Evidencia
Hugo Enrique Espronceda Anaya / A01284827
2023-03-21
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/hugoenrique/Desktop/4to semestre/Semanas Tec/Bootcamp de programación/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" ...head(bd)## ID Año Territorio Sub.Territorio CEDI Cliente Nombre
## 1 1 2016 Guadalajara Belenes Suc. Belenes 77737 ABARR
## 2 2 2016 Guadalajara Belenes Suc. Belenes 77737 ABARR
## 3 3 2016 Guadalajara Belenes Suc. Belenes 77737 ABARR
## 4 4 2016 Guadalajara Belenes Suc. Belenes 77737 ABARR
## 5 5 2016 Guadalajara Belenes Suc. Belenes 77737 ABARR
## 6 6 2016 Guadalajara Belenes Suc. Belenes 77737 ABARR
## Tamaño.Cte.Industria Segmento.Det Marca Presentacion
## 1 Extra Grande Agua Mineral Topo Chico A.M. 600 ml NR
## 2 Extra Grande Agua Purificada Ciel Agua Purificada 1 Ltro. N.R.
## 3 Extra Grande Agua Purificada Ciel Agua Purificada 1.5 Lts. NR
## 4 Extra Grande Agua Saborizada Ciel Exprim 600 ml NR
## 5 Extra Grande Agua Saborizada Ciel Mini 300 ML. NR PET
## 6 Extra Grande Agua Saborizada Ciel Saborizada 1 Ltro. N.R.
## Tamaño Retornable_NR Enero Febrero Marzo Abril Mayo Junio Julio Agosto
## 1 Individual No Retornable
## 2 Individual No Retornable 2 8 4 4 2 2 2
## 3 Individual No Retornable 3 6 3 3 3 3
## 4 Individual No Retornable
## 5 Individual No Retornable
## 6 Individual No Retornable 1
## Septiembre Octubre Noviembre Diciembre
## 1 1
## 2 2 2 4 2
## 3 3 3 3 3
## 4 1
## 5 0
## 6class(bd)## [1] "data.frame"# Convertir tipos de variables
bd$Cliente <- as.integer(bd$Cliente)## Warning: NAs introduced by coercionbd$Enero <- as.integer(bd$Enero)## Warning: NAs introduced by coercionbd$Febrero <- as.integer(bd$Febrero)## Warning: NAs introduced by coercionbd$Marzo <- as.integer(bd$Marzo)## Warning: NAs introduced by coercionbd$Abril <- as.integer(bd$Abril)## Warning: NAs introduced by coercionbd$Mayo <- as.integer(bd$Mayo)## Warning: NAs introduced by coercionbd$Junio <- as.integer(bd$Junio)## Warning: NAs introduced by coercionbd$Julio <- as.integer(bd$Julio)## Warning: NAs introduced by coercionbd$Agosto <- as.integer(bd$Agosto)## Warning: NAs introduced by coercionbd$Septiembre <- as.integer(bd$Septiembre)## Warning: NAs introduced by coercionbd$Octubre <- as.integer(bd$Octubre)## Warning: NAs introduced by coercionbd$Noviembre <- as.integer(bd$Noviembre)## Warning: NAs introduced by coercionbd$Diciembre <- as.integer(bd$Diciembre)## Warning: NAs introduced by coercion# ¿Cuántos NA's en la base de datos?
sum(is.na(bd))## [1] 3149804# ¿Cuántos 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
## 341955Limpiar la base de datos
boxplot(bd$Enero)
boxplot(bd$Diciembre)
mean(bd$Enero, na.rm = TRUE)## [1] 9.391922mean(bd$Enero, trim = 10/100, na.rm = TRUE)## [1] 3.677421# Gráfica
plot(bd$ID, bd$Enero, main="Ventas")
Funciones
library("dplyr") #Librería a utilizar##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union# Muestra las ventas de Enero a Junio por CEDI
bd1 <- select(bd, CEDI,Enero:Junio)
head(bd1) #Muestra los primeros 6 renglones## CEDI Enero Febrero Marzo Abril Mayo Junio
## 1 Suc. Belenes NA NA NA NA NA NA
## 2 Suc. Belenes NA 2 8 4 4 2
## 3 Suc. Belenes NA NA 3 6 3 3
## 4 Suc. Belenes NA NA NA NA NA NA
## 5 Suc. Belenes NA NA NA NA NA NA
## 6 Suc. Belenes NA NA 1 NA NA NA# Muestra los movimientos por CEDI y tamaño de tienda grande.
bd2 <- filter(bd, Tamaño.Cte.Industria=="Grande")
head(bd2)## ID Año Territorio Sub.Territorio CEDI Cliente Nombre
## 1 374960 2019 Guadalajara Belenes Suc. Belenes 7657 FROYL
## 2 374961 2019 Guadalajara Belenes Suc. Belenes 7657 FROYL
## 3 374962 2019 Guadalajara Belenes Suc. Belenes 7657 FROYL
## 4 374963 2019 Guadalajara Belenes Suc. Belenes 7657 FROYL
## 5 374964 2019 Guadalajara Belenes Suc. Belenes 7657 FROYL
## 6 374965 2019 Guadalajara Belenes Suc. Belenes 7657 FROYL
## Tamaño.Cte.Industria Segmento.Det Marca Presentacion
## 1 Grande Agua Mineral Ciel Mineralizada 600 ml NR
## 2 Grande Agua Mineral Topo Chico A.M. 1.5 Lts. NR
## 3 Grande Agua Mineral Topo Chico A.M. 600 ml NR
## 4 Grande Agua Purificada Ciel Agua Purificada 1 Ltro. N.R.
## 5 Grande Agua Purificada Ciel Agua Purificada 1.5 Lts. NR
## 6 Grande Agua Purificada Ciel Agua Purificada 5 Lts. NR
## Tamaño Retornable_NR Enero Febrero Marzo Abril Mayo Junio Julio Agosto
## 1 Individual No Retornable 1 NA NA 1 1 NA NA NA
## 2 Familiar No Retornable NA 2 5 2 2 2 NA 2
## 3 Individual No Retornable 1 3 3 3 4 1 1 3
## 4 Individual No Retornable 8 2 23 13 21 8 15 19
## 5 Individual No Retornable 13 13 25 22 29 13 10 22
## 6 Familiar No Retornable 4 7 14 14 11 11 7 11
## Septiembre Octubre Noviembre Diciembre
## 1 NA NA NA NA
## 2 NA NA NA NA
## 3 NA NA NA NA
## 4 NA NA NA NA
## 5 NA NA NA NA
## 6 NA NA NA NA# Ordena la base de datos por Cedi, marca y pòr presentación
bd3 <- arrange(bd, CEDI)
