Contexto

Analizar la información de las ventas de 2016 a 2019 de productos de la familia Coca-Cola en algunos de los establecimientos de la zona Metropolitana de Guadalajara, en los cuales se implementó el Proyecto Siglo XXI de Arca Comercial.

Importar la base de datos

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

Entender la base de datos

summary(df)
##        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  
##                    
##                    
## 
# install.packages("tidyverse")
library(tidyverse)
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.1.3     ✔ readr     2.1.4
## ✔ forcats   1.0.0     ✔ stringr   1.5.0
## ✔ ggplot2   3.4.3     ✔ tibble    3.2.1
## ✔ lubridate 1.9.2     ✔ tidyr     1.3.0
## ✔ purrr     1.0.2     
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
str(df)
## '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" ...
# install.packages("dplyr")
library(dplyr)
count(df,Territorio,sort =TRUE)
##    Territorio      n
## 1 Guadalajara 466508
## 2  Territorio      1
# count(df,Sub.Territorio,sort =TRUE)
# count(df,CEDI,sort =TRUE)
# count(df,Cliente,sort =TRUE)
# count(df,Nombre,sort =TRUE)
# count(df,Tamaño.Cte.Industria,sort =TRUE)
count(df,Segmento.Det,sort =TRUE)
##            Segmento.Det      n
## 1       Sabores Regular 156242
## 2         Colas Regular  95720
## 3           Colas Light  43807
## 4      Jugos y Néctares  33362
## 5      Bebidas de Fruta  30641
## 6       Agua Purificada  20766
## 7          Agua Mineral  12590
## 8    Isotónicos Regular  11905
## 9            Té Regular  10062
## 10      Agua Saborizada  10056
## 11  Bebidas Energeticas   9847
## 12        Sabores Light   7330
## 13 Leche UHT Saborizada   6395
## 14    Leche UHT Regular   5618
## 15      Bebidas de Soya   5277
## 16 Leche UHT Especializ   4655
## 17     Isotónicos Light   1009
## 18 Cafe Listo Para Bebe    979
## 19             Té Light    241
## 20               Polvos      6
## 21         Segmento Det      1
# count(df,Marca,sort =TRUE)
# count(df,Presentacion,sort =TRUE)
# count(df,Tamaño,sort =TRUE)
# count(df,Retornable_NR,sort =TRUE)

Observaciones.
1. Eliminar renglon 184065 que tiene títulos en lugar de datos.
2. Cambiar formato (de Enero a Diciembre) de caracter a entero.

Limpiar la base de datos

df <- df[-184065,]

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

summary(df)
##        ID             Año             Territorio        Sub.Territorio    
##  Min.   :     1   Length:466508      Length:466508      Length:466508     
##  1st Qu.:116628   Class :character   Class :character   Class :character  
##  Median :233256   Mode  :character   Mode  :character   Mode  :character  
##  Mean   :233255                                                           
##  3rd Qu.:349882                                                           
##  Max.   :466509                                                           
##                                                                           
##      CEDI             Cliente             Nombre          Tamaño.Cte.Industria
##  Length:466508      Length:466508      Length:466508      Length:466508       
##  Class :character   Class :character   Class :character   Class :character    
##  Mode  :character   Mode  :character   Mode  :character   Mode  :character    
##                                                                               
##                                                                               
##                                                                               
##                                                                               
##  Segmento.Det          Marca           Presentacion          Tamaño         
##  Length:466508      Length:466508      Length:466508      Length:466508     
##  Class :character   Class :character   Class :character   Class :character  
##  Mode  :character   Mode  :character   Mode  :character   Mode  :character  
##                                                                             
##                                                                             
##                                                                             
##                                                                             
##  Retornable_NR          Enero           Febrero           Marzo       
##  Length:466508      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   :233551   NA's   :231285   NA's   :227506  
##      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   :224185   NA's   :217072    NA's   :215907    NA's   :223537  
##      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   :220366    NA's   :337401   NA's   :338482   NA's   :338545  
##    Diciembre     
##  Min.   :-28     
##  1st Qu.:  1     
##  Median :  3     
##  Mean   : 13     
##  3rd Qu.:  7     
##  Max.   :997     
##  NA's   :341954

Observaciones.
3. Tenemos NA en las columnas de los meses.
4. Tenemos cantidades negativas.
5. No tenemos ventas por año.
6. Cantidades máximas muy elevadas.

