Instalar Paquetes y Llamar Librerías

# install.packages("readxl") #Leer documentos de excel
library(readxl)
# install.packages("tidyverse") #Manipulación de datos
library(tidyverse)
# install.packages("ggplot2") #Generar gráficos presentables
library(ggplot2)
# install.packages("forecast") #Generar gráficos presentables
library(forecast)

Actividad Individual 2

Importar la base de datos

# file.choose()
df<-read_excel("/Users/ricardoguzman/Documents/Tec de Mty/8vo Semestre/Bootcamp programación/Datos Arca Continental Original.xlsx")

Revisar la estructura de los datos

str(df)
## tibble [466,509 × 25] (S3: tbl_df/tbl/data.frame)
##  $ ID                  : num [1:466509] 1 2 3 4 5 6 7 8 9 10 ...
##  $ Año                 : num [1:466509] 2016 2016 2016 2016 2016 ...
##  $ Territorio          : chr [1:466509] "Guadalajara" "Guadalajara" "Guadalajara" "Guadalajara" ...
##  $ Sub Territorio      : chr [1:466509] "Belenes" "Belenes" "Belenes" "Belenes" ...
##  $ CEDI                : chr [1:466509] "Suc. Belenes" "Suc. Belenes" "Suc. Belenes" "Suc. Belenes" ...
##  $ Cliente             : chr [1:466509] "77737" "77737" "77737" "77737" ...
##  $ Nombre              : chr [1:466509] "ABARR" "ABARR" "ABARR" "ABARR" ...
##  $ Tamaño Cte Industria: chr [1:466509] "Extra Grande" "Extra Grande" "Extra Grande" "Extra Grande" ...
##  $ Segmento Det        : chr [1:466509] "Agua Mineral" "Agua Purificada" "Agua Purificada" "Agua Saborizada" ...
##  $ Marca               : chr [1:466509] "Topo Chico A.M." "Ciel Agua Purificada" "Ciel Agua Purificada" "Ciel Exprim" ...
##  $ Presentacion        : chr [1:466509] "600 ml NR" "1 Ltro. N.R." "1.5 Lts. NR" "600 ml NR" ...
##  $ Tamaño              : chr [1:466509] "Individual" "Individual" "Individual" "Individual" ...
##  $ Retornable_NR       : chr [1:466509] "No Retornable" "No Retornable" "No Retornable" "No Retornable" ...
##  $ Enero               : num [1:466509] NA NA NA NA NA NA 1 NA 3 NA ...
##  $ Febrero             : num [1:466509] NA 2 NA NA NA NA NA 1 3 NA ...
##  $ Marzo               : num [1:466509] NA 8 3 NA NA 1 NA NA 4 NA ...
##  $ Abril               : num [1:466509] NA 4 6 NA NA NA NA 1 4 NA ...
##  $ Mayo                : num [1:466509] NA 4 3 NA NA NA 0 NA 4 NA ...
##  $ Junio               : num [1:466509] NA 2 3 NA NA NA NA 1 4 0 ...
##  $ Julio               : num [1:466509] NA 2 3 NA NA NA 0 NA 4 NA ...
##  $ Agosto              : num [1:466509] NA 2 3 NA NA NA NA 1 7 NA ...
##  $ Septiembre          : num [1:466509] NA 2 3 NA NA NA NA 1 4 NA ...
##  $ Octubre             : num [1:466509] NA 2 3 NA NA NA 0 NA 3 NA ...
##  $ Noviembre           : num [1:466509] NA 4 3 NA 0 NA NA NA 1 NA ...
##  $ Diciembre           : num [1:466509] 1 2 3 1 NA NA NA NA 3 NA ...

Revisar NAs en la base de datos

# ¿Cuántos NAs tengo en la base de datos?
sum(is.na(df))
## [1] 3148501
# ¿Cuántos NAs 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               233480               231213 
##                Marzo                Abril                 Mayo 
##               227420               224057               216910 
##                Junio                Julio               Agosto 
##               215753               223411               220242 
##           Septiembre              Octubre            Noviembre 
##               337314               338386               338460 
##            Diciembre 
##               341855
# Opción 1. Eliminar NAs
# df <- na.omit(df)

# Opción 2. Reemplazar NAs con CEROS
df1 <- df
df1[is.na(df1)] <-0
sum(is.na(df1))
## [1] 0
# Opción 3. Reemplazar NAs con PROMEDIO
# df1 <- df
# df1$Enero[is.na(df1$Enero)] <- mean(df1¢Enero, na.rm=TRUE)

Detectar valores atípicos

boxplot(df1$Enero)

# Eliminar renglón de los totales
df1<-df1[df1$Enero <6000,]
boxplot(df1$Enero)

Funciones del paquete dplyr

# Adecuar nombres con gsub
names(df1) <- gsub(" ", "_", names(df1))

# Muestra las ventas de Enero a Junio por CEDI
df2 <- select(df1,c(CEDI,Enero:Junio))

# Muestra los movimientos por CEDI y tamaño de tienda grande
df3 <- df1 %>% filter(Tamaño_Cte_Industria== "Grande")

# Ordena la base de datos por Cedi, por marca y por presentación:
df4 <- df1 %>% arrange (CEDI, Marca, Presentacion)

# Agrega un campo calculado con las ventas del primer semestre y muestra las ventas del primer semestre por marca
df5<- df1 %>% mutate (Ventas_Sem1 = Enero + Febrero + Marzo + Abril + Mayo + Junio)

ventas_sem1_por_marca <- df5 %>% 
  group_by(Marca) %>%
  summarise(Ventas_Sem1=sum(Ventas_Sem1))

#Obtén la media de las ventas del primer semestre agrupado por marca, presentación y tamaño
df6 <- df5 %>%
  group_by(Marca, Presentacion, Tamaño) %>%
  summarise(Ventas_Sem1=mean(Ventas_Sem1))

# Calcular medidas de tendencia central
summary(df1)
##        ID              Año        Territorio        Sub_Territorio    
##  Min.   :     1   Min.   :2016   Length:466508      Length:466508     
##  1st Qu.:116628   1st Qu.:2017   Class :character   Class :character  
##  Median :233256   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: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.   : -19.000   Min.   : -11.000   Min.   : -32.000  
##  Class :character   1st Qu.:   0.000   1st Qu.:   0.000   1st Qu.:   0.000  
##  Mode  :character   Median :   0.000   Median :   0.000   Median :   0.000  
##                     Mean   :   4.951   Mean   :   4.829   Mean   :   5.729  
##                     3rd Qu.:   2.000   3rd Qu.:   2.000   3rd Qu.:   3.000  
##                     Max.   :5333.000   Max.   :4995.000   Max.   :5636.000  
##      Abril               Mayo             Junio              Julio         
##  Min.   : -70.000   Min.   :-106.00   Min.   :-211.000   Min.   : -60.000  
##  1st Qu.:   0.000   1st Qu.:   0.00   1st Qu.:   0.000   1st Qu.:   0.000  
##  Median :   0.000   Median :   0.00   Median :   0.000   Median :   0.000  
##  Mean   :   5.992   Mean   :   6.73   Mean   :   6.464   Mean   :   6.033  
##  3rd Qu.:   3.000   3rd Qu.:   3.00   3rd Qu.:   3.000   3rd Qu.:   3.000  
##  Max.   :6164.000   Max.   :6759.00   Max.   :6033.000   Max.   :6735.000  
##      Agosto           Septiembre          Octubre           Noviembre      
##  Min.   :-211.000   Min.   :-527.000   Min.   : -38.000   Min.   : -25.00  
##  1st Qu.:   0.000   1st Qu.:   0.000   1st Qu.:   0.000   1st Qu.:   0.00  
##  Median :   0.000   Median :   0.000   Median :   0.000   Median :   0.00  
##  Mean   :   6.235   Mean   :   3.625   Mean   :   3.674   Mean   :   3.57  
##  3rd Qu.:   3.000   3rd Qu.:   1.000   3rd Qu.:   1.000   3rd Qu.:   1.00  
##  Max.   :6065.000   Max.   :6509.000   Max.   :6326.000   Max.   :5319.00  
##    Diciembre       
##  Min.   : -28.000  
##  1st Qu.:   0.000  
##  Median :   0.000  
##  Mean   :   3.858  
##  3rd Qu.:   0.000  
##  Max.   :6182.000
# Colapsar meses en una columna
df7 <- gather(df1, Mes, Ventas, Enero:Diciembre)

Tarea Colaborativa 2

#Uso de SELECT
#Se desea seleccionar Sub Territoriio, Segmento Det y Marca. Al seleccionarlas implica entender el contexto, poder evaluar la relevancia y calidad de los datos, considerar variables relacionadas para realizar el analisis adecuado.
datos_1 <- df %>%
  select(`Sub Territorio`, `Segmento Det`, Marca)
print(datos_1)
## # A tibble: 466,509 × 3
##    `Sub Territorio` `Segmento Det`   Marca               
##    <chr>            <chr>            <chr>               
##  1 Belenes          Agua Mineral     Topo Chico A.M.     
##  2 Belenes          Agua Purificada  Ciel Agua Purificada
##  3 Belenes          Agua Purificada  Ciel Agua Purificada
##  4 Belenes          Agua Saborizada  Ciel Exprim         
##  5 Belenes          Agua Saborizada  Ciel Mini           
##  6 Belenes          Agua Saborizada  Ciel Saborizada     
##  7 Belenes          Bebidas de Fruta Delaware Punch      
##  8 Belenes          Bebidas de Fruta Delaware Punch      
##  9 Belenes          Bebidas de Fruta Frutsi              
## 10 Belenes          Bebidas de Fruta Pulpy               
## # ℹ 466,499 more rows
# Cantidad de distribuciòn de distintas Marcas por sub Territorio
# Se desea identificar cantidad de ventas en los distintos productos por sub territorio, de las distintas marcas en los diversos territorios. Esto con una grafica para visualizar de mejor manera.