head(bd3)## ID Año Territorio Sub.Territorio CEDI Cliente Nombre
## 1 184065 2018 Territorio Sub Territorio CEDI NA Nombre
## 2 1 2016 Guadalajara Belenes Suc. Belenes 77737 ABARR
## 3 2 2016 Guadalajara Belenes Suc. Belenes 77737 ABARR
## 4 3 2016 Guadalajara Belenes Suc. Belenes 77737 ABARR
## 5 4 2016 Guadalajara Belenes Suc. Belenes 77737 ABARR
## 6 5 2016 Guadalajara Belenes Suc. Belenes 77737 ABARR
## Tamaño.Cte.Industria Segmento.Det Marca Presentacion
## 1 Tamaño Cte Industria Segmento Det Marca Presentacion
## 2 Extra Grande Agua Mineral Topo Chico A.M. 600 ml NR
## 3 Extra Grande Agua Purificada Ciel Agua Purificada 1 Ltro. N.R.
## 4 Extra Grande Agua Purificada Ciel Agua Purificada 1.5 Lts. NR
## 5 Extra Grande Agua Saborizada Ciel Exprim 600 ml NR
## 6 Extra Grande Agua Saborizada Ciel Mini 300 ML. NR PET
## Tamaño Retornable_NR Enero Febrero Marzo Abril Mayo Junio Julio Agosto
## 1 Tamaño Retornable_NR NA NA NA NA NA NA NA NA
## 2 Individual No Retornable NA NA NA NA NA NA NA NA
## 3 Individual No Retornable NA 2 8 4 4 2 2 2
## 4 Individual No Retornable NA NA 3 6 3 3 3 3
## 5 Individual No Retornable NA NA NA NA NA NA NA NA
## 6 Individual No Retornable NA NA NA NA NA NA NA NA
## Septiembre Octubre Noviembre Diciembre
## 1 NA NA NA NA
## 2 NA NA NA 1
## 3 2 2 4 2
## 4 3 3 3 3
## 5 NA NA NA 1
## 6 NA NA 0 NAbd4 <- arrange(bd, Marca)
head(bd4)## ID Año Territorio Sub.Territorio CEDI Cliente Nombre
## 1 184080 2018 Guadalajara Huentitán Suc. Huentitán 2658 DIAZ
## 2 184081 2018 Guadalajara Huentitán Suc. Huentitán 2658 DIAZ
## 3 184296 2018 Guadalajara Huentitán Suc. Huentitán 2682 VARGA
## 4 184297 2018 Guadalajara Huentitán Suc. Huentitán 2682 VARGA
## 5 184410 2018 Guadalajara Huentitán Suc. Huentitán 2687 MARIA
## 6 184519 2018 Guadalajara Huentitán Suc. Huentitán 2713 MARIA
## Tamaño.Cte.Industria Segmento.Det Marca Presentacion Tamaño
## 1 Extra Grande Bebidas de Soya AdeS Frutal 200 ml Tetra Individual
## 2 Extra Grande Bebidas de Soya AdeS Frutal 946 ml NR Tetra Familiar
## 3 Extra Grande Bebidas de Soya AdeS Frutal 200 ml Tetra Individual
## 4 Extra Grande Bebidas de Soya AdeS Frutal 946 ml NR Tetra Familiar
## 5 Extra Grande Bebidas de Soya AdeS Frutal 200 ml Tetra Individual
## 6 Extra Grande Bebidas de Soya AdeS Frutal 200 ml Tetra Individual
## Retornable_NR Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre
## 1 No Retornable NA NA NA NA NA NA NA NA NA
## 2 No Retornable NA NA NA NA NA NA NA NA NA
## 3 No Retornable NA NA NA NA NA NA NA NA NA
## 4 No Retornable NA NA NA NA NA NA NA NA NA
## 5 No Retornable NA NA NA NA NA NA NA NA NA
## 6 No Retornable NA NA NA NA NA NA NA NA NA
## Octubre Noviembre Diciembre
## 1 NA 1 NA
## 2 NA NA 0
## 3 NA 0 0
## 4 NA 2 NA
## 5 NA 0 0
## 6 NA 0 NAbd5 <- arrange(bd, Presentacion)
head(bd5)## ID Año Territorio Sub.Territorio CEDI Cliente Nombre
## 1 262937 2019 Guadalajara Toluquilla Suc. Toluquilla 3961 MINI
## 2 263111 2019 Guadalajara Toluquilla Suc. Toluquilla 4026 ABARR
## 3 263199 2019 Guadalajara Toluquilla Suc. Toluquilla 4050 MARTI
## 4 263295 2019 Guadalajara Toluquilla Suc. Toluquilla 4122 ESMER
## 5 263405 2019 Guadalajara Toluquilla Suc. Toluquilla 4167 MINI
## 6 263521 2019 Guadalajara Toluquilla Suc. Toluquilla 4169 CREME
## Tamaño.Cte.Industria Segmento.Det Marca Presentacion Tamaño
## 1 Extra Grande Colas Regular Coca-Cola 1 Ltro Ret. Familiar
## 2 Extra Grande Colas Regular Coca-Cola 1 Ltro Ret. Familiar
## 3 Extra Grande Colas Regular Coca-Cola 1 Ltro Ret. Familiar
## 4 Extra Grande Colas Regular Coca-Cola 1 Ltro Ret. Familiar
## 5 Extra Grande Colas Regular Coca-Cola 1 Ltro Ret. Familiar
## 6 Extra Grande Colas Regular Coca-Cola 1 Ltro Ret. Familiar
## Retornable_NR Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre
## 1 Retornable NA NA 30 129 222 127 142 186 NA
## 2 Retornable NA NA 8 85 53 38 44 44 NA
## 3 Retornable NA NA NA 21 101 97 40 NA NA
## 4 Retornable NA NA 34 104 112 63 89 93 NA
## 5 Retornable NA NA 15 4 4 17 6 13 NA
## 6 Retornable NA NA 53 159 125 116 120 123 NA
## Octubre Noviembre Diciembre
## 1 NA NA NA
## 2 NA NA NA
## 3 NA NA NA
## 4 NA NA NA
## 5 NA NA NA
## 6 NA NA NA# Cambia el nombre del campo SubTerritorio por Sub_Territorio
bd6 <- rename(bd, Sub_Territorio = Sub.Territorio)
head(bd6)## ID Año Territorio Sub_Territorio CEDI Cliente Nombre
## 1 1 2016 Guadalajara Belenes Suc. Belenes 77737 ABARR
## 2 2 2016 Guadalajara Belenes Suc. Belenes 77737 ABARR
## 3 3 2016 Guadalajara Belenes Suc. Belenes 77737 ABARR
## 4 4 2016 Guadalajara Belenes Suc. Belenes 77737 ABARR
## 5 5 2016 Guadalajara Belenes Suc. Belenes 77737 ABARR
## 6 6 2016 Guadalajara Belenes Suc. Belenes 77737 ABARR
## Tamaño.Cte.Industria Segmento.Det Marca Presentacion
## 1 Extra Grande Agua Mineral Topo Chico A.M. 600 ml NR
## 2 Extra Grande Agua Purificada Ciel Agua Purificada 1 Ltro. N.R.
## 3 Extra Grande Agua Purificada Ciel Agua Purificada 1.5 Lts. NR
## 4 Extra Grande Agua Saborizada Ciel Exprim 600 ml NR
## 5 Extra Grande Agua Saborizada Ciel Mini 300 ML. NR PET
## 6 Extra Grande Agua Saborizada Ciel Saborizada 1 Ltro. N.R.
## Tamaño Retornable_NR Enero Febrero Marzo Abril Mayo Junio Julio Agosto
## 1 Individual No Retornable NA NA NA NA NA NA NA NA
## 2 Individual No Retornable NA 2 8 4 4 2 2 2
## 3 Individual No Retornable NA NA 3 6 3 3 3 3
## 4 Individual No Retornable NA NA NA NA NA NA NA NA
## 5 Individual No Retornable NA NA NA NA NA NA NA NA
## 6 Individual No Retornable NA NA 1 NA NA NA NA NA
## Septiembre Octubre Noviembre Diciembre
## 1 NA NA NA 1
## 2 2 2 4 2
## 3 3 3 3 3
## 4 NA NA NA 1
## 5 NA NA 0 NA
## 6 NA NA NA NA# Agrega un campo calculado con las ventas del primer semestre y muestra las ventas del primer semestre por marca.
