Instalar paquetes y lamar librerías,

# install.packages("readxl") #leer documentos de excel
library(readxl)
# install.packages("tidyverse") #manipular datos
library(tidyverse)
# install.packages("ggplot2") #gráficas
library(ggplot2)
 #install.packages("forecast") #Sereies de Tiempo y pronósticos
library(forecast)

Actividdad Individual 2,

importar la base de datos

# file.choose()
df<- read_excel("/Users/jorgearthur/Library/Mobile Documents/com~apple~CloudDocs/Clases/5to semestre/Otros/Bootcamp Programación/Base de datos.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,Año) %>% 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)

Actividdad Individual 3,

# 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")

df12$Numero_de_Mes <- meses[df12$Mes]

# Graficar ventas por mes y año
ventas_totales <- df12 %>% group_by(Año,Numero_de_Mes) %>% summarise(Ventas_Totales = sum(Ventas)) %>% arrange(Numero_de_Mes)
## `summarise()` has grouped output by 'Año'. You can override using the `.groups`
## argument.
ggplot(ventas_totales, aes(x=Numero_de_Mes, y= Ventas_Totales, group=Año, color= as.factor(Año))) +
  geom_line() +
  geom_point() +
  labs(x= "Mes", y="Ventas Totales(Qty)",color= "Año")

Tarea Colaborativa 3,

Análisis gráfico

# Ventas Coca-Cola
df13 <- df12 %>% mutate(ventas_totales = Ventas_Sem1 + Ventas_Sem2)

df_coca_cola<- select(df13,c(Marca,Año, Ventas))

Ventas_totales_por_marca <- df_coca_cola %>% group_by(Marca,Año) %>% summarise(ventas_totales=sum(Ventas)) %>% arrange(Año)
## `summarise()` has grouped output by 'Marca'. You can override using the
## `.groups` argument.
Coca_Cola<- Ventas_totales_por_marca %>% filter(Marca== "Coca-Cola")

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

# Ventas Retornable
df_retornables<- select(df13,c(Retornable_NR,Año, ventas_totales))

Ventas_retornables <- df_retornables %>% group_by(Retornable_NR,Año) %>% summarise(ventas_totales=sum(ventas_totales)) %>% arrange(Año)
## `summarise()` has grouped output by 'Retornable_NR'. You can override using the
## `.groups` argument.
ggplot(Ventas_retornables, aes(x=Año, y= ventas_totales, group=Retornable_NR, color= as.factor(Retornable_NR))) +
  geom_line() +
  geom_point() +
  labs(title = "Ventas según su envase",x= "Año", y="Ventas Totales(Qty)",color= "Envase")

# Ventas Sucursal
df_sucursal<- select(df13,c(CEDI,Año, ventas_totales))

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

# Ventas según tamaño
df_tamaño<- select(df13,c(Tamaño,Año, ventas_totales))

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

# Ventas según tamaño industria
df_tamaño_industria<- select(df13,c(Tamaño_Cte_Industria, ventas_totales))

Ventas_tamaño_industria <- df_tamaño_industria %>% group_by(Tamaño_Cte_Industria) %>% summarise(ventas_totales=sum(ventas_totales)) 

ggplot(Ventas_tamaño_industria, aes(x=Tamaño_Cte_Industria, y= ventas_totales, group=Tamaño_Cte_Industria, color= as.factor(Tamaño_Cte_Industria))) +
  geom_col() +
  labs(title = "Ventas según su tamaño",x= "Año", y="Ventas Totales(Qty)",color= "Tamaño")

