CASO DE ESTUDIO BELLABEAT
CUADERNO R
AUTOR: ROGELIO ERNESTO DE LA CRUZ RODRÍGUEZ
Introducción.
Acerca
de la empresa.
Bellabeat, una empresa de tecnología para la salud
fundada por Urška Sršen y Sando Mur, fabrica productos inteligentes diseñados
para el bienestar de la mujer. Sršen, una artista, aportó su experiencia para
crear dispositivos elegantes y tecnológicos que puedan educar e inspirar a las
mujeres a nivel mundial. Al recopilar datos sobre actividad física, sueño,
estrés y salud reproductiva, Bellabeat brinda a las mujeres información sobre
sus hábitos y salud. Desde 2013, Bellabeat ha experimentado un rápido crecimiento,
estableciéndose como una empresa líder en tecnología para el bienestar de la
mujer.
Tarea empresarial.
Bellabeat busca mejorar la competitividad de su reloj inteligente Time en
el mercado de wearables de salud y bienestar. Para lograrlo, analizará
tendencias clave en el uso de dispositivos inteligentes, identificando
oportunidades para incorporar tecnologías avanzadas como inteligencia
artificial predictiva, sensores biométricos y telemedicina 5G.
Se priorizarán las necesidades de las usuarias actuales y potenciales,
considerando la influencia de la competencia, la viabilidad tecnológica y las
expectativas de inversionistas y profesionales de la salud.
Como resultado, se diseñarán estrategias de producto y marketing que
impulsen la diferenciación y el posicionamiento de Bellabeat en el sector.
PREGUNTAS A
CONTESTAR.
● ¿Cuáles son algunas tendencias de
uso de los dispositivos inteligentes?
Monitorización avanzada e IA: Integración de sensores biométricos (glucosa,
presión, hidratación, salud mental) y análisis en tiempo real para predecir
crisis y personalizar rutinas.
Ejemplos destacados: Relojes que detectan estrés, anillos inteligentes que
monitorizan el sueño.
Telemedicina 5G: Transmisión instantánea de datos, cirugías remotas y
monitoreo domiciliario.
Ecosistemas interconectados: Sincronización con hogares inteligentes,
historiales clínicos y comunidades virtuales.
Bienestar integral: Combinación de meditación, ejercicio, nutrición y
alertas proactivas.
● ¿Cómo se podrían aplicar estas
tendencias a los clientes de Bellabeat?
Sensores avanzados: Integrar análisis hormonal (cortisol, estrógeno) y SpO₂
para medir fatiga e hidratación.
Telemedicina 5G: Compartir datos en tiempo real con profesionales y emitir
alertas automáticas.
Ecosistema interconectado: Conectar con dispositivos de glucosa, básculas y
apps de nutrición, centralizando la información en un dashboard unificado.
Diseño y privacidad: Mantener una estética elegante con optimización de
batería y cifrado de datos.
● ¿Cómo podrían ayudar estas
tendencias a influir en la estrategia de marketing de Bellabeat?
Contenido educativo y personalizado: Destacar funciones biométricas
avanzadas y explicar datos de salud femenina (p.ej., niveles de cortisol y
SpO₂).
Colaboraciones y validación experta: Alianzas con ginecólogos,
nutricionistas e influencers de salud.
Segmentación por etapas vitales: Campañas dirigidas a embarazo, menopausia
y condiciones como SOP.
Experiencia integrada: Mostrar la interacción del reloj con dispositivos
IoT y utilizar realidad aumentada para visualizar datos.
Enfoque en bienestar preventivo: Estrategias de marketing basadas en
insights personalizados y promoción de la tecnología preventiva para la salud
femenina.
PREPARACIÓN DE LOS DATOS.
Hay que proceder a la preparación de los datos antes de pasar a la etapa de
procesamiento, para esto es necesario contestar las siguientes preguntas
orientativas:
- ¿Dónde se almacenan los datos?
Los datos están almacenados en la plataforma Kaggle a partir de los “Datos
de seguimiento de actividad física de Fitbit” durante el periodo 12 de marzo al
12 de mayo del 2016 y en diversas páginas de internet, de dónde procedí a
descargarlos a mi computadora y a Google Drive.
· ¿Cómo están organizados los datos? ¿Están en formato largo o ancho?
Mis datos son archivos .csv y están en formato ancho donde cada número de
id representa un usuario diferente y cada columna representa una medición
diferente.
