Estudo de Caso: Bellabeat

Problema e Objetivo

Analisar dados de uso de dispositivos fitness inteligentes para identificar tendências e padrões comportamentais dos consumidores. Os insights extraídos servirão de base para o desenvolvimento de novas estratégias de marketing para a Bellabeat, uma empresa de tecnologia focada em produtos de bem-estar para mulheres. As recomendações serão direcionadas à cofundadora, Urška Sršen, e à equipe de marketing.

Dataset e Proveniência

Foi utilizado o dataset público "Fitbit Fitness Tracker Data" disponível no Kaggle. Este dataset contém informações de 30 usuários Fitbit, coletadas entre 12/03/2016 e 12/05/2016, incluindo dados de atividade física diária, passos, frequência cardíaca, sono e calorias queimadas. Embora não seja diretamente da Bellabeat, serve como um proxy para entender o comportamento de usuários de dispositivos similares (com limitações como tamanho da amostra e data da coleta).

Abordagem e Ferramentas

A análise seguiu as etapas do processo de análise de dados (Perguntar, Preparar, Processar, Analisar, Compartilhar, Agir), utilizando as seguintes ferramentas:

R: Para limpeza, transformação, análise e visualização dos dados (pacotes: tidyverse, dplyr, ggplot2, lubridate).
R Markdown: Para documentação do processo e geração do relatório final.
Tableau Public: Para criação de um dashboard interativo com os principais insights.

A análise focou em identificar padrões de atividade (diários e horários), correlações entre diferentes métricas (passos vs. calorias, sono vs. tempo na cama) e segmentação de usuários com base no nível de atividade e tempo de uso do dispositivo.

Resultados e Recomendações

A análise revelou insights importantes, como a forte correlação positiva entre passos diários e calorias queimadas, e a identificação de dias específicos da semana (ex: terças-feiras) com menor atividade média. Também foram observados diferentes perfis de uso, com alguns usuários utilizando o dispositivo de forma mais consistente que outros.

Com base nesses achados, as principais recomendações para a Bellabeat são:

Notificações Personalizadas (Engajamento Diário): Enviar notificações contextuais para usuários menos ativos durante seus horários de menor atividade, sugerindo ações simples (ex: "Que tal uma caminhada rápida para atingir sua meta de passos?").
Desafios Sociais de Meio de Semana (Engajamento In-App): Criar desafios dentro do app Bellabeat focados nos dias de menor atividade (ex: "Terça Ativa"), com gamificação e interação social para motivar o uso.
Posicionamento Holístico (Estratégia de Marca): Utilizar a correlação passos-calorias em campanhas de marketing para posicionar os produtos Bellabeat como ferramentas de bem-estar geral, conectando a funcionalidade do produto a benefícios concretos e desejados pelo público-alvo feminino.

Recursos do Projeto

Ver Código (GitHub) Ver Notebook (Kaggle) Ver Dashboard (Tableau)

Problem and Objective

Analyze consumer usage data from smart fitness devices to identify trends and behavioral patterns. The insights extracted from this analysis will serve as a foundation for developing new marketing strategies for Bellabeat, a technology company focused on wellness products for women. The recommendations should be directed to the co-founder, Urška Sršen, and the marketing team.

Dataset and Provenance

The public dataset "Fitbit Fitness Tracker Data" available on Kaggle was used. This dataset contains information from 30 Fitbit users, collected between March 12, 2016, and May 12, 2016, including daily physical activity, steps, heart rate, sleep, and calories burned. While not directly from Bellabeat, it serves as a proxy to understand the behavior of users of similar devices (acknowledging limitations like sample size and data collection date).

Approach and Tools

The analysis followed the data analysis process steps (Ask, Prepare, Process, Analyze, Share, Act), utilizing the following tools:

R: For data cleaning, transformation, analysis, and visualization (packages: tidyverse, dplyr, ggplot2, lubridate).

R Markdown: For documenting the process and generating the final report.

Tableau Public: For creating an interactive dashboard with key insights.

The analysis focused on identifying activity patterns (daily and hourly), correlations between different metrics (steps vs. calories, sleep vs. time in bed), and user segmentation based on activity level and device usage time.

Results and Recommendations

The analysis revealed key insights, such as the strong positive correlation between daily steps and calories burned, and the identification of specific weekdays (e.g., Tuesdays) with lower average activity. Different usage profiles were also observed, with some users engaging with the device more consistently than others.

Based on these findings, the main recommendations for Bellabeat are:

Personalized Notifications (Daily Engagement): Send contextual notifications to less active users during their low-activity times, suggesting simple actions (e.g., "How about a quick walk to reach your step goal?").

Mid-Week Social Challenges (In-App Engagement): Launch challenges within the Bellabeat app focused specifically on lower-activity days (like Tuesday in our analysis). For example, an "Active Tuesday" challenge where users can compete with friends to see who reaches 7,000 steps first.

Holistic Positioning (Brand Strategy): Leverage the steps-calories correlation in marketing campaigns to position Bellabeat products not just as fitness trackers, but as tools for overall well-being. Campaigns can highlight how small changes in daily activity, tracked by the device, lead to concrete benefits (like "burn the equivalent of an extra piece of chocolate a day with just a 20-minute walk").