Actividad 2-Hershey’s

Concepto

Una serie de tiempo es una colecciónn de observaciones

Algunos ejemplos nde serie de tiempo son: 1. Precios de acciones 2. Niveles de inventarios 3. Rotación de personal 4. ventas 5. PIB(GDP)

Más información: [Libro R FOR DATA sCIENCE (2e)] (https://r4ds.had.co.nz)

library(forecast)
## Registered S3 method overwritten by 'quantmod':
##   method            from
##   as.zoo.data.frame zoo
library(readxl)

Crear la serie de tiempo

Ejemplo: Los siguientes datos de producción trimestral inician el primer trimestre de 2020. Se busca pronosticar la producción de los siguientes 5 trimestres.

produccion <- c(50,53,55,57,55,60)

ts <- ts(data=produccion, start= c(2020,1), frequency =1)
ts
## Time Series:
## Start = 2020 
## End = 2025 
## Frequency = 1 
## [1] 50 53 55 57 55 60

Crear modelo Arima

ARIMA significa Autoregresive integrated moving average o Modelo de Autorregresivo Integrado de Promedio Móvil.

arima <- auto.arima(ts, D=1)
arima
## Series: ts 
## ARIMA(0,1,0) 
## 
## sigma^2 = 9.2:  log likelihood = -12.64
## AIC=27.29   AICc=28.62   BIC=26.89
summary(arima)
## Series: ts 
## ARIMA(0,1,0) 
## 
## sigma^2 = 9.2:  log likelihood = -12.64
## AIC=27.29   AICc=28.62   BIC=26.89
## 
## Training set error measures:
##                 ME    RMSE      MAE      MPE     MAPE      MASE       ACF1
## Training set 1.675 2.76895 2.341667 2.933747 4.145868 0.8363095 -0.5152989

Generar el pronóstico

pronostico <- forecast(arima, level=c (95), h=5)
pronostico 
##      Point Forecast    Lo 95    Hi 95
## 2026             60 54.05497 65.94503
## 2027             60 51.59246 68.40754
## 2028             60 49.70291 70.29709
## 2029             60 48.10995 71.89005
## 2030             60 46.70652 73.29348
plot(pronostico)

Actividad 2-Hershey’s

Hershey’s México empresa chocolatera con más de 100 años de historia a nivel global (fundación 1903) y establecida en México desde 1969, como una de confitería entre Hershey Food Corporation y Anderson Clayton & Co. S.A. formando Nacional de Dulces S.A. de C.V. en el Distrito Federal y después de 12 años cambiando sus instalaciones a El Salto, Jalisco e iniciando operaciones en el mes de febrero de 1981.

Fuente: Hypofutures en Pixabay, 2017

Datos proporcionados:

Ventas históricas de leche saborizada Hershey México (Miles de dólares) mensuales del 2017 al 2019.

Importar datos Lechita

library(readr)
Lechitas <- read_csv("Lechitas.csv")
## New names:
## Rows: 36 Columns: 6
## ── Column specification
## ──────────────────────────────────────────────────────── Delimiter: "," chr
## (1): Mes dbl (1): Ventas lgl (4): ...3, ...4, ...5, ...6
## ℹ Use `spec()` to retrieve the full column specification for this data. ℹ
## Specify the column types or set `show_col_types = FALSE` to quiet this message.
## • `` -> `...3`
## • `` -> `...4`
## • `` -> `...5`
## • `` -> `...6`

Crear la serie de tiempo

Ejemplo: Los siguientes datos de producción trimestral inician el primer trimestre de 2020. Se busca pronosticar la producción de los siguientes 5 trimestres.

ts1 <- ts(data = Lechitas$Ventas, start=c(2017,1),frequency = 12)
ts1
##           Jan      Feb      Mar      Apr      May      Jun      Jul      Aug
## 2017 25520.51 23740.11 26253.58 25868.43 27072.87 27150.50 27067.10 28145.25
## 2018 28463.69 26996.11 29768.20 29292.51 29950.68 30099.17 30851.26 32271.76
## 2019 32496.44 31287.28 33376.02 32949.77 34004.11 33757.89 32927.30 34324.12
##           Sep      Oct      Nov      Dec
## 2017 27546.29 28400.37 27441.98 27852.47
## 2018 31940.74 32995.93 32197.12 31984.82
## 2019 35151.28 36133.07 34799.91 34846.17

