Instalar paquetes y llamar a librerias

# install.packages("readxl") #Leer documentos de excel
library (readxl)
# install.packages("tidyverse") #Manipulación de datos
library(tidyverse)
# install.packages("ggplot2") #Generar gráficas presentables
library(ggplot2)
#install.packages("forecast") 
#Generar series de tiempo y pronósticos
library(forecast)

Actividad individual 2

Importar la base de datos

# file.choose()
df <- read_excel("/Users/antoniokuri/Documents/BOOTCAMP PROGRA/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

#¿Cúantos 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
# df1<- na.omit(df)

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


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

Detecar valores atípicos

boxplot(df1$Enero)

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

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))
## `summarise()` has grouped output by 'Marca', 'Presentacion'. You can override
## using the `.groups` argument.
#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_clase <- gather(df1, Mes, Ventas, Enero:Diciembre)
df7_clase
## # A tibble: 5,598,096 × 15
##       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 5,598,086 more rows
## # ℹ 8 more variables: Tamaño_Cte_Industria <chr>, Segmento_Det <chr>,
## #   Marca <chr>, Presentacion <chr>, Tamaño <chr>, Retornable_NR <chr>,
## #   Mes <chr>, Ventas <dbl>

Tarea colaborativa 2

## Muestra las ventas anuales totales por tamaño... 
#Se nota que el tamaño familiar es el más vendido con un total de venta de 15787181:
df7 <- select(df1,c(Tamaño,Enero:Diciembre))

df7$total = rowSums(df7[, c("Enero", "Febrero", "Marzo", "Abril", "Mayo", "Junio", "Julio", "Agosto", "Septiembre", "Octubre", "Noviembre", "Diciembre")])

df7_agrupado = df7 %>%
  group_by(Tamaño) %>%
  summarize(Total_Grupo = sum(total))

print(df7_agrupado)
## # A tibble: 2 × 2
##   Tamaño     Total_Grupo
##   <chr>            <dbl>
## 1 Familiar      15787181
## 2 Individual    12992631
## Muestra los movimientos por sub territorio en especifico Belenes... 
#Se identifico que en el sub territorio de Belenes hubo un total de venta de 9176279 
df8 <- df1 %>% filter(Sub_Territorio == "Belenes")

df8$total = rowSums(df8[, c("Enero", "Febrero", "Marzo", "Abril", "Mayo", "Junio", "Julio", "Agosto", "Septiembre", "Octubre", "Noviembre", "Diciembre")])

df8_agrupado = df8 %>%
  group_by(Sub_Territorio) %>%
  summarize(Total_Grupo = sum(total))

print(df8_agrupado)
## # A tibble: 1 × 2
##   Sub_Territorio Total_Grupo
##   <chr>                <dbl>
## 1 Belenes            9176279
##  base de datos ordenada por Retornable o no retonable, por marca y por presentación... 
#Se notó que los refrescos retornables tienen mayor frecuencia de venta, ya que ocupan los primeros 5 lugares
df9 <- df1 %>% arrange(Retornable_NR,Marca,Presentacion)

df9$total = rowSums(df9[, c("Enero", "Febrero", "Marzo", "Abril", "Mayo", "Junio", "Julio", "Agosto", "Septiembre", "Octubre", "Noviembre", "Diciembre")])



## Campo calculado con las ventas anuales y muestra las                   ventas anuales por presentación... 
#Se identificó que la presentación de 2.5 Lts. Ret Pet fue la más exitosa con un total de venta de 5829946
df10 <- df1 %>% 
  mutate(Ventas_Anuales = Enero + Febrero + Marzo + Abril + Mayo + Junio + Julio + Agosto + Septiembre + Octubre + Noviembre + Diciembre)

ventas_anuales_por_presentacion <- df10 %>% 
  group_by(Presentacion) %>% 
  summarise(Ventas_Anuales= sum(Ventas_Anuales))

## Media de las ventas del primer semestre agrupado por presentación y tamaño... 
#Se identificó que en promedio la presentación de 2.5 Lts. Ret Pet se vendió en promedio 814.1245636

df11 <- df10 %>%
  group_by(Presentacion,Tamaño) %>%
  summarise(Ventas_Anuales= mean(Ventas_Anuales))
## `summarise()` has grouped output by 'Presentacion'. You can override using the
## `.groups` argument.

Actividad individual 3

#Agregar una columna con el Numero de 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_clase$Numero_de_mes <- meses [df7_clase$Mes]

# Graficar el total de ventas por mes y año

ventas_totales <- df7_clase %>%
  group_by(Año,Numero_de_mes) %>%
  summarise(ventas_totales = sum(Ventas)) %>%
  arrange(Numero_de_mes)
## `summarise()` has grouped output by 'Año'. You can override using the `.groups`
## argument.
ggplot(ventas_totales, aes(x=Numero_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

Angie Zerón A00834060 Isaac Perez A01252923 Antonio Kuri A01722016

VENTAS TOTALES POR MARCA

# Se identificó que las marcas con mayor cantidad de ventas fueron Coca Cola, Agua purificada ciel, Coca Cola Light, Sprite

ventas_totales_por_marca <- df7_clase %>%
  group_by(Marca) %>%
  summarise(ventas_totales_por_marca = sum(Ventas)) %>%
  arrange(ventas_totales_por_marca)

ggplot(ventas_totales_por_marca, aes(x=ventas_totales_por_marca, y=Marca, group=Marca, color=as.factor(Marca))) +
  geom_line() +
  geom_point() +
  labs(x="Ventas Totales (Qty)", y="Marca", color= "Marca")

VENTAS TOTALES POR TAMAÑO

# Se identificó que el tamaño mas vendido es el familiar por mucho

ventas_totales_por_tamaño <- df7_clase %>%
  group_by(Tamaño) %>%
  summarise(ventas_totales_por_tamaño = sum(Ventas)) %>%
  arrange(ventas_totales_por_tamaño)

ggplot(ventas_totales_por_tamaño, aes(x=Tamaño, y=ventas_totales_por_tamaño, group=Tamaño, color=as.factor(Tamaño))) +
  geom_line() +
  geom_point() +
  labs(x="Tamaño", y="Ventas Totales (Qty)", color= "Tamaño")

