Actividad 2. Importación, Limpieza, y Transformación de Datos en R

Contexto

Para Arca Continental su principal canal de distribución es el canal tradicional, es decir, las tienditas de la esquina. Esto permite que la familia de productos de la compañía Coca Cola estén siempre cerca de sus consumidores a través de estas pequeñas empresas familiares que forman parte de su propia comunidad.

Sin embargo, este tipo de formato de Retail está enfrentando una fuerte competencia por parte de los canales modernos. En un principio fueron las tiendas de conveniencia como Oxxo y 7-Eleven quienes comenzaron a crear una importante cantidad de nuevos establecimientos, cada vez más en zonas habitacionales y no solo en avenidas o gasolineras.

Importar la base de datos

bd <- read.csv("/Users/marcogonzalez/Desktop/Programacion Bootcamp/Datos Arca Continental Original.csv")

Entender la base de datos

summary(bd)
##        ID              Año        Territorio        Sub.Territorio    
##  Min.   :     1   Min.   :2016   Length:466509      Length:466509     
##  1st Qu.:116628   1st Qu.:2017   Class :character   Class :character  
##  Median :233255   Median :2018   Mode  :character   Mode  :character  
##  Mean   :233255   Mean   :2018                                        
##  3rd Qu.:349882   3rd Qu.:2019                                        
##  Max.   :466509   Max.   :2019                                        
##      CEDI             Cliente             Nombre          Tamaño.Cte.Industria
##  Length:466509      Length:466509      Length:466509      Length:466509       
##  Class :character   Class :character   Class :character   Class :character    
##  Mode  :character   Mode  :character   Mode  :character   Mode  :character    
##                                                                               
##                                                                               
##                                                                               
##  Segmento.Det          Marca           Presentacion          Tamaño         
##  Length:466509      Length:466509      Length:466509      Length:466509     
##  Class :character   Class :character   Class :character   Class :character  
##  Mode  :character   Mode  :character   Mode  :character   Mode  :character  
##                                                                             
##                                                                             
##                                                                             
##  Retornable_NR         Enero             Febrero             Marzo          
##  Length:466509      Length:466509      Length:466509      Length:466509     
##  Class :character   Class :character   Class :character   Class :character  
##  Mode  :character   Mode  :character   Mode  :character   Mode  :character  
##                                                                             
##                                                                             
##                                                                             
##     Abril               Mayo              Junio              Julio          
##  Length:466509      Length:466509      Length:466509      Length:466509     
##  Class :character   Class :character   Class :character   Class :character  
##  Mode  :character   Mode  :character   Mode  :character   Mode  :character  
##                                                                             
##                                                                             
##                                                                             
##     Agosto           Septiembre          Octubre           Noviembre        
##  Length:466509      Length:466509      Length:466509      Length:466509     
##  Class :character   Class :character   Class :character   Class :character  
##  Mode  :character   Mode  :character   Mode  :character   Mode  :character  
##                                                                             
##                                                                             
##                                                                             
##   Diciembre        
##  Length:466509     
##  Class :character  
##  Mode  :character  
##                    
##                    
## 
str(bd)
## 'data.frame':    466509 obs. of  25 variables:
##  $ ID                  : int  1 2 3 4 5 6 7 8 9 10 ...
##  $ Año                 : int  2016 2016 2016 2016 2016 2016 2016 2016 2016 2016 ...
##  $ Territorio          : chr  "Guadalajara" "Guadalajara" "Guadalajara" "Guadalajara" ...
##  $ Sub.Territorio      : chr  "Belenes" "Belenes" "Belenes" "Belenes" ...
##  $ CEDI                : chr  "Suc. Belenes" "Suc. Belenes" "Suc. Belenes" "Suc. Belenes" ...
##  $ Cliente             : chr  "77737" "77737" "77737" "77737" ...
##  $ Nombre              : chr  "ABARR" "ABARR" "ABARR" "ABARR" ...
##  $ Tamaño.Cte.Industria: chr  "Extra Grande" "Extra Grande" "Extra Grande" "Extra Grande" ...
##  $ Segmento.Det        : chr  "Agua Mineral" "Agua Purificada" "Agua Purificada" "Agua Saborizada" ...
##  $ Marca               : chr  "Topo Chico A.M." "Ciel Agua Purificada" "Ciel Agua Purificada" "Ciel Exprim" ...
##  $ Presentacion        : chr  "600 ml NR" "1 Ltro. N.R." "1.5 Lts. NR" "600 ml NR" ...
##  $ Tamaño              : chr  "Individual" "Individual" "Individual" "Individual" ...
##  $ Retornable_NR       : chr  "No Retornable" "No Retornable" "No Retornable" "No Retornable" ...
##  $ Enero               : chr  "" "" "" "" ...
##  $ Febrero             : chr  "" "2" "" "" ...
##  $ Marzo               : chr  "" "8" "3" "" ...
##  $ Abril               : chr  "" "4" "6" "" ...
##  $ Mayo                : chr  "" "4" "3" "" ...
##  $ Junio               : chr  "" "2" "3" "" ...
##  $ Julio               : chr  "" "2" "3" "" ...
##  $ Agosto              : chr  "" "2" "3" "" ...
##  $ Septiembre          : chr  "" "2" "3" "" ...
##  $ Octubre             : chr  "" "2" "3" "" ...
##  $ Noviembre           : chr  "" "4" "3" "" ...
##  $ Diciembre           : chr  "1" "2" "3" "1" ...
# Convertir tipo de variables
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
# ¿Cuantos NA´s en la base de datos?
sum(is.na(bd))
## [1] 3149804
# ¿Cuantos NA´s hay por variable?
sapply(bd,function(x) sum(is.na(x)))
##                   ID                  Año           Territorio 
##                    0                    0                    0 
##       Sub.Territorio                 CEDI              Cliente 
##                    0                    0                    1 
##               Nombre Tamaño.Cte.Industria         Segmento.Det 
##                    0                    0                    0 
##                Marca         Presentacion               Tamaño 
##                    0                    0                    0 
##        Retornable_NR                Enero              Febrero 
##                    0               233552               231286 
##                Marzo                Abril                 Mayo 
##               227507               224186               217073 
##                Junio                Julio               Agosto 
##               215908               223538               220367 
##           Septiembre              Octubre            Noviembre 
##               337402               338483               338546 
##            Diciembre 
##               341955

