Chapter 2 Análisis Exploratorio de Datos

Con el fin de entender los datos realizamos una revisión general de estos (solamente de la base de datos de entrenamiento posterior a haberla dividido en entrenamiento, validación y prueba) y tratamos de identificar aquellas variables que pudieran ser interesantes para nuestro estudio. A continuación se muestra una breve parte de la exploración de datos. Si desea consultar el análisis completo puede encontrarlo en la siguiente liga EDA.

El data set está compuesto por las siguientes variables:

Variable	Tipo	Descripción
ADR	Numeric	Tarifa diaria promedio definida por [5]
Adults	Integer	Número de Adultos
Agent	Categorical	DNI de la agencia de viajes que realizó la reservaa
ArrivalDateDayOfMonth	Integer	Día del mes de la fecha de llegada
ArrivalDateMonth	Categorical	Mes de la fecha de llegada con 12 categorías: “enero” a “diciembre”
ArrivalDateWeekNumber	Integer	Número de semana de la fecha de llegada
ArrivalDateYear	Integer	Año de la fecha de llegada
AssignedRoomType	Categorical	Código del tipo de habitación asignada a la reserva. A veces, el tipo de habitación asignada difiere del tipo de habitación reservada debido a razones de operación del hotel (por ejemplo, overbooking) o por solicitud del cliente. El código se presenta en lugar de la designación por razones de anonimato
Babies	Integer	Numero de bebes
BookingChanges	Integer	Número de cambios / modificaciones realizadas a la reserva desde el momento en que se ingresó la reserva en el PMS hasta el momento del check-in o la cancelación
Children	Integer	Numero de niños
Company	Categorical	DNI de la empresa / entidad que realizó la reserva o responsable del pago de la reserva. La identificación se presenta en lugar de la designación por razones de anonimato
Country	Categorical	País de origen. Las categorías están representadas en el formato ISO 3155-3: 2013 [6]
CustomerType	Categorical	Tipo de reserva, asumiendo una de cuatro categorías:
DaysInWaitingList	Integer	Número de días que la reserva estuvo en lista de espera antes de que fuera confirmada al cliente
DepositType	Categorical	Indicación sobre si el cliente realizó un depósito para garantizar la reserva. Esta variable puede asumir tres categorías:
DistributionChannel	Categorical	Canal de distribución de reservas. El término “TA” significa “Agentes de viajes” y “TO” significa “Operadores turísticos”
IsCanceled	Categorical	Valor que indica si la reserva fue cancelada (1) o no (0)
IsRepeatedGuest	Categorical	Valor que indica si el nombre de la reserva fue de un huésped repetido (1) o no (0)
LeadTime	Integer	Número de días transcurridos entre la fecha de entrada de la reserva en el PMS y la fecha de llegada
MarketSegment	Categorical	Designación de segmento de mercado. En las categorías, el término “TA” significa “Agentes de viajes” y “TO” significa “Operadores turísticos”
Meal	Categorical	Tipo de comida reservada. Las categorías se presentan en paquetes de comidas de hospitalidad estándar:
PreviousBookingsNotCanceled	Integer	Número de reservas anteriores no canceladas por el cliente antes de la reserva actual
PreviousCancellations	Integer	Número de reservas anteriores que fueron canceladas por el cliente antes de la reserva actual
RequiredCardParkingSpaces	Integer	Número de plazas de aparcamiento requeridas por el cliente
ReservationStatus	Categorical	Último estado de la reserva, asumiendo una de tres categorías:
ReservationStatusDate	Date	Fecha en la que se estableció el último estado. Esta variable se puede utilizar junto con ReservationStatus para comprender cuándo se canceló la reserva o cuándo se registró el cliente en el hotel.
ReservedRoomType	Categorical	Código del tipo de habitación reservado. El código se presenta en lugar de la designación por razones de anonimato
StaysInWeekendNights	Integer	Número de noches de fin de semana (sábado o domingo) que el huésped se hospedó o reservó para alojarse en el hotel
StaysInWeekNights	Integer	Número de noches de la semana (de lunes a viernes) que el huésped se hospedó o reservó para alojarse en el hotel
TotalOfSpecialRequests	Integer	Número de solicitudes especiales realizadas por el cliente (por ejemplo, dos camas individuales o piso alto)

Nuestra variable de interés es IsCanceled la cual toma valores de 1 (fue cancelada) y 0 (no fue cancelada). Así que primero veamos la proporción de cancelaciones en los datos.

Cancelado	No cancelado
0.3620854	0.6379146

Usamos la función skim en la base de datos de entrenamiento para conocer las características generales de cada variable.