grafico <- ggplot(datos_1, aes(x = `Sub Territorio`, fill = Marca)) +
  geom_bar(position = "dodge") +
  labs(title = "Ventas de distintas Marcas por Sub Territorio",
       x = "Sub Territorio",
       y = "Cantidad") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

# Visualizar gráfico
print(grafico)

# Filtrar territorios con consumo de "Coca-Cola" mayor que 5, en el  mes de Enero
#Se sabe que en Mèxico es de los principales paises que consumen una mayor cantidad de Coca-Cola, por lo cual se desa manipularlos datos del producto Coca cola en el mes de Enero

datos_2 <- df %>%
  filter(Marca == "Coca-Cola" & Enero> 5)

# Visualizar resultado
print(datos_2)
## # A tibble: 37,763 × 25
##       ID   Año Territorio  `Sub Territorio` CEDI         Cliente Nombre
##    <dbl> <dbl> <chr>       <chr>            <chr>        <chr>   <chr> 
##  1    20  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
##  2    22  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
##  3    23  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
##  4    26  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
##  5    27  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
##  6    28  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
##  7    29  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
##  8    30  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
##  9    33  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
## 10   114  2016 Guadalajara Belenes          Suc. Belenes 77796   MARIA 
## # ℹ 37,753 more rows
## # ℹ 18 more variables: `Tamaño Cte Industria` <chr>, `Segmento Det` <chr>,
## #   Marca <chr>, Presentacion <chr>, Tamaño <chr>, Retornable_NR <chr>,
## #   Enero <dbl>, Febrero <dbl>, Marzo <dbl>, Abril <dbl>, Mayo <dbl>,
## #   Junio <dbl>, Julio <dbl>, Agosto <dbl>, Septiembre <dbl>, Octubre <dbl>,
## #   Noviembre <dbl>, Diciembre <dbl>
# Uso de arrange
#Seleccionar solo las columnas de enero a mayo y ordenar los datos por el consumo de "Burn" en el territorio "Guadalajara"
datos_3 <- df %>%
  filter(Territorio == "Guadalajara" & Marca == "Burn") %>%
  select(Territorio, Marca, Enero:Mayo) %>%
  arrange(desc(Enero))

# Mostrar el resultado
print(datos_3)
## # A tibble: 3,591 × 7
##    Territorio  Marca Enero Febrero Marzo Abril  Mayo
##    <chr>       <chr> <dbl>   <dbl> <dbl> <dbl> <dbl>
##  1 Guadalajara Burn      6      NA    NA    NA    NA
##  2 Guadalajara Burn      5       4     3     2     3
##  3 Guadalajara Burn      5       3     3     6     4
##  4 Guadalajara Burn      5       4     8    10     5
##  5 Guadalajara Burn      4      NA     3     4     3
##  6 Guadalajara Burn      4      NA    NA     2     3
##  7 Guadalajara Burn      4       2     3     1     4
##  8 Guadalajara Burn      3       1     2     4     3
##  9 Guadalajara Burn      3       1     1     4     2
## 10 Guadalajara Burn      3       3     3     3     1
## # ℹ 3,581 more rows
# Uso de group_by() & summarise()
#Agrega un campo calculado con las ventas del primer semestre y muestra  las ventas del primer semestre por marca:
datos_4 <- df %>% mutate(ventas_Sem1 = Enero + Febrero + Marzo + Abril + Mayo + Junio)

ventas_sem1_por_marca <- datos_4 %>%
  group_by(Marca) %>%
  summarise(ventas_sem1=sum(ventas_Sem1))
print(datos_4)
## # A tibble: 466,509 × 26
##       ID   Año Territorio  `Sub Territorio` CEDI         Cliente Nombre
##    <dbl> <dbl> <chr>       <chr>            <chr>        <chr>   <chr> 
##  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 
##  7     7  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
##  8     8  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
##  9     9  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
## 10    10  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
## # ℹ 466,499 more rows
## # ℹ 19 more variables: `Tamaño Cte Industria` <chr>, `Segmento Det` <chr>,
## #   Marca <chr>, Presentacion <chr>, Tamaño <chr>, Retornable_NR <chr>,
## #   Enero <dbl>, Febrero <dbl>, Marzo <dbl>, Abril <dbl>, Mayo <dbl>,
## #   Junio <dbl>, Julio <dbl>, Agosto <dbl>, Septiembre <dbl>, Octubre <dbl>,
## #   Noviembre <dbl>, Diciembre <dbl>, ventas_Sem1 <dbl>

Actividad Individual 3

# Agregar una columna con el número del mes
meses <- c("Enero"="01", "Febrero"="02", "Marzo"="03", "Abril"="04", "Mayo"="05", "Junio"="06", "Julio"="07", "Agosto"="08", "Septiembre"="09", "Octubre"="10", "Noviembre"="11", "Diciembre"="12")

df7$Número_de_mes <- meses[df7$Mes]

#Graficar el total de ventas por mes y año

ventas_totales <- df7 %>%
  group_by(Año, Número_de_mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Número_de_mes)
## `summarise()` has grouped output by 'Año'. You can override using the `.groups`
## argument.
ggplot(ventas_totales, aes(x=Número_de_mes, y=Ventas_Totales,group=Año, color= as.factor(Año))) +
  geom_line() +
  geom_point() +
  labs(x="Mes", y= "Ventas Totales(Qty)", color = "Año")

Tarea Colaborativa 3

# 1.¿Se ha incrementado la venta de productos en envases retornables en los últimos dos años?

ventas_totales_er <- df7 %>%
    filter(Retornable_NR == "Retornable") %>%
  group_by(Año, Número_de_mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Número_de_mes)
## `summarise()` has grouped output by 'Año'. You can override using the `.groups`
## argument.
ggplot(ventas_totales_er, aes(x=Número_de_mes, y=Ventas_Totales,group=Año, color= as.factor(Año))) +
  geom_line() +
  geom_point() +
  labs(x="Mes", y= "Ventas Totales(Qty)", title = "Ventas totales de productos en envases retornables", color = "Año")

# 2.¿Se ha incrementado la venta de productos en envases retornables en los últimos dos años?

ventas_totales_er <- df7 %>%
    filter(Segmento_Det == "Agua Purificada" | Segmento_Det == "Colas Regular" | Segmento_Det == "Isotónicos Regular") %>%
  filter(Año==2018) %>%
  group_by(Segmento_Det, Número_de_mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Número_de_mes)
## `summarise()` has grouped output by 'Segmento_Det'. You can override using the
## `.groups` argument.
ggplot(ventas_totales_er, aes(x=Número_de_mes, y=Ventas_Totales,group=Segmento_Det, color= as.factor(Segmento_Det))) +
  geom_line() +
  geom_point() +
  labs(x="Mes", y= "Ventas Totales(Qty)", title = "Ventas totales por segmento", color = "Segmento")

# 3.¿Puede decirse que la venta mensual de agua está relacionada con la venta mensual de refrescos en los últimos 4 años?

ventas_totales_er <- df7 %>%
    filter(Segmento_Det == "Agua Purificada" | Segmento_Det == "Colas Regular") %>%
  group_by(Segmento_Det, Año) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Año)
## `summarise()` has grouped output by 'Segmento_Det'. You can override using the
## `.groups` argument.
ggplot(ventas_totales_er, aes(x=Año, y=Ventas_Totales,group=Segmento_Det, color= as.factor(Segmento_Det))) +
  geom_col() +
  labs(x="Producto", y= "Ventas Totales últimos 4 años", title = "Agua vs Refresco", color = "Segmento")

# 4.¿Cuál es el comportamiento observado de las unidades vendidas por mes de cada una de las marcas, independientemente de sus respectivas presentaciones?

ventas_totales_er <- df7 %>%
  filter(Marca == "Ciel Agua Purificada" | Marca == "Coca-Cola" | Marca == "Powerade" | Marca == "Sprite Zero" | Marca == "Fanta" | Marca == "Fresca" | Marca == "Manzana Lift") %>%
  group_by(Marca, Número_de_mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Número_de_mes)
## `summarise()` has grouped output by 'Marca'. You can override using the
## `.groups` argument.
ggplot(ventas_totales_er, aes(x=Número_de_mes, y=Ventas_Totales,group=Marca, color= as.factor(Marca))) +
  geom_col() +
  labs(x="Mes", y= "Ventas Totales", title = "Unidades vendidas por mes de cada una de las marcas", color = "Marca")

# 5.¿El incremento en las ventas es similar entre los diferentes tamaños de clientes?

ventas_totales_er <- df7 %>%
  group_by(Tamaño_Cte_Industria, Año) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Año)
## `summarise()` has grouped output by 'Tamaño_Cte_Industria'. You can override
## using the `.groups` argument.
ggplot(ventas_totales_er, aes(x=Año, y=Ventas_Totales,group=Tamaño_Cte_Industria, color= as.factor(Tamaño_Cte_Industria))) +
  geom_area() +
  labs(x="Año", y= "Incremento de Ventas Totales", title = "Ventas entre los diferentes tamaños de clientes", color = "Tamaño de la industria")