Actividdad Individual 4,

# Elaborar regresión lineal
ventas_4567 <- df13 %>% 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_line() +
  geom_point() +
  labs(title = "Ventas cliente 4567",x= "Año", y="Ventas Totales(Qty)")

regresion <- lm(ventas_totales ~ Año, data=ventas_4567)
summary(regresion)
## 
## Call:
## lm(formula = ventas_totales ~ Año, data = ventas_4567)
## 
## Residuals:
##     1     2     3 
## -5092 10185 -5092 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)
## (Intercept) 48918677   17799125   2.748    0.222
## Año           -24174       8820  -2.741    0.223
## 
## Residual standard error: 12470 on 1 degrees of freedom
## Multiple R-squared:  0.8825, Adjusted R-squared:  0.765 
## F-statistic: 7.512 on 1 and 1 DF,  p-value: 0.2227
# Ecuación 
# y= 48918677 + (-24174) * Año
# R cuadrada ajustada
# 77%

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

datos_combinados <- rbind(ventas_4567,datos)

ggplot(datos_combinados, aes(x=Año, y= ventas_totales, color=Tipo_de_Dato)) +
  geom_point() +
  labs(title = "Ventas cliente 4567 a 5 años",x= "Año", y="Ventas Totales(Qty)")

Tarea Colaborativa 4,

Mejores_clientes <- df13 %>%  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 <- df13 %>% 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 
##   26521  190842 -461246  243883 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)
## (Intercept) -766055930  354845176  -2.159    0.164
## Año             382384     175884   2.174    0.162
## 
## Residual standard error: 393300 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 
## 6358740 6741124 7123508 7505891 7888274 8270658
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)
prediccion<-predict(regresion,datos)
prediccion
##         1         2         3         4         5         6 
##  52050486  61859146  71667805  81476465  91285124 101093784
ventas_Belenes$Tipo_de_Dato <- "Datos Reales"
datos$ventas_totales <- prediccion
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)")

Actividdad Individual 5,

ventas_mensuales_4567 <- df13 %>% filter(Cliente== "4567")%>% group_by(Año,Numero_de_Mes) %>%summarise(ventas_totales=sum(Ventas))%>%  filter(ventas_totales != 0)

# Confirmar que los datos esten ordenados cronológicamente

# Funcion 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)

# Funcion de serie de tiempo MENSUAL, que inicia en ABRIL de 2017
# ts <- ts(data=ventas_mensuales_4567$ventas_totales, start = c(2017,4), frecuency = 12)

# Funcion de serie de tiempo TRIMESTRAL, que inicia en OCTUBRE de 2017 (Q4)
# ts <- ts(data=ventas_mensuales_4567$ventas_totales, start = c(2017,4), frecuency = 4)

# Funcion de serie de tiempo ANUAL, que inicia en 2017 
# ts <- ts(data=ventas_mensuales_4567$ventas_totales, start = 2017, frecuency = 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
pronostico <- forecast(arima, level=95, h=36) # Level es el nivel de confibilidad y h es el tiempo a pronosticar
pronostico
##          Point Forecast      Lo 95    Hi 95
## Sep 2019          12086  5770.4219 18401.58
## Oct 2019          11427  5111.4219 17742.58
## Nov 2019          11270  4954.4219 17585.58
## Dec 2019          12227  5911.4219 18542.58
## Jan 2020           9430  3114.4219 15745.58
## Feb 2020          11312  4996.4219 17627.58
## Mar 2020          12515  6199.4219 18830.58
## Apr 2020          13334  7018.4219 19649.58
## May 2020          16286  9970.4219 22601.58
## Jun 2020          15347  9031.4219 21662.58
## Jul 2020          14005  7689.4219 20320.58
## Aug 2020          14050  7734.4219 20365.58
## Sep 2020          12086  3154.4238 21017.58
## Oct 2020          11427  2495.4238 20358.58
## Nov 2020          11270  2338.4238 20201.58
## Dec 2020          12227  3295.4238 21158.58
## Jan 2021           9430   498.4238 18361.58
## Feb 2021          11312  2380.4238 20243.58
## Mar 2021          12515  3583.4238 21446.58
## Apr 2021          13334  4402.4238 22265.58
## May 2021          16286  7354.4238 25217.58
## Jun 2021          15347  6415.4238 24278.58
## Jul 2021          14005  5073.4238 22936.58
## Aug 2021          14050  5118.4238 22981.58
## Sep 2021          12086  1147.0979 23024.90
## Oct 2021          11427   488.0979 22365.90
## Nov 2021          11270   331.0979 22208.90
## Dec 2021          12227  1288.0979 23165.90
## Jan 2022           9430 -1508.9021 20368.90
## Feb 2022          11312   373.0979 22250.90
## Mar 2022          12515  1576.0979 23453.90
## Apr 2022          13334  2395.0979 24272.90
## May 2022          16286  5347.0979 27224.90
## Jun 2022          15347  4408.0979 26285.90
## Jul 2022          14005  3066.0979 24943.90
## Aug 2022          14050  3111.0979 24988.90
plot(pronostico, main="Ventas Mensuales y Pronóstico a 3 años del Cliente 4567", xlab="Año", ylaab="Ventas (Qty)")

