instalar paquetes y llamar librerias

#install.packages("readx1") #Leer documentos de excel
library(readxl)
#install.packages("tidyverse") #Manipulacion de datos
library(tidyverse)
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.1.4     ✔ readr     2.1.5
## ✔ forcats   1.0.0     ✔ stringr   1.5.1
## ✔ ggplot2   3.4.4     ✔ tibble    3.2.1
## ✔ lubridate 1.9.3     ✔ tidyr     1.3.1
## ✔ purrr     1.0.2     
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
#install.packages("ggplot2") #Generar graficos presentables
library(ggplot2)
#file.choose()

Actividad individual 2

Importar la base de datos

#file.choose
df <- read_excel("C:\\Users\\Usuario\\Downloads\\Datos Arca Continental Original.xlsx")
## Warning: Expecting numeric in N184066 / R184066C14: got a date
## Warning: Expecting numeric in O184066 / R184066C15: got a date
## Warning: Expecting numeric in P184066 / R184066C16: got a date
## Warning: Expecting numeric in Q184066 / R184066C17: got a date
## Warning: Expecting numeric in R184066 / R184066C18: got a date
## Warning: Expecting numeric in S184066 / R184066C19: got a date
## Warning: Expecting numeric in T184066 / R184066C20: got a date
## Warning: Expecting numeric in U184066 / R184066C21: got a date
## Warning: Expecting numeric in V184066 / R184066C22: got a date
## Warning: Expecting numeric in W184066 / R184066C23: got a date
## Warning: Expecting numeric in X184066 / R184066C24: got a date
## Warning: Expecting numeric in Y184066 / R184066C25: got a date

Revisar la estructura 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

#Cuantos NAs tengo en la base de datos?
sum(is.na(df))
## [1] 3148501
# Cuantos 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
#opcion 1, Eliminar NAs
# df <- na.omit(df)

#opcion 2. Reemplazar NAs con CEROS
df1 <- df
df1 [is.na(df1)] <- 0
sum (is.na(df1))
## [1] 0
#opcio 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 renglon
df1 <- df1[df1$Enero <6000, ]
boxplot(df1$Enero)

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 tamano de la tienda grande:
df3 <- df1 %>% filter(Tamaño_Cte_Industria  == "Grande")

# Ordena  la base de datos por Cedi, marca y por presentacion:
df4 <- df1 %>% arrange(CEDI, Marca, Presentacion)

#Agrega un campo calculado con las ventas del primer semestre y muestra  las ventas del primer semestre por marca:
df5 <- df1 %>% mutate(ventas_Sem1 = Enero + Febrero + Marzo + Abril + Mayo + Junio)

ventas_sem1_por_marca <- df5 %>%
  group_by(Marca) %>%
  summarise(ventas_sem1=sum(ventas_Sem1))

#Obtener la media  de las ventas del primer semestre  agrupado por marca, presentacion y tamano
df6 <- df5 %>% 
  group_by(Marca, Presentacion, Tamaño)%>%
  summarise(ventas_sem1=mean(ventas_Sem1))
## `summarise()` has grouped output by 'Marca', 'Presentacion'. You can override
## using the `.groups` argument.
# Calcualar medidas de central
summary(df1)
##        ID              Año        Territorio        Sub_Territorio    
##  Min.   :     1   Min.   :2016   Length:466508      Length:466508     
##  1st Qu.:116628   1st Qu.:2017   Class :character   Class :character  
##  Median :233256   Median :2018   Mode  :character   Mode  :character  
##  Mean   :233255   Mean   :2018                                        
##  3rd Qu.:349882   3rd Qu.:2019                                        
##  Max.   :466509   Max.   :2019                                        
##      CEDI             Cliente             Nombre          Tamaño_Cte_Industria
##  Length:466508      Length:466508      Length:466508      Length:466508       
##  Class :character   Class :character   Class :character   Class :character    
##  Mode  :character   Mode  :character   Mode  :character   Mode  :character    
##                                                                               
##                                                                               
##                                                                               
##  Segmento_Det          Marca           Presentacion          Tamaño         
##  Length:466508      Length:466508      Length:466508      Length:466508     
##  Class :character   Class :character   Class :character   Class :character  
##  Mode  :character   Mode  :character   Mode  :character   Mode  :character  
##                                                                             
##                                                                             
##                                                                             
##  Retornable_NR          Enero             Febrero             Marzo         
##  Length:466508      Min.   : -19.000   Min.   : -11.000   Min.   : -32.000  
##  Class :character   1st Qu.:   0.000   1st Qu.:   0.000   1st Qu.:   0.000  
##  Mode  :character   Median :   0.000   Median :   0.000   Median :   0.000  
##                     Mean   :   4.951   Mean   :   4.829   Mean   :   5.729  
##                     3rd Qu.:   2.000   3rd Qu.:   2.000   3rd Qu.:   3.000  
##                     Max.   :5333.000   Max.   :4995.000   Max.   :5636.000  
##      Abril               Mayo             Junio              Julio         
##  Min.   : -70.000   Min.   :-106.00   Min.   :-211.000   Min.   : -60.000  
##  1st Qu.:   0.000   1st Qu.:   0.00   1st Qu.:   0.000   1st Qu.:   0.000  
##  Median :   0.000   Median :   0.00   Median :   0.000   Median :   0.000  
##  Mean   :   5.992   Mean   :   6.73   Mean   :   6.464   Mean   :   6.033  
##  3rd Qu.:   3.000   3rd Qu.:   3.00   3rd Qu.:   3.000   3rd Qu.:   3.000  
##  Max.   :6164.000   Max.   :6759.00   Max.   :6033.000   Max.   :6735.000  
##      Agosto           Septiembre          Octubre           Noviembre      
##  Min.   :-211.000   Min.   :-527.000   Min.   : -38.000   Min.   : -25.00  
##  1st Qu.:   0.000   1st Qu.:   0.000   1st Qu.:   0.000   1st Qu.:   0.00  
##  Median :   0.000   Median :   0.000   Median :   0.000   Median :   0.00  
##  Mean   :   6.235   Mean   :   3.625   Mean   :   3.674   Mean   :   3.57  
##  3rd Qu.:   3.000   3rd Qu.:   1.000   3rd Qu.:   1.000   3rd Qu.:   1.00  
##  Max.   :6065.000   Max.   :6509.000   Max.   :6326.000   Max.   :5319.00  
##    Diciembre       
##  Min.   : -28.000  
##  1st Qu.:   0.000  
##  Median :   0.000  
##  Mean   :   3.858  
##  3rd Qu.:   0.000  
##  Max.   :6182.000
# Colapsar meses en una columna
df7 <- gather(df1, Mes, Ventas, Enero:Diciembre)
df7
## # A tibble: 5,598,096 × 15
##       ID   Año Territorio  Sub_Territorio CEDI         Cliente Nombre
##    <dbl> <dbl> <chr>       <chr>          <chr>        <chr>   <chr> 
##  1     1  2016 Guadalajara Belenes        Suc. Belenes 77737   ABARR 
##  2     2  2016 Guadalajara Belenes        Suc. Belenes 77737   ABARR 
##  3     3  2016 Guadalajara Belenes        Suc. Belenes 77737   ABARR 
##  4     4  2016 Guadalajara Belenes        Suc. Belenes 77737   ABARR 
##  5     5  2016 Guadalajara Belenes        Suc. Belenes 77737   ABARR 
##  6     6  2016 Guadalajara Belenes        Suc. Belenes 77737   ABARR 
##  7     7  2016 Guadalajara Belenes        Suc. Belenes 77737   ABARR 
##  8     8  2016 Guadalajara Belenes        Suc. Belenes 77737   ABARR 
##  9     9  2016 Guadalajara Belenes        Suc. Belenes 77737   ABARR 
## 10    10  2016 Guadalajara Belenes        Suc. Belenes 77737   ABARR 
## # ℹ 5,598,086 more rows
## # ℹ 8 more variables: Tamaño_Cte_Industria <chr>, Segmento_Det <chr>,
## #   Marca <chr>, Presentacion <chr>, Tamaño <chr>, Retornable_NR <chr>,
## #   Mes <chr>, Ventas <dbl>

