# Cargar el paquete
library(magick)
## Linking to ImageMagick 6.9.12.93
## Enabled features: cairo, fontconfig, freetype, heic, lcms, pango, raw, rsvg, webp
## Disabled features: fftw, ghostscript, x11
# Leer un archivo GIF
mi_gif <- image_read("/Users/anacris/Desktop/00000imagengif.gif")

# Mostrar el GIF
print(mi_gif)
##   format width height colorspace matte filesize density
## 1    GIF   297    297       sRGB FALSE        0   72x72
## 2    GIF   297    297       sRGB  TRUE        0   72x72
## 3    GIF   297    297       sRGB  TRUE        0   72x72

Instalar paquetes y llamar librerías

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

Actividad Individual 2

library(readxl) # Leer documentos desde excel
library(ggplot2) # generar gráficos presentables
library(readr)
library(tidyverse)
library(dplyr) # Limpieza base de datos



# <span style="color: red;>"Actividad Colavorativa 2</span>
# Cargar librería vroom
library(vroom)
## 
## Attaching package: 'vroom'
## The following objects are masked from 'package:readr':
## 
##     as.col_spec, col_character, col_date, col_datetime, col_double,
##     col_factor, col_guess, col_integer, col_logical, col_number,
##     col_skip, col_time, cols, cols_condense, cols_only, date_names,
##     date_names_lang, date_names_langs, default_locale, fwf_cols,
##     fwf_empty, fwf_positions, fwf_widths, locale, output_column,
##     problems, spec
# Leer archivo en csv porque en excel no lo lee
df <- vroom("/Users/anacris/Desktop/Datos Arca Continental OriginalCSV11.csv")
## Rows: 466509 Columns: 25
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (11): Territorio, Sub Territorio, CEDI, Cliente, Nombre, Tamaño Cte Indu...
## dbl (14): ID, Año, Enero, Febrero, Marzo, Abril, Mayo, Junio, Julio, Agosto,...
## 
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
parsing_issues <- problems(df)
## Warning: One or more parsing issues, call `problems()` on your data frame for details,
## e.g.:
##   dat <- vroom(...)
##   problems(dat)
# Ver problemas
head(parsing_issues)
## # A tibble: 6 × 5
##     row   col expected actual file                                              
##   <int> <int> <chr>    <chr>  <chr>                                             
## 1  2186    25 a double 1,014  /Users/anacris/Desktop/Datos Arca Continental Ori…
## 2  4509    15 a double 1,124  /Users/anacris/Desktop/Datos Arca Continental Ori…
## 3  4509    17 a double 1,120  /Users/anacris/Desktop/Datos Arca Continental Ori…
## 4  4509    18 a double 1,564  /Users/anacris/Desktop/Datos Arca Continental Ori…
## 5  4509    19 a double 1,081  /Users/anacris/Desktop/Datos Arca Continental Ori…
## 6  4509    20 a double 1,043  /Users/anacris/Desktop/Datos Arca Continental Ori…
#view(df)

Revisar la estructura de los datos

str(df)
## spc_tbl_ [466,509 × 25] (S3: spec_tbl_df/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 ...
##  - attr(*, "spec")=
##   .. cols(
##   ..   ID = col_double(),
##   ..   Año = col_double(),
##   ..   Territorio = col_character(),
##   ..   `Sub Territorio` = col_character(),
##   ..   CEDI = col_character(),
##   ..   Cliente = col_character(),
##   ..   Nombre = col_character(),
##   ..   `Tamaño Cte Industria` = col_character(),
##   ..   `Segmento Det` = col_character(),
##   ..   Marca = col_character(),
##   ..   Presentacion = col_character(),
##   ..   Tamaño = col_character(),
##   ..   Retornable_NR = col_character(),
##   ..   Enero = col_double(),
##   ..   Febrero = col_double(),
##   ..   Marzo = col_double(),
##   ..   Abril = col_double(),
##   ..   Mayo = col_double(),
##   ..   Junio = col_double(),
##   ..   Julio = col_double(),
##   ..   Agosto = col_double(),
##   ..   Septiembre = col_double(),
##   ..   Octubre = col_double(),
##   ..   Noviembre = col_double(),
##   ..   Diciembre = col_double()
##   .. )
##  - attr(*, "problems")=<externalptr>

Revisar NAS en la base de datos

# ¿Cuántos NAS tengo en la base de datos?
sum(is.na(df))
## [1] 3149803
# ¿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               233552               231286 
##                Marzo                Abril                 Mayo 
##               227507               224186               217073 
##                Junio                Julio               Agosto 
##               215908               223538               220367 
##           Septiembre              Octubre            Noviembre 
##               337402               338483               338546 
##            Diciembre 
##               341955
# Opción 1. Eliminar NAS
# df <- na.omit(df)

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

Detectar valores atípicos

boxplot(df$Enero)

