados faltantes, obrigado Biel :D
Agora veremos as o nome de todas colunas
## [1] "start_time" "stop_time" "start_station_id"
## [4] "start_station_name" "end_station_id" "end_station_name"
## [7] "user_type" "bike_id" "gender"
## [10] "age" "trip_duration"Repare que há uma coluna determinada bike_id. No texto
que acompanha o datase, eu havia entendido que era um id para8 cada
usuário do aplicativo resolvi dar uma olhada.
| bike_id | age | gender |
|---|---|---|
| 25805 | 32 | male |
| 25805 | 44 | male |
| 25805 | 31 | female |
| 25805 | 31 | female |
| 25805 | 31 | female |
| 25805 | 27 | male |
Em bancos de dados ou estruturas para análise de dados, os id identificam algo único. Se ele fossem uma representação de um único usuário em gênero e idade, não mudariam em menos de o mês. O que me faz suspeitar, que este id representa uma bicicleta especídica.
No mundo real, numa realidade de dados, o ideal seria perguntar a quem faz o recolhimento desses dados, o que esse bike_id significa. Como não posso perguntar ao Biel, irei supor que dados sobre gênero e id, independem do bike_id. Essa suposição será importante para continuar a análise.
Terminada esta parte, vamos ver sobre o tipo desses dados.
## Rows: 1,595,334
## Columns: 11
## $ start_time <dttm> 2018-05-31 23:59:59, 2018-05-31 23:59:59, 2018-05-~
## $ stop_time <dttm> 2018-06-01 00:12:57, 2018-06-01 00:12:26, 2018-06-~
## $ start_station_id <dbl> 312, 401, 483, 3107, 3341, 3562, 479, 128, 537, 322~
## $ start_station_name <chr> "Allen St & Stanton St", "Allen St & Rivington St",~
## $ end_station_id <dbl> 460, 360, 368, 3076, 3400, 3562, 3635, 308, 546, 33~
## $ end_station_name <chr> "S 4 St & Wythe Ave", "William St & Pine St", "Carm~
## $ user_type <chr> "Subscriber", "Subscriber", "Subscriber", "Subscrib~
## $ bike_id <dbl> 25805, 17258, 19692, 28285, 21000, 32205, 31327, 20~
## $ gender <chr> "male", "male", "male", "male", "female", "male", "~
## $ age <dbl> 32, 24, 39, 28, 51, 25, 34, 32, 37, 48, 31, 27, 26,~
## $ trip_duration <dbl> 12.97, 12.45, 8.28, 7.75, 8.05, 16.43, 3.15, 10.52,~Nada a comentar.
Vamos resumir esses dados?
## vars n mean sd min max range
## start_time 1 1595334 NaN NA Inf -Inf -Inf
## stop_time 2 1595334 NaN NA Inf -Inf -Inf
## start_station_id 3 1595334 1548.19 1427.93 72.00 3686.0 3614.0
## start_station_name 4 1595334 NaN NA Inf -Inf -Inf
## end_station_id 5 1595334 1537.10 1426.69 72.00 3686.0 3614.0
## end_station_name 6 1595334 NaN NA Inf -Inf -Inf
## user_type 7 1595334 NaN NA Inf -Inf -Inf
## bike_id 8 1595334 26201.61 5784.64 14529.00 33690.0 19161.0
## gender 9 1595334 NaN NA Inf -Inf -Inf
## age 10 1595334 37.86 11.03 16.00 65.0 49.0
## trip_duration 11 1595334 16.43 284.86 1.02 111781.7 111780.7
## se
## start_time NA
## stop_time NA
## start_station_id 1.13
## start_station_name NA
## end_station_id 1.13
## end_station_name NA
## user_type NA
## bike_id 4.58
## gender NA
## age 0.01
## trip_duration 0.23HUm… Enganei-me. As colunas end_station_id, start_station_id e bike_id apesar de serem números, acredito que serem caracteres seja melhor, para evitar algum futuro erro.