Tarea Colaborativa 2

Insertar librerías

library(tidyverse)
library(dplyr)
library(readxl)
library(ggplot2)
#file.choose("C:\\Users\\Usuario\\Downloads\\Datos Arca Continental Original.xlsx")
datos <- read_excel("C:\\Users\\Usuario\\Downloads\\Datos Arca Continental Original.xlsx")
## Warning: Expecting numeric in N184066 / R184066C14: got a date
## Warning: Expecting numeric in O184066 / R184066C15: got a date
## Warning: Expecting numeric in P184066 / R184066C16: got a date
## Warning: Expecting numeric in Q184066 / R184066C17: got a date
## Warning: Expecting numeric in R184066 / R184066C18: got a date
## Warning: Expecting numeric in S184066 / R184066C19: got a date
## Warning: Expecting numeric in T184066 / R184066C20: got a date
## Warning: Expecting numeric in U184066 / R184066C21: got a date
## Warning: Expecting numeric in V184066 / R184066C22: got a date
## Warning: Expecting numeric in W184066 / R184066C23: got a date
## Warning: Expecting numeric in X184066 / R184066C24: got a date
## Warning: Expecting numeric in Y184066 / R184066C25: got a date

Uso de Select():

#Se desea seleccionar Sub Territoriio, Segmento Det y Marca. Al seleccionarlas implica entender el contexto, poder evaluar la relevancia y calidad de los datos, considerar variables relacionadas para realizar el analisis adecuado.
datos_1 <- datos %>%
  select(`Sub Territorio`, `Segmento Det`, Marca)
print(datos_1)
## # A tibble: 466,509 × 3
##    `Sub Territorio` `Segmento Det`   Marca               
##    <chr>            <chr>            <chr>               
##  1 Belenes          Agua Mineral     Topo Chico A.M.     
##  2 Belenes          Agua Purificada  Ciel Agua Purificada
##  3 Belenes          Agua Purificada  Ciel Agua Purificada
##  4 Belenes          Agua Saborizada  Ciel Exprim         
##  5 Belenes          Agua Saborizada  Ciel Mini           
##  6 Belenes          Agua Saborizada  Ciel Saborizada     
##  7 Belenes          Bebidas de Fruta Delaware Punch      
##  8 Belenes          Bebidas de Fruta Delaware Punch      
##  9 Belenes          Bebidas de Fruta Frutsi              
## 10 Belenes          Bebidas de Fruta Pulpy               
## # ℹ 466,499 more rows

Cantidad de distribuciòn de distintas Marcas por sub Territorio

# Se desea identificar cantidad de ventas en los distintos productos por sub territorio, de las distintas marcas en los diversos territorios. Esto con una grafica para visualizar de mejor manera.

grafico <- ggplot(datos, aes(x = `Sub Territorio`, fill = Marca)) +
  geom_bar(position = "dodge") +
  labs(title = "Ventas de distintas Marcas por Sub Territorio",
       x = "Sub Territorio",
       y = "Cantidad") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

# Visualizar gráfico
print(grafico)

Filtrar territorios con consumo de “Coca-Cola” mayor que 5, en el mes de Enero

#Se sabe que en Mèxico es de los principales paises que consumen una mayor cantidad de Coca-Cola, por lo cual se desa manipularlos datos del producto Coca cola en el mes de Enero

datos_2 <- datos %>%
  filter(Marca == "Coca-Cola" & Enero> 5)

# Visualizar resultado
print(datos_2)
## # A tibble: 37,763 × 25
##       ID   Año Territorio  `Sub Territorio` CEDI         Cliente Nombre
##    <dbl> <dbl> <chr>       <chr>            <chr>        <chr>   <chr> 
##  1    20  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
##  2    22  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
##  3    23  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
##  4    26  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
##  5    27  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
##  6    28  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
##  7    29  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
##  8    30  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
##  9    33  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
## 10   114  2016 Guadalajara Belenes          Suc. Belenes 77796   MARIA 
## # ℹ 37,753 more rows
## # ℹ 18 more variables: `Tamaño Cte Industria` <chr>, `Segmento Det` <chr>,
## #   Marca <chr>, Presentacion <chr>, Tamaño <chr>, Retornable_NR <chr>,
## #   Enero <dbl>, Febrero <dbl>, Marzo <dbl>, Abril <dbl>, Mayo <dbl>,
## #   Junio <dbl>, Julio <dbl>, Agosto <dbl>, Septiembre <dbl>, Octubre <dbl>,
## #   Noviembre <dbl>, Diciembre <dbl>

Uso de arrange

#Seleccionar solo las columnas de enero a mayo y ordenar los datos por el consumo de "Burn" en el territorio "Guadalajara"
datos_3 <- datos %>%
  filter(Territorio == "Guadalajara" & Marca == "Burn") %>%
  select(Territorio, Marca, Enero:Mayo) %>%
  arrange(desc(Enero))

# Mostrar el resultado
print(datos_3)
## # A tibble: 3,591 × 7
##    Territorio  Marca Enero Febrero Marzo Abril  Mayo
##    <chr>       <chr> <dbl>   <dbl> <dbl> <dbl> <dbl>
##  1 Guadalajara Burn      6      NA    NA    NA    NA
##  2 Guadalajara Burn      5       4     3     2     3
##  3 Guadalajara Burn      5       3     3     6     4
##  4 Guadalajara Burn      5       4     8    10     5
##  5 Guadalajara Burn      4      NA     3     4     3
##  6 Guadalajara Burn      4      NA    NA     2     3
##  7 Guadalajara Burn      4       2     3     1     4
##  8 Guadalajara Burn      3       1     2     4     3
##  9 Guadalajara Burn      3       1     1     4     2
## 10 Guadalajara Burn      3       3     3     3     1
## # ℹ 3,581 more rows

