Venta de autos en EE.UU.

Autor

Nombre: Camilo A. Campillo Martínez

Motivación

En este análisis, voy a sumergirme de lleno en mi conjunto de datos para explorarlo a fondo. Quiero descubrir todo lo que tiene para ofrecer y aprovechar al máximo la información disponible. Para lograrlo, utilizaré algunas herramientas poderosas, como dplyr para limpiar los datos y ggplot2 para crear visualizaciones atractivas. Con estas herramientas a mi disposición, estoy preparado para explorar los datos, identificar patrones interesantes y obtener conclusiones útiles.

Fuente

El dataset que voy a usar es extradido de: Car Sales Report

La información es ficticia y solo es usada para fines educacionales.

Import

El siguiente código muestra la carga de las librerías necesarias para el análisis.

library(rmdformats)
library(dplyr)
library(tidyr)
library(readxl)
library(ggplot2)
library(highcharter)
library(readxl)
library(janitor)
library(scales)
library(DescTools)
library(gridExtra)
library(lubridate)

Dataset

car_sales <- read.csv("car_sales.csv")
head(car_sales,10)

##          Car_id     Date Customer.Name Gender Annual.Income
## 1  C_CND_000001 1/2/2022     Geraldine   Male         13500
## 2  C_CND_000002 1/2/2022           Gia   Male       1480000
## 3  C_CND_000003 1/2/2022        Gianna   Male       1035000
## 4  C_CND_000004 1/2/2022       Giselle   Male         13500
## 5  C_CND_000005 1/2/2022         Grace   Male       1465000
## 6  C_CND_000006 1/2/2022     Guadalupe   Male        850000
## 7  C_CND_000007 1/2/2022        Hailey   Male       1600000
## 8  C_CND_000008 1/2/2022        Graham   Male         13500
## 9  C_CND_000009 1/2/2022         Naomi   Male        815000
## 10 C_CND_000010 1/2/2022       Grayson Female         13500
##                            Dealer_Name    Company      Model
## 1  Buddy Storbeck's Diesel Service Inc       Ford Expedition
## 2                     C & M Motors Inc      Dodge    Durango
## 3                          Capitol KIA   Cadillac   Eldorado
## 4               Chrysler of Tri-Cities     Toyota     Celica
## 5                    Chrysler Plymouth      Acura         TL
## 6                        Classic Chevy Mitsubishi   Diamante
## 7              Clay Johnson Auto Sales     Toyota    Corolla
## 8                            U-Haul CO Mitsubishi     Galant
## 9                 Rabun Used Car Sales  Chevrolet     Malibu
## 10                Rabun Used Car Sales       Ford     Escort
##                       Engine Transmission      Color Price....  Dealer_No
## 1  DoubleÂ Overhead Camshaft         Auto      Black     26000 06457-3834
## 2  DoubleÂ Overhead Camshaft         Auto      Black     19000 60504-7114
## 3          Overhead Camshaft       Manual        Red     31500 38701-8047
## 4          Overhead Camshaft       Manual Pale White     14000 99301-3882
## 5  DoubleÂ Overhead Camshaft         Auto        Red     24500 53546-9427
## 6          Overhead Camshaft       Manual Pale White     12000 85257-3102
## 7          Overhead Camshaft       Manual Pale White     14000 78758-7841
## 8  DoubleÂ Overhead Camshaft         Auto Pale White     42000 78758-7841
## 9          Overhead Camshaft       Manual Pale White     82000 85257-3102
## 10 DoubleÂ Overhead Camshaft         Auto Pale White     15000 85257-3102
##    Body.Style   Phone Dealer_Region
## 1         SUV 8264678    Middletown
## 2         SUV 6848189        Aurora
## 3   Passenger 7298798    Greenville
## 4         SUV 6257557         Pasco
## 5   Hatchback 7081483    Janesville
## 6   Hatchback 7315216    Scottsdale
## 7   Passenger 7727879        Austin
## 8   Passenger 6206512        Austin
## 9     Hardtop 7194857         Pasco
## 10  Passenger 7836892    Scottsdale

Análisis Exploratorio inicial

#Dimensiones
dim(car_sales)

## [1] 23906    16

#Faltantes
colSums(is.na(car_sales))

##        Car_id          Date Customer.Name        Gender Annual.Income 
##             0             0             0             0             0 
##   Dealer_Name       Company         Model        Engine  Transmission 
##             0             0             0             0             0 
##         Color     Price....     Dealer_No    Body.Style         Phone 
##             0             0             0             0             0 
## Dealer_Region 
##             0

#Duplicados
sum(duplicated(car_sales))

## [1] 0

#Variables
glimpse(car_sales)