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

Funciones del paquete dplyr

# Adecuar nombres con rename
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 ñas ventas del primer semestre y muestra las venta 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, representación y tamaño.
df6 <- df5 %>%
  group_by(Marca, Presentacion, Tamaño) %>%
  summarise(Ventas_Sem1 = mean(Ventas_Sem1), .groups = "drop")
df6
## # A tibble: 274 × 4
##    Marca        Presentacion    Tamaño     Ventas_Sem1
##    <chr>        <chr>           <chr>            <dbl>
##  1 AdeS Frutal  200 ml Tetra    Individual      1.22  
##  2 AdeS Frutal  946 ml NR Tetra Familiar        4.17  
##  3 AdeS Lácteo  200 ml Tetra    Individual      0.0857
##  4 AdeS Lácteo  946 ml NR Tetra Familiar        3.30  
##  5 Barista Bros 250 ml. NR PET  Individual      0.343 
##  6 Bebere       473 ml NR       Individual      3.23  
##  7 Burn         Lata 235 ml     Individual      0.558 
##  8 Burn         Lata 237 ml     Individual      0.182 
##  9 Burn         Lata 310 ml     Individual      0     
## 10 Burn         Lata 450 ml     Individual      2.60  
## # ℹ 264 more rows
# Calcular medidas de tendencia central
summary(df)
##        ID              Año        Territorio        Sub Territorio    
##  Min.   :     1   Min.   :2016   Length:466509      Length:466509     
##  1st Qu.:116628   1st Qu.:2017   Class :character   Class :character  
##  Median :233255   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:466509      Length:466509      Length:466509      Length:466509       
##  Class :character   Class :character   Class :character   Class :character    
##  Mode  :character   Mode  :character   Mode  :character   Mode  :character    
##                                                                               
##                                                                               
##                                                                               
##                                                                               
##  Segmento Det          Marca           Presentacion          Tamaño         
##  Length:466509      Length:466509      Length:466509      Length:466509     
##  Class :character   Class :character   Class :character   Class :character  
##  Mode  :character   Mode  :character   Mode  :character   Mode  :character  
##                                                                             
##                                                                             
##                                                                             
##                                                                             
##  Retornable_NR          Enero           Febrero           Marzo       
##  Length:466509      Min.   :-19.00   Min.   :-11.00   Min.   :-32.00  
##  Class :character   1st Qu.:  1.00   1st Qu.:  1.00   1st Qu.:  1.00  
##  Mode  :character   Median :  2.00   Median :  2.00   Median :  3.00  
##                     Mean   :  9.39   Mean   :  9.09   Mean   : 10.54  
##                     3rd Qu.:  6.00   3rd Qu.:  6.00   3rd Qu.:  6.00  
##                     Max.   :999.00   Max.   :986.00   Max.   :986.00  
##                     NA's   :233552   NA's   :231286   NA's   :227507  
##      Abril             Mayo             Junio             Julio       
##  Min.   :-70.00   Min.   :-106.00   Min.   :-211.00   Min.   :-60.00  
##  1st Qu.:  1.00   1st Qu.:   1.00   1st Qu.:   1.00   1st Qu.:  1.00  
##  Median :  3.00   Median :   3.00   Median :   3.00   Median :  2.00  
##  Mean   : 10.62   Mean   :  11.44   Mean   :  10.98   Mean   : 10.72  
##  3rd Qu.:  6.00   3rd Qu.:   7.00   3rd Qu.:   6.00   3rd Qu.:  6.00  
##  Max.   :993.00   Max.   : 991.00   Max.   : 998.00   Max.   :993.00  
##  NA's   :224186   NA's   :217073    NA's   :215908    NA's   :223538  
##      Agosto          Septiembre        Octubre         Noviembre     
##  Min.   :-211.00   Min.   :-527     Min.   :-38.0    Min.   :-25.0   
##  1st Qu.:   1.00   1st Qu.:   1     1st Qu.:  1.0    1st Qu.:  1.0   
##  Median :   3.00   Median :   3     Median :  3.0    Median :  3.0   
##  Mean   :  10.95   Mean   :  12     Mean   : 12.1    Mean   : 11.8   
##  3rd Qu.:   6.00   3rd Qu.:   7     3rd Qu.:  7.0    3rd Qu.:  6.0   
##  Max.   : 999.00   Max.   : 993     Max.   :998.0    Max.   :991.0   
##  NA's   :220367    NA's   :337402   NA's   :338483   NA's   :338546  
##    Diciembre     
##  Min.   :-28     
##  1st Qu.:  1     
##  Median :  3     
##  Mean   : 13     
##  3rd Qu.:  7     
##  Max.   :997     
##  NA's   :341955

Actividad Colavorativa 2

# Hallazgo 1: Ventas totales por CEDI y año

#library(dplyr)


#ArcaContinentalDatos <- ArcaContinentalDatos %>%
#  mutate(Ventas_totales = rowSums(select(., Enero:Diciembre), na.rm = TRUE))


#print(ArcaContinentalDatos)

#ventas_totales_por_cedi_y_anio <- ArcaContinentalDatos %>%
 # group_by(CEDI, Año) %>%
 # summarise(Ventas_totales = sum(Enero + Febrero + Marzo + Abril + Mayo + Junio + Julio + Agosto + Septiembre + Octubre + Noviembre + Diciembre), .groups = 'drop') %>%
 # arrange(desc(Ventas_totales))

#df_hallazgo_1 <- as.data.frame(ventas_totales_por_cedi_y_anio)

# Hallazgo 2: Mes con mayores ventas

#mes_mayor_ventas <- ArcaContinentalDatos %>%
 # summarise_at(vars(Enero:Diciembre), sum, na.rm = TRUE) %>%
 # pivot_longer(cols = Enero:Diciembre, names_to = "Mes", values_to = "Ventas_totales") %>%
 # top_n(1, Ventas_totales)

#print(mes_mayor_ventas)


#df_hallazgo_2 <- as.data.frame(mes_mayor_ventas)


# Hallazgo 3: Tamaño de tienda con las mayores ventas promedio



#ventas_promedio_por_tamanio <- ArcaContinentalDatos %>%
 # group_by(Tamaño) %>%
# summarise(Ventas_promedio = mean(Ventas_totales, na.rm = TRUE)) %>%
 # arrange(desc(Ventas_promedio)) %>%
 # top_n(1, Ventas_promedio)

#print(ventas_promedio_por_tamanio)
#df_hallazgo_3 <- as.data.frame(ventas_promedio_por_tamanio)

# Hallazgo 4: Comparación de ventas entre diferentes tipos de presentación de productos

#ventas_por_presentacion <- ArcaContinentalDatos %>%
 # group_by(Presentacion) %>%
 # summarise(Ventas_totales = sum(Ventas_totales, na.rm = TRUE)) %>%
 # arrange(desc(Ventas_totales))


#print(ventas_por_presentacion)


#df_hallazgo_4 <- as.data.frame(ventas_por_presentacion)

# Hallazgo 5: Marca mas vendida

#top_Marca <- ArcaContinentalDatos %>%
 # group_by(Marca) %>%
 # summarise(Ventas_totales = sum(Ventas_totales, na.rm = TRUE)) %>%
 # arrange(desc(Ventas_totales)) %>%
 # slice(1)

#print(top_Marca)

#df_Marca_mas_vendida <- data.frame(Marca = top_Marca$Marca, 
#Ventas_totales = top_Marca$Ventas_totales)

#print(df_Marca_mas_vendida)



# Hallazgo 6: Tendencia de ventas a lo largo del año
#ventas_por_mes <- ArcaContinentalDatos %>%
 # summarise_at(vars(Enero:Diciembre), sum, na.rm = TRUE) %>%
 # pivot_longer(cols = Enero:Diciembre, names_to = "Mes", values_to = "Ventas_totales")

#print(ventas_por_mes)

#df_hallazgo_6 <- as.data.frame(ventas_por_mes)