bd7 <- mutate(bd, VentasSemestreUno = sum(Enero,Febrero, Marzo, Abril, Mayo, Junio, na.rm = TRUE))
head(bd7)## ID Año Territorio Sub.Territorio CEDI Cliente Nombre
## 1 1 2016 Guadalajara Belenes Suc. Belenes 77737 ABARR
## 2 2 2016 Guadalajara Belenes Suc. Belenes 77737 ABARR
## 3 3 2016 Guadalajara Belenes Suc. Belenes 77737 ABARR
## 4 4 2016 Guadalajara Belenes Suc. Belenes 77737 ABARR
## 5 5 2016 Guadalajara Belenes Suc. Belenes 77737 ABARR
## 6 6 2016 Guadalajara Belenes Suc. Belenes 77737 ABARR
## Tamaño.Cte.Industria Segmento.Det Marca Presentacion
## 1 Extra Grande Agua Mineral Topo Chico A.M. 600 ml NR
## 2 Extra Grande Agua Purificada Ciel Agua Purificada 1 Ltro. N.R.
## 3 Extra Grande Agua Purificada Ciel Agua Purificada 1.5 Lts. NR
## 4 Extra Grande Agua Saborizada Ciel Exprim 600 ml NR
## 5 Extra Grande Agua Saborizada Ciel Mini 300 ML. NR PET
## 6 Extra Grande Agua Saborizada Ciel Saborizada 1 Ltro. N.R.
## Tamaño Retornable_NR Enero Febrero Marzo Abril Mayo Junio Julio Agosto
## 1 Individual No Retornable NA NA NA NA NA NA NA NA
## 2 Individual No Retornable NA 2 8 4 4 2 2 2
## 3 Individual No Retornable NA NA 3 6 3 3 3 3
## 4 Individual No Retornable NA NA NA NA NA NA NA NA
## 5 Individual No Retornable NA NA NA NA NA NA NA NA
## 6 Individual No Retornable NA NA 1 NA NA NA NA NA
## Septiembre Octubre Noviembre Diciembre VentasSemestreUno
## 1 NA NA NA 1 15025169
## 2 2 2 4 2 15025169
## 3 3 3 3 3 15025169
## 4 NA NA NA 1 15025169
## 5 NA NA 0 NA 15025169
## 6 NA NA NA NA 15025169# Obtén la media de las ventas del primer semestre agrupado por marca, presentación y tamaño
summary(bd7)## 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 Min. : 3 Length:466509 Length:466509
## Class :character 1st Qu.: 2509 Class :character Class :character
## Mode :character Median : 5488 Mode :character Mode :character
## Mean :16768
## 3rd Qu.: 9267
## Max. :99998
## NA's :1
## 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 Min. :-19.00 Min. :-11.00 Min. :-32.00
## Class :character 1st Qu.: 1.00 1st Qu.: 1.00 1st Qu.: 1.00
## Mode :character Median : 2.00 Median : 2.00 Median : 3.00
## Mean : 9.39 Mean : 9.09 Mean : 10.54
## 3rd Qu.: 6.00 3rd Qu.: 6.00 3rd Qu.: 6.00
## Max. :999.00 Max. :986.00 Max. :986.00
## NA's :233552 NA's :231286 NA's :227507
## Abril Mayo Junio Julio
## Min. :-70.00 Min. :-106.00 Min. :-211.00 Min. :-60.00
## 1st Qu.: 1.00 1st Qu.: 1.00 1st Qu.: 1.00 1st Qu.: 1.00
## Median : 3.00 Median : 3.00 Median : 3.00 Median : 2.00
## Mean : 10.62 Mean : 11.44 Mean : 10.98 Mean : 10.72
## 3rd Qu.: 6.00 3rd Qu.: 7.00 3rd Qu.: 6.00 3rd Qu.: 6.00
## Max. :993.00 Max. : 991.00 Max. : 998.00 Max. :993.00
## NA's :224186 NA's :217073 NA's :215908 NA's :223538
## Agosto Septiembre Octubre Noviembre
## Min. :-211.00 Min. :-527 Min. :-38.0 Min. :-25.0
## 1st Qu.: 1.00 1st Qu.: 1 1st Qu.: 1.0 1st Qu.: 1.0
## Median : 3.00 Median : 3 Median : 3.0 Median : 3.0
## Mean : 10.95 Mean : 12 Mean : 12.1 Mean : 11.8
## 3rd Qu.: 6.00 3rd Qu.: 7 3rd Qu.: 7.0 3rd Qu.: 6.0
## Max. : 999.00 Max. : 993 Max. :998.0 Max. :991.0
## NA's :220367 NA's :337402 NA's :338483 NA's :338546
## Diciembre VentasSemestreUno
## Min. :-28 Min. :15025169
## 1st Qu.: 1 1st Qu.:15025169
## Median : 3 Median :15025169
## Mean : 13 Mean :15025169
## 3rd Qu.: 7 3rd Qu.:15025169
## Max. :997 Max. :15025169
## NA's :341955Conclusiones de las funciones
En este ejercicio detectamos que la base de datos esta bien construida, no tiene valores faltantes más que en los meses donde no hay ventas. Detectamos un reglón con valores de ventas con formato fecha que deberemos eliminar. Se realizaron algunas conversiones de tipos de dato caracter (Texto) a números enteros. Se practicaron algunas funciones de manejo de tablas.
Realizar Gráficas
library(ggplot2) #Llamas la librería
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()`).
Conclusiones de las gráficas
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 datos por Tamaño de Cliente para mejores hallazgos.
