Evidencia Bootcamp Programación
Jesús Daniel Farías Bustamante - A01236327
2023-03-22
Limpieza de Datos:
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 base de datos
bd<-read.csv("C:\\Users\\Daniel Farias\\Downloads\\Dia Pesado\\Arca Continental.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 introducidos por coerciónbd$Enero <- as.integer(bd$Enero)## Warning: NAs introducidos por coerciónbd$Febrero <- as.integer(bd$Febrero)## Warning: NAs introducidos por coerciónbd$Marzo <- as.integer(bd$Marzo)## Warning: NAs introducidos por coerciónbd$Abril <- as.integer(bd$Abril)## Warning: NAs introducidos por coerciónbd$Mayo <- as.integer(bd$Mayo)## Warning: NAs introducidos por coerciónbd$Junio <- as.integer(bd$Junio)## Warning: NAs introducidos por coerciónbd$Julio <- as.integer(bd$Julio)## Warning: NAs introducidos por coerciónbd$Agosto <- as.integer(bd$Agosto)## Warning: NAs introducidos por coerciónbd$Septiembre <- as.integer(bd$Septiembre)## Warning: NAs introducidos por coerciónbd$Octubre <- as.integer(bd$Octubre)## Warning: NAs introducidos por coerciónbd$Noviembre <- as.integer(bd$Noviembre)## Warning: NAs introducidos por coerciónbd$Diciembre <- as.integer(bd$Diciembre)## Warning: NAs introducidos por coerción# ¿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(bd)))## ID Año Territorio
## 3149804 3149804 3149804
## Sub.Territorio CEDI Cliente
## 3149804 3149804 3149804
## Nombre Tamaño.Cte.Industria Segmento.Det
## 3149804 3149804 3149804
## Marca Presentacion Tamaño
## 3149804 3149804 3149804
## Retornable_NR Enero Febrero
## 3149804 3149804 3149804
## Marzo Abril Mayo
## 3149804 3149804 3149804
## Junio Julio Agosto
## 3149804 3149804 3149804
## Septiembre Octubre Noviembre
## 3149804 3149804 3149804
## Diciembre
## 3149804str(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 : int 77737 77737 77737 77737 77737 77737 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 : int NA NA NA NA NA NA 1 NA 3 NA ...
## $ Febrero : int NA 2 NA NA NA NA NA 1 3 NA ...
## $ Marzo : int NA 8 3 NA NA 1 NA NA 4 NA ...
## $ Abril : int NA 4 6 NA NA NA NA 1 4 NA ...
## $ Mayo : int NA 4 3 NA NA NA 0 NA 4 NA ...
## $ Junio : int NA 2 3 NA NA NA NA 1 4 0 ...
## $ Julio : int NA 2 3 NA NA NA 0 NA 4 NA ...
## $ Agosto : int NA 2 3 NA NA NA NA 1 7 NA ...
## $ Septiembre : int NA 2 3 NA NA NA NA 1 4 NA ...
## $ Octubre : int NA 2 3 NA NA NA 0 NA 3 NA ...
## $ Noviembre : int NA 4 3 NA 0 NA NA NA 1 NA ...
## $ Diciembre : int 1 2 3 1 NA NA NA NA 3 NA ...Limpiar 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] 3.677421plot(bd$ID, bd$Enero, main = "Ventas")
Funciones
library(dplyr)##
## 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)## 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 de 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, por marca y por presentacion
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 SUb Territorio 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 <- bd
bd7$VentasSemestreUno <- sum(bd$Enero, bd$Febrero, bd$Marzo, bd$Abril, bd$Mayo, bd$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 :341955Visualización de Datos:
Realizar las gráficas
library(ggplot2)## Warning: package 'ggplot2' was built under R version 4.2.3ggplot(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()`).
