TodoBI - Business Intelligence, Big Data, ML y AI TodoBI - Business Intelligence, Big Data, ML y AI

Caso de Estudio BI Open Data: Bicing II parte

En la anterior entrada  hemos hecho un pequeño caso de estudio Open Data y de aplicación práctica del Business Intelligence sobre los datos del Bicing de Barcelona. Y hemos visto cómo el principal uso que se le da al servicio de Bicing, a tenor de los datos, es para ir a trabajar.
Si nos fijamos, hay dos patrones, las estaciones que son usadas "para ir a trabajar" y las que son usadas para "venir a trabajar". Esto se puede ilustrar fácilmente con las siguientes 2 estaciones:
La estación 127 - Aragó 661  Si nos fijamos empiezan a bajar las bicicletas disponibles  desde las 7:30 hasta las 8:30 que es el intervalo horario donde la gente suele ir a trabajar:

En cambio, si miramos una estación ubicada en un sitio donde hay oficinas alrededor, cómo puede ser la estación   375 -  World Trade Center  que está ubicada en el conocido edificio de oficinas , vemos cómo las bicicletas empiezan a acumularse desde las 8 hasta las 9 de la mañana que llega a su punto álgido, a la hora que normalmente la gente entra a la oficina:

De hecho esta comparativa suscitó una tercera gráfica.... Comparar los usos de cada día, para ver cómo se comporta una misma estación durante los diferentes días de la semana.  Por lo que gracias a la flexibilidad y facilidad que nos proporciona Pentaho y las ctools  de webdetails   la hemos puesto "en un plis plas"
Fijaros en la diferencia entre un lunes y un domingo en la estación    127 - Aragó 661  :

El lunes la gente coge las bicis para ir a trabajar, hasta que se quedan sin bicicletas (esto me ha pasado). Alrededor de las 9 viene una furgoneta reponedora y vuelve a llenar la estación  que a partir de ese momento fluctúa con el uso normal. Pero el domingo... hasta las 11 no hay apenas movimiento y en realidad es un trafico inverso, la gente viene a este punto.
Es interesante ver cómo en este gráfico tenemos 3 representaciones  de los mismos datos  que nos proporciona diferente información  . En este caso temporal:
  • La evolución diaria que nos indica que día hubo más o menos  bicicletas  de  media teniendo que el martes (26) fue el peor día para encontrar una bicicleta en esta estación .
  • La evolución intra-dia que nos permite ver la evolución minuto a minuto a minuto los mejores y peores momentos para coger una bicicleta en esta estación. Quizás merece la pena madrugar 5 minutos para asegurarse de que habrá una bicicleta, si no, mejor esperar a que sean las 9.
  • La comparativa de los diferentes días para ver cómo se comporta la misma estación un lunes y un domingo, por ejemplo.
Pero todo esto nos lleva a la siguiente pregunta.... Dónde se ubican las mejores y las peores estaciones? Hemos visto las estaciones ... ¡Pero ahora queremos visualizarlas espacialmente!  ¿Las peores son las del centro? ¿donde están las mejores? Para eso nada mejor que pintarlas en un mapa . Bueno, en realidad en 2 Mejores Vs Peores:

(ir al dashboard )
Esta comparativa de mapas nos permite ver las mejores Vs las peores estaciones en las últimas 2 semanas. Podemos ver que, las peores se encuentra normalmente en el centro con algunas excepciones cómo la estación   510 - Radi, 11   que parece abandonada  o estropeada ya que la que hay justo al lado, 352 - Radi, 10 es una de las mejores. Pero dejando de lado esta anécdota podemos ver  2 patrones claramente diferenciados  entre las mejores estaciones (las que más bicicletas disponibles tienen) y las peores.
Y dado que ya me estoy extendiendo mucho.... eso lo dejaremos para un siguiente post de este interesante caso de estudio.