Actividad Individual 3

# Calcular medidas de tendencia central
summary(df)
##        ID              Año        Territorio        Sub Territorio    
##  Min.   :     1   Min.   :2016   Length:466509      Length:466509     
##  1st Qu.:116628   1st Qu.:2017   Class :character   Class :character  
##  Median :233255   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:466509      Length:466509      Length:466509      Length:466509       
##  Class :character   Class :character   Class :character   Class :character    
##  Mode  :character   Mode  :character   Mode  :character   Mode  :character    
##                                                                               
##                                                                               
##                                                                               
##                                                                               
##  Segmento Det          Marca           Presentacion          Tamaño         
##  Length:466509      Length:466509      Length:466509      Length:466509     
##  Class :character   Class :character   Class :character   Class :character  
##  Mode  :character   Mode  :character   Mode  :character   Mode  :character  
##                                                                             
##                                                                             
##                                                                             
##                                                                             
##  Retornable_NR          Enero           Febrero           Marzo       
##  Length:466509      Min.   :-19.00   Min.   :-11.00   Min.   :-32.00  
##  Class :character   1st Qu.:  1.00   1st Qu.:  1.00   1st Qu.:  1.00  
##  Mode  :character   Median :  2.00   Median :  2.00   Median :  3.00  
##                     Mean   :  9.39   Mean   :  9.09   Mean   : 10.54  
##                     3rd Qu.:  6.00   3rd Qu.:  6.00   3rd Qu.:  6.00  
##                     Max.   :999.00   Max.   :986.00   Max.   :986.00  
##                     NA's   :233552   NA's   :231286   NA's   :227507  
##      Abril             Mayo             Junio             Julio       
##  Min.   :-70.00   Min.   :-106.00   Min.   :-211.00   Min.   :-60.00  
##  1st Qu.:  1.00   1st Qu.:   1.00   1st Qu.:   1.00   1st Qu.:  1.00  
##  Median :  3.00   Median :   3.00   Median :   3.00   Median :  2.00  
##  Mean   : 10.62   Mean   :  11.44   Mean   :  10.98   Mean   : 10.72  
##  3rd Qu.:  6.00   3rd Qu.:   7.00   3rd Qu.:   6.00   3rd Qu.:  6.00  
##  Max.   :993.00   Max.   : 991.00   Max.   : 998.00   Max.   :993.00  
##  NA's   :224186   NA's   :217073    NA's   :215908    NA's   :223538  
##      Agosto          Septiembre        Octubre         Noviembre     
##  Min.   :-211.00   Min.   :-527     Min.   :-38.0    Min.   :-25.0   
##  1st Qu.:   1.00   1st Qu.:   1     1st Qu.:  1.0    1st Qu.:  1.0   
##  Median :   3.00   Median :   3     Median :  3.0    Median :  3.0   
##  Mean   :  10.95   Mean   :  12     Mean   : 12.1    Mean   : 11.8   
##  3rd Qu.:   6.00   3rd Qu.:   7     3rd Qu.:  7.0    3rd Qu.:  6.0   
##  Max.   : 999.00   Max.   : 993     Max.   :998.0    Max.   :991.0   
##  NA's   :220367    NA's   :337402   NA's   :338483   NA's   :338546  
##    Diciembre     
##  Min.   :-28     
##  1st Qu.:  1     
##  Median :  3     
##  Mean   : 13     
##  3rd Qu.:  7     
##  Max.   :997     
##  NA's   :341955
# Colapsar meses en una columna 
df7 <- gather(df1, Mes, Ventas, Enero:Diciembre)
df7
## # A tibble: 5,598,108 × 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 5,598,098 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 pcon 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", "Dicembre"="12")

df7$Número_de_Mes <- meses[df7$Mes]

#  Gráficar el total de ventas por mes y año 

ventas_totales <- df7 %>%
  group_by(Año, Mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Mes)  # Ordenar por la columna Mes
## `summarise()` has grouped output by 'Año'. You can override using the `.groups`
## argument.
ggplot(ventas_totales, aes(x = 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

# top 10 de marcas con mayor cantidad de ventas
top_10_marcas <- df7 %>%
  group_by(Marca) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  top_n(10, Ventas_Totales) %>%
  arrange(desc(Ventas_Totales))

colores <- rainbow(nrow(top_10_marcas))

ggplot(top_10_marcas, aes(x = reorder(Marca, Ventas_Totales), y = Ventas_Totales, fill = as.factor(Marca))) +
  geom_bar(stat = "identity") +
  scale_fill_manual(values = colores) +
  labs(title = "Top 10 de Ventas por Marca",
       x = "Marca",
       y = "Ventas totales",
       fill = "Marca") +
  theme_minimal() +
  theme(legend.position = "none")

# TEMPORAL DATOS NORMALIZADOS PARA VER MEJOR EL GRÁFICO
library(scales)
## 
## Attaching package: 'scales'
## The following object is masked from 'package:vroom':
## 
##     col_factor
## The following object is masked from 'package:purrr':
## 
##     discard
## The following object is masked from 'package:readr':
## 
##     col_factor
library(ggplot2)
library(stringr)

# Definir los colores para el gráfico
colores <- rainbow(length(top_10_marcas$Marca))

# Crear el gráfico de barras con escala logarítmica en el eje y
ggplot(top_10_marcas, aes(x = reorder(Marca, Ventas_Totales), y = Ventas_Totales, fill = as.factor(Marca))) +
  geom_bar(stat = "identity") +
  scale_fill_manual(values = colores) +
  labs(title = "Top 10 de Ventas por Marca",
       x = "Marca",
       y = "Ventas totales") +
  theme_minimal() +
  theme(legend.position = "none") +
  scale_x_discrete(labels = function(x) str_wrap(x, width = 10)) +  # Ajustar los nombres de las marcas para evitar superposiciones
  scale_y_continuous(trans = "log10", labels = comma)  # Escala logarítmica en el eje y y separador de miles en los ticks

# Calcular las ventas totales por tamaño de tienda
ventas_por_tamaño <- df7 %>%
  group_by(Tamaño) %>%
  summarise(Ventas_Totales = sum(Ventas))

# Gráfico de dispersión para mostrar la relación entre las ventas y el tamaño de la tienda
ggplot(ventas_por_tamaño, aes(x = Tamaño, y = Ventas_Totales)) +
  geom_point(color = "darkgreen") +
  labs(title = "Relación entre Ventas y Tamaño de Tienda",
       x = "Tamaño de Tienda",
       y = "Ventas Totales") +
  theme_minimal()

# Calcular las ventas totales por tamaño de cliente en la industria
ventas_totales_por_tamaño_cliente <- df7 %>%
  group_by(Tamaño_Cte_Industria) %>%
  summarise(Ventas_Totales = sum(Ventas))

# Gráfico de barras para mostrar las ventas totales por tamaño de cliente en la industria
ggplot(ventas_totales_por_tamaño_cliente, aes(x = Tamaño_Cte_Industria, y = Ventas_Totales, fill = Tamaño_Cte_Industria)) +
  geom_bar(stat = "identity") +
  labs(title = "Ventas Totales por Tamaño de Cliente en la Industria",
       x = "Tamaño de Cliente en la Industria",
       y = "Ventas Totales") +
  theme_minimal()