Evidencia,

1¿Puede observarse un crecimiento en las ventas de algunos de los segmentos de productos de la familia Coca Cola en las tiendas en las que se implementó el Proyecto Siglo XXI de Arca Continental?

# Elaborar regresión lineal
Familia_Coca_Cola <- Ventas_totales_por_marca %>% filter(Marca%in% c("Coca-Cola", "Coca-Cola Life", "Coca-Cola Light", "Coca-Cola Light Sin", "Coca-Cola Zero"))%>% group_by(Año,Marca)%>% summarise(ventas_totales=sum(ventas_totales)) %>% filter(ventas_totales != 0)
## `summarise()` has grouped output by 'Año'. You can override using the `.groups`
## argument.
ggplot(Familia_Coca_Cola, aes(x=Año, y= ventas_totales, group= Marca, color= as.factor(Marca)))+
   geom_line() +
  geom_point() +
  labs(title = "Ventas Coca Cola",x= "Año", y="Ventas Totales(Qty)")

regresion <- lm(ventas_totales ~ Año, data=Familia_Coca_Cola)
summary(regresion)
## 
## Call:
## lm(formula = ventas_totales ~ Año, data = Familia_Coca_Cola)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -1742621 -1375116 -1009566  -678444  4477591 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)
## (Intercept) -569158843 1054563725  -0.540    0.597
## Año             282764     522751   0.541    0.596
## 
## Residual standard error: 2338000 on 16 degrees of freedom
## Multiple R-squared:  0.01796,    Adjusted R-squared:  -0.04342 
## F-statistic: 0.2926 on 1 and 16 DF,  p-value: 0.596
# 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 
## 2025414 2308178 2590943 2873707 3156472 3439236
Familia_Coca_Cola$Tipo_de_Dato <- "Datos Reales"
datos$ventas_totales <- prediccion
datos$Tipo_de_Dato <- "Predicción"

datos_combinados <- rbind(Familia_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)")

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

# Ventas Retornable
df_retornables<- select(df13,c(Retornable_NR,Año, ventas_totales))

Ventas_retornables <- df_retornables %>% group_by(Retornable_NR,Año) %>% summarise(ventas_totales=sum(ventas_totales)) %>% arrange(Año)
## `summarise()` has grouped output by 'Retornable_NR'. You can override using the
## `.groups` argument.
ggplot(Ventas_retornables, aes(x=Año, y= ventas_totales, group=Retornable_NR, color= as.factor(Retornable_NR))) +
  geom_line() +
  geom_point() +
  labs(title = "Ventas según su envase",x= "Año", y="Ventas Totales(Qty)",color= "Envase")

