Instalar paquetes y llamar
librerías
# install.packages("readxl") #leer documentos de excel
library(readxl)
# install.packages("tidyverse") #manipular datos
library(tidyverse)
# install.packages("ggplot2") #gráficas
library(ggplot2)
Actividad Individual 2
Importar la base de datos
# file.choose()
df<- read_excel("/Users/robertovalenzuela/Downloads/Roberto Valenzuela_Datos Arca Continental Original.xlsx")
Revisar estructuras de 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
# df1 <- 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$Enero, na.rm=TRUE)
Detectar valores atipicos
boxplot(df1$Enero)

# Eliminar renglón de 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:Julio))
# Muestra los movimientos por cedi y tamaño de tienda
df3<- df1 %>% filter(Tamaño_Cte_Industria== "Grande")
# Ordena la base de datos por cedi, marca y 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
Tarea Colaborativa 2
Detectar datos adicionales
# Ventas por tipo de envase
df7 <- df5 %>% group_by(Retornable_NR) %>% summarise((Ventas_Sem1=sum(Ventas_Sem1)))
# Ventas de tamaño tipo familiar
df8<- df5 %>% filter(Tamaño== "Familiar")
# Ventas por presentación
df9<- select(df5,c(Presentacion,Ventas_Sem1))
# Ventas segundo semestre
df10 <- df5 %>% mutate(Ventas_Sem2 = Julio + Agosto + Septiembre + Octubre + Noviembre + Diciembre)
# Ventas segundo semestre por marca
Ventas_Sem2_por_marca <- df10 %>% group_by(Marca) %>% summarise(Ventas_Sem2=sum(Ventas_Sem2))
# Ventas por presentación y tipo de envase
df11 <- df10 %>% arrange (CEDI, Presentacion, Retornable_NR)
# Colapsar meses en una Columna
df12 <- gather(df10, Mes, Ventas, Enero:Diciembre)
Actividad Individual 3
df7 <- gather(df1, Mes, Ventas, Enero:Diciembre)
df7
## # 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>
# Agregar una columna con el Número 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$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
Gráfica 1: Ventas Totales de productos en envases retornables
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 envase retornable", color = "Año")