# ¿Cuántos NA tengo en la base de datos?
sum(is.na(df))
## [1] 3149791
# ¿Cuántos NA tengo por variable?
sapply(df,function(x) sum(is.na(x)))
##                   ID                  Año           Territorio 
##                    0                    0                    0 
##       Sub.Territorio                 CEDI              Cliente 
##                    0                    0                    0 
##               Nombre Tamaño.Cte.Industria         Segmento.Det 
##                    0                    0                    0 
##                Marca         Presentacion               Tamaño 
##                    0                    0                    0 
##        Retornable_NR                Enero              Febrero 
##                    0               233551               231285 
##                Marzo                Abril                 Mayo 
##               227506               224185               217072 
##                Junio                Julio               Agosto 
##               215907               223537               220366 
##           Septiembre              Octubre            Noviembre 
##               337401               338482               338545 
##            Diciembre 
##               341954
# Reemplazar NA con CEROS
df[is.na(df)] <- 0

# Agregar columna de ventas
df$Ventas <- df$Enero + df$Febrero + df$Marzo + df$Abril + df$Mayo + df$Junio + df$Julio + df$Agosto + df$Septiembre + df$Octubre + df$Noviembre + df$Diciembre

# Gráfica de Caja y Bigotes
boxplot(df$Enero,horizontal=TRUE)

boxplot(df$Agosto,horizontal=TRUE)

summary(df)
##        ID             Año             Territorio        Sub.Territorio    
##  Min.   :     1   Length:466508      Length:466508      Length:466508     
##  1st Qu.:116628   Class :character   Class :character   Class :character  
##  Median :233256   Mode  :character   Mode  :character   Mode  :character  
##  Mean   :233255                                                           
##  3rd Qu.:349882                                                           
##  Max.   :466509                                                           
##      CEDI             Cliente             Nombre          Tamaño.Cte.Industria
##  Length:466508      Length:466508      Length:466508      Length:466508       
##  Class :character   Class :character   Class :character   Class :character    
##  Mode  :character   Mode  :character   Mode  :character   Mode  :character    
##                                                                               
##                                                                               
##                                                                               
##  Segmento.Det          Marca           Presentacion          Tamaño         
##  Length:466508      Length:466508      Length:466508      Length:466508     
##  Class :character   Class :character   Class :character   Class :character  
##  Mode  :character   Mode  :character   Mode  :character   Mode  :character  
##                                                                             
##                                                                             
##                                                                             
##  Retornable_NR          Enero           Febrero            Marzo        
##  Length:466508      Min.   :-19.00   Min.   :-11.000   Min.   :-32.000  
##  Class :character   1st Qu.:  0.00   1st Qu.:  0.000   1st Qu.:  0.000  
##  Mode  :character   Median :  0.00   Median :  0.000   Median :  0.000  
##                     Mean   :  4.69   Mean   :  4.581   Mean   :  5.401  
##                     3rd Qu.:  2.00   3rd Qu.:  2.000   3rd Qu.:  3.000  
##                     Max.   :999.00   Max.   :986.000   Max.   :986.000  
##      Abril              Mayo              Junio            Julio        
##  Min.   :-70.000   Min.   :-106.000   Min.   :-211.0   Min.   :-60.000  
##  1st Qu.:  0.000   1st Qu.:   0.000   1st Qu.:   0.0   1st Qu.:  0.000  
##  Median :  0.000   Median :   0.000   Median :   0.0   Median :  0.000  
##  Mean   :  5.519   Mean   :   6.117   Mean   :   5.9   Mean   :  5.583  
##  3rd Qu.:  3.000   3rd Qu.:   3.000   3rd Qu.:   3.0   3rd Qu.:  3.000  
##  Max.   :993.000   Max.   : 991.000   Max.   : 998.0   Max.   :993.000  
##      Agosto           Septiembre          Octubre          Noviembre      
##  Min.   :-211.000   Min.   :-527.000   Min.   :-38.000   Min.   :-25.000  
##  1st Qu.:   0.000   1st Qu.:   0.000   1st Qu.:  0.000   1st Qu.:  0.000  
##  Median :   0.000   Median :   0.000   Median :  0.000   Median :  0.000  
##  Mean   :   5.777   Mean   :   3.311   Mean   :  3.327   Mean   :  3.248  
##  3rd Qu.:   3.000   3rd Qu.:   1.000   3rd Qu.:  1.000   3rd Qu.:  1.000  
##  Max.   : 999.000   Max.   : 993.000   Max.   :998.000   Max.   :991.000  
##    Diciembre           Ventas       
##  Min.   :-28.000   Min.   :-527.00  
##  1st Qu.:  0.000   1st Qu.:   2.00  
##  Median :  0.000   Median :   7.00  
##  Mean   :  3.477   Mean   :  56.93  
##  3rd Qu.:  0.000   3rd Qu.:  26.00  
##  Max.   :997.000   Max.   :9517.00