Regresión Lineal
library(dplyr) #Librería que contiene la función filter
bd2 <- filter(bd, Tamaño.Cte.Industria == "Extra Grande")
summary(bd2)## ID Año Territorio Sub.Territorio
## Min. : 1 Min. :2016 Length:230190 Length:230190
## 1st Qu.: 57548 1st Qu.:2016 Class :character Class :character
## Median :147870 Median :2017 Mode :character Mode :character
## Mean :161295 Mean :2017
## 3rd Qu.:240001 3rd Qu.:2018
## Max. :317230 Max. :2019
##
## CEDI Cliente Nombre Tamaño.Cte.Industria
## Length:230190 Min. : 4 Length:230190 Length:230190
## Class :character 1st Qu.: 2859 Class :character Class :character
## Mode :character Median : 6251 Mode :character Mode :character
## Mean :22028
## 3rd Qu.: 9743
## Max. :99998
##
## Segmento.Det Marca Presentacion Tamaño
## Length:230190 Length:230190 Length:230190 Length:230190
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## Retornable_NR Enero Febrero Marzo
## Length:230190 Min. :-19.00 Min. :-11.00 Min. :-32.00
## Class :character 1st Qu.: 1.00 1st Qu.: 1.00 1st Qu.: 1.00
## Mode :character Median : 3.00 Median : 3.00 Median : 3.00
## Mean : 12.52 Mean : 12.03 Mean : 13.88
## 3rd Qu.: 7.00 3rd Qu.: 7.00 3rd Qu.: 8.00
## Max. :999.00 Max. :986.00 Max. :986.00
## NA's :100876 NA's :98670 NA's :95607
## Abril Mayo Junio Julio
## Min. :-70.00 Min. :-106.00 Min. :-211.00 Min. :-60.00
## 1st Qu.: 1.00 1st Qu.: 1.00 1st Qu.: 1.00 1st Qu.: 1.00
## Median : 3.00 Median : 3.00 Median : 3.00 Median : 3.00
## Mean : 13.99 Mean : 14.97 Mean : 14.51 Mean : 14.03
## 3rd Qu.: 8.00 3rd Qu.: 8.00 3rd Qu.: 8.00 3rd Qu.: 8.00
## Max. :993.00 Max. : 991.00 Max. : 998.00 Max. :993.00
## NA's :93209 NA's :89243 NA's :87624 NA's :91887
## Agosto Septiembre Octubre Noviembre
## Min. :-211.00 Min. :-527.00 Min. :-14 Min. :-25.00
## 1st Qu.: 1.00 1st Qu.: 1.00 1st Qu.: 1 1st Qu.: 1.00
## Median : 3.00 Median : 3.00 Median : 3 Median : 3.00
## Mean : 14.43 Mean : 13.82 Mean : 14 Mean : 13.63
## 3rd Qu.: 8.00 3rd Qu.: 8.00 3rd Qu.: 8 3rd Qu.: 8.00
## Max. : 999.00 Max. : 993.00 Max. :998 Max. :991.00
## NA's :91145 NA's :127280 NA's :128038 NA's :127216
## Diciembre
## Min. :-28.00
## 1st Qu.: 1.00
## Median : 3.00
## Mean : 14.97
## 3rd Qu.: 8.00
## Max. :997.00
## NA's :129456regresion <- lm(Enero ~ Marca + Presentacion + Tamaño + Retornable_NR, data=bd2)
summary(regresion)##
## Call:
## lm(formula = Enero ~ Marca + Presentacion + Tamaño + Retornable_NR,
## data = bd2)
##
## Residuals:
## Min 1Q Median 3Q Max
## -134.74 -7.44 -0.81 2.22 946.88
##
## Coefficients: (3 not defined because of singularities)
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 4.66259 4.64269 1.004 0.315243