Actividad Individual 4

# Elaborar Regresión Lineal

ventas_4567 <- df7 %>%
  filter(Cliente == "4567") %>%
  group_by(Año) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  filter(Ventas_Totales != 0)

#Vnetas_4567$Secuencia <- 1:nrow(ventas_4567)

ggplot(ventas_4567, aes(x=Año, y=Ventas_Totales)) +
  geom_point() +
  labs(x="Año", y="Ventas Totales (QTY)", title="Ventas totales del cliente 4567")

regresion <- lm(Ventas_Totales ~ Año, data=ventas_4567)
summary(regresion)
## 
## Call:
## lm(formula = Ventas_Totales ~ Año, data = ventas_4567)
## 
## Residuals:
##     1     2     3 
## -5092 10185 -5092 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)
## (Intercept) 48918677   17799125   2.748    0.222
## Año           -24174       8820  -2.741    0.223
## 
## Residual standard error: 12470 on 1 degrees of freedom
## Multiple R-squared:  0.8825, Adjusted R-squared:  0.765 
## F-statistic: 7.512 on 1 and 1 DF,  p-value: 0.2227
# Ecuación
# y = 48918677 - 24174 * Año

# R cuadrada ajustado
# 77%

datos <- data.frame(Año=2020:2025)
prediccion <- predict(regresion,datos)
prediccion
##          1          2          3          4          5          6 
##  87197.333  63023.333  38849.333  14675.333  -9498.667 -33672.667
ventas_4567$Tipo_de_Dato <- "Datos Reales"
datos$Ventas_Totales <- prediccion
datos$Tipo_de_Dato <- "Predicción"

datos_combinados <- rbind(ventas_4567, datos)

ggplot(datos_combinados, aes(x=Año, y=Ventas_Totales, color=Tipo_de_Dato)) +
  geom_point() +
  labs(x="Año", y="Ventas Totales (QTY)", title="Pronóstico a 5 años de Ventas del Cliente 4567")

Tarea Colaborativa 4

# VENTAS CLIENTE 77737
ventas_77737 <- df7 %>%
  filter(Cliente == "77737") %>%
  group_by(Año) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  filter(Ventas_Totales != 0)

ggplot(ventas_77737, aes(x=Año, y=Ventas_Totales)) +
  geom_point() +
  labs(x="Año", y="Ventas Totales (QTY)", title="Ventas totales del cliente 77737")

regresion <- lm(Ventas_Totales ~ Año, data=ventas_77737)
summary(regresion)
## 
## Call:
## lm(formula = Ventas_Totales ~ Año, data = ventas_77737)
## 
## Residuals:
## ALL 1 residuals are 0: no residual degrees of freedom!
## 
## Coefficients: (1 not defined because of singularities)
##             Estimate Std. Error t value Pr(>|t|)
## (Intercept)     5177        NaN     NaN      NaN
## Año               NA         NA      NA       NA
## 
## Residual standard error: NaN on 0 degrees of freedom
datos <- data.frame(Año=2020:2025)
prediccion <- predict(regresion,datos)
## Warning in predict.lm(regresion, datos): prediction from rank-deficient fit;
## attr(*, "non-estim") has doubtful cases
prediccion
##    1    2    3    4    5    6 
## 5177 5177 5177 5177 5177 5177 
## attr(,"non-estim")
## 2 3 4 5 6 
## 2 3 4 5 6
ventas_77737$Tipo_de_Dato <- "Datos Reales"
datos$Ventas_Totales <- prediccion
datos$Tipo_de_Dato <- "Predicción"

datos_combinados <- rbind(ventas_77737, datos)

ggplot(datos_combinados, aes(x=Año, y=Ventas_Totales, color=Tipo_de_Dato)) +
  geom_point() +
  labs(x="Año", y="Ventas Totales (QTY)", title="Pronóstico a 5 años de Ventas del Cliente 77737")

# VENTAS MARCA FRESCA
ventas_Fresca <- df7 %>%
  filter(Marca == "Fresca") %>%
  group_by(Año) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  filter(Ventas_Totales != 0)

ggplot(ventas_Fresca, aes(x=Año, y=Ventas_Totales)) +
  geom_point() +
  labs(x="Año", y="Ventas Totales (QTY)", title="Ventas de la marca Fresca")

regresion <- lm(Ventas_Totales ~ Año, data=ventas_Fresca)
summary(regresion)
## 
## Call:
## lm(formula = Ventas_Totales ~ Año, data = ventas_Fresca)
## 
## Residuals:
##     1     2     3     4 
##  7826 -8378 -6720  7273 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)  
## (Intercept) -45583564    9664879  -4.716   0.0421 *
## Año             22640       4790   4.726   0.0420 *
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 10710 on 2 degrees of freedom
## Multiple R-squared:  0.9178, Adjusted R-squared:  0.8767 
## F-statistic: 22.33 on 1 and 2 DF,  p-value: 0.04198
datos <- data.frame(Año=2020:2026)
prediccion <- predict(regresion,datos)
prediccion
##        1        2        3        4        5        6        7 
## 148225.5 170865.0 193504.5 216144.0 238783.5 261423.0 284062.5
ventas_Fresca$Tipo_de_Dato <- "Datos Reales"
datos$Ventas_Totales <- prediccion
datos$Tipo_de_Dato <- "Predicción"

datos_combinados <- rbind(ventas_Fresca, datos)

ggplot(datos_combinados, aes(x=Año, y=Ventas_Totales, color=Tipo_de_Dato)) +
  geom_point() +
  labs(x="Año", y="Ventas Totales (QTY)", title="Pronóstico de Ventas de la marca Fresca")

# VENTAS ENVASE RETORNABLE
ventas_retornable <- df7 %>%
  filter(Retornable_NR == "Retornable") %>%
  group_by(Año) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  filter(Ventas_Totales != 0)

ggplot(ventas_retornable, aes(x=Año, y=Ventas_Totales)) +
  geom_point() +
  labs(x="Año", y="Ventas Totales (QTY)", title="Ventas de envases retornables")

regresion <- lm(Ventas_Totales ~ Año, data=ventas_retornable)
summary(regresion)
## 
## Call:
## lm(formula = Ventas_Totales ~ Año, data = ventas_retornable)
## 
## Residuals:
##       1       2       3       4 
##  109331   44624 -417242  263287 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)
## (Intercept) -570704711  323653328  -1.763    0.220
## Año             284679     160423   1.775    0.218
## 
## Residual standard error: 358700 on 2 degrees of freedom
## Multiple R-squared:  0.6116, Adjusted R-squared:  0.4174 
## F-statistic: 3.149 on 1 and 2 DF,  p-value: 0.218
datos <- data.frame(Año=2020:2030)
prediccion <- predict(regresion,datos)
prediccion
##       1       2       3       4       5       6       7       8       9      10 
## 4346061 4630740 4915418 5200097 5484775 5769454 6054133 6338811 6623490 6908168 
##      11 
## 7192847
ventas_retornable$Tipo_de_Dato <- "Datos Reales"
datos$Ventas_Totales <- prediccion
datos$Tipo_de_Dato <- "Predicción"

datos_combinados <- rbind(ventas_retornable, datos)

ggplot(datos_combinados, aes(x=Año, y=Ventas_Totales, color=Tipo_de_Dato)) +
  geom_point() +
  labs(x="Año", y="Ventas Totales (QTY)", title="Pronóstico de Ventas de envases retornables")

#VENTAS TOTALES
ventas_entotal <- df7 %>%
  group_by(Año) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  filter(Ventas_Totales != 0)

ggplot(ventas_entotal, aes(x=Año, y=Ventas_Totales)) +
  geom_area() +
  labs(x="Año", y="Ventas Totales (QTY)", title="Ventas Totales de Arca Continental")

regresion <- lm(Ventas_Totales ~ Año, data=ventas_entotal)
summary(regresion)
## 
## Call:
## lm(formula = Ventas_Totales ~ Año, data = ventas_entotal)
## 
## Residuals:
##       1       2       3       4 
##   98787  151376 -599113  348950 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)  
## (Intercept) -1.398e+09  4.571e+08  -3.058   0.0924 .
## Año          6.964e+05  2.266e+05   3.073   0.0916 .
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 506600 on 2 degrees of freedom
## Multiple R-squared:  0.8253, Adjusted R-squared:  0.7379 
## F-statistic: 9.446 on 1 and 2 DF,  p-value: 0.09156
datos <- data.frame(Año=2020:2028)
prediccion <- predict(regresion,datos)
prediccion
##        1        2        3        4        5        6        7        8 
##  8935914  9632299 10328684 11025068 11721453 12417837 13114222 13810607 
##        9 
## 14506991
ventas_entotal$Tipo_de_Dato <- "Datos Reales"
datos$Ventas_Totales <- prediccion
datos$Tipo_de_Dato <- "Predicción"

datos_combinados <- rbind(ventas_entotal, datos)

ggplot(datos_combinados, aes(x=Año, y=Ventas_Totales, color=Tipo_de_Dato)) +
  geom_area() +
  labs(x="Año", y="Ventas Totales (QTY)", title="Pronóstico de Ventas Totales de Arca Continental")