Actividad Individual 4
Elaborar regresión lineal
ventas_4567 <- df7 %>% filter(Cliente== “4567”)%>%
group_by(Año) %>% summarise(ventas_totales=sum(ventas_totales))
%>% filter(ventas_totales != 0)
ventas_4567$Secuencia <- 1:nrow(ventas_4567)
ggplot(ventas_4567, aes(x=Año, y= ventas_totales)) + geom_line() +
geom_point() + labs(title = “Ventas cliente 4567”,x= “Año”, y=“Ventas
Totales(Qty)”)
regresion <- lm(ventas_totales ~ Año, data=ventas_4567)
summary(regresion)
Ecuación
y= 48918677 + (-24174) * Año
R cuadrada ajustada
77%
datos<- data.frame(Año=2020:2025)
prediccion<-predict(regresion,datos) prediccion ventas_4567\(Tipo_de_Dato <- "Datos Reales"
datos\)ventas_totales <- prediccion datos$Tipo_de_Dato <-
“Predicción”
datos_combinados <- rbind(ventas_4567,datos)
ggplot(datos_combinados, aes(x=Año, y= ventas_totales,
color=Tipo_de_Dato)) + geom_point() + labs(title = “Ventas cliente 4567
a 5 años”,x= “Año”, y=“Ventas Totales(Qty)”)
Tarea Colaborativa 4
Mejores_clientes <- df7 %>% group_by(Cliente, Año) %>%
summarise(ventas_totales=sum(ventas_totales)) %>%
arrange(ventas_totales)
summarise() has grouped output by ‘Cliente’. You can
override using the
.groups argument.
Elaborar regresión lineal
ventas_6114 <- df7 %>% filter(Cliente== “6114”)%>%
group_by(Año) %>% summarise(ventas_totales=sum(ventas_totales))%>%
filter(ventas_totales != 0)
ventas_77796$Secuencia <- 1:nrow(ventas_77796)
ggplot(ventas_6114, aes(x=Año, y= ventas_totales)) + geom_line() +
geom_point() + labs(title = “Ventas cliente 6114”,x= “Año”, y=“Ventas
Totales(Qty)”)
regresion <- lm(ventas_totales ~ Año, data=ventas_6114)
summary(regresion) ## ## Call: ## lm(formula = ventas_totales ~ Año,
data = ventas_6114) ## ## Residuals: ## 1 2 3 ## -43248 86496 -43248 ##
## Coefficients: ## Estimate Std. Error t value Pr(>|t|) ##
(Intercept) 230393988 151163818 1.524 0.37 ## Año -113856 74908 -1.520
0.37 ## ## Residual standard error: 105900 on 1 degrees of freedom ##
Multiple R-squared: 0.6979, Adjusted R-squared: 0.3958 ## F-statistic:
2.31 on 1 and 1 DF, p-value: 0.3705 # Ecuación # y= 48918677 + (-24174)
* Año # R cuadrada ajustada # 77%
Datos<- data.frame(Año=2020:2025)
prediccion<-predict(regresion,Datos) prediccion
1 2 3 4 5 6
404868 291012 177156 63300 -50556 -164412
ventas_6114\(Tipo_de_Dato <- "Datos
Reales" Datos\)ventas_totales <- prediccion
Datos$Tipo_de_Dato <- “Predicción”
Datos_combinados <- rbind(ventas_6114,Datos)
ggplot(Datos_combinados, aes(x=Año, y= ventas_totales,
color=Tipo_de_Dato)) + geom_point() + labs(title = “Ventas cliente 6114
a 5 años”,x= “Año”, y=“Ventas Totales(Qty)”)
Elaborar regresión lineal
ggplot(Coca_Cola, aes(x=Año, y= ventas_totales)) + geom_line() +
geom_point() + labs(title = “Ventas Coca Cola”,x= “Año”, y=“Ventas
Totales(Qty)”)
regresion <- lm(ventas_totales ~ Año, data=Coca_Cola)
summary(regresion) ## ## Call: ## lm(formula = ventas_totales ~ Año,
data = Coca_Cola) ## ## Residuals: ## 1 2 3 4 ## 318246 2290104 -5534946
2926596 ## ## Coefficients: ## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -9.193e+09 4.258e+09 -2.159 0.164 ## Año 4.589e+06
2.111e+06 2.174 0.162 ## ## Residual standard error: 4719000 on 2
degrees of freedom ## Multiple R-squared: 0.7027, Adjusted R-squared:
0.554 ## F-statistic: 4.727 on 1 and 2 DF, p-value: 0.1617 # Ecuación #
y= -9.193e+09 + (4.589e+06) * Año # R cuadrada ajustada # 55%
datos<- data.frame(Año=2020:2025)
prediccion<-predict(regresion,datos) prediccion ## 1 2 3 4 5 6 ##
76304886 80893488 85482090 90070692 94659294 99247896 Coca_Cola\(Tipo_de_Dato <- "Datos Reales"
datos\)ventas_totales <- prediccion datos$Tipo_de_Dato <-
“Predicción”
datos_combinados <- rbind(Coca_Cola,datos)
ggplot(datos_combinados, aes(x=Año, y= ventas_totales,
color=Tipo_de_Dato)) + geom_point() + labs(title = “Ventas de Coca Cola
a 5 años”,x= “Año”, y=“Ventas Totales(Qty)”)
Elaborar regresión lineal
ventas_Huentitán <- Ventas_sucursal %>% filter(CEDI== “Suc.
Huentitán”)
ggplot(ventas_Huentitán, aes(x=Año, y= ventas_totales)) + geom_line()
+ geom_point() + labs(title = “Ventas de Sucursal Huentitán”,x= “Año”,
y=“Ventas Totales(Qty)”)
regresion <- lm(ventas_totales ~ Año, data=ventas_Huentitán)
summary(regresion) ## ## Call: ## lm(formula = ventas_totales ~ Año,
data = ventas_Huentitán) ## ## Residuals: ## 1 2 3 4 ## 3070121 -2711204
-3787954 3429037 ## ## Coefficients: ## Estimate Std. Error t value
Pr(>|t|) ## (Intercept) -385274928 4177889972 -0.092 0.935 ## Año
202081 2070825 0.098 0.931 ## ## Residual standard error: 4631000 on 2
degrees of freedom ## Multiple R-squared: 0.004739, Adjusted R-squared:
-0.4929 ## F-statistic: 0.009523 on 1 and 2 DF, p-value: 0.9312 #
Ecuación # y= -9.193e+09 + (4.589e+06) * Año # R cuadrada ajustada #
55%
datos<- data.frame(Año=2020:2025)
prediccion<-predict(regresion,datos) prediccion ## 1 2 3 4 5 6 ##
22929096 23131177 23333258 23535340 23737421 23939502
ventas_Huentitán\(Tipo_de_Dato <-
"Datos Reales" datos\)ventas_totales <- prediccion
datos$Tipo_de_Dato <- “Predicción”
datos_combinados <- rbind(ventas_Huentitán,datos)
ggplot(datos_combinados, aes(x=Año, y= ventas_totales,
color=Tipo_de_Dato)) + geom_point() + labs(title = “Ventas de Sucursal
Huentitán a 5 años”,x= “Año”, y=“Ventas Totales(Qty)”)
ventas_Belenes <- Ventas_sucursal %>% filter(CEDI== “Suc.
Belenes”)
ggplot(ventas_Belenes, aes(x=Año, y= ventas_totales)) + geom_line() +
geom_point() + labs(title = “entas de Sucursal Belenes”,x= “Año”,
y=“Ventas Totales(Qty)”)
regresion <- lm(ventas_totales ~ Año, data=ventas_Belenes)
summary(regresion) ## ## Call: ## lm(formula = ventas_totales ~ Año,
data = ventas_Belenes) ## ## Residuals: ## 1 2 3 4 ## 2538620 1071029
-9757919 6148270 ## ## Coefficients: ## Estimate Std. Error t value
Pr(>|t|) ## (Intercept) -1.976e+10 7.565e+09 -2.612 0.121 ## Año
9.809e+06 3.750e+06 2.616 0.120 ## ## Residual standard error: 8385000
on 2 degrees of freedom ## Multiple R-squared: 0.7738, Adjusted
R-squared: 0.6607 ## F-statistic: 6.842 on 1 and 2 DF, p-value: 0.1203 #
Ecuación # y= -9.193e+09 + (4.589e+06) * Año # R cuadrada ajustada #
55%
datos<- data.frame(Año=2020:2025)
predicción<-predict(regresion,datos) predicción ## 1 2 3 4 5 6 ##
52050486 61859146 71667805 81476465 91285124 101093784
ventas_Belenes\(Tipo_de_Dato <- "Datos
Reales" datos\)ventas_totales <- predicción
datos$Tipo_de_Dato <- “Predicción”
datos_combinados <- rbind(ventas_Belenes,datos)
ggplot(datos_combinados, aes(x=Año, y= ventas_totales,
color=Tipo_de_Dato)) + geom_point() + labs(title = “Ventas de Sucursal
Belenes a 5 años”,x= “Año”, y=“Ventas Totales(Qty)”)
Actividad Individual 5
ventas_mensuales_4567 <- df7 %>% filter(Cliente == “4567”)
%>% group_by(Año,Número_de_mes) %>% summarise(Ventas_Totales =
sum(Ventas)) %>% filter(Ventas_Totales !=0)
summarise() has grouped output by ‘Año’. You can
override using the .groups
Argument.
Confirmar que los datos que queremos modelar esten ordenados
cronológicamente
Función de serie de tiempo mensual, que inicia en Enero de 2017
ts <- ts(data=ventas_mensuales_4567$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 de ventas pronóstico <- forecast(arima,
level=95, h=36) pronóstico
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
---
title: 'Arca Continental | Proyecto: Siglo XXI'
author: "Roberto Valenzuela A01254530"
date: "2024-03-19"
output: 
  html_document:
    toc: TRUE
    toc_float: TRUE
    code_download: TRUE
    theme: yeti
---


