This project presents an advanced Business Intelligence analysis applied to Mexico's tourism sector, utilizing Geographically Weighted Regression (GWR) models. Unlike traditional global models (OLS), this approach identifies the spatial heterogeneity of tourism drivers, revealing critical regional dynamics that national averages often mask. Key technical aspects include the implementation of an Adaptive Bisquare Kernel with an optimized bandwidth of 30 nearest neighbors, selected via the Corrected Akaike Information Criterion (AICc) to ensure the highest possible model accuracy across different geographic scales. The analysis features a detailed spatial diagnostic through the cartographic visualization of Local R-squared, identifying variations in explanatory power that range from an 85% fit in the Southeast to unique border dynamics in the Northwest. Furthermore, it applies prescriptive analytics by translating local coefficients into state-specific investment strategies, addressing critical variables such as international tourist arrivals and the regional impact of crime rates. Ultimately, this work serves as a vital bridge between predictive analytics and strategic decision-making for sustainable regional development in Mexico.

En esta primera evidencia, exploramos datos de vuelo desde Nueva York en 2013 utilizando el paquete nycflights13 en R. Este conjunto de datos incluye información detallada sobre vuelos salientes, condiciones meteorológicas, aviones, aeropuertos y aerolíneas. Nuestra misión es analizar estos datos para identificar patrones, tendencias y oportunidades comerciales.

En este ejercicio, analizaremos datos climáticos de Monterrey (MTY) y Ciudad de México (CDMX) en febrero de 2024. Utilizaremos el sistema ASOS para obtener información sobre humedad relativa y temperatura. Con herramientas como "riem" y "tidyverse" en R, exploraremos y visualizaremos estos datos para entender las diferencias climáticas entre ambas ciudades.

En este ejercicio, analizaremos una base de datos de abarrotes utilizando R. Aplicaremos técnicas de manipulación y limpieza de datos para comprender las tendencias de ventas y patrones comerciales. Este análisis nos permitirá identificar y corregir errores en los datos, preparándolos para un análisis más detallado y significativo.

El siguiente ejercicio utiliza R para predecir la demanda mensual de una compañía de alquiler de bicicletas. A través de técnicas de regresión lineal, exploramos variables como la hora del día, el mes y la temperatura para construir un modelo predictivo. Este ejercicio ofrece una introducción práctica al análisis de datos y la toma de decisiones empresariales con R.

La presente actividad tiene como objetivo familiarizar a los estudiantes del curso de Manipulación de Datos con los conceptos fundamentales del lenguaje de programación R.