## MarcaAdeS Lácteo -0.17188 3.03047 -0.057 0.954770
## MarcaBarista Bros -9.72333 5.89913 -1.648 0.099301 .
## MarcaBebere -8.90925 5.58393 -1.596 0.110599
## MarcaBurn 6.71679 4.97761 1.349 0.177211
## MarcaCafé Blak -5.63888 24.12629 -0.234 0.815200
## MarcaCiel Agua Purificada 1.29928 4.77803 0.272 0.785678
## MarcaCiel Exprim -8.61296 4.76977 -1.806 0.070962 .
## MarcaCiel Mineralizada -7.19574 4.96258 -1.450 0.147061
## MarcaCiel Mini -0.18236 5.07645 -0.036 0.971344
## MarcaCiel Saborizada -7.63824 5.24853 -1.455 0.145586
## MarcaCoca-Cola 26.98998 4.65596 5.797 6.77e-09 ***
## MarcaCoca-Cola Life -0.43330 4.87337 -0.089 0.929153
## MarcaCoca-Cola Light 5.54925 4.66428 1.190 0.234153
## MarcaCoca-Cola Light Sin -4.65286 13.47638 -0.345 0.729899
## MarcaCoca-Cola Sin Azúcar -3.93691 4.73680 -0.831 0.405901
## MarcaCoca-Cola Zero 0.51419 4.70044 0.109 0.912891
## MarcaDel Valle 0.40688 4.26362 0.095 0.923973
## MarcaDel Valle Bits -10.06815 33.76845 -0.298 0.765587
## MarcaDel Valle Blends -9.40293 5.54052 -1.697 0.089676 .
## MarcaDel Valle Nutridefen -8.07959 5.14415 -1.571 0.116270
## MarcaDel Valle Reserva -1.14813 4.73348 -0.243 0.808350
## MarcaDel Valle y Nada -4.38352 4.70899 -0.931 0.351915
## MarcaDelaware Punch -7.80462 4.72515 -1.652 0.098594 .
## MarcaFanta -9.29700 4.66647 -1.992 0.046340 *
## MarcaFanta Zero -7.48322 9.57833 -0.781 0.434648
## MarcaFresca -10.35976 4.67393 -2.216 0.026659 *
## MarcaFresca Zero -8.12905 14.43054 -0.563 0.573216
## MarcaFrutsi -6.95392 4.75257 -1.463 0.143418
## MarcaFuze Tea -5.86448 4.68003 -1.253 0.210177
## MarcaFuze Tea Light -8.18555 6.38765 -1.281 0.200032
## MarcaGlacéau 2.60462 5.08122 0.513 0.608234
## MarcaManzana Lift -10.65445 4.67212 -2.280 0.022584 *
## MarcaManzana Lift Zero -7.93857 13.47638 -0.589 0.555813
## MarcaMonster Energy 21.96235 4.93550 4.450 8.60e-06 ***
## MarcaPowerade -6.80672 4.73565 -1.437 0.150625
## MarcaPowerade Zero -8.71238 5.04294 -1.728 0.084055 .
## MarcaPulpy -9.15891 4.95080 -1.850 0.064318 .
## MarcaSanta Clara Deslacto -3.25577 4.70386 -0.692 0.488845
## MarcaSanta Clara Entera -3.40974 4.71455 -0.723 0.469536
## MarcaSanta Clara Light -3.48830 4.97293 -0.701 0.483019
## MarcaSanta Clara Saboriza 0.02659 2.24657 0.012 0.990556
## MarcaSenzao -7.43947 4.76920 -1.560 0.118787
## MarcaSidral Mundet -9.65667 4.68580 -2.061 0.039321 *
## MarcaSprite -8.25354 4.66490 -1.769 0.076848 .
## MarcaSprite Zero -6.60379 4.76965 -1.385 0.166194
## MarcaTopo Chico A.M. -5.26667 4.76989 -1.104 0.269531
## MarcaValle Frut -2.21865 4.67676 -0.474 0.635216
## Presentacion1 Ltro. Tetra 0.72937 2.61558 0.279 0.780357
## Presentacion1.250 Lts NR 4.77344 1.03636 4.606 4.11e-06 ***
## Presentacion1.5 Lts. NR 4.21685 0.52865 7.977 1.52e-15 ***
## Presentacion1.5 Lts. Ret 25.06474 0.82998 30.199 < 2e-16 ***
## Presentacion1.750 Lts NR -9.20094 1.45005 -6.345 2.23e-10 ***
## Presentacion100 ml NR Tetra -8.20390 3.51815 -2.332 0.019709 *
## Presentacion12 Oz. NR Pet -18.57227 0.93891 -19.781 < 2e-16 ***
## Presentacion12 Oz. NR Vidrio 4.35856 9.35280 0.466 0.641204
## Presentacion12 Oz. Ret -5.17095 1.08271 -4.776 1.79e-06 ***
## Presentacion125 ml NR Tetra -8.14949 2.73268 -2.982 0.002862 **
## Presentacion2 Lts. NR 7.47221 0.50629 14.759 < 2e-16 ***
## Presentacion2 Lts. Ret -9.58378 1.05712 -9.066 < 2e-16 ***
## Presentacion2.5 Lts. NR 20.13858 0.63760 31.585 < 2e-16 ***
## Presentacion2.5 Lts. Ret Pet 107.08248 0.83579 128.121 < 2e-16 ***
## Presentacion200 ml Tetra -8.86744 5.06137 -1.752 0.079779 .
## Presentacion235 ml NR Vid -19.66433 1.03838 -18.938 < 2e-16 ***
## Presentacion237 ml NR Pet -8.43601 2.35904 -3.576 0.000349 ***
## Presentacion237 ml NR Vid -8.51690 4.87278 -1.748 0.080492 .
## Presentacion250 ml Tetra -8.34515 2.12419 -3.929 8.55e-05 ***
## Presentacion250 ml. NR PET -0.07073 0.87469 -0.081 0.935555
## Presentacion250 ML. NR VID -8.86827 2.27036 -3.906 9.38e-05 ***
## Presentacion3 Lts. NR 11.11463 4.33186 2.566 0.010295 *
## Presentacion300 ML. NR PET -8.49065 1.54625 -5.491 4.00e-08 ***
## Presentacion350 ML NR PET -11.23816 14.96535 -0.751 0.452687
## Presentacion355 Ml NR Pet -8.59468 3.16446 -2.716 0.006609 **
## Presentacion400 ml NR -0.15327 0.83693 -0.183 0.854695
## Presentacion413 ml NR VId -4.90060 2.02357 -2.422 0.015447 *
## Presentacion473 ml NR NA NA NA NA
## Presentacion5 Lts. NR 4.53177 1.89526 2.391 0.016799 *
## Presentacion500 ml NR PET -11.01752 0.96783 -11.384 < 2e-16 ***
## Presentacion500 ml NR Vidrio -2.67909 0.86458 -3.099 0.001944 **
## Presentacion500 ml Ret 19.56016 0.78045 25.063 < 2e-16 ***
## Presentacion6.5 Oz. Ret -34.39658 3.06160 -11.235 < 2e-16 ***
## Presentacion600 ml NR -0.34316 0.65026 -0.528 0.597686
## Presentacion710 ml NR -25.36696 3.07300 -8.255 < 2e-16 ***
## Presentacion8 Oz. NR -22.67582 1.07548 -21.084 < 2e-16 ***
## Presentacion946 ml NR Tetra -2.23861 4.06185 -0.551 0.581546
## PresentacionBag In Box -2.50000 30.52818 -0.082 0.934733
## PresentacionLata -19.13778 0.92378 -20.717 < 2e-16 ***
## PresentacionLata 16 Oz. -31.10298 1.13424 -27.422 < 2e-16 ***
## PresentacionLata 222 ml -3.94107 9.70367 -0.406 0.684639
## PresentacionLata 235 ml -16.63938 0.87871 -18.936 < 2e-16 ***
## PresentacionLata 237 ml -16.60567 11.97553 -1.387 0.165556
## PresentacionLata 335 ml -8.80217 3.33364 -2.640 0.008282 **
## PresentacionLata 340 ml -12.39084 3.21238 -3.857 0.000115 ***
## PresentacionLata 450 ml -15.69556 2.59987 -6.037 1.57e-09 ***
## PresentacionLata 453 ml -7.43202 3.08707 -2.407 0.016065 *
## PresentacionLATA 680 ML -2.64537 4.35917 -0.607 0.543950
## PresentacionLata 8 OZ. 0.14937 2.95475 0.051 0.959683
## PresentacionSobres 907 grs NA NA NA NA
## TamañoIndividual 5.47629 0.76418 7.166 7.75e-13 ***
## Retornable_NRRetornable NA NA NA NA
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 33.44 on 129217 degrees of freedom
## (100876 observations deleted due to missingness)
## Multiple R-squared: 0.3137, Adjusted R-squared: 0.3132
## F-statistic: 615.3 on 96 and 129217 DF, p-value: < 2.2e-16Evaluar, y en caso necesario, ajustar la regresión lineal
regresion_ajustada <- lm(Enero ~ Segmento.Det + Presentacion + Tamaño, data=bd2)
summary(regresion_ajustada)##
## Call:
## lm(formula = Enero ~ Segmento.Det + Presentacion + Tamaño, data = bd2)
##
## Residuals:
## Min 1Q Median 3Q Max
## -134.74 -7.78 -0.68 2.06 946.95
##
## Coefficients: (1 not defined because of singularities)
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -0.21064 0.96559 -0.218 0.827313
