Evidencia
Esteban Loyo - A00837725
2024-09-11
Contexto
Para Arca Continental su principal canal de distribuciĂ³n es el canal tradicional, es decir, las tienditas de la esquina. Esto permite que la familia de productos de la compañĂa Coca Cola estĂ©n siempre cerca de sus consumidores a travĂ©s de estas pequeñas empresas familiares que forman parte de su propia comunidad.
InstalaciĂ³n y llamar librerĂas
# install.packages("readxl") # Importar archivo de Excel
library(readxl)
# install.packages("DataExplorer") # Para realizar AnĂ¡lisis Descriptivo
library(DataExplorer)
# install.packages("dplyr")
library(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union# install.packages("forecast")
library(forecast)## Registered S3 method overwritten by 'quantmod':
## method from
## as.zoo.data.frame zoo# install.packages("ggplot2")
library(ggplot2)
# install.packages("tidyverse")
library(tidyverse)## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ forcats 1.0.0 ✔ stringr 1.5.1
## ✔ lubridate 1.9.3 ✔ tibble 3.2.1
## ✔ purrr 1.0.2 ✔ tidyr 1.3.1
## ✔ readr 2.1.5## ── 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 errorsImportar la base de datos
# file.choose()
df <- read_excel("/Users/estebanloyo/Desktop/Codes/RStudio/Bootcamp/Datos Arca Continental Original.xlsx")
colnames(df) <- make.names(colnames(df))AnĂ¡lisis Descriptivo
summary(df)## ID Año Territorio Sub.Territorio
## Min. : 1 Min. :2016 Length:466509 Length:466509
## 1st Qu.:116628 1st Qu.:2017 Class :character Class :character
## Median :233255 Median :2018 Mode :character Mode :character
## Mean :233255 Mean :2018
## 3rd Qu.:349882 3rd Qu.:2019
## Max. :466509 Max. :2019
##
## CEDI Cliente Nombre Tamaño.Cte.Industria
## Length:466509 Length:466509 Length:466509 Length:466509
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## Segmento.Det Marca Presentacion Tamaño
## Length:466509 Length:466509 Length:466509 Length:466509
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## Retornable_NR Enero Febrero Marzo
## Length:466509 Min. : -19.0 Min. : -11.00 Min. : -32.00
## Class :character 1st Qu.: 1.0 1st Qu.: 1.00 1st Qu.: 1.00
## Mode :character Median : 2.0 Median : 2.00 Median : 3.00
## Mean : 10.1 Mean : 9.76 Mean : 11.36
## 3rd Qu.: 6.0 3rd Qu.: 6.00 3rd Qu.: 6.00
## Max. :42736.0 Max. :42767.00 Max. :42795.00
## NA's :233480 NA's :231213 NA's :227420
## Abril Mayo Junio Julio
## Min. : -70.00 Min. : -106.00 Min. : -211.0 Min. : -60.00
## 1st Qu.: 1.00 1st Qu.: 1.00 1st Qu.: 1.0 1st Qu.: 1.00
## Median : 3.00 Median : 3.00 Median : 3.0 Median : 2.00
## Mean : 11.71 Mean : 12.75 Mean : 12.2 Mean : 11.75
## 3rd Qu.: 6.00 3rd Qu.: 7.00 3rd Qu.: 6.0 3rd Qu.: 6.00
## Max. :42826.00 Max. :42856.00 Max. :42887.0 Max. :42917.00
## NA's :224057 NA's :216910 NA's :215753 NA's :223411
## Agosto Septiembre Octubre Noviembre
## Min. : -211.00 Min. : -527.0 Min. : -38.0 Min. : -25.0
## 1st Qu.: 1.00 1st Qu.: 1.0 1st Qu.: 1.0 1st Qu.: 1.0
## Median : 3.00 Median : 3.0 Median : 3.0 Median : 3.0
## Mean : 11.98 Mean : 13.4 Mean : 13.7 Mean : 13.3
## 3rd Qu.: 6.00 3rd Qu.: 7.0 3rd Qu.: 7.0 3rd Qu.: 6.0
## Max. :42948.00 Max. :42979.0 Max. :43009.0 Max. :43040.0
## NA's :220242 NA's :337314 NA's :338386 NA's :338460
## Diciembre
## Min. : -28.0
## 1st Qu.: 1.0
## Median : 3.0
## Mean : 14.8
## 3rd Qu.: 7.0
## Max. :43070.0
## NA's :341855str(df)## tibble [466,509 Ă— 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 ...# create_report(df)
introduce(df)## # A tibble: 1 Ă— 9
## rows columns discrete_columns continuous_columns all_missing_columns
## <int> <int> <int> <int> <int>
## 1 466509 25 11 14 0
## # ℹ 4 more variables: total_missing_values <int>, complete_rows <int>,
## # total_observations <int>, memory_usage <dbl>plot_intro(df)
plot_missing(df)
plot_histogram(df)
plot_bar(df)## 4 columns ignored with more than 50 categories.
## Cliente: 5249 categories
## Nombre: 1090 categories
## Marca: 56 categories
## Presentacion: 57 categories
plot_correlation(df)## 5 features with more than 20 categories ignored!
## Cliente: 5249 categories
## Nombre: 1090 categories
## Segmento.Det: 21 categories
## Marca: 56 categories
## Presentacion: 57 categories
count(df, Territorio, sort = T)## # A tibble: 2 Ă— 2