Limpiar base de datos

boxplot(bd$Enero)

boxplot(bd$Diciembre)

mean(bd$Enero, na.rm = TRUE)
## [1] 9.391922
mean(bd$Enero, trim = 10/100, na.rm = TRUE)
## [1] 3.677421
plot(bd$ID, bd$Enero, main="Ventas")

### Funciones

#library(dplyr)
# Muestra las ventas de Enero a Junio Por Cedi
#bdl <- select(bd,CEDI, Enero:Junio)
#head(bd1)
# Muestra los movimientos por Cedi y tamaño de tienda grande.
#bd2 <- filter(bd, Tamaño.Cte.Industria=="Grande")
#head(bd2)
# Ordena la base de datos por Cedi, por marca y por presentación.
#bd3 <- arrange(bd,CEDI)
#head(bd3)
#bd4 <- arrange(bd, Marca)
#head(bd4)
#bd5 <- arrange(bd, Presentacion)
#head(bd5)
# Cambia el nombre del campo Sub Territorio por Sub_territorio
#bd6 <-  rename(bd, Sub_territorio = Sub.Territorio)
#head(bd6)
# Agrega un campo calculado con las ventas del primer semestre y muestra las ventas del primer semestre por marca.
#bd7 <- bd
#bd7$VentasSemestreUno <- sum(bd$Enero, bd$Febrero, bd$Marzo, bd$Abril, bd$Mayo, bd$Junio, na.rm = TRUE)
#head(bd7)

# Obtén la media de las ventas del primer semestre agrupado por marca, presentación y tamaño.
#summary(bd7)

Conclusion

En este ejercicio detectamos que la base de datos está bien construida, no tiene valores faltantes más que en los meses donde no hay ventas. Detectamos un renglón con valores de ventas con formato fecha que deberemos eliminar más adelantê. se realizaron algunas conversiones de tipos de dato de caracter (texto) a números enteros. Se practicaron algunas funciones de manejo básico de tablas.

Actividad 3. Representación y Diseño de Gráfica de la Información en R

Realizar las gráficas

#library(ggplot2)
#ggplot(data = bd) +
#geom_point(mapping = aes(x = ID, y = Enero))

Actividad 4. Identificación de Patrones o Tendencias

Regresion Lineal

#library(dplyr)
#bd2 <- filter(bd, Tamaño.Cte.Industria=="Micro")
#summary(bd2)

regresion <- lm(Enero~Segmento.Det + Presentacion + Tamaño + Retornable_NR, data = bd)