Pregunta 1

¿Puede observarse un crecimiento en las ventas de algunos de los segmentos de productos de la familia Coca Cola en las tiendas en las que se implementó el Proyecto Siglo XXI de Arca Continental? Respuesta: Se observa un incremento general de las ventas por año.

# install.packages("ggplot2)
library(ggplot2)
ggplot(df, aes(x=Año, y=Ventas)) +
  geom_bar(stat="identity") + 
  labs(
    title="Ventas por Año",
    subtitle="Caso Arca Continental"
  )

Pregunta 2

¿El incremento en las ventas es similar entre los diferentes tamaños de clientes? Respuesta: El incremento de ventas se debió a la incorporación de tamaño de cliente Grande y Pequeño. Extra Grande bajó sus ventas el último año, y Micro las subió

# install.packages("ggplot2)
library(ggplot2)
ggplot(df, aes (x=Año, y=Ventas, colour=Tamaño.Cte.Industria)) +
  geom_bar(stat="identity") + 
  labs(
    title = "Ventas por Año",
    subtitle = "Caso Arca Continental"
  )

df2 <- df %>% filter(Tamaño.Cte.Industria=="Extra Grande" |
Tamaño.Cte.Industria=="Micro")

ggplot(df2, aes (x=Año, y=Ventas, colour=Tamaño.Cte.Industria)) +
  geom_bar(stat="identity") + 
  labs(
    title = "Ventas por Año",
    subtitle = "Caso Arca Continental"
  )

df3 <- df %>% filter(Tamaño.Cte.Industria=="Grande")

ggplot(df3, aes (x=Año, y=Ventas, colour=Tamaño.Cte.Industria)) +
  geom_bar(stat="identity") + 
  labs(
    title = "Ventas por Año",
    subtitle = "Caso Arca Continental"
  )

df4 <- df %>% filter(Tamaño.Cte.Industria=="Micro")

ggplot(df4, aes (x=Año, y=Ventas, colour=Tamaño.Cte.Industria)) +
  geom_bar(stat="identity") + 
  labs(
    title = "Ventas por Año",
    subtitle = "Caso Arca Continental"
  )

df5 <- df %>% filter(Tamaño.Cte.Industria=="Pequeño")

ggplot(df5, aes (x=Año, y=Ventas, colour=Tamaño.Cte.Industria)) +
  geom_bar(stat="identity") + 
  labs(
    title = "Ventas por Año",
    subtitle = "Caso Arca Continental"
  )

Pregunta 3

¿Cuál es el comportamiento observado de las unidades vendidas por mes de cada una de las marcas, independientemente de sus respectivas presentaciones? Respuesta: La marca Coca-Cola es la más vendida de todas, con incremento de ventas en 2019. La marca Sprite con incremento de ventas año con año.

df6 <- df %>% filter(Marca=="Coca-Cola")

ggplot(df6, aes (x=Año, y=Ventas, colour=Tamaño.Cte.Industria)) +
  geom_bar(stat="identity") + 
  labs(
    title = "Ventas por Año de Coca-Cola",
    subtitle = "Caso Arca Continental"
  )

df7 <- df %>% filter(Marca=="Sprite")

ggplot(df7, aes (x=Año, y=Ventas, colour=Tamaño.Cte.Industria)) +
  geom_bar(stat="identity") + 
  labs(
    title = "Ventas por Año de Sprite",
    subtitle = "Caso Arca Continental"
  )