Crear modelo Arima

ARIMA significa Autoregresive integrated moving average o Modelo de Autorregresivo Integrado de Promedio Movil.

arima1 <- auto.arima(ts1)
arima1
## Series: ts1 
## ARIMA(1,0,0)(1,1,0)[12] with drift 
## 
## Coefficients:
##          ar1     sar1     drift
##       0.6383  -0.5517  288.8980
## s.e.  0.1551   0.2047   14.5025
## 
## sigma^2 = 202700:  log likelihood = -181.5
## AIC=371   AICc=373.11   BIC=375.72
summary(arima1)
## Series: ts1 
## ARIMA(1,0,0)(1,1,0)[12] with drift 
## 
## Coefficients:
##          ar1     sar1     drift
##       0.6383  -0.5517  288.8980
## s.e.  0.1551   0.2047   14.5025
## 
## sigma^2 = 202700:  log likelihood = -181.5
## AIC=371   AICc=373.11   BIC=375.72
## 
## Training set error measures:
##                    ME    RMSE      MAE        MPE      MAPE       MASE
## Training set 25.22163 343.863 227.1699 0.08059942 0.7069541 0.06491041
##                   ACF1
## Training set 0.2081043

Generar el pronóstico

pronostico1 <- forecast(arima1, level=c (95), h=12)
pronostico1 
##          Point Forecast    Lo 95    Hi 95
## Jan 2020       35498.90 34616.48 36381.32
## Feb 2020       34202.17 33155.29 35249.05
## Mar 2020       36703.01 35596.10 37809.92
## Apr 2020       36271.90 35141.44 37402.36
## May 2020       37121.98 35982.07 38261.90
## Jun 2020       37102.65 35958.91 38246.40
## Jul 2020       37151.04 36005.74 38296.35
## Aug 2020       38564.65 37418.71 39710.59
## Sep 2020       38755.23 37609.03 39901.42
## Oct 2020       39779.03 38632.73 40925.33
## Nov 2020       38741.63 37595.29 39887.97
## Dec 2020       38645.86 37499.50 39792.22
plot(pronostico1)

#Preguntas a responder

1.- Utilizando modelos ARIMA (Box-Jenkins, ARIMA, SARIMA) y los datos históricos de las ventas de leche saborizada ¿Cuál es el modelo que mejor se adapta a la serie? El mejor modelo según la función “auto.arima” es el modelo “ARIMA”.

2.- ¿Qué modelo de regresión ofrece mejor exactitud predictiva? En este contexto preciso el modelo que arroja un mejor resultado es es el Arima con un AIC de 371.

3.-Según su mejor modelo ¿Cuál es la proyección de ventas en valor monetario para el siguiente año total de Hershey´s? De acuerdo al pointForecast de Diciembre de 2020 se esperarrían ventas de $38,645,000.86.

4.- Considerando algunos imponderables establezca con los modelos construidos tres escenarios futuros (proyecciones) A (escenario esperado) , B (escenario optimista) y C (escenario pesimista).

-Escenario esperado: Se proyecta que las operaciones así como de la demanda seguirán con su tendencia positiva y su respectiva estacionalidad, lo que los permitiría hacer una bastecimiento adecuado del producto en todos los momentos del año.

-Escenario optimista: Cabe la posibilidad que gracias a la nueva estrategia de publicidad digital, basada principalmente en redes como tik tok. las ventas sufrán un incremento de forma más acelerada cambiando por completo el ritmo de crecimiento que se había pronosticado. si esta aumento no se maneja bien puede resultar en un problema de sobreinventarios y por ende una pérdida de dinero.

-Escenario pesimista: Generalmente en la economía se considera que siempre las empresas deben de estar creciendo pero no tomamos en cuenta factores externos que pueden frenar por completo la economía. estos eventos estadisticamente poco probables son llamados “Cisnes negros” y tal cual fue lo que ocurrio el 2020. una nueva enfermedad hizo temblar a las empresas mejor establecidas de cualquier industría.

5.- Con este análisis descriptivo, predictivo ¿Qué recomendaciones y medidas prescriptivas le puede dar a la compañía Hershey´s? Según el forecast, la cantidad de producción seguirá a la alza por lo que es necesario tener en cuenta que necesitan ir aumentando su stock de materías primas para poder cumplir con la demanda esperada. de igual manera hay que prestar atención a la estacionalidad de la demnada ya que en Enero se desploma las ventas mientras que en el último trimestre se disparán las ventas, por lo que hay que tener un stock más amplio cuando el final del año se acerque.