## Territorio n
## <chr> <int>
## 1 Guadalajara 466508
## 2 Territorio 1count(df, Sub.Territorio, sort = T)## # A tibble: 4 Ă— 2
## Sub.Territorio n
## <chr> <int>
## 1 Belenes 208982
## 2 HuentitĂ¡n 144196
## 3 Toluquilla 113330
## 4 Sub Territorio 1count(df, CEDI , sort = T)## # A tibble: 4 Ă— 2
## CEDI n
## <chr> <int>
## 1 Suc. Belenes 208982
## 2 Suc. HuentitĂ¡n 144196
## 3 Suc. Toluquilla 113330
## 4 CEDI 1count(df, Cliente, sort = T)## # A tibble: 5,249 Ă— 2
## Cliente n
## <chr> <int>
## 1 0286 647
## 2 2912 586
## 3 2661 537
## 4 7821 531
## 5 1859 525
## 6 5583 516
## 7 9998 508
## 8 3601 506
## 9 5879 499
## 10 0335 496
## # ℹ 5,239 more rowscount(df, Nombre, sort = T)## # A tibble: 1,090 Ă— 2
## Nombre n
## <chr> <int>
## 1 ABARR 71186
## 2 MARIA 39816
## 3 JOSE 17479
## 4 JUAN 7580
## 5 MARTH 5759
## 6 MISCE 5700
## 7 LUIS 5585
## 8 SUPER 4565
## 9 CARLO 3991
## 10 ROSA 3890
## # ℹ 1,080 more rowscount(df, Tamaño.Cte.Industria, sort = T)## # A tibble: 5 Ă— 2
## Tamaño.Cte.Industria n
## <chr> <int>
## 1 Extra Grande 230190
## 2 Micro 117110
## 3 Pequeño 77875
## 4 Grande 41333
## 5 Tamaño Cte Industria 1count(df, Segmento.Det, sort = T)## # A tibble: 21 × 2
## Segmento.Det n
## <chr> <int>
## 1 Sabores Regular 156242
## 2 Colas Regular 95720
## 3 Colas Light 43807
## 4 Jugos y NĂ©ctares 33362
## 5 Bebidas de Fruta 30641
## 6 Agua Purificada 20766
## 7 Agua Mineral 12590
## 8 IsotĂ³nicos Regular 11905
## 9 TĂ© Regular 10062
## 10 Agua Saborizada 10056
## # ℹ 11 more rowscount(df, Marca, sort = T)## # A tibble: 56 Ă— 2
## Marca n
## <chr> <int>
## 1 Coca-Cola 95720
## 2 Sprite 37925
## 3 Fanta 35728
## 4 Fresca 26435
## 5 Manzana Lift 25598
## 6 Coca-Cola Light 21926
## 7 Del Valle 21325
## 8 Ciel Agua Purificada 20766
## 9 Sidral Mundet 17150
## 10 Valle Frut 15808
## # ℹ 46 more rowscount(df, Presentacion, sort = T)## # A tibble: 57 Ă— 2
## Presentacion n
## <chr> <int>
## 1 600 ml NR 74008
## 2 1 Ltro. N.R. 36930
## 3 2 Lts. NR 36415
## 4 500 ml Ret 35165
## 5 1.5 Lts. NR 30637
## 6 Lata 235 ml 24551
## 7 400 ml NR 22877
## 8 250 ml. NR PET 21735
## 9 500 ml NR Vidrio 18758
## 10 2.5 Lts. NR 13235
## # ℹ 47 more rowscount(df, Tamaño, sort = T)## # A tibble: 3 Ă— 2
## Tamaño n
## <chr> <int>
## 1 Individual 328513
## 2 Familiar 137995
## 3 Tamaño 1count(df, Retornable_NR, sort = T)## # A tibble: 3 × 2
## Retornable_NR n
## <chr> <int>
## 1 No Retornable 403226
## 2 Retornable 63282
## 3 Retornable_NR 1Limpieza de la Base de Datos
# Revisar NAs en la base de datos
# CuĂ¡ntos NAs tengo en la base de datos?
sum(is.na(df))## [1] 3148501# CuĂ¡ntas 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# Reemplazar NAs con CEROS
df[is.na(df)] <- 0
sum(is.na(df))## [1] 0## Detectar valores atĂpicos
boxplot(df$Enero)
# Eliminar renglĂ³n de los totales
df <- df[df$Enero <6000, ]
boxplot(df$Enero)
AnĂ¡lisis de Ventas (Tarea Colaborativa 1)
df1 <- df
# Muestra las ventas de Enero a Junio por CEDI:
df2 <- select(df1,c(CEDI,Enero:Junio))
# Muestra los movimientos por Cedi y tamaño de tienda grande:
df3 <- df1 %>% filter(Tamaño.Cte.Industria == "Grande")
# Ordena la base de datos por Cedi, por marca y por presentaciĂ³n:
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))
# ObtĂ©n la media de las ventas del primer semestre agrupado por marca, presentaciĂ³n y tamaño.
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.# 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# Colapsar meses en una columna
df7 <- gather(df1, Mes, Ventas, Enero:Diciembre)
df7## # A tibble: 5,598,096 Ă— 15
## ID Año Territorio Sub.Territorio CEDI Cliente Nombre
## <dbl> <dbl> <chr> <chr> <chr> <chr> <chr>
## 1 1 2016 Guadalajara Belenes Suc. Belenes 77737 ABARR
## 2 2 2016 Guadalajara Belenes Suc. Belenes 77737 ABARR
## 3 3 2016 Guadalajara Belenes Suc. Belenes 77737 ABARR
## 4 4 2016 Guadalajara Belenes Suc. Belenes 77737 ABARR
## 5 5 2016 Guadalajara Belenes Suc. Belenes 77737 ABARR
## 6 6 2016 Guadalajara Belenes Suc. Belenes 77737 ABARR
## 7 7 2016 Guadalajara Belenes Suc. Belenes 77737 ABARR
## 8 8 2016 Guadalajara Belenes Suc. Belenes 77737 ABARR
## 9 9 2016 Guadalajara Belenes Suc. Belenes 77737 ABARR
## 10 10 2016 Guadalajara Belenes Suc. Belenes 77737 ABARR
## # ℹ 5,598,086 more rows
## # ℹ 8 more variables: Tamaño.Cte.Industria <chr>, Segmento.Det <chr>,
## # Marca <chr>, Presentacion <chr>, Tamaño <chr>, Retornable_NR <chr>,
## # Mes <chr>, Ventas <dbl># Agregar una columna con el NĂºmero de Mes
meses <- c("Enero"="01", "Febrero"="02","Marzo"="03", "Abril"="04", "Mayo"="05", "Junio"="06", "Julio"="07", "Agosto"="08", "Septiembre"="09", "Octubre"="10", "Noviembre"="11", "Diciembre"="12")