Pregunta 4

¿Se ha incrementado la venta de productos en envases retornables en los últimos dos años? Respuesta: No, solo hubó un incremento en el último año

df8 <- df %>% filter(Retornable_NR=="Retornable")

ggplot(df8, aes (x=Año, y=Ventas, colour=Tamaño.Cte.Industria)) +
  geom_bar(stat="identity") + 
  labs(
    title = "Ventas por Año de Envases Retornables",
    subtitle = "Caso Arca Continental"
  )

Pregunta 5

¿El comportamiento de la venta de agua ha incrementado en relación al de los refrescos o las bebidas isotónicas? Respuesta: Las ventas de Agua Purificada y Colas Regular bajaron en su último año. Sin embargo, Isotónicos Regular aumentó año con año.

df9 <- df %>% filter(Segmento.Det=="Agua Purificada" | Segmento.Det=="Isotónicos Regular" | Segmento.Det=="Colas Regular")

ggplot(df9, aes (x=Año, y=Ventas, fill=Segmento.Det)) +
  geom_bar(position="dodge", stat="identity") + 
  labs(
    title = "Ventas por Año",
    subtitle = "Caso Arca Continental"
  )

Pregunta 6

¿Puede decirse que la venta mensual de agua está relacionada con la venta mensual de refrescos en los últimos 4 años? Respuesta: La venta de agua y refrescos no esta relacionada.

df10 <- df %>% filter(Segmento.Det=="Agua Purificada" | Segmento.Det=="Colas Regular")

ggplot(df10, aes (x=Año, y=Ventas, fill=Segmento.Det)) +
  geom_bar(position="dodge", stat="identity") + 
  labs(
    title = "Ventas por Año",
    subtitle = "Caso Arca Continental"
  )

Pregunta 7

¿A cuánto ascienden las ventas esperadas para el 2020 en la Coca Cola de 500 ml NR Vidrio? Respuesta: Acorde a un modelo predictivo utilizando regresión lineal, las ventas esperadas para Coca Cola de 500 ml NR Vidrio en 2020 son de 444,066 unidades, con una R cuadrada ajustada del 48%.

df11 <- df %>% filter(Marca=="Coca-Cola" & Presentacion=="500 ml NR Vidrio")

df12 <- aggregate(Ventas ~ Año, df11, sum)

df12$Año <- as.integer(df12$Año)

regresion <- lm(Ventas ~ Año, data=df12)

summary(regresion)
## 
## Call:
## lm(formula = Ventas ~ Año, data = df12)
## 
## Residuals:
##        1        2        3        4 
## -23838.5  35316.5    882.5 -12360.5 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)
## (Intercept) -54970594   28310425  -1.942    0.192
## Año             27433      14032   1.955    0.190
## 
## Residual standard error: 31380 on 2 degrees of freedom
## Multiple R-squared:  0.6565, Adjusted R-squared:  0.4847 
## F-statistic: 3.822 on 1 and 2 DF,  p-value: 0.1898
#Ecuación de la recta y = -71,595,678 + 35,692 * Año

datos <-data.frame(Año=2020)
predict(regresion,datos)
##        1 
## 444065.5
---
title: "Evidencia_ArcaContinental"
author: "Odra Mariel Garza Castillo A01285175"
date: "2023-09-13"
output: 
  html_document:
    toc: TRUE
    toc_float: TRUE
    code_download: TRUE
    theme: "lumen"
    highlight: "monochrome"
---
![](/Users/marielgarza/Desktop/source.gif)

### <span style="color: red;" >Contexto</span>
Analizar la información de las ventas de 2016 a 2019 de productos de la familia Coca-Cola en algunos de los establecimientos de la zona Metropolitana de Guadalajara, en los cuales se implementó el Proyecto Siglo XXI de Arca Comercial.

### <span style="color: red;" >Importar la base de datos</span>
```{r}
# file.choose()
df <- read.csv("/Users/marielgarza/Downloads/Datos Arca Continental Original.csv")
```

### <span style="color: red;" >Entender la base de datos</span>
```{r}
summary(df)
# install.packages("tidyverse")
library(tidyverse)
str(df)
# install.packages("dplyr")
library(dplyr)
count(df,Territorio,sort =TRUE)
# count(df,Sub.Territorio,sort =TRUE)
# count(df,CEDI,sort =TRUE)
# count(df,Cliente,sort =TRUE)
# count(df,Nombre,sort =TRUE)
# count(df,Tamaño.Cte.Industria,sort =TRUE)
count(df,Segmento.Det,sort =TRUE)
# count(df,Marca,sort =TRUE)
# count(df,Presentacion,sort =TRUE)
# count(df,Tamaño,sort =TRUE)
# count(df,Retornable_NR,sort =TRUE)

```

Observaciones.    
1. Eliminar renglon 184065 que tiene títulos en lugar de datos.   
2. Cambiar formato (de Enero a Diciembre) de caracter a entero.   