Actividad Finanzas Corporativas

## Información disponible

Con la liberería finreportr podemos obtener la siguiente información:

•⁠ ⁠CompanyInfo() = Brinda información general como Nombre, Ubicación, ZIP, etc. •⁠ ⁠AnnualReports() = Brinda el nombre, fecha y número de acceso. •⁠ ⁠GetIncome() = Brinda el Estado de Resultados. •⁠ ⁠GetBalanceSheet() = Brinda el Balance General. •⁠ ⁠GetCashFlow() = Brinda el Flujo de Efectivo. ## Se busca encontrar una variable de interés dentro de la información del estado de resultados, balance general y el flujo de efectivo de la empresa Amazon dentro de un rango de años desde 2010 hasta 2016.

library(finreportr)
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
options(HTTPUserAgent ="a a@gmail.com")
CompanyInfo("AMZN")
##          company        CIK  SIC state state.inc FY.end         street.address
## 1 AMAZON COM INC 0001018724 5961    WA        DE   1231 410 TERRY AVENUE NORTH
##         city.state
## 1 SEATTLE WA 98109
AnnualReports("AMZN")
##    filing.name filing.date         accession.no
## 1         10-K  2024-02-02 0001018724-24-000008
## 2         10-K  2023-02-03 0001018724-23-000004
## 3         10-K  2022-02-04 0001018724-22-000005
## 4         10-K  2021-02-03 0001018724-21-000004
## 5         10-K  2020-01-31 0001018724-20-000004
## 6         10-K  2019-02-01 0001018724-19-000004
## 7         10-K  2018-02-02 0001018724-18-000005
## 8         10-K  2017-02-10 0001018724-17-000011
## 9         10-K  2016-01-29 0001018724-16-000172
## 10        10-K  2015-01-30 0001018724-15-000006
## 11        10-K  2014-01-31 0001018724-14-000006
## 12        10-K  2013-01-30 0001193125-13-028520
## 13        10-K  2012-02-01 0001193125-12-032846
## 14      10-K/A  2011-02-28 0001193125-11-050136
## 15        10-K  2011-01-28 0001193125-11-016253
## 16        10-K  2010-01-29 0001193125-10-016098
## 17        10-K  2009-01-30 0001193125-09-014406
## 18        10-K  2008-02-11 0001193125-08-024707
## 19        10-K  2007-02-16 0001193125-07-034081
## 20        10-K  2006-02-17 0001193125-06-034166
## 21        10-K  2005-03-11 0001193125-05-047032
## 22        10-K  2004-02-25 0001193125-04-029488
## 23        10-K  2003-02-19 0000950149-03-000355
## 24     10-K405  2002-01-24 0001032210-02-000059
## 25     10-K405  2001-03-23 0001032210-01-500087
## 26      10-K/A  2000-09-08 0000891020-00-001638
## 27        10-K  2000-03-29 0000891020-00-000622
## 28        10-K  1999-03-05 0000891020-99-000375
## 29     10-K405  1998-03-30 0000891020-98-000448
amazon_income1 <- GetIncome("AMZN", 2013)
amazon_income2 <- GetIncome("AMZN", 2015)
amazon_income3 <- GetIncome("AMZN", 2017)
View(amazon_income2 )

Decidimos utilizar el estado de resultados ya que creemos que al mostrar información financiera en general sobre el estado de las ganancias,pérdidas y gastos de la empresa podemos llegar a comprender cómo es el negocio en el ámbito operacional.

Crear un modelo ARIMA

En este caso, se decidío crear un modelo ARIMA especificamente sobre los gastos de publicidad. Sucesivamente, se busca analizar las tendencias recurrentes de esta variable y predecir durante los próximos 3 años cuál es el pronóstico de estos gastos.

amzn_income_completo2 <- filter(amazon_income2, Metric =="Marketing Expense")
amzn_income_completo2
##              Metric Units     Amount  startDate    endDate
## 1 Marketing Expense   usd 2408000000 2012-01-01 2012-12-31
## 2 Marketing Expense   usd 3133000000 2013-01-01 2013-12-31
## 3 Marketing Expense   usd 4332000000 2014-01-01 2014-12-31