summary(regresion)
## 
## Call:
## lm(formula = Enero ~ Segmento.Det + Presentacion + Tamaño + 
##     Retornable_NR, data = bd)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -71.26  -5.95  -0.86   1.33 966.00 
## 
## Coefficients: (2 not defined because of singularities)
##                                   Estimate Std. Error t value Pr(>|t|)    
## (Intercept)                        0.15243    0.63718   0.239 0.810933    
## Segmento.DetAgua Purificada        4.66404    0.70937   6.575 4.88e-11 ***
## Segmento.DetAgua Saborizada       -1.42197    0.74162  -1.917 0.055191 .  
## Segmento.DetBebidas de Fruta       0.98787    0.63032   1.567 0.117056    
## Segmento.DetBebidas de Soya        0.94708    2.50157   0.379 0.704989    
## Segmento.DetBebidas Energeticas   11.90635    0.93125  12.785  < 2e-16 ***
## Segmento.DetCafe Listo Para Bebe  -1.71183    2.02938  -0.844 0.398937    
## Segmento.DetColas Light            7.50047    0.63610  11.791  < 2e-16 ***
## Segmento.DetColas Regular         21.27155    0.61327  34.686  < 2e-16 ***
## Segmento.DetIsotónicos Light      -2.19258    1.58286  -1.385 0.165992    
## Segmento.DetIsotónicos Regular    -0.71862    0.69519  -1.034 0.301277    
## Segmento.DetJugos y Néctares       2.15427    0.77962   2.763 0.005723 ** 
## Segmento.DetLeche UHT Especializ  -1.26888    1.74705  -0.726 0.467657    
## Segmento.DetLeche UHT Regular     -1.37030    1.72970  -0.792 0.428234    
## Segmento.DetLeche UHT Saborizada   0.99574    2.78360   0.358 0.720557    
## Segmento.DetPolvos                 1.21821   19.83101   0.061 0.951017    
## Segmento.DetSabores Light         -0.97784    0.75695  -1.292 0.196418    
## Segmento.DetSabores Regular       -2.05300    0.58646  -3.501 0.000464 ***
## Segmento.DetTé Light              -1.73539    3.44607  -0.504 0.614553    
## Segmento.DetTé Regular            -0.39498    0.72665  -0.544 0.586743    
## Presentacion1 Ltro. Tetra          3.13124    1.49935   2.088 0.036763 *  
## Presentacion1.250 Lts NR           0.26963    0.57907   0.466 0.641486    
## Presentacion1.5 Lts. NR            2.56855    0.33239   7.727 1.10e-14 ***
## Presentacion1.5 Lts. Ret          11.58011    0.47716  24.269  < 2e-16 ***
## Presentacion1.750 Lts NR          -8.64830    0.71312 -12.127  < 2e-16 ***
## Presentacion100 ml NR Tetra       -3.98617    2.42464  -1.644 0.100172    
## Presentacion12 Oz. NR Pet        -12.69190    0.59197 -21.440  < 2e-16 ***
## Presentacion12 Oz. NR Vidrio       2.71821    5.88685   0.462 0.644266    
## Presentacion12 Oz. Ret            -3.78984    0.71010  -5.337 9.46e-08 ***
## Presentacion125 ml NR Tetra       -4.05397    1.79426  -2.259 0.023859 *  
## Presentacion2 Lts. NR              5.57947    0.33367  16.721  < 2e-16 ***
## Presentacion2 Lts. Ret            -4.07079    0.76137  -5.347 8.97e-08 ***
## Presentacion2.5 Lts. NR           12.85447    0.41190  31.208  < 2e-16 ***
## Presentacion2.5 Lts. Ret Pet      49.83402    0.46392 107.420  < 2e-16 ***
## Presentacion200 ml Tetra          -3.39505    2.77434  -1.224 0.221055    
## Presentacion235 ml NR Vid        -15.64521    0.61869 -25.288  < 2e-16 ***
## Presentacion237 ml NR Pet         -4.92657    1.25527  -3.925 8.69e-05 ***
## Presentacion237 ml NR Vid         -9.62600    3.54052  -2.719 0.006552 ** 
## Presentacion250 ml Tetra          -4.00227    0.78509  -5.098 3.44e-07 ***
## Presentacion250 ml. NR PET        -1.26010    0.53056  -2.375 0.017549 *  
## Presentacion250 ML. NR VID        -4.02729    0.96716  -4.164 3.13e-05 ***
## Presentacion3 Lts. NR              7.89587    3.38598   2.332 0.019705 *  
## Presentacion300 ML. NR PET        -3.53675    0.84617  -4.180 2.92e-05 ***
## Presentacion350 ML NR PET         -7.66011   10.59819  -0.723 0.469819    
## Presentacion355 Ml NR Pet         -5.25305    2.19872  -2.389 0.016889 *  
## Presentacion400 ml NR             -0.77727    0.52836  -1.471 0.141267    
## Presentacion413 ml NR VId         -1.59460    0.73113  -2.181 0.029184 *  
## Presentacion473 ml NR             -3.13329    2.31070  -1.356 0.175102    
## Presentacion5 Lts. NR              4.87934    1.31673   3.706 0.000211 ***
## Presentacion500 ml NR PET         -7.85446    0.62317 -12.604  < 2e-16 ***
## Presentacion500 ml NR Vidrio      -4.88632    0.54094  -9.033  < 2e-16 ***
## Presentacion500 ml Ret             9.63179    0.48915  19.691  < 2e-16 ***
## Presentacion6.5 Oz. Ret          -22.22859    2.06983 -10.739  < 2e-16 ***
## Presentacion600 ml NR             -0.01699    0.42048  -0.040 0.967778    
## Presentacion710 ml NR            -13.09879    2.48719  -5.267 1.39e-07 ***
## Presentacion8 Oz. NR             -15.54148    0.73295 -21.204  < 2e-16 ***
## Presentacion946 ml NR Tetra        0.74832    2.19366   0.341 0.733007    
## PresentacionBag In Box             0.43004   16.30382   0.026 0.978957    
## PresentacionLata                 -14.03884    0.60528 -23.194  < 2e-16 ***
## PresentacionLata 16 Oz.          -18.02910    0.71216 -25.316  < 2e-16 ***
## PresentacionLata 222 ml           -2.52967    7.51573  -0.337 0.736431    
## PresentacionLata 235 ml          -11.85441    0.56203 -21.092  < 2e-16 ***
## PresentacionLata 237 ml          -14.96592    9.38096  -1.595 0.110635    
## PresentacionLata 335 ml           -3.95048    2.05074  -1.926 0.054060 .  
## PresentacionLata 340 ml          -14.90506    1.77138  -8.414  < 2e-16 ***
## PresentacionLata 450 ml          -14.05582    1.55716  -9.027  < 2e-16 ***
## PresentacionLata 453 ml           -3.29515    2.14134  -1.539 0.123848    
## PresentacionLATA 680 ML           -1.29590    3.50407  -0.370 0.711512    
## PresentacionLata 8 OZ.            -0.66468    2.28915  -0.290 0.771540    
## PresentacionSobres 907 grs              NA         NA      NA       NA    
## TamañoIndividual                   3.12936    0.49310   6.346 2.21e-10 ***
## Retornable_NRRetornable                 NA         NA      NA       NA    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 28.03 on 232887 degrees of freedom
##   (233552 observations deleted due to missingness)
## Multiple R-squared:  0.2019, Adjusted R-squared:  0.2016 
## F-statistic: 853.7 on 69 and 232887 DF,  p-value: < 2.2e-16