Uso de group_by() & summarise()

#Agrega un campo calculado con las ventas del primer semestre y muestra  las ventas del primer semestre por marca:
datos_4 <- datos %>% mutate(ventas_Sem1 = Enero + Febrero + Marzo + Abril + Mayo + Junio)

ventas_sem1_por_marca <- datos_4 %>%
  group_by(Marca) %>%
  summarise(ventas_sem1=sum(ventas_Sem1))
print(datos_4)
## # A tibble: 466,509 × 26
##       ID   Año Territorio  `Sub Territorio` CEDI         Cliente Nombre
##    <dbl> <dbl> <chr>       <chr>            <chr>        <chr>   <chr> 
##  1     1  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
##  2     2  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
##  3     3  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
##  4     4  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
##  5     5  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
##  6     6  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
##  7     7  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
##  8     8  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
##  9     9  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
## 10    10  2016 Guadalajara Belenes          Suc. Belenes 77737   ABARR 
## # ℹ 466,499 more rows
## # ℹ 19 more variables: `Tamaño Cte Industria` <chr>, `Segmento Det` <chr>,
## #   Marca <chr>, Presentacion <chr>, Tamaño <chr>, Retornable_NR <chr>,
## #   Enero <dbl>, Febrero <dbl>, Marzo <dbl>, Abril <dbl>, Mayo <dbl>,
## #   Junio <dbl>, Julio <dbl>, Agosto <dbl>, Septiembre <dbl>, Octubre <dbl>,
## #   Noviembre <dbl>, Diciembre <dbl>, ventas_Sem1 <dbl>

Actividad individual 3

#Agregar una plumna con el numero del mes
meses <- c ("Enero"="01","Febrero"="02","Marzo"="03","Abril"="04","Mayo"="05","Junio"="06","Julio"= "07", "Agosto"="08", "Septiembre"="09", "Octubre"="10", "Noviembre"="11", "Diciembre"="12")

df7$Número_de_Mes <- meses[df7$Mes]

#Graficar el total de ventas por mes y año

ventas_totales <- df7 %>%
  group_by(Año, Número_de_Mes) %>%
  summarise(Ventas_Totales = sum (Ventas)) %>%
  arrange(Número_de_Mes)
## `summarise()` has grouped output by 'Año'. You can override using the `.groups`
## argument.
ggplot(ventas_totales, aes (x=Número_de_Mes, y=Ventas_Totales, group=Año, color=as.factor(Año))) + 
  geom_line()+
  geom_point()+
  labs(x="Mes", y="Ventas Totales(Qty)", color="Año" )

Tarea Colaborativa 3

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

ventas_totales_er <- df7 %>%
    filter(Retornable_NR == "Retornable") %>%
  group_by(Año, Número_de_Mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Número_de_Mes)
## `summarise()` has grouped output by 'Año'. You can override using the `.groups`
## argument.
ggplot(ventas_totales_er, aes(x=Número_de_Mes, y=Ventas_Totales,group=Año, color= as.factor(Año))) +
  geom_line() +
  geom_point() +
  labs(x="Mes", y= "Ventas Totales(Qty)", title = "Ventas totales de productos en envases retornables", color = "Año")

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

ventas_totales_er <- df7 %>%
    filter(Segmento_Det == "Agua Purificada" | Segmento_Det == "Colas Regular" | Segmento_Det == "Isotónicos 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_er, 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")

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

ventas_totales_er <- df7 %>%
    filter(Segmento_Det == "Agua Purificada" | Segmento_Det == "Colas Regular") %>%
  group_by(Segmento_Det, Año) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Año)
## `summarise()` has grouped output by 'Segmento_Det'. You can override using the
## `.groups` argument.
ggplot(ventas_totales_er, aes(x=Año, y=Ventas_Totales,group=Segmento_Det, color= as.factor(Segmento_Det))) +
  geom_col() +
  labs(x="Producto", y= "Ventas Totales últimos 4 años", title = "Agua vs Refresco", color = "Segmento")

# 4.¿Cuál es el comportamiento observado de las unidades vendidas por mes de cada una de las marcas, independientemente de sus respectivas presentaciones?

ventas_totales_er <- df7 %>%
  filter(Marca == "Ciel Agua Purificada" | Marca == "Coca-Cola" | Marca == "Powerade" | Marca == "Sprite Zero" | Marca == "Fanta" | Marca == "Fresca" | Marca == "Manzana Lift") %>%
  group_by(Marca, Número_de_Mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Número_de_Mes)
## `summarise()` has grouped output by 'Marca'. You can override using the
## `.groups` argument.
ggplot(ventas_totales_er, aes(x=Número_de_Mes, y=Ventas_Totales,group=Marca, color= as.factor(Marca))) +
  geom_col() +
  labs(x="Mes", y= "Ventas Totales", title = "Unidades vendidas por mes de cada una de las marcas", color = "Marca")

# 5.¿El incremento en las ventas es similar entre los diferentes tamaños de clientes?

ventas_totales_er <- df7 %>%
  group_by(Tamaño_Cte_Industria, Año) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Año)
## `summarise()` has grouped output by 'Tamaño_Cte_Industria'. You can override
## using the `.groups` argument.
ggplot(ventas_totales_er, aes(x=Año, y=Ventas_Totales,group=Tamaño_Cte_Industria, color= as.factor(Tamaño_Cte_Industria))) +
  geom_area() +
  labs(x="Año", y= "Incremento de Ventas Totales", title = "Ventas entre los diferentes tamaños de clientes", color = "Tamaño de la industria")

Actividad individual 4

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 
## -5092 10185 -5092 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)
## (Intercept) 48918677   17799125   2.748    0.222
## Año           -24174       8820  -2.741    0.223
## 
## Residual standard error: 12470 on 1 degrees of freedom
## Multiple R-squared:  0.8825, Adjusted R-squared:  0.765 
## F-statistic: 7.512 on 1 and 1 DF,  p-value: 0.2227
datos <- data.frame(Año=2020:2025)
prediccion <- predict(regresion,datos)
prediccion
##          1          2          3          4          5          6 
##  87197.333  63023.333  38849.333  14675.333  -9498.667 -33672.667
ventas_4567$Tipo_de_dato <- "Datos Reales"
datos$Ventas_Totales <- prediccion
datos$Tipo_de_dato <- "Prediccion"

datos_combinados <- rbind(ventas_4567,datos)

ggplot(datos_combinados, aes (x=Año, y=Ventas_Totales, color=Tipo_de_dato)) + 
  geom_point()+
  labs(x="Año", y="Ventas Totales(Qty)", title ="Pronostico de ventas del cliente 4567" )