## vars n mean sd min max range se
## start_time 1 1595334 NaN NA Inf -Inf -Inf NA
## stop_time 2 1595334 NaN NA Inf -Inf -Inf NA
## start_station_id 3 1595334 NaN NA Inf -Inf -Inf NA
## start_station_name 4 1595334 NaN NA Inf -Inf -Inf NA
## end_station_id 5 1595334 NaN NA Inf -Inf -Inf NA
## end_station_name 6 1595334 NaN NA Inf -Inf -Inf NA
## user_type 7 1595334 NaN NA Inf -Inf -Inf NA
## bike_id 8 1595334 NaN NA Inf -Inf -Inf NA
## gender 9 1595334 NaN NA Inf -Inf -Inf NA
## age 10 1595334 37.86 11.03 16.00 65.0 49.0 0.01
## trip_duration 11 1595334 16.43 284.86 1.02 111781.7 111780.7 0.23Acho que assim está melhor
Vamos conhecer o público?
Acho que a primeira pergunta é…. Quem usa essas bicicletas? Isso é importante para a empresa pensar em que como fazer campanhas, tanto para agradar seu publico mais fiel ou para atrair pessoas novas.
Ou, em casos de verba para melhor o serviço, que tipo de público-alvo ou persona ela deve focar em agradar, para manter a fidelidade.
Então a primeira pergunta é:
Qual o gênero mais usa o serviço?
| Gênero | Quantidade | Porcentagem |
|---|---|---|
| Feminino | 415577 | 0.26 |
| Masculino | 1179757 | 0.74 |
Claramente, pessoas do gênero masculino são as que mais usam o produto.
Qual idade?
Precisamos categorizar a idade, para tornar mais fácil a visualização e entendiento
| Faixa Etária | Quantidade | Porcentagem |
|---|---|---|
| 0-19 | 21282 | 0.01 |
| 20-29 | 481418 | 0.30 |
| 30-39 | 517432 | 0.32 |
| 40-49 | 313132 | 0.20 |
| 50-59 | 209923 | 0.13 |
| 60-69 | 52147 | 0.03 |
| 70-79 | 0 | 0.00 |
| acima de 80 | 0 | 0.00 |
O maior público das bicicletas está está na faxa dos 20 à 39 anos, mas da metade dos usuários.
Visualizações
Esses dados são do mês de Maio de 2018, não sei se esse mês é possuí alguma data especial em Nova Iorque, mas será que ele pode dar informação não só sobre o marketing, mas também sobre a logística?
Quais dias da semana tem mais usuário?
Pelo menos em Maio, quarta-feira foi o dia mais usado. Colocaria mais bicicletas na rua nestes dias.
O que mais podemos saber sobre os usuários?
Independente do genêro, quarta-feira é o dia mais usado
Independente da faixa etária, os homens foram os que mais usaram o
serviço
Asssinantes(Subscriber) além de utilizarem as
bicicletas mais vezes que
clientes avulsos(Customer), também utilizam mais
nas quartas-feiras.
Curiosidade: Quando sou responsavél técnico em alguma drogaria (Sou farmacêutico de formação), é nítido a importância de um clinte fiel, que prefere consumir em sua drograria. Entretanto, este dataset deixa bem claro a diferença e como isso impacta os negocios e este artigo facilita o entendimento.
As Estações.
Agora iremos avaliar quais são as estações que mais tiveram acesso dos usuário em todo mês de Maio.
Qual a mais estação mais utilizada na quarta?
Há variação pelo tipo de usuário?
Vemos por essa última comparação que os consumidores avulsos tem
utilizam estaçãos diferentes que os assinantes. Considerano que a mais
uada pelos avulsos foi a do Central Park, eu imagino que sejá para
passear por ele, apenas um achismos.
De quaquer forma, talvez seja valiada uma investigação mais profunda. E a partir do resultado, isto pode ser utilizado pelo marketing para alocação de propagrandas nestas estações, específicas para angariar mais inscrições ao programa.
Conclusão
Tivemos uma visão geral qual é o perfil e consumidores dos usuários de biclicletas alugadas em Nova Iorque e possiveis insights que podem ajudar a equipe de negocios a tomar decisões melhores.