Analyse des utilisateurs de vélos Divvy

Vue d'ensemble

Une exploration du jeu de données Divvy bike-share de Chicago comparant le comportement des cyclistes occasionnels et des abonnés annuels. L'objectif était de comprendre comment les deux groupes utilisent le service différemment et de dégager des pistes concrètes pour une stratégie de conversion.

Méthodologie

• Nettoyage et fusion de 12 mois de données de trajets en un seul jeu de données prêt à l'analyse.
• Création de caractéristiques temporelles (jour de la semaine, heure, durée de trajet).
• Analyse du comportement des cyclistes en jours ouvrables vs week-ends et selon les saisons.
• Visualisation des écarts d'utilisation entre cyclistes occasionnels et abonnés.

Outils

• Python & Pandas pour le traitement des données
• Seaborn & Matplotlib pour la visualisation

Le notebook complet avec code et graphiques est disponible sur Kaggle.