#VENTAS DE PRESENTACIÓN TAMAÑO "REGULAR"
ventas_familiar <- df7 %>%
  filter(Tamaño == "Familiar") %>%
  group_by(Año) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  filter(Ventas_Totales != 0)

ggplot(ventas_familiar, aes(x=Año, y=Ventas_Totales)) +
  geom_smooth() +
  labs(x="Año", y="Ventas Totales (QTY)", title="Ventas de producto en presentación Familiar")
## `geom_smooth()` using method = 'loess' and formula = 'y ~ x'
## Warning in simpleLoess(y, x, w, span, degree = degree, parametric = parametric,
## : span too small.  fewer data values than degrees of freedom.
## Warning in simpleLoess(y, x, w, span, degree = degree, parametric = parametric,
## : pseudoinverse used at 2016
## Warning in simpleLoess(y, x, w, span, degree = degree, parametric = parametric,
## : neighborhood radius 2.015
## Warning in simpleLoess(y, x, w, span, degree = degree, parametric = parametric,
## : reciprocal condition number 0
## Warning in simpleLoess(y, x, w, span, degree = degree, parametric = parametric,
## : There are other near singularities as well. 4.0602
## Warning in predLoess(object$y, object$x, newx = if (is.null(newdata)) object$x
## else if (is.data.frame(newdata))
## as.matrix(model.frame(delete.response(terms(object)), : span too small.  fewer
## data values than degrees of freedom.
## Warning in predLoess(object$y, object$x, newx = if (is.null(newdata)) object$x
## else if (is.data.frame(newdata))
## as.matrix(model.frame(delete.response(terms(object)), : pseudoinverse used at
## 2016
## Warning in predLoess(object$y, object$x, newx = if (is.null(newdata)) object$x
## else if (is.data.frame(newdata))
## as.matrix(model.frame(delete.response(terms(object)), : neighborhood radius
## 2.015
## Warning in predLoess(object$y, object$x, newx = if (is.null(newdata)) object$x
## else if (is.data.frame(newdata))
## as.matrix(model.frame(delete.response(terms(object)), : reciprocal condition
## number 0
## Warning in predLoess(object$y, object$x, newx = if (is.null(newdata)) object$x
## else if (is.data.frame(newdata))
## as.matrix(model.frame(delete.response(terms(object)), : There are other near
## singularities as well. 4.0602
## Warning in max(ids, na.rm = TRUE): no non-missing arguments to max; returning
## -Inf

regresion <- lm(Ventas_Totales ~ Año, data=ventas_familiar)
summary(regresion)
## 
## Call:
## lm(formula = Ventas_Totales ~ Año, data = ventas_familiar)
## 
## Residuals:
##       1       2       3       4 
##   77442  102187 -436701  257071 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)
## (Intercept) -737171540  333487802  -2.210    0.158
## Año             367345     165298   2.222    0.156
## 
## Residual standard error: 369600 on 2 degrees of freedom
## Multiple R-squared:  0.7118, Adjusted R-squared:  0.5676 
## F-statistic: 4.939 on 1 and 2 DF,  p-value: 0.1563
datos <- data.frame(Año=2020:2025)
prediccion <- predict(regresion,datos)
prediccion
##       1       2       3       4       5       6 
## 4865158 5232502 5599847 5967192 6334537 6701882
ventas_familiar$Tipo_de_Dato <- "Datos Reales"
datos$Ventas_Totales <- prediccion
datos$Tipo_de_Dato <- "Predicción"

datos_combinados <- rbind(ventas_familiar, datos)

ggplot(datos_combinados, aes(x=Año, y=Ventas_Totales, color=Tipo_de_Dato)) +
  geom_smooth() +
  labs(x="Año", y="Ventas Totales (QTY)", title="Pronóstico de Ventas de producto en presentación Familiar")
## `geom_smooth()` using method = 'loess' and formula = 'y ~ x'
## Warning in simpleLoess(y, x, w, span, degree = degree, parametric = parametric,
## : span too small.  fewer data values than degrees of freedom.
## Warning in simpleLoess(y, x, w, span, degree = degree, parametric = parametric,
## : pseudoinverse used at 2016
## Warning in simpleLoess(y, x, w, span, degree = degree, parametric = parametric,
## : neighborhood radius 2.015
## Warning in simpleLoess(y, x, w, span, degree = degree, parametric = parametric,
## : reciprocal condition number 0
## Warning in simpleLoess(y, x, w, span, degree = degree, parametric = parametric,
## : There are other near singularities as well. 4.0602
## Warning in predLoess(object$y, object$x, newx = if (is.null(newdata)) object$x
## else if (is.data.frame(newdata))
## as.matrix(model.frame(delete.response(terms(object)), : span too small.  fewer
## data values than degrees of freedom.
## Warning in predLoess(object$y, object$x, newx = if (is.null(newdata)) object$x
## else if (is.data.frame(newdata))
## as.matrix(model.frame(delete.response(terms(object)), : pseudoinverse used at
## 2016
## Warning in predLoess(object$y, object$x, newx = if (is.null(newdata)) object$x
## else if (is.data.frame(newdata))
## as.matrix(model.frame(delete.response(terms(object)), : neighborhood radius
## 2.015
## Warning in predLoess(object$y, object$x, newx = if (is.null(newdata)) object$x
## else if (is.data.frame(newdata))
## as.matrix(model.frame(delete.response(terms(object)), : reciprocal condition
## number 0
## Warning in predLoess(object$y, object$x, newx = if (is.null(newdata)) object$x
## else if (is.data.frame(newdata))
## as.matrix(model.frame(delete.response(terms(object)), : There are other near
## singularities as well. 4.0602
## Warning in max(ids, na.rm = TRUE): no non-missing arguments to max; returning
## -Inf

## Warning in max(ids, na.rm = TRUE): no non-missing arguments to max; returning
## -Inf

Actividad Individual 5

ventas_mensuales_4567 <- df7 %>%
  filter(Cliente == "4567") %>%
  group_by(Año, Número_de_mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  filter(Ventas_Totales !=0)
## `summarise()` has grouped output by 'Año'. You can override using the `.groups`
## argument.
# confirmar que los datos que queremos modelar esten ordenados cronológicamente

# Función de serie de tiempo mensual, que inicia en Enero de 2017
ts <- ts(data=ventas_mensuales_4567$Ventas_Totales, start = c(2017,1), frequency = 12)

# Función de serie de tiempo mensual, que inicia en Abril de 2017
# ts <- ts(data=ventas_mensuales_4567$Ventas_Totales, start = c(2017,4), frequency = 12)

# Función de serie de tiempo trimestral, que inicia en Enero de 2017
# ts <- ts(data=ventas_mensuales_4567$Ventas_Totales, start = c(2017,1), frequency = 4)

# Función de serie de tiempo trimestral, que inicia en Octubre de 2017 (Q4)
# ts <- ts(data=ventas_mensuales_4567$Ventas_Totales, start = c(2017,4), frequency = 4)

# Función de serie de tiempo ANUAL, que inicia en Octubre de 2017 (Q4)
# ts <- ts(data=ventas_mensuales_4567$Ventas_Totales, start = (2017, frequency = 1)

# Crear modelo ARIMA
# Modelo Autoregresivo Integrado de Promedio Movil
arima <- auto.arima(ts, D=1) # D=1 por la temporalidad
arima
## Series: ts 
## ARIMA(0,0,0)(0,1,0)[12] 
## 
## sigma^2 = 10383172:  log likelihood = -189.94
## AIC=381.87   AICc=382.09   BIC=382.87
summary(arima)
## Series: ts 
## ARIMA(0,0,0)(0,1,0)[12] 
## 
## sigma^2 = 10383172:  log likelihood = -189.94
## AIC=381.87   AICc=382.09   BIC=382.87
## 
## Training set error measures:
##                     ME     RMSE     MAE       MPE     MAPE      MASE      ACF1
## Training set -36.98041 2547.446 1572.02 -1.811657 13.08459 0.6269271 0.2519497
#Generar pronóstico d ventas
pronostico <- forecast(arima, level=95, h=36)
pronostico
##          Point Forecast      Lo 95    Hi 95
## Sep 2019          12086  5770.4219 18401.58
## Oct 2019          11427  5111.4219 17742.58
## Nov 2019          11270  4954.4219 17585.58
## Dec 2019          12227  5911.4219 18542.58
## Jan 2020           9430  3114.4219 15745.58
## Feb 2020          11312  4996.4219 17627.58
## Mar 2020          12515  6199.4219 18830.58
## Apr 2020          13334  7018.4219 19649.58
## May 2020          16286  9970.4219 22601.58
## Jun 2020          15347  9031.4219 21662.58
## Jul 2020          14005  7689.4219 20320.58
## Aug 2020          14050  7734.4219 20365.58
## Sep 2020          12086  3154.4238 21017.58
## Oct 2020          11427  2495.4238 20358.58
## Nov 2020          11270  2338.4238 20201.58
## Dec 2020          12227  3295.4238 21158.58
## Jan 2021           9430   498.4238 18361.58
## Feb 2021          11312  2380.4238 20243.58
## Mar 2021          12515  3583.4238 21446.58
## Apr 2021          13334  4402.4238 22265.58
## May 2021          16286  7354.4238 25217.58
## Jun 2021          15347  6415.4238 24278.58
## Jul 2021          14005  5073.4238 22936.58
## Aug 2021          14050  5118.4238 22981.58
## Sep 2021          12086  1147.0979 23024.90
## Oct 2021          11427   488.0979 22365.90
## Nov 2021          11270   331.0979 22208.90
## Dec 2021          12227  1288.0979 23165.90
## Jan 2022           9430 -1508.9021 20368.90
## Feb 2022          11312   373.0979 22250.90
## Mar 2022          12515  1576.0979 23453.90
## Apr 2022          13334  2395.0979 24272.90
## May 2022          16286  5347.0979 27224.90
## Jun 2022          15347  4408.0979 26285.90
## Jul 2022          14005  3066.0979 24943.90
## Aug 2022          14050  3111.0979 24988.90
plot(pronostico, main="Ventas Mensuales y Pronóstico a 3 años del cliente 4567", xlab="Año", ylab="Ventas(QTY)")