## Segmento.DetAgua Purificada 7.18021 1.08684 6.607 3.95e-11 ***
## Segmento.DetAgua Saborizada -2.02992 1.12703 -1.801 0.071686 .
## Segmento.DetBebidas de Fruta 1.27376 0.95872 1.329 0.183981
## Segmento.DetBebidas de Soya 1.29113 4.19002 0.308 0.757973
## Segmento.DetBebidas Energeticas 17.47959 1.38683 12.604 < 2e-16 ***
## Segmento.DetCafe Listo Para Bebe -2.44721 3.72479 -0.657 0.511178
## Segmento.DetColas Light 8.82176 0.97005 9.094 < 2e-16 ***
## Segmento.DetColas Regular 32.51914 0.93706 34.703 < 2e-16 ***
## Segmento.DetIsotónicos Light -2.92410 2.08496 -1.402 0.160778
## Segmento.DetIsotónicos Regular -1.04661 1.06060 -0.987 0.323740
## Segmento.DetJugos y Néctares 2.42054 1.17378 2.062 0.039193 *
## Segmento.DetLeche UHT Especializ -1.24770 2.37196 -0.526 0.598876
## Segmento.DetLeche UHT Regular -1.42453 2.34389 -0.608 0.543347
## Segmento.DetLeche UHT Saborizada 1.35088 4.69472 0.288 0.773543
## Segmento.DetPolvos -0.09966 23.70067 -0.004 0.996645
## Segmento.DetSabores Light -0.87972 1.19067 -0.739 0.460003
## Segmento.DetSabores Regular -3.07199 0.89398 -3.436 0.000590 ***
## Segmento.DetTé Light -2.39726 4.44472 -0.539 0.589646
## Segmento.DetTé Regular -0.32936 1.13608 -0.290 0.771888
## Presentacion1 Ltro. Tetra 3.59452 1.93023 1.862 0.062573 .
## Presentacion1.250 Lts NR 4.11751 1.03245 3.988 6.66e-05 ***
## Presentacion1.5 Lts. NR 3.34411 0.51038 6.552 5.69e-11 ***
## Presentacion1.5 Lts. Ret 24.38983 0.82433 29.587 < 2e-16 ***
## Presentacion1.750 Lts NR -9.88768 1.44795 -6.829 8.60e-12 ***
## Presentacion100 ml NR Tetra -5.43968 3.41538 -1.593 0.111229
## Presentacion12 Oz. NR Pet -18.04815 0.92578 -19.495 < 2e-16 ***
## Presentacion12 Oz. NR Vidrio 4.63110 9.34927 0.495 0.620358
## Presentacion12 Oz. Ret -5.19985 1.07433 -4.840 1.30e-06 ***
## Presentacion125 ml NR Tetra -5.51123 2.33014 -2.365 0.018022 *
## Presentacion2 Lts. NR 6.74477 0.49471 13.634 < 2e-16 ***
## Presentacion2 Lts. Ret -9.64617 1.05264 -9.164 < 2e-16 ***
## Presentacion2.5 Lts. NR 19.04685 0.62620 30.416 < 2e-16 ***
## Presentacion2.5 Lts. Ret Pet 106.42655 0.83039 128.165 < 2e-16 ***
## Presentacion200 ml Tetra -4.65251 4.66424 -0.997 0.318531
## Presentacion235 ml NR Vid -19.77293 1.02879 -19.220 < 2e-16 ***
## Presentacion237 ml NR Pet -6.43656 2.26354 -2.844 0.004462 **
## Presentacion237 ml NR Vid -12.23275 4.66440 -2.623 0.008728 **
## Presentacion250 ml Tetra -4.81959 1.23504 -3.902 9.53e-05 ***
## Presentacion250 ml. NR PET -1.80762 0.80054 -2.258 0.023947 *
## Presentacion250 ML. NR VID -5.34271 1.47284 -3.627 0.000286 ***
## Presentacion3 Lts. NR 9.42048 4.30710 2.187 0.028730 *
## Presentacion300 ML. NR PET -5.05021 1.18999 -4.244 2.20e-05 ***
## Presentacion350 ML NR PET -11.57988 14.98353 -0.773 0.439618
## Presentacion355 Ml NR Pet -8.93640 3.16767 -2.821 0.004786 **
## Presentacion400 ml NR -1.25967 0.80624 -1.562 0.118195
## Presentacion413 ml NR VId -1.55894 1.17801 -1.323 0.185717
## Presentacion473 ml NR -4.64380 2.97450 -1.561 0.118479
## Presentacion5 Lts. NR 3.52407 1.88555 1.869 0.061627 .
## Presentacion500 ml NR PET -12.04383 0.93811 -12.838 < 2e-16 ***
## Presentacion500 ml NR Vidrio -3.09337 0.85170 -3.632 0.000281 ***
## Presentacion500 ml Ret 18.77284 0.76605 24.506 < 2e-16 ***
## Presentacion6.5 Oz. Ret -34.38652 3.06221 -11.229 < 2e-16 ***
## Presentacion600 ml NR -0.59223 0.64348 -0.920 0.357383
## Presentacion710 ml NR -25.35690 3.07363 -8.250 < 2e-16 ***
## Presentacion8 Oz. NR -22.21869 1.06702 -20.823 < 2e-16 ***
## Presentacion946 ml NR Tetra 1.26389 3.67915 0.344 0.731201
## PresentacionBag In Box -0.15245 19.67812 -0.008 0.993819
## PresentacionLata -19.12501 0.91368 -20.932 < 2e-16 ***
## PresentacionLata 16 Oz. -28.40721 1.06632 -26.640 < 2e-16 ***
## PresentacionLata 222 ml -3.93698 9.71413 -0.405 0.685270
## PresentacionLata 235 ml -17.17855 0.85820 -20.017 < 2e-16 ***
## PresentacionLata 237 ml -21.82926 11.90449 -1.834 0.066701 .