- ¿Hay problemas con el sesgo o la credibilidad de
estos datos? ¿Los datos son confiables, originales, integrales, actuales y
citados (ROCCC)?
o No hay problemas de sesgo con los datos, ya que los mismos no informan
sexo, edad, raza, estatus social ni otros factores que podrían afectar la
credibilidad de estos por problemas de discriminación.
o Son originales e integrales porque se toman de fuentes confiables (usuarios
de Fitbit).
o En cuanto a la actualización, aunque los datos tomados para el analisis datan
del año 2016, el tiempo promedio semanal dedicado al ejercicio se mantiene
alrededor de las 2 horas semanales en la actualidad.
o Las fuentes fueron citadas debidamente en formato APA 7ma. Edición.
- ¿Cómo se aborda la autorización, la privacidad, la
seguridad y la accesibilidad?
o No hay problemas de autorización de los datos ya que son CC0: Dominio
público, conjunto de datos disponibles a través de Mobius.
o En cuanto a la privacidad dichos datos fueron proporcionados de manera
anónima y consentida por usuarios de Fitbit.
o Los datos se encuentran disponibles en Google Sites de manera pública.
- ¿Cómo verificar la integridad de los datos?
En el transcurso de este trabajo se describe el proceso de limpieza de los
datos, garantizando su integridad.
- ¿Existe algún problema con los datos?
No.
Fuentes de los datos.
Durante el desarrollo del contexto de este trabajo y con los fines de
encontrar información actualizada de las tendencias mundiales sobre el uso de
dispositivos de seguimiento de la actividad física y de salud de la sociedad
actual nos auxiliamos de las siguientes fuentes:
●
Average hours per day spent in selected
leisure and sports activities by age. (n.d.). Bureau of Labor Statistics. https://www.bls.gov/charts/american-time-use/activity-leisure.htm
●
Bellabeat Introduces Time. (2018,
Diciembre 6). BioSpace. https://www.biospace.com/bellabeat-introduces-time
●
Bellabeat. (n.d.). About Time.
Bellabeat.com. https://support.bellabeat.com/hc/en-us/articles/360002118979-Introduction
●
BELLABEAT - TIME Smartwatch (Silver) – The
Wearables Store. (n.d.). The Wearables Store. https://www.thewearablesstore.com/products/bellabeat-time-smartwatch-silver
●
Duffin, M. (2024, Junio 21). How to
Improve Your Fitness with Biometric Wearables. Rare Connections. https://rareconnections.io/biometric-wearables/
●
Ganesh, S. (2024, Agosto 3). AI
Innovations in Smart Watches: Beyond Fitness Tracking Explore how AI
innovations in smartwatches are revolutionizing wearable technology. Inside
Technology. https://www.analyticsinsight.net/artificial-intelligence/ai-innovations-in-smart-watches-beyond-fitness-tracking
●
Garza. (2025, Enero 18). Las 5 tendencias en tecnología
para el hogar inteligente en 2025. Garza. https://garza.es/blogs/noticias/las-5-tendencias-en-tecnologia-para-el-hogar-inteligente-en-2025
●
Informa Markets. (2025, Enero 6). Telemedicina 2.0: Cómo
el 5G y los wearables revolucionarán la salud en 2025. Expomedia Hub. https://www.expomedhub.com/nota/innovacion/5g-y-wearables-revolucionaran-la-salud-en-2025
●
Irwin, S., & Australian Institute of
Fitness. (2024, Marzo 20). Harnessing the Power of Wearable Technology: How
Fitness Trackers and Smartwatches Improve Your Workouts. The Fitness Zone. https://fitness.edu.au/the-fitness-zone/harnessing-the-power-of-wearable-technology-how-fitness-trackers-and-smartwatches-improve-your-workouts/
●
Luzhetska, O. (2022). Bellabeat Case
Study: R Notebook. Kaggle. https://www.kaggle.com/code/olgaluzhetska/bellabeat-case-study-r-notebook
●
Mazur, B. (2023, Noviembre 28). Wearable
biometric devices: A new frontier in healthcare product development. Ignitec. https://www.ignitec.com/insights/wearable-biometric-devices-a-new-frontier-in-healthcare-product-development/
●
Perez, S. (2018, Diciembre 21).
Bellabeat’s new hybrid smartwatch tracks your stress…and goes with your outfit.
TechCrunch. https://techcrunch.com/2018/12/21/bellabeats-new-hybrid-smartwatch-tracks-your-stress-and-goes-with-your-outfit/
●
Periodico El Caribe. (2025, Enero 13). El 2025 es el año
de la salud mental. El Caribe. https://www.elcaribe.com.do/gente/tecnologia/el-2025-es-el-ano-de-la-salud-mental/
●
Qualud. (2025, Enero 14). Las tendencias de salud digital
que marcarán 2025. Qualud. https://www.qualud.com/en/blog/las-tendencias-de-salud-digital-que-marcaran-2025
●
Reid, M. (n.d.). Women's Biometrics:
Harnessing the Potential of Gender-Specific Health & Wellness Data. Evie. https://eviering.com/blogs/news/gender-specific-data-for-womens-health-biometrics
●
Simbex. (n.d.). AI-Driven Personalization
in Wearable Medical Devices: The Future of Patient Care. Simbex. https://simbex.com/ai-driven-personalization-in-wearable-medical-devices-the-future-of-patient-care/
●
T, C. (2024, Abril 22). Tecnología Wearable en el
Bienestar. Cdetech.
https://cdetech.org/tecnologia-wearable-en-el-bienestar/
Los datos utilizados con fines de análisis se tomaron de la siguiente
fuente:
●
Mobius. (2024). FitBit Fitness Tracker
Data. Kaggle. https://www.kaggle.com/datasets/arashnic/fitbit
Herramientas e instrumentos.
Cuaderno de R es la principal herramienta utilizada para el procesamiento, análisis,
presentación y visualización de los datos debido a su facilidad de uso y
potencia de procesamiento.
Estructura y organización de los
datos.
Los datos consisten en 25 archivos .csv, 22 en formato ancho y 3 en formato
largo.
Se recaban en intervalos de tiempo variables, abarcando desde segundos
hasta días, y abarcan una amplia gama de indicadores, tales como:
●
Actividad física: Nivel de ejercicio, tipo de actividad
realizada, duración, etc.
●
Sueño: Horas de sueño, calidad del sueño, fases del
sueño, etc.
●
Peso: Medición del peso corporal, variaciones a lo largo
del tiempo.
●
MET (equivalente metabólico de la tarea): Estimación del
gasto energético durante las actividades.
●
Ingesta calórica: Cantidad de calorías consumidas a
través de la alimentación.
●
Frecuencia cardíaca: Ritmo cardíaco en reposo y durante
la actividad física.
PROCESAMIENTO DE LOS DATOS.
Selección de archivos de entrada.
Este análisis se enfocará en los archivos 'Pasos_por_hora' y 'Calorias_por_hora'
provenientes de los datos de seguimiento de actividad física de Fitbit. La
elección de estos archivos se fundamenta en su capacidad para proporcionar una
visión detallada de la relación entre la actividad física medida en pasos por
hora y el consumo calórico por hora. Al correlacionar estas dos variables, se
busca obtener información valiosa para optimizar el reloj Time® de Bellabeat®.
Ventajas de utilizar estos archivos como fuentes de datos:
✓
Precisión y Detalle: Los datos de Fitbit son
conocidos por su precisión en el seguimiento de la actividad física y el
consumo calórico. Los archivos 'Pasos_por_hora' y 'Calorias_por_hora' ofrecen
un registro detallado de estas métricas, lo que permite un análisis profundo y
fiable.
✓
Correlación Directa: La combinación de estos dos
archivos permite establecer una correlación directa entre la actividad física y
el consumo calórico. Esta relación es fundamental para entender cómo la
actividad influye en el gasto energético y para personalizar las recomendaciones
del reloj Time® de Bellabeat®.
✓
Identificación de Patrones: El análisis de
estos datos permite identificar patrones de actividad y consumo calórico a lo
largo del día. Esto puede revelar información valiosa sobre los momentos de
mayor y menor actividad, así como sobre los períodos de mayor y menor consumo
calórico.
✓
Base para Mejoras: La información obtenida de este análisis servirá como
base para sugerir mejoras específicas al reloj Time® de Bellabeat®. Estas
mejoras podrían incluir la optimización de los algoritmos de seguimiento de
actividad y consumo calórico, así como la personalización de las
recomendaciones para los usuarios.