## Rows: 23,906
## Columns: 16
## $ Car_id        <chr> "C_CND_000001", "C_CND_000002", "C_CND_000003", "C_CND_0…
## $ Date          <chr> "1/2/2022", "1/2/2022", "1/2/2022", "1/2/2022", "1/2/202…
## $ Customer.Name <chr> "Geraldine", "Gia", "Gianna", "Giselle", "Grace", "Guada…
## $ Gender        <chr> "Male", "Male", "Male", "Male", "Male", "Male", "Male", …
## $ Annual.Income <int> 13500, 1480000, 1035000, 13500, 1465000, 850000, 1600000…
## $ Dealer_Name   <chr> "Buddy Storbeck's Diesel Service Inc", "C & M Motors Inc…
## $ Company       <chr> "Ford", "Dodge", "Cadillac", "Toyota", "Acura", "Mitsubi…
## $ Model         <chr> "Expedition", "Durango", "Eldorado", "Celica", "TL", "Di…
## $ Engine        <chr> "DoubleÂ Overhead Camshaft", "DoubleÂ Overhead Camshaft"…
## $ Transmission  <chr> "Auto", "Auto", "Manual", "Manual", "Auto", "Manual", "M…
## $ Color         <chr> "Black", "Black", "Red", "Pale White", "Red", "Pale Whit…
## $ Price....     <int> 26000, 19000, 31500, 14000, 24500, 12000, 14000, 42000, …
## $ Dealer_No     <chr> "06457-3834", "60504-7114", "38701-8047", "99301-3882", …
## $ Body.Style    <chr> "SUV", "SUV", "Passenger", "SUV", "Hatchback", "Hatchbac…
## $ Phone         <int> 8264678, 6848189, 7298798, 6257557, 7081483, 7315216, 77…
## $ Dealer_Region <chr> "Middletown", "Aurora", "Greenville", "Pasco", "Janesvil…

#Valores únicos
valores_unicos <- sapply(car_sales, 
                     function(x) length(unique(x)))
data.frame(valores_unicos)

##               valores_unicos
## Car_id                 23906
## Date                     612
## Customer.Name           3022
## Gender                     2
## Annual.Income           2508
## Dealer_Name               28
## Company                   30
## Model                    154
## Engine                     2
## Transmission               2
## Color                      3
## Price....                870
## Dealer_No                  7
## Body.Style                 5
## Phone                  23804
## Dealer_Region              7

En la vista preliminar, podemos ver que existen 23’906 registros de vehículos vendidos. El dataset no presenta valores faltantes ni valores duplicados.

El resumen de variables podemos ver que tenemos:

Date: Fecha de la compra
Customer.Name: Nombre del comprador
Gender: Género del comprador
Annual.Income: Ingresos Anuales del comprador
Dealer_Name: Nombre del comercio donde se realizó la compra
Company: Compañia que produce el vehículo
Model: Modelo del vehículo
Engine: Tipo de motor que tiene
Transmission: Tipo de trasmisión
Color: Color del vehículo
Price: Precio del Vehículo
Dealer_No: Número del comercio
Body.Style: Tipo de vehículo
Phone: Teléfono
Dealer_Region: Región del establecimiento del negocio

AL momento de analizar las variables por valores únicos encontramos que los compradores son identificados en 2 distintos géneros, que hay 28 concesionarias, 30 compañia de vehículos, 154 modelos diferentes en total, 2 tipo de motores al igual que 2 tipos de trasnmisiones en los vehículos, 3 colores, 5 estilos diferentes de carrocerías y que estas concesionarias están en 7 diferentes regiones.

Limpieza

Primero miro cuales son las variables del dataset, e identifico que para fines de análisis no necesito 3 variables, las cuales son Car_id, Dealer_No y Phone. Es por ello que decido eliminarlas del dataset y seguir con la respectiva limpieza.

#Nombres de las variables
names(car_sales)

##  [1] "Car_id"        "Date"          "Customer.Name" "Gender"       
##  [5] "Annual.Income" "Dealer_Name"   "Company"       "Model"        
##  [9] "Engine"        "Transmission"  "Color"         "Price...."    
## [13] "Dealer_No"     "Body.Style"    "Phone"         "Dealer_Region"

#Eliminación de columnas
car_sales <- select(car_sales, - Car_id, - Dealer_No, - Phone)

#Renombrar columnas
car_sales <- car_sales %>%
  janitor::clean_names()
names(car_sales)

##  [1] "date"          "customer_name" "gender"        "annual_income"
##  [5] "dealer_name"   "company"       "model"         "engine"       
##  [9] "transmission"  "color"         "price"         "body_style"   
## [13] "dealer_region"

#Reescribir la variable 
car_sales <- car_sales %>%
  separate(engine, c("engine_1", "engine_2"), sep = "")

car_sales <- car_sales %>%
  mutate(engine_2 = case_when(
    engine_2 == "D" ~ "Double Overhead Camshaft",
    engine_2 == "O" ~ "Overhead Camshaft",
    TRUE ~ engine_2))
    
#Reescribir y eliminar
car_sales <- select(car_sales, -engine_1)

car_sales <- car_sales %>% 
  rename(engine = engine_2)

#tipo_fecha
car_sales$date <- as.Date(car_sales$date, format = '%m/%d/%Y')

Llevé a cabo un proceso de limpieza de los nombres de las variables teniendo en cuenta buenas prácticas de codificación para mejores análisis.