VENTAS TOTALES POR SUB TERRITORIO

# Se identificó que el orden de mayor a menor venta por territorio es Toluquilla, Belenes, Huentitán

ventas_totales_por_subt <- df7_clase %>%
  group_by(Sub_Territorio) %>%
  summarise(ventas_totales_por_subt = sum(Ventas)) %>%
  arrange(ventas_totales_por_subt)

ggplot(ventas_totales_por_subt, aes(x=Sub_Territorio, y=ventas_totales_por_subt, group=Sub_Territorio, color=as.factor(Sub_Territorio))) +
  geom_line() +
  geom_point() +
  labs(x="Sub_Territorio", y="Ventas Totales (Qty)", color= "Sub_Territorio")

VENTAS TOTALES POR AÑO

# Se identificó que el año con mayor cantidad de ventas fue el 2019 seguido por el 2017, 2018 y 2016

ventas_totales_por_año <- df7_clase %>%
  group_by(Año) %>%
  summarise(ventas_totales_por_año = sum(Ventas)) %>%
  arrange(ventas_totales_por_año)

ggplot(ventas_totales_por_año, aes(x=Año, y=ventas_totales_por_año, group=Año, color=as.factor(Año))) +
  geom_bar(stat = "identity", fill = "white") +
  theme_minimal() +
  labs(x="Año", y="Ventas Totales (Qty)", color= "Año")

VENTAS TOTALES POR RETORNABLE O NO RETORNABLE

# Se identificó que la cantidad de ventas de los productos retornables y no retornables es muy similar, sin embargo se nota una ligera diferencia a favor de lo retornable

ventas_totales_por_retonoret <- df7_clase %>%
  group_by(Retornable_NR) %>%
  summarise(ventas_totales_por_retonoret = sum(Ventas)) %>%
  arrange(ventas_totales_por_retonoret)

ggplot(ventas_totales_por_retonoret, aes(x=Retornable_NR, y=ventas_totales_por_retonoret, group=Retornable_NR, color=as.factor(Retornable_NR))) +
  geom_bar(stat = "identity", fill = "transparent") +
  theme_minimal() +
  labs(x="Retornable_NR", y="Ventas Totales (Qty)", color= "Retornable_NR")

Actividad individual 4

# Elaborar Regresion lineal
ventas_4567 <- df7_clase %>%
  filter(Cliente =="4567") %>%
  group_by(Año)  %>%
  summarise(Ventas_Totales = sum(Ventas))  %>%
  filter(Ventas_Totales != 0)

 #ventas_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
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 <- "Prediccion"

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 ="Pronostico de ventas del cliente 4567" )

Tarea colaborativa 4

#¿A cuánto ascienden las ventas esperadas para el 2020 en la Coca Cola de 500 ml NR Vidrio?

ventas_esperadas <- df7_clase %>%
  filter(Marca == "Coca-Cola" & Presentacion =="500 ml NR Vidrio") %>%
  group_by(Año) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  filter(Ventas_Totales !=0) %>% #para quitar los renglones con 0
  filter(Año !=2016)

ggplot(ventas_esperadas, aes(x=Año, y=Ventas_Totales)) +
  geom_point() +
  labs(x="Año", y="Ventas Totales (Qty)", title = "Ventas Anuales de Coca Cola")

regresion1 <- lm(Ventas_Totales ~ Año, data=ventas_esperadas)
summary(regresion1)
## 
## Call:
## lm(formula = Ventas_Totales ~ Año, data = ventas_esperadas)
## 
## Residuals:
##     1     2     3 
##  1732 -3465  1732 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)
## (Intercept) -5303404    6054988  -0.876    0.542
## Año             2833       3000   0.944    0.518
## 
## Residual standard error: 4243 on 1 degrees of freedom
## Multiple R-squared:  0.4713, Adjusted R-squared:  -0.05738 
## F-statistic: 0.8915 on 1 and 1 DF,  p-value: 0.5183
#Ecuacion
#y= -5303404 +  2833

#R cuadrada ajustada
# -0.05738 

datos <- data.frame(Año=2020:2025)
prediccion <-predict(regresion1,datos)
prediccion
##        1        2        3        4        5        6 
## 419255.7 422088.7 424921.7 427754.7 430587.7 433420.7
ventas_esperadas$Tipo_de_Dato <- "Datos Reales"
datos$Ventas_Totales <- prediccion
datos$Tipo_de_Dato <- "Prediccion"

datos_combinados <- rbind(ventas_esperadas, 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 esperadas para el 2020", subtitle = "Coca Cola de 500 ml NR Vidrio")

Para el año 2020, se espera que las ventas de COCA COLA de 500 ml NR Vidrio tenddra ventas esperadas de 419,000

#Ventas totales del cliente 6626

ventas_6626 <- df7_clase %>%
  filter(Cliente == "6626") %>%
  group_by(Año) %>%
  summarise(Ventas_totales = sum(Ventas)) %>%
  filter(Ventas_totales !=0) #para quitar los renglones con 0

#ventas_mayores$Secuencia <- 1:nrow(ventas_mayores) # es una secuencia por si lo ocupamos en algo mas
#cuando hago regreson ocupo que el eje x sea un rumero, asi que se cambia a una secuencia de meses para que no se confunda al graficarlo

ggplot(ventas_6626, aes(x=Año, y=Ventas_totales)) +
  geom_point() +
  labs(x="Año", y="Ventas Totales (Qty)", title = "Ventas totales del cliente 0948")

regresion <- lm(Ventas_totales ~ Año, data=ventas_6626)
summary(regresion)
## 
## Call:
## lm(formula = Ventas_totales ~ Año, data = ventas_6626)
## 
## Residuals:
##     1     2     3 
## -2811  5622 -2811 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)
## (Intercept) 55208195    9825229   5.619    0.112
## Año           -27316       4869  -5.610    0.112
## 
## Residual standard error: 6886 on 1 degrees of freedom
## Multiple R-squared:  0.9692, Adjusted R-squared:  0.9384 
## F-statistic: 31.48 on 1 and 1 DF,  p-value: 0.1123
#Ecuacion
#y= 55208195 + (  -27316 )
# este es el intercepto  este es la correlacion (en este caso negativa)

#R cuadrada ajustada
# 0.9384  

datos <- data.frame(Año=2020:2025)
prediccion <-predict(regresion,datos)
prediccion
##       1       2       3       4       5       6 
##   29875    2559  -24757  -52073  -79389 -106705
ventas_6626$Tipo_de_Dato <- "Datos Reales"
datos$Ventas_totales <- prediccion
datos$Tipo_de_Dato <- "Prediccion"

datos_combinados <- rbind(ventas_6626, 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 6626")