Luego de descargados los archivos 4 archivos 'Pasos_por_hora' y
'Calorias_por_hora' de los periodos 12 de marzo al 11 de abril y 12 de abril al
12 de mayo en formato csv, se procedió a subirlos a la plataforma R Posit Cloud
- Instalar
paquete “tidyverse”:
>
install.packages("tidyverse")
- Cargar
las librerias necesarias:
>
library(tidyverse)
──
Attaching core tidyverse packages ────────────────────────────────────────────
tidyverse 2.0.0 ──
✔ dplyr 1.1.4
✔ readr 2.1.5
✔ forcats 1.0.0
✔ stringr 1.5.1
✔ ggplot2 3.5.1
✔ tibble 3.2.1
✔ lubridate
1.9.4 ✔ tidyr 1.3.1
✔ purrr 1.0.4
──
Conflicts ──────────────────────────────────────────────────────────────
tidyverse_conflicts() ──
✖ dplyr::filter()
masks stats::filter()
✖ dplyr::lag() masks stats::lag()
ℹ Use
the conflicted package to force all conflicts to become errors
>
3. Importar las bases de datos:
Presionar el boton New Folder en el workspace de Posit Cloud, nombramos el
nuevo folder “Caso práctico Bellabeat Time” e importamos los archivos
"Calorias_por_hora_12_marzo_al_11_abril_2016.csv",
"Calorias_por_hora_12_abril_12_mayo_2016.csv",
“Pasos_por_hora_12_marzo_al_11_abril_2016.csv” y
“Pasos_por_hora_12_abril_12_mayo_2016”
4. Verificar la ubicación del archivo:
> getwd()
[1] "/cloud/project"
5. Cambiar la ubicación del archivo:
>
setwd("/cloud/project/Caso practico Bellabeat Time")
6. Cargar
los archivos csv:
> calorias1 <-
read.csv("Calorias_por_hora_12_marzo_al_11_abril_2016.csv")
> calorias2 <-
read.csv("Calorias_por_hora_12_abril_12_mayo_2016.csv")
> pasos1 <-
read.csv("Pasos_por_hora_12_marzo_al_11_abril_2016.csv")
> pasos2 <-
read.csv("Pasos_por_hora_12_abril_12_mayo_2016.csv")
7. Ver las primeras filas de cada dataframe:
Uso head() para ver las primeras 10 filas
>
head(calorias1, 10)
Id ActivityHour Calories
1 1503960366 3/12/2016 12:00:00 AM 48
2 1503960366
3/12/2016 1:00:00 AM 48
3 1503960366
3/12/2016 2:00:00 AM 48
4 1503960366
3/12/2016 3:00:00 AM 48
5 1503960366
3/12/2016 4:00:00 AM 48
6 1503960366
3/12/2016 5:00:00 AM 48
7 1503960366 3/12/2016 6:00:00 AM 48
8 1503960366 3/12/2016 7:00:00 AM 48
9 1503960366 3/12/2016 8:00:00 AM 48
10 1503960366 3/12/2016 9:00:00
AM 49
>
head(calorias2, 10)
Id ActivityHour Calories
1 1503960366 4/12/2016 12:00:00 AM 81
2 1503960366
4/12/2016 1:00:00 AM 61
3 1503960366
4/12/2016 2:00:00 AM 59
4 1503960366
4/12/2016 3:00:00 AM 47
5 1503960366
4/12/2016 4:00:00 AM 48
6 1503960366
4/12/2016 5:00:00 AM 48
7 1503960366 4/12/2016 6:00:00 AM 48
8 1503960366 4/12/2016 7:00:00 AM 47
9 1503960366 4/12/2016 8:00:00 AM 68
10
1503960366 4/12/2016 9:00:00 AM 141
>
head(pasos1, 10)
Id ActivityHour StepTotal
1 1503960366 3/12/2016 12:00:00 AM 0
2 1503960366
3/12/2016 1:00:00 AM 0
3 1503960366
3/12/2016 2:00:00 AM 0
4 1503960366
3/12/2016 3:00:00 AM 0
5 1503960366
3/12/2016 4:00:00 AM 0
6 1503960366
3/12/2016 5:00:00 AM 0
7 1503960366
3/12/2016 6:00:00 AM 0
8 1503960366
3/12/2016 7:00:00 AM 0
9 1503960366
3/12/2016 8:00:00 AM 0
10
1503960366 3/12/2016 9:00:00 AM 8
>
head(pasos2, 10)
Id ActivityHour StepTotal
1 1503960366 4/12/2016 12:00:00 AM 373
2 1503960366
4/12/2016 1:00:00 AM 160
3 1503960366
4/12/2016 2:00:00 AM 151
4 1503960366
4/12/2016 3:00:00 AM 0
5 1503960366
4/12/2016 4:00:00 AM 0
6 1503960366
4/12/2016 5:00:00 AM 0
7 1503960366 4/12/2016 6:00:00 AM 0
8 1503960366 4/12/2016 7:00:00 AM 0
9 1503960366 4/12/2016 8:00:00 AM 250
10 1503960366 4/12/2016 9:00:00
AM 1864
8. Verificando la estructura del dataframe
Primero, revisamos el tipo de dato de las columnas usando str():
> str(calorias1)
'data.frame': 24084 obs. of 3 variables:
$ Id : num
1.5e+09 1.5e+09 1.5e+09 1.5e+09 1.5e+09 ...