# Calcular las ventas totales por año y marca
df8 <- df7 %>%
  group_by(Año, Marca) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Año, desc(Ventas_Totales)) %>%
  mutate(Ventas_acumuladas = cumsum(Ventas_Totales))
## `summarise()` has grouped output by 'Año'. You can override using the `.groups`
## argument.
# Seleccionar las 10 principales marcas por ventas acumuladas
top_marcas <- df8 %>%
  group_by(Marca) %>%
  summarise(Ventas_acumuladas = last(Ventas_acumuladas)) %>%
  arrange(desc(Ventas_acumuladas)) %>%
  top_n(10)
## Selecting by Ventas_acumuladas
# Filtrar el dataframe original para incluir solo las marcas principales
df9 <- df8 %>%
  filter(Marca %in% top_marcas$Marca)

# Gráfico de área para mostrar la tendencia de ventas por marca a lo largo de los años
ggplot(df9, aes(x = Año, y = Ventas_acumuladas, fill = Marca)) +
  geom_area() +
  labs(title = "Tendencia de Ventas por Marca a lo largo de los Años",
       x = "Año",
       y = "Ventas Acumuladas",
       fill = "Marca") +
  theme_minimal()

Actividad Individual 4

# Elavorar regresión lineal
ventas_4567 <- df7 %>%
  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 
## -1001  2003 -1001 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)
## (Intercept)  4778938    3499939   1.365    0.402
## Año            -2356       1734  -1.358    0.404
## 
## Residual standard error: 2453 on 1 degrees of freedom
## Multiple R-squared:  0.6485, Adjusted R-squared:  0.2971 
## F-statistic: 1.845 on 1 and 1 DF,  p-value: 0.404
# 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 
## 19818.333 17462.333 15106.333 12750.333 10394.333  8038.333
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= "pronóstico a 5 años de ventas del Cliente 4567")

Actividad Colavorativa 4

#ventas_6626 <- ArcaContinentalDatos %>%
 # filter(Cliente == "6626") %>%
  #group_by(Año) %>%
  #summarise(ventas_totales = sum(Ventas_totales))

#modelo_6626 <- lm(ventas_totales ~ Año, data = ventas_6626)

#summary(modelo_6626)
# Ecuación
# y - 55208195 - 27316 * Año
#R cuadrada ajustada
# 93%
#nuevos_datos_6626 <- data.frame(Año = 2020:2025)
#predicciones_6626 <- predict(modelo_6626, nuevos_datos_6626)

#datos_completos_6626 <- rbind(
 # cbind(ventas_6626, Tipo = "Datos reales"),
 # cbind(data.frame(Año = 2020:2025, ventas_totales = predicciones_6626), Tipo = "Predicciones")
#)

#ggplot(datos_completos_6626, aes(x = Año, y = ventas_totales, color = Tipo)) +
  #geom_line() +  
  #geom_point() +  
  #labs(title = "Ventas Totales (2017-2025) - Cliente 6626", x = "Año", y = "Ventas Totales", color = "Tipo") +
 # theme_minimal()

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)

# Confirmar que los datos que queremos modelar que esten ordenados cronológicamente.

# Funcion de serie de Tiempo MENSUAL, que inicia en Enero 2017

ts <- ts(data=ventas_mensuales_4567$Ventas_Totales, start = c(2017,1), frequency = 12)

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

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

# Funcion de serie de Tiempo TRIMESTRAL, que inicia en Enero 2017 (Q4)
# ts <- ts(data=ventas_mensuales_4567$Ventas_Totales, start = c(2017,4), frequency = 4)

# Funcion de serie de Tiempo ANUAL, que inicia en 2017
# 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] with drift 
## 
## Coefficients:
##         drift
##       18.9125
## s.e.  10.8519
## 
## sigma^2 = 357011:  log likelihood = -155.72
## AIC=315.44   AICc=316.15   BIC=317.43
summary(arima)
## Series: ts 
## ARIMA(0,0,0)(0,1,0)[12] with drift 
## 
## Coefficients:
##         drift
##       18.9125
## s.e.  10.8519
## 
## sigma^2 = 357011:  log likelihood = -155.72
## AIC=315.44   AICc=316.15   BIC=317.43
## 
## Training set error measures:
##                     ME     RMSE      MAE       MPE     MAPE      MASE      ACF1
## Training set 0.7628067 460.4076 296.7347 -2.519477 14.50496 0.5771364 0.2152766
#Generar el pronostico de ventas
pronostico <- forecast(arima, level=95, h=36)
pronostico
##          Point Forecast     Lo 95    Hi 95
## Sep 2019        2489.95 1318.8642 3661.036
## Oct 2019        2470.95 1299.8642 3642.036
## Nov 2019        2401.95 1230.8642 3573.036
## Dec 2019        2795.95 1624.8642 3967.036
## Jan 2020        1998.95  827.8642 3170.036
## Feb 2020        2553.95 1382.8642 3725.036
## Mar 2020        2581.95 1410.8642 3753.036
## Apr 2020        3185.95 2014.8642 4357.036
## May 2020        3329.95 2158.8642 4501.036
## Jun 2020        3328.95 2157.8642 4500.036
## Jul 2020        2977.95 1806.8642 4149.036
## Aug 2020        3030.95 1859.8642 4202.036
## Sep 2020        2716.90 1060.7346 4373.065
## Oct 2020        2697.90 1041.7346 4354.065
## Nov 2020        2628.90  972.7346 4285.065
## Dec 2020        3022.90 1366.7346 4679.065
## Jan 2021        2225.90  569.7346 3882.065
## Feb 2021        2780.90 1124.7346 4437.065
## Mar 2021        2808.90 1152.7346 4465.065
## Apr 2021        3412.90 1756.7346 5069.065
## May 2021        3556.90 1900.7346 5213.065
## Jun 2021        3555.90 1899.7346 5212.065
## Jul 2021        3204.90 1548.7346 4861.065
## Aug 2021        3257.90 1601.7346 4914.065
## Sep 2021        2943.85  915.4699 4972.230
## Oct 2021        2924.85  896.4699 4953.230
## Nov 2021        2855.85  827.4699 4884.230
## Dec 2021        3249.85 1221.4699 5278.230
## Jan 2022        2452.85  424.4699 4481.230
## Feb 2022        3007.85  979.4699 5036.230
## Mar 2022        3035.85 1007.4699 5064.230
## Apr 2022        3639.85 1611.4699 5668.230
## May 2022        3783.85 1755.4699 5812.230
## Jun 2022        3782.85 1754.4699 5811.230
## Jul 2022        3431.85 1403.4699 5460.230
## Aug 2022        3484.85 1456.4699 5513.230
plot(pronostico, main="Ventas Mensuales y Prónosticos 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 %>%
  filter(Segmento_Det == "Agua Purificada" | Segmento_Det == "Isotónicos Regular" | Segmento_Det == "Colas Regular" ) %>%
  filter(Año == 2018) %>%
  group_by(Segmento_Det, Número_de_Mes) %>%
summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Número_de_Mes)
## `summarise()` has grouped output by 'Segmento_Det'. You can override using the
## `.groups` argument.
  ggplot(ventas_totales_seg, aes(x=Número_de_Mes, y=Ventas_Totales,group=Segmento_Det, color= as.factor(Segmento_Det))) + 
  geom_line() +
  geom_point() +
  labs(x="Mes",y= "Ventas Totales(Qty)", title= "Ventas Totales por segmento", color = "segmento")