df7$NĂºmero_de_Mes <- meses[df7$Mes]
# Graficar el total de ventas por mes y año
ventas_totales <- df7 %>%
group_by(Año, NĂºmero_de_Mes) %>%
summarise(Ventas_Totales = sum(Ventas)) %>%
arrange(NĂºmero_de_Mes)## `summarise()` has grouped output by 'Año'. You can override using the `.groups`
## argument.ggplot(ventas_totales, aes(x=NĂºmero_de_Mes, y=Ventas_Totales,group=Año, color= as.factor(Año))) +
geom_line() +
geom_point() +
labs(x="Mes",y="Ventas Totales(Qty)", color = "Año")
RegresiĂ³n lineal
# Elaborar RegresiĂ³n Lineal
ventas_4567 <- df7 %>%
filter(Cliente == "4567") %>%
group_by(Año) %>%
summarise(Ventas_Totales = sum(Ventas)) %>%
filter(Ventas_Totales != 0)
# ventas_4567$Secuencia <- 1:nrow(ventas_4567)
ggplot(ventas_4567, aes(x=Año, y=Ventas_Totales)) +
geom_point() +
labs(x="Año",y="Ventas Totales(Qty)", title= "Ventas Totales del Cliente 4567")
regresion <- lm(Ventas_Totales ~ Año, data=ventas_4567)
summary(regresion)##
## Call:
## lm(formula = Ventas_Totales ~ Año, data = ventas_4567)
##
## Residuals:
## 1 2 3
## -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# EcuaciĂ³n
# 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 -33672.667ventas_4567$Tipo_de_Dato <- "Datos Reales"
datos$Ventas_Totales <- prediccion
datos$Tipo_de_Dato <- "PredicciĂ³n"
datos_combinados <- rbind(ventas_4567,datos)
ggplot(datos_combinados, aes(x=Año, y=Ventas_Totales, color=Tipo_de_Dato)) +
geom_point() +
labs(x="Año",y="Ventas Totales(Qty)", title= "PronĂ³stico a 5 años de Ventas del Cliente 4567")
Series de Tiempo
ventas_mensuales_4567 <- df7 %>%
filter(Cliente == "4567") %>%
group_by(Año, NĂºmero_de_Mes) %>%
summarise(Ventas_Totales = sum(Ventas)) %>%
filter(Ventas_Totales != 0)## `summarise()` has grouped output by 'Año'. You can override using the `.groups`
## argument.# Confirmar que los datos que queremos modelar esten ordenados cronolĂ³gicamente.
# FunciĂ³n de Serie de Tiempo MENSUAL, que inicia en Enero 2017
ts <- ts(data=ventas_mensuales_4567$Ventas_Totales, start = c(2017,1), frequency = 12)
# FunciĂ³n de Serie de Tiempo MENSUAL, que inicia en Abril 2017
# ts <- ts(data=ventas_mensuales_4567$Ventas_Totales, start = c(2017,4), frequency = 12)
# FunciĂ³n de Serie de Tiempo TRIMESTRAL, que inicia en Enero 2017
# ts <- ts(data=ventas_mensuales_4567$Ventas_Totales, start = c(2017,1), frequency = 4)
# FunciĂ³n de Serie de Tiempo TRIMESTRAL, que inicia en Octubre 2017 (Q4)
# ts <- ts(data=ventas_mensuales_4567$Ventas_Totales, start = c(2017,4), frequency = 4)
# FunciĂ³n de Serie de Tiempo ANUAL, que inicia en 2017
# ts <- ts(data=ventas_mensuales_4567$Ventas_Totales, start = 2017, frequency = 1)
# Crear Modelo ARIMA
# Modelo Autorregresivo 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=382.87summary(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 el pronĂ³stico de ventas
pronostico <- forecast(arima, level=95, h=36)
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 24988.90plot(pronostico, main="Ventas Mensuales y PronĂ³stico a 3 Años del Cliente 4567", xlab="Año", ylab="Ventas (Qty)")
Evidencia
Preguntas Detonantes
- ¿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 implementĂ³ el Proyecto Siglo XXI de Arca Continental?
ventas_totales_seg <- df7 %>%
filter(Segmento.Det == "Agua Purificada" | Segmento.Det == "IsotĂ³nicos Regular" | Segmento.Det == "Colas Regular" ) %>%
filter(Año == 2018) %>%
group_by(Segmento.Det, NĂºmero_de_Mes) %>%
summarise(Ventas.Totales = sum(Ventas)) %>%
arrange(NĂºmero_de_Mes)## `summarise()` has grouped output by 'Segmento.Det'. You can override using the
## `.groups` argument.ggplot(ventas_totales_seg, aes(x=NĂºmero_de_Mes, y=Ventas.Totales,group=Segmento.Det, color= as.factor(Segmento.Det))) +
geom_line() +
geom_point() +
labs(x="Mes",y="Ventas Totales(Qty)", title= "Ventas Totales por Segmento", color = "Segmento")
Respuesta: En 2019, las ventas en general mostraron un crecimiento, aunque cada segmento tuvo un comportamiento distinto. Este incremento en las ventas pudo lograrse mediante campañas de mercadotecnia mĂ¡s efectivas y la introducciĂ³n de nuevos productos. En 2018, las ventas de Coca-Cola entre febrero y diciembre crecieron en 100,000 unidades, mientras que las ventas de aguas isotĂ³nicas permanecieron estables durante el mismo perĂodo.