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

# Elaborar regresión lineal

aguas <- Ventas_totales_por_marca %>% filter(Marca%in% c("Ciel Mini", "Ciel Exprim", "Ciel Agua Purificada", "Ciel Mineralizada", "Ciel Saborizada")) %>% group_by(Año) %>% summarise(ventas_totales=sum(ventas_totales))%>% filter(ventas_totales != 0)


ggplot(aguas, aes(x=Año, y= ventas_totales,)) +
   geom_line() +
  geom_point() +
  labs(title = "Ventas Aguas",x= "Año", y="Ventas Totales(Qty)")

regresion <- lm(ventas_totales ~ Año, data=aguas)
summary(regresion)
## 
## Call:
## lm(formula = ventas_totales ~ Año, data = aguas)
## 
## Residuals:
##      1      2      3      4 
##  22281 -21029 -24786  23534 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)  
## (Intercept) -177526112   29284048  -6.062   0.0261 *
## Año              88186      14515   6.076   0.0260 *
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 32460 on 2 degrees of freedom
## Multiple R-squared:  0.9486, Adjusted R-squared:  0.9229 
## F-statistic: 36.91 on 1 and 2 DF,  p-value: 0.02604
datos<- data.frame(Año=2020:2025)
prediccion<-predict(regresion,datos)
prediccion
##         1         2         3         4         5         6 
##  610011.5  698197.7  786383.9  874570.1  962756.3 1050942.5
aguas$Tipo_de_Dato <- "Datos Reales"
datos$ventas_totales <- prediccion
datos$Tipo_de_Dato <- "Predicción"

datos_combinados <- rbind(aguas,datos)

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

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

# Elaborar regresión lineal

aguas <- Ventas_totales_por_marca %>% filter(Marca%in% c("Ciel Mini", "Ciel Exprim", "Ciel Agua Purificada", "Ciel Mineralizada", "Ciel Saborizada")) %>% group_by(Año) %>% summarise(ventas_totales=sum(ventas_totales))%>% filter(ventas_totales != 0)


ggplot(aguas, aes(x=Año, y= ventas_totales,)) +
   geom_line() +
  geom_point() +
  labs(title = "Ventas Aguas",x= "Año", y="Ventas Totales(Qty)")

regresion <- lm(ventas_totales ~ Año, data=aguas)
summary(regresion)
## 
## Call:
## lm(formula = ventas_totales ~ Año, data = aguas)
## 
## Residuals:
##      1      2      3      4 
##  22281 -21029 -24786  23534 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)  
## (Intercept) -177526112   29284048  -6.062   0.0261 *
## Año              88186      14515   6.076   0.0260 *
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 32460 on 2 degrees of freedom
## Multiple R-squared:  0.9486, Adjusted R-squared:  0.9229 
## F-statistic: 36.91 on 1 and 2 DF,  p-value: 0.02604
datos<- data.frame(Año=2020:2025)
prediccion<-predict(regresion,datos)
prediccion
##         1         2         3         4         5         6 
##  610011.5  698197.7  786383.9  874570.1  962756.3 1050942.5
aguas$Tipo_de_Dato <- "Datos Reales"
datos$ventas_totales <- prediccion
datos$Tipo_de_Dato <- "Predicción"

datos_combinados <- rbind(aguas,datos)

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

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

ventas_Coca_Cola_500ml_NR <- df13 %>% filter(Marca== "Coca-Cola", Presentacion== "500 ml NR Vidrio")%>% group_by(Año,Numero_de_Mes) %>% summarise(ventas_totales=sum(Ventas))%>% filter(ventas_totales != 0)
## `summarise()` has grouped output by 'Año'. You can override using the `.groups`
## argument.
# Confirmar que los datos esten ordenados cronológicamente

# Funcion de serie de tiempo MENSUAL, que inicia en ENERO de 2017
ts <- ts(data=ventas_Coca_Cola_500ml_NR$ventas_totales, start = c(2016,1), frequency = 12)