EVIDENCIA

# 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?

ventas_totales_er <- df7 %>%
    filter(Segmento_Det == "Agua Purificada" | Segmento_Det == "Colas Regular" | Segmento_Det == "Isotónicos Regular") %>%
  filter(Año==2018) %>%
  group_by(Segmento_Det, Número_de_mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Número_de_mes)
## `summarise()` has grouped output by 'Segmento_Det'. You can override using the
## `.groups` argument.
ggplot(ventas_totales_er, aes(x=Número_de_mes, y=Ventas_Totales,group=Segmento_Det, color= as.factor(Segmento_Det))) +
  geom_line() +
  geom_point() +
  labs(x="Mes", y= "Ventas Totales(Qty)", title = "Ventas totales por segmento", color = "Segmento")

Respuesta: En general las ventas aumentaron en 2019, pero cada segmento se comportó de manera diferente. El incremento de ventas se puede lograr gracias a mejores campañas de mercadotecnia y lanzamiento de nuevos productos. En 2018 la venta de Coca-Cola entre Febrero y Diciembre aumentó en 100,000 unidades, mientras que las aguas isotónicas no tuvieron cambios.

# 2.¿El incremento en las ventas es similar entre los diferentes tamaños de clientes?
ventas_totales_er <- df7 %>%
  group_by(Tamaño_Cte_Industria, Año) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Año)
## `summarise()` has grouped output by 'Tamaño_Cte_Industria'. You can override
## using the `.groups` argument.
ggplot(ventas_totales_er, aes(x=Año, y=Ventas_Totales,group=Tamaño_Cte_Industria, color= as.factor(Tamaño_Cte_Industria))) +
  geom_area() +
  labs(x="Año", y= "Incremento de Ventas Totales", title = "Ventas entre los diferentes tamaños de clientes", color = "Tamaño de la industria")

Respuesta: Sí, la industria llamada “Extra grande” de 2016 a 2017 fue en crecimiento y a partir de 2018, empezó a ir hacia abajo indicando que esa industria bajó sus ventas significativamente. Por otro lado la industria “Micro” tuvo un declive en ventas de 2016 a 2018 y en 2019 repuntó un poco.

# 3.¿Cuál es el comportamiento observado de las unidades vendidas por mes de cada una de las marcas, independientemente de sus respectivas presentaciones?
ventas_totales_er <- df7 %>%
  filter(Marca == "Ciel Agua Purificada" | Marca == "Coca-Cola" | Marca == "Powerade" | Marca == "Sprite Zero" | Marca == "Fanta" | Marca == "Fresca" | Marca == "Manzana Lift") %>%
  group_by(Marca, Número_de_mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Número_de_mes)
## `summarise()` has grouped output by 'Marca'. You can override using the
## `.groups` argument.
ggplot(ventas_totales_er, aes(x=Número_de_mes, y=Ventas_Totales,group=Marca, color= as.factor(Marca))) +
  geom_col() +
  labs(x="Mes", y= "Ventas Totales", title = "Unidades vendidas por mes de cada una de las marcas", color = "Marca")

Respuesta: Ciel Agua Purificada mantiene un volumen de ventas constante y modesto a lo largo del año, en contraste con Coca-Cola, que se destaca por un volumen de ventas mensuales significativamente mayor, siendo el mayor contribuyente al volumen total de ventas. Otras bebidas como Fanta, Fresca, Manzana Lift, Powerade y Sprite Zero registran volúmenes mucho menores en comparación, con Fresca mostrando ligeramente más ventas que sus contrapartes. La estabilidad en las ventas mes a mes para todas las marcas sugiere una demanda uniforme a través de los distintos periodos del año.

# 4.¿Se ha incrementado la venta de productos en envases retornables en los últimos dos años?
ventas_totales_er <- df7 %>%
    filter(Retornable_NR == "Retornable") %>%
  group_by(Año, Número_de_mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Número_de_mes)
## `summarise()` has grouped output by 'Año'. You can override using the `.groups`
## argument.
ggplot(ventas_totales_er, aes(x=Número_de_mes, y=Ventas_Totales,group=Año, color= as.factor(Año))) +
  geom_line() +
  geom_point() +
  labs(x="Mes", y= "Ventas Totales(Qty)", title = "Ventas totales de productos en envases retornables", color = "Año")

Respuesta: Durante 2016 y 2017, las ventas de productos en envases retornables se mantuvieron constantes y estables, experimentando sólo leves fluctuaciones a lo largo de los meses. En 2018, el patrón de ventas siguió siendo similar hasta que se presentó un pico considerable a mitad de año; sin embargo, este incremento no fue sostenido, ya que las ventas volvieron a estabilizarse al nivel de los años previos. El año 2019 también comenzó de forma consistente, pero sorprendentemente en agosto se observó una disminución abrupta, llevando las ventas a cero y señalando la ausencia total de ventas de productos en envases retornables desde ese momento en adelante, lo cual descarta la posibilidad de un crecimiento sostenido en este segmento.

# 5.¿El comportamiento de la venta de agua ha incrementado en relación al de los refrescos o las bebidas isotónicas?
ventas_totales_er <- df7 %>%
    filter(Segmento_Det == "Agua Purificada" | Segmento_Det == "Colas Regular" | Segmento_Det == "Isotónicos Regular") %>%
  filter(Año==2018) %>%
  group_by(Segmento_Det, Número_de_mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Número_de_mes)
## `summarise()` has grouped output by 'Segmento_Det'. You can override using the
## `.groups` argument.
ggplot(ventas_totales_er, aes(x=Número_de_mes, y=Ventas_Totales,group=Segmento_Det, color= as.factor(Segmento_Det))) +
  geom_line() +
  geom_point() +
  labs(x="Mes", y= "Ventas Totales(Qty)", title = "Ventas totales por segmento", color = "Segmento")

Respuesta: A lo largo del año, las ventas de agua purificada se mantienen uniformes sin mostrar una tendencia clara hacia un aumento significativo, mientras que las ventas de colas regulares superan ampliamente las del agua y las bebidas isotónicas, permaneciendo también estables pero con pequeñas variaciones periódicas. Por otro lado, las bebidas isotónicas presentan las ventas más bajas de los segmentos, comportándose de manera constante similar al agua purificada y sin indicios de un incremento en su demanda.

# 6.¿Puede decirse que la venta mensual de agua está relacionada con la venta mensual de refrescos en los últimos 4 años?
ventas_totales_er <- df7 %>%
    filter(Segmento_Det == "Agua Purificada" | Segmento_Det == "Colas Regular") %>%
  group_by(Segmento_Det, Año) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Año)
## `summarise()` has grouped output by 'Segmento_Det'. You can override using the
## `.groups` argument.
ggplot(ventas_totales_er, aes(x=Año, y=Ventas_Totales,group=Segmento_Det, color= as.factor(Segmento_Det))) +
  geom_col() +
  labs(x="Producto", y= "Ventas Totales últimos 4 años", title = "Agua vs Refresco", color = "Segmento")

Respuesta: A lo largo de cuatro años, la proporción de agua purificada frente a las colas regulares se ha mantenido pequeña y consistente, sin experimentar grandes cambios, mientras que las colas regulares han continuado dominando el mercado con la mayor parte de las ventas totales, a pesar de las ligeras variaciones en la altura de las barras anuales, lo que resalta su predominio en el volumen de ventas en comparación con el agua.

