Insertar librerías

library(tidyverse)
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.1.4     ✔ readr     2.1.5
## ✔ forcats   1.0.0     ✔ stringr   1.5.1
## ✔ ggplot2   3.4.4     ✔ tibble    3.2.1
## ✔ lubridate 1.9.3     ✔ tidyr     1.3.1
## ✔ purrr     1.0.2     
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
library(dplyr)
library(readxl)
library(ggplot2)
#file.choose("C:\\Users\\Usuario\\Downloads\\Datos Arca Continental Original.xlsx")
datos <- read_excel("C:\\Users\\Usuario\\Downloads\\Datos Arca Continental Original.xlsx")
## Warning: Expecting numeric in N184066 / R184066C14: got a date
## Warning: Expecting numeric in O184066 / R184066C15: got a date
## Warning: Expecting numeric in P184066 / R184066C16: got a date
## Warning: Expecting numeric in Q184066 / R184066C17: got a date
## Warning: Expecting numeric in R184066 / R184066C18: got a date
## Warning: Expecting numeric in S184066 / R184066C19: got a date
## Warning: Expecting numeric in T184066 / R184066C20: got a date
## Warning: Expecting numeric in U184066 / R184066C21: got a date
## Warning: Expecting numeric in V184066 / R184066C22: got a date
## Warning: Expecting numeric in W184066 / R184066C23: got a date
## Warning: Expecting numeric in X184066 / R184066C24: got a date
## Warning: Expecting numeric in Y184066 / R184066C25: got a date

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 <- datos %>%
  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, 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 <- datos %>%
  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 <- datos %>%
  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 <- datos %>% 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>
LS0tDQp0aXRsZTogIlRhcmVhIENvbGFib3JhdGl2YSAyLiINCmF1dGhvcjogIkFkcmlhbmEgQmVycmVsbGV6LCBSaWNhcmRvIEd1em3DoW4gLCBSYcO6bCBFc3RlYmFuIEdpbCINCmRhdGU6ICIyMDI0LTAzLTIwIg0Kb3V0cHV0Og0KICBodG1sX2RvY3VtZW50Og0KICAgIHRvYzogVFJVRQ0KICAgIHRvY19mbG9hdDogVFJVRQ0KICAgIGNvZGVfZG93bmxvYWQ6IFRSVUUNCiAgICB0aGVtZTogeWV0aQ0KLS0tDQoNCiMgSW5zZXJ0YXIgbGlicmVyw61hcw0KYGBge3J9DQpsaWJyYXJ5KHRpZHl2ZXJzZSkNCmxpYnJhcnkoZHBseXIpDQpsaWJyYXJ5KHJlYWR4bCkNCmxpYnJhcnkoZ2dwbG90MikNCmBgYA0KDQpgYGB7cn0NCiNmaWxlLmNob29zZSgiQzpcXFVzZXJzXFxVc3VhcmlvXFxEb3dubG9hZHNcXERhdG9zIEFyY2EgQ29udGluZW50YWwgT3JpZ2luYWwueGxzeCIpDQpkYXRvcyA8LSByZWFkX2V4Y2VsKCJDOlxcVXNlcnNcXFVzdWFyaW9cXERvd25sb2Fkc1xcRGF0b3MgQXJjYSBDb250aW5lbnRhbCBPcmlnaW5hbC54bHN4IikNCmBgYA0KIyBVc28gZGUgU2VsZWN0KCk6IA0KYGBge3J9DQojU2UgZGVzZWEgc2VsZWNjaW9uYXIgU3ViIFRlcnJpdG9yaWlvLCBTZWdtZW50byBEZXQgeSBNYXJjYS4gQWwgc2VsZWNjaW9uYXJsYXMgaW1wbGljYSBlbnRlbmRlciBlbCBjb250ZXh0bywgcG