- ¿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, NĂºmero_de_Mes) %>%
summarise(Ventas.Totales = sum(Ventas)) %>%
arrange(NĂºmero_de_Mes) %>%
filter(Ventas.Totales != 0)## `summarise()` has grouped output by 'Tamaño.Cte.Industria'. You can override
## using the `.groups` argument.ggplot(ventas_totales_tam_cliente, aes(x=NĂºmero_de_Mes, y=Ventas.Totales,group=Tamaño.Cte.Industria, color= as.factor(Tamaño.Cte.Industria))) +
geom_line() +
geom_point() +
labs(x="Mes",y="Ventas Totales(Qty)", title= "Ventas Totales por Tamaño de Cliente", color = "Tamaño de Cliente")
Respuesta: El aumento en las ventas fue consistente sin importar el tamaño de los clientes, ya que todos los negocios operan los mismos dĂas y se encuentran en la misma ciudad (Guadalajara), lo que hace que los factores externos afecten de manera similar a todos. El mes de mayo de 2019 registrĂ³ el mayor volumen de ventas para todos los tamaños de clientes, mientras que el primer bimestre del año tuvo el nivel de ventas mĂ¡s bajo, tambiĂ©n de manera uniforme para todos los segmentos de clientes.
- ¿CuĂ¡l 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 == c("Coca-Cola", "Valle Frut", "Ciel Agua Purificada","Coca-Cola Light")) %>%
group_by(Marca, NĂºmero_de_Mes) %>%
summarise(Ventas.Totales = sum(Ventas)) %>%
arrange(NĂºmero_de_Mes) %>%
filter(Ventas.Totales != 0)## `summarise()` has grouped output by 'Marca'. You can override using the
## `.groups` argument.ggplot(ventas_totales_marca, aes(x=NĂºmero_de_Mes, y=Ventas.Totales,group=Marca, color= as.factor(Marca))) +
geom_line() +
geom_point() +
labs(x="Mes",y="Ventas Totales(Qty)", title= "Ventas Totales por Marca", color = "Marca")
Respuesta: El comportamiento de ventas muestra una tendencia similar entre las diferentes marcas a lo largo de los meses; sin embargo, algunas marcas registran ventas significativamente mayores que otras. Los periodos de mayor venta de bebidas coinciden con los meses de temperaturas mĂ¡s elevadas, y las marcas mĂ¡s reconocidas son las que los consumidores tienden a preferir. En mayo de 2019, todas las marcas experimentaron su pico mĂ¡s alto de ventas, siendo Coca-Cola la marca con el volumen de ventas mĂ¡s elevado.
- ¿Se ha incrementado la venta de productos en envases retornables en los Ăºltimos dos años?
ventas_totales_envase <- df7 %>%
filter(Retornable_NR=="Retornable") %>%
filter(Año == c(2017,2018,2019)) %>%
group_by(Año, NĂºmero_de_Mes) %>%
summarise(Ventas.Totales = sum(Ventas)) %>%
arrange(NĂºmero_de_Mes) %>%
filter(Ventas.Totales != 0)## `summarise()` has grouped output by 'Año'. You can override using the `.groups`
## argument.ggplot(ventas_totales_envase, aes(x=NĂºmero_de_Mes, y=Ventas.Totales,group=Año, color= as.factor(Año))) +
geom_line() +
geom_point() +
labs(x="Mes",y="Ventas Totales(Qty)", title= "Ventas Totales de Envases Retornables", color = "Año")
Respuesta: Las ventas de productos en envases retornables han aumentado en los Ăºltimos dos años, impulsadas por campañas de conciencia ambiental que han popularizado las opciones mĂ¡s ecolĂ³gicas. De 2017 a 2018, se observĂ³ un leve incremento en las ventas de envases retornables, mientras que entre 2018 y 2019 este crecimiento fue mucho mĂ¡s significativo.
Notas: Existen otros factores que tambiĂ©n deben tenerse en cuenta, como el hecho de que en 2019 hay mĂ¡s tiendas participando en el proyecto Siglo XXI, lo que podrĂa haber contribuido al aumento en ventas. AdemĂ¡s, en general, las tiendas han experimentado un incremento en la venta de productos, tanto en envases retornables como no retornables, lo que refleja un crecimiento en la demanda y posiblemente un mayor enfoque en las estrategias comerciales.
- ¿El comportamiento de la venta de agua ha incrementado en relaciĂ³n al de los refrescos o las bebidas isotĂ³nicas?
ventas_totales_seg <- df7 %>%
filter(Segmento.Det == "Agua Purificada" | Segmento.Det == "IsotĂ³nicos Regular" | Segmento.Det == "Colas Regular" ) %>%
filter(Año == 2018) %>%
group_by(Segmento.Det, NĂºmero_de_Mes) %>%
summarise(Ventas.Totales = sum(Ventas)) %>%
arrange(NĂºmero_de_Mes)## `summarise()` has grouped output by 'Segmento.Det'. You can override using the
## `.groups` argument.ggplot(ventas_totales_seg, aes(x=NĂºmero_de_Mes, y=Ventas.Totales,group=Segmento.Det, color= as.factor(Segmento.Det))) +
geom_line() +
