### Importar la base de datos

# file.choose()
bd <- read.csv("/Users/josueandonie/Downloads/Datos Arca Continental Original.csv")

Limpiar la base de datos

bd$Cliente <- as.integer(bd$Cliente)
## Warning: NAs introduced by coercion
bd$Enero <- as.integer(bd$Enero)
## Warning: NAs introduced by coercion
bd$Febrero <- as.integer(bd$Febrero)
## Warning: NAs introduced by coercion
bd$Marzo <- as.integer(bd$Marzo)
## Warning: NAs introduced by coercion
bd$Abril <- as.integer(bd$Abril)
## Warning: NAs introduced by coercion
bd$Mayo <- as.integer(bd$Mayo)
## Warning: NAs introduced by coercion
bd$Junio <- as.integer(bd$Junio)
## Warning: NAs introduced by coercion
bd$Julio <- as.integer(bd$Julio)
## Warning: NAs introduced by coercion
bd$Agosto <- as.integer(bd$Agosto)
## Warning: NAs introduced by coercion
bd$Septiembre <- as.integer(bd$Septiembre)
## Warning: NAs introduced by coercion
bd$Octubre <- as.integer(bd$Octubre)
## Warning: NAs introduced by coercion
bd$Noviembre <- as.integer(bd$Noviembre)
## Warning: NAs introduced by coercion
bd$Diciembre <- as.integer(bd$Diciembre)
## Warning: NAs introduced by coercion

Realizar las graficas

library(ggplot2)
ggplot(data = bd) + 
  geom_point(mapping= aes(x = ID, y = Enero))
## Warning: Removed 233552 rows containing missing values (`geom_point()`).

ggplot(data = bd) + 
  geom_point(mapping= aes(x = ID, y = Enero, color = Tamaño.Cte.Industria))
## Warning: Removed 233552 rows containing missing values (`geom_point()`).

View(bd)

Conclusiones

La gráfica muestra ventas elevadas y ventas bajas a lo largo de los ID. Encontramos que tenemos tiendas Extra Grandes que son las que reportan mayores ventas. Recomendamos analizar la base de dato por Tamaño de cliente para encontrar mejores hallazgos.