### <span style="color: red;" >Limpiar la base de datos</span>
```{r}
df <- df[-184065,]

df$Enero <- as.integer (df$Enero)
df$Febrero <- as.integer (df$Febrero)
df$Marzo <- as.integer (df$Marzo)
df$Abril <- as.integer (df$Abril)
df$Mayo <- as.integer (df$Mayo)
df$Junio <- as.integer (df$Junio)
df$Julio <- as.integer (df$Julio)
df$Agosto <- as.integer (df$Agosto)
df$Septiembre <- as.integer (df$Septiembre)
df$Octubre <- as.integer (df$Octubre)
df$Noviembre <- as.integer (df$Noviembre)
df$Diciembre <- as.integer (df$Diciembre)
df$Año <- as.character(df$Año)

summary(df)
```

Observaciones.    
3. Tenemos NA en las columnas de los meses.   
4. Tenemos cantidades negativas.   
5. No tenemos ventas por año.   
6. Cantidades máximas muy elevadas.   

```{r}
# ¿Cuántos NA tengo en la base de datos?
sum(is.na(df))

# ¿Cuántos NA tengo por variable?
sapply(df,function(x) sum(is.na(x)))

# Reemplazar NA con CEROS
df[is.na(df)] <- 0

# Agregar columna de ventas
df$Ventas <- df$Enero + df$Febrero + df$Marzo + df$Abril + df$Mayo + df$Junio + df$Julio + df$Agosto + df$Septiembre + df$Octubre + df$Noviembre + df$Diciembre

# Gráfica de Caja y Bigotes
boxplot(df$Enero,horizontal=TRUE)
boxplot(df$Agosto,horizontal=TRUE)

summary(df)
```


### <span style="color: red;" >Pregunta 1</span> 
¿Puede observarse un crecimiento en las ventas de algunos de los segmentos de productos de la familia Coca Cola en las tiendas en las que se implementó el Proyecto Siglo XXI de Arca Continental?
**Respuesta: Se observa un incremento general de las ventas por año.**
```{r}
# install.packages("ggplot2)
library(ggplot2)
ggplot(df, aes(x=Año, y=Ventas)) +
  geom_bar(stat="identity") + 
  labs(
    title="Ventas por Año",
    subtitle="Caso Arca Continental"
  )
```

### <span style="color: red;" >Pregunta 2</span>  
¿El incremento en las ventas es similar entre los diferentes tamaños de clientes?
**Respuesta: El incremento de ventas se debió a la incorporación de tamaño de cliente Grande y Pequeño. Extra Grande bajó sus ventas el último año, y Micro las subió**
```{r}
# install.packages("ggplot2)
library(ggplot2)
ggplot(df, aes (x=Año, y=Ventas, colour=Tamaño.Cte.Industria)) +
  geom_bar(stat="identity") + 
  labs(
    title = "Ventas por Año",
    subtitle = "Caso Arca Continental"
  )

df2 <- df %>% filter(Tamaño.Cte.Industria=="Extra Grande" |
Tamaño.Cte.Industria=="Micro")

ggplot(df2, aes (x=Año, y=Ventas, colour=Tamaño.Cte.Industria)) +
  geom_bar(stat="identity") + 
  labs(
    title = "Ventas por Año",
    subtitle = "Caso Arca Continental"
  )

df3 <- df %>% filter(Tamaño.Cte.Industria=="Grande")

ggplot(df3, aes (x=Año, y=Ventas, colour=Tamaño.Cte.Industria)) +
  geom_bar(stat="identity") + 
  labs(
    title = "Ventas por Año",
    subtitle = "Caso Arca Continental"
  )
    
df4 <- df %>% filter(Tamaño.Cte.Industria=="Micro")

ggplot(df4, aes (x=Año, y=Ventas, colour=Tamaño.Cte.Industria)) +
  geom_bar(stat="identity") + 
  labs(
    title = "Ventas por Año",
    subtitle = "Caso Arca Continental"
  )

df5 <- df %>% filter(Tamaño.Cte.Industria=="Pequeño")

ggplot(df5, aes (x=Año, y=Ventas, colour=Tamaño.Cte.Industria)) +
  geom_bar(stat="identity") + 
  labs(
    title = "Ventas por Año",
    subtitle = "Caso Arca Continental"
  )
```