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

  1. ¿El incremento en las ventas es similar entre los diferentes tamaños de clientes?
ventas_totales_tam_cliente <- df7 %>%
  filter(Año == 2019) %>%
  group_by(Tamaño_Cte_Industria, Número_de_Mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Número_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=Número_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 segmento", color="Segmento")

Respuesta: El incremento de ventas similar independientes de los tamaños de los clientes. Como todos los negocios están abiertos los mismos días, y estan ubicados en la misma ciudad (Guadalajara), los factores externos de las ventas afectan casi igual a todos. El mes de Mayo de 2019, fue el de mayor venta en todos los tamaños de cliente, y el primer bimestre fue el más bajo también para todos los tamaños de cliente

  1. ¿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 %>%
  filter(Año == 2019) %>%
  filter(Marca =="Coca-Cola" | Marca == "Valle Frut" | Marca == "Ciel Agua Purificada"| Marca == "Coca-Cola Light" ) %>%
  group_by(Marca, Número_de_Mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Número_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=Número_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")

Respuesta: El comportamiento de las ventas es similar entre las marcas a través de los meses, pero hay marcas que venden mucho más que otras. Los meses de más ventas de bebidas son los meses en que la temperatura es mayor, y las marcas más conocidad son las que tienen en mente el consumidor. El mes de Mayo 2019 es para todas las marcas el de mayores ventas, pero las marcas Coca-Cola es la que vente mas de todas

  1. ¿Se ha incrementado la venta de productos en envases retornables en los últimos dos años?
ventas_totales_envase <- df7 %>%
  filter(Retornable_NR=="Retornable") %>%
filter(Año == c(2017,2018, 2019)) %>%
  group_by(Retornable_NR, Año, Número_de_Mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Número_de_Mes) %>%
  filter(Ventas_Totales != 0)
## `summarise()` has grouped output by 'Retornable_NR', 'Año'. You can override
## using the `.groups` argument.
ggplot(ventas_totales_envase, 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 Envases Retornables", color="Año")

Respuesta: La venta de productos en envase retornable aumentó en los últimos dos años. Las campañas de conciencia ambiental han vuelto populares las opciones menos dañinas al ecosistema. De 2017 a 2018 hubo un ligero incremento en las ventas de envase retornable, y entre 2028 y 2019 el aumento fue muy notorio

Notas: Hay otro factor a considerar como que en el 2019 hay más tiendas con el proyecto siglo XXI, o que las tiendas en general venden más productos (tanto retornable como no retornables)

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

Respuesta: Las ventas de Agua Purificada no ha aumentado en relación a Refrescos o Bebidas Isorónicas. La presepción que el agua no tiene valor agregado en la preparación y el azucar en la receta hacen de los refrescos la opción preferida de los consumidores mexicanos. En 2018 las ventas totales de Agua Purificada no superaron las 50,000 unidades, mientras que la Coca-Cola vendió en su mes más alto 450,000 (8 veces más que el agua)

  1. ¿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 %>%
  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="Secuencia de Mes",y= "Ventas Totales(Qty)", title= "Ventas Totales por segmento", color = "Segmento")

Respuesta: La venta de agua y refrescos se incrementa en los mismos meses y através de los años, pero no se puede concluir que un incremento cause el otro. Los meses calurosos y el crecimiento de la poblacion hace que las ventas se incrementen en las bebidas, sean agua o refresco. En la grafica obtenida se observa un incremento año con año, en la venta de agua y tmabién de refrescos.

  1. ¿A cuánto ascienden las ventas esperadas para el 2020 en la Coca Cola de 500 ml NR Vidrio?
ventas_coca_vidrio <- df7 %>%
  filter(Marca == "Coca-Cola" & Presentacion == "500 ml NR Vidrio") %>%
  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 que esten ordenados cronológicamente.

# Funcion de serie de Tiempo MENSUAL, que inicia en Enero 2017

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


# Crear Modelo ARIMA
# Modelo Autoregresivo Integrado de Promedio Movil.
arima <- auto.arima(ts, D=1) # D=1 por la temporalidad 
arima
## Series: ts 
## ARIMA(2,0,0)(0,1,0)[12] 
## 
## Coefficients:
##          ar1     ar2
##       0.5295  0.3894
## s.e.  0.1620  0.1675
## 
## sigma^2 = 43853624:  log likelihood = -326.78
## AIC=659.55   AICc=660.41   BIC=663.95
summary(arima)
## Series: ts 
## ARIMA(2,0,0)(0,1,0)[12] 
## 
## Coefficients:
##          ar1     ar2
##       0.5295  0.3894
## s.e.  0.1620  0.1675
## 
## sigma^2 = 43853624:  log likelihood = -326.78
## AIC=659.55   AICc=660.41   BIC=663.95
## 
## Training set error measures:
##                    ME     RMSE      MAE      MPE     MAPE      MASE        ACF1
## Training set 1033.787 5468.107 3241.566 1.507338 8.327163 0.3840719 -0.05650354
#Generar el pronostico de ventas
pronostico <- forecast(arima, level=95, h=36)
pronostico
##          Point Forecast     Lo 95     Hi 95
## Sep 2019       58156.12 45176.829  71135.40
## Oct 2019       52499.29 37812.522  67186.06
## Nov 2019       49458.16 32391.487  66524.84
## Dec 2019       56431.22 37876.933  74985.50
## Jan 2020       59154.72 39238.115  79071.32
## Feb 2020       65522.78 44519.655  86525.91
## Mar 2020       69257.14 47315.197  91199.09
## Apr 2020       50288.50 27551.899  73025.11
## May 2020       77987.01 54564.321 101409.70
## Jun 2020       64964.29 40949.458  88979.12
## Jul 2020       67526.38 42997.031  92055.73
## Aug 2020       69653.05 44675.591  94630.50
## Sep 2020       69557.81 39106.113 100009.50
## Oct 2020       63246.60 30849.254  95643.94
## Nov 2020       59588.59 24813.501  94363.69
## Dec 2020       65980.20 29507.468 102452.93
## Jan 2021       68155.62 30133.204 106178.04
## Feb 2021       74007.06 34698.808 113315.32
## Mar 2021       77254.45 36822.992 117685.92
## Apr 2021       57826.79 16428.648  99224.94
## May 2021       85092.63 42851.954 127333.30
## Jun 2021       71662.07 28687.502 114636.64
## Jul 2021       73839.73 30223.131 117456.33
## Aug 2021       75604.03 31424.943 119783.12
## Sep 2021       75167.22 26834.052 123500.40
## Oct 2021       68534.06 18452.579 118615.53
## Nov 2021       64572.57 12412.279 116732.86
## Dec 2021       70678.11 16963.730 124392.49
## Jan 2022       72583.89 17441.272 127726.50
## Feb 2022       78181.16 21832.237 134530.09
## Mar 2022       81188.97 23777.192 138600.75
## Apr 2022       61535.49  3200.323 119870.65
## May 2022       88588.45 29443.146 147733.76
## Jun 2022       74957.25 15102.023 134812.47
## Jul 2022       76945.77 16466.507 137425.04
## Aug 2022       78531.80 17503.531 139560.07
plot(pronostico, main="Ventas Mensuales y Prónosticos a 2020 de Coca-Cola 500 ml NR Vidrio,", xlab= "Año", ylab = "Ventas (Qty)")

