UMA ANÁLISE SOCIOECONÔMICA DE PREÇOS BASEADA EM CIÊNCIA DE DADOS PARA VIAGENS DE TRANSPORTE POR APLICATIVO UBER
Transportes por Aplicativo, Dados Socioeconômicos, Ciência de Dados, Análise Exploratória de Dados.
Estudos que utilizam dados da empresa de transporte por aplicativo Uber evidenciaram que o tempo e a distância estão relacionados ao processo de precificação de seu serviço de viagens, possibilitando melhorar as estratégias de oferta e demanda. Entretanto, esse processo pode apresentar outros fatores que contribuam na concepção desses preços. Nesse sentido, esta pesquisa tem como objetivo analisar rotas de viagens de usuários de baixa renda e contribuir para a redução dos preços dessas viagens no transporte por aplicativo Uber. Para isso, buscouse responder: Se um centro financeiro estivesse mais próximo de bairros economicamente mais pobres, haveria mudança nos preços médios dessas viagens? Essa mudança poderia melhorar financeiramente a vida das pessoas de baixa renda? Foi observado que, para uma determinada região, se o centro financeiro não estiver concentrado em bairros de alta renda, seria possível reduzir os preços das viagens em cerca de 43,07% para usuários de bairros de baixa renda. Essa redução representaria uma economia mensal de cerca de 18,82% de sua renda. Para usuários que vivem em bairros ricos (alta renda), essa descentralização aumentaria os custos de viagem para pouco mais de 100%. No entanto, esse aumento representaria 6,71% de suas rendas. Considerando duas regiões, evidenciou-se um aumento no preço médio dessas viagens, confirmando uma tendência de aumento de preço quando o destino de uma viagem é um centro financeiro. Por conta disso, foi proposto uma nova funcionalidade no serviço de viagens Uber para dar mais liberdade ao usuário. Essa funcionalidade seria a escolha de uma viagem utilizando uma oferta de preço em que o aplicativo retorna as melhores distâncias com base no preço ofertado. Foram criados modelos de predição de distância para atingir esse objetivo, utilizando algoritmos regressores em que o modelo Random Forest apresentou um Coeficiente Médio de Determinação de 94%.