Elaboración de pronósticos, regresiones:
Regresión Lineal
library(dplyr)
bd2<-filter(bd,Tamaño.Cte.Industria=="Micro")
summary(bd2)## ID Año Territorio Sub.Territorio
## Min. : 58078 Min. :2016 Length:117110 Length:117110
## 1st Qu.: 87355 1st Qu.:2016 Class :character Class :character
## Median :175263 Median :2017 Mode :character Mode :character
## Mean :207202 Mean :2017
## 3rd Qu.:318024 3rd Qu.:2019
## Max. :429493 Max. :2019
##
## CEDI Cliente Nombre Tamaño.Cte.Industria
## Length:117110 Min. : 10 Length:117110 Length:117110
## Class :character 1st Qu.: 2561 Class :character Class :character
## Mode :character Median : 6647 Mode :character Mode :character
## Mean :19154
## 3rd Qu.:33410
## Max. :77604
##
## Segmento.Det Marca Presentacion Tamaño
## Length:117110 Length:117110 Length:117110 Length:117110
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## Retornable_NR Enero Febrero Marzo
## Length:117110 Min. : -7.00 Min. : -3.00 Min. : -4.00
## Class :character 1st Qu.: 1.00 1st Qu.: 1.00 1st Qu.: 1.00
## Mode :character Median : 2.00 Median : 2.00 Median : 2.00
## Mean : 4.48 Mean : 4.24 Mean : 4.79
## 3rd Qu.: 4.00 3rd Qu.: 4.00 3rd Qu.: 4.00
## Max. :247.00 Max. :174.00 Max. :239.00
## NA's :76504 NA's :76009 NA's :76482
## Abril Mayo Junio Julio
## Min. :-11.00 Min. : -4.00 Min. :-11.00 Min. : -3.00
## 1st Qu.: 1.00 1st Qu.: 1.00 1st Qu.: 1.00 1st Qu.: 1.00
## Median : 2.00 Median : 2.00 Median : 2.00 Median : 2.00
## Mean : 5.01 Mean : 5.06 Mean : 4.97 Mean : 4.91
## 3rd Qu.: 4.00 3rd Qu.: 4.00 3rd Qu.: 4.00 3rd Qu.: 4.00
## Max. :554.00 Max. :190.00 Max. :998.00 Max. :187.00
## NA's :76782 NA's :75426 NA's :75787 NA's :77799
## Agosto Septiembre Octubre Noviembre
## Min. :-14.00 Min. : -8.00 Min. :-38.00 Min. :-14.00
## 1st Qu.: 1.00 1st Qu.: 1.00 1st Qu.: 1.00 1st Qu.: 1.00
## Median : 2.00 Median : 2.00 Median : 2.00 Median : 2.00
## Mean : 4.92 Mean : 4.67 Mean : 4.72 Mean : 4.48
## 3rd Qu.: 4.00 3rd Qu.: 4.00 3rd Qu.: 4.00 3rd Qu.: 4.00
## Max. :254.00 Max. :251.00 Max. :144.00 Max. :134.00
## NA's :76154 NA's :90913 NA's :91236 NA's :92121
## Diciembre
## Min. :-17.00
## 1st Qu.: 1.00
## Median : 2.00
## Mean : 4.79
## 3rd Qu.: 4.00
## Max. :278.00
## NA's :93290regresion <- 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
## -22.046 -1.872 -0.500 0.887 224.954
##
## Coefficients: (2 not defined because of singularities)
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.33559 2.97774 0.113 0.910268
