🚴🏻‍♀️PROYECTO CYCLISTICS CHICAGO 2024

---

title: "README.RD" author: "marely" date: "2025-01-18"

Descripción del Proyecto

Este proyecto tiene como objetivo analizar datos de viajes realizados en el sistema de bicicletas compartidas Cyclistics durante el año 2024. El análisis se centra en entender cómo difieren los patrones de uso entre los clientes y los suscriptores para diseñar estrategias de marketing orientadas a convertir a los clientes en suscriptores. Los resultados del análisis respaldarán recomendaciones estratégicas para maximizar los ingresos y la sostenibilidad del programa.

Escenario

Contexto Organizacional

Cyclistics es un programa de bicicletas compartidas en Chicago con una flota de 5,824 bicicletas y 692 estaciones. El programa destaca por su flexibilidad de precios y la variedad de bicicletas, que incluyen opciones tradicionales y asistidas para personas con discapacidad. Aunque la mayoría de los usuarios utilizan bicicletas tradicionales y alrededor del 30% las usa para desplazamientos laborales diarios, el programa busca crecer mediante la conversión de clientes en suscriptores.

Estructura del Proyecto

El proyecto se organiza en dos scripts principales:

1. Preparación y Limpieza de Datos (preparacion-limpieza-cyclistics.R): Combina archivos CSV, limpia los datos y los prepara para el análisis.

2. Análisis y Visualización de Datos (analisis-cyclistics.R): Realiza análisis descriptivos y genera visualizaciones clave.

Requisitos del Entorno

Lenguaje R, versión 4.4.2

Asegúrese de tener instalados los siguientes paquetes de R:

• tidyverse

• lubridate

• ggplot2

• scales

Instrucciones

1. Preparación y Limpieza de Datos

Pasos principales:

1. Cargar archivos CSV: Los archivos de datos de origen están ubicados en la carpeta data/data-meses.

2. Combinación de datos: Todos los archivos CSV se combinan en un único DataFrame.

3. Limpieza:

   • Se eliminan columnas innecesarias (start_lat, start_lng, end_lat, end_lng).

   • Se renombran columnas para mayor claridad (e.g., ride_id a id_recorrido).

   • Se eliminan registros duplicados y valores negativos en la columna tiempo_recorrido.

   • Se reemplazan valores nulos en columnas relevantes con "Desconocido".

4. Transformaciones:

   • Se crean nuevas columnas como mes, dia_semana y tiempo_recorrido.

   • Se formatean columnas de texto para garantizar consistencia.

   • Se eliminan conflictos en las columnas relacionadas con estaciones.

5. Exportar datos: El archivo limpio final se guarda como 2024-tripdata-clean.csv en la carpeta data.

6. Ejecute el script:

source("preparacion-limpieza-cyclistics.R") 

2. Análisis y Visualización de Datos

Pasos principales:

1. Importar datos limpios: Cargue 2024-tripdata-clean.csv.

2. Análisis descriptivo:

   • Tiempo promedio, máximo, mínimo y mediano de recorrido.

   • Comparaciones entre usuarios "clientes" y "suscriptores".

3. Visualizaciones:

   • Tendencias mensuales de recorridos por tipo de usuario.

   • Tiempo promedio mensual de recorrido.

   • Número de recorridos por día de la semana.

   • Tiempo promedio de recorridos por día de la semana.

4. Las visualizaciones se generan con ggplot2, utilizando paletas de colores personalizadas para distinguir tipos de usuarios.

5. Ejecute el script:

source("analisis-cyclistics.R") 

3. Resultados y Visualizaciones

• Gráficos mensuales:

  • Tendencias de recorridos mensuales para clientes y suscriptores

    

  • Tiempo promedio de recorrido por mes para "clientes" y "suscriptores".

    

• Gráficos semanales:

  • Número de recorridos diarios.

    

  • Tiempo promedio diario de recorridos.

    

Los gráficos incluyen anotaciones y un formato visual uniforme.

Conclusiones

Diferencias en el uso entre clientes y suscriptores

1. Frecuencia de uso: Los suscriptores realizan recorridos con mayor frecuencia, mientras que los clientes tienden a utilizarlas principalmente durante fines de semana y meses de verano.

2. Duración de los recorridos: Los clientes registran tiempos de recorrido promedio más largos en comparación con los suscriptores, lo que indica un uso más recreativo.

3. Patrones por día de la semana: Los suscriptores muestran un uso más consistente durante días laborales, lo que sugiere que utilizan las bicicletas para desplazamientos diarios al trabajo.

Recomendaciones para estrategias de marketing

1. Promociones en días laborales: Incentivar a los clientes a utilizar las bicicletas en días laborales mediante descuentos o beneficios exclusivos para membresías anuales.

2. Campañas educativas: Resaltar los beneficios económicos y de conveniencia de las membresías anuales en comparación con los pases ocasionales.

3. Programas de fidelización: Crear incentivos para los clientes frecuentes, como créditos aplicables a una membresía anual.

Impacto en la estrategia de marketing

Estas conclusiones respaldan el diseño de campañas específicas para convertir a clientes en suscriptores, alineándose con el objetivo de maximizar ingresos y garantizar la sostenibilidad del programa.

Archivos Incluidos

• preparacion-limpieza-cyclistics.R: Script para preparación y limpieza de datos.

• analisis-cyclistics.R: Script para análisis y visualización de datos.

• Carpeta data: Contiene archivos CSV de origen y los datos limpios procesados.

Consideraciones

• Este proyecto está diseñado para ser ejecutado en un entorno local con soporte para R.

• Revise los nombres de las carpetas y asegúrese de que coincidan con las rutas especificadas en los scripts.

• El análisis debe alinearse con el objetivo principal de la empresa: aumentar el número de suscriptores.

  Créditos

• Datos proporcionados por Cyclistics, Chicago 2024.

Si tiene preguntas o necesita soporte, no dude en contactarme. ¡Gracias por explorar este análisis!