Evaluar, y en caso necesario, ajustar la Regresión Lineal

regresion_ajustada<- lm(Enero ~ Segmento.Det + Presentacion + Tamaño, data = bd)

summary(regresion_ajustada)
## 
## Call:
## lm(formula = Enero ~ Segmento.Det + Presentacion + Tamaño, data = bd)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -71.26  -5.95  -0.86   1.33 966.00 
## 
## Coefficients: (1 not defined because of singularities)
##                                   Estimate Std. Error t value Pr(>|t|)    
## (Intercept)                        0.15243    0.63718   0.239 0.810933    
## Segmento.DetAgua Purificada        4.66404    0.70937   6.575 4.88e-11 ***
## Segmento.DetAgua Saborizada       -1.42197    0.74162  -1.917 0.055191 .  
## Segmento.DetBebidas de Fruta       0.98787    0.63032   1.567 0.117056    
## Segmento.DetBebidas de Soya        0.94708    2.50157   0.379 0.704989    
## Segmento.DetBebidas Energeticas   11.90635    0.93125  12.785  < 2e-16 ***
## Segmento.DetCafe Listo Para Bebe  -1.71183    2.02938  -0.844 0.398937    
## Segmento.DetColas Light            7.50047    0.63610  11.791  < 2e-16 ***
## Segmento.DetColas Regular         21.27155    0.61327  34.686  < 2e-16 ***
## Segmento.DetIsotónicos Light      -2.19258    1.58286  -1.385 0.165992    
## Segmento.DetIsotónicos Regular    -0.71862    0.69519  -1.034 0.301277    
## Segmento.DetJugos y Néctares       2.15427    0.77962   2.763 0.005723 ** 
## Segmento.DetLeche UHT Especializ  -1.26888    1.74705  -0.726 0.467657    
## Segmento.DetLeche UHT Regular     -1.37030    1.72970  -0.792 0.428234    
## Segmento.DetLeche UHT Saborizada   0.99574    2.78360   0.358 0.720557    
## Segmento.DetPolvos                 1.21821   19.83101   0.061 0.951017    
## Segmento.DetSabores Light         -0.97784    0.75695  -1.292 0.196418    
## Segmento.DetSabores Regular       -2.05300    0.58646  -3.501 0.000464 ***
## Segmento.DetTé Light              -1.73539    3.44607  -0.504 0.614553    
## Segmento.DetTé Regular            -0.39498    0.72665  -0.544 0.586743    
## Presentacion1 Ltro. Tetra          3.13124    1.49935   2.088 0.036763 *  
## Presentacion1.250 Lts NR           0.26963    0.57907   0.466 0.641486    
## Presentacion1.5 Lts. NR            2.56855    0.33239   7.727 1.10e-14 ***
## Presentacion1.5 Lts. Ret          11.58011    0.47716  24.269  < 2e-16 ***
## Presentacion1.750 Lts NR          -8.64830    0.71312 -12.127  < 2e-16 ***
## Presentacion100 ml NR Tetra       -3.98617    2.42464  -1.644 0.100172    
## Presentacion12 Oz. NR Pet        -12.69190    0.59197 -21.440  < 2e-16 ***
## Presentacion12 Oz. NR Vidrio       2.71821    5.88685   0.462 0.644266    
## Presentacion12 Oz. Ret            -3.78984    0.71010  -5.337 9.46e-08 ***
## Presentacion125 ml NR Tetra       -4.05397    1.79426  -2.259 0.023859 *  
## Presentacion2 Lts. NR              5.57947    0.33367  16.721  < 2e-16 ***
## Presentacion2 Lts. Ret            -4.07079    0.76137  -5.347 8.97e-08 ***
## Presentacion2.5 Lts. NR           12.85447    0.41190  31.208  < 2e-16 ***
## Presentacion2.5 Lts. Ret Pet      49.83402    0.46392 107.420  < 2e-16 ***
## Presentacion200 ml Tetra          -3.39505    2.77434  -1.224 0.221055    
## Presentacion235 ml NR Vid        -15.64521    0.61869 -25.288  < 2e-16 ***
## Presentacion237 ml NR Pet         -4.92657    1.25527  -3.925 8.69e-05 ***
## Presentacion237 ml NR Vid         -9.62600    3.54052  -2.719 0.006552 ** 
## Presentacion250 