Googleデータアナリティクス - ケーススタディーの学習、その2

ケーススタディー：自転車シェアリングサービスを成功させる

Googleデータアナリティクス プロフェッショナルのケーススタディーとして、
架空の自転車シェアリングサービスを成功させる＝利潤を向上させる方法をデータ分析の手法を用いて提案しました。今回は前回の処理の仕方を見直し、以下の処理と分析の工程を加えました。

①year_monthという月ごとの分析に使うデータを追加
②乗車時間のデータ(ride_length)から負の値を排除したデータフレームを新しく作成する
③可視化資料として、以下の内容を共有する：

• 週ごとの利用車数(メンバー・カジュアルの比較)
• 週ごとの利用時間の平均
• 月ごとの利用車数
• 月ごとの利用時間の平均
• 車種ごとの利用車数
• 車種ごとの利用時間の平均
• 利用者数の折れ線グラフとその平滑化曲線

④可視化資料を基に、次の3点をメンバー・カジュアルの利用傾向の違いとして共有する：

• 週ごとの比較では、カジュアルユーザーは休日に利用者が増え逆に年間メンバーは平日に利用者が増える
• 月ごとに比較するとメンバー・カジュアルともに1年間に大きな季節性の変動があり、特にカジュアルユーザーは冬季の利用者が著しく減少する。折れ線グラフを平滑化するとよりこの傾向が明確になる
• 利用車種ごとに比較するとカジュアルユーザーは電動バイクの利用者が若干多く、利用時間自体も長い。特にドックド型自転車(利用終了時に関らず返却を要する)はその他の車種の4倍以上の利用時間となる

処理

データ処理の段階を改善し、新しく定性データの追加・バッドデータのクリーンアップを行う過程を加えました。この段階でデータの処理と分析にどのようなツールを使うか・データのクリーニングを完了しているかを確認します。12ヶ月分のデータを結合したデータフレームを作成する他、分析に用いる新しい指標と定性データを追加しています。

• divvy社の2022年3月 - 2023年2月までの自転車シェアリング事業のデータを1つのcsvファイルに統合
• 利用時間(ride_length)という定量データを追加（利用終了時間 - 利用開始時間を計測する）
• date, month, day, day_for_weekという日付に関係する定性データを追加(2022-03 ~ 2023-02)
• year_monthという月ごとの分析に使うデータを追加(2022-03 ~ 2023-02)

データを1つのデータフレームに纏める

library(lubridate)  #時刻データを扱うメソッド
library(ggplot2)  #可視化

setwd("C:\\Users\\user\\Desktop\\Data_Learning\\2023_share_cycling")
data_202203 <- read.csv("202203-divvy-tripdata.csv")
data_202204 <- read.csv("202204-divvy-tripdata.csv")
data_202205 <- read.csv("202205-divvy-tripdata03.csv")
data_202206 <- read.csv("202206-divvy-tripdata.csv")
data_202207 <- read.csv("202207-divvy-tripdata.csv")
data_202208 <- read.csv("202208-divvy-tripdata.csv")
data_202209 <- read.csv("202209-divvy-publictripdata.csv")
data_202210 <- read.csv("202210-divvy-tripdata.csv")
data_202211 <- read.csv("202211-divvy-tripdata.csv")
data_202212 <- read.csv("202212-divvy-tripdata.csv")
data_202301 <- read.csv("202301-divvy-tripdata.csv")
data_202302 <- read.csv("202302-divvy-tripdata.csv")

#bind_rowsを使って12ヶ月分のデータを1つのデータフレームに纏める
data_all <- bind_rows(data_202203, data_202204, data_202205, data_202206, data_202207, data_202208, data_202209, data_202210, data_202211, data_202212, data_202301, data_202302)

View(data_all)
colnames(data_all)
str(data_all)

#自転車ID(ride_id)を文字列データに変換
data_all <-  mutate(data_all, ride_id = as.character(ride_id))

#分析に使わないデータを削除する(start_lat, start_lng, end_lat, end_lng)
data_all <- data_all %>%  
	select(-c(start_lat, start_lng, end_lat, end_lng))

データのクリーンアップを開始

#データの内容を確認
colnames(data_all)  #データのコラム名
nrow(data_all)  #データフレームの行数
dim(data_all)  #データフレームの次元数
head(data_all)  #最初の5行を開始
str(data_all)  #データコラムのデータ型を表示する
summary(data_all)  #定量データの要約統計量を表示

# 時系列データをクリーンアップ・文字列→時刻に変換、新しい時刻データを追加
# https://www.statmethods.net/input/dates.html more on date formats in R found at that link
data_all$date <- as.Date(data_all$started_at) #The default format is yyyy-mm-dd
data_all$month <- format(as.Date(data_all$date), "%m")
data_all$day <- format(as.Date(data_all$date), "%d")
data_all$year <- format(as.Date(data_all$date), "%Y")
data_all$day_of_week <- format(as.Date(data_all$date), "%A")

#乗車時間のデータ(ride_length)を追加
data_all$ride_length <- difftime(data_all$ended_at, data_all$started_at)

#乗車時間のデータ(ride_length)を定量データに変換する
is.factor(data_all$ride_length)
data_all$ride_length <- as.numeric(as.character(data_all$ride_length))
is.numeric(data_all$ride_length)

#乗車時間のデータ(ride_length)から負の値を排除したデータフレームを新しく作成する。
#排除前のデータ列数 - 5829084
#排除後のデータ列数 - 5821120、排除データは7964個(全体の0.136%)
data_all_new <- filter(data_all, ride_length > 0)
data_all_bad <- filter(data_all, ride_length <= 0)