Análisis de Datos

annual_income

#Resumen de variable "Ingresos Anuales"
Desc(car_sales$annual_income, plotit = F)

## ------------------------------------------------------------------------------ 
## car_sales$annual_income (integer)
## 
##      length           n         NAs      unique            0s          mean'
##      23'906      23'906           0       2'508             0    830'840.29
##                  100.0%        0.0%                      0.0%              
##                                                                            
##         .05         .10         .25      median           .75           .90
##   13'500.00   13'500.00  386'000.00  735'000.00  1'175'750.00  1'690'000.00
##                                                                            
##       range          sd       vcoef         mad           IQR          skew
##    1.12e+07  720'006.40        0.87  585'627.00    789'750.00          1.74
##                                                                            
##         meanCI
##     821'712.76
##     839'967.81
##               
##            .95
##   2'100'000.00
##               
##           kurt
##           7.57
##               
## lowest : 10'080, 13'500 (5'273), 24'000, 85'000, 106'000
## highest: 6'600'000, 6'800'000, 7'650'000, 8'000'000, 1e+07
## 
## heap(?): remarkable frequency (22.1%) for the mode(s) (= 13500)
## 
## ' 95%-CI (classic)

#Histograma annual_income
mean_income <- mean(car_sales$annual_income)
median_income <- median(car_sales$annual_income)

ggplot(car_sales, aes(x = annual_income)) +
  geom_histogram(
    color = 'black',
    fill = "#7ac28d") + 
  labs(title = "Histograma de Ingresos Anuales", 
       caption = "Elaboración propia", 
       x = "Ingresos anuales en Dólares", 
       y = "#Frecuencia") + 
  scale_x_continuous(labels = label_number()) + 
  theme_classic() + 
  geom_vline(
    aes(xintercept = mean_income),
    color = "red",
    linetype = "dashed",
    size = 0.8) + 
  annotate("text", x = mean_income, y = 10, 
           label = paste("Media:", round(mean_income, 2)),
           color = "red", size = 4, hjust = -0.2, vjust = -20) +
  geom_vline(
    aes(xintercept = median_income),
    color = "blue",
    linetype = "dashed",
    size = 0.8) + 
  annotate("text", x = median_income, y = 10, 
           label = paste("Mediana:", round(median_income, 2)),
           color = "blue", size = 4, hjust = -0.2, vjust = -15)

Se puede observar un gran sesgo hacia la derecha, lo que indica que la mayor parte de los datos se concentran hacia la izquierda, es decir, valores bajos de ingresos anuales.

EL valor de ingresos anuales que más predomina es de US 13’500, esto quiere decir que 5273 (22.1%) personas obtienen esa cantidad de ingresos al año.

A partir de las medidas descriptivas se puede observar que más del 50% de estos compradores ganan más de US 735’000 al año y que 10% de ellos ganan más de US 1’690’000 anuales. En promedio, estos compradores ganan US 830’840.

price

#Resumen de variable "Precio"
Desc(car_sales$price, plotit = F)

## ------------------------------------------------------------------------------ 
## car_sales$price (integer)
## 
##      length          n        NAs     unique         0s       mean     meanCI'
##      23'906     23'906          0        870          0  28'090.25  27'902.77
##                 100.0%       0.0%                  0.0%             28'277.72
##                                                                              
##         .05        .10        .25     median        .75        .90        .95
##   12'000.00  14'000.00  18'001.00  23'000.00  34'000.00  46'001.00  61'000.00
##                                                                              
##       range         sd      vcoef        mad        IQR       skew       kurt
##   84'600.00  14'788.69       0.53   9'340.38  15'999.00       1.47       2.01
##                                                                              
## lowest : 1'200, 1'450, 1'700, 2'200, 4'200
## highest: 85'400, 85'500 (2), 85'600 (2), 85'601, 85'800
## 
## ' 95%-CI (classic)