arima <- auto.arima(ts, D=1) # D=1 por la temporalidad.
arima
## Series: ts 
## ARIMA(1,0,0)(0,1,0)[12] with drift 
## 
## Coefficients:
##          ar1     drift
##       0.7092  719.6837
## s.e.  0.1328  299.8533
## 
## sigma^2 = 41602728:  log likelihood = -325.42
## AIC=656.84   AICc=657.7   BIC=661.24
summary(arima)
## Series: ts 
## ARIMA(1,0,0)(0,1,0)[12] with drift 
## 
## Coefficients:
##          ar1     drift
##       0.7092  719.6837
## s.e.  0.1328  299.8533
## 
## sigma^2 = 41602728:  log likelihood = -325.42
## AIC=656.84   AICc=657.7   BIC=661.24
## 
## Training set error measures:
##                    ME     RMSE      MAE      MPE     MAPE      MASE       ACF1
## Training set 48.85447 5325.927 3245.824 -1.37305 8.085494 0.3668297 -0.1551829
# Generar pronóstico de ventas
pronostico <- forecast(arima, level=95, h=36) 
pronostico
##          Point Forecast    Lo 95     Hi 95
## Sep 2019       57009.75 44367.95  69651.56
## Oct 2019       47611.80 32113.20  63110.40
## Nov 2019       43891.36 27138.87  60643.85
## Dec 2019       49988.01 32639.01  67337.02
## Jan 2020       52649.58 35008.14  70291.03
## Feb 2020       59116.44 41329.71  76903.18
## Mar 2020       63214.35 45354.98  81073.72
## Apr 2020       45929.53 28033.74  63825.33
## May 2020       77893.53 59979.44  95807.63
## Jun 2020       66916.74 48993.45  84840.03
## Jul 2020       65103.76 47175.85  83031.68
## Aug 2020       66475.17 48544.93  84405.41
## Sep 2020       65845.94 43788.54  87903.34
## Oct 2020       56389.84 32524.67  80255.02
## Nov 2020       52628.16 27903.54  77352.78
## Dec 2020       58695.56 33549.72  83841.40
## Jan 2021       61336.39 35981.31  86691.47
## Feb 2021       67788.54 42328.85  93248.22
## Mar 2021       71876.01 46363.87  97388.15
## Apr 2021       54583.79 29045.30  80122.28
## May 2021       86542.54 60990.81 112094.27
## Jun 2021       75562.03 50003.64 101120.42
## Jul 2021       73746.41 48184.67  99308.15
## Aug 2021       75115.94 49552.52 100679.37
## Sep 2021       74485.39 45874.03 103096.74
## Oct 2021       65028.35 35000.53  95056.16
## Nov 2021       61265.99 30550.33  91981.65
## Dec 2021       67332.92 36277.02  98388.83
## Jan 2022       69973.41 38747.76 101199.06
## Feb 2022       76425.32 45114.63 107736.02
## Mar 2022       80512.63 49159.24 111866.01
## Apr 2022       63220.29 31845.45  94595.12
## May 2022       95178.95 63793.33 126564.58
## Jun 2022       84198.38 52807.33 115589.43
## Jul 2022       82382.72 50988.94 113776.49
## Aug 2022       83752.22 52357.07 115147.37
plot(pronostico, main="Ventas Mensuales y Pronóstico a 3 años de Coca-Cola 500ml NR", xlab="Año", ylaab="Ventas (Qty)")
## Warning in plot.window(xlim, ylim, log, ...): "ylaab" is not a graphical
## parameter
## Warning in title(main = main, xlab = xlab, ylab = ylab, ...): "ylaab" is not a
## graphical parameter
## Warning in axis(1, ...): "ylaab" is not a graphical parameter
## Warning in axis(2, ...): "ylaab" is not a graphical parameter
## Warning in box(...): "ylaab" is not a graphical parameter

---
title: 'Arca Continental | Proyecto: Siglo XXI'
author: "Jorge Arthur A01285142"
date: "2024-03-19"
output: 
  html_document:
    toc: TRUE
    toc_float: TRUE
    code_download: TRUE
    theme: yeti
    