Tarea Colaborativa 4

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 
## -5092 10185 -5092 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)
## (Intercept) 48918677   17799125   2.748    0.222
## Año           -24174       8820  -2.741    0.223
## 
## Residual standard error: 12470 on 1 degrees of freedom
## Multiple R-squared:  0.8825, Adjusted R-squared:  0.765 
## F-statistic: 7.512 on 1 and 1 DF,  p-value: 0.2227
datos <- data.frame(Año=2020:2025)
prediccion <- predict(regresion,datos)
prediccion
##          1          2          3          4          5          6 
##  87197.333  63023.333  38849.333  14675.333  -9498.667 -33672.667
ventas_4567$Tipo_de_dato <- "Datos Reales"
datos$Ventas_Totales <- prediccion
datos$Tipo_de_dato <- "Prediccion"

datos_combinados <- rbind(ventas_4567,datos)


ggplot(datos_combinados, aes (x=Año, y=Ventas_Totales, color=Tipo_de_dato)) + 
  geom_point()+
  labs(x="Año", y="Ventas Totales(Qty)", title ="Pronostico de ventas del cliente 4567" )

# Regresión por Segmento Det
ventas_segmento_det <- df7 %>%
  filter(Cliente == "4567") %>%
  group_by(Año, Segmento_Det) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  filter(Ventas_Totales != 0)
## `summarise()` has grouped output by 'Año'. You can override using the `.groups`
## argument.
ggplot(ventas_segmento_det, aes(x = Año, y = Ventas_Totales, color = Segmento_Det)) + 
  geom_point() +
  labs(x = "Año", y = "Ventas Totales(Qty)", title = "Ventas Totales del cliente 4567 por Segmento Det") +
  geom_smooth(method = "lm", se = FALSE)
## `geom_smooth()` using formula = 'y ~ x'

ventas_presentacion <- df7 %>%
  filter(Cliente == "4567") %>%
  group_by(Año, Presentacion) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  filter(Ventas_Totales != 0)
## `summarise()` has grouped output by 'Año'. You can override using the `.groups`
## argument.
ggplot(ventas_presentacion, aes(x = Año, y = Ventas_Totales, color = Presentacion)) + 
  geom_point() +
  labs(x = "Año", y = "Ventas Totales(Qty)", title = "Ventas Totales del cliente 4567 por Presentación") +
  geom_smooth(method = "lm", se = FALSE)
## `geom_smooth()` using formula = 'y ~ x'

# Regresión por Marca
ventas_marca <- df7 %>%
  filter(Cliente == "4567") %>%
  group_by(Año, Marca) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  filter(Ventas_Totales != 0)
## `summarise()` has grouped output by 'Año'. You can override using the `.groups`
## argument.
ggplot(ventas_marca, aes(x = Año, y = Ventas_Totales, color = Marca)) + 
  geom_point() +
  labs(x = "Año", y = "Ventas Totales(Qty)", title = "Ventas Totales del cliente 4567 por Marca") +
  geom_smooth(method = "lm", se = FALSE)
## `geom_smooth()` using formula = 'y ~ x'

# Regresión por Retornable_NR
ventas_retornable <- df7 %>%
  filter(Cliente == "4567") %>%
  group_by(Año, Retornable_NR) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  filter(Ventas_Totales != 0)
## `summarise()` has grouped output by 'Año'. You can override using the `.groups`
## argument.
ggplot(ventas_retornable, aes(x = Año, y = Ventas_Totales, color = as.factor(Retornable_NR))) + 
  geom_point() +
  labs(x = "Año", y = "Ventas Totales(Qty)", title = "Ventas Totales del cliente 4567 por Retornable_NR") +
  geom_smooth(method = "lm", se = FALSE)
## `geom_smooth()` using formula = 'y ~ x'

Tarea Individual 5

ventas_mensuales_4567 <- df7 %>%
  filter(Cliente == "4567") %>%
  group_by(Año, Mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  filter(Ventas_Totales != 0)
## `summarise()` has grouped output by 'Año'. You can override using the `.groups`
## argument.
# Crear serie de tiempo mensual, que inicia en Enero de 2017
ts <- ts(data = ventas_mensuales_4567$Ventas_Totales, start = c(2017, 1), frequency = 12)

# Si prefieres iniciar la serie en Abril de 2017, utiliza este código:
# ts <- ts(data = ventas_mensuales_4567$Ventas_Totales, start = c(2017, 4), frequency = 12)

library(forecast)
## Warning: package 'forecast' was built under R version 4.3.3
## Registered S3 method overwritten by 'quantmod':
##   method            from
##   as.zoo.data.frame zoo
# Crear modelo ARIMA
arima_model <- auto.arima(ts, D = 1) # D=1 por la temporalidad
print(arima_model)
## Series: ts 
## ARIMA(0,0,0)(0,1,0)[12] 
## 
## sigma^2 = 12151913:  log likelihood = -191.51
## AIC=385.02   AICc=385.24   BIC=386.01
summary(arima_model)
## Series: ts 
## ARIMA(0,0,0)(0,1,0)[12] 
## 
## sigma^2 = 12151913:  log likelihood = -191.51
## AIC=385.02   AICc=385.24   BIC=386.01
## 
## Training set error measures:
##                    ME     RMSE      MAE       MPE     MAPE      MASE       ACF1
## Training set 24.80084 2755.893 1738.113 -1.696181 14.35444 0.6267424 0.02771808
# Generar el pronóstico de ventas
pronostico <- forecast(arima_model, level = 95, h = 36)
print(pronostico)
##          Point Forecast      Lo 95    Hi 95
## Sep 2019          14204  7371.6451 21036.35
## Oct 2019          11270  4437.6451 18102.35
## Nov 2019          11427  4594.6451 18259.35
## Dec 2019          12086  5253.6451 18918.35
## Jan 2020          13334  6501.6451 20166.35
## Feb 2020          14050  7217.6451 20882.35
## Mar 2020           9430  2597.6451 16262.35
## Apr 2020          11312  4479.6451 18144.35
## May 2020          14005  7172.6451 20837.35
## Jun 2020          15347  8514.6451 22179.35
## Jul 2020          12515  5682.6451 19347.35
## Aug 2020          16286  9453.6451 23118.35
## Sep 2020          14204  4541.5911 23866.41
## Oct 2020          11270  1607.5911 20932.41
## Nov 2020          11427  1764.5911 21089.41
## Dec 2020          12086  2423.5911 21748.41
## Jan 2021          13334  3671.5911 22996.41
## Feb 2021          14050  4387.5911 23712.41
## Mar 2021           9430  -232.4089 19092.41
## Apr 2021          11312  1649.5911 20974.41
## May 2021          14005  4342.5911 23667.41
## Jun 2021          15347  5684.5911 25009.41
## Jul 2021          12515  2852.5911 22177.41
## Aug 2021          16286  6623.5911 25948.41
## Sep 2021          14204  2370.0142 26037.99
## Oct 2021          11270  -563.9858 23103.99
## Nov 2021          11427  -406.9858 23260.99
## Dec 2021          12086   252.0142 23919.99
## Jan 2022          13334  1500.0142 25167.99
## Feb 2022          14050  2216.0142 25883.99
## Mar 2022           9430 -2403.9858 21263.99
## Apr 2022          11312  -521.9858 23145.99
## May 2022          14005  2171.0142 25838.99
## Jun 2022          15347  3513.0142 27180.99
## Jul 2022          12515   681.0142 24348.99
## Aug 2022          16286  4452.0142 28119.99
# Graficar el pronóstico
plot(pronostico, main = "Ventas Mensuales y Pronóstico 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_Der <- df7 %>%
  filter(Segmento_Det %in% c("Agua Purificada", "Colas Regular", "Isotónicos Regular")) %>%
  filter(Año == 2018) %>%
  group_by(Segmento_Det, Mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Mes)
## `summarise()` has grouped output by 'Segmento_Det'. You can override using the
## `.groups` argument.
ggplot(ventas_totales_Der, aes(x = 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 venta 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 aumento en 10,000 unidades, mientas que las aguas isotónicas no tuvieron cambios.