Las ventas del cliente 6626 tienen tendencia a caer a los proximos años

#Ventas totales de Guadalajara

ventas_gdl <- df7_clase %>%
  group_by(Año) %>%
  summarise(Ventas_totales = sum(Ventas)) %>%
  filter(Ventas_totales !=0) #para quitar los renglones con 0

#ventas_mayores$Secuencia <- 1:nrow(ventas_mayores) # es una secuencia por si lo ocupamos en algo mas
#cuando hago regreson ocupo que el eje x sea un rumero, asi que se cambia a una secuencia de meses para que no se confunda al graficarlo

ggplot(ventas_gdl, aes(x=Año, y=Ventas_totales)) +
  geom_point() +
  labs(x="Año", y="Ventas Totales (Qty)", title = "Ventas totales del cliente 0948")

regresion <- lm(Ventas_totales ~ Año, data=ventas_gdl)
summary(regresion)
## 
## Call:
## lm(formula = Ventas_totales ~ Año, data = ventas_gdl)
## 
## 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
#Ecuacion
#y= -1.398e+09 + (6.964e+05)


#R cuadrada ajustada
# 0.7379   

datos <- data.frame(Año=2020:2025)
prediccion <-predict(regresion,datos)
prediccion
##        1        2        3        4        5        6 
##  8935914  9632299 10328684 11025068 11721453 12417837
ventas_gdl$Tipo_de_Dato <- "Datos Reales"
datos$Ventas_totales <- prediccion
datos$Tipo_de_Dato <- "Prediccion"

datos_combinados <- rbind(ventas_gdl, 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 en GDL")

Se pronostica que las ventas van a crecer en el territorio de Guadalajara en los proximos ańos

#Ventas esperadas en el sub territorio de BELENES del producto AGUA PURIFICADA

ventas_segmento <- df7_clase %>%
  filter(Sub_Territorio == "Belenes" & Segmento_Det =="Agua Purificada") %>%
  group_by(Año) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  filter(Ventas_Totales !=0) %>% #para quitar los renglones con 0
  filter(Año !=2016)

ggplot(ventas_segmento, aes(x=Año, y=Ventas_Totales)) +
  geom_point() +
  labs(x="Año", y="Ventas Totales (Qty)", title = "Ventas Anuales de Coca Cola")

regresion1 <- lm(Ventas_Totales ~ Año, data=ventas_segmento)
summary(regresion1)
## 
## Call:
## lm(formula = Ventas_Totales ~ Año, data = ventas_segmento)
## 
## Residuals:
##      1      2      3 
##  15616 -31232  15616 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)
## (Intercept) -156230141   54582274  -2.862    0.214
## Año              77493      27048   2.865    0.214
## 
## Residual standard error: 38250 on 1 degrees of freedom
## Multiple R-squared:  0.8914, Adjusted R-squared:  0.7828 
## F-statistic: 8.209 on 1 and 1 DF,  p-value: 0.2138
#Ecuacion
#y= -5303404 +  2833

#R cuadrada ajustada
# -0.05738 

datos <- data.frame(Año=2020:2025)
prediccion <-predict(regresion1,datos)
prediccion
##      1      2      3      4      5      6 
## 305719 383212 460705 538198 615691 693184
ventas_segmento$Tipo_de_Dato <- "Datos Reales"
datos$Ventas_Totales <- prediccion
datos$Tipo_de_Dato <- "Prediccion"

datos_combinados <- rbind(ventas_segmento, 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 esperadas para Belenes", subtitle = "En Agua Purificada")

Las ventas en el sub territorio Belenes en tanto Agua purificada va a tener una tendencia de crecimiento para los próximos 4 años.

#Ventas en el sub segmento de toluquilla para las bebidas de fruta 

ventas_segmento1 <- df7_clase %>%
  filter(Sub_Territorio == "Toluquilla" & Segmento_Det =="Bebidas de Fruta") %>%
  group_by(Año) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  filter(Ventas_Totales !=0) %>% #para quitar los renglones con 0
  filter(Año !=2016)

ggplot(ventas_segmento1, aes(x=Año, y=Ventas_Totales)) +
  geom_point() +
  labs(x="Año", y="Ventas Totales (Qty)", title = "Ventas Anuales de Coca Cola")

regresion1 <- lm(Ventas_Totales ~ Año, data=ventas_segmento1)
summary(regresion1)
## 
## Call:
## lm(formula = Ventas_Totales ~ Año, data = ventas_segmento1)
## 
## Residuals:
##     1     2     3 
## -3357  6715 -3357 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)
## (Intercept) 11498348   11734816   0.980    0.506
## Año            -5676       5815  -0.976    0.508
## 
## Residual standard error: 8224 on 1 degrees of freedom
## Multiple R-squared:  0.4879, Adjusted R-squared:  -0.0242 
## F-statistic: 0.9527 on 1 and 1 DF,  p-value: 0.5077
#Ecuacion
#y= -5303404 +  2833

#R cuadrada ajustada
# -0.05738 

datos <- data.frame(Año=2020:2025)
prediccion <-predict(regresion1,datos)
prediccion
##         1         2         3         4         5         6 
## 32828.333 27152.333 21476.333 15800.333 10124.333  4448.333
ventas_segmento1$Tipo_de_Dato <- "Datos Reales"
datos$Ventas_Totales <- prediccion
datos$Tipo_de_Dato <- "Prediccion"

datos_combinados <- rbind(ventas_segmento1, 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 esperadas para Toluquilla", subtitle = "En Bebidas de Fruta")

Según el pronóstico, se espera que para el sub territorio de Toluquilla en cuanto a las bebidas de fruta, las ventas decrezcan.

top_10_clientes <- df7_clase %>%
  group_by(Cliente) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(desc(Ventas_Totales)) %>%
  top_n(10, Ventas_Totales)

top_10_clientes
## # A tibble: 10 × 2
##    Cliente Ventas_Totales
##    <chr>            <dbl>
##  1 4567            406636
##  2 6626            253521
##  3 5420            238048
##  4 9745            190233
##  5 2539            181847
##  6 6190            172311
##  7 1859            159890
##  8 6114            158145
##  9 8682            155956
## 10 8283            145717

