Desarrollo de un modelo predictivo estacional con segmentación por cliente para la estimación de la demanda

Abstract

[ES] Este informe corresponde al estudio realizado sobre la precisión y la eficacia de los modelos de predicción para estimar la demanda en el mercado del reparto de bicicletas. El estudio revisa el enfoque tradicional de predicción del número de viajes por hora para estimar las repercusiones económicas para la empresa propietaria. Sobre la base de los resultados obtenidos en los modelos predictivos, la empresa propietaria obtendrá información valiosa que le ayudará a tomar las decisiones correspondientes para maximizar sus beneficios y reducir sus costos. El estudio compara los resultados de los modelos predictivos cuando se realiza una segmentación minuciosa del mercado y determina sus repercusiones y beneficios. Es evidente la variación de la estacionalidad climática en diferentes partes de los Estados Unidos. Por ejemplo, el clima de las ciudades costeras de California es conocido por su estabilidad a lo largo del año. Por otra parte, las ciudades del medio oeste, como Chicago, tienen un gran contraste en la temperatura, las precipitaciones e incluso la velocidad del viento según la época del año. Sin embargo, no está claro cuáles son las repercusiones en la demanda de acciones de bicicletas y su impacto en el número de bicicletas necesarias para ofrecer un servicio de calidad en cada época del año. En este estudio se tratará de poner de relieve la relación, o la falta de ella, entre esta diferencia climática para el estudio de la demanda de bicicletas, y se analizará su impacto en los modelos de predicción generados como resultado del estudio. Además, conocer el comportamiento de los usuarios regulares y ocasionales de este servicio y los factores que más afectan a su uso del servicio es clave para entender la industria en profundidad y para informar las decisiones estratégicas. Los estudios muestran que el patrón de demanda entre ambos tipos de usuarios es muy diferente, y que su conocimiento tiene un impacto en los modelos de predicción. Sin embargo, esta afirmación se pondrá a prueba en el presente estudio. Por último, se combinará la segmentación del mercado estacional y el tipo de usuario para comprender cómo se comporta cada una de las categorías en diferentes épocas del año.

[EN] This report corresponds to the study carried out on the accuracy and effectiveness of predictive models to estimate the demand in the bike sharing market. The study revises the traditional approach to predicting the number of trips per hour in order to estimate the economic repercussions for the owner company. Based on the results obtained in the predictive models, the owner company will obtain valuable information that will help it make the corresponding decisions to maximize its profits and reduce its costs. The study compares the results of predictive models when a thorough segmentation of the market is performed and determines their impact and benefits. The variation of climatic seasonality in different parts of the United States is evident. For instance, the climate of coastal cities in California is known for its stability throughout the year. On the other hand, cities in the midwest, such as Chicago, have a great contrast in temperature, rainfall and even wind speed depending on the time of year. However, it is not clear what the repercussions are on the demand for bike shares and their impact on the number of bikes needed to offer a quality service at each time of the year. This study will try to highlight the relationship, or lack thereof, between this weather difference for the study of bike demand, and will analyse its impact on the predictive models generated as a result of the study. In addition, knowing the behavior of both regular and occasional users of this service and the factors that most affect their use of the service is key to understanding the industry in depth and to informing strategic decisions. Studies show that the demand pattern between both types of users is very different, and that their knowledge has an impact on predictive models. However, this statement will be tested in this study. Finally, the segmentation of the seasonal market and the type of user will be combined in order to understand how each of the categories behaves at different times of the year.