#Histograma price
mean_price <- mean(car_sales$price)
median_price <- median(car_sales$price)

ggplot(car_sales, aes(x = price)) +
  geom_histogram(
    color = 'black',
    fill = "#70a5fa") + 
  labs(title = "Histograma de Precios", 
       caption = "Elaboración propia", 
       x = "Precio del vehículo en Dólares", 
       y = "#Frecuencia") + 
  scale_x_continuous(labels = label_number()) + 
  theme_classic() + 
  geom_vline(
    aes(xintercept = mean_price),
    color = "#1be02b",
    linetype = "dashed",
    size = 0.8) + 
  annotate("text", 
           x = mean_price, 
           y = 10, 
           label = paste("Media:", round(mean_price, 2)),
           color = "#1be02b", 
           size = 4, 
           hjust = -0.1, 
           vjust = -20) +
  geom_vline(
    aes(xintercept = median_price),
    color = "black",
    linetype = "dashed",
    size = 0.8) + 
  annotate("text", 
           x = median_price, 
           y = 10, 
           label = paste("Mediana:", round(median_price, 2)),
           color = "black", 
           size = 4, 
           hjust = 1.3, 
           vjust = -25) + 
  xlim(0,100000)

Con respecto a la variable de Precios, se puede observar igualmente un gran sesgo hacia la derecha, lo que también indica que la mayor parte de los datos se concentran hacia la izquierda, es decir, precios bajos de vehículos.

A partir de las medidas descriptivas se puede observar: el auto más costosos cuesta US 85’800 y el más econonómico cuesta US 1’200. Además que más del 50% de estos vehículos cuestan más de US 23’000 al año y que el 90% de estos cuestan menos de US 46’000. En promedio los automóviles cuestan US 28’090.25

ingresos_company

ingresos <- car_sales %>% 
  group_by(company) %>% 
  summarise(ingresos_totales = sum(price))

ingresos %>% 
  ggplot(aes(x = reorder(company, ingresos_totales),
             y = ingresos_totales,
             fill = company,
             label = ingresos_totales)) + 
  geom_col(fill = "#25d994") + 
  coord_flip() + 
  theme(legend.position = "null") + 
  labs(title = "Ingresos por compañia",
       subtitle = "Periodo Enero 2022 - Diciembre 2023",
       x = "Ingresos en Dólares",
       y = "Compañias") + 
  geom_text(position = position_stack(vjust = 1.4), color = "black") + 
  ggeasy::easy_center_title()

Las empresas que más tuvieron ingresos durante el periodo Enero 2022 - Diciembre 2023 en referencia a algunos concesionarios de Estados Unidos fueron fueron Chevrolet, Ford y Dodge.

gender

#barplot
car_sales %>% 
  ggplot(aes(x = gender, 
             fill = gender)) + 
  geom_bar() + 
  geom_text(aes(label = ..count..), 
            stat = "count", 
            vjust = -1, 
            colour = "black") + 
  ylim(0,20000) + scale_fill_manual(values = c("Female" = "red", 
                                               "Male" = "blue")) + 
  labs(x = "Géneros",
       y = "Cantidad",
       title = "Diagrama de barras de Género",
       caption = "Elaboración Propia",
       subtitle = "Compradores de autos por género") + 
  theme(legend.position = "null") + 
  ggeasy::easy_center_title()

La mayoría de los compradores son de sexo Masculino con un total de 18’798 y el sexo Femenino tiene 5’108 compradores.

boxplot_company

#box_plot
car_sales %>% 
  ggplot(aes(x = company,
             y = price,
             fill = company)) + 
  geom_boxplot() + 
  theme(legend.position = "none",
        axis.text.x = element_text(angle = 25, hjust = 1),
        panel.background = element_rect(fill = "#fafafa")) +
  labs(x = "Compañias",
       y = "Precio en Dólares",
       title = "Diagramas de caja",
       caption = "Elaboración Propia") + 
  ggeasy::easy_center_title()

Los autos más costosos que se vendieron durante el periodo Audi, Cadillac, Chevrolet, Lincoln, Mercedes Benz, Toyota y Volvo.

Los autos más económicos los tienen las compañías: Ford, Lincoln y Mercedes Benz.

boxplot, gender - price

car_sales %>% 
  ggplot(aes(x = gender,
             y = price, 
             fill = gender)) + geom_boxplot() + 
  labs(y = "Precio",
       x = "Género",
       title = "Boxplot de precios de autos por Género",
       caption = "Elaboración Propia",
       subtitle = "Precio de autos por género") + 
  theme(legend.position = "null") + 
  ggeasy::easy_center_title() + 
  scale_fill_manual(values = c("Female" = "red", 
                                               "Male" = "blue"))

A pesar de que la mayoría de los compradores son de género másculino, gráficamente no se nota diferencia alguna entre los precios de los vehículos que compran ambos géneros.

barplot_company

#barplot
car_sales %>%
  group_by(company) %>%
  count(name = "total") %>%
  ggplot(
    aes(x = reorder(company, total),
        y = total,
        fill = company,
        label = total)) +
  geom_col() +
  labs(y = "Total",
       x = "Compañía",
       title = "#Frecuencia de autos vendidos por compañía",
       caption = "Elaboración Propia") + 
  ggeasy::easy_center_title() +
  theme(legend.position = "null",
        axis.text.x = element_text(angle = 25, hjust = 1),
        panel.background = element_rect(fill = "white")) + 
  geom_text(position = position_stack(vjust = 1.1), color = "black")

En la gráfica de barras podemos observar que que la compañia de autos que más vendió durante ese periodo fue Chevrolet, con 1819 autos vendidos, seguido de Dodge con 1671, por Ford con 1614 y así con las demás compañias. La compañia que menos autos vendió durante el periodo fue Jaguar con 180 vehículos vendidos.