Actividad individual 5

ventas_mensuales_4567 <- df7_clase %>%
  filter(Cliente =="4567") %>%
  group_by(Año, Numero_de_mes)  %>%
  summarise(Ventas_Totales = sum(Ventas))  %>%
  filter(Ventas_Totales != 0)

#confirmar que los datos que queremos modelar esten ordenados cronologicamente

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

#Función de serie de tiempo menusa, que inicia en abril= en lugar de 1 poner 4
#ts<- ts(data=ventas_mensuales_4567$Ventas_Totales, start= c(2017,4), frequency = 12)

#Función de serie de tiempo Trimestral, que inicia en enero= en lugar de 12  poner 4
#ts<- ts(data=ventas_mensuales_4567$Ventas_Totales, start= c(2017,1), frequency = 4)

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

#Crear modelo ARIMA
#Modelo autorgresivo 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 el pronostico de 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 pronostico a 3 años del cliente 4567", xlab="Año", ylab = "Ventas (Qty)")

Evidencia

Preguntas detonantes

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_seg <- df7_clase %>%
  filter(Segmento_Det == "Agua Purificada"| Segmento_Det=="Isotónicos Regular" |Segmento_Det== "Colas Regular") %>%
  filter(Año == 2018) %>%
  group_by(Segmento_Det,Numero_de_mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Numero_de_mes)
## `summarise()` has grouped output by 'Segmento_Det'. You can override using the
## `.groups` argument.
ggplot(ventas_totales_seg, aes(x=Numero_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, cada segmento se comporto diferente. El incremento de las ventas se puede lograr gracias a diferentes esfuerzos como campañas de marketing y lanzamiento de nuevos productos. En 2018 la venta de coca cola entre Febrero y diciembre aumento 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_tam_cliente <- df7_clase %>%
  filter(Año == 2019) %>%
  group_by(Tamaño_Cte_Industria,Numero_de_mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Numero_de_mes)%>%
  filter(Ventas_Totales !=0)
## `summarise()` has grouped output by 'Tamaño_Cte_Industria'. You can override
## using the `.groups` argument.
ggplot(ventas_totales_tam_cliente, aes(x=Numero_de_mes, y=Ventas_Totales, group=Tamaño_Cte_Industria, color= as.factor(Tamaño_Cte_Industria)))+
  geom_line()+
  geom_point()+
  labs(x="Mes", y="Ventas totales (Qty)", title="Ventas totales por tamaño de cliente", color="Tamaño de cliente")

** En general el comportamiento es muy similar a traves de los diversos tamaños de cliente.Por todos los negocios estan abirtos en los mismos días, y estan ubicados en la misma ciudad (Guadalajara), los factores de las ventas afectan casi igual a todos. El mes de mayo fue el de mayor ventas en todos los tamaños de cliente. Por otro lado enero y febrero fueron los meses más bajos**

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_marca <- df7_clase %>%
  filter(Año == 2019) %>%
  filter(Marca == "Coca-Cola" | Marca == "Valle Frut" | Marca == "Ciel Agua Purificada" | Marca== "Coca-Cola Light" ) %>%
  group_by(Marca,Numero_de_mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Numero_de_mes)%>%
  filter(Ventas_Totales !=0)
## `summarise()` has grouped output by 'Marca'. You can override using the
## `.groups` argument.
ggplot(ventas_totales_marca, aes(x=Numero_de_mes, y=Ventas_Totales, group=Marca, color= as.factor(Marca)))+
  geom_line()+
  geom_point()+
  labs(x="Mes", y="Ventas totales (Qty)", title="Ventas totales por marca", color="Marca")

Coca-cola es la marca #1 de todas las marcas, ya que supera por mucho a las otras marcas en ventas por cantidad de unidades.

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

ventas_totales_Retornable_NR <- df7_clase %>%
  filter(Retornable_NR== "Retornable") %>%
  filter(Año == c(2017,2018,2019)) %>%
  group_by(Año,Numero_de_mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Año,Numero_de_mes)%>%
  filter(Ventas_Totales !=0)
## `summarise()` has grouped output by 'Año'. You can override using the `.groups`
## argument.
ggplot(ventas_totales_Retornable_NR, aes(x=Numero_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 por Retornable", color="Año ")

En el 2018 hubo una ligera caida en las ventas, sin embargo en el 2019 hubo una alza drástica a casi el doble de ventas por candtidades

5.¿El comportamiento de la venta de agua ha incrementado en relación al de los refrescos o las bebidas isotónicas?

ventas_totales_seg <- df7_clase %>%
  filter(Segmento_Det == "Agua Purificada"| Segmento_Det=="Isotónicos Regular" |Segmento_Det== "Colas Regular") %>%
  filter(Año == 2018) %>%
  group_by(Segmento_Det,Numero_de_mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Numero_de_mes)
## `summarise()` has grouped output by 'Segmento_Det'. You can override using the
## `.groups` argument.
ggplot(ventas_totales_seg, aes(x=Numero_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")

Realmente no hay indicios de que la venta de agua haya incrementado en relación a los otros dos rubros, se nota que se ha permanecido casi plana a lo largo del tiempo

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

ventas_totales_ayr <- df7_clase %>%
  filter(Segmento_Det == c("Agua Purificada","Colas Regular")) %>%
  group_by(Segmento_Det,Año) %>%
  summarise(Ventas_Totales = sum(Ventas))
## `summarise()` has grouped output by 'Segmento_Det'. You can override using the
## `.groups` argument.
ggplot(ventas_totales_ayr, aes(x=Año, y=Ventas_Totales, group=Segmento_Det, color= as.factor(Segmento_Det)))+
  geom_line()+
  geom_point()+
  labs(x="Año", y="Ventas totales (Qty)", title="Ventas totales por segmento", color="Segmento")

La venta de agua y refrescos aumentan en los mismos meses atravez de los años, pero no se puede concluir que un incremento cause el otro. Los meses calurosos y el crecimiento de la población hace que las ventas se incrementen en las bebidas, sean agua o regfresco. Estos incrementos se ven reflejados en la gráfica 7.¿A cuánto ascienden las ventas esperadas para el 2020 en la Coca Cola de 500 ml NR Vidrio?