# <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") #manipular datos
library(tidyverse)
# install.packages("ggplot2") #gráficas
library(ggplot2)
```

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

## Importar la base de datos
```{r message=FALSE, warning=FALSE}
# file.choose()
df<- read_excel("/Users/robertovalenzuela/Downloads/Roberto Valenzuela_Datos Arca Continental Original.xlsx")
```

## Revisar estructuras de 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
# df1 <- 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 atipicos
```{r message=FALSE, warning=FALSE}
boxplot(df1$Enero)

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

## 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:Julio))

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

# Ordena la base de datos por cedi, marca y 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)
```





# <span style= "color: red;">Tarea Colaborativa 2</span>
## Detectar datos adicionales
```{r}
# Ventas por tipo de envase

df7 <- df5 %>% group_by(Retornable_NR) %>% summarise((Ventas_Sem1=sum(Ventas_Sem1)))

# Ventas de tamaño tipo familiar
df8<- df5 %>% filter(Tamaño== "Familiar")

# Ventas por presentación
df9<- select(df5,c(Presentacion,Ventas_Sem1))

# Ventas segundo semestre
df10 <- df5 %>% mutate(Ventas_Sem2 = Julio + Agosto + Septiembre + Octubre + Noviembre + Diciembre)

# Ventas segundo semestre por marca
Ventas_Sem2_por_marca <- df10 %>% group_by(Marca) %>% summarise(Ventas_Sem2=sum(Ventas_Sem2))