ml Tetra          -4.00227    0.78509  -5.098 3.44e-07 ***
## Presentacion250 ml. NR PET        -1.26010    0.53056  -2.375 0.017549 *  
## Presentacion250 ML. NR VID        -4.02729    0.96716  -4.164 3.13e-05 ***
## Presentacion3 Lts. NR              7.89587    3.38598   2.332 0.019705 *  
## Presentacion300 ML. NR PET        -3.53675    0.84617  -4.180 2.92e-05 ***
## Presentacion350 ML NR PET         -7.66011   10.59819  -0.723 0.469819    
## Presentacion355 Ml NR Pet         -5.25305    2.19872  -2.389 0.016889 *  
## Presentacion400 ml NR             -0.77727    0.52836  -1.471 0.141267    
## Presentacion413 ml NR VId         -1.59460    0.73113  -2.181 0.029184 *  
## Presentacion473 ml NR             -3.13329    2.31070  -1.356 0.175102    
## Presentacion5 Lts. NR              4.87934    1.31673   3.706 0.000211 ***
## Presentacion500 ml NR PET         -7.85446    0.62317 -12.604  < 2e-16 ***
## Presentacion500 ml NR Vidrio      -4.88632    0.54094  -9.033  < 2e-16 ***
## Presentacion500 ml Ret             9.63179    0.48915  19.691  < 2e-16 ***
## Presentacion6.5 Oz. Ret          -22.22859    2.06983 -10.739  < 2e-16 ***
## Presentacion600 ml NR             -0.01699    0.42048  -0.040 0.967778    
## Presentacion710 ml NR            -13.09879    2.48719  -5.267 1.39e-07 ***
## Presentacion8 Oz. NR             -15.54148    0.73295 -21.204  < 2e-16 ***
## Presentacion946 ml NR Tetra        0.74832    2.19366   0.341 0.733007    
## PresentacionBag In Box             0.43004   16.30382   0.026 0.978957    
## PresentacionLata                 -14.03884    0.60528 -23.194  < 2e-16 ***
## PresentacionLata 16 Oz.          -18.02910    0.71216 -25.316  < 2e-16 ***
## PresentacionLata 222 ml           -2.52967    7.51573  -0.337 0.736431    
## PresentacionLata 235 ml          -11.85441    0.56203 -21.092  < 2e-16 ***
## PresentacionLata 237 ml          -14.96592    9.38096  -1.595 0.110635    
## PresentacionLata 335 ml           -3.95048    2.05074  -1.926 0.054060 .  
## PresentacionLata 340 ml          -14.90506    1.77138  -8.414  < 2e-16 ***
## PresentacionLata 450 ml          -14.05582    1.55716  -9.027  < 2e-16 ***
## PresentacionLata 453 ml           -3.29515    2.14134  -1.539 0.123848    
## PresentacionLATA 680 ML           -1.29590    3.50407  -0.370 0.711512    
## PresentacionLata 8 OZ.            -0.66468    2.28915  -0.290 0.771540    
## PresentacionSobres 907 grs              NA         NA      NA       NA    
## TamañoIndividual                   3.12936    0.49310   6.346 2.21e-10 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 28.03 on 232887 degrees of freedom
##   (233552 observations deleted due to missingness)
## Multiple R-squared:  0.2019, Adjusted R-squared:  0.2016 
## F-statistic: 853.7 on 69 and 232887 DF,  p-value: < 2.2e-16
plot(regresion_ajustada)

### Contruir un modelo de prediccion

datos_nuevos <- data.frame(Segmento.Det= "Colas Regular" , Presentacion= "2.5 Lts. Ret Pet", Tamaño= "Familiar")
predict(regresion_ajustada,datos_nuevos)
## Warning in predict.lm(regresion_ajustada, datos_nuevos): prediction from a
## rank-deficient fit may be misleading
##      1 
## 71.258

Conclusion

En conclusion podemos realizar la regresiones lineales para generar modelos predictivos de variables de interes como las ventas. En este caso, se recomienda tener mas variables y de mayor impacto sobre las ventas, para que el modelo sea mas confiable (actualmente 38%)