## MarcaAdeS Lácteo -0.07062 1.78264 -0.040 0.968402
## MarcaBarista Bros -3.52890 4.12251 -0.856 0.391999
## MarcaBebere -2.66525 3.89704 -0.684 0.494031
## MarcaBurn 0.78786 3.22383 0.244 0.806933
## MarcaCiel Agua Purificada -0.53292 3.02581 -0.176 0.860197
## MarcaCiel Exprim -2.62607 3.03116 -0.866 0.386299
## MarcaCiel Mineralizada -2.07322 3.05568 -0.678 0.497470
## MarcaCiel Mini 2.11819 3.23076 0.656 0.512064
## MarcaCiel Saborizada -2.26129 3.14265 -0.720 0.471806
## MarcaCoca-Cola 4.93779 2.98184 1.656 0.097739 .
## MarcaCoca-Cola Life 1.13279 3.03311 0.373 0.708796
## MarcaCoca-Cola Light 2.50896 2.98450 0.841 0.400543
## MarcaCoca-Cola Sin Azúcar 1.04258 2.99957 0.348 0.728160
## MarcaCoca-Cola Zero 1.73682 3.03169 0.573 0.566723
## MarcaDel Valle -0.43315 2.83382 -0.153 0.878518
## MarcaDel Valle Blends -3.57704 4.11617 -0.869 0.384841
## MarcaDel Valle Nutridefen -3.65214 3.47447 -1.051 0.293203
## MarcaDel Valle Reserva 1.30639 3.04937 0.428 0.668353
## MarcaDel Valle y Nada -2.09332 3.00451 -0.697 0.485979
## MarcaDelaware Punch -3.15473 3.00857 -1.049 0.294378
## MarcaFanta -3.57542 2.98549 -1.198 0.231081
## MarcaFresca -4.14873 2.98694 -1.389 0.164853
## MarcaFrutsi -2.59626 3.00616 -0.864 0.387787
## MarcaFuze Tea -2.46805 2.98722 -0.826 0.408694
## MarcaFuze Tea Light -3.26155 3.97524 -0.820 0.411955
## MarcaGlacéau -0.75418 3.64690 -0.207 0.836167
## MarcaManzana Lift -4.18233 2.98671 -1.400 0.161428
## MarcaMonster Energy 2.76414 3.12721 0.884 0.376755
## MarcaPowerade -2.29486 3.00852 -0.763 0.445596
## MarcaPowerade Zero -3.26155 3.15498 -1.034 0.301246
## MarcaPulpy -3.38954 3.15080 -1.076 0.282036
## MarcaSanta Clara Deslacto -1.09531 3.10957 -0.352 0.724662
## MarcaSanta Clara Entera -0.45895 3.09903 -0.148 0.882270
## MarcaSanta Clara Light -0.78050 3.19711 -0.244 0.807135
## MarcaSanta Clara Saboriza -0.15733 1.34543 -0.117 0.906912
## MarcaSenzao -2.99364 3.05107 -0.981 0.326512
## MarcaSidral Mundet -2.69726 2.99918 -0.899 0.368482
## MarcaSprite -3.34429 2.98520 -1.120 0.262598
## MarcaSprite Zero -3.00998 3.03857 -0.991 0.321892
## MarcaTopo Chico A.M. -1.73714 3.02939 -0.573 0.566356
## MarcaValle Frut 0.13773 2.98744 0.046 0.963229
## Presentacion1 Ltro. Tetra 2.25972 1.48952 1.517 0.129255
## Presentacion1.250 Lts NR 1.08347 0.36425 2.975 0.002936 **
## Presentacion1.5 Lts. NR 1.96573 0.22234 8.841 < 2e-16 ***
## Presentacion1.5 Lts. Ret 6.01180 0.25840 23.265 < 2e-16 ***
## Presentacion1.750 Lts NR -0.30889 0.56599 -0.546 0.585241
## Presentacion100 ml NR Tetra -2.48459 1.52049 -1.634 0.102252
## Presentacion12 Oz. NR Pet -4.51740 0.38786 -11.647 < 2e-16 ***
## Presentacion12 Oz. NR Vidrio -0.67811 6.96273 -0.097 0.922416
## Presentacion12 Oz. Ret -1.92953 0.43266 -4.460 8.23e-06 ***
## Presentacion125 ml NR Tetra -2.03776 1.55637 -1.309 0.190438
## Presentacion2 Lts. NR 4.74016 0.23534 