ventas_coca_vidrio <- df7_clase %>%
  filter(Marca =="Coca-Cola") %>%
  filter(Presentacion =="500 ml NR Vidrio") %>%
  group_by(Año, Numero_de_mes)  %>%
  summarise(Ventas_Totales = sum(Ventas))  %>%
  filter(Ventas_Totales != 0)
## `summarise()` has grouped output by 'Año'. You can override using the `.groups`
## argument.
ts<- ts(data=ventas_coca_vidrio$Ventas_Totales, start= c(2016,1), frequency = 12)

arima <- auto.arima(ts, D=1) #D=1 por la temporalidad
arima
## Series: ts 
## ARIMA(1,0,0)(0,1,0)[12] with drift 
## 
## Coefficients:
##          ar1     drift
##       0.7092  719.7436
## s.e.  0.1328  299.8430
## 
## sigma^2 = 41602809:  log likelihood = -325.42
## AIC=656.84   AICc=657.7   BIC=661.24
summary(arima)
## Series: ts 
## ARIMA(1,0,0)(0,1,0)[12] with drift 
## 
## Coefficients:
##          ar1     drift
##       0.7092  719.7436
## s.e.  0.1328  299.8430
## 
## sigma^2 = 41602809:  log likelihood = -325.42
## AIC=656.84   AICc=657.7   BIC=661.24
## 
## Training set error measures:
##                    ME     RMSE      MAE       MPE     MAPE      MASE       ACF1
## Training set 48.66702 5325.932 3245.859 -1.373606 8.085645 0.3668337 -0.1551565
#Generar el pronostico de ventas
pronostico <- forecast(arima, level=95, h=16)
pronostico
##          Point Forecast    Lo 95    Hi 95
## Sep 2019       57009.58 44367.77 69651.40
## Oct 2019       47611.62 32113.16 63110.08
## Nov 2019       43891.25 27139.04 60643.45
## Dec 2019       49988.01 32639.38 67336.63
## Jan 2020       52649.69 35008.69 70290.69
## Feb 2020       59116.66 41330.41 76902.91
## Mar 2020       63214.67 45355.81 81073.53
## Apr 2020       45929.93 28034.66 63825.21
## May 2020       77894.00 59980.44 95807.57
## Jun 2020       66917.27 48994.51 84840.02
## Jul 2020       65104.33 47176.96 83031.71
## Aug 2020       66475.77 48546.08 84405.47
## Sep 2020       65846.40 43789.47 87903.33
## Oct 2020       56390.31 32525.70 80254.93
## Nov 2020       52628.72 27904.75 77352.68
## Dec 2020       58696.24 33551.13 83841.36
plot(pronostico,main="Ventas anuales y pronostico al 2020 de la venta de Coca Cola de 500 ml NR Vidrio ", xlab="Año", ylab = "Ventas (Qty)")

Las ventas esperada para el 2020 para esta clasificación de refresco son entre 50,000 y 60,000 unidades estimadamente.

---
title: "Arca Continental Proyecto Siglo XXI"
author: "Antonio Kuri Sauceda A01722016"
date: "2024-03-19"
output: 
  html_document:
    toc: TRUE
    toc_float: TRUE
    code_download: TRUE
    theme: yeti
---

![](/Users/antoniokuri/Documents/Arca_Continental_logo.svg.png)

# <span style= "color: red;"> Instalar paquetes y llamar a librerias </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 gráficas presentables
library(ggplot2)
#install.packages("forecast") 
#Generar series de tiempo y pronósticos
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/antoniokuri/Documents/BOOTCAMP PROGRA/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}
#¿Cúantos 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
# df1<- na.omit(df)

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


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

## Detecar valores atípicos
```{r}
boxplot(df1$Enero)

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


```
## Funciones del paquete dplyr
```{r}
# 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_clase <- gather(df1, Mes, Ventas, Enero:Diciembre)
df7_clase
```


# <span style= "color: red;"> Tarea colaborativa 2 </span>
```{r}

## Muestra las ventas anuales totales por tamaño... 
#Se nota que el tamaño familiar es el más vendido con un total de venta de 15787181:
df7 <- select(df1,c(Tamaño,Enero:Diciembre))

df7$total = rowSums(df7[, c("Enero", "Febrero", "Marzo", "Abril", "Mayo", "Junio", "Julio", "Agosto", "Septiembre", "Octubre", "Noviembre", "Diciembre")])

df7_agrupado = df7 %>%
  group_by(Tamaño) %>%
  summarize(Total_Grupo = sum(total))

print(df7_agrupado)



## Muestra los movimientos por sub territorio en especifico Belenes... 
#Se identifico que en el sub territorio de Belenes hubo un total de venta de 9176279 
df8 <- df1 %>% filter(Sub_Territorio == "Belenes")

df8$total = rowSums(df8[, c("Enero", "Febrero", "Marzo", "Abril", "Mayo", "Junio", "Julio", "Agosto", "Septiembre", "Octubre", "Noviembre", "Diciembre")])

df8_agrupado = df8 %>%
  group_by(Sub_Territorio) %>%
  summarize(Total_Grupo = sum(total))

print(df8_agrupado)


##  base de datos ordenada por Retornable o no retonable, por marca y por presentación... 
#Se notó que los refrescos retornables tienen mayor frecuencia de venta, ya que ocupan los primeros 5 lugares
df9 <- df1 %>% arrange(Retornable_NR,Marca,Presentacion)

df9$total = rowSums(df9[, c("Enero", "Febrero", "Marzo", "Abril", "Mayo", "Junio", "Julio", "Agosto", "Septiembre", "Octubre", "Noviembre", "Diciembre")])



## Campo calculado con las ventas anuales y muestra las                   ventas anuales por presentación... 
#Se identificó que la presentación de 2.5 Lts. Ret Pet fue la más exitosa con un total de venta de 5829946
df10 <- df1 %>% 
  mutate(Ventas_Anuales = Enero + Febrero + Marzo + Abril + Mayo + Junio + Julio + Agosto + Septiembre + Octubre + Noviembre + Diciembre)

ventas_anuales_por_presentacion <- df10 %>% 
  group_by(Presentacion) %>% 
  summarise(Ventas_Anuales= sum(Ventas_Anuales))

## Media de las ventas del primer semestre agrupado por presentación y tamaño... 
#Se identificó que en promedio la presentación de 2.5 Lts. Ret Pet se vendió en promedio 814.1245636

df11 <- df10 %>%
  group_by(Presentacion,Tamaño) %>%
  summarise(Ventas_Anuales= mean(Ventas_Anuales))