Respuesta: Las ventas esperadas de Coca-cola de 500 ml NR de vidrio para 2020 oscilan mensualmente entre 45,000 y 65,000 unidades, con una confiabilidad del 95%

---
title: "Arca Continental | Proyecto: siglo XXI"
author: "Ana Cristina Trevino A01233898"
date: "2024-03-19"
output: 
  html_document:
    toc: TRUE
    toc_float: TRUE
    code_download: TRUE
    theme: cosmo
---


```{r}
# Cargar el paquete
library(magick)

# Leer un archivo GIF
mi_gif <- image_read("/Users/anacris/Desktop/00000imagengif.gif")

# Mostrar el GIF
print(mi_gif)
```

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

```

# <span style="color: red;">Actividad Individual 2</span>
```{r}
library(readxl) # Leer documentos desde excel
library(ggplot2) # generar gráficos presentables
library(readr)
library(tidyverse)
library(dplyr) # Limpieza base de datos



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



```

```{r}
# Cargar librería vroom
library(vroom)

# Leer archivo en csv porque en excel no lo lee
df <- vroom("/Users/anacris/Desktop/Datos Arca Continental OriginalCSV11.csv")
parsing_issues <- problems(df)

# Ver problemas
head(parsing_issues)
#view(df)
```




## Revisar la estructura de los datos
```{r}
str(df)
```
## Revisar NAS en la base de datos
```{r}
# ¿Cuántos NAS tengo en la base de datos?
sum(is.na(df))

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

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

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

# Opción 3. reemplazar NAs con PROMEDIO
# df1 <- df
# df1$Enero[is.na(df1$Enero)] <- mean(df1$Enero, na.rm=TRUE)
```
## Detectar valores atípicos 
```{r}
boxplot(df$Enero)

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

## Funciones del paquete dplyr
```{r}
# Adecuar nombres con rename
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 ñas ventas del primer semestre y muestra las venta 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))
  
```


```{r}
# Obtén la media de las ventas del primer semestre agrupado por marca, representación y tamaño.
df6 <- df5 %>%
  group_by(Marca, Presentacion, Tamaño) %>%
  summarise(Ventas_Sem1 = mean(Ventas_Sem1), .groups = "drop")
df6
```


```{r}
# Calcular medidas de tendencia central
summary(df)
```




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


# Hallazgo 1: Ventas totales por CEDI y año

#library(dplyr)


#ArcaContinentalDatos <- ArcaContinentalDatos %>%
#  mutate(Ventas_totales = rowSums(select(., Enero:Diciembre), na.rm = TRUE))


#print(ArcaContinentalDatos)

#ventas_totales_por_cedi_y_anio <- ArcaContinentalDatos %>%
 # group_by(CEDI, Año) %>%
 # summarise(Ventas_totales = sum(Enero + Febrero + Marzo + Abril + Mayo + Junio + Julio + Agosto + Septiembre + Octubre + Noviembre + Diciembre), .groups = 'drop') %>%
 # arrange(desc(Ventas_totales))

#df_hallazgo_1 <- as.data.frame(ventas_totales_por_cedi_y_anio)

# Hallazgo 2: Mes con mayores ventas

#mes_mayor_ventas <- ArcaContinentalDatos %>%
 # summarise_at(vars(Enero:Diciembre), sum, na.rm = TRUE) %>%
 # pivot_longer(cols = Enero:Diciembre, names_to = "Mes", values_to = "Ventas_totales") %>%
 # top_n(1, Ventas_totales)

#print(mes_mayor_ventas)


#df_hallazgo_2 <- as.data.frame(mes_mayor_ventas)


# Hallazgo 3: Tamaño de tienda con las mayores ventas promedio



#ventas_promedio_por_tamanio <- ArcaContinentalDatos %>%
 # group_by(Tamaño) %>%
# summarise(Ventas_promedio = mean(Ventas_totales, na.rm = TRUE)) %>%
 # arrange(desc(Ventas_promedio)) %>%
 # top_n(1, Ventas_promedio)

#print(ventas_promedio_por_tamanio)
#df_hallazgo_3 <- as.data.frame(ventas_promedio_por_tamanio)

# Hallazgo 4: Comparación de ventas entre diferentes tipos de presentación de productos

#ventas_por_presentacion <- ArcaContinentalDatos %>%
 # group_by(Presentacion) %>%
 # summarise(Ventas_totales = sum(Ventas_totales, na.rm = TRUE)) %>%
 # arrange(desc(Ventas_totales))


#print(ventas_por_presentacion)


#df_hallazgo_4 <- as.data.frame(ventas_por_presentacion)

# Hallazgo 5: Marca mas vendida

#top_Marca <- ArcaContinentalDatos %>%
 # group_by(Marca) %>%
 # summarise(Ventas_totales = sum(Ventas_totales, na.rm = TRUE)) %>%
 # arrange(desc(Ventas_totales)) %>%
 # slice(1)

#print(top_Marca)

#df_Marca_mas_vendida <- data.frame(Marca = top_Marca$Marca, 
#Ventas_totales = top_Marca$Ventas_totales)

#print(df_Marca_mas_vendida)



# Hallazgo 6: Tendencia de ventas a lo largo del año
#ventas_por_mes <- ArcaContinentalDatos %>%
 # summarise_at(vars(Enero:Diciembre), sum, na.rm = TRUE) %>%
 # pivot_longer(cols = Enero:Diciembre, names_to = "Mes", values_to = "Ventas_totales")