---


# <span style= "color: red;">Instalar paquetes y lamar 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)
 #install.packages("forecast") #Sereies de Tiempo y pronósticos
library(forecast)
```

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

## importar la base de datos
```{r message=FALSE, warning=FALSE}
# file.choose()
df<- read_excel("/Users/jorgearthur/Library/Mobile Documents/com~apple~CloudDocs/Clases/5to semestre/Otros/Bootcamp Programación/Base de datos.xlsx")
```

## revisar estructuras de datos
```{r message=FALSE, warning=FALSE}
str(df)

## Revisar NAs en la base de datos
# 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,Año) %>% 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;">Actividdad Individual 3,</span>
```{r}
# 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")

df12$Numero_de_Mes <- meses[df12$Mes]

# Graficar ventas por mes y año
ventas_totales <- df12 %>% group_by(Año,Numero_de_Mes) %>% summarise(Ventas_Totales = sum(Ventas)) %>% arrange(Numero_de_Mes)


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

```

# <span style= "color: red;">Tarea Colaborativa 3,</span>
## Análisis gráfico

```{r}
# Ventas Coca-Cola
df13 <- df12 %>% mutate(ventas_totales = Ventas_Sem1 + Ventas_Sem2)

df_coca_cola<- select(df13,c(Marca,Año, Ventas))

Ventas_totales_por_marca <- df_coca_cola %>% group_by(Marca,Año) %>% summarise(ventas_totales=sum(Ventas)) %>% arrange(Año)

Coca_Cola<- Ventas_totales_por_marca %>% filter(Marca== "Coca-Cola")

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

# Ventas Retornable
df_retornables<- select(df13,c(Retornable_NR,Año, ventas_totales))

Ventas_retornables <- df_retornables %>% group_by(Retornable_NR,Año) %>% summarise(ventas_totales=sum(ventas_totales)) %>% arrange(Año)

ggplot(Ventas_retornables, aes(x=Año, y= ventas_totales, group=Retornable_NR, color= as.factor(Retornable_NR))) +
  geom_line() +
  geom_point() +
  labs(title = "Ventas según su envase",x= "Año", y="Ventas Totales(Qty)",color= "Envase")

# Ventas Sucursal
df_sucursal<- select(df13,c(CEDI,Año, ventas_totales))

Ventas_sucursal <- df_sucursal %>% group_by(CEDI,Año) %>% summarise(ventas_totales=sum(ventas_totales)) %>% arrange(Año)

ggplot(Ventas_sucursal, aes(x=Año, y= ventas_totales, group=CEDI, color= as.factor(CEDI))) +
  geom_line() +
  geom_point() +
  labs(title = "Ventas según su sucursal",x= "Año", y="Ventas Totales(Qty)",color= "sucursal")

# Ventas según tamaño
df_tamaño<- select(df13,c(Tamaño,Año, ventas_totales))

Ventas_tamaño <- df_tamaño %>% group_by(Tamaño,Año) %>% summarise(ventas_totales=sum(ventas_totales)) %>% arrange(Año)

ggplot(Ventas_tamaño, aes(x=Año, y= ventas_totales, group=Tamaño, color= as.factor(Tamaño))) +
  geom_line() +
  geom_point() +
  labs(title = "Ventas según su tamaño",x= "Año", y="Ventas Totales(Qty)",color= "Tamaño")

# Ventas según tamaño industria
df_tamaño_industria<- select(df13,c(Tamaño_Cte_Industria, ventas_totales))

Ventas_tamaño_industria <- df_tamaño_industria %>% group_by(Tamaño_Cte_Industria) %>% summarise(ventas_totales=sum(ventas_totales)) 

ggplot(Ventas_tamaño_industria, aes(x=Tamaño_Cte_Industria, y= ventas_totales, group=Tamaño_Cte_Industria, color= as.factor(Tamaño_Cte_Industria))) +
  geom_col() +
  labs(title = "Ventas según su tamaño",x= "Año", y="Ventas Totales(Qty)",color= "Tamaño")

```



# <span style= "color: red;">Actividdad Individual 4,</span>
```{r}
# Elaborar regresión lineal
ventas_4567 <- df13 %>% 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_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>
```{r}