```



# <span style= "color: red;"> Actividad individual 3 </span>
```{r}
#Agregar una columna con el Numero de 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_clase$Numero_de_mes <- meses [df7_clase$Mes]

# Graficar el total de ventas por mes y año

ventas_totales <- df7_clase %>%
  group_by(Año,Numero_de_mes) %>%
  summarise(ventas_totales = sum(Ventas)) %>%
  arrange(Numero_de_mes)

ggplot(ventas_totales, aes(x=Numero_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>
Angie Zerón A00834060
Isaac Perez A01252923
Antonio Kuri A01722016

## VENTAS TOTALES POR MARCA
```{r message=FALSE, warning=FALSE}


# Se identificó que las marcas con mayor cantidad de ventas fueron Coca Cola, Agua purificada ciel, Coca Cola Light, Sprite

ventas_totales_por_marca <- df7_clase %>%
  group_by(Marca) %>%
  summarise(ventas_totales_por_marca = sum(Ventas)) %>%
  arrange(ventas_totales_por_marca)

ggplot(ventas_totales_por_marca, aes(x=ventas_totales_por_marca, y=Marca, group=Marca, color=as.factor(Marca))) +
  geom_line() +
  geom_point() +
  labs(x="Ventas Totales (Qty)", y="Marca", color= "Marca")



```

## VENTAS TOTALES POR TAMAÑO
```{r message=FALSE, warning=FALSE}
# Se identificó que el tamaño mas vendido es el familiar por mucho

ventas_totales_por_tamaño <- df7_clase %>%
  group_by(Tamaño) %>%
  summarise(ventas_totales_por_tamaño = sum(Ventas)) %>%
  arrange(ventas_totales_por_tamaño)

ggplot(ventas_totales_por_tamaño, aes(x=Tamaño, y=ventas_totales_por_tamaño, group=Tamaño, color=as.factor(Tamaño))) +
  geom_line() +
  geom_point() +
  labs(x="Tamaño", y="Ventas Totales (Qty)", color= "Tamaño")
```

## VENTAS TOTALES POR SUB TERRITORIO
```{r message=FALSE, warning=FALSE}
# Se identificó que el orden de mayor a menor venta por territorio es Toluquilla, Belenes, Huentitán

ventas_totales_por_subt <- df7_clase %>%
  group_by(Sub_Territorio) %>%
  summarise(ventas_totales_por_subt = sum(Ventas)) %>%
  arrange(ventas_totales_por_subt)

ggplot(ventas_totales_por_subt, aes(x=Sub_Territorio, y=ventas_totales_por_subt, group=Sub_Territorio, color=as.factor(Sub_Territorio))) +
  geom_line() +
  geom_point() +
  labs(x="Sub_Territorio", y="Ventas Totales (Qty)", color= "Sub_Territorio")
```


## VENTAS TOTALES POR AÑO
```{r}
# Se identificó que el año con mayor cantidad de ventas fue el 2019 seguido por el 2017, 2018 y 2016

ventas_totales_por_año <- df7_clase %>%
  group_by(Año) %>%
  summarise(ventas_totales_por_año = sum(Ventas)) %>%
  arrange(ventas_totales_por_año)

ggplot(ventas_totales_por_año, aes(x=Año, y=ventas_totales_por_año, group=Año, color=as.factor(Año))) +
  geom_bar(stat = "identity", fill = "white") +
  theme_minimal() +
  labs(x="Año", y="Ventas Totales (Qty)", color= "Año")
```

## VENTAS TOTALES POR RETORNABLE O NO RETORNABLE
```{r}
# Se identificó que la cantidad de ventas de los productos retornables y no retornables es muy similar, sin embargo se nota una ligera diferencia a favor de lo retornable

ventas_totales_por_retonoret <- df7_clase %>%
  group_by(Retornable_NR) %>%
  summarise(ventas_totales_por_retonoret = sum(Ventas)) %>%
  arrange(ventas_totales_por_retonoret)

ggplot(ventas_totales_por_retonoret, aes(x=Retornable_NR, y=ventas_totales_por_retonoret, group=Retornable_NR, color=as.factor(Retornable_NR))) +
  geom_bar(stat = "identity", fill = "transparent") +
  theme_minimal() +
  labs(x="Retornable_NR", y="Ventas Totales (Qty)", color= "Retornable_NR")
```

# <span style= "color: red;"> Actividad individual 4 </span>
```{r}
# Elaborar Regresion lineal
ventas_4567 <- df7_clase %>%
  filter(Cliente =="4567") %>%
  group_by(Año)  %>%
  summarise(Ventas_Totales = sum(Ventas))  %>%
  filter(Ventas_Totales != 0)

 #ventas_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)


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 <- "Prediccion"

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 ="Pronostico de ventas del cliente 4567" )



```

# <span style= "color: red;"> Tarea colaborativa 4 </span>
```{r}
#¿A cuánto ascienden las ventas esperadas para el 2020 en la Coca Cola de 500 ml NR Vidrio?

ventas_esperadas <- df7_clase %>%
  filter(Marca == "Coca-Cola" & Presentacion =="500 ml NR Vidrio") %>%
  group_by(Año) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  filter(Ventas_Totales !=0) %>% #para quitar los renglones con 0
  filter(Año !=2016)

ggplot(ventas_esperadas, aes(x=Año, y=Ventas_Totales)) +
  geom_point() +
  labs(x="Año", y="Ventas Totales (Qty)", title = "Ventas Anuales de Coca Cola")

regresion1 <- lm(Ventas_Totales ~ Año, data=ventas_esperadas)
summary(regresion1)

#Ecuacion
#y= -5303404 +  2833

#R cuadrada ajustada
# -0.05738 

datos <- data.frame(Año=2020:2025)
prediccion <-predict(regresion1,datos)
prediccion

ventas_esperadas$Tipo_de_Dato <- "Datos Reales"
datos$Ventas_Totales <- prediccion
datos$Tipo_de_Dato <- "Prediccion"

datos_combinados <- rbind(ventas_esperadas, 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 esperadas para el 2020", subtitle = "Coca Cola de 500 ml NR Vidrio")
```
Para el año 2020, se espera que las ventas de COCA COLA de 500 ml NR Vidrio tenddra ventas esperadas de 419,000

```{r}
#Ventas totales del cliente 6626

ventas_6626 <- df7_clase %>%
  filter(Cliente == "6626") %>%
  group_by(Año) %>%
  summarise(Ventas_totales = sum(Ventas)) %>%
  filter(Ventas_totales !=0) #para quitar los renglones con 0