#print(ventas_por_mes)

#df_hallazgo_6 <- as.data.frame(ventas_por_mes)

```


# <span style="color: red;">Actividad Individual 3</span>
```{r}
# Calcular medidas de tendencia central
summary(df)

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




```{r}
# Agregar una columna pcon 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", "Dicembre"="12")

df7$Número_de_Mes <- meses[df7$Mes]

#  Gráficar el total de ventas por mes y año 

ventas_totales <- df7 %>%
  group_by(Año, Mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Mes)  # Ordenar por la columna Mes

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

# <span style="color: red;">Tarea Colaborativa 3</span>
```{r}
# top 10 de marcas con mayor cantidad de ventas
top_10_marcas <- df7 %>%
  group_by(Marca) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  top_n(10, Ventas_Totales) %>%
  arrange(desc(Ventas_Totales))

colores <- rainbow(nrow(top_10_marcas))

ggplot(top_10_marcas, aes(x = reorder(Marca, Ventas_Totales), y = Ventas_Totales, fill = as.factor(Marca))) +
  geom_bar(stat = "identity") +
  scale_fill_manual(values = colores) +
  labs(title = "Top 10 de Ventas por Marca",
       x = "Marca",
       y = "Ventas totales",
       fill = "Marca") +
  theme_minimal() +
  theme(legend.position = "none")
```

```{r}
# TEMPORAL DATOS NORMALIZADOS PARA VER MEJOR EL GRÁFICO
library(scales)
library(ggplot2)
library(stringr)

# Definir los colores para el gráfico
colores <- rainbow(length(top_10_marcas$Marca))

# Crear el gráfico de barras con escala logarítmica en el eje y
ggplot(top_10_marcas, aes(x = reorder(Marca, Ventas_Totales), y = Ventas_Totales, fill = as.factor(Marca))) +
  geom_bar(stat = "identity") +
  scale_fill_manual(values = colores) +
  labs(title = "Top 10 de Ventas por Marca",
       x = "Marca",
       y = "Ventas totales") +
  theme_minimal() +
  theme(legend.position = "none") +
  scale_x_discrete(labels = function(x) str_wrap(x, width = 10)) +  # Ajustar los nombres de las marcas para evitar superposiciones
  scale_y_continuous(trans = "log10", labels = comma)  # Escala logarítmica en el eje y y separador de miles en los ticks
```





```{r}
# Calcular las ventas totales por tamaño de tienda
ventas_por_tamaño <- df7 %>%
  group_by(Tamaño) %>%
  summarise(Ventas_Totales = sum(Ventas))

# Gráfico de dispersión para mostrar la relación entre las ventas y el tamaño de la tienda
ggplot(ventas_por_tamaño, aes(x = Tamaño, y = Ventas_Totales)) +
  geom_point(color = "darkgreen") +
  labs(title = "Relación entre Ventas y Tamaño de Tienda",
       x = "Tamaño de Tienda",
       y = "Ventas Totales") +
  theme_minimal()
```

```{r}
# Calcular las ventas totales por tamaño de cliente en la industria
ventas_totales_por_tamaño_cliente <- df7 %>%
  group_by(Tamaño_Cte_Industria) %>%
  summarise(Ventas_Totales = sum(Ventas))

# Gráfico de barras para mostrar las ventas totales por tamaño de cliente en la industria
ggplot(ventas_totales_por_tamaño_cliente, aes(x = Tamaño_Cte_Industria, y = Ventas_Totales, fill = Tamaño_Cte_Industria)) +
  geom_bar(stat = "identity") +
  labs(title = "Ventas Totales por Tamaño de Cliente en la Industria",
       x = "Tamaño de Cliente en la Industria",
       y = "Ventas Totales") +
  theme_minimal()
```
```{r}
# Calcular las ventas totales por año y marca
df8 <- df7 %>%
  group_by(Año, Marca) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Año, desc(Ventas_Totales)) %>%
  mutate(Ventas_acumuladas = cumsum(Ventas_Totales))

# Seleccionar las 10 principales marcas por ventas acumuladas
top_marcas <- df8 %>%
  group_by(Marca) %>%
  summarise(Ventas_acumuladas = last(Ventas_acumuladas)) %>%
  arrange(desc(Ventas_acumuladas)) %>%
  top_n(10)

# Filtrar el dataframe original para incluir solo las marcas principales
df9 <- df8 %>%
  filter(Marca %in% top_marcas$Marca)

# Gráfico de área para mostrar la tendencia de ventas por marca a lo largo de los años
ggplot(df9, aes(x = Año, y = Ventas_acumuladas, fill = Marca)) +
  geom_area() +
  labs(title = "Tendencia de Ventas por Marca a lo largo de los Años",
       x = "Año",
       y = "Ventas Acumuladas",
       fill = "Marca") +
  theme_minimal()
```





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

# Elavorar regresión lineal
ventas_4567 <- df7 %>%
  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)

# 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 <- "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= "pronóstico a 5 años de ventas del Cliente 4567")
  
 

```

# <span style="color: red;">Actividad Colavorativa 4</span>
```{r}

#ventas_6626 <- ArcaContinentalDatos %>%
 # filter(Cliente == "6626") %>%
  #group_by(Año) %>%
  #summarise(ventas_totales = sum(Ventas_totales))

#modelo_6626 <- lm(ventas_totales ~ Año, data = ventas_6626)

#summary(modelo_6626)
# Ecuación
# y - 55208195 - 27316 * Año
#R cuadrada ajustada
# 93%
#nuevos_datos_6626 <- data.frame(Año = 2020:2025)
#predicciones_6626 <- predict(modelo_6626, nuevos_datos_6626)

#datos_completos_6626 <- rbind(
 # cbind(ventas_6626, Tipo = "Datos reales"),
 # cbind(data.frame(Año = 2020:2025, ventas_totales = predicciones_6626), Tipo = "Predicciones")
#)

#ggplot(datos_completos_6626, aes(x = Año, y = ventas_totales, color = Tipo)) +
  #geom_line() +  
  #geom_point() +  
  #labs(title = "Ventas Totales (2017-2025) - Cliente 6626", x = "Año", y = "Ventas Totales", color = "Tipo") +
 # theme_minimal()