$ ActivityHour:
chr "3/12/2016 12:00:00 AM"
"3/12/2016 1:00:00 AM" "3/12/2016 2:00:00 AM"
"3/12/2016 3:00:00 AM" ...
$ Calories
: int 48 48 48 48 48 48 48 48 48
49 ...
>
str(calorias2)
'data.frame': 22099 obs. of
3 variables:
$ Id : num
1.5e+09 1.5e+09 1.5e+09 1.5e+09 1.5e+09 ...
$ ActivityHour:
chr "4/12/2016 12:00:00 AM"
"4/12/2016 1:00:00 AM" "4/12/2016 2:00:00 AM"
"4/12/2016 3:00:00 AM" ...
$ Calories
: int 81 61 59 47 48 48 48 47 68
141 ...
>
str(pasos1)
'data.frame': 24084 obs. of
3 variables:
$ Id : num
1.5e+09 1.5e+09 1.5e+09 1.5e+09 1.5e+09 ...
$ ActivityHour:
chr "3/12/2016 12:00:00 AM"
"3/12/2016 1:00:00 AM" "3/12/2016 2:00:00 AM"
"3/12/2016 3:00:00 AM" ...
$ StepTotal
: int 0 0 0 0 0 0 0 0 0 8 ...
>
str(pasos2)
'data.frame': 22099 obs. of
3 variables:
$ Id : num
1.5e+09 1.5e+09 1.5e+09 1.5e+09 1.5e+09 ...
$ ActivityHour: chr
"4/12/2016 12:00:00 AM" "4/12/2016 1:00:00 AM"
"4/12/2016 2:00:00 AM" "4/12/2016 3:00:00 AM" ...
$ StepTotal : int
373 160 151 0 0 0 0 0 250 1864 ...
Vemos que el formato de la columna ActivityHour es “chr”, o sea “character"
por lo que hay que convertirla a formato de fecha y hora.
9. Convirtiendo la columna ActivityHour a formato POSIXct:
> calorias1$ActivityHour
<- as.POSIXct(calorias1$ActivityHour, format = "%m/%d/%Y %I:%M:%S
%p", tz = "UTC")
>
calorias2$ActivityHour <- as.POSIXct(calorias2$ActivityHour, format =
"%m/%d/%Y %I:%M:%S %p", tz = "UTC")
>
pasos1$ActivityHour <- as.POSIXct(pasos1$ActivityHour, format =
"%m/%d/%Y %I:%M:%S %p", tz = "UTC")
>
pasos2$ActivityHour <- as.POSIXct(pasos2$ActivityHour, format =
"%m/%d/%Y %I:%M:%S %p", tz = "UTC")
10. Ver si existen filas con valores faltantes:
> calorias1[!complete.cases(calorias1), ]
[1] Id ActivityHour
Calories
<0
rows> (or 0-length row.names)
> calorias2[!complete.cases(calorias2), ]
[1] Id ActivityHour
Calories
<0
rows> (or 0-length row.names)
>
>
pasos1[!complete.cases(pasos1), ]
[1]
Id ActivityHour StepTotal
<0
rows> (or 0-length row.names)
>
>
pasos2[!complete.cases(pasos2), ]
[1]
Id ActivityHour StepTotal
<0
rows> (or 0-length row.names)
El resultado “<0 rows> (or 0-length row.names)” indica que no existen valores faltantes en los
datos.
11. Analisis de valores atípicos:
> summary(calorias1)
Id ActivityHour Calories
Min. :1.504e+09
Min. :2016-03-12 00:00:00.0 Min.
: 42.00
1st Qu.:2.347e+09 1st Qu.:2016-03-19 14:00:00.0 1st Qu.: 61.00
Median :4.559e+09 Median :2016-03-27 04:00:00.0 Median : 77.00
Mean
:4.889e+09 Mean :2016-03-27 05:47:23.2 Mean
: 94.27
3rd
Qu.:6.962e+09 3rd Qu.:2016-04-03
20:00:00.0 3rd Qu.:104.00
Max. :8.878e+09
Max. :2016-04-12 10:00:00.0 Max.