#ventas_mayores$Secuencia <- 1:nrow(ventas_mayores) # es una secuencia por si lo ocupamos en algo mas
#cuando hago regreson ocupo que el eje x sea un rumero, asi que se cambia a una secuencia de meses para que no se confunda al graficarlo

ggplot(ventas_6626, aes(x=Año, y=Ventas_totales)) +
  geom_point() +
  labs(x="Año", y="Ventas Totales (Qty)", title = "Ventas totales del cliente 0948")

regresion <- lm(Ventas_totales ~ Año, data=ventas_6626)
summary(regresion)

#Ecuacion
#y= 55208195 + (  -27316 )
# este es el intercepto  este es la correlacion (en este caso negativa)

#R cuadrada ajustada
# 0.9384  

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

ventas_6626$Tipo_de_Dato <- "Datos Reales"
datos$Ventas_totales <- prediccion
datos$Tipo_de_Dato <- "Prediccion"

datos_combinados <- rbind(ventas_6626, 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 6626")
```
Las ventas del cliente 6626 tienen tendencia a caer a los proximos años

```{r}
#Ventas totales de Guadalajara

ventas_gdl <- df7_clase %>%
  group_by(Año) %>%
  summarise(Ventas_totales = sum(Ventas)) %>%
  filter(Ventas_totales !=0) #para quitar los renglones con 0

#ventas_mayores$Secuencia <- 1:nrow(ventas_mayores) # es una secuencia por si lo ocupamos en algo mas
#cuando hago regreson ocupo que el eje x sea un rumero, asi que se cambia a una secuencia de meses para que no se confunda al graficarlo

ggplot(ventas_gdl, aes(x=Año, y=Ventas_totales)) +
  geom_point() +
  labs(x="Año", y="Ventas Totales (Qty)", title = "Ventas totales del cliente 0948")

regresion <- lm(Ventas_totales ~ Año, data=ventas_gdl)
summary(regresion)

#Ecuacion
#y= -1.398e+09 + (6.964e+05)


#R cuadrada ajustada
# 0.7379   

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

ventas_gdl$Tipo_de_Dato <- "Datos Reales"
datos$Ventas_totales <- prediccion
datos$Tipo_de_Dato <- "Prediccion"

datos_combinados <- rbind(ventas_gdl, 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 en GDL")
```
Se pronostica que las ventas van a crecer en el territorio de Guadalajara en los proximos ańos

```{r}
#Ventas esperadas en el sub territorio de BELENES del producto AGUA PURIFICADA

ventas_segmento <- df7_clase %>%
  filter(Sub_Territorio == "Belenes" & Segmento_Det =="Agua Purificada") %>%
  group_by(Año) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  filter(Ventas_Totales !=0) %>% #para quitar los renglones con 0
  filter(Año !=2016)

ggplot(ventas_segmento, aes(x=Año, y=Ventas_Totales)) +
  geom_point() +
  labs(x="Año", y="Ventas Totales (Qty)", title = "Ventas Anuales de Coca Cola")

regresion1 <- lm(Ventas_Totales ~ Año, data=ventas_segmento)
summary(regresion1)

#Ecuacion
#y= -5303404 +  2833

#R cuadrada ajustada
# -0.05738 

datos <- data.frame(Año=2020:2025)
prediccion <-predict(regresion1,datos)
prediccion

ventas_segmento$Tipo_de_Dato <- "Datos Reales"
datos$Ventas_Totales <- prediccion
datos$Tipo_de_Dato <- "Prediccion"

datos_combinados <- rbind(ventas_segmento, 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 esperadas para Belenes", subtitle = "En Agua Purificada")
```
Las ventas en el sub territorio Belenes en tanto Agua purificada va a tener una tendencia de crecimiento para los próximos 4 años.

```{r}
#Ventas en el sub segmento de toluquilla para las bebidas de fruta 

ventas_segmento1 <- df7_clase %>%
  filter(Sub_Territorio == "Toluquilla" & Segmento_Det =="Bebidas de Fruta") %>%
  group_by(Año) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  filter(Ventas_Totales !=0) %>% #para quitar los renglones con 0
  filter(Año !=2016)

ggplot(ventas_segmento1, aes(x=Año, y=Ventas_Totales)) +
  geom_point() +
  labs(x="Año", y="Ventas Totales (Qty)", title = "Ventas Anuales de Coca Cola")

regresion1 <- lm(Ventas_Totales ~ Año, data=ventas_segmento1)
summary(regresion1)

#Ecuacion
#y= -5303404 +  2833

#R cuadrada ajustada
# -0.05738 

datos <- data.frame(Año=2020:2025)
prediccion <-predict(regresion1,datos)
prediccion

ventas_segmento1$Tipo_de_Dato <- "Datos Reales"
datos$Ventas_Totales <- prediccion
datos$Tipo_de_Dato <- "Prediccion"

datos_combinados <- rbind(ventas_segmento1, 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 esperadas para Toluquilla", subtitle = "En Bebidas de Fruta")
```
Según el pronóstico, se espera que para el sub territorio de Toluquilla en cuanto a las bebidas de fruta, las ventas decrezcan.

```{r}
top_10_clientes <- df7_clase %>%
  group_by(Cliente) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(desc(Ventas_Totales)) %>%
  top_n(10, Ventas_Totales)

top_10_clientes
```
# <span style= "color: red;"> Actividad individual 5 </span>
```{r message=FALSE, warning=FALSE}
ventas_mensuales_4567 <- df7_clase %>%
  filter(Cliente =="4567") %>%
  group_by(Año, Numero_de_mes)  %>%
  summarise(Ventas_Totales = sum(Ventas))  %>%
  filter(Ventas_Totales != 0)

#confirmar que los datos que queremos modelar esten ordenados cronologicamente

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

#Función de serie de tiempo menusa, que inicia en abril= en lugar de 1 poner 4
#ts<- ts(data=ventas_mensuales_4567$Ventas_Totales, start= c(2017,4), frequency = 12)

#Función de serie de tiempo Trimestral, que inicia en enero= en lugar de 12  poner 4
#ts<- ts(data=ventas_mensuales_4567$Ventas_Totales, start= c(2017,1), frequency = 4)

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

#Crear modelo ARIMA
#Modelo autorgresivo integrado de promedio movil

arima <- auto.arima(ts, D=1) #D=1 por la temporalidad
arima
summary(arima)