2.- ¿El incremento en las ventas es similar entre los diferentes tamaños de clientes?

ventas_totales_tam_cliente <- df7 %>%
  filter(Año == 2019) %>%
  group_by(Tamaño_Cte_Industria, Mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Mes)
## `summarise()` has grouped output by 'Tamaño_Cte_Industria'. You can override
## using the `.groups` argument.
library(ggplot2)

ggplot(ventas_totales_tam_cliente, aes(x = Mes, y = Ventas_Totales, group = Tamaño_Cte_Industria, color = as.factor(Tamaño_Cte_Industria))) +
  geom_line() +
  geom_point() +
  labs(x = "Mes", y = "Ventas Totales(Qty)", title = "Ventas Totales por Tamaño de Cliente", color = "Tamaño de Cliente")

Respuesta: El incremento de ventas es similar independientemente de los tamaños de los clientes. Como todos los negocios están abiertos los mismos días, y están ubicados en la misma ciudad (Guadalajara), los factores externos de las ventas efectan casi igual a todos. El mes de mayo de 2019 fue el de mayor en ventas en todos los tamaños de clientes, y el primer bimestr fue el mas bajo tambien para 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 %in% c("coca-cola", "valle Frut", "Ciel Agua Purificada", "Coca-cola Light")) %>%
  group_by(Marca, Mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Mes) %>%
  filter(Ventas_Totales != 0)
## `summarise()` has grouped output by 'Marca'. You can override using the
## `.groups` argument.
ggplot(ventas_totales_marca, aes(x = 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 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 conocidas son las que tiene en mente el consumidor. El mes de mayo 2019 es para todas las marcas el de mayores ventas, pero la marca Coca-cola es la que vende más que todas

  1. ¿Se ha incrementado la venta de productos en envases retornables en los últimos años?
ventas_totales_Retornable_NR <- df7 %>%
  filter(Retornable_NR== "Retornable") %>%
  filter(Año == c(2017,2018,2019)) %>%
  group_by(Año,Mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Año,Mes)%>%
  filter(Ventas_Totales !=0)
## `summarise()` has grouped output by 'Año'. You can override using the `.groups`
## argument.
ggplot(ventas_totales_Retornable_NR, aes(x=Mes, y=Ventas_Totales, group=Año, color= as.factor(Año)))+
  geom_line()+
  geom_point()+
  labs(x="Mes", y="Ventas totales (Qty)", title="Ventas totales por Retornable", color="Año ")

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

ventas_totales_er <- df7 %>%
    filter(Segmento_Det == "Agua Purificada" | Segmento_Det == "Colas Regular" | Segmento_Det == "Isotónicos Regular") %>%
  filter(Año==2018) %>%
  group_by(Segmento_Det, Mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Mes)
## `summarise()` has grouped output by 'Segmento_Det'. You can override using the
## `.groups` argument.
ggplot(ventas_totales_er, aes(x= 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: A lo largo del año, las ventas de agua purificada se mantienen uniformes sin mostrar una tendencia clara hacia un aumento significativo, mientras que las ventas de colas regulares superan ampliamente las del agua y las bebidas isotónicas, permaneciendo también estables pero con pequeñas variaciones periódicas. Por otro lado, las bebidas isotónicas presentan las ventas más bajas de los segmentos, comportándose de manera constante similar al agua purificada y sin indicios de un incremento en su demanda.

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

ventas_totales_er <- df7 %>%
    filter(Segmento_Det == "Agua Purificada" | Segmento_Det == "Colas Regular") %>%
  group_by(Segmento_Det, Año) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Año)
## `summarise()` has grouped output by 'Segmento_Det'. You can override using the
## `.groups` argument.
ggplot(ventas_totales_er, aes(x=Año, y=Ventas_Totales,group=Segmento_Det, color= as.factor(Segmento_Det))) +
  geom_col() +
  labs(x="Producto", y= "Ventas Totales últimos 4 años", title = "Agua vs Refresco", color = "Segmento")

Respuesta: A lo largo de cuatro años, la proporción de agua purificada frente a las colas regulares se ha mantenido pequeña y consistente, sin experimentar grandes cambios, mientras que las colas regulares han continuado dominando el mercado con la mayor parte de las ventas totales, a pesar de las ligeras variaciones en la altura de las barras anuales, lo que resalta su predominio en el volumen de ventas en comparación con el agua.

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

ventas_COCACOLA <- df7 %>%
  filter(Marca == "Coca-Cola" | Presentacion == "500 ml NR Vidrio") %>%
  group_by(Año) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  filter(Ventas_Totales != 0)

ggplot(ventas_COCACOLA, aes(x=Año, y=Ventas_Totales)) +
  geom_point() +
  labs(x="Año", y="Ventas Totales (QTY)", title="Ventas de la marca Coca-Cola")

datos <- data.frame(Año=2020)
prediccion <- predict(regresion,datos)
prediccion
##        1 
## 87197.33
ventas_COCACOLA$Tipo_de_Dato <- "Datos Reales"
datos$Ventas_Totales <- prediccion
datos$Tipo_de_Dato <- "Predicción"

datos_combinados <- rbind(ventas_COCACOLA, datos)

ggplot(datos_combinados, aes(x=Año, y=Ventas_Totales, color=Tipo_de_Dato)) +
  geom_point() +
  labs(x="Año", y="Ventas Totales (QTY)", title="Pronóstico de Ventas de la marca Coca Cola envase de 500ml")

ventas_COCACOLA$Tipo_de_Dato <- "Datos Reales"
datos$Ventas_Totales <- prediccion
datos$Tipo_de_Dato <- "Predicción"

datos_combinados <- rbind(ventas_COCACOLA, datos)

ggplot(datos_combinados, aes(x=Año, y=Ventas_Totales, color=Tipo_de_Dato)) +
  geom_point() +
  labs(x="Año", y="Ventas Totales (QTY)", title="Pronóstico de Ventas de la marca Coca Cola envase de 500ml")

Respuesta: Desde 2016 hasta 2019, junto con una predicción para el año 2020. Según la información visualizada, las ventas esperadas para el 2020 en la Coca Cola de 500 ml NR Vidrio ascienden a aproximadamente 6,500,000 unidades (QTY), indicado por el punto de predicción azul en el gráfico.