Mejores_clientes <- df13 %>%  group_by(Cliente, Año) %>% summarise(ventas_totales=sum(ventas_totales)) %>% arrange(ventas_totales)


# Elaborar regresión lineal
ventas_6114 <- df13 %>% 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)

# Ecuación 
# y= 48918677 + (-24174) * Año
# R cuadrada ajustada
# 77%

Datos<- data.frame(Año=2020:2025)
prediccion<-predict(regresion,Datos)
prediccion
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)")
```
```{r message=FALSE, warning=FALSE}
# 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)

# Ecuación 
# y= -9.193e+09 + (4.589e+06) * Año
# R cuadrada ajustada
# 55%

datos<- data.frame(Año=2020:2025)
prediccion<-predict(regresion,datos)
prediccion
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)")
```
```{r message=FALSE, warning=FALSE}
# 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)

# Ecuación 
# y= -9.193e+09 + (4.589e+06) * Año
# R cuadrada ajustada
# 55%

datos<- data.frame(Año=2020:2025)
prediccion<-predict(regresion,datos)
prediccion
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)")
```
```{r message=FALSE, warning=FALSE}
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)

# Ecuación 
# y= -9.193e+09 + (4.589e+06) * Año
# R cuadrada ajustada
# 55%

datos<- data.frame(Año=2020:2025)
prediccion<-predict(regresion,datos)
prediccion
ventas_Belenes$Tipo_de_Dato <- "Datos Reales"
datos$ventas_totales <- prediccion
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;">Actividdad Individual 5,</span>
```{r message=FALSE, warning=FALSE}
ventas_mensuales_4567 <- df13 %>% filter(Cliente== "4567")%>% group_by(Año,Numero_de_Mes) %>%summarise(ventas_totales=sum(Ventas))%>%  filter(ventas_totales != 0)

# Confirmar que los datos esten ordenados cronológicamente

# Funcion 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)

# Funcion de serie de tiempo MENSUAL, que inicia en ABRIL de 2017
# ts <- ts(data=ventas_mensuales_4567$ventas_totales, start = c(2017,4), frecuency = 12)

# Funcion de serie de tiempo TRIMESTRAL, que inicia en OCTUBRE de 2017 (Q4)
# ts <- ts(data=ventas_mensuales_4567$ventas_totales, start = c(2017,4), frecuency = 4)

# Funcion de serie de tiempo ANUAL, que inicia en 2017 
# ts <- ts(data=ventas_mensuales_4567$ventas_totales, start = 2017, frecuency = 1)

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

# Generar pronóstico de ventas
pronostico <- forecast(arima, level=95, h=36) # Level es el nivel de confibilidad y h es el tiempo a pronosticar
pronostico
plot(pronostico, main="Ventas Mensuales y Pronóstico a 3 años del Cliente 4567", xlab="Año", ylaab="Ventas (Qty)")
```

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



## 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}
# Elaborar regresión lineal
Familia_Coca_Cola <- Ventas_totales_por_marca %>% filter(Marca%in% c("Coca-Cola", "Coca-Cola Life", "Coca-Cola Light", "Coca-Cola Light Sin", "Coca-Cola Zero"))%>% group_by(Año,Marca)%>% summarise(ventas_totales=sum(ventas_totales)) %>% filter(ventas_totales != 0)


  
ggplot(Familia_Coca_Cola, aes(x=Año, y= ventas_totales, group= Marca, color= as.factor(Marca)))+
   geom_line() +
  geom_point() +
  labs(title = "Ventas Coca Cola",x= "Año", y="Ventas Totales(Qty)")

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

# Ecuación 
# y= -9.193e+09 + (4.589e+06) * Año
# R cuadrada ajustada
# 55%

datos<- data.frame(Año=2020:2025)
prediccion<-predict(regresion,datos)
prediccion
Familia_Coca_Cola$Tipo_de_Dato <- "Datos Reales"
datos$ventas_totales <- prediccion
datos$Tipo_de_Dato <- "Predicción"

datos_combinados <- rbind(Familia_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)")

```
## 4¿Se ha incrementado la venta de productos en envases retornables en los últimos dos años?
```{r}
# Ventas Retornable
df_retornables<- select(df13,c(Retornable_NR,Año, ventas_totales))