#Crear modelo de series de tiempo

Se decidio analizar la información por quartiles debido a que es una manera más sencilla de identificar patrones y tendencias, además para una mejor comparación entre distintos períodos de tiempo.

amzn_income_completo2$Amount <- as.numeric(amzn_income_completo2$Amount)
tsestado <- ts(data = amzn_income_completo2$Amount, start=c(2010,1),end=c(2016,4),frequency=4)
tsestado
##           Qtr1      Qtr2      Qtr3      Qtr4
## 2010 2.408e+09 3.133e+09 4.332e+09 2.408e+09
## 2011 3.133e+09 4.332e+09 2.408e+09 3.133e+09
## 2012 4.332e+09 2.408e+09 3.133e+09 4.332e+09
## 2013 2.408e+09 3.133e+09 4.332e+09 2.408e+09
## 2014 3.133e+09 4.332e+09 2.408e+09 3.133e+09
## 2015 4.332e+09 2.408e+09 3.133e+09 4.332e+09
## 2016 2.408e+09 3.133e+09 4.332e+09 2.408e+09

#Modelo ARIMA

arimaestado <- auto.arima(tsestado, D=1)
summary(arimaestado)
## Series: tsestado 
## ARIMA(0,0,0)(0,1,0)[4] 
## 
## sigma^2 = 1.888e+18:  log likelihood = -539.04
## AIC=1080.08   AICc=1080.26   BIC=1081.26
## 
## Training set error measures:
##                    ME       RMSE        MAE       MPE     MAPE      MASE
## Training set 438606.9 1272231675 1099867178 -8.294807 37.36253 0.8574848
##                    ACF1
## Training set -0.4692002

#Generar el pronóstico

pronosticoestado <- forecast(arimaestado,level=c(95), h=12)
pronosticoestado
##         Point Forecast       Lo 95      Hi 95
## 2017 Q1      2.408e+09  -285318350 5101318350
## 2017 Q2      3.133e+09   439681650 5826318350
## 2017 Q3      4.332e+09  1638681650 7025318350
## 2017 Q4      2.408e+09  -285318350 5101318350
## 2018 Q1      2.408e+09 -1400927338 6216927338
## 2018 Q2      3.133e+09  -675927338 6941927338
## 2018 Q3      4.332e+09   523072662 8140927338
## 2018 Q4      2.408e+09 -1400927338 6216927338
## 2019 Q1      2.408e+09 -2256964222 7072964222
## 2019 Q2      3.133e+09 -1531964222 7797964222
## 2019 Q3      4.332e+09  -332964222 8996964222
## 2019 Q4      2.408e+09 -2256964222 7072964222
plot(pronosticoestado)

#Hallazgos Predicción a 3 años:

Este análisis nos permite anticipar el comportamiento de los gastos de marketing de Amazon en los próximos 3 años, con un intervalo de confianza del 95%. Se observa una tendencia a la baja en el cuarto cuartil (Octubre-Diciembre) debido a las compras navideñas, festividades y eventos como Black Friday y Cyber Monday. La alta demanda natural en este período reduce la necesidad de inversión en marketing para Amazon, al ser una plataforma reconocida. En contraste, el primer cuartil (Enero-Marzo) presenta un aumento significativo en los gastos de marketing. Tras las festividades, los clientes compran menos, lo que afecta las ventas de Amazon. Para compensarlo, la empresa invierte más en publicidad para atraer clientes y aumentar las ventas. En resumen:

El pronóstico refleja una dinámica cíclica en los gastos de marketing de Amazon. El cuarto cuartil presenta una reducción natural por la alta demanda. El primer cuartil requiere mayor inversión publicitaria para reactivar las ventas.

---
title: "SERIES DE TIEMPO"
author: "oscar"
date: "2024-02-16"
output: 
  html_document:
   toc: TRUE
   toc_float: TRUE
   code_download: TRUE
   
---
# Actividad 2-Hershey's



![](giphy.gif)


```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE)
```

## Concepto
Una **serie de tiempo** es una colecciónn de observaciones 

Algunos ejemplos nde serie de tiempo son:
1. Precios de acciones 
2. Niveles de inventarios
3. Rotación de personal 
4. ventas
5. PIB(*GDP*)

Más información:
[Libro *R FOR DATA sCIENCE (2e)*] (https://r4ds.had.co.nz)

```{r}
library(forecast)
library(readxl)
```