---
title: "Actividad individual 2. Importación, Limpieza, y Transformación de Datos"
author: "Adriana Berrellez"
date: "2024-03-19"
output: 
  html_document:
    toc: TRUE
    toc_float: TRUE
    code_download: TRUE
    theme: cosmo
---


![](C:\\Users\\Usuario\\Downloads\\Arca_Continental_logo.svg.png)



# <span style="color:red;">instalar paquetes y llamar librerias</span>
```{r message=TRUE, warning=TRUE}
#install.packages("readx1") #Leer documentos de excel
library(readxl)
#install.packages("tidyverse") #Manipulacion de datos
library(tidyverse)
#install.packages("ggplot2") #Generar graficos presentables
library(ggplot2)
```

```{r}
#file.choose()
```


# <span style="color:red;">Actividad individual 2</span>

 Importar la base de datos
```{r}
#file.choose
df <- read_excel("C:\\Users\\Usuario\\Downloads\\Datos Arca Continental Original.xlsx")
```
 Revisar la estructura de datos
```{r}
str(df)
```


 Revisar NAs en la base de datos
```{r}
#Cuantos NAs tengo en la base de datos?
sum(is.na(df))

# Cuantos NAs tengo por variable?
sapply(df, function(x) sum(is.na(x)))

#opcion 1, Eliminar NAs
# df <- na.omit(df)

#opcion 2. Reemplazar NAs con CEROS
df1 <- df
df1 [is.na(df1)] <- 0
sum (is.na(df1))

#opcio 3. Reemplazar NAs con PROMEDIO
#df1 <- df
#df1$Enero[is.na(df1$Enero)] <- mean(df1$Enero, na.rm+TRUE)
```

 Detectar valores atipicos
```{r}
boxplot(df1$Enero)

#Eliminar renglon
df1 <- df1[df1$Enero <6000, ]
boxplot(df1$Enero)
```
 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 tamano de la tienda grande:
df3 <- df1 %>% filter(Tamaño_Cte_Industria  == "Grande")

# Ordena  la base de datos por Cedi, marca y por presentacion:
df4 <- df1 %>% arrange(CEDI, Marca, Presentacion)

#Agrega un campo calculado con las ventas del primer semestre y muestra  las ventas del primer semestre por marca:
df5 <- df1 %>% mutate(ventas_Sem1 = Enero + Febrero + Marzo + Abril + Mayo + Junio)

ventas_sem1_por_marca <- df5 %>%
  group_by(Marca) %>%
  summarise(ventas_sem1=sum(ventas_Sem1))

#Obtener la media  de las ventas del primer semestre  agrupado por marca, presentacion y tamano
df6 <- df5 %>% 
  group_by(Marca, Presentacion, Tamaño)%>%
  summarise(ventas_sem1=mean(ventas_Sem1))

# Calcualar medidas de central
summary(df1)

# Colapsar meses en una columna
df7 <- gather(df1, Mes, Ventas, Enero:Diciembre)
df7
```


# <span style="color:red;">Tarea Colaborativa 2</span>

 Insertar librerías
```{r}
library(tidyverse)
library(dplyr)
library(readxl)
library(ggplot2)
```

```{r}
#file.choose("C:\\Users\\Usuario\\Downloads\\Datos Arca Continental Original.xlsx")
datos <- read_excel("C:\\Users\\Usuario\\Downloads\\Datos Arca Continental Original.xlsx")
```

 Uso de Select(): 
```{r}
#Se desea seleccionar Sub Territoriio, Segmento Det y Marca. Al seleccionarlas implica entender el contexto, poder evaluar la relevancia y calidad de los datos, considerar variables relacionadas para realizar el analisis adecuado.
datos_1 <- datos %>%
  select(`Sub Territorio`, `Segmento Det`, Marca)
print(datos_1)
```

 Cantidad de distribuciòn de distintas Marcas por sub Territorio
```{r}
# Se desea identificar cantidad de ventas en los distintos productos por sub territorio, de las distintas marcas en los diversos territorios. Esto con una grafica para visualizar de mejor manera.

grafico <- ggplot(datos, aes(x = `Sub Territorio`, fill = Marca)) +
  geom_bar(position = "dodge") +
  labs(title = "Ventas de distintas Marcas por Sub Territorio",
       x = "Sub Territorio",
       y = "Cantidad") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

# Visualizar gráfico
print(grafico)
```

 Filtrar territorios con consumo de "Coca-Cola" mayor que 5, en el  mes de Enero
```{r}
#Se sabe que en Mèxico es de los principales paises que consumen una mayor cantidad de Coca-Cola, por lo cual se desa manipularlos datos del producto Coca cola en el mes de Enero

datos_2 <- datos %>%
  filter(Marca == "Coca-Cola" & Enero> 5)

# Visualizar resultado
print(datos_2)
```

 Uso de arrange
```{r}
#Seleccionar solo las columnas de enero a mayo y ordenar los datos por el consumo de "Burn" en el territorio "Guadalajara"
datos_3 <- datos %>%
  filter(Territorio == "Guadalajara" & Marca == "Burn") %>%
  select(Territorio, Marca, Enero:Mayo) %>%
  arrange(desc(Enero))

# Mostrar el resultado
print(datos_3)
```

 Uso de group_by() & summarise()
```{r}
#Agrega un campo calculado con las ventas del primer semestre y muestra  las ventas del primer semestre por marca:
datos_4 <- datos %>% mutate(ventas_Sem1 = Enero + Febrero + Marzo + Abril + Mayo + Junio)

ventas_sem1_por_marca <- datos_4 %>%
  group_by(Marca) %>%
  summarise(ventas_sem1=sum(ventas_Sem1))
print(datos_4)
```


# <span style="color:red;">Actividad individual 3</span>

```{r}
#Agregar una plumna con el numero del mes
meses <- c ("Enero"="01","Febrero"="02","Marzo"="03","Abril"="04","Mayo"="05","Junio"="06","Julio"= "07", "Agosto"="08", "Septiembre"="09", "Octubre"="10", "Noviembre"="11", "Diciembre"="12")

df7$Número_de_Mes <- meses[df7$Mes]

#Graficar el total de ventas por mes y año

ventas_totales <- df7 %>%
  group_by(Año, Número_de_Mes) %>%
  summarise(Ventas_Totales = sum (Ventas)) %>%
  arrange(Número_de_Mes)

ggplot(ventas_totales, aes (x=Número_de_Mes, y=Ventas_Totales, group=Año, color=as.factor(Año))) + 
  geom_line()+
  geom_point()+
  labs(x="Mes", y="Ventas Totales(Qty)", color="Año" )
```

# <span style="color:red;">Tarea Colaborativa 3</span>                                                                                                                                                     
```{r}
# 1.¿Se ha incrementado la venta de productos en envases retornables en los últimos dos años?