:933.00
> summary(calorias2)
Id ActivityHour Calories
Min. :1.504e+09
Min. :2016-04-12
00:00:00.00 Min. : 42.00
1st Qu.:2.320e+09 1st Qu.:2016-04-19 01:00:00.00 1st Qu.: 63.00
Median :4.445e+09 Median :2016-04-26 06:00:00.00 Median : 83.00
Mean
:4.848e+09 Mean :2016-04-26 11:46:42.58 Mean
: 97.39
3rd
Qu.:6.962e+09 3rd Qu.:2016-05-03
19:00:00.00 3rd Qu.:108.00
Max.
:8.878e+09 Max. :2016-05-12 15:00:00.00 Max.
:948.00
> summary(pasos1)
Id ActivityHour StepTotal
Min. :1.504e+09
Min. :2016-03-12 00:00:00.0 Min.
: 0.0
1st Qu.:2.347e+09 1st Qu.:2016-03-19 14:00:00.0 1st Qu.:
0.0
Median :4.559e+09 Median :2016-03-27 04:00:00.0 Median :
10.0
Mean
:4.889e+09 Mean :2016-03-27 05:47:23.2 Mean
: 286.2
3rd
Qu.:6.962e+09 3rd Qu.:2016-04-03
20:00:00.0 3rd Qu.: 289.0
Max.
:8.878e+09 Max. :2016-04-12 10:00:00.0 Max.
:10565.0
> summary(pasos2)
Id ActivityHour StepTotal
Min. :1.504e+09
Min. :2016-04-12
00:00:00.00 Min. :
0.0
1st Qu.:2.320e+09 1st Qu.:2016-04-19 01:00:00.00 1st Qu.:
0.0
Median :4.445e+09 Median :2016-04-26 06:00:00.00 Median :
40.0
Mean
:4.848e+09 Mean :2016-04-26 11:46:42.58 Mean
: 320.2
3rd
Qu.:6.962e+09 3rd Qu.:2016-05-03
19:00:00.00 3rd Qu.: 357.0
Max.
:8.878e+09 Max. :2016-05-12 15:00:00.00 Max.
:10554.0
Podemos ver que, aunque se encuentran valores atípicos en las calorías quemadas,
los mismos estan relacionados con aumentos en las cantidades de pasos durante
la fecha y hora de dicha actividad.
12. Combinar los datos:
Fusionando los datos calorías por hora y pasos por hora respectivamente
para formar el intervalo de fechas 12 de marzo al 12 de mayo del 2016.
> datos_combinados_calorias_por_hora <- rbind(calorias1, calorias2)
> datos_combinados_pasos_por_hora <- rbind(pasos1, pasos2)
13. Guardar los datos combinados:
> write.csv(datos_combinados_calorias_por_hora,
"archivo_combinado.csv", row.names = FALSE)
> write.csv(datos_combinados_pasos_por_hora,
"archivo_combinado_pasos_por_hora.csv", row.names = FALSE)
14. Renombrar el archivo combinado:
Click en la casilla para seleccionar el archivo y luego click en el botón
Rename en la parte derecha central del Workspace de
"archivo_combinado.csv" a
“archivo_combinado_calorias_por_hora_12_marzo_12_mayo_2016.csv” y “archivo_combinado_pasos_por_hora.csv” a “archivo_combinado_pasos_por_hora_12_marzo_12_mayo_2016.csv”
ANALISIS DE LOS DATOS.
15. Analizar la correlación entre los datasets "archivo_combinado_calorias_por_hora_12_marzo_12_mayo_2016.csv"
y "archivo_combinado_pasos_por_hora_12_marzo_12_mayo_2016.csv:
Cargando librerías necesarias:
>library(ggplot2)
Cargando los datos:
>df_calories <- read.csv("archivo_combinado_calorias_por_hora_12_marzo_12_mayo_2016.csv")
df_steps <- read.csv("archivo_combinado_pasos_por_hora_12_marzo_12_mayo_2016.csv")
Fusionando los datasets por Id y ActivityHour:
> df_combinado
<- merge(df_calorias, df_pasos, by = c("Id",
"ActivityHour"))
Calculando la correlación:
> correlation <- cor(df_combinado$Calories, df_combinado$StepTotal)
> print(paste("Correlación entre calorías y pasos:",
round(correlation, 3)))
[1] "Correlación entre calorías y pasos: 0.818"
Visualizando la relación entre pasos y calorías:
>
plot <- ggplot(df_combinado, aes(x = StepTotal, y = Calories)) +
+
geom_point(alpha = 0.5, color = "blue") +
+ geom_smooth(method = "lm", color
= "red", se = FALSE) +
+ labs(title = "Relación
entre pasos y calorías",
+ x = "Pasos por
hora",
+ y = "Calorías
quemadas por hora") +
+ theme_minimal()
>
>
print(plot)
`geom_smooth()`
using formula = 'y ~ x'
La correlación positiva entre el número de pasos y las calorías quemadas
por hora sugiere que caminar más pasos se asocia con un mayor gasto calórico.