La compañia extranjera (que no es de Estados Unidos) que más vendió fue Volkswagen con 1333 ubicándose en la 4° posición de las compañias que más autos vendieron.

most_expensive_models

#most_value
most_value <- car_sales %>% 
  filter(price > 70000)

#df
most_expensive_models <- most_value %>% 
  group_by(company) %>% 
  summarise(model = unique(model), 
            valor = max(price)) %>% 
  arrange(desc(valor)) %>% 
  unite("cars","company","model", sep = "_") %>% 
  data.frame()

#barplot
most_expensive_models %>% 
  ggplot(aes(x = reorder(cars,valor),
             y = valor,
             label = valor,
             fill = cars)) + 
  geom_col() + 
  theme(legend.position = "null") + 
  ylim(0,100000) + coord_flip() + 
  labs(x = "Precio en Dólares",
       y = "Modelos",
       title = "Modelos más costosos",
       caption = "Elaboración Propia") + 
  geom_text(position = position_stack(vjust = 1.1), color = "black")

Los autos más costosos los tiene la compañía Cadillac con sus modelos Eldorado y Catera que cuestan cada uno US 85’800. Luego le sigue Toyota con sus modelos Tacoma y RAV4 con valores de US 85’600. Más abajo está el Audi A6 con un valor de US 85’500 y luego le siguen los Mercedes SLK230 y S-Class con un valor de US 85’250 cada uno.

engine, transmision, color

#barplot engine
bar_engine <- ggplot(car_sales,
                     aes(x = engine,
                         fill = engine)) +
  geom_bar() +
  scale_fill_manual(values = c(
    "Double Overhead Camshaft" = "#D9534F",
    "Overhead Camshaft" = "#67B249"
  )) +
  theme(legend.position = "null",
        panel.background = element_rect(fill = "#d0d0d0")) +
  geom_text(
    aes(label = ..count..),
    stat = "count",
    vjust = -1,
    colour = "black"
  ) +
  ylim(0, 15000)

#barplot transmission
bar_transmission <- ggplot(car_sales,
                           aes(x = transmission,
                               fill = transmission)) +
  geom_bar() +
  scale_fill_manual(values = c("Auto" = "#F1AC4C",
                               "Manual" = "#4A81B6")) +
  theme(legend.position = "null",
        panel.background = element_rect(fill = "#d0d0d0")) +
  geom_text(
    aes(label = ..count..),
    stat = "count",
    vjust = -1,
    colour = "black"
  ) +
  ylim(0, 15000)

#barplot color
bar_color <- ggplot(car_sales,
                    aes(x = color,
                        fill = color)) +
  geom_bar() +
  scale_fill_manual(values = c(
    "Black" = "black",
    "Pale White" = "#f6f6f6",
    "Red" = "red"
  )) +
  theme(legend.position = "null",
        panel.background = element_rect(fill = "#d0d0d0")) +
  geom_text(
    aes(label = ..count..),
    stat = "count",
    vjust = -1,
    colour = "black"
  ) +
  ylim(0,15000)

#grid
grid.arrange(bar_engine, bar_transmission, bar_color, nrow = 1)

En el conjunto de datos, los autos tienen 2 tipos de motores, los Double Overhead Camshaft presentes en 12’571 vehículos y los Overhead Camshaft presentes en 11’335 . Tenemos 2 tipos de transmisiones, los vehículos Automáticos y los Manuales, los cuales son 12’571 y 11’335 respectivamente- En el caso de los colores, tenemos 3 tipos de colores dentro del conjunto de datos, los 7’857 vehículos Black, los 11’256 autos de color Pale White y el resto de color Red, que corresponden a 4’793.

body_style

#barplot body_style
car_sales %>%
  group_by(body_style) %>%
  count(name = "total") %>%
  ggplot(aes(
    x = reorder(body_style, total),
    y = total,
    fill = body_style,
    label = total
  )) +
  geom_col() +
  labs(
    x = "Total",
    y = "Cantidad",
    title = "Tipo de Carrocería",
    caption = "Elaboración Propia"
  ) +
  theme(legend.position = "none",
        panel.background = element_rect(fill = "white")) +
  geom_text(position = position_stack(vjust = 1.15), color = "black") +
  coord_flip() +
  scale_fill_viridis_d() +
  ggeasy::easy_center_title()

