Contexto

A empresa “London Bikes Digital” opera um sistema de compartilhamento de bicicletas em Londres. O desafio é entender padrões de uso, sazonalidades, influência do clima e eventos especiais, em apoio a decisões como planejamento de frota, estratégias de precificação, e expansão de pontos de retirada.

Pergunta norteadora:

Como variáveis meteorológicas, sazonais e eventos impactam o uso de bikes, e como a empresa pode atuar de maneira mais eficiente?

Parte 1: Análise Exploratória de Dados

1. Coleta e compreensão inicial

• Baixar o dataset (já formatado em csv).

  london_merged.csv

• Breve explicação de cada coluna:

  • cnt (total de bikes por hora)
  • Temperatura real/aparente (t1, t2)
  • Umidade, vento
  • Códigos de clima
  • Sazonalidade, finais de semana e feriados

2. Limpeza e preparação dos dados (Excel)

• Inspecionar valores ausentes e inconsistências.
• Construir uma tabela dinâmica simples para totalizar o uso por dia, mês, estação, feriado e final de semana.
• Criar gráficos básicos (linha para tendência diária/mensal; barras para comparação por estação e climático).

3. Análise gráfica aprofundada (Excel & PowerBI)

• Visualizar a variação por hora ao longo dos dias—quando ocorre o pico de uso?
• Analisar a influência das variáveis meteorológicas:
  • Gráfico de dispersão (“cnt” versus temperatura, chuva, vento)
  • Linhas para feriados vs dias normais
  • Mapa de calor (heatmap) em Tableau para visualização de padrões horários/semanal
• Visualizar pelotões de dados relevantes para a administração:
  • Quais períodos poderiam justificar aumento ou redução de frota?
  • Impacto do clima extremo em diferentes estações.