# 7.¿A cuánto ascienden las ventas esperadas para el 2020 en la Coca Cola de 500 ml NR Vidrio?
ventas_COCACOLA <- df7 %>%
  filter(Marca == "Coca-Cola" | Presentacion == "500 ml NR Vidrio") %>%
  group_by(Año) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  filter(Ventas_Totales != 0)

ggplot(ventas_COCACOLA, aes(x=Año, y=Ventas_Totales)) +
  geom_point() +
  labs(x="Año", y="Ventas Totales (QTY)", title="Ventas de la marca Coca-Cola")

regresion <- lm(Ventas_Totales ~ Año, data=ventas_COCACOLA)
summary(regresion)
## 
## Call:
## lm(formula = Ventas_Totales ~ Año, data = ventas_COCACOLA)
## 
## Residuals:
##       1       2       3       4 
##   28761  192759 -471801  250281 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)
## (Intercept) -790227034  362712910  -2.179    0.161
## Año             394429     179783   2.194    0.159
## 
## Residual standard error: 402000 on 2 degrees of freedom
## Multiple R-squared:  0.7065, Adjusted R-squared:  0.5597 
## F-statistic: 4.813 on 1 and 2 DF,  p-value: 0.1595
datos <- data.frame(Año=2020)
prediccion <- predict(regresion,datos)
prediccion
##       1 
## 6518737
ventas_COCACOLA$Tipo_de_Dato <- "Datos Reales"
datos$Ventas_Totales <- prediccion
datos$Tipo_de_Dato <- "Predicción"

datos_combinados <- rbind(ventas_COCACOLA, datos)

ggplot(datos_combinados, aes(x=Año, y=Ventas_Totales, color=Tipo_de_Dato)) +
  geom_point() +
  labs(x="Año", y="Ventas Totales (QTY)", title="Pronóstico de Ventas de la marca Coca Cola envase de 500ml")

Respuesta: Desde 2016 hasta 2019, junto con una predicción para el año 2020. Según la información visualizada, las ventas esperadas para el 2020 en la Coca Cola de 500 ml NR Vidrio ascienden a aproximadamente 6,500,000 unidades (QTY), indicado por el punto de predicción azul en el gráfico.

---
title: "Arca Continental Proyecto siglo XXI"
author: 'Ricardo Guzmán #A00573323'
date: "2024-03-19"
output: 
  html_document:
    toc: TRUE
    toc_float: TRUE
    code_download: TRUE
    theme: yeti
---

![](/Users/ricardoguzman/Desktop/Arca.png)

# <span style="color:red;">Instalar Paquetes y Llamar Librerías</span>
```{r message=FALSE, warning=FALSE}
# install.packages("readxl") #Leer documentos de excel
library(readxl)
# install.packages("tidyverse") #Manipulación de datos
library(tidyverse)
# install.packages("ggplot2") #Generar gráficos presentables
library(ggplot2)
# install.packages("forecast") #Generar gráficos presentables
library(forecast)
```

# <span style="color:red;">Actividad Individual 2</span>

## Importar la base de datos
```{r message=FALSE, warning=FALSE}
# file.choose()
df<-read_excel("/Users/ricardoguzman/Documents/Tec de Mty/8vo Semestre/Bootcamp programación/Datos Arca Continental Original.xlsx")
```
## Revisar la estructura de los datos
```{r message=FALSE, warning=FALSE}
str(df)
```
## Revisar NAs en la base de datos
```{r message=FALSE, warning=FALSE}
# ¿Cuántos NAs tengo en la base de datos?
sum(is.na(df))

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

# Opción 1. Eliminar NAs
# df <- na.omit(df)

# Opción 2. Reemplazar NAs con CEROS
df1 <- df
df1[is.na(df1)] <-0
sum(is.na(df1))

# Opción 3. Reemplazar NAs con PROMEDIO
# df1 <- df
# df1$Enero[is.na(df1$Enero)] <- mean(df1¢Enero, na.rm=TRUE)


```
## Detectar valores atípicos
```{r message=FALSE, warning=FALSE}
boxplot(df1$Enero)

# Eliminar renglón de los totales
df1<-df1[df1$Enero <6000,]
boxplot(df1$Enero)
```

## Funciones del paquete dplyr

```{r message=FALSE, warning=FALSE}
# Adecuar nombres con gsub
names(df1) <- gsub(" ", "_", names(df1))

# Muestra las ventas de Enero a Junio por CEDI
df2 <- select(df1,c(CEDI,Enero:Junio))

# Muestra los movimientos por CEDI y tamaño de tienda grande
df3 <- df1 %>% filter(Tamaño_Cte_Industria== "Grande")

# Ordena la base de datos por Cedi, por marca y por presentación:
df4 <- df1 %>% arrange (CEDI, Marca, Presentacion)

# Agrega un campo calculado con las ventas del primer semestre y muestra las ventas del primer semestre por marca
df5<- df1 %>% mutate (Ventas_Sem1 = Enero + Febrero + Marzo + Abril + Mayo + Junio)

ventas_sem1_por_marca <- df5 %>% 
  group_by(Marca) %>%
  summarise(Ventas_Sem1=sum(Ventas_Sem1))

#Obtén la media de las ventas del primer semestre agrupado por marca, presentación y tamaño
df6 <- df5 %>%
  group_by(Marca, Presentacion, Tamaño) %>%
  summarise(Ventas_Sem1=mean(Ventas_Sem1))

# Calcular medidas de tendencia central
summary(df1)

# Colapsar meses en una columna
df7 <- gather(df1, Mes, Ventas, Enero:Diciembre)
```

# <span style="color:red;">Tarea Colaborativa 2</span>

```{r}
#Uso de SELECT
#Se desea seleccionar Sub Territoriio, Segmento Det y Marca. Al seleccionarlas implica entender el contexto, poder evaluar la relevancia y calidad de los datos, considerar variables relacionadas para realizar el analisis adecuado.
datos_1 <- df %>%
  select(`Sub Territorio`, `Segmento Det`, Marca)
print(datos_1)

# Cantidad de distribuciòn de distintas Marcas por sub Territorio
# Se desea identificar cantidad de ventas en los distintos productos por sub territorio, de las distintas marcas en los diversos territorios. Esto con una grafica para visualizar de mejor manera.

grafico <- ggplot(datos_1, aes(x = `Sub Territorio`, fill = Marca)) +
  geom_bar(position = "dodge") +
  labs(title = "Ventas de distintas Marcas por Sub Territorio",
       x = "Sub Territorio",
       y = "Cantidad") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

# Visualizar gráfico
print(grafico)

# Filtrar territorios con consumo de "Coca-Cola" mayor que 5, en el  mes de Enero
#Se sabe que en Mèxico es de los principales paises que consumen una mayor cantidad de Coca-Cola, por lo cual se desa manipularlos datos del producto Coca cola en el mes de Enero

datos_2 <- df %>%
  filter(Marca == "Coca-Cola" & Enero> 5)

# Visualizar resultado
print(datos_2)

# Uso de arrange
#Seleccionar solo las columnas de enero a mayo y ordenar los datos por el consumo de "Burn" en el territorio "Guadalajara"
datos_3 <- df %>%
  filter(Territorio == "Guadalajara" & Marca == "Burn") %>%
  select(Territorio, Marca, Enero:Mayo) %>%
  arrange(desc(Enero))

# Mostrar el resultado
print(datos_3)

# Uso de group_by() & summarise()
#Agrega un campo calculado con las ventas del primer semestre y muestra  las ventas del primer semestre por marca:
datos_4 <- df %>% mutate(ventas_Sem1 = Enero + Febrero + Marzo + Abril + Mayo + Junio)

ventas_sem1_por_marca <- datos_4 %>%
  group_by(Marca) %>%
  summarise(ventas_sem1=sum(ventas_Sem1))
print(datos_4)
```

# <span style="color:red;">Actividad Individual 3</span>
```{r}
# Agregar una columna con el número del mes
meses <- c("Enero"="01", "Febrero"="02", "Marzo"="03", "Abril"="04", "Mayo"="05", "Junio"="06", "Julio"="07", "Agosto"="08", "Septiembre"="09", "Octubre"="10", "Noviembre"="11", "Diciembre"="12")

df7$Número_de_mes <- meses[df7$Mes]

#Graficar el total de ventas por mes y año

ventas_totales <- df7 %>%
  group_by(Año, Número_de_mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Número_de_mes)

ggplot(ventas_totales, aes(x=Número_de_mes, y=Ventas_Totales,group=Año, color= as.factor(Año))) +
  geom_line() +
  geom_point() +
  labs(x="Mes", y= "Ventas Totales(Qty)", color = "Año")
  
```


# <span style="color:red;">Tarea Colaborativa 3</span>
```{r}
# 1.¿Se ha incrementado la venta de productos en envases retornables en los últimos dos años?

ventas_totales_er <- df7 %>%
    filter(Retornable_NR == "Retornable") %>%
  group_by(Año, Número_de_mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Número_de_mes)

ggplot(ventas_totales_er, aes(x=Número_de_mes, y=Ventas_Totales,group=Año, color= as.factor(Año))) +
  geom_line() +
  geom_point() +
  labs(x="Mes", y= "Ventas Totales(Qty)", title = "Ventas totales de productos en envases retornables", color = "Año")


# 2.¿Se ha incrementado la venta de productos en envases retornables en los últimos dos años?

ventas_totales_er <- df7 %>%
    filter(Segmento_Det == "Agua Purificada" | Segmento_Det == "Colas Regular" | Segmento_Det == "Isotónicos Regular") %>%
  filter(Año==2018) %>%
  group_by(Segmento_Det, Número_de_mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Número_de_mes)

ggplot(ventas_totales_er, aes(x=Número_de_mes, y=Ventas_Totales,group=Segmento_Det, color= as.factor(Segmento_Det))) +
  geom_line() +
  geom_point() +
  labs(x="Mes", y= "Ventas Totales(Qty)", title = "Ventas totales por segmento", color = "Segmento")

# 3.¿Puede decirse que la venta mensual de agua está relacionada con la venta mensual de refrescos en los últimos 4 años?

ventas_totales_er <- df7 %>%
    filter(Segmento_Det == "Agua Purificada" | Segmento_Det == "Colas Regular") %>%
  group_by(Segmento_Det, Año) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Año)

ggplot(ventas_totales_er, aes(x=Año, y=Ventas_Totales,group=Segmento_Det, color= as.factor(Segmento_Det))) +
  geom_col() +
  labs(x="Producto", y= "Ventas Totales últimos 4 años", title = "Agua vs Refresco", color = "Segmento")

# 4.¿Cuál es el comportamiento observado de las unidades vendidas por mes de cada una de las marcas, independientemente de sus respectivas presentaciones?

ventas_totales_er <- df7 %>%
  filter(Marca == "Ciel Agua Purificada" | Marca == "Coca-Cola" | Marca == "Powerade" | Marca == "Sprite Zero" | Marca == "Fanta" | Marca == "Fresca" | Marca == "Manzana Lift") %>%
  group_by(Marca, Número_de_mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Número_de_mes)

ggplot(ventas_totales_er, aes(x=Número_de_mes, y=Ventas_Totales,group=Marca, color= as.factor(Marca))) +
  geom_col() +
  labs(x="Mes", y= "Ventas Totales", title = "Unidades vendidas por mes de cada una de las marcas", color = "Marca")

# 5.¿El incremento en las ventas es similar entre los diferentes tamaños de clientes?

ventas_totales_er <- df7 %>%
  group_by(Tamaño_Cte_Industria, Año) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Año)

ggplot(ventas_totales_er, aes(x=Año, y=Ventas_Totales,group=Tamaño_Cte_Industria, color= as.factor(Tamaño_Cte_Industria))) +
  geom_area() +
  labs(x="Año", y= "Incremento de Ventas Totales", title = "Ventas entre los diferentes tamaños de clientes", color = "Tamaño de la industria")
```