20.142 < 2e-16 ***
## Presentacion2 Lts. Ret 2.09870 0.57036 3.680 0.000234 ***
## Presentacion2.5 Lts. NR 4.46473 0.26410 16.905 < 2e-16 ***
## Presentacion2.5 Lts. Ret Pet 16.77254 0.24543 68.339 < 2e-16 ***
## Presentacion200 ml Tetra -2.98929 3.22167 -0.928 0.353481
## Presentacion235 ml NR Vid -6.02894 0.42516 -14.180 < 2e-16 ***
## Presentacion237 ml NR Pet -4.48925 1.47123 -3.051 0.002280 **
## Presentacion237 ml NR Vid -3.54805 2.18943 -1.621 0.105125
## Presentacion250 ml Tetra -2.38707 1.00896 -2.366 0.017993 *
## Presentacion250 ml. NR PET 0.61364 0.42311 1.450 0.146982
## Presentacion250 ML. NR VID -2.11076 1.11686 -1.890 0.058778 .
## Presentacion3 Lts. NR 5.73666 2.47967 2.313 0.020701 *
## Presentacion300 ML. NR PET -4.23494 0.95019 -4.457 8.34e-06 ***
## Presentacion350 ML NR PET -2.38233 4.90786 -0.485 0.627387
## Presentacion355 Ml NR Pet -0.65506 1.49034 -0.440 0.660273
## Presentacion400 ml NR 0.49512 0.36135 1.370 0.170632
## Presentacion413 ml NR VId -1.10982 0.98418 -1.128 0.259471
## Presentacion473 ml NR NA NA NA NA
## Presentacion5 Lts. NR 6.08621 1.10281 5.519 3.43e-08 ***
## Presentacion500 ml NR PET -1.84289 0.41366 -4.455 8.41e-06 ***
## Presentacion500 ml NR Vidrio -2.95879 0.36603 -8.083 6.47e-16 ***
## Presentacion500 ml Ret 4.40968 0.33915 13.002 < 2e-16 ***
## Presentacion6.5 Oz. Ret -6.69590 1.22086 -5.485 4.17e-08 ***
## Presentacion600 ml NR 0.84630 0.30222 2.800 0.005108 **
## Presentacion710 ml NR -2.95304 3.12043 -0.946 0.343972
## Presentacion8 Oz. NR -6.21269 0.42867 -14.493 < 2e-16 ***
## Presentacion946 ml NR Tetra 0.51789 2.64182 0.196 0.844582
## PresentacionLata -5.21036 0.41438 -12.574 < 2e-16 ***
## PresentacionLata 16 Oz. -5.90542 0.58748 -10.052 < 2e-16 ***
## PresentacionLata 222 ml -0.44720 4.92249 -0.091 0.927613
## PresentacionLata 235 ml -4.05160 0.39009 -10.386 < 2e-16 ***
## PresentacionLata 237 ml -4.20311 7.05089 -0.596 0.551104
## PresentacionLata 335 ml -2.41068 1.80466 -1.336 0.181619
## PresentacionLata 340 ml -2.50006 2.22531 -1.123 0.261246
## PresentacionLata 450 ml -3.20311 1.63674 -1.957 0.050353 .
## PresentacionLata 453 ml -1.84838 1.90027 -0.973 0.330713
## PresentacionLATA 680 ML 0.05280 3.49351 0.015 0.987942
## PresentacionLata 8 OZ. 0.39744 1.58511 0.251 0.802024
## TamañoIndividual 3.07966 0.36006 8.553 < 2e-16 ***
## Retornable_NRRetornable NA NA NA NA
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 6.936 on 40516 degrees of freedom
## (76504 observations deleted due to missingness)
## Multiple R-squared: 0.3804, Adjusted R-squared: 0.3791
## F-statistic: 279.5 on 89 and 40516 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
## -22.046 -2.076 -0.595 0.924 224.954
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -1.02498 0.45311 -2.262 0.02370 *