# Ventas por presentación y tipo de envase
 df11 <- df10 %>% arrange (CEDI, Presentacion, Retornable_NR)
 
 # Colapsar meses en una Columna
 df12 <- gather(df10, Mes, Ventas, Enero:Diciembre)
 
```


# <span style= "color: red;">Actividad Individual 3</span>
```{r}
df7 <- gather(df1, Mes, Ventas, Enero:Diciembre)
df7


# Agregar una columna con el Número 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$Número_de_Mes <- meses[df7$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>

## Gráfica 1: Ventas Totales de productos en envases retornables
```{r}
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 envase retornable", color = "Año")
  

```


# <span style= "color: red;">Actividad Individual 4</span>

# Elaborar regresión lineal
ventas_4567 <- df7 %>% filter(Cliente== "4567")%>% group_by(Año) %>% summarise(ventas_totales=sum(ventas_totales)) %>% filter(ventas_totales != 0)

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

ggplot(ventas_4567, aes(x=Año, y= ventas_totales)) +
   geom_line() +
  geom_point() +
  labs(title = "Ventas cliente 4567",x= "Año", y="Ventas Totales(Qty)")

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

# Ecuación 
# y= 48918677 + (-24174) * Año
# R cuadrada ajustada
# 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(title = "Ventas cliente 4567 a 5 años",x= "Año", y="Ventas Totales(Qty)")
  
# <span style= "color: red;">Tarea Colaborativa 4</span>

Mejores_clientes <- df7 %>%  group_by(Cliente, Año) %>% summarise(ventas_totales=sum(ventas_totales)) %>% arrange(ventas_totales)

## `summarise()` has grouped output by 'Cliente'. You can override using the
## `.groups` argument.

# Elaborar regresión lineal
ventas_6114 <- df7 %>% filter(Cliente== "6114")%>% group_by(Año) %>% summarise(ventas_totales=sum(ventas_totales))%>% filter(ventas_totales != 0)

# ventas_77796$Secuencia <- 1:nrow(ventas_77796)

ggplot(ventas_6114, aes(x=Año, y= ventas_totales)) +
   geom_line() +
  geom_point() +
  labs(title = "Ventas cliente 6114",x= "Año", y="Ventas Totales(Qty)")
  
  regresion <- lm(ventas_totales ~ Año, data=ventas_6114)
summary(regresion)
## 
## Call:
## lm(formula = ventas_totales ~ Año, data = ventas_6114)
## 
## Residuals:
##      1      2      3 
## -43248  86496 -43248 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)
## (Intercept) 230393988  151163818   1.524     0.37
## Año           -113856      74908  -1.520     0.37
## 
## Residual standard error: 105900 on 1 degrees of freedom
## Multiple R-squared:  0.6979, Adjusted R-squared:  0.3958 
## F-statistic:  2.31 on 1 and 1 DF,  p-value: 0.3705
# Ecuación 
# y= 48918677 + (-24174) * Año
# R cuadrada ajustada
# 77%

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

##       1       2       3       4       5       6 
##  404868  291012  177156   63300  -50556 -164412
ventas_6114$Tipo_de_Dato <- "Datos Reales"
Datos$ventas_totales <- prediccion
Datos$Tipo_de_Dato <- "Predicción"

Datos_combinados <- rbind(ventas_6114,Datos)

ggplot(Datos_combinados, aes(x=Año, y= ventas_totales, color=Tipo_de_Dato)) +
  geom_point() +
  labs(title = "Ventas cliente 6114 a 5 años",x= "Año", y="Ventas Totales(Qty)")


# Elaborar regresión lineal


ggplot(Coca_Cola, aes(x=Año, y= ventas_totales)) +
   geom_line() +
  geom_point() +
  labs(title = "Ventas Coca Cola",x= "Año", y="Ventas Totales(Qty)")


regresion <- lm(ventas_totales ~ Año, data=Coca_Cola)
summary(regresion)
## 
## Call:
## lm(formula = ventas_totales ~ Año, data = Coca_Cola)
## 
## Residuals:
##        1        2        3        4 
##   318246  2290104 -5534946  2926596 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)
## (Intercept) -9.193e+09  4.258e+09  -2.159    0.164
## Año          4.589e+06  2.111e+06   2.174    0.162
## 
## Residual standard error: 4719000 on 2 degrees of freedom
## Multiple R-squared:  0.7027, Adjusted R-squared:  0.554 
## F-statistic: 4.727 on 1 and 2 DF,  p-value: 0.1617
# Ecuación 
# y= -9.193e+09 + (4.589e+06) * Año
# R cuadrada ajustada
# 55%