En el caso el tipo de carrocería, los compradores prefieren el SUV (Todoterreno ligero) y el Hatchback (vehículo de cabina con ventana) ya que se vendieron 6’374 y 6’128 autos respectivamente, seguido de los autos tipo Sedan, de los cuales se vendieron 4’488, luego los tipo Passenger con 3’945 autos vendidos y por último los vehículos tipo Hardtop (vehículos descapotables) con 2’971 unidades vendidas.

dealer_region

#Gráfico Circular
car_sales %>%
  group_by(dealer_region) %>%
  count(name = "total") %>%
  ggplot(aes(
    x = reorder(dealer_region, total),
    y = total,
    fill = dealer_region,
    label = total,
  )) +
  geom_col() +
  geom_text(position = position_stack(vjust = 1.1),
            color = "black") + ylim(0, 5000) +
  theme(legend.position = "none",
        panel.background = element_rect(fill = "white")) +
  labs(
    title = "Barplot de Regiones de distribuidoras",
    x = "Regiones",
    y = "#Frecuencia",
    caption = "Elaboración propia"
  ) +
  ggeasy::easy_center_title() + 
  coord_flip()+ scale_fill_manual(values = c(
    "Austin" = "#D4AC0D",
    "Janesville" = "#F1C40F",
    "Scottsdale" = "#F4D03F",
    "Pasco" = "#F7DC6F",
    "Aurora" = "#F9E79F",
    "Middletown" = "#FCF3CF",
    "Greenville" = "#FEF9E7"
  ))

De acuerdo a la información de las regiones donde están ubicadas las Concesionarias de los vehículos las regiones de Pasco, Aurora, Middletown y Greenville tienen números de autos vendidos similares, con 3’131, 3’130, 3’128 y 3’128 respectivamente. En tercer puesto está la región de Scottsdale con 3’433 autos vendidos. En segundo lugar está Janesville con 3’821 y en primer lugar como la región en donde más se vendieron autos fue Austin con un total de 4’135 autos vendidos.

dealer_name

#barplot
car_sales %>%
  group_by(dealer_name) %>%
  count(name = "total") %>%
  ggplot(
    aes(x = reorder(dealer_name, total),
        y = total,
        fill = dealer_name,
        label = total)) +
  geom_col() +
  labs(x = "Total",
       y = "Frecuencia",
       title = "Cantidad de Autos vendidos por Distribuidora",
       caption = "Elaboracion Propia") + 
  theme(legend.position = "null",
        panel.background = element_rect(fill = "white")) + 
  geom_text(position = position_stack(vjust = 1.2), color = "black") + 
  coord_flip() + 
  ggeasy::easy_center_title() + 
  scale_fill_viridis_d()

En el gráfico podemos observar que 10 concesionarias tienen en promedio 1’261,7 de la cual la concesionaria que más autos vendió durante el periodo fue Progressive Shippers Cooperative Association No con un total de 1’318. Las otras 18 concesionarias vendieron en promedio 627,17. La concesionaria que menos autos vendió fue Classic Chevy.

price vs annual_income

#Scatter_plot
ggplot(car_sales, aes(y = price, x = annual_income)) + 
  geom_point(size = .5, color = "blue") + 
  scale_x_continuous(labels = label_number()) + 
  labs(x = "Ingresos anuales",
       y = "Precio de venta",
       title = "Precio de venta vs Ingresos anuales",
       caption = "Elaboración Propia") + 
  ggeasy::easy_center_title() + 
  theme(panel.background = element_rect(fill = "white"))

#correlation_coefficient
cor.test(x = car_sales$annual_income, 
         y = car_sales$price, 
         data = car_sales,
         method = "pearson")

## 
##  Pearson's product-moment correlation
## 
## data:  car_sales$annual_income and car_sales$price
## t = 1.8655, df = 23904, p-value = 0.06213
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  -0.0006116125  0.0247376544
## sample estimates:
##        cor 
## 0.01206496

A partir del diagrama de dispersión se puede notar que NO existe una correlación entre el precio del vehículo que se adquiere y los ingresos anuales de esa persona. Al realizar el test de correlación lineal, este nos arroja un valor cercano a cero, lo que nos indica que la correlación que existe entre esas dos variables es casi nula.

best_selling_models

#new_df
model <- car_sales %>% 
  select(company,model)

#conteo_por_modelo
model <- model %>% 
  group_by(company, model) %>% 
  tally()
model <- model %>% 
  arrange(desc(n))
model <- data.frame(model)

#modelos_mas_vendidos
model_most <- model %>% 
  filter(n >= 300)

