Análisis predictivo de datos abiertos sobre el uso turístico del servicio de alquiler compartido de bicicletas de Nueva York. Una perspectiva desde la Ciencia de Datos

Abstract

En este trabajo se analiza desde la metodología de la Ciencia de Datos un conjunto de datos abiertos sobre el uso del servicio de alquiler de bicicletas de Nueva York por usuarios habitualmente vinculados al turismo. El contexto de la Administración Pública local será el tenido en cuenta para la realización de propuestas finales. El objetivo es doble: a) obtener respuestas sobre el uso segmentado del servicio y b) desde la perspectiva de machine learning, buscar el mejor modelo para predecir la demanda diaria de bicicletas, teniendo en cuenta clima (precipitaciones) y eventos (días festivos). Se entrenan siete modelos de diferentes algoritmos, que posteriormente se utilizan para predecir la demanda. El modelo que mejores resultados obtiene en las predicciones es la Red Neuronal Artificial. Las conclusiones subrayan el hecho de que los objetivos organizativos deben guiar el proceso completo de la Ciencia de Datos. Los resultados avalan el hecho de que el proceso de tratamiento de los datos no es ni trivial ni se puede generalizar y puede llegar a ser estratégico, debiéndose guiar por los objetivos de la organización desde el inicio. Asimismo se enfatiza la importancia de que la literatura profundice en detalles sobre el preprocesado y procesado de los datos, tanto como lo hace con los algoritmos. A partir de los resultados se realizan propuestas a nivel de gestión operativa, pero también de planificación estratégica. Será necesario lograr una organización pública orientada al dato, para avanzar hacia el concepto de Smart Government.

In this work we analyze an open data set from the Data Science perspective. The data set is on bicycle trips of non-subscriber users (usually tourists and visitors) of the New York City bike-sharing service. The local government organizational context we will be taken into account for final proposals. Two are the main goals: a) on one hand, we are looking for answers related to a segmented use of the service, and b) on the other hand, from a machine learning perspective, we want to find the best model that predicts the bicycle daily demand, taking into account weather (precipitations) and events (non-working days). We train and test seven different algorithms models, that later we use to predict the demand. The model that best results has obtained in predictions is the Artificial Neural Network. Conclusions highlight, the fact that organizational goals have to guide the full Data Science process. Results support the fact that data pre-processing and processing stages are not trivial nor can be generalized, and it can even become strategic. It is also highlighted the fact that literature should include more accurate explanations on the data pre-processing and processing stages, in the same way that does with algorithms. Based on the data analysis, visualizations and machine learning results, some useful proposals are included from both, operational and strategic perspectives. A fully data-oriented public organization has to be a strategic goal if consolidated advances towards Smart Government are planned.

En aquest treball s'analitza des de la metodologia de la Ciència de Dades un conjunt de dades obertes sobre l'ús del servei de lloguer de bicicletes de Nova York per usuaris habitualment vinculats al turisme. El context de l'Administració Pública local serà el tingut en compte per a la realització de propostes finals. L'objectiu és doble: a) obtenir respostes sobre l'ús segmentat del servei i b) des de la perspectiva de machine learning, buscar el millor model per predir la demanda diària de bicicletes, tenint en compte clima (precipitacions) i esdeveniments (dies festius). S'entrenen set models de diferents algorismes, que posteriorment s'utilitzen per predir la demanda. El model que millors resultats obté en les prediccions és la Xarxa Neuronal Artificial. Les conclusions subratllen el fet que els objectius organitzatius han de guiar el procés complet de la Ciència de Dades. Els resultats avalen el fet que el procés de tractament de les dades no és ni trivial ni es pot generalitzar i pot arribar a ser estratègic, havent-se de guiar pels objectius de l'organització des de l'inici. Així mateix s'emfatitza la importància que la literatura aprofundeixi en detalls sobre el preprocesat i processament de les dades, tant com ho fa amb els algorismes. A partir dels resultats es realitzen propostes a nivell de gestió operativa, però també de planificació estratègica. Serà necessari aconseguir una organització pública orientada a la dada, per avançar cap al concepte de Smart Government.