geom_point() +
labs(x="Mes",y="Ventas Totales(Qty)", title= "Ventas Totales por Segmento", color = "Segmento")
Respuesta: Las ventas de Agua Purificada no han mostrado el mismo crecimiento en comparaciĂ³n con Refrescos o Bebidas IsotĂ³nicas. Esto se debe a la percepciĂ³n de que el agua no ofrece un valor agregado en su preparaciĂ³n y a que el azĂºcar presente en los refrescos los convierte en la opciĂ³n preferida de los consumidores mexicanos. En 2018, las ventas totales de Agua Purificada no superaron las 50,000 unidades, mientras que Coca-Cola alcanzĂ³ su pico de ventas con 450,000 unidades en su mes mĂ¡s alto, vendiendo ocho veces mĂ¡s que el agua.
- ¿Puede decirse que la venta mensual de agua estĂ¡ relacionada con la venta mensual de refrescos en los Ăºltimos 4 años?
ventas_totales_ayr <- df7 %>%
filter(Segmento.Det == c("Agua Purificada", "Colas Regular")) %>%
group_by(Segmento.Det, Año) %>%
summarise(Ventas.Totales = sum(Ventas)) ## `summarise()` has grouped output by 'Segmento.Det'. You can override using the
## `.groups` argument.ggplot(ventas_totales_ayr, aes(x=Año, y=Ventas.Totales,group=Segmento.Det, color= as.factor(Segmento.Det))) +
geom_line() +
geom_point() +
labs(x="Año",y="Ventas Totales(Qty)", title= "Ventas Totales por Segmento", color = "Segmento")
Respuesta: Las ventas de agua y refrescos muestran un aumento durante los mismos meses y a lo largo de los años; sin embargo, no es posible concluir que el incremento en la venta de uno cause el incremento en el otro. Este aumento en ventas coincide con los meses mĂ¡s calurosos y con el crecimiento de la poblaciĂ³n, lo que impulsa una mayor demanda de bebidas, ya sea agua o refrescos. La grĂ¡fica obtenida refleja un incremento constante año tras año en las ventas tanto de agua como de refrescos.
- ¿A cuĂ¡nto ascienden las ventas esperadas para el 2020 en la Coca Cola de 500 ml NR Vidrio?
ventas_coca_vidrio <- df7 %>%
filter(Marca == "Coca-Cola" & Presentacion == "500 ml NR Vidrio") %>%
group_by(Año, NĂºmero_de_Mes) %>%
summarise(Ventas.Totales = sum(Ventas)) %>%
filter(Ventas.Totales != 0)## `summarise()` has grouped output by 'Año'. You can override using the `.groups`
## argument.# Confirmar que los datos que queremos modelar esten ordenados cronolĂ³gicamente.
# FunciĂ³n de Serie de Tiempo MENSUAL, que inicia en Enero 2017
ts <- ts(data=ventas_coca_vidrio$Ventas.Totales, start = c(2016,1), frequency = 12)
# Crear Modelo ARIMA
# Modelo Autorregresivo Integrado de Promedio Movil.
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 719.7436
## s.e. 0.1328 299.8430
##
## sigma^2 = 41602809: log likelihood = -325.42
## AIC=656.84 AICc=657.7 BIC=661.24summary(arima)## Series: ts
## ARIMA(1,0,0)(0,1,0)[12] with drift
##
## Coefficients:
## ar1 drift
## 0.7092 719.7436
## s.e. 0.1328 299.8430
##
## sigma^2 = 41602809: 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 48.66702 5325.932 3245.859 -1.373606 8.085645 0.3668337 -0.1551565# Generar el pronĂ³stico de ventas
pronostico <- forecast(arima, level=95, h=16)
pronostico## Point Forecast Lo 95 Hi 95
## Sep 2019 57009.58 44367.77 69651.40
## Oct 2019 47611.62 32113.16 63110.08
## Nov 2019 43891.25 27139.04 60643.45
## Dec 2019 49988.01 32639.38 67336.63
## Jan 2020 52649.69 35008.69 70290.69
## Feb 2020 59116.66 41330.41 76902.91
## Mar 2020 63214.67 45355.81 81073.53
## Apr 2020 45929.93 28034.66 63825.21
## May 2020 77894.00 59980.44 95807.57
## Jun 2020 66917.27 48994.51 84840.02
## Jul 2020 65104.33 47176.96 83031.71
## Aug 2020 66475.77 48546.08 84405.47
## Sep 2020 65846.40 43789.47 87903.33
## Oct 2020 56390.31 32525.70 80254.93
## Nov 2020 52628.72 27904.75 77352.68
## Dec 2020 58696.24 33551.13 83841.36plot(pronostico, main="Ventas Mensuales y PronĂ³stico para 2020 de Coca-Cola 500 ml NR Vidrio", xlab="Año", ylab="Ventas (Qty)")
Respuesta: Para 2020, las ventas proyectadas de Coca-Cola de 500 ml en envase de vidrio no retornable se esperan que varĂen mensualmente entre 45,000 y 65,000 unidades, con un nivel de confianza del 95%.
---
title: "Evidencia"
author: "Esteban Loyo - A00837725"
date: "2024-09-11"
output: 
  html_document:
    toc: TRUE
    toc_float: TRUE
    code_download: TRUE
    theme: united
editor_options: 
  chunk_output_type: console
---
![](/Users/estebanloyo/Desktop/Codes/RStudio/Bootcamp/Arca_Continental_completa_emisin_exitosa_de_bonos_en_Mxico.jpg)