Table 2.1: Data summary
Name	data
Number of rows	91531
Number of columns	30
_______________________
Column type frequency:
character	13
numeric	17
________________________
Group variables	None

Variable type: character

skim_variable	complete_rate	min	max	n_unique
hotel	1	10	12	2
is_canceled	1	9	12	2
arrival_date_month	1	3	9	12
meal	1	2	9	5
country	1	2	4	164
market_segment	1	6	13	8
distribution_channel	1	3	9	5
reserved_room_type	1	1	1	10
assigned_room_type	1	1	1	12
deposit_type	1	10	10	3
agent	1	1	4	302
company	1	1	4	329
customer_type	1	5	15	4

Variable type: numeric

skim_variable	n_missing	complete_rate	mean	sd	p0	p25	p50	p75	p100	hist
lead_time	0	1	96.29	105.45	0.00	15	58.0	145	737	▇▂▁▁▁
arrival_date_year	0	1	2015.90	0.61	2015.00	2016	2016.0	2016	2017	▃▁▇▁▂
arrival_date_week_number	0	1	28.18	15.01	1.00	13	31.0	41	53	▆▅▆▇▆
arrival_date_day_of_month	0	1	15.81	8.76	1.00	8	16.0	23	31	▇▇▇▇▆
stays_in_weekend_nights	0	1	0.90	1.00	0.00	0	1.0	2	19	▇▁▁▁▁
stays_in_week_nights	0	1	2.45	1.94	0.00	1	2.0	3	50	▇▁▁▁▁
adults	0	1	1.84	0.61	0.00	2	2.0	2	55	▇▁▁▁▁
children	4	1	0.09	0.37	0.00	0	0.0	0	10	▇▁▁▁▁
babies	0	1	0.01	0.10	0.00	0	0.0	0	10	▇▁▁▁▁
is_repeated_guest	0	1	0.03	0.18	0.00	0	0.0	0	1	▇▁▁▁▁
previous_cancellations	0	1	0.11	0.96	0.00	0	0.0	0	26	▇▁▁▁▁
previous_bookings_not_canceled	0	1	0.13	1.40	0.00	0	0.0	0	61	▇▁▁▁▁
booking_changes	0	1	0.21	0.64	0.00	0	0.0	0	21	▇▁▁▁▁
days_in_waiting_list	0	1	2.96	19.93	0.00	0	0.0	0	391	▇▁▁▁▁
adr	0	1	92.81	46.72	-6.38	65	86.4	114	5400	▇▁▁▁▁
required_car_parking_spaces	0	1	0.07	0.25	0.00	0	0.0	0	8	▇▁▁▁▁
total_of_special_requests	0	1	0.53	0.77	0.00	0	0.0	1	5	▇▁▁▁▁

Podemos observar que:

Tenemos 13 variables categorías, de las cuales podemos destacar que 3 tienen un número alto de categorías (country, agent, company).
Tenemos 17 variables numéricas.
En este primer acercamiento, podemos identificar que las variables corresponden a:
- Variables de tiempo: tiempo previo de reservación, fechas de llegada, duración de la reservación.
- Características de reservación: agencia, país, canal de distribución, segmento de mercado, tipo de depósito, tarifa diaria
- Características de los clientes y sus preferencias: adultos, bebes, tipo de hotel, tipo de habitación

2.0.1 Cancelaciones EDA

Ahora extraemos el subconjunto de cancelados para hacer una revisión de todas las variables con respecto a las reservaciónes canceladas.

sub_cancelados <- subset(train, is_canceled == "cancelado")

Iniciamos con la revisión de los histogramas de cada variable para ver si podemos identificar algun compartamiento interesante. A continuación se muestran los histogramas de las variables más interesantes a nuestro criterio, nuevamente puede consultar la exploración completa de los datos en EDA.

Lead_time: la distribución de sus datos no tiene un comportamiento lógico, porque el mayor número de cancelaciones proviene de o días previos de reservación, pero luego se mueve a valores de 90 días, 40 días y luego regresa a 2 días. será importante ver si existe algún patrón en esta variable.

Si observamos la variable Lead_time antes de la extracción de los datos de cancelación vemos solamente que existe un sesgo, sin embargo, al graficar la misma variable seleccionando solo donde se hicieron cancelaciones podemos ver más claramente la distribución y los picos que son interesantes para nuestro análisis

Country: esta variable presenta un dato totalmente atípico en la categoría PRT por lo que es importante considerarla ya que podría explicar una porción importante de las cancelaciones.

Deposit_type: aqui hay otro caso ilógico, ya que la categoría de no rembolsable está muy por arriba de los rembolsable, uno pensaría que debería ser menos frecuenta la cancelación si no te van a devolver tu dinero. por lo que es otra variable importante.

Analisando la variable deposit_type, se extrae el subset de deposit_type cancelados. Revisamos los porcentajes de cada categoría en las otras variables y observamos que el 97% de las cancelaciones sin rembolso pertenecen al país PRT.

## 
##          BEL           CN          ESP          FRA          GBR         NULL 
## 0.0014139272 0.0021208908 0.0109579357 0.0007069636 0.0120183811 0.0010604454 
##          POL          PRT 
## 0.0038882998 0.9678331566

También se analizó la variable de Agente y se observa que ha una relación del agente 1 con las reservaciones del país PRT y las cancelaciones sin reembolso

2.0.2 Análisis de tendenciás en el tiempo EDA

Para analizar tendencias de cancelación en el timepo se agrupan las cancelaciones por fecha.

Se procede a hacer un análisis de series de tiempo.

En la gráfica de días de la semana podemos observar picos de cancelaciones los días vieres y el más significativo parece ser en el periodo de semana santa lo cual suena lógico

En la siguiente grafica anual se observar dos picos que puede corresponder a las vacaciones de verano.