9kZXIgZXZhbHVhciBsYSByZWxldmFuY2lhIHkgY2FsaWRhZCBkZSBsb3MgZGF0b3MsIGNvbnNpZGVyYXIgdmFyaWFibGVzIHJlbGFjaW9uYWRhcyBwYXJhIHJlYWxpemFyIGVsIGFuYWxpc2lzIGFkZWN1YWRvLg0KZGF0b3NfMSA8LSBkYXRvcyAlPiUNCiAgc2VsZWN0KGBTdWIgVGVycml0b3Jpb2AsIGBTZWdtZW50byBEZXRgLCBNYXJjYSkNCnByaW50KGRhdG9zXzEpDQpgYGANCg0KIyBDYW50aWRhZCBkZSBkaXN0cmlidWNpw7JuIGRlIGRpc3RpbnRhcyBNYXJjYXMgcG9yIHN1YiBUZXJyaXRvcmlvDQpgYGB7cn0NCiMgU2UgZGVzZWEgaWRlbnRpZmljYXIgY2FudGlkYWQgZGUgdmVudGFzIGVuIGxvcyBkaXN0aW50b3MgcHJvZHVjdG9zIHBvciBzdWIgdGVycml0b3JpbywgZGUgbGFzIGRpc3RpbnRhcyBtYXJjYXMgZW4gbG9zIGRpdmVyc29zIHRlcnJpdG9yaW9zLiBFc3RvIGNvbiB1bmEgZ3JhZmljYSBwYXJhIHZpc3VhbGl6YXIgZGUgbWVqb3IgbWFuZXJhLg0KDQpncmFmaWNvIDwtIGdncGxvdChkYXRvcywgYWVzKHggPSBgU3ViIFRlcnJpdG9yaW9gLCBmaWxsID0gTWFyY2EpKSArDQogIGdlb21fYmFyKHBvc2l0aW9uID0gImRvZGdlIikgKw0KICBsYWJzKHRpdGxlID0gIlZlbnRhcyBkZSBkaXN0aW50YXMgTWFyY2FzIHBvciBTdWIgVGVycml0b3JpbyIsDQogICAgICAgeCA9ICJTdWIgVGVycml0b3JpbyIsDQogICAgICAgeSA9ICJDYW50aWRhZCIpICsNCiAgdGhlbWVfbWluaW1hbCgpICsNCiAgdGhlbWUoYXhpcy50ZXh0LnggPSBlbGVtZW50X3RleHQoYW5nbGUgPSA0NSwgaGp1c3QgPSAxKSkNCg0KIyBWaXN1YWxpemFyIGdyw6FmaWNvDQpwcmludChncmFmaWNvKQ0KYGBgDQoNCiMgRmlsdHJhciB0ZXJyaXRvcmlvcyBjb24gY29uc3VtbyBkZSAiQ29jYS1Db2xhIiBtYXlvciBxdWUgNSwgZW4gZWwgIG1lcyBkZSBFbmVybw0KYGBge3J9DQojU2Ugc2FiZSBxdWUgZW4gTcOoeGljbyBlcyBkZSBsb3MgcHJpbmNpcGFsZXMgcGFpc2VzIHF1ZSBjb25zdW1lbiB1bmEgbWF5b3IgY2FudGlkYWQgZGUgQ29jYS1Db2xhLCBwb3IgbG8gY3VhbCBzZSBkZXNhIG1hbmlwdWxhcmxvcyBkYXRvcyBkZWwgcHJvZHVjdG8gQ29jYSBjb2xhIGVuIGVsIG1lcyBkZSBFbmVybw0KDQpkYXRvc18yIDwtIGRhdG9zICU+JQ0KICBmaWx0ZXIoTWFyY2EgPT0gIkNvY2EtQ29sYSIgJiBFbmVybz4gNSkNCg0KIyBWaXN1YWxpemFyIHJlc3VsdGFkbw0KcHJpbnQoZGF0b3NfMikNCmBgYA0KIyBVc28gZGUgYXJyYW5nZQ0KYGBge3J9DQojU2VsZWNjaW9uYXIgc29sbyBsYXMgY29sdW1uYXMgZGUgZW5lcm8gYSBtYXlvIHkgb3JkZW5hciBsb3MgZGF0b3MgcG9yIGVsIGNvbnN1bW8gZGUgIkJ1cm4iIGVuIGVsIHRlcnJpdG9yaW8gIkd1YWRhbGFqYXJhIg0KZGF0b3NfMyA8LSBkYXRvcyAlPiUNCiAgZmlsdGVyKFRlcnJpdG9yaW8gPT0gIkd1YWRhbGFqYXJhIiAmIE1hcmNhID09ICJCdXJuIikgJT4lDQogIHNlbGVjdChUZXJyaXRvcmlvLCBNYXJjYSwgRW5lcm86TWF5bykgJT4lDQogIGFycmFuZ2UoZGVzYyhFbmVybykpDQoNCiMgTW9zdHJhciBlbCByZXN1bHRhZG8NCnByaW50KGRhdG9zXzMpDQpgYGANCiMgVXNvIGRlIGdyb3VwX2J5KCkgJiBzdW1tYXJpc2UoKQ0KYGBge3J9DQojQWdyZWdhIHVuIGNhbXBvIGNhbGN1bGFkbyBjb24gbGFzIHZlbnRhcyBkZWwgcHJpbWVyIHNlbWVzdHJlIHkgbXVlc3RyYSAgbGFzIHZlbnRhcyBkZWwgcHJpbWVyIHNlbWVzdHJlIHBvciBtYXJjYToNCmRhdG9zXzQgPC0gZGF0b3MgJT4lIG11dGF0ZSh2ZW50YXNfU2VtMSA9IEVuZXJvICsgRmVicmVybyArIE1hcnpvICsgQWJyaWwgKyBNYXlvICsgSnVuaW8pDQoNCnZlbnRhc19zZW0xX3Bvcl9tYXJjYSA8LSBkYXRvc180ICU+JQ0KICBncm91cF9ieShNYXJjYSkgJT4lDQogIHN1bW1hcmlzZSh2ZW50YXNfc2VtMT1zdW0odmVudGFzX1NlbTEpKQ0KcHJpbnQoZGF0b3NfNCkNCmBgYA0KDQoNCg0KDQoNCg0K