## Crear la serie de tiempo
**Ejemplo: **
Los siguientes datos de producción  trimestral inician el primer trimestre de 2020.
Se busca pronosticar la producción de los siguientes 5 trimestres.
```{r}
produccion <- c(50,53,55,57,55,60)

ts <- ts(data=produccion, start= c(2020,1), frequency =1)
ts
```
## Crear modelo Arima
**ARIMA** significa *Autoregresive integrated moving average* o Modelo de Autorregresivo Integrado de Promedio Móvil.

```{r}
arima <- auto.arima(ts, D=1)
arima
summary(arima)
```
## Generar el pronóstico

```{r}
pronostico <- forecast(arima, level=c (95), h=5)
pronostico 
plot(pronostico)
```

## Actividad 2-Hershey's

Hershey’s México empresa chocolatera con más de 100 años de historia a nivel global (fundación 1903) y establecida en México desde 1969, como una de confitería entre Hershey Food Corporation y Anderson Clayton & Co. S.A. formando Nacional de Dulces S.A. de C.V. en el Distrito Federal y después de 12 años cambiando sus instalaciones a El Salto, Jalisco e iniciando operaciones en el mes de febrero de 1981.

Fuente: Hypofutures en Pixabay, 2017

Datos proporcionados:

Ventas históricas de leche saborizada Hershey México (Miles de dólares) mensuales del 2017 al 2019.

![](giphy-1.gif)

## Importar datos Lechita
```{r}
library(readr)
Lechitas <- read_csv("Lechitas.csv")
```


## Crear la serie de tiempo
**Ejemplo: **
Los siguientes datos de producción  trimestral inician el primer trimestre de 2020.
Se busca pronosticar la producción de los siguientes 5 trimestres.
```{r}
ts1 <- ts(data = Lechitas$Ventas, start=c(2017,1),frequency = 12)
ts1
```
## Crear modelo Arima
**ARIMA** significa *Autoregresive integrated moving average* o Modelo de Autorregresivo Integrado de Promedio Movil.

```{r}
arima1 <- auto.arima(ts1)
arima1
summary(arima1)
```

## Generar el pronóstico

```{r}
pronostico1 <- forecast(arima1, level=c (95), h=12)
pronostico1 
plot(pronostico1)
```

#Preguntas a responder

1.- Utilizando modelos ARIMA (Box-Jenkins, ARIMA, SARIMA) y los datos históricos de las ventas de leche saborizada ¿Cuál es el modelo que mejor se adapta a la serie? El mejor modelo según la función "auto.arima" es el modelo "ARIMA".

2.- ¿Qué modelo de regresión ofrece mejor exactitud predictiva? En este contexto preciso el modelo que arroja un mejor resultado es es el Arima con un AIC de 371.

3.-Según su mejor modelo ¿Cuál es la proyección de ventas en valor monetario para el siguiente año total de Hershey´s? De acuerdo al pointForecast de Diciembre de 2020 se esperarrían ventas de $38,645,000.86.

4.- Considerando algunos imponderables establezca con los modelos construidos tres escenarios futuros (proyecciones) A (escenario esperado) , B (escenario optimista) y C (escenario pesimista).

-Escenario esperado: Se proyecta que las operaciones así como de la demanda seguirán con su tendencia positiva y su respectiva estacionalidad, lo que los permitiría hacer una bastecimiento adecuado del producto en todos los momentos del año.

-Escenario optimista: Cabe la posibilidad que gracias a la nueva estrategia de publicidad digital, basada principalmente en redes como tik tok. las ventas sufrán un incremento de forma más acelerada cambiando por completo el ritmo de crecimiento que se había pronosticado. si esta aumento no se maneja bien puede resultar en un problema de sobreinventarios y por ende una pérdida de dinero.

-Escenario pesimista: Generalmente en la economía se considera que siempre las empresas deben de estar creciendo pero no tomamos en cuenta factores externos que pueden frenar por completo la economía. estos eventos estadisticamente poco probables son llamados "Cisnes negros" y tal cual fue lo que ocurrio el 2020. una nueva enfermedad hizo temblar a las empresas mejor establecidas de cualquier industría.