# <span style= "color: red;">Contexto</span>
Para Arca Continental su principal canal de distribución es el canal tradicional, es decir, las tienditas de la esquina. Esto permite que la familia de productos de la compañía Coca Cola estén siempre cerca de sus consumidores a través de estas pequeñas empresas familiares que forman parte de su propia comunidad.

# <span style= "color: red;">Instalación y llamar librerías</span>
```{r warning=FALSE}
# install.packages("readxl") # Importar archivo de Excel
library(readxl)
# install.packages("DataExplorer") # Para realizar Análisis Descriptivo
library(DataExplorer)
# install.packages("dplyr")
library(dplyr)
# install.packages("forecast")
library(forecast)
# install.packages("ggplot2")
library(ggplot2)
# install.packages("tidyverse")
library(tidyverse)
```

# <span style= "color: red;">Importar la base de datos</span>

```{r warning=FALSE}
# file.choose()
df <- read_excel("/Users/estebanloyo/Desktop/Codes/RStudio/Bootcamp/Datos Arca Continental Original.xlsx")
colnames(df) <- make.names(colnames(df))
```

# <span style= "color: red;">Análisis Descriptivo</span>
```{r}
summary(df)
str(df)
# create_report(df)
introduce(df)
plot_intro(df)
plot_missing(df)
plot_histogram(df)
plot_bar(df)
plot_correlation(df)

count(df, Territorio, sort = T)
count(df, Sub.Territorio, sort = T)
count(df, CEDI , sort = T)
count(df, Cliente, sort = T)
count(df, Nombre, sort = T)
count(df, Tamaño.Cte.Industria, sort = T)
count(df, Segmento.Det, sort = T)
count(df, Marca, sort = T)
count(df, Presentacion, sort = T)
count(df, Tamaño, sort = T)
count(df, Retornable_NR, sort = T)
```