# <span style="color:red;">Actividad Individual 4</span>
```{r}
# Elaborar Regresión Lineal

ventas_4567 <- df7 %>%
  filter(Cliente == "4567") %>%
  group_by(Año) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  filter(Ventas_Totales != 0)

#Vnetas_4567$Secuencia <- 1:nrow(ventas_4567)

ggplot(ventas_4567, aes(x=Año, y=Ventas_Totales)) +
  geom_point() +
  labs(x="Año", y="Ventas Totales (QTY)", title="Ventas totales del cliente 4567")

regresion <- lm(Ventas_Totales ~ Año, data=ventas_4567)
summary(regresion)

# Ecuación
# y = 48918677 - 24174 * Año

# R cuadrada ajustado
# 77%

datos <- data.frame(Año=2020:2025)
prediccion <- predict(regresion,datos)
prediccion

ventas_4567$Tipo_de_Dato <- "Datos Reales"
datos$Ventas_Totales <- prediccion
datos$Tipo_de_Dato <- "Predicción"

datos_combinados <- rbind(ventas_4567, datos)

ggplot(datos_combinados, aes(x=Año, y=Ventas_Totales, color=Tipo_de_Dato)) +
  geom_point() +
  labs(x="Año", y="Ventas Totales (QTY)", title="Pronóstico a 5 años de Ventas del Cliente 4567")

```


# <span style="color:red;">Tarea Colaborativa 4</span>
```{r}
# VENTAS CLIENTE 77737
ventas_77737 <- df7 %>%
  filter(Cliente == "77737") %>%
  group_by(Año) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  filter(Ventas_Totales != 0)

ggplot(ventas_77737, aes(x=Año, y=Ventas_Totales)) +
  geom_point() +
  labs(x="Año", y="Ventas Totales (QTY)", title="Ventas totales del cliente 77737")

regresion <- lm(Ventas_Totales ~ Año, data=ventas_77737)
summary(regresion)

datos <- data.frame(Año=2020:2025)
prediccion <- predict(regresion,datos)
prediccion

ventas_77737$Tipo_de_Dato <- "Datos Reales"
datos$Ventas_Totales <- prediccion
datos$Tipo_de_Dato <- "Predicción"

datos_combinados <- rbind(ventas_77737, datos)

ggplot(datos_combinados, aes(x=Año, y=Ventas_Totales, color=Tipo_de_Dato)) +
  geom_point() +
  labs(x="Año", y="Ventas Totales (QTY)", title="Pronóstico a 5 años de Ventas del Cliente 77737")

# VENTAS MARCA FRESCA
ventas_Fresca <- df7 %>%
  filter(Marca == "Fresca") %>%
  group_by(Año) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  filter(Ventas_Totales != 0)

ggplot(ventas_Fresca, aes(x=Año, y=Ventas_Totales)) +
  geom_point() +
  labs(x="Año", y="Ventas Totales (QTY)", title="Ventas de la marca Fresca")

regresion <- lm(Ventas_Totales ~ Año, data=ventas_Fresca)
summary(regresion)

datos <- data.frame(Año=2020:2026)
prediccion <- predict(regresion,datos)
prediccion

ventas_Fresca$Tipo_de_Dato <- "Datos Reales"
datos$Ventas_Totales <- prediccion
datos$Tipo_de_Dato <- "Predicción"

datos_combinados <- rbind(ventas_Fresca, datos)

ggplot(datos_combinados, aes(x=Año, y=Ventas_Totales, color=Tipo_de_Dato)) +
  geom_point() +
  labs(x="Año", y="Ventas Totales (QTY)", title="Pronóstico de Ventas de la marca Fresca")

# VENTAS ENVASE RETORNABLE
ventas_retornable <- df7 %>%
  filter(Retornable_NR == "Retornable") %>%
  group_by(Año) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  filter(Ventas_Totales != 0)

ggplot(ventas_retornable, aes(x=Año, y=Ventas_Totales)) +
  geom_point() +
  labs(x="Año", y="Ventas Totales (QTY)", title="Ventas de envases retornables")

regresion <- lm(Ventas_Totales ~ Año, data=ventas_retornable)
summary(regresion)

datos <- data.frame(Año=2020:2030)
prediccion <- predict(regresion,datos)
prediccion

ventas_retornable$Tipo_de_Dato <- "Datos Reales"
datos$Ventas_Totales <- prediccion
datos$Tipo_de_Dato <- "Predicción"

datos_combinados <- rbind(ventas_retornable, datos)

ggplot(datos_combinados, aes(x=Año, y=Ventas_Totales, color=Tipo_de_Dato)) +
  geom_point() +
  labs(x="Año", y="Ventas Totales (QTY)", title="Pronóstico de Ventas de envases retornables")

#VENTAS TOTALES
ventas_entotal <- df7 %>%
  group_by(Año) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  filter(Ventas_Totales != 0)

ggplot(ventas_entotal, aes(x=Año, y=Ventas_Totales)) +
  geom_area() +
  labs(x="Año", y="Ventas Totales (QTY)", title="Ventas Totales de Arca Continental")

regresion <- lm(Ventas_Totales ~ Año, data=ventas_entotal)
summary(regresion)

datos <- data.frame(Año=2020:2028)
prediccion <- predict(regresion,datos)
prediccion

ventas_entotal$Tipo_de_Dato <- "Datos Reales"
datos$Ventas_Totales <- prediccion
datos$Tipo_de_Dato <- "Predicción"

datos_combinados <- rbind(ventas_entotal, datos)

ggplot(datos_combinados, aes(x=Año, y=Ventas_Totales, color=Tipo_de_Dato)) +
  geom_area() +
  labs(x="Año", y="Ventas Totales (QTY)", title="Pronóstico de Ventas Totales de Arca Continental")

#VENTAS DE PRESENTACIÓN TAMAÑO "REGULAR"
ventas_familiar <- df7 %>%
  filter(Tamaño == "Familiar") %>%
  group_by(Año) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  filter(Ventas_Totales != 0)

ggplot(ventas_familiar, aes(x=Año, y=Ventas_Totales)) +
  geom_smooth() +
  labs(x="Año", y="Ventas Totales (QTY)", title="Ventas de producto en presentación Familiar")

regresion <- lm(Ventas_Totales ~ Año, data=ventas_familiar)
summary(regresion)

datos <- data.frame(Año=2020:2025)
prediccion <- predict(regresion,datos)
prediccion

ventas_familiar$Tipo_de_Dato <- "Datos Reales"
datos$Ventas_Totales <- prediccion
datos$Tipo_de_Dato <- "Predicción"

datos_combinados <- rbind(ventas_familiar, datos)

ggplot(datos_combinados, aes(x=Año, y=Ventas_Totales, color=Tipo_de_Dato)) +
  geom_smooth() +
  labs(x="Año", y="Ventas Totales (QTY)", title="Pronóstico de Ventas de producto en presentación Familiar")