#Unir columnas
model_most <- model_most %>% 
  unite("vehicle", "company", "model", sep = "_")

#Barplot
model_most %>% 
  ggplot(aes(x = reorder(vehicle, n),
             y = n,
             fill = vehicle,
             label = n)) + 
  geom_col() + 
  coord_flip() + 
  theme(legend.position = "none",
        panel.background = element_rect(fill = "white")) + 
  geom_text(position = position_stack(vjust = 1.1), 
            color = "black") + 
  scale_fill_viridis_d() + 
  labs(x = "Frecuencia",
       y = "Modelos",
       title = "Modelos más vendidos",
       caption = "Elaboración Propia") + 
  ggeasy::easy_center_title()

El modelo que más se vendió fue el Mitsubishi Diamante con un total de 418 unidades, luego le sigue el Chevrolet Prizm y el Oldsmobile Silhouette con 411 cada uno.

number_of_models

#otro_df
nmodel <- model

#df_cantidad_modelos
nmodel <- data.frame(table(nmodel$company))
nmodel <- nmodel %>% 
  rename(company = Var1,
         n = Freq)

#convertir_factor_str
nmodel$company <- as.character(nmodel$company)
str(nmodel)

## 'data.frame':    30 obs. of  2 variables:
##  $ company: chr  "Acura" "Audi" "BMW" "Buick" ...
##  $ n      : int  3 3 3 4 5 9 7 11 11 5 ...

#barplot_cantidad_modelos
ggplot(nmodel, aes(
  x = reorder(company, n),
  y = n,
  label = n
)) +
  geom_col(fill = "#FDE722") +
  coord_flip() +
  labs(
    x = "Cantidad",
    y = "Campañia",
    title = "Barplot cantidad de modelos por compañia",
    caption = "Elaboración propia"
  ) +
  ggeasy::easy_center_title() +
  theme(panel.background = element_rect(fill = "white")) +
  geom_text(position = position_stack(vjust = 1.04), color = "black")

Podemos observar que Las compañias que más modelos tienen en este conjunto de datos son Ford y Dodge con 11 modelos diferentes cada una. Luego le siguen Toyota, Mercendes Benz y Chevrolet con 9 modelos cada una.

number_models_vs_number_sold

#autos_vendidos_por_compañia
nsale <- data.frame(table(car_sales$company))

#unir_df
nsale_ncompany <- bind_cols(nsale, nmodel)

#eliminar_variable
nsale_ncompany <- nsale_ncompany %>% 
  select(-Var1)

#renombrar 
nsale_ncompany <- nsale_ncompany %>% 
  rename(numero_modelos = n,
         autos_vendidos = Freq)

#correlation_test
cor.test(x = nsale_ncompany$numero_modelos,
         y= nsale_ncompany$autos_vendidos,
         data = nsale_ncompany)

## 
##  Pearson's product-moment correlation
## 
## data:  nsale_ncompany$numero_modelos and nsale_ncompany$autos_vendidos
## t = 12.308, df = 28, p-value = 8.174e-13
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  0.8346888 0.9609209
## sample estimates:
##       cor 
## 0.9186948

#highcharter
hchart(
  nsale_ncompany,
  "scatter",
  hcaes(x = numero_modelos, y = autos_vendidos),
  regression = TRUE
  ) %>% 
  hc_add_dependency("plugins/highcharts-regression.js") %>% 
   hc_title(text = "<b>Gráfico de dispersion</b>") |>
  hc_subtitle(text 
              = "<i>Cantidad de modelos vs cantidad de autos vendidos</i>")

Al realizar el gráfico de dispersión para ver si existe una relación entre la cantidad de modelos que ofrece una compañia y el número de autos vendidos durante el periodo, podemos notar como estos siguen un patrón ascendente. Al realizar el test de correlación de Pearson este nos arroja que si existe una correlación positva bastante fuerte entre estas dos variable y el test de hipótesis lo confirma, lo que nos da indicios que a mayor número de modelos tenga la compañia para ofrecer, más autos venderá y esto tiene cierta lógica ya que si consideramos que esta diversidad de modelos corresponde a los diferentes niveles ingreso de las personas, entonces exisitrá un modelo para diferentes tipos de ingresos.

cars_solds_per_day

#Agrupando_cantidad
serie_tiempo  = car_sales %>%
  group_by(date)%>%
  summarise(Cantidad = n())

#gráfico
highchart(type = "stock") %>%
    hc_add_series(serie_tiempo, type = "line", 
                  hcaes(x = serie_tiempo$date, 
                        y = serie_tiempo$Cantidad), 
                  name = "cantidad") %>% 
  hc_xAxis(type = 'character', labels = list(format = '{value:%Y-%B-%d}'))