#新しい時刻データを追加
data_all_new$year_month <- format(as.Date(data_all_new$date), "%Y-%m") 

バッドデータを除去すると、排除前のデータ列数は5829084・排除後のデータ列数は5821120、排除データは7964個となることが分かりました。これは 全体の0.136% に相当します。

分析

データの統計解析

mean(data_all_new$ride_length) #平均
median(data_all_new$ride_length) #中央値
max(data_all_new$ride_length) #最大値
min(data_all_new$ride_length) #最小値

#summary()で要約統計量を表示する
summary(data_all_new$ride_length)

# 年間ユーザー・カジュアルユーザーを比較する
aggregate(data_all_new$ride_length ~ data_all_new$member_casual, FUN = mean)
aggregate(data_all_new$ride_length ~ data_all_new$member_casual, FUN = median)
aggregate(data_all_new$ride_length ~ data_all_new$member_casual, FUN = max)
aggregate(data_all_new$ride_length ~ data_all_new$member_casual, FUN = min)

データの可視化

#週ごとの利用車数(メンバー・カジュアルの比較)を可視化する
data_all_new %>% 
  mutate(weekday = wday(started_at, label = TRUE)) %>% 
  group_by(member_casual, weekday) %>% 
  summarise(number_of_rides = n() ,average_duration = mean(ride_length)) %>% 
  arrange(member_casual, weekday)  %>% 
  ggplot(aes(x = weekday, y = number_of_rides, fill = member_casual)) +
  geom_col(position = "dodge")

#週ごとの利用時間の平均(メンバー・カジュアルの比較)を可視化する
data_all_new %>% 
  mutate(weekday = wday(started_at, label = TRUE)) %>% 
  group_by(member_casual, weekday) %>% 
  summarise(number_of_rides = n() ,average_duration = mean(ride_length)) %>% 
  arrange(member_casual, weekday)  %>% 
  ggplot(aes(x = weekday, y = average_duration, fill = member_casual)) +
  geom_col(position = "dodge")

#月ごとの利用車数(メンバー・カジュアルの比較)を可視化する
data_all_new %>% 
  group_by(member_casual, year_month) %>% 
  summarise(number_of_rides = n()) %>% 
  arrange(member_casual, year_month)  %>% 
  ggplot(aes(x = year_month, y = number_of_rides, fill = member_casual)) +
  geom_col(position = "dodge")

#月ごとの利用時間の平均(メンバー・カジュアルの比較)を可視化する
data_all_new %>% 
  group_by(member_casual, year_month) %>% 
  summarise(average_duration = mean(ride_length)) %>% 
  arrange(member_casual, year_month)  %>% 
  ggplot(aes(x = year_month, y = average_duration, fill = member_casual)) +
  geom_col(position = "dodge")

#車種ごとの利用車数(メンバー・カジュアルの比較)を可視化する
data_all_new %>% 
  group_by(member_casual, rideable_type) %>% 
  summarise(number_of_rides = n()) %>% 
  arrange(member_casual, rideable_type)  %>% 
  ggplot(aes(x = member_casual, y = number_of_rides, fill = rideable_type)) +
  geom_col(position = "dodge")

#車種ごとの利用時間の平均(メンバー・カジュアルの比較)を可視化する
data_all_new %>% 
  group_by(member_casual, rideable_type) %>% 
  summarise(average_duration = mean(ride_length)) %>% 
  arrange(member_casual, rideable_type)  %>% 
  ggplot(aes(x = member_casual, y = average_duration, fill = rideable_type)) +
  geom_col(position = "dodge")

#日付ごとの利用車数(メンバー・カジュアルの比較)を可視化、折れ線グラフとする
data_all_new %>% 
  group_by(member_casual, date) %>% 
  summarise(number_of_rides = n()) %>% 
  arrange(member_casual, date)  %>% 
  ggplot(aes(x = date, y = number_of_rides, color = member_casual))+
  geom_line() + facet_wrap(~member_casual)

#日付ごとの利用車数(メンバー・カジュアルの比較)を可視化、折れ線グラフとする
data_all_new %>% 
  group_by(member_casual, date) %>% 
  summarise(number_of_rides = n()) %>% 
  arrange(member_casual, date)  %>% 
  ggplot(aes(x = date, y = number_of_rides, color = member_casual))+
  geom_point(size = 1) + 
  stat_smooth(method = "loess", se = TRUE, size = 2) + 
  facet_wrap(~member_casual)

共有

データの可視化が完了したので、自転車シェアリングサービスに対するインサイトを考案します。今回は、①カジュアルユーザー・年間メンバーとで自転車の利用法に違いがあるかという事業タスクに対して明確な答えを3点提案することを目指しました。

週ごとの利用者数・利用時間の違い

①年間メンバーの利用者数は、平日になるとカジュアルユーザーの1.5~2.0倍ほどの水準となります。利用者数に平日に利用者数が増えるか・減るかという利用法の違いがあります。利用時間に注目すると、カジュアルユーザーは年間メンバーに比べ利用時間の平均が2.0~3.0倍程となります。特に休日と月曜・金曜にこの傾向が高いようです。

月ごとの利用者数の違い

②月ごとの利用者数に着目すると季節性の変動があり、利用者数に大きな影響を与えます。特にカジュアルユーザーにおいて影響が顕著で、12月の利用者は同年7月の1/8以下まで下がります。利用者数の折れ線グラフを平滑化すると、この傾向が明確になります。

車種の利用者数・利用時間の違い

③車種ごとの利用数の違いに比較すると、カジュアルユーザーは電動バイクの利用者が若干多いことが分かります。利用時間自体も長く特にドックド型自転車(利用終了時に返却を要する)の場合、その他の車種の4倍以上の利用時間となります。