Ventas_retornables <- df_retornables %>% group_by(Retornable_NR,Año) %>% summarise(ventas_totales=sum(ventas_totales)) %>% arrange(Año)

ggplot(Ventas_retornables, aes(x=Año, y= ventas_totales, group=Retornable_NR, color= as.factor(Retornable_NR))) +
  geom_line() +
  geom_point() +
  labs(title = "Ventas según su envase",x= "Año", y="Ventas Totales(Qty)",color= "Envase")
```

## 5¿El comportamiento de la venta de agua ha incrementado en relación al de los refrescos o las bebidas isotónicas?
```{r}
# Elaborar regresión lineal

aguas <- Ventas_totales_por_marca %>% filter(Marca%in% c("Ciel Mini", "Ciel Exprim", "Ciel Agua Purificada", "Ciel Mineralizada", "Ciel Saborizada")) %>% group_by(Año) %>% summarise(ventas_totales=sum(ventas_totales))%>% filter(ventas_totales != 0)


ggplot(aguas, aes(x=Año, y= ventas_totales,)) +
   geom_line() +
  geom_point() +
  labs(title = "Ventas Aguas",x= "Año", y="Ventas Totales(Qty)")

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



datos<- data.frame(Año=2020:2025)
prediccion<-predict(regresion,datos)
prediccion
aguas$Tipo_de_Dato <- "Datos Reales"
datos$ventas_totales <- prediccion
datos$Tipo_de_Dato <- "Predicción"

datos_combinados <- rbind(aguas,datos)

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

```
## 6¿El comportamiento de la venta de agua ha incrementado en relación al de los refrescos o las bebidas isotónicas?
```{r}
# Elaborar regresión lineal

aguas <- Ventas_totales_por_marca %>% filter(Marca%in% c("Ciel Mini", "Ciel Exprim", "Ciel Agua Purificada", "Ciel Mineralizada", "Ciel Saborizada")) %>% group_by(Año) %>% summarise(ventas_totales=sum(ventas_totales))%>% filter(ventas_totales != 0)


ggplot(aguas, aes(x=Año, y= ventas_totales,)) +
   geom_line() +
  geom_point() +
  labs(title = "Ventas Aguas",x= "Año", y="Ventas Totales(Qty)")

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



datos<- data.frame(Año=2020:2025)
prediccion<-predict(regresion,datos)
prediccion
aguas$Tipo_de_Dato <- "Datos Reales"
datos$ventas_totales <- prediccion
datos$Tipo_de_Dato <- "Predicción"

datos_combinados <- rbind(aguas,datos)

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

```

## 7¿A cuánto ascienden las ventas esperadas para el 2020 en la Coca Cola de 500 ml NR Vidrio?
```{r}
ventas_Coca_Cola_500ml_NR <- df13 %>% filter(Marca== "Coca-Cola", Presentacion== "500 ml NR Vidrio")%>% group_by(Año,Numero_de_Mes) %>% summarise(ventas_totales=sum(Ventas))%>% filter(ventas_totales != 0)

# Confirmar que los datos esten ordenados cronológicamente

# Funcion de serie de tiempo MENSUAL, que inicia en ENERO de 2017
ts <- ts(data=ventas_Coca_Cola_500ml_NR$ventas_totales, start = c(2016,1), frequency = 12)


arima <- auto.arima(ts, D=1) # D=1 por la temporalidad.
arima
summary(arima)
# Generar pronóstico de ventas
pronostico <- forecast(arima, level=95, h=36) 
pronostico
plot(pronostico, main="Ventas Mensuales y Pronóstico a 3 años de Coca-Cola 500ml NR", xlab="Año", ylaab="Ventas (Qty)")
```