datos<- data.frame(Año=2020:2025)
prediccion<-predict(regresion,datos)
prediccion
##        1        2        3        4        5        6 
## 76304886 80893488 85482090 90070692 94659294 99247896
Coca_Cola$Tipo_de_Dato <- "Datos Reales"
datos$ventas_totales <- prediccion
datos$Tipo_de_Dato <- "Predicción"

datos_combinados <- rbind(Coca_Cola,datos)

ggplot(datos_combinados, aes(x=Año, y= ventas_totales, color=Tipo_de_Dato)) +
  geom_point() +
  labs(title = "Ventas de Coca Cola a 5 años",x= "Año", y="Ventas Totales(Qty)")


# Elaborar regresión lineal
ventas_Huentitán <- Ventas_sucursal %>% filter(CEDI== "Suc. Huentitán")



ggplot(ventas_Huentitán, aes(x=Año, y= ventas_totales)) +
   geom_line() +
  geom_point() +
  labs(title = "Ventas de Sucursal Huentitán",x= "Año", y="Ventas Totales(Qty)")


regresion <- lm(ventas_totales ~ Año, data=ventas_Huentitán)
summary(regresion)
## 
## Call:
## lm(formula = ventas_totales ~ Año, data = ventas_Huentitán)
## 
## Residuals:
##        1        2        3        4 
##  3070121 -2711204 -3787954  3429037 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)
## (Intercept) -385274928 4177889972  -0.092    0.935
## Año             202081    2070825   0.098    0.931
## 
## Residual standard error: 4631000 on 2 degrees of freedom
## Multiple R-squared:  0.004739,   Adjusted R-squared:  -0.4929 
## F-statistic: 0.009523 on 1 and 2 DF,  p-value: 0.9312
# Ecuación 
# y= -9.193e+09 + (4.589e+06) * Año
# R cuadrada ajustada
# 55%

datos<- data.frame(Año=2020:2025)
prediccion<-predict(regresion,datos)
prediccion
##        1        2        3        4        5        6 
## 22929096 23131177 23333258 23535340 23737421 23939502
ventas_Huentitán$Tipo_de_Dato <- "Datos Reales"
datos$ventas_totales <- prediccion
datos$Tipo_de_Dato <- "Predicción"

datos_combinados <- rbind(ventas_Huentitán,datos)

ggplot(datos_combinados, aes(x=Año, y= ventas_totales, color=Tipo_de_Dato)) +
  geom_point() +
  labs(title = "Ventas de Sucursal Huentitán a 5 años",x= "Año", y="Ventas Totales(Qty)")


ventas_Belenes <- Ventas_sucursal %>% filter(CEDI== "Suc. Belenes")



ggplot(ventas_Belenes, aes(x=Año, y= ventas_totales)) +
   geom_line() +
  geom_point() +
  labs(title = "entas de Sucursal Belenes",x= "Año", y="Ventas Totales(Qty)")


regresion <- lm(ventas_totales ~ Año, data=ventas_Belenes)
summary(regresion)
## 
## Call:
## lm(formula = ventas_totales ~ Año, data = ventas_Belenes)
## 
## Residuals:
##        1        2        3        4 
##  2538620  1071029 -9757919  6148270 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)
## (Intercept) -1.976e+10  7.565e+09  -2.612    0.121
## Año          9.809e+06  3.750e+06   2.616    0.120
## 
## Residual standard error: 8385000 on 2 degrees of freedom
## Multiple R-squared:  0.7738, Adjusted R-squared:  0.6607 
## F-statistic: 6.842 on 1 and 2 DF,  p-value: 0.1203
# Ecuación 
# y= -9.193e+09 + (4.589e+06) * Año
# R cuadrada ajustada
# 55%

datos<- data.frame(Año=2020:2025)
predicción<-predict(regresion,datos)
predicción
##         1         2         3         4         5         6 
##  52050486  61859146  71667805  81476465  91285124 101093784
ventas_Belenes$Tipo_de_Dato <- "Datos Reales"
datos$ventas_totales <- predicción
datos$Tipo_de_Dato <- "Predicción"

datos_combinados <- rbind(ventas_Belenes,datos)

ggplot(datos_combinados, aes(x=Año, y= ventas_totales, color=Tipo_de_Dato)) +
  geom_point() +
  labs(title = "Ventas de Sucursal Belenes a 5 años",x= "Año", y="Ventas Totales(Qty)")

  

# <span style= "color: red;">Actividad Individual 5</span>

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 de ventas
pronóstico <- forecast(arima, level=95, h=36)
pronóstico

##          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)")



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



 