```

# <span style="color: red;">Actividad Individual 5</span>
```{r message=FALSE, warning=FALSE}

ventas_mensuales_4567 <- df7 %>%
  filter(Cliente == "4567") %>%
  group_by(Año, Número_de_Mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
filter(Ventas_Totales != 0)

# Confirmar que los datos que queremos modelar que esten ordenados cronológicamente.

# Funcion de serie de Tiempo MENSUAL, que inicia en Enero 2017

ts <- ts(data=ventas_mensuales_4567$Ventas_Totales, start = c(2017,1), frequency = 12)

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

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

# Funcion de serie de Tiempo TRIMESTRAL, que inicia en Enero 2017 (Q4)
# ts <- ts(data=ventas_mensuales_4567$Ventas_Totales, start = c(2017,4), frequency = 4)

# Funcion de serie de Tiempo ANUAL, que inicia en 2017
# ts <- ts(data=ventas_mensuales_4567$Ventas_Totales, start = 2017, frequency = 1)

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

#Generar el pronostico de ventas
pronostico <- forecast(arima, level=95, h=36)
pronostico
plot(pronostico, main="Ventas Mensuales y Prónosticos 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 %>%
  filter(Segmento_Det == "Agua Purificada" | Segmento_Det == "Isotónicos Regular" | Segmento_Det == "Colas Regular" ) %>%
  filter(Año == 2018) %>%
  group_by(Segmento_Det, Número_de_Mes) %>%
summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Número_de_Mes)
  
  ggplot(ventas_totales_seg, aes(x=Número_de_Mes, y=Ventas_Totales,group=Segmento_Det, color= as.factor(Segmento_Det))) + 
  geom_line() +
  geom_point() +
  labs(x="Mes",y= "Ventas Totales(Qty)", title= "Ventas Totales por segmento", color = "segmento")
```
**Respuesta: En general las ventas aumentaron en 2019, pero cada segmento se comportó diferente. El incremento de ventas se puede lograr gracias a mejores campañas de mercadotecnia y lanzamiento de nuevos productos. En 2018 la venta de Coca-Cola entre Febrero y Diciembre aumentó en 100,000 unidades, mientras que las aguas isotónicas no tuvieron cambios**

2. ¿El incremento en las ventas es similar entre los diferentes tamaños de clientes?
```{r}
ventas_totales_tam_cliente <- df7 %>%
  filter(Año == 2019) %>%
  group_by(Tamaño_Cte_Industria, Número_de_Mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Número_de_Mes) %>%
  filter(Ventas_Totales != 0)

ggplot(ventas_totales_tam_cliente, aes(x=Número_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 segmento", color="Segmento")
```
**Respuesta: El incremento de ventas similar independientes de los tamaños de los clientes. Como todos los negocios están abiertos los mismos días, y estan ubicados en la misma ciudad (Guadalajara), los factores externos de las ventas afectan casi igual a todos. El mes de Mayo de 2019, fue el de mayor venta en todos los tamaños de cliente, y el primer bimestre fue el más bajo también para todos los tamaños de cliente**

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 %>%
  filter(Año == 2019) %>%
  filter(Marca =="Coca-Cola" | Marca == "Valle Frut" | Marca == "Ciel Agua Purificada"| Marca == "Coca-Cola Light" ) %>%
  group_by(Marca, Número_de_Mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Número_de_Mes) %>%
  filter(Ventas_Totales != 0)

ggplot(ventas_totales_marca, aes(x=Número_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")
```
**Respuesta: El comportamiento de las ventas es similar entre las marcas a través de los meses, pero hay marcas que venden mucho más que otras. Los meses de más ventas de bebidas son los meses en que la temperatura es mayor, y las marcas más conocidad son las que tienen en mente el consumidor. El mes de Mayo 2019 es para todas las marcas el de mayores ventas, pero las marcas Coca-Cola es la que vente mas de todas  **

4. ¿Se ha incrementado la venta de productos en envases retornables en los últimos dos años?
```{r}
ventas_totales_envase <- df7 %>%
  filter(Retornable_NR=="Retornable") %>%
filter(Año == c(2017,2018, 2019)) %>%
  group_by(Retornable_NR, Año, Número_de_Mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Número_de_Mes) %>%
  filter(Ventas_Totales != 0)

ggplot(ventas_totales_envase, 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 Envases Retornables", color="Año")
```
**Respuesta: La venta de productos en envase retornable aumentó en los últimos dos años. Las campañas de conciencia ambiental han vuelto populares las opciones menos dañinas al ecosistema. De 2017 a 2018 hubo un ligero incremento en las ventas de envase retornable, y entre 2028 y 2019 el aumento fue muy notorio**

**Notas: Hay otro factor a considerar como que en el 2019 hay más tiendas con el proyecto siglo XXI, o que las tiendas en general venden más productos (tanto retornable como no retornables) **

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 %>%
  filter(Segmento_Det == "Agua Purificada" | Segmento_Det == "Isotónicos Regular" | Segmento_Det == "Colas Regular" ) %>%
  filter(Año == 2018) %>%
  group_by(Segmento_Det, Número_de_Mes) %>%
summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Número_de_Mes)
  
  
  ggplot(ventas_totales_seg, aes(x=Número_de_Mes, y=Ventas_Totales,group=Segmento_Det, color= as.factor(Segmento_Det))) + 
  geom_line() +
  geom_point() +
  labs(x="Mes",y= "Ventas Totales(Qty)", title= "Ventas Totales por segmento", color = "segmento")
  
```
**Respuesta: Las ventas de Agua Purificada no ha aumentado en relación a Refrescos o Bebidas Isorónicas. La presepción que el agua no tiene valor agregado en la preparación y el azucar en la receta hacen de los refrescos la opción preferida de los consumidores mexicanos. En 2018 las ventas totales de Agua Purificada no superaron las 50,000 unidades, mientras que la Coca-Cola vendió en su mes más alto 450,000 (8 veces más que el agua) **

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 %>%
  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="Secuencia de Mes",y= "Ventas Totales(Qty)", title= "Ventas Totales por segmento", color = "Segmento")
```
**Respuesta: La venta de agua y refrescos se incrementa en los mismos meses y através de los años, pero no se puede concluir que un incremento cause el otro. Los meses calurosos y el crecimiento de la poblacion hace que las ventas se incrementen en las bebidas, sean agua o refresco. En la grafica obtenida se observa un incremento año con año, en la venta de agua y tmabién de refrescos.**

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

# Confirmar que los datos que queremos modelar que esten ordenados cronológicamente.

# Funcion de serie de Tiempo MENSUAL, que inicia en Enero 2017

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


# Crear Modelo ARIMA
# Modelo Autoregresivo 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 Prónosticos a 2020 de Coca-Cola 500 ml NR Vidrio,", xlab= "Año", ylab = "Ventas (Qty)")

```
**Respuesta: Las ventas esperadas de Coca-cola de 500 ml NR de vidrio para 2020 oscilan mensualmente entre 45,000 y 65,000 unidades, con una confiabilidad del 95% **