## Segmento.DetAgua Purificada 1.37679 0.50259 2.739 0.00616 **
## Segmento.DetAgua Saborizada -0.30267 0.56938 -0.532 0.59502
## Segmento.DetBebidas de Fruta 0.71173 0.45116 1.578 0.11468
## Segmento.DetBebidas de Soya 1.41149 2.77094 0.509 0.61048
## Segmento.DetBebidas Energeticas 3.55121 0.82388 4.310 1.63e-05 ***
## Segmento.DetCafe Listo Para Bebe -0.61215 2.87457 -0.213 0.83136
## Segmento.DetColas Light 3.82549 0.45225 8.459 < 2e-16 ***
## Segmento.DetColas Regular 6.73066 0.43090 15.620 < 2e-16 ***
## Segmento.DetIsotónicos Light -1.32920 1.09404 -1.215 0.22439
## Segmento.DetIsotónicos Regular -0.41929 0.49576 -0.846 0.39770
## Segmento.DetJugos y Néctares 1.42451 0.63892 2.230 0.02578 *
## Segmento.DetLeche UHT Especializ 0.76234 1.43278 0.532 0.59468
## Segmento.DetLeche UHT Regular 1.32321 1.38665 0.954 0.33996
## Segmento.DetLeche UHT Saborizada 1.26633 3.06592 0.413 0.67958
## Segmento.DetSabores Light -1.06962 0.57087 -1.874 0.06098 .
## Segmento.DetSabores Regular -1.65506 0.42076 -3.933 8.39e-05 ***
## Segmento.DetTé Light -1.32920 2.65820 -0.500 0.61705
## Segmento.DetTé Regular -0.53880 0.50531 -1.066 0.28631
## Presentacion1 Ltro. Tetra 1.76263 1.24398 1.417 0.15651
## Presentacion1.250 Lts NR 0.65117 0.36204 1.799 0.07208 .
## Presentacion1.5 Lts. NR 1.59668 0.21801 7.324 2.46e-13 ***
## Presentacion1.5 Lts. Ret 5.57937 0.25481 21.896 < 2e-16 ***
## Presentacion1.750 Lts NR -0.74119 0.56514 -1.312 0.18970
## Presentacion100 ml NR Tetra -2.19047 1.41045 -1.553 0.12042
## Presentacion12 Oz. NR Pet -4.29893 0.38201 -11.253 < 2e-16 ***
## Presentacion12 Oz. NR Vidrio -0.64382 6.96658 -0.092 0.92637
## Presentacion12 Oz. Ret -1.99479 0.42936 -4.646 3.40e-06 ***
## Presentacion125 ml NR Tetra -2.22458 1.34928 -1.649 0.09921 .
## Presentacion2 Lts. NR 4.34058 0.23042 18.837 < 2e-16 ***
## Presentacion2 Lts. Ret 1.69384 0.56960 2.974 0.00294 **
## Presentacion2.5 Lts. NR 3.95996 0.25971 15.248 < 2e-16 ***
## Presentacion2.5 Lts. Ret Pet 16.34023 0.24161 67.631 < 2e-16 ***
## Presentacion200 ml Tetra -2.64152 3.07000 -0.860 0.38956
## Presentacion235 ml NR Vid -6.04720 0.42120 -14.357 < 2e-16 ***
## Presentacion237 ml NR Pet -2.89592 1.40592 -2.060 0.03942 *
## Presentacion237 ml NR Vid -4.46932 2.12572 -2.102 0.03552 *
## Presentacion250 ml Tetra -2.47330 0.60345 -4.099 4.16e-05 ***
## Presentacion250 ml. NR PET -0.53167 0.37288 -1.426 0.15392
## Presentacion250 ML. NR VID -2.19699 0.77092 -2.850 0.00438 **
## Presentacion3 Lts. NR 6.05504 2.46437 2.457 0.01401 *
## Presentacion300 ML. NR PET -1.68082 0.66244 -2.537 0.01117 *
## Presentacion350 ML NR PET -2.52062 4.91639 -0.513 0.60817
## Presentacion355 Ml NR Pet -0.79334 1.49280 -0.531 0.59511
## Presentacion400 ml NR 0.19389 0.35483 0.546 0.58478
## Presentacion413 ml NR VId -1.19742 0.58135 -2.060 0.03943 *
## Presentacion473 ml NR -1.60555 2.48130 -0.647 0.51760
## Presentacion5 Lts. NR 5.53707 1.10131 5.028 4.98e-07 ***
## Presentacion500 ml NR