# <span style= "color: red;">Limpieza de la Base de Datos</span>
```{r}
# Revisar NAs en la base de datos
# Cuántos NAs tengo en la base de datos?

sum(is.na(df))

# Cuántas NAs tengo por variable
sapply(df, function(x) sum(is.na(x)))

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

## Detectar valores atípicos
boxplot(df$Enero)

# Eliminar renglón de los totales
df <- df[df$Enero <6000, ]
boxplot(df$Enero)
```

# <span style= "color: red;">Análisis de Ventas (Tarea Colaborativa 1)</span>
```{r}
df1 <- df

# Muestra las ventas de Enero a Junio por CEDI:
df2 <- select(df1,c(CEDI,Enero:Junio))

# Muestra los movimientos por Cedi y tamaño de tienda grande:
df3 <- df1 %>% filter(Tamaño.Cte.Industria == "Grande")

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

# Agrega un campo calculado con las ventas del primer semestre y muestra las ventas del primer semestre por marca:
df5 <- df1 %>% 
  mutate(Ventas_Sem1 = Enero + Febrero + Marzo + Abril + Mayo + Junio)

ventas_sem1_por_marca <- df5 %>% 
  group_by(Marca) %>% 
  summarise(Ventas_Sem1=sum(Ventas_Sem1))

# Obtén la media de las ventas del primer semestre agrupado por marca, presentación y tamaño.
df6 <- df5 %>%
  group_by(Marca, Presentacion, Tamaño) %>%
  summarise(Ventas_Sem1=mean(Ventas_Sem1))

# Calcular medidas de tendencia central
summary(df1)

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

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

df7$Número_de_Mes <- meses[df7$Mes]

# Graficar el total de ventas por mes y año

ventas_totales <- df7 %>%
  group_by(Año, Número_de_Mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  arrange(Número_de_Mes)

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

# <span style="color: red;">Regresión lineal</span>
```{r}
# Elaborar Regresión Lineal

ventas_4567 <- df7 %>%
  filter(Cliente == "4567") %>%
  group_by(Año) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  filter(Ventas_Totales != 0)

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

ggplot(ventas_4567, aes(x=Año, y=Ventas_Totales)) +
  geom_point() +
  labs(x="Año",y="Ventas Totales(Qty)", title= "Ventas Totales del Cliente 4567")

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

# Ecuación
# y = 48918677 - 24174 * Año 

# R cuadrada ajustada
# 77%

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

ventas_4567$Tipo_de_Dato <- "Datos Reales"
datos$Ventas_Totales <- prediccion
datos$Tipo_de_Dato <- "Predicción"

datos_combinados <- rbind(ventas_4567,datos)

ggplot(datos_combinados, aes(x=Año, y=Ventas_Totales, color=Tipo_de_Dato)) +
  geom_point() +
  labs(x="Año",y="Ventas Totales(Qty)", title= "Pronóstico a 5 años de Ventas del Cliente 4567")
```


# <span style="color: red;">Series de Tiempo</span>
```{r}
ventas_mensuales_4567 <- df7 %>%
  filter(Cliente == "4567") %>%
  group_by(Año, Número_de_Mes) %>%
  summarise(Ventas_Totales = sum(Ventas)) %>%
  filter(Ventas_Totales != 0)

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

# Función de Serie de Tiempo MENSUAL, que inicia en Enero 2017
ts <- ts(data=ventas_mensuales_4567$Ventas_Totales, start = c(2017,1), frequency = 12)

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

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

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

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

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

# Generar el pronóstico de ventas
pronostico <- forecast(arima, level=95, h=36)
pronostico
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_seg <- df7 %>%
  filter(Segmento.Det == "Agua Purificada" | Segmento.Det == "Isotónicos Regular" | Segmento.Det == "Colas Regular" ) %>%
  filter(Año == 2018) %>%
  group_by(Segmento.Det, Número_de_Mes) %>%
  summarise(Ventas.Totales = sum(Ventas)) %>%
  arrange(Número_de_Mes)

ggplot(ventas_totales_seg, aes(x=Número_de_Mes, y=Ventas.Totales,group=Segmento.Det, color= as.factor(Segmento.Det))) +
  geom_line() +
  geom_point() +
  labs(x="Mes",y="Ventas Totales(Qty)", title= "Ventas Totales por Segmento", color = "Segmento")
```

**Respuesta: En 2019, las ventas en general mostraron un crecimiento, aunque cada segmento tuvo un comportamiento distinto. Este incremento en las ventas pudo lograrse mediante campañas de mercadotecnia más efectivas y la introducción de nuevos productos. En 2018, las ventas de Coca-Cola entre febrero y diciembre crecieron en 100,000 unidades, mientras que las ventas de aguas isotónicas permanecieron estables durante el mismo período.**

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

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

**Respuesta: El aumento en las ventas fue consistente sin importar el tamaño de los clientes, ya que todos los negocios operan los mismos días y se encuentran en la misma ciudad (Guadalajara), lo que hace que los factores externos afecten de manera similar a todos. El mes de mayo de 2019 registró el mayor volumen de ventas para todos los tamaños de clientes, mientras que el primer bimestre del año tuvo el nivel de ventas más bajo, también de manera uniforme para todos los segmentos de clientes.**

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 == c("Coca-Cola", "Valle Frut", "Ciel Agua Purificada","Coca-Cola Light")) %>%
  group_by(Marca, Número_de_Mes) %>%
  summarise(Ventas.Totales = sum(Ventas)) %>%
  arrange(Número_de_Mes) %>%
  filter(Ventas.Totales != 0)

ggplot(ventas_totales_marca, aes(x=Número_de_Mes, y=Ventas.Totales,group=Marca, color= as.factor(Marca))) +
  geom_line() +
  geom_point() +
  labs(x="Mes",y="Ventas Totales(Qty)", title= "Ventas Totales por Marca", color = "Marca")
```