Esto es coherente con estudios que indican que, en promedio, se queman entre 30
y 40 calorías por cada 1,000 pasos dados
Consideraciones adicionales:
Factores individuales: El gasto
calórico puede variar según el peso, la edad, el género y la intensidad de la
actividad.
Precisión de los dispositivos: La
exactitud en la medición de pasos y calorías puede variar según el dispositivo
utilizado.
Tipo de actividad: No todas las
actividades físicas se reflejan únicamente en el conteo de pasos; ejercicios
como el ciclismo o el levantamiento de pesas también contribuyen al gasto
calórico.
COMPARTIR.
Puntos claves.
●
Los datos
revelan que estos individuos son proactivos en mantener un nivel de actividad física
que se refleja en un mayor gasto calórico, lo que refuerza la utilidad de los
dispositivos de monitoreo de salud para fomentar y medir hábitos de vida
saludables.
●
La
correlación entre las calorías quemadas por hora y la cantidad de pasos por
hora es de 0.818, lo que indica una relación positiva fuerte. Esto sugiere que,
a mayor cantidad de pasos dados, mayor es la cantidad de calorías quemadas.
1. Tendencias en el Uso de Dispositivos
Inteligentes en Salud y Bienestar
●
Monitorización Continua y
Precisa:
Los dispositivos modernos permiten un seguimiento
en tiempo real de la actividad física, el sueño, el estrés y otros parámetros
vitales. La evidencia de correlación entre actividad y calorías refuerza la
importancia de contar con datos precisos para tomar decisiones de salud.
●
Personalización
a través del Análisis de Datos:
La integración de algoritmos de inteligencia
artificial y machine learning permite ofrecer recomendaciones personalizadas
basadas en el comportamiento y necesidades individuales.
●
Integración
Estética y Funcional en el Estilo de Vida:
Los usuarios buscan dispositivos que no solo sean
funcionales, sino que también se integren a su estilo de vida y reflejan una
imagen personal atractiva. La moda y la salud van de la mano, especialmente en
el público objetivo de dispositivos wearables.
●
Enfoque en el
Bienestar Integral:
La tendencia actual abarca el seguimiento no solo
de la actividad física, sino también del sueño, la salud mental y otros
aspectos del bienestar. Esto promueve un enfoque holístico para la mejora de la
calidad de vida.
●
Conectividad y Ecosistema
Digital:
La sincronización entre dispositivos (wearables,
smartphones, aplicaciones de salud) permite un análisis global del bienestar,
creando un ecosistema integrado.
●
Privacidad y
Seguridad de los Datos:
Con la creciente preocupación por la protección de
la información personal, es crucial garantizar altos estándares de seguridad y
transparencia en el manejo de datos sensibles.
2. Aplicación de las Tendencias al Reloj
Inteligente Time de Bellabeat
●
Recomendaciones Personalizadas:
Utilizando análisis de datos y algoritmos de
inteligencia artificial, el dispositivo puede ofrecer sugerencias
personalizadas para mejorar la salud y alcanzar metas específicas, aprovechando
la relación directa entre actividad y quema de calorías.
●
Diseño y Estética:
Bellabeat se distingue por sus productos con
diseño elegante y sofisticado. El reloj Time debe seguir reforzando este
aspecto, siendo un accesorio de moda que se integre perfectamente al estilo de
vida del usuario, especialmente del público femenino.
●
Ecosistema Digital:
La interoperabilidad con otros dispositivos y apps
potenciará el valor añadido del producto.
●
Seguridad y Confianza:
Asegurar y comunicar claramente la política de
privacidad y la seguridad de los datos recopilados será un pilar fundamental
para ganar la confianza del usuario.