```


# <span style="color:red;">Actividad Individual 5</span>
```{r}
ventas_mensuales_4567 <- df7 %>%
  filter(Cliente == "4567") %>%
  group_by(Año, Número_de_mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  filter(Ventas_Totales !=0)

# confirmar que los datos que queremos modelar esten ordenados cronológicamente

# Función de serie de tiempo mensual, que inicia en Enero de 2017
ts <- ts(data=ventas_mensuales_4567$Ventas_Totales, start = c(2017,1), frequency = 12)

# Función de serie de tiempo mensual, que inicia en Abril de 2017
# ts <- ts(data=ventas_mensuales_4567$Ventas_Totales, start = c(2017,4), frequency = 12)

# Función de serie de tiempo trimestral, que inicia en Enero de 2017
# ts <- ts(data=ventas_mensuales_4567$Ventas_Totales, start = c(2017,1), frequency = 4)

# Función de serie de tiempo trimestral, que inicia en Octubre de 2017 (Q4)
# ts <- ts(data=ventas_mensuales_4567$Ventas_Totales, start = c(2017,4), frequency = 4)

# Función de serie de tiempo ANUAL, que inicia en Octubre de 2017 (Q4)
# ts <- ts(data=ventas_mensuales_4567$Ventas_Totales, start = (2017, frequency = 1)

# Crear modelo ARIMA
# Modelo Autoregresivo Integrado de Promedio Movil
arima <- auto.arima(ts, D=1) # D=1 por la temporalidad
arima
summary(arima)

#Generar pronóstico d ventas
pronostico <- forecast(arima, level=95, h=36)
pronostico
plot(pronostico, main="Ventas Mensuales y Pronóstico a 3 años del cliente 4567", xlab="Año", ylab="Ventas(QTY)")
```

# <span style="color:red;">EVIDENCIA</span>
```{r}
# 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?

ventas_totales_er <- df7 %>%
    filter(Segmento_Det == "Agua Purificada" | Segmento_Det == "Colas Regular" | Segmento_Det == "Isotónicos Regular") %>%
  filter(Año==2018) %>%
  group_by(Segmento_Det, Número_de_mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Número_de_mes)

ggplot(ventas_totales_er, aes(x=Número_de_mes, y=Ventas_Totales,group=Segmento_Det, color= as.factor(Segmento_Det))) +
  geom_line() +
  geom_point() +
  labs(x="Mes", y= "Ventas Totales(Qty)", title = "Ventas totales por segmento", color = "Segmento")
```

**Respuesta: En general las ventas aumentaron en 2019, pero cada segmento se comportó de manera diferente. El incremento de ventas se puede lograr gracias a mejores campañas de mercadotecnia y lanzamiento de nuevos productos. En 2018 la venta de Coca-Cola entre Febrero y Diciembre aumentó en 100,000 unidades, mientras que las aguas isotónicas no tuvieron cambios.**

```{r}
# 2.¿El incremento en las ventas es similar entre los diferentes tamaños de clientes?
ventas_totales_er <- df7 %>%
  group_by(Tamaño_Cte_Industria, Año) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Año)

ggplot(ventas_totales_er, aes(x=Año, y=Ventas_Totales,group=Tamaño_Cte_Industria, color= as.factor(Tamaño_Cte_Industria))) +
  geom_area() +
  labs(x="Año", y= "Incremento de Ventas Totales", title = "Ventas entre los diferentes tamaños de clientes", color = "Tamaño de la industria")
```

**Respuesta: Sí, la industria llamada "Extra grande" de 2016 a 2017 fue en crecimiento y a partir de 2018, empezó a ir hacia abajo indicando que esa industria bajó sus ventas significativamente. Por otro lado la industria "Micro" tuvo un declive en ventas de 2016 a 2018 y en 2019 repuntó un poco.**

```{r}
# 3.¿Cuál es el comportamiento observado de las unidades vendidas por mes de cada una de las marcas, independientemente de sus respectivas presentaciones?
ventas_totales_er <- df7 %>%
  filter(Marca == "Ciel Agua Purificada" | Marca == "Coca-Cola" | Marca == "Powerade" | Marca == "Sprite Zero" | Marca == "Fanta" | Marca == "Fresca" | Marca == "Manzana Lift") %>%
  group_by(Marca, Número_de_mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Número_de_mes)

ggplot(ventas_totales_er, aes(x=Número_de_mes, y=Ventas_Totales,group=Marca, color= as.factor(Marca))) +
  geom_col() +
  labs(x="Mes", y= "Ventas Totales", title = "Unidades vendidas por mes de cada una de las marcas", color = "Marca")
```

**Respuesta: Ciel Agua Purificada mantiene un volumen de ventas constante y modesto a lo largo del año, en contraste con Coca-Cola, que se destaca por un volumen de ventas mensuales significativamente mayor, siendo el mayor contribuyente al volumen total de ventas. Otras bebidas como Fanta, Fresca, Manzana Lift, Powerade y Sprite Zero registran volúmenes mucho menores en comparación, con Fresca mostrando ligeramente más ventas que sus contrapartes. La estabilidad en las ventas mes a mes para todas las marcas sugiere una demanda uniforme a través de los distintos periodos del año.**

```{r}
# 4.¿Se ha incrementado la venta de productos en envases retornables en los últimos dos años?
ventas_totales_er <- df7 %>%
    filter(Retornable_NR == "Retornable") %>%
  group_by(Año, Número_de_mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Número_de_mes)

ggplot(ventas_totales_er, aes(x=Número_de_mes, y=Ventas_Totales,group=Año, color= as.factor(Año))) +
  geom_line() +
  geom_point() +
  labs(x="Mes", y= "Ventas Totales(Qty)", title = "Ventas totales de productos en envases retornables", color = "Año")
```

**Respuesta: Durante 2016 y 2017, las ventas de productos en envases retornables se mantuvieron constantes y estables, experimentando sólo leves fluctuaciones a lo largo de los meses. En 2018, el patrón de ventas siguió siendo similar hasta que se presentó un pico considerable a mitad de año; sin embargo, este incremento no fue sostenido, ya que las ventas volvieron a estabilizarse al nivel de los años previos. El año 2019 también comenzó de forma consistente, pero sorprendentemente en agosto se observó una disminución abrupta, llevando las ventas a cero y señalando la ausencia total de ventas de productos en envases retornables desde ese momento en adelante, lo cual descarta la posibilidad de un crecimiento sostenido en este segmento.**

```{r}
# 5.¿El comportamiento de la venta de agua ha incrementado en relación al de los refrescos o las bebidas isotónicas?
ventas_totales_er <- df7 %>%
    filter(Segmento_Det == "Agua Purificada" | Segmento_Det == "Colas Regular" | Segmento_Det == "Isotónicos Regular") %>%
  filter(Año==2018) %>%
  group_by(Segmento_Det, Número_de_mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Número_de_mes)

ggplot(ventas_totales_er, aes(x=Número_de_mes, y=Ventas_Totales,group=Segmento_Det, color= as.factor(Segmento_Det))) +
  geom_line() +
  geom_point() +
  labs(x="Mes", y= "Ventas Totales(Qty)", title = "Ventas totales por segmento", color = "Segmento")
```

**Respuesta: A lo largo del año, las ventas de agua purificada se mantienen uniformes sin mostrar una tendencia clara hacia un aumento significativo, mientras que las ventas de colas regulares superan ampliamente las del agua y las bebidas isotónicas, permaneciendo también estables pero con pequeñas variaciones periódicas. Por otro lado, las bebidas isotónicas presentan las ventas más bajas de los segmentos, comportándose de manera constante similar al agua purificada y sin indicios de un incremento en su demanda.**

```{r}
# 6.¿Puede decirse que la venta mensual de agua está relacionada con la venta mensual de refrescos en los últimos 4 años?
ventas_totales_er <- df7 %>%
    filter(Segmento_Det == "Agua Purificada" | Segmento_Det == "Colas Regular") %>%
  group_by(Segmento_Det, Año) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Año)

ggplot(ventas_totales_er, aes(x=Año, y=Ventas_Totales,group=Segmento_Det, color= as.factor(Segmento_Det))) +
  geom_col() +
  labs(x="Producto", y= "Ventas Totales últimos 4 años", title = "Agua vs Refresco", color = "Segmento")
```

**Respuesta: A lo largo de cuatro años, la proporción de agua purificada frente a las colas regulares se ha mantenido pequeña y consistente, sin experimentar grandes cambios, mientras que las colas regulares han continuado dominando el mercado con la mayor parte de las ventas totales, a pesar de las ligeras variaciones en la altura de las barras anuales, lo que resalta su predominio en el volumen de ventas en comparación con el agua.**

```{r}
# 7.¿A cuánto ascienden las ventas esperadas para el 2020 en la Coca Cola de 500 ml NR Vidrio?
ventas_COCACOLA <- df7 %>%
  filter(Marca == "Coca-Cola" | Presentacion == "500 ml NR Vidrio") %>%
  group_by(Año) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  filter(Ventas_Totales != 0)

ggplot(ventas_COCACOLA, aes(x=Año, y=Ventas_Totales)) +
  geom_point() +
  labs(x="Año", y="Ventas Totales (QTY)", title="Ventas de la marca Coca-Cola")

regresion <- lm(Ventas_Totales ~ Año, data=ventas_COCACOLA)
summary(regresion)

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

ventas_COCACOLA$Tipo_de_Dato <- "Datos Reales"
datos$Ventas_Totales <- prediccion
datos$Tipo_de_Dato <- "Predicción"

datos_combinados <- rbind(ventas_COCACOLA, datos)

ggplot(datos_combinados, aes(x=Año, y=Ventas_Totales, color=Tipo_de_Dato)) +
  geom_point() +
  labs(x="Año", y="Ventas Totales (QTY)", title="Pronóstico de Ventas de la marca Coca Cola envase de 500ml")
```

**Respuesta: Desde 2016 hasta 2019, junto con una predicción para el año 2020. Según la información visualizada, las ventas esperadas para el 2020 en la Coca Cola de 500 ml NR Vidrio ascienden a aproximadamente 6,500,000 unidades (QTY), indicado por el punto de predicción azul en el gráfico. **