## PresentacionLata 335 ml -5.27661 2.85351 -1.849 0.064436 .
## PresentacionLata 340 ml -21.72660 2.64477 -8.215 < 2e-16 ***
## PresentacionLata 450 ml -20.91914 2.17439 -9.621 < 2e-16 ***
## PresentacionLata 453 ml -4.73762 2.77744 -1.706 0.088057 .
## PresentacionLATA 680 ML -2.64128 4.36134 -0.606 0.544774
## PresentacionLata 8 OZ. -0.88062 2.95299 -0.298 0.765541
## PresentacionSobres 907 grs NA NA NA NA
## TamañoIndividual 4.81031 0.74253 6.478 9.31e-11 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 33.48 on 129244 degrees of freedom
## (100876 observations deleted due to missingness)
## Multiple R-squared: 0.3119, Adjusted R-squared: 0.3115
## F-statistic: 849 on 69 and 129244 DF, p-value: < 2.2e-16Construir un modelo de predicción
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
## 138.735Conclusiones del modelo de regresión y predicción
En conclusión podemos realizar regresiones lineales para generar modelos predictivos de variables de interés como las ventas. En este caso se recomienda tener más varibles y de mayor impacto sobre las ventas para que el modelo sea más confiable (actualmente 38%)
LS0tCnRpdGxlOiAiRXZpZGVuY2lhIgphdXRob3I6ICJIdWdvIEVucmlxdWUgRXNwcm9uY2VkYSBBbmF5YSAvIEEwMTI4NDgyNyIKZGF0ZTogIjIwMjMtMDMtMjEiCm91dHB1dDogCiAgaHRtbF9kb2N1bWVudDoKICAgIHRvYzogdHJ1ZQogICAgdG9jX2Zsb2F0OiB0cnVlCiAgICBjb2RlX2Rvd25sb2FkOiB0cnVlCi0tLQohW10oL1VzZXJzL2h1Z29lbnJpcXVlL0Rlc2t0b3AvNHRvIHNlbWVzdHJlL1NlbWFuYXMgVGVjL0Jvb3RjYW1wIGRlIHByb2dyYW1hY2lvzIFuL2FyY2EucG5nKQoKIyMjIENvbnRleHRvCgpQYXJhIEFyY2EgQ29udGluZW50YWwgc3UgcHJpbmNpcGFsIGNhbmFsIGRlIGRpc3RyaWJ1Y2nDs24gZXMgZWwgY2FuYWwgdHJhZGljaW9uYWwsIGVzIGRlY2lyLCBsYXMgdGllbmRpdGFzIGRlIGxhIGVzcXVpbmEuIEVzdG8gcGVybWl0ZSBxdWUgbGEgZmFtaWxpYSBkZSBwcm9kdWN0b3MgZGUgbGEgY29tcGHDscOtYSBDb2NhIENvbGEgZXN0w6luIHNpZW1wcmUgY2VyY2EgZGUgc3VzIGNvbnN1bWlkb3JlcyBhIHRyYXbDqXMgZGUgZXN0YXMgcGVxdWXDsWFzIGVtcHJlc2FzIGZhbWlsaWFyZXMgcXVlIGZvcm1hbiBwYXJ0ZSBkZSBzdSBwcm9waWEgY29tdW5pZGFkLgoKU2luIGVtYmFyZ28sIGVzdGUgdGlwbyBkZSBmb3JtYXRvIGRlIFJldGFpbCBlc3TDoSBlbmZyZW50YW5kbyB1bmEgZnVlcnRlIGNvbXBldGVuY2lhIHBvciBwYXJ0ZSBkZSBsb3MgY2FuYWxlcyBtb2Rlcm5vcy4gRW4gdW4gcHJpbmNpcGlvIGZ1ZXJvbiBsYXMgdGllbmRhcyBkZSBjb252ZW5pZW5jaWEgY29tbyBPeHhvIHkgNy1FbGV2ZW4gcXVpZW5lcyBjb21lbnphcm9uIGEgY3JlYXIgdW5hIGltcG9ydGFudGUgY2FudGlkYWQgZGUgbnVldm9zIGVzdGFibGVjaW1pZW50b3MsIGNhZGEgdmV6IG3DoXMgZW4gem9uYXMgaGFiaXRhY2lvbmFsZXMgeSBubyBzb2xvIGVuIGF2ZW5pZGFzIG8gZ2Fzb2xpbmVyYXMuCgojIyMgSW1wb3J0YXIgbGEgYmFzZSBkZSBkYXRvcwpgYGB7cn0KYmQgPC0gcmVhZC5jc3YoIi9Vc2Vycy9odWdvZW5yaXF1ZS9EZXNrdG9wLzR0byBzZW1lc3RyZS9TZW1hbmFzIFRlYy9Cb290Y2FtcCBkZSBwcm9ncmFtYWNpb8yBbi9EYXRvcyBBcmNhIENvbnRpbmVudGFsIE9yaWdpbmFsLmNzdiIpCmBgYAoKIyMjIEVudGVuZGVyIGxhIGJhc2UgZGUgZGF0b3MKYGBge3J9CnN1bW1hcnkoYmQpCnN0cihiZCkKaGVhZChiZCkKY2xhc3MoYmQpCiMgQ29udmVydGlyIHRpcG9zIGRlIHZhcmlhYmxlcwpiZCRDbGllbnRlIDwtIGFzLmludGVnZXIoYmQkQ2xpZW50ZSkKYmQkRW5lcm8gPC0gYXMuaW50ZWdlcihiZCRFbmVybykKYmQkRmVicmVybyA8LSBhcy5pbnRlZ2VyKGJkJEZlYnJlcm8pCmJkJE1hcnpvIDwtIGFzLmludGVnZXIoYmQkTWFyem8pCmJkJEFicmlsIDwtIGFzLmludGVnZXIoYmQkQWJyaWwpCmJkJE1heW8gPC0gYXMuaW50ZWdlcihiZCRNYXlvKQpiZCRKdW5pbyA8LSBhcy5pbnRlZ2VyKGJkJEp1bmlvKQpiZCRKdWxpbyA8LSBhcy5pbnRlZ2VyKGJkJEp1bGlvKQpiZCRBZ29zdG8gPC0gYXMuaW50ZWdlcihiZCRBZ29zdG8pCmJkJFNlcHRpZW1icmUgPC0gYXMuaW50ZWdlcihiZCRTZXB0aWVtYnJlKQpiZCRPY3R1YnJlIDwtIGFzLmludGVnZXIoYmQkT2N0dWJyZSkKYmQkTm92aWVtYnJlIDwtIGFzLmludGVnZXIoYmQkTm92aWVtYnJlKQpiZCREaWNpZW1icmUgPC0gYXMuaW50ZWdlcihiZCREaWNpZW1icmUpCiMgwr9DdcOhbnRvcyBOQSdzIGVuIGxhIGJhc2UgZGUgZGF0b3M/CnN1bShpcy5uYShiZCkpCiMgwr9DdcOhbnRvcyBOQSdzIGhheSBwb3IgdmFyaWFibGU/CnNhcHBseShiZCwgZnVuY3Rpb24oeCkgc3VtKGlzLm5hKHgpKSkKYGBgCgojIyMgTGltcGlhciBsYSBiYXNlIGRlIGRhdG9zCmBgYHtyfQpib3hwbG90KGJkJEVuZXJvKQpib3hwbG90KGJkJERpY2llbWJyZSkKbWVhbihiZCRFbmVybywgbmEucm0gPSBUUlVFKQptZWFuKGJkJEVuZXJvLCB0cmltID0gMTAvMTAwLCBuYS5ybSA9IFRSVUUpCiMgR3LDoWZpY2EKcGxvdChiZCRJRCwgYmQkRW5lcm8sIG1haW49IlZlbnRhcyIpCmBgYAoKIyMjIEZ1bmNpb25lcwpgYGB7cn0KbGlicmFyeSgiZHBseXIiKSAjTGlicmVyw61hIGEgdXRpbGl6YXIKIyBNdWVzdHJhIGxhcyB2ZW50YXMgZGUgRW5lcm8gYSBKdW5pbyBwb3IgQ0VESQpiZDEgPC0gc2VsZWN0KGJkLCBDRURJLEVuZXJvOkp1bmlvKQpoZWFkKGJkMSkgI011ZXN0cmEgbG9zIHByaW1lcm9zIDYgcmVuZ2xvbmVzCgojIE11ZXN0cmEgbG9zIG1vdmltaWVudG9zIHBvciBDRURJIHkgdGFtYcOxbyBkZSB0aWVuZGEgZ3JhbmRlLgpiZDIgPC0gZmlsdGVyKGJkLCBUYW1hw7FvLkN0ZS5JbmR1c3RyaWE9PSJHcmFuZGUiKQpoZWFkKGJkMikKCiMgT3JkZW5hIGxhIGJhc2UgZGUgZGF0b3MgcG9yIENlZGksIG1hcmNhIHkgcMOyciBwcmVzZW50YWNpw7NuCmJkMyA8LSBhcnJhbmdlKGJkLCBDRURJKQpoZWFkKGJkMykKYmQ0IDwtIGFycmFuZ2UoYmQsIE1hcmNhKQpoZWFkKGJkNCkKYmQ1IDwtIGFycmFuZ2UoYmQsIFByZXNlbnRhY2lvbikKaGVhZChiZDUpCgojIENhbWJpYSBlbCBub21icmUgZGVsIGNhbXBvIFN1YlRlcnJpdG9yaW8gcG9yIFN1Yl9UZXJyaXRvcmlvCmJkNiA8LSByZW5hbWUoYmQsIFN1Yl9UZXJyaXRvcmlvID0gU3ViLlRlcnJpdG9yaW8pCmhlYWQoYmQ2KQoKIyBBZ3JlZ2EgdW4gY2FtcG8gY2FsY3VsYWRvIGNvbiBsYXMgdmVudGFzIGRlbCBwcmltZXIgc2VtZXN0cmUgeSBtdWVzdHJhIGxhcyB2ZW50YXMgZGVsIHByaW1lciBzZW1lc3RyZSBwb3IgbWFyY2EuCmJkNyA8LSBtdXRhdGUoYmQsIFZlbnRhc1NlbWVzdHJlVW5vID0gc3VtKEVuZXJvLEZlYnJlcm8sIE1hcnpvLCBBYnJpbCwgTWF5bywgSnVuaW8sIG5hLnJtID0gVFJVRSkpCmhlYWQoYmQ3KQojIE9idMOpbiBsYSBtZWRpYSBkZSBsYXMgdmVudGFzIGRlbCBwcmltZXIgc2VtZXN0cmUgYWdydXBhZG8gcG9yIG1hcmNhLCBwcmVzZW50YWNpw7NuIHkgdGFtYcOxbwpzdW1tYXJ5KGJkNykKYGBgCgojIyMgQ29uY2x1c2lvbmVzIGRlIGxhcyBmdW5jaW9uZXMKRW4gZXN0ZSBlamVyY2ljaW8gZGV0ZWN0YW1vcyBxdWUgbGEgYmFzZSBkZSBkYXRvcyBlc3RhIGJpZW4gY29uc3RydWlkYSwgbm8gdGllbmUgdmFsb3JlcyBmYWx0YW50ZXMgbcOhcyBxdWUgZW4gbG9zIG1lc2VzIGRvbmRlIG5vIGhheSB2ZW50YXMuIERldGVjdGFtb3MgdW4gcmVnbMOzbiBjb24gdmFsb3JlcyBkZSB2ZW50YXMgY29uIGZvcm1hdG8gZmVjaGEgcXVlIGRlYmVyZW1vcyBlbGltaW5hci4gU2UgcmVhbGl6YXJvbiBhbGd1bmFzIGNvbnZlcnNpb25lcyBkZSB0aXBvcyBkZSBkYXRvIGNhcmFjdGVyIChUZXh0bykgYSBuw7ptZXJvcyBlbnRlcm9zLiBTZSBwcmFjdGljYXJvbiBhbGd1bmFzIGZ1bmNpb25lcyBkZSBtYW5lam8gZGUgdGFibGFzLgoKIyMjIFJlYWxpemFyIEdyw6FmaWNhcwpgYGB7cn0KbGlicmFyeShnZ3Bsb3QyKSAjTGxhbWFzIGxhIGxpYnJlcsOtYQoKZ2dwbG90KGRhdGEgPSBiZCkgKyAKICBnZW9tX3BvaW50KG1hcHBpbmcgPSBhZXMoeCA9IElELCB5PUVuZXJvKSkKCmdncGxvdChkYXRhID0gYmQpICsgCiAgZ2VvbV9wb2ludChtYXBwaW5nID0gYWVzKHggPSBJRCwgeT1FbmVybywgY29sb3IgPSBUYW1hw7FvLkN0ZS5JbmR1c3RyaWEpKQpgYGAKCiMjIyBDb25jbHVzaW9uZXMgZGUgbGFzIGdyw6FmaWNhcwpMYSBncsOhZmljYSBtdWVzdHJhIHZlbnRhcyBlbGV2YWRhcyB5IHZlbnRhcyBiYWphcyBhIGxvIGxhcmdvIGRlIGxvcyBJRC4gRW5jb250cmFtb3MgcXVlIHRlbmVtb3MgdGllbmRhcyBFeHRyYSBHcmFuZGVzIHF1ZSBzb24gbGFzIHF1ZSByZXBvcnRhbiBtYXlvcmVzIHZlbnRhcy4gUmVjb21lbmRhbW9zIGFuYWxpemFyIGxhIGJhc2UgZGUgZGF0b3MgcG9yIFRhbWHDsW8gZGUgQ2xpZW50ZSBwYXJhIG1lam9yZXMgaGFsbGF6Z29zLgoKIyMjIFJlZ3Jlc2nDs24gTGluZWFsCmBgYHtyfQpsaWJyYXJ5KGRwbHlyKSAjTGlicmVyw61hIHF1ZSBjb250aWVuZSBsYSBmdW5jacOzbiBmaWx0ZXIKYmQyIDwtIGZpbHRlcihiZCwgVGFtYcOxby5DdGUuSW5kdXN0cmlhID09ICJFeHRyYSBHcmFuZGUiKQpzdW1tYXJ5KGJkMikKCnJlZ3Jlc2lvbiA8LSBsbShFbmVybyB+IE1hcmNhICsgUHJlc2VudGFjaW9uICsgVGFtYcOxbyArIFJldG9ybmFibGVfTlIsIGRhdGE9YmQyKQoKc3VtbWFyeShyZWdyZXNpb24pCmBgYAoKIyMjIEV2YWx1YXIsIHkgZW4gY2FzbyBuZWNlc2FyaW8sIGFqdXN0YXIgbGEgcmVncmVzacOzbiBsaW5lYWwKYGBge3J9CnJlZ3Jlc2lvbl9hanVzdGFkYSA8LSBsbShFbmVybyB+IFNlZ21lbnRvLkRldCArIFByZXNlbnRhY2lvbiArIFRhbWHDsW8sIGRhdGE9YmQyKQoKc3VtbWFyeShyZWdyZXNpb25fYWp1c3RhZGEpCmBgYAoKIyMjIENvbnN0cnVpciB1biBtb2RlbG8gZGUgcHJlZGljY2nDs24KYGBge3J9CmRhdG9zX251ZXZvcyA8LSBkYXRhLmZyYW1lKFNlZ21lbnRvLkRldCA9ICJDb2xhcyBSZWd1bGFyIiwgUHJlc2VudGFjaW9uID0gIjIuNSBMdHMuIFJldCBQZXQiLCBUYW1hw7FvID0iRmFtaWxpYXIiKQoKcHJlZGljdChyZWdyZXNpb25fYWp1c3RhZGEsIGRhdG9zX251ZXZvcykKYGBgCgojIyMgQ29uY2x1c2lvbmVzIGRlbCBtb2RlbG8gZGUgcmVncmVzacOzbiB5IHByZWRpY2Npw7NuCkVuIGNvbmNsdXNpw7NuIHBvZGVtb3MgcmVhbGl6YXIgcmVncmVzaW9uZXMgbGluZWFsZXMgcGFyYSBnZW5lcmFyIG1vZGVsb3MgcHJlZGljdGl2b3MgZGUgdmFyaWFibGVzIGRlIGludGVyw6lzIGNvbW8gbGFzIHZlbnRhcy4gRW4gZXN0ZSBjYXNvIHNlIHJlY29taWVuZGEgdGVuZXIgbcOhcyB2YXJpYmxlcyB5IGRlIG1heW9yIGltcGFjdG8gc29icmUgbGFzIHZlbnRhcyBwYXJhIHF1ZSBlbCBtb2RlbG8gc2VhIG3DoXMgY29uZmlhYmxlIChhY3R1YWxtZW50ZSAzOCUpCg==