3. Estrategias de Marketing para Mejorar la
Competitividad y Diferenciación
●
Comunicación
de Personalización y Datos Relevantes:
Mensaje: “Tu salud, tus datos, tus
recomendaciones”.
Acción: Mostrar ejemplos reales y testimonios de
usuarios que han mejorado su bienestar gracias a las recomendaciones
personalizadas derivadas del análisis de sus datos.
●
Campañas de Bienestar Integral:
Mensaje: “No se trata solo de contar pasos; se
trata de transformar tu vida”.
Acción: Desarrollar campañas que integren consejos
de salud, nutrición, ejercicio y manejo del estrés, vinculando estas áreas a
las funcionalidades del reloj Time.
●
Diferenciación
a través del Diseño:
Mensaje: “El reloj que complementa tu estilo y
potencia tu salud”.
Acción: Resaltar el diseño elegante y moderno del
reloj en campañas visuales, colaborando con influencers del mundo de la moda y
el bienestar.
●
Creación de
Comunidad y Experiencia Compartida:
Mensaje: “Únete a una comunidad de bienestar”.
Acción: Fomentar la creación de una comunidad
online donde los usuarios puedan compartir sus logros, retos y consejos,
generando una red de apoyo y fidelización.
●
Transparencia
en la Seguridad de Datos:
Mensaje: “Tu privacidad es nuestra prioridad”.
Acción: Implementar y comunicar políticas robustas
de seguridad, ofreciendo certificaciones o testimonios que respaldan el
compromiso de la marca con la protección de la información personal.
●
Eventos y
Demostraciones en Vivo:
Mensaje: “Experimenta el futuro del bienestar
hoy”.
Acción: Organizar eventos y demostraciones en
tiendas y ferias de salud donde los potenciales clientes puedan probar el
dispositivo y ver de primera mano sus beneficios.
CONCLUSIÓN.
El relojTime de Bellabeat se posiciona como una
herramienta esencial para un estilo de vida saludable y moderno.
La estrategia de marketing debe resaltar no solo
la funcionalidad, sino también el diseño y la experiencia de usuario
excepcional.
La seguridad y privacidad de los datos se
presentan como pilares para generar confianza en los consumidores.
En conclusión, el proceso analítico detallado
respalda una propuesta de valor diferenciada y estratégica en el mercado.
Sugerencias
de mejora del reloj Time de Bellabeat.
A continuación, se presenta una lista de funciones
que podrían agregarse al reloj Time de Bellabeat, aprovechando la correlación
entre actividad y gasto calórico y las tendencias actuales en dispositivos de
salud y bienestar:
- Seguimiento Integral del Bienestar.
●
Reportes
holísticos que permitan al usuario conocer su estado de salud general y recibir
recomendaciones integrales.
- Integración con Ecosistema Digital y
Conectividad.
●
Sincronización
fluida con smartphones, aplicaciones de salud y otros dispositivos wearables
para un análisis global del bienestar.
●
Interoperabilidad
que facilite compartir datos con plataformas de salud o incluso con
profesionales médicos, siempre respetando la privacidad del usuario.
- Personalización y Diseño Estético.
●
Opciones de
personalización de la interfaz y de las carátulas del reloj, permitiendo
adaptar el dispositivo al estilo personal del usuario.
- Análisis Avanzado de Datos y
Retroalimentación.
●
Utilización
de algoritmos de machine learning para identificar patrones en el
comportamiento del usuario, como la fuerte correlación entre pasos y calorías,
y ajustar las recomendaciones en función de dichos patrones.
●
Generación de
informes semanales o mensuales que destaquen logros, áreas de mejora y
sugerencias personalizadas para optimizar el rendimiento físico.
- Funciones de Notificaciones Inteligentes.
●
Notificaciones
que integren datos del entorno (por ejemplo, condiciones climáticas) para
planificar mejor las actividades al aire libre.
- Seguridad y Privacidad de los Datos.
●
Implementación
de protocolos robustos de encriptación y autenticación biométrica para proteger
la información personal.
●
Transparencia
en la política de privacidad y opciones para que el usuario controle el uso y
la compartición de sus datos.
Estas funciones no solo potenciarían la utilidad
del reloj Time, sino que también contribuirían a fomentar hábitos de vida
saludables, integrándose de manera armónica tanto en el ecosistema digital como
en el estilo de vida moderno y estético de su público objetivo.
Rogelio Ernesto De la Cruz Rodríguez
2 de marzo de 2025