LS0tCnRpdGxlOiAiRXZpZGVuY2lhX0ZpbmFsIgphdXRob3I6ICJNYXJjb19Hb256YWxlel9BMDA4MzQ4OTUiCmRhdGU6ICIyMDIzLTAzLTIyIgpvdXRwdXQ6IAogIGh0bWxfZG9jdW1lbnQ6CiAgICB0b2M6IHRydWUKICAgIHRvY19mbG9hdDogdHJ1ZQogICAgY29kZV9kb3dubG9hZDogdHJ1ZQotLS0KIVtdKC9Vc2Vycy9tYXJjb2dvbnphbGV6L0Rlc2t0b3AvUHJvZ3JhbWFjaW9uIEJvb3RjYW1wL2FyY2EuanBlZykKCiMjIEFjdGl2aWRhZCAyLiBJbXBvcnRhY2nDs24sIExpbXBpZXphLCB5IFRyYW5zZm9ybWFjacOzbiBkZSBEYXRvcyBlbiBSCgojIyMgQ29udGV4dG8KUGFyYSBBcmNhIENvbnRpbmVudGFsIHN1IHByaW5jaXBhbCBjYW5hbCBkZSBkaXN0cmlidWNpw7NuIGVzIGVsIGNhbmFsIHRyYWRpY2lvbmFsLCBlcyBkZWNpciwgbGFzIHRpZW5kaXRhcyBkZSBsYSBlc3F1aW5hLiBFc3RvIHBlcm1pdGUgcXVlIGxhIGZhbWlsaWEgZGUgcHJvZHVjdG9zIGRlIGxhIGNvbXBhw7HDrWEgQ29jYSBDb2xhIGVzdMOpbiBzaWVtcHJlIGNlcmNhIGRlIHN1cyBjb25zdW1pZG9yZXMgYSB0cmF2w6lzIGRlIGVzdGFzIHBlcXVlw7FhcyBlbXByZXNhcyBmYW1pbGlhcmVzIHF1ZSBmb3JtYW4gcGFydGUgZGUgc3UgcHJvcGlhIGNvbXVuaWRhZC4KClNpbiBlbWJhcmdvLCBlc3RlIHRpcG8gZGUgZm9ybWF0byBkZSBSZXRhaWwgZXN0w6EgZW5mcmVudGFuZG8gdW5hIGZ1ZXJ0ZSBjb21wZXRlbmNpYSBwb3IgcGFydGUgZGUgbG9zIGNhbmFsZXMgbW9kZXJub3MuIEVuIHVuIHByaW5jaXBpbyBmdWVyb24gbGFzIHRpZW5kYXMgZGUgY29udmVuaWVuY2lhIGNvbW8gT3h4byB5IDctRWxldmVuIHF1aWVuZXMgY29tZW56YXJvbiBhIGNyZWFyIHVuYSBpbXBvcnRhbnRlIGNhbnRpZGFkIGRlIG51ZXZvcyBlc3RhYmxlY2ltaWVudG9zLCBjYWRhIHZleiBtw6FzIGVuIHpvbmFzIGhhYml0YWNpb25hbGVzIHkgbm8gc29sbyBlbiBhdmVuaWRhcyBvIGdhc29saW5lcmFzLgoKIyMjIEltcG9ydGFyIGxhIGJhc2UgZGUgZGF0b3MKYGBge3J9CmJkIDwtIHJlYWQuY3N2KCIvVXNlcnMvbWFyY29nb256YWxlei9EZXNrdG9wL1Byb2dyYW1hY2lvbiBCb290Y2FtcC9EYXRvcyBBcmNhIENvbnRpbmVudGFsIE9yaWdpbmFsLmNzdiIpCmBgYAojIyMgRW50ZW5kZXIgbGEgYmFzZSBkZSBkYXRvcwpgYGB7cn0Kc3VtbWFyeShiZCkKc3RyKGJkKQojIENvbnZlcnRpciB0aXBvIGRlIHZhcmlhYmxlcwpiZCRDbGllbnRlIDwtIGFzLmludGVnZXIoYmQkQ2xpZW50ZSkKYmQkRW5lcm8gPC0gYXMuaW50ZWdlcihiZCRFbmVybykKYmQkRmVicmVybyA8LSBhcy5pbnRlZ2VyKGJkJEZlYnJlcm8pCmJkJE1hcnpvIDwtIGFzLmludGVnZXIoYmQkTWFyem8pCmJkJEFicmlsIDwtIGFzLmludGVnZXIoYmQkQWJyaWwpCmJkJE1heW8gPC0gYXMuaW50ZWdlcihiZCRNYXlvKQpiZCRKdW5pbyA8LSBhcy5pbnRlZ2VyKGJkJEp1bmlvKQpiZCRKdWxpbyA8LSBhcy5pbnRlZ2VyKGJkJEp1bGlvKQpiZCRBZ29zdG8gPC0gYXMuaW50ZWdlcihiZCRBZ29zdG8pCmJkJFNlcHRpZW1icmUgPC0gYXMuaW50ZWdlcihiZCRTZXB0aWVtYnJlKQpiZCRPY3R1YnJlIDwtIGFzLmludGVnZXIoYmQkT2N0dWJyZSkKYmQkTm92aWVtYnJlIDwtIGFzLmludGVnZXIoYmQkTm92aWVtYnJlKQpiZCREaWNpZW1icmUgPC0gYXMuaW50ZWdlcihiZCREaWNpZW1icmUpCiMgwr9DdWFudG9zIE5BwrRzIGVuIGxhIGJhc2UgZGUgZGF0b3M/CnN1bShpcy5uYShiZCkpCiMgwr9DdWFudG9zIE5BwrRzIGhheSBwb3IgdmFyaWFibGU/CnNhcHBseShiZCxmdW5jdGlvbih4KSBzdW0oaXMubmEoeCkpKQpgYGAKIyMjIExpbXBpYXIgYmFzZSBkZSBkYXRvcwpgYGB7cn0KYm94cGxvdChiZCRFbmVybykKYm94cGxvdChiZCREaWNpZW1icmUpCm1lYW4oYmQkRW5lcm8sIG5hLnJtID0gVFJVRSkKbWVhbihiZCRFbmVybywgdHJpbSA9IDEwLzEwMCwgbmEucm0gPSBUUlVFKQpwbG90KGJkJElELCBiZCRFbmVybywgbWFpbj0iVmVudGFzIikKYGBgCiMjIyBGdW5jaW9uZXMKYGBge3J9CiNsaWJyYXJ5KGRwbHlyKQojIE11ZXN0cmEgbGFzIHZlbnRhcyBkZSBFbmVybyBhIEp1bmlvIFBvciBDZWRpCiNiZGwgPC0gc2VsZWN0KGJkLENFREksIEVuZXJvOkp1bmlvKQojaGVhZChiZDEpCiMgTXVlc3RyYSBsb3MgbW92aW1pZW50b3MgcG9yIENlZGkgeSB0YW1hw7FvIGRlIHRpZW5kYSBncmFuZGUuCiNiZDIgPC0gZmlsdGVyKGJkLCBUYW1hw7FvLkN0ZS5JbmR1c3RyaWE9PSJHcmFuZGUiKQojaGVhZChiZDIpCiMgT3JkZW5hIGxhIGJhc2UgZGUgZGF0b3MgcG9yIENlZGksIHBvciBtYXJjYSB5IHBvciBwcmVzZW50YWNpw7NuLgojYmQzIDwtIGFycmFuZ2UoYmQsQ0VESSkKI2hlYWQoYmQzKQojYmQ0IDwtIGFycmFuZ2UoYmQsIE1hcmNhKQojaGVhZChiZDQpCiNiZDUgPC0gYXJyYW5nZShiZCwgUHJlc2VudGFjaW9uKQojaGVhZChiZDUpCiMgQ2FtYmlhIGVsIG5vbWJyZSBkZWwgY2FtcG8gU3ViIFRlcnJpdG9yaW8gcG9yIFN1Yl90ZXJyaXRvcmlvCiNiZDYgPC0gIHJlbmFtZShiZCwgU3ViX3RlcnJpdG9yaW8gPSBTdWIuVGVycml0b3JpbykKI2hlYWQoYmQ2KQojIEFncmVnYSB1biBjYW1wbyBjYWxjdWxhZG8gY29uIGxhcyB2ZW50YXMgZGVsIHByaW1lciBzZW1lc3RyZSB5IG11ZXN0cmEgbGFzIHZlbnRhcyBkZWwgcHJpbWVyIHNlbWVzdHJlIHBvciBtYXJjYS4KI2JkNyA8LSBiZAojYmQ3JFZlbnRhc1NlbWVzdHJlVW5vIDwtIHN1bShiZCRFbmVybywgYmQkRmVicmVybywgYmQkTWFyem8sIGJkJEFicmlsLCBiZCRNYXlvLCBiZCRKdW5pbywgbmEucm0gPSBUUlVFKQojaGVhZChiZDcpCgojIE9idMOpbiBsYSBtZWRpYSBkZSBsYXMgdmVudGFzIGRlbCBwcmltZXIgc2VtZXN0cmUgYWdydXBhZG8gcG9yIG1hcmNhLCBwcmVzZW50YWNpw7NuIHkgdGFtYcOxby4KI3N1bW1hcnkoYmQ3KQoKYGBgCiMjIyBDb25jbHVzaW9uCkVuIGVzdGUgZWplcmNpY2lvIGRldGVjdGFtb3MgcXVlIGxhIGJhc2UgZGUgZGF0b3MgZXN0w6EgYmllbiBjb25zdHJ1aWRhLCBubyB0aWVuZSB2YWxvcmVzIGZhbHRhbnRlcyBtw6FzIHF1ZSBlbiBsb3MgbWVzZXMgZG9uZGUgbm8gaGF5IHZlbnRhcy4gRGV0ZWN0YW1vcyB1biByZW5nbMOzbiBjb24gdmFsb3JlcyBkZSB2ZW50YXMgY29uIGZvcm1hdG8gZmVjaGEgcXVlIGRlYmVyZW1vcyBlbGltaW5hciBtw6FzIGFkZWxhbnTDqi4gc2UgcmVhbGl6YXJvbiBhbGd1bmFzIGNvbnZlcnNpb25lcyBkZSB0aXBvcyBkZSBkYXRvIGRlIGNhcmFjdGVyICh0ZXh0bykgYSBuw7ptZXJvcyBlbnRlcm9zLiBTZSBwcmFjdGljYXJvbiBhbGd1bmFzIGZ1bmNpb25lcyBkZSBtYW5lam8gYsOhc2ljbyBkZSB0YWJsYXMuCgojIyBBY3RpdmlkYWQgMy4gUmVwcmVzZW50YWNpw7NuIHkgRGlzZcOxbyBkZSBHcsOhZmljYSBkZSBsYSBJbmZvcm1hY2nDs24gZW4gUgoKIVtdKC9Vc2Vycy9tYXJjb2dvbnphbGV6L0Rlc2t0b3AvUHJvZ3JhbWFjaW9uIEJvb3RjYW1wL2dyYWZpY2FzLnBuZykKCiMjIyBSZWFsaXphciBsYXMgZ3LDoWZpY2FzCmBgYHtyfQojbGlicmFyeShnZ3Bsb3QyKQojZ2dwbG90KGRhdGEgPSBiZCkgKwojZ2VvbV9wb2ludChtYXBwaW5nID0gYWVzKHggPSBJRCwgeSA9IEVuZXJvKSkKCmBgYAoKIyMgQWN0aXZpZGFkIDQuIElkZW50aWZpY2FjacOzbiBkZSBQYXRyb25lcyBvIFRlbmRlbmNpYXMKCiFbXSgvVXNlcnMvbWFyY29nb256YWxlei9EZXNrdG9wL1Byb2dyYW1hY2lvbiBCb290Y2FtcC9yZWdyZXNpb24ucG5nKQoKIyMjIFJlZ3Jlc2lvbiBMaW5lYWwKYGBge3J9CiNsaWJyYXJ5KGRwbHlyKQojYmQyIDwtIGZpbHRlcihiZCwgVGFtYcOxby5DdGUuSW5kdXN0cmlhPT0iTWljcm8iKQojc3VtbWFyeShiZDIpCgpyZWdyZXNpb24gPC0gbG0oRW5lcm9+U2VnbWVudG8uRGV0ICsgUHJlc2VudGFjaW9uICsgVGFtYcOxbyArIFJldG9ybmFibGVfTlIsIGRhdGEgPSBiZCkKCnN1bW1hcnkocmVncmVzaW9uKQpgYGAKIyMjIEV2YWx1YXIsIHkgZW4gY2FzbyBuZWNlc2FyaW8sIGFqdXN0YXIgbGEgUmVncmVzacOzbiBMaW5lYWwKYGBge3J9CnJlZ3Jlc2lvbl9hanVzdGFkYTwtIGxtKEVuZXJvIH4gU2VnbWVudG8uRGV0ICsgUHJlc2VudGFjaW9uICsgVGFtYcOxbywgZGF0YSA9IGJkKQoKc3VtbWFyeShyZWdyZXNpb25fYWp1c3RhZGEpCgpwbG90KHJlZ3Jlc2lvbl9hanVzdGFkYSkKCmBgYAojIyMgQ29udHJ1aXIgdW4gbW9kZWxvIGRlIHByZWRpY2Npb24KYGBge3J9CmRhdG9zX251ZXZvcyA8LSBkYXRhLmZyYW1lKFNlZ21lbnRvLkRldD0gIkNvbGFzIFJlZ3VsYXIiICwgUHJlc2VudGFjaW9uPSAiMi41IEx0cy4gUmV0IFBldCIsIFRhbWHDsW89ICJGYW1pbGlhciIpCnByZWRpY3QocmVncmVzaW9uX2FqdXN0YWRhLGRhdG9zX251ZXZvcykKYGBgCiMjIyBDb25jbHVzaW9uCkVuIGNvbmNsdXNpb24gcG9kZW1vcyByZWFsaXphciBsYSByZWdyZXNpb25lcyBsaW5lYWxlcyBwYXJhIGdlbmVyYXIgbW9kZWxvcyBwcmVkaWN0aXZvcyBkZSB2YXJpYWJsZXMgZGUgaW50ZXJlcyBjb21vIGxhcyB2ZW50YXMuIEVuIGVzdGUgY2Fzbywgc2UgcmVjb21pZW5kYSB0ZW5lciBtYXMgdmFyaWFibGVzIHkgZGUgbWF5b3IgaW1wYWN0byBzb2JyZSBsYXMgdmVudGFzLCBwYXJhIHF1ZSBlbCBtb2RlbG8gc2VhIG1hcyBjb25maWFibGUgKGFjdHVhbG1lbnRlIDM4JSkKCgoK