La serie de tiempo nos muestra el patrón de ventas de autos cada dia durante el periodo 2 de Junio de 2022 y 31 de Diciembre de 2023, en donde el día donde más se vendió autos fue el 5 de Septiembre de 2023 con un total de 190 autos.

time_serie

#new_df
car_sales_2 <- car_sales 

#asignando_fechas
car_sales_2 <- car_sales_2 %>%
  mutate(date = as.Date(date, format = "%Y-%m-%d"),
         date = as.Date(format(date, "%Y-%m-01")))

#agrupando
time_serie <- car_sales_2 %>% 
  group_by(date) %>% 
  summarise(Cantidad = n())

#gráfico
highchart(type = "stock") %>%
    hc_add_series(time_serie, type = "line", 
                  hcaes(x = time_serie$date, 
                        y = time_serie$Cantidad), 
                  name = "cantidad") %>% 
  hc_xAxis(type = 'character', labels = list(format = '{value:%Y-%B-%d}')) %>% 
  hc_title(text = "Ventas mensuales") %>% 
  hc_subtitle(text = "Periodo Enero 2022 - Diciembre 2023")

Se puede observar cierto patrón característico donde en los primeros meses del año, las ventas son bajas, y van subiendo al pasar al segundo trimestre. Luego existe un pico de ventas en el mes de septiembre luego de eso se experimenta una caida notoria de las ventas en el mes de octubre, pero nuevamente estas ventas suben en el mes de noviembre y tienen su pico máximo en diciembre.

most_expensive_cars

#grafico
most_value %>%
  group_by(company) %>%
  count(name = "total") %>%
  ggplot(
    aes(x = reorder(company, total),
        y = total,
        fill = company,
        label = total)) +
  geom_col() +
  labs(y = "Total",
       x = "Compañía",
       title = "Frecuencia de autos vendidos por compañía",
       caption = "Elaboración Propia",
       subtitle = "Autos más costosos") + 
  theme(legend.position = "null",
        panel.background = element_rect(fill = "white")) + 
  geom_text(position = position_stack(vjust = 1.1), color = "black") + 
  coord_flip()

En el gráfico de barras se puede observar que la marca de autos más costosos (por encima de los US 70’000) más vendidos es Plymouth con 88 autos, luego le sigue Cadillac con 82 y en 3° lugar está Mercedes Benz con 72 autos.

cheaper_cars

#fliter_cars
cheap_value <- car_sales %>% 
  filter(price < 14000)

#grafico
cheap_value %>%
  group_by(company) %>%
  count(name = "total") %>%
  ggplot(
    aes(x = reorder(company, total),
        y = total,
        fill = company,
        label = total)) +
  geom_col() +
  labs(y = "Total",
       x = "Compañía",
       title = "Frecuencia de autos vendidos por compañía",
       caption = "Elaboración Propia",
       subtitle = "Autos más económicos") + 
  theme(legend.position = "null",
        panel.background = element_rect(fill = "white")) + 
  geom_text(position = position_stack(vjust = 1.1), color = "black") + 
  coord_flip()

Analizando el gráfico de los autos más económicos (menos de US 14’000) se puede observar que la compañía que más ventas de estos autos realiza es Ford con 197 autos, seguido de Volkswagen y Chevrolet con 176 autos vendidos cada uno. Más abajo aparecen Nissan con 129 y Dodge y Audi con 128 cada uno.

Conclusiones

La compañía que más autos vende e ingresos tiene es Chevrolet
En promedio, los ingresos anuales de los compradores de autos son de US 830’840
En promedio, el valor de los autos vendidos es de US 28’090
El 78,6% de los compradores son de género Masculino
Los hombres y las mujeres compran autos en precios similares
Los tipos de motores venden en cantidades similares al igual que la transmisión del vehículo
El color favorito de los compradores es Pale White
Las carrocerías favoritas son SUV (Todoterrenos ligero) y Hatchback (vehículo de cabina con ventana)
Las regiones con más ventas fueron Austin y Janesville
Las concesionarias que más vendieron fueron Progressive Shippers Cooperative Association No y Rabun Used Car Sales
El modelo que más se vendió fue el Mitsubishi Diamante luego le siguen el Chevrolet Prizm y el Oldsmobile Silhouette
Las compañías con más modelos son Ford y Dodge
Se observa una correlación entre el número de autos vendidos y la cantidad de modelos que indica que a mayor cantidad de modelos existe una mayor cantidad de ventas (Nota: solo es una fuerte correlación, más no causalidad)
El día que más autos se vendieron fue el 5 de Septiembre de 2023
Los meses donde más se vendieron autos fueron en Septiembre, Noviembre y Diciembre
Las compañías que más autos de más de US 70’000 vendieron fueron Plymouth y Cadillac
Las compañías que más autos de menos de US 14’000 vendieron fueron Ford, Volkswagen y Chevrolet