**Respuesta: El comportamiento de ventas muestra una tendencia similar entre las diferentes marcas a lo largo de los meses; sin embargo, algunas marcas registran ventas significativamente mayores que otras. Los periodos de mayor venta de bebidas coinciden con los meses de temperaturas más elevadas, y las marcas más reconocidas son las que los consumidores tienden a preferir. En mayo de 2019, todas las marcas experimentaron su pico más alto de ventas, siendo Coca-Cola la marca con el volumen de ventas más elevado.**

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

ggplot(ventas_totales_envase, aes(x=Número_de_Mes, y=Ventas.Totales,group=Año, color= as.factor(Año))) +
  geom_line() +
  geom_point() +
  labs(x="Mes",y="Ventas Totales(Qty)", title= "Ventas Totales de Envases Retornables", color = "Año")
```

**Respuesta: Las ventas de productos en envases retornables han aumentado en los últimos dos años, impulsadas por campañas de conciencia ambiental que han popularizado las opciones más ecológicas. De 2017 a 2018, se observó un leve incremento en las ventas de envases retornables, mientras que entre 2018 y 2019 este crecimiento fue mucho más significativo.**  

**Notas: Existen otros factores que también deben tenerse en cuenta, como el hecho de que en 2019 hay más tiendas participando en el proyecto Siglo XXI, lo que podría haber contribuido al aumento en ventas. Además, en general, las tiendas han experimentado un incremento en la venta de productos, tanto en envases retornables como no retornables, lo que refleja un crecimiento en la demanda y posiblemente un mayor enfoque en las estrategias comerciales.**

5. ¿El comportamiento de la venta de agua ha incrementado en relación al de los refrescos o las bebidas isotónicas?
```{r}
ventas_totales_seg <- df7 %>%
   filter(Segmento.Det == "Agua Purificada" | Segmento.Det == "Isotónicos Regular" | Segmento.Det == "Colas Regular" ) %>%
  filter(Año == 2018) %>%
  group_by(Segmento.Det, Número_de_Mes) %>%
  summarise(Ventas.Totales = sum(Ventas)) %>%
  arrange(Número_de_Mes)

ggplot(ventas_totales_seg, aes(x=Número_de_Mes, y=Ventas.Totales,group=Segmento.Det, color= as.factor(Segmento.Det))) +
  geom_line() +
  geom_point() +
  labs(x="Mes",y="Ventas Totales(Qty)", title= "Ventas Totales por Segmento", color = "Segmento")
```

**Respuesta: Las ventas de Agua Purificada no han mostrado el mismo crecimiento en comparación con Refrescos o Bebidas Isotónicas. Esto se debe a la percepción de que el agua no ofrece un valor agregado en su preparación y a que el azúcar presente en los refrescos los convierte en la opción preferida de los consumidores mexicanos. En 2018, las ventas totales de Agua Purificada no superaron las 50,000 unidades, mientras que Coca-Cola alcanzó su pico de ventas con 450,000 unidades en su mes más alto, vendiendo ocho veces más que el agua.**

6. ¿Puede decirse que la venta mensual de agua está relacionada con la venta mensual de refrescos en los últimos 4 años?
```{r}
ventas_totales_ayr <- df7 %>%
   filter(Segmento.Det == c("Agua Purificada", "Colas Regular")) %>%
  group_by(Segmento.Det, Año) %>%
  summarise(Ventas.Totales = sum(Ventas)) 
  
ggplot(ventas_totales_ayr, aes(x=Año, y=Ventas.Totales,group=Segmento.Det, color= as.factor(Segmento.Det))) +
  geom_line() +
  geom_point() +
  labs(x="Año",y="Ventas Totales(Qty)", title= "Ventas Totales por Segmento", color = "Segmento")
```

**Respuesta: Las ventas de agua y refrescos muestran un aumento durante los mismos meses y a lo largo de los años; sin embargo, no es posible concluir que el incremento en la venta de uno cause el incremento en el otro. Este aumento en ventas coincide con los meses más calurosos y con el crecimiento de la población, lo que impulsa una mayor demanda de bebidas, ya sea agua o refrescos. La gráfica obtenida refleja un incremento constante año tras año en las ventas tanto de agua como de refrescos. **


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

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

# Función de Serie de Tiempo MENSUAL, que inicia en Enero 2017
ts <- ts(data=ventas_coca_vidrio$Ventas.Totales, start = c(2016,1), frequency = 12)

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

# Generar el pronóstico de ventas
pronostico <- forecast(arima, level=95, h=16)
pronostico
plot(pronostico, main="Ventas Mensuales y Pronóstico para 2020 de Coca-Cola 500 ml NR Vidrio", xlab="Año",  ylab="Ventas (Qty)")
```

**Respuesta: Para 2020, las ventas proyectadas de Coca-Cola de 500 ml en envase de vidrio no retornable se esperan que varíen mensualmente entre 45,000 y 65,000 unidades, con un nivel de confianza del 95%.**