PET -2.02855 0.40887 -4.961 7.03e-07 ***
## Presentacion500 ml NR Vidrio -2.93297 0.36139 -8.116 4.96e-16 ***
## Presentacion500 ml Ret 4.21004 0.33390 12.609 < 2e-16 ***
## Presentacion6.5 Oz. Ret -6.71734 1.22149 -5.499 3.84e-08 ***
## Presentacion600 ml NR 0.68538 0.29883 2.294 0.02182 *
## Presentacion710 ml NR -2.97448 3.12530 -0.952 0.34123
## Presentacion8 Oz. NR -6.15745 0.42505 -14.487 < 2e-16 ***
## Presentacion946 ml NR Tetra 0.43167 2.51917 0.171 0.86395
## PresentacionLata -5.24910 0.41074 -12.780 < 2e-16 ***
## PresentacionLata 16 Oz. -5.66742 0.56110 -10.101 < 2e-16 ***
## PresentacionLata 222 ml -0.60503 4.93059 -0.123 0.90234
## PresentacionLata 235 ml -4.17525 0.38150 -10.944 < 2e-16 ***
## PresentacionLata 237 ml -5.19503 6.99125 -0.743 0.45744
## PresentacionLata 335 ml -2.49690 1.61578 -1.545 0.12228
## PresentacionLata 340 ml -5.03401 1.00660 -5.001 5.73e-07 ***
## PresentacionLata 450 ml -4.19503 1.29495 -3.240 0.00120 **
## PresentacionLata 453 ml -1.95250 1.79909 -1.085 0.27781
## PresentacionLATA 680 ML -0.10503 3.49890 -0.030 0.97605
## PresentacionLata 8 OZ. 0.01123 1.58639 0.007 0.99435
## TamañoIndividual 2.66880 0.35196 7.583 3.46e-14 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 6.948 on 40538 degrees of freedom
## (76504 observations deleted due to missingness)
## Multiple R-squared: 0.3779, Adjusted R-squared: 0.3769
## F-statistic: 367.6 on 67 and 40538 DF, p-value: < 2.2e-16plot(regresion_ajustada)## Warning: not plotting observations with leverage one:
## 4719
## Warning in sqrt(crit * p * (1 - hh)/hh): Se han producido NaNs## Warning in sqrt(crit * p * (1 - hh)/hh): Se han producido NaNs
Construir 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)## 1
## 22.04592Conclusiones
En el ejercicio de la actividad 2, 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 adelante. Se realizaron algunas conversiones de tipos de dato de caracter (texto) a números enteros. Se practicaron algunas funciones de manejo básico de tablas.
La gráfica de la actividad 3 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
En conclusión, para la actividad 4, podemos realizar regresiones lineales para generar modelos predictivos de variables de interés como las ventas. En este caso, se recomienda tener más variables y de mayor impacto sobre las ventas para que el modelo sea más confiable (actualmente 38%)
Bibliografía
Fuente: http://www.arcacontal.com/responsabilidad-social/bienestar-social/desarrollo-de-la-cadena-de-valor.aspx . Consultado el 15 de febrero de 2020.
Fuente: http://www.arcacontal.com/responsabilidad-social/bienestar-social/desarrollo-de-la-cadena-de-valor.aspx Video: Proyecto Siglo XXI en las Bodegas: https://www.youtube.com/watch?v=d844nuGz3VU
Grolemund, G. (2017). Welcome | R for Data Science. Had.co.nz. https://r4ds.had.co.nz/
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