5.- Con este análisis descriptivo, predictivo ¿Qué recomendaciones y medidas prescriptivas le puede dar a la compañía Hershey´s? Según el forecast, la cantidad de producción seguirá a la alza por lo que es necesario tener en cuenta que necesitan ir aumentando su stock de materías primas para poder cumplir con la demanda esperada. de igual manera hay que prestar atención a la estacionalidad de la demnada ya que en Enero se desploma las ventas mientras que en el último trimestre se disparán las ventas, por lo que hay que tener un stock más amplio cuando el final del año se acerque.





# Actividad Finanzas Corporativas

![](https://media.giphy.com/media/v1.Y2lkPTc5MGI3NjExZmIzcWc3b2VteGZ0c2FuNXkwa2Rud2ZuNWMzeXloaHgxNGQ2b3doaiZlcD12MV9pbnRlcm5hbF9naWZfYnlfaWQmY3Q9Zw/l0IyfjTLCd31N7xHq/giphy-downsized-large.gif) 
## Información disponible

Con la liberería finreportr podemos obtener la siguiente información:

•⁠  ⁠CompanyInfo() = Brinda información general como Nombre, Ubicación, ZIP, etc.
•⁠  ⁠AnnualReports() = Brinda el nombre, fecha y número de acceso.
•⁠  ⁠GetIncome() = Brinda el Estado de Resultados.
•⁠  ⁠GetBalanceSheet() = Brinda el Balance General.
•⁠  ⁠GetCashFlow() = Brinda el Flujo de Efectivo.
## Se busca encontrar una variable de interés dentro de la información del estado de resultados, balance general y el flujo de efectivo de la empresa Amazon dentro de un rango de años desde 2010 hasta 2016.

```{r}
library(finreportr)
library(dplyr)
```


```{r}
options(HTTPUserAgent ="a a@gmail.com")
CompanyInfo("AMZN")
AnnualReports("AMZN")
amazon_income1 <- GetIncome("AMZN", 2013)
amazon_income2 <- GetIncome("AMZN", 2015)
amazon_income3 <- GetIncome("AMZN", 2017)
```
```{r}
View(amazon_income2 )
```

Decidimos utilizar el estado de resultados ya que creemos que al mostrar información financiera en general sobre el estado de las ganancias,pérdidas y gastos de la empresa podemos llegar a comprender cómo es el negocio en el ámbito operacional.

# Crear un modelo ARIMA

En este caso, se decidío crear un modelo ARIMA especificamente sobre los gastos de publicidad. Sucesivamente, se busca analizar las tendencias recurrentes de esta variable y predecir durante los próximos 3 años cuál es el pronóstico de estos gastos.

```{r}
amzn_income_completo2 <- filter(amazon_income2, Metric =="Marketing Expense")
amzn_income_completo2
```



#Crear modelo de series de tiempo

Se decidio analizar la información por quartiles debido a que es una manera más sencilla de identificar patrones y tendencias, además para una mejor comparación entre distintos períodos de tiempo.

```{r}
amzn_income_completo2$Amount <- as.numeric(amzn_income_completo2$Amount)
tsestado <- ts(data = amzn_income_completo2$Amount, start=c(2010,1),end=c(2016,4),frequency=4)
tsestado
```

#Modelo ARIMA
```{r}
arimaestado <- auto.arima(tsestado, D=1)
summary(arimaestado)
```


#Generar el pronóstico
```{r}
pronosticoestado <- forecast(arimaestado,level=c(95), h=12)
pronosticoestado
```



```{r}
plot(pronosticoestado)
```


#Hallazgos
Predicción a 3 años:

Este análisis nos permite anticipar el comportamiento de los gastos de marketing de Amazon en los próximos 3 años, con un intervalo de confianza del 95%.
Se observa una tendencia a la baja en el cuarto cuartil (Octubre-Diciembre) debido a las compras navideñas, festividades y eventos como Black Friday y Cyber Monday.
La alta demanda natural en este período reduce la necesidad de inversión en marketing para Amazon, al ser una plataforma reconocida.
En contraste, el primer cuartil (Enero-Marzo) presenta un aumento significativo en los gastos de marketing.
Tras las festividades, los clientes compran menos, lo que afecta las ventas de Amazon.
Para compensarlo, la empresa invierte más en publicidad para atraer clientes y aumentar las ventas.
En resumen:

El pronóstico refleja una dinámica cíclica en los gastos de marketing de Amazon.
El cuarto cuartil presenta una reducción natural por la alta demanda.
El primer cuartil requiere mayor inversión publicitaria para reactivar las ventas.