#Generar el pronostico de ventas
pronostico <- forecast(arima, level=95, h=36)
pronostico
plot(pronostico,main="Ventas mensuales y pronostico a 3 años del cliente 4567", xlab="Año", ylab = "Ventas (Qty)")
```

# <span style= "color: red;"> Evidencia </span>
## Preguntas detonantes

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?
```{r}
ventas_totales_seg <- df7_clase %>%
  filter(Segmento_Det == "Agua Purificada"| Segmento_Det=="Isotónicos Regular" |Segmento_Det== "Colas Regular") %>%
  filter(Año == 2018) %>%
  group_by(Segmento_Det,Numero_de_mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Numero_de_mes)

ggplot(ventas_totales_seg, aes(x=Numero_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, cada segmento se comporto diferente. El incremento de las ventas se puede lograr gracias a diferentes esfuerzos como campañas de marketing y lanzamiento de nuevos productos. En 2018 la venta de coca cola entre Febrero y diciembre aumento 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?
```{r}
ventas_totales_tam_cliente <- df7_clase %>%
  filter(Año == 2019) %>%
  group_by(Tamaño_Cte_Industria,Numero_de_mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Numero_de_mes)%>%
  filter(Ventas_Totales !=0)

ggplot(ventas_totales_tam_cliente, aes(x=Numero_de_mes, y=Ventas_Totales, group=Tamaño_Cte_Industria, color= as.factor(Tamaño_Cte_Industria)))+
  geom_line()+
  geom_point()+
  labs(x="Mes", y="Ventas totales (Qty)", title="Ventas totales por tamaño de cliente", color="Tamaño de cliente")
```
** En general el comportamiento es muy similar a traves de los diversos tamaños de cliente.Por todos los negocios estan abirtos en los mismos días, y estan ubicados en la misma ciudad (Guadalajara), los factores de las ventas afectan casi igual a todos. El mes de mayo fue el de mayor ventas en todos los tamaños de cliente. Por otro lado enero y febrero fueron los meses más bajos**

3.¿Cuál es el comportamiento observado de las unidades vendidas por mes de cada una de las marcas, independientemente de sus respectivas presentaciones?
```{r}
ventas_totales_marca <- df7_clase %>%
  filter(Año == 2019) %>%
  filter(Marca == "Coca-Cola" | Marca == "Valle Frut" | Marca == "Ciel Agua Purificada" | Marca== "Coca-Cola Light" ) %>%
  group_by(Marca,Numero_de_mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Numero_de_mes)%>%
  filter(Ventas_Totales !=0)

ggplot(ventas_totales_marca, aes(x=Numero_de_mes, y=Ventas_Totales, group=Marca, color= as.factor(Marca)))+
  geom_line()+
  geom_point()+
  labs(x="Mes", y="Ventas totales (Qty)", title="Ventas totales por marca", color="Marca")
```
**Coca-cola es la marca #1 de todas las marcas, ya que supera por mucho a las otras marcas en ventas por cantidad de unidades.**


4.¿Se ha incrementado la venta de productos en envases retornables en los últimos dos años?
```{r}

ventas_totales_Retornable_NR <- df7_clase %>%
  filter(Retornable_NR== "Retornable") %>%
  filter(Año == c(2017,2018,2019)) %>%
  group_by(Año,Numero_de_mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Año,Numero_de_mes)%>%
  filter(Ventas_Totales !=0)

ggplot(ventas_totales_Retornable_NR, aes(x=Numero_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 por Retornable", color="Año ")
```
**En el 2018 hubo una ligera caida en las ventas, sin embargo en el 2019 hubo una alza drástica a casi el doble de ventas por candtidades**


5.¿El comportamiento de la venta de agua ha incrementado en relación al de los refrescos o las bebidas isotónicas?
```{r}
ventas_totales_seg <- df7_clase %>%
  filter(Segmento_Det == "Agua Purificada"| Segmento_Det=="Isotónicos Regular" |Segmento_Det== "Colas Regular") %>%
  filter(Año == 2018) %>%
  group_by(Segmento_Det,Numero_de_mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Numero_de_mes)

ggplot(ventas_totales_seg, aes(x=Numero_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")
```
**Realmente no hay indicios de que la venta de agua haya incrementado en relación a los otros dos rubros, se nota que se ha permanecido casi plana a lo largo del tiempo**


6.¿Puede decirse que la venta mensual de agua está relacionada con la venta mensual de refrescos en los últimos 4 años?
```{r}
ventas_totales_ayr <- df7_clase %>%
  filter(Segmento_Det == c("Agua Purificada","Colas Regular")) %>%
  group_by(Segmento_Det,Año) %>%
  summarise(Ventas_Totales = sum(Ventas))
 

ggplot(ventas_totales_ayr, aes(x=Año, y=Ventas_Totales, group=Segmento_Det, color= as.factor(Segmento_Det)))+
  geom_line()+
  geom_point()+
  labs(x="Año", y="Ventas totales (Qty)", title="Ventas totales por segmento", color="Segmento")
```
**La venta de agua y refrescos aumentan en los mismos meses atravez de los años, pero no se puede concluir que un incremento cause el otro. Los meses calurosos y el crecimiento de la población hace que las ventas se incrementen en las bebidas, sean agua o regfresco. Estos incrementos se ven reflejados en la gráfica**
7.¿A cuánto ascienden las ventas esperadas para el 2020 en la Coca Cola de 500 ml NR Vidrio?
```{r}
ventas_coca_vidrio <- df7_clase %>%
  filter(Marca =="Coca-Cola") %>%
  filter(Presentacion =="500 ml NR Vidrio") %>%
  group_by(Año, Numero_de_mes)  %>%
  summarise(Ventas_Totales = sum(Ventas))  %>%
  filter(Ventas_Totales != 0)

ts<- ts(data=ventas_coca_vidrio$Ventas_Totales, start= c(2016,1), frequency = 12)

arima <- auto.arima(ts, D=1) #D=1 por la temporalidad
arima
summary(arima)

#Generar el pronostico de ventas
pronostico <- forecast(arima, level=95, h=16)
pronostico
plot(pronostico,main="Ventas anuales y pronostico al 2020 de la venta de Coca Cola de 500 ml NR Vidrio ", xlab="Año", ylab = "Ventas (Qty)")
```
**Las ventas esperada para el 2020 para esta clasificación de refresco son entre 50,000 y 60,000 unidades estimadamente.**


