Анализ спроса на аренду самокатов для динамического ценообразования

Описание проекта

Сервис аренды самокатов «Kick Driver» планирует внедрить динамическую систему ценообразования, чтобы лучше балансировать спрос и предложение, увеличивать выручку и повышать доступность самокатов в нужных локациях. Для этого необходимо понять, какие факторы влияют на спрос, и как можно использовать эти знания для гибкого управления ценами.

Цель исследования — ответить на вопрос: как устроен спрос на самокаты и какие факторы нужно учитывать при формировании динамической цены?

Данные

В распоряжении имеются два набора данных:

1. Поездки (rides.csv) — информация о каждой аренде:

   • id — идентификатор поездки
   • start_date, end_date — дата и время начала/окончания
   • start_location, end_location — точки старта и финиша
   • start_district, end_district — районы
   • distance — пройденное расстояние (в метрах)
   • promo — флаг использования промо-кода

2. Погода (weather.csv) — почасовые метеоданные:

   • datetime — время замера
   • temperature — температура (°C)
   • precipitation_total — количество осадков (мм)
   • wind_gust, wind_speed — скорость/порывы ветра (м/с)
   • cloud_cover_total — облачность (%)
   • sunshine_duration — продолжительность солнечного сияния (часы)

Данные были очищены, обработаны пропуски, удалены выбросы и объединены в единую таблицу для анализа.

Методология

Исследование разделено на четыре блока, каждый из которых проверяет влияние отдельного фактора на спрос:

1. Время — будни против выходных, сезонность, время суток.
2. Цена и промо — влияние стоимости поездки и акций на поведение пользователей.
3. Локации — различия в спросе между районами и конкретными точками старта.
4. Погода — влияние осадков, температуры, ветра и комплексного индекса «плохой погоды».

Дашборд

Интерактивный дашборд для визуализации ключевых метрик доступен по ссылке:
https://datalens.yandex/ty12repqie02d

Используемые инструменты и библиотеки

• Python (Jupyter Notebook)
• Pandas, NumPy — обработка данных
• Matplotlib, Seaborn — визуализация
• SciPy, statsmodels — статистические тесты и регрессия
• scikit-learn — нормализация данных
• DataLens — построение дашборда

Вывод

Проведённое исследование позволило выявить ключевые драйверы спроса на самокаты: тип дня (выходные), ценовые стимулы (промо), локацию старта и погодные условия. Эти факторы могут быть использованы для построения гибкой системы ценообразования, которая позволит увеличить выручку, сбалансировать спрос и предложение и повысить удовлетворённость пользователей.