這次想練習可觀察時間趨勢的數據資料，在Kaggle上鎖定幾個開放資料集，取捨後決定使用:
Case Study Bike-Share Company's 12 months data
是一個在美國芝加哥提供腳踏車租賃服務公司的數據 (csv檔案)
他以季來更新的，所以目前只有2020 Q1的資料(不過我覺得蠻夠我自己用的xd)
選擇主要原因是因為他的時間相對其他資料來得近，感覺可以從中獲得些什麼想法。

資料集的提供者非常好心的附上了他對於數據的看法。
對於想練習的我當然是先略過不看xd 到時候分析結果出來時可以做為比對用個人覺得挺好的。

回到資料集的本身，先來觀察每個欄位所代表的意義。
本資料共有15個欄位，分別代表以下內容:

1. ride_id: 使用者ID
2. rideable_type: 租借類型(此份資料中只有一種docked_bike)
3. started_at: 租借日期與時間
4. ended_at: 租還日期與時間
5. start_station_name: 租借站點名稱
6. start_station_id: 租借站點ID
7. end_station_name: 租還站點名稱
8. end_station_id: 租還站點ID
9. start_lat: 租借站點緯度
10. start_lng: 租借站點經度
11. end_lat: 租還站點緯度
12. end_lng: 租還站點經度
13. member_casual: 會員/非會員
14. ride_length: 騎乘時間
15. day_of_the_week: 於星期幾租借

這份資料可以帶來什麼?

對資料有初步概念後，就該來思考這個資料可以解決什麼樣的問題、可能可以用在哪些決策上。
「定義問題」是開始分析前很重要的工作，聽過不少資料工作者分享在分析前與使用者的來回討論是一大工程。
並不是埋著頭苦清理資料最後發現與使用者需求不符。
根據不同部門可能會有多元方向的業務需求，比如:業務部追求業績成長以及轉換率(廣告點擊>購買, 加入購物車>購買...)、行銷部門一樣追求轉換率，但可能看的是宣傳導流到官網或是參與率等等。

在資料集的前情提要中，作者有提到本次目標是希望新客能夠轉成為會員，就這個需求進行以下初步的延伸:

• 行銷方面

1. 找出最熱門租借時間(時間點/DOW)，於冷/熱門時段推出針對會員專屬之類的優惠活動，提升加入會員慾望
2. 計算平均騎乘時間並包裝成行銷活動，搭配健康議題做為主題，例如:騎越久省越多

• 產品服務方面

1. 重複/不重複使用者(會員/非會員)
2. 站點密度(在站與站之間是否有可增設的站點)
3. 計算人流多的站點，在符合效益下增設車輛數目以維持服務品質

以上是非常粗淺的初步評估，來看看過了一夜之後會不會有新的想法xd
明天見!