### <span style="color: red;" >Pregunta 3</span>  
¿Cuál es el comportamiento observado de las unidades vendidas por mes de cada una de las marcas, independientemente de sus respectivas presentaciones?
**Respuesta: La marca Coca-Cola es la más vendida de todas, con incremento de ventas en 2019. La marca Sprite con incremento de ventas año con año.**
```{r}
df6 <- df %>% filter(Marca=="Coca-Cola")

ggplot(df6, aes (x=Año, y=Ventas, colour=Tamaño.Cte.Industria)) +
  geom_bar(stat="identity") + 
  labs(
    title = "Ventas por Año de Coca-Cola",
    subtitle = "Caso Arca Continental"
  )

df7 <- df %>% filter(Marca=="Sprite")

ggplot(df7, aes (x=Año, y=Ventas, colour=Tamaño.Cte.Industria)) +
  geom_bar(stat="identity") + 
  labs(
    title = "Ventas por Año de Sprite",
    subtitle = "Caso Arca Continental"
  )
```

### <span style="color: red;" >Pregunta 4</span> 
¿Se ha incrementado la venta de productos en envases retornables en los últimos dos años?
**Respuesta: No, solo hubó un incremento en el último año**
```{r}
df8 <- df %>% filter(Retornable_NR=="Retornable")

ggplot(df8, aes (x=Año, y=Ventas, colour=Tamaño.Cte.Industria)) +
  geom_bar(stat="identity") + 
  labs(
    title = "Ventas por Año de Envases Retornables",
    subtitle = "Caso Arca Continental"
  )
```

### <span style="color: red;" >Pregunta 5</span> 
¿El comportamiento de la venta de agua ha incrementado en relación al de los refrescos o las bebidas isotónicas?
**Respuesta: Las ventas de Agua Purificada y Colas Regular bajaron en su último año. Sin embargo, Isotónicos Regular aumentó año con año.**
```{r}
df9 <- df %>% filter(Segmento.Det=="Agua Purificada" | Segmento.Det=="Isotónicos Regular" | Segmento.Det=="Colas Regular")

ggplot(df9, aes (x=Año, y=Ventas, fill=Segmento.Det)) +
  geom_bar(position="dodge", stat="identity") + 
  labs(
    title = "Ventas por Año",
    subtitle = "Caso Arca Continental"
  ) 
```

### <span style="color: red;" >Pregunta 6</span> 
¿Puede decirse que la venta mensual de agua está relacionada con la venta mensual de refrescos en los últimos 4 años?
**Respuesta: La venta de agua y refrescos no esta relacionada.**
```{r}
df10 <- df %>% filter(Segmento.Det=="Agua Purificada" | Segmento.Det=="Colas Regular")

ggplot(df10, aes (x=Año, y=Ventas, fill=Segmento.Det)) +
  geom_bar(position="dodge", stat="identity") + 
  labs(
    title = "Ventas por Año",
    subtitle = "Caso Arca Continental"
  )
```

### <span style="color: red;" >Pregunta 7</span>  
¿A cuánto ascienden las ventas esperadas para el 2020 en la Coca Cola de 500 ml NR Vidrio?
**Respuesta: Acorde a un modelo predictivo utilizando regresión lineal, las ventas esperadas para Coca Cola de 500 ml NR Vidrio en 2020 son de 444,066 unidades, con una R cuadrada ajustada del 48%.**
```{r}
df11 <- df %>% filter(Marca=="Coca-Cola" & Presentacion=="500 ml NR Vidrio")

df12 <- aggregate(Ventas ~ Año, df11, sum)

df12$Año <- as.integer(df12$Año)

regresion <- lm(Ventas ~ Año, data=df12)

summary(regresion)

#Ecuación de la recta y = -71,595,678 + 35,692 * Año

datos <-data.frame(Año=2020)
predict(regresion,datos)
```