ventas_totales_er <- df7 %>%
    filter(Retornable_NR == "Retornable") %>%
  group_by(Año, Número_de_Mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Número_de_Mes)

ggplot(ventas_totales_er, aes(x=Número_de_Mes, y=Ventas_Totales,group=Año, color= as.factor(Año))) +
  geom_line() +
  geom_point() +
  labs(x="Mes", y= "Ventas Totales(Qty)", title = "Ventas totales de productos en envases retornables", color = "Año")


# 2.¿Se ha incrementado la venta de productos en envases retornables en los últimos dos años?

ventas_totales_er <- df7 %>%
    filter(Segmento_Det == "Agua Purificada" | Segmento_Det == "Colas Regular" | Segmento_Det == "Isotónicos Regular") %>%
  filter(Año==2018) %>%
  group_by(Segmento_Det, Número_de_Mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Número_de_Mes)

ggplot(ventas_totales_er, aes(x=Número_de_Mes, y=Ventas_Totales,group=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")

# 3.¿Puede decirse que la venta mensual de agua está relacionada con la venta mensual de refrescos en los últimos 4 años?

ventas_totales_er <- df7 %>%
    filter(Segmento_Det == "Agua Purificada" | Segmento_Det == "Colas Regular") %>%
  group_by(Segmento_Det, Año) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Año)

ggplot(ventas_totales_er, aes(x=Año, y=Ventas_Totales,group=Segmento_Det, color= as.factor(Segmento_Det))) +
  geom_col() +
  labs(x="Producto", y= "Ventas Totales últimos 4 años", title = "Agua vs Refresco", color = "Segmento")

# 4.¿Cuál es el comportamiento observado de las unidades vendidas por mes de cada una de las marcas, independientemente de sus respectivas presentaciones?

ventas_totales_er <- df7 %>%
  filter(Marca == "Ciel Agua Purificada" | Marca == "Coca-Cola" | Marca == "Powerade" | Marca == "Sprite Zero" | Marca == "Fanta" | Marca == "Fresca" | Marca == "Manzana Lift") %>%
  group_by(Marca, Número_de_Mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Número_de_Mes)

ggplot(ventas_totales_er, aes(x=Número_de_Mes, y=Ventas_Totales,group=Marca, color= as.factor(Marca))) +
  geom_col() +
  labs(x="Mes", y= "Ventas Totales", title = "Unidades vendidas por mes de cada una de las marcas", color = "Marca")

# 5.¿El incremento en las ventas es similar entre los diferentes tamaños de clientes?

ventas_totales_er <- df7 %>%
  group_by(Tamaño_Cte_Industria, Año) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Año)

ggplot(ventas_totales_er, aes(x=Año, y=Ventas_Totales,group=Tamaño_Cte_Industria, color= as.factor(Tamaño_Cte_Industria))) +
  geom_area() +
  labs(x="Año", y= "Incremento de Ventas Totales", title = "Ventas entre los diferentes tamaños de clientes", color = "Tamaño de la industria")
```

# <span style="color:red;">Actividad individual 4</span>

```{r}
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)


datos <- data.frame(Año=2020:2025)
prediccion <- predict(regresion,datos)
prediccion

ventas_4567$Tipo_de_dato <- "Datos Reales"
datos$Ventas_Totales <- prediccion
datos$Tipo_de_dato <- "Prediccion"

datos_combinados <- rbind(ventas_4567,datos)

ggplot(datos_combinados, aes (x=Año, y=Ventas_Totales, color=Tipo_de_dato)) + 
  geom_point()+
  labs(x="Año", y="Ventas Totales(Qty)", title ="Pronostico de ventas del cliente 4567" )
```


# <span style="color:red;">Tarea Colaborativa 4</span>

```{r}
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)


datos <- data.frame(Año=2020:2025)
prediccion <- predict(regresion,datos)
prediccion

ventas_4567$Tipo_de_dato <- "Datos Reales"
datos$Ventas_Totales <- prediccion
datos$Tipo_de_dato <- "Prediccion"

datos_combinados <- rbind(ventas_4567,datos)


ggplot(datos_combinados, aes (x=Año, y=Ventas_Totales, color=Tipo_de_dato)) + 
  geom_point()+
  labs(x="Año", y="Ventas Totales(Qty)", title ="Pronostico de ventas del cliente 4567" )

# Regresión por Segmento Det
ventas_segmento_det <- df7 %>%
  filter(Cliente == "4567") %>%
  group_by(Año, Segmento_Det) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  filter(Ventas_Totales != 0)

ggplot(ventas_segmento_det, aes(x = Año, y = Ventas_Totales, color = Segmento_Det)) + 
  geom_point() +
  labs(x = "Año", y = "Ventas Totales(Qty)", title = "Ventas Totales del cliente 4567 por Segmento Det") +
  geom_smooth(method = "lm", se = FALSE)

ventas_presentacion <- df7 %>%
  filter(Cliente == "4567") %>%
  group_by(Año, Presentacion) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  filter(Ventas_Totales != 0)

ggplot(ventas_presentacion, aes(x = Año, y = Ventas_Totales, color = Presentacion)) + 
  geom_point() +
  labs(x = "Año", y = "Ventas Totales(Qty)", title = "Ventas Totales del cliente 4567 por Presentación") +
  geom_smooth(method = "lm", se = FALSE)

# Regresión por Marca
ventas_marca <- df7 %>%
  filter(Cliente == "4567") %>%
  group_by(Año, Marca) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  filter(Ventas_Totales != 0)

ggplot(ventas_marca, aes(x = Año, y = Ventas_Totales, color = Marca)) + 
  geom_point() +
  labs(x = "Año", y = "Ventas Totales(Qty)", title = "Ventas Totales del cliente 4567 por Marca") +
  geom_smooth(method = "lm", se = FALSE)


# Regresión por Retornable_NR
ventas_retornable <- df7 %>%
  filter(Cliente == "4567") %>%
  group_by(Año, Retornable_NR) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  filter(Ventas_Totales != 0)

ggplot(ventas_retornable, aes(x = Año, y = Ventas_Totales, color = as.factor(Retornable_NR))) + 
  geom_point() +
  labs(x = "Año", y = "Ventas Totales(Qty)", title = "Ventas Totales del cliente 4567 por Retornable_NR") +
  geom_smooth(method = "lm", se = FALSE)
```

# <span style="color:red;">Tarea Individual 5</span>

```{r}
ventas_mensuales_4567 <- df7 %>%
  filter(Cliente == "4567") %>%
  group_by(Año, Mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  filter(Ventas_Totales != 0)

# Crear serie de tiempo mensual, que inicia en Enero de 2017
ts <- ts(data = ventas_mensuales_4567$Ventas_Totales, start = c(2017, 1), frequency = 12)

# Si prefieres iniciar la serie en Abril de 2017, utiliza este código:
# ts <- ts(data = ventas_mensuales_4567$Ventas_Totales, start = c(2017, 4), frequency = 12)

library(forecast)

# Crear modelo ARIMA
arima_model <- auto.arima(ts, D = 1) # D=1 por la temporalidad
print(arima_model)

summary(arima_model)

# Generar el pronóstico de ventas
pronostico <- forecast(arima_model, level = 95, h = 36)
print(pronostico)

# Graficar el pronóstico
plot(pronostico, main = "Ventas Mensuales y Pronóstico 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_Der <- df7 %>%
  filter(Segmento_Det %in% c("Agua Purificada", "Colas Regular", "Isotónicos Regular")) %>%
  filter(Año == 2018) %>%
  group_by(Segmento_Det, Mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Mes)

ggplot(ventas_totales_Der, aes(x = 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 venta 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 aumento en 10,000 unidades, mientas 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, Mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Mes)

library(ggplot2)

ggplot(ventas_totales_tam_cliente, aes(x = Mes, y = Ventas_Totales, group = Tamaño_Cte_Industria, color = as.factor(Tamaño_Cte_Industria))) +
  geom_line() +
  geom_point() +
  labs(x = "Mes", y = "Ventas Totales(Qty)", title = "Ventas Totales por Tamaño de Cliente", color = "Tamaño de Cliente")
```

**Respuesta: El incremento de ventas es similar independientemente de los tamaños de los clientes. Como todos los negocios están abiertos los mismos días, y están ubicados en la misma ciudad (Guadalajara), los factores externos de las ventas efectan casi igual a todos. El mes de mayo de 2019 fue el de mayor en ventas en todos los  tamaños de clientes, y el primer bimestr fue el mas bajo tambien para 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 %in% c("coca-cola", "valle Frut", "Ciel Agua Purificada", "Coca-cola Light")) %>%
  group_by(Marca, Mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Mes) %>%
  filter(Ventas_Totales != 0)

ggplot(ventas_totales_marca, aes(x = 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 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 conocidas son las que tiene en mente el consumidor. El mes de mayo 2019 es para todas las marcas el de mayores ventas, pero la marca Coca-cola es la que vende más que todas**

4. ¿Se ha incrementado la venta de productos en envases retornables en los últimos años?
```{r}
ventas_totales_Retornable_NR <- df7 %>%
  filter(Retornable_NR== "Retornable") %>%
  filter(Año == c(2017,2018,2019)) %>%
  group_by(Año,Mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Año,Mes)%>%
  filter(Ventas_Totales !=0)

ggplot(ventas_totales_Retornable_NR, aes(x=Mes, y=Ventas_Totales, group=Año, color= as.factor(Año)))+
  geom_line()+
  geom_point()+
  labs(x="Mes", y="Ventas totales (Qty)", title="Ventas totales por Retornable", color="Año ")

```

 5.¿El comportamiento de la venta de agua ha incrementado en relación al de los refrescos o las bebidas isotónicas?


```{r}
ventas_totales_er <- df7 %>%
    filter(Segmento_Det == "Agua Purificada" | Segmento_Det == "Colas Regular" | Segmento_Det == "Isotónicos Regular") %>%
  filter(Año==2018) %>%
  group_by(Segmento_Det, Mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Mes)

ggplot(ventas_totales_er, aes(x= 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: A lo largo del año, las ventas de agua purificada se mantienen uniformes sin mostrar una tendencia clara hacia un aumento significativo, mientras que las ventas de colas regulares superan ampliamente las del agua y las bebidas isotónicas, permaneciendo también estables pero con pequeñas variaciones periódicas. Por otro lado, las bebidas isotónicas presentan las ventas más bajas de los segmentos, comportándose de manera constante similar al agua purificada y sin indicios de un incremento en su demanda.**

 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_er <- df7 %>%
    filter(Segmento_Det == "Agua Purificada" | Segmento_Det == "Colas Regular") %>%
  group_by(Segmento_Det, Año) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Año)

ggplot(ventas_totales_er, aes(x=Año, y=Ventas_Totales,group=Segmento_Det, color= as.factor(Segmento_Det))) +
  geom_col() +
  labs(x="Producto", y= "Ventas Totales últimos 4 años", title = "Agua vs Refresco", color = "Segmento")
```

**Respuesta: A lo largo de cuatro años, la proporción de agua purificada frente a las colas regulares se ha mantenido pequeña y consistente, sin experimentar grandes cambios, mientras que las colas regulares han continuado dominando el mercado con la mayor parte de las ventas totales, a pesar de las ligeras variaciones en la altura de las barras anuales, lo que resalta su predominio en el volumen de ventas en comparación con el agua.**


 7.¿A cuánto ascienden las ventas esperadas para el 2020 en la Coca Cola de 500 ml NR Vidrio?
```{r}
ventas_COCACOLA <- df7 %>%
  filter(Marca == "Coca-Cola" | Presentacion == "500 ml NR Vidrio") %>%
  group_by(Año) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  filter(Ventas_Totales != 0)

ggplot(ventas_COCACOLA, aes(x=Año, y=Ventas_Totales)) +
  geom_point() +
  labs(x="Año", y="Ventas Totales (QTY)", title="Ventas de la marca Coca-Cola")

datos <- data.frame(Año=2020)
prediccion <- predict(regresion,datos)
prediccion

ventas_COCACOLA$Tipo_de_Dato <- "Datos Reales"
datos$Ventas_Totales <- prediccion
datos$Tipo_de_Dato <- "Predicción"

datos_combinados <- rbind(ventas_COCACOLA, datos)

ggplot(datos_combinados, aes(x=Año, y=Ventas_Totales, color=Tipo_de_Dato)) +
  geom_point() +
  labs(x="Año", y="Ventas Totales (QTY)", title="Pronóstico de Ventas de la marca Coca Cola envase de 500ml")
ventas_COCACOLA$Tipo_de_Dato <- "Datos Reales"
datos$Ventas_Totales <- prediccion
datos$Tipo_de_Dato <- "Predicción"

datos_combinados <- rbind(ventas_COCACOLA, datos)

ggplot(datos_combinados, aes(x=Año, y=Ventas_Totales, color=Tipo_de_Dato)) +
  geom_point() +
  labs(x="Año", y="Ventas Totales (QTY)", title="Pronóstico de Ventas de la marca Coca Cola envase de 500ml")


```

**Respuesta: Desde 2016 hasta 2019, junto con una predicción para el año 2020. Según la información visualizada, las ventas esperadas para el 2020 en la Coca Cola de 500 ml NR Vidrio ascienden a aproximadamente 6,500,000 unidades (QTY), indicado por el punto de predicción azul en el gráfico.**

  
  
  
  