Evidencia Arca Continental
Andrea Rio Camacho A00832836
2024-09-11
#Contexto
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 compañÃa Coca Cola estén siempre cerca de sus consumidores a través de estas pequeñas empresas familiares que forman parte de su propia comunidad.
Sin embargo, este tipo de formato de Retail está enfrentando una fuerte competencia por parte de los canales modernos. En un principio fueron las tiendas de conveniencia como Oxxo y 7-Eleven quienes comenzaron a crear una importante cantidad de nuevos establecimientos, cada vez más en zonas habitacionales y no solo en avenidas o gasolineras.
#Instalar paquetes y llamar librerÃas
install.packages("DataExplorer")
library(DataExplorer)
install.packages("dplyr")
library(dplyr)
install.packages("tidyverse")
library(tidyverse)
install.packages("ggplot2")
library(ggplot2)
install.packages("forecast")
library(forecast)#Importar la base de datos
# file.choose()
df <- read.csv("/cloud/project/Datos Arca Continental Original.csv")
colnames(df) <- make.names(colnames(df))#Análisis Descriptivo
summary(df)## ID Año Territorio Sub.Territorio
## Min. : 1 Min. :2016 Length:151219 Length:151219
## 1st Qu.: 37806 1st Qu.:2016 Class :character Class :character
## Median : 75610 Median :2016 Mode :character Mode :character
## Mean : 75610 Mean :2016
## 3rd Qu.:113414 3rd Qu.:2017
## Max. :151219 Max. :2017
## CEDI Cliente Nombre Tamaño.Cte.Industria
## Length:151219 Min. : 4 Length:151219 Length:151219
## Class :character 1st Qu.: 5365 Class :character Class :character
## Mode :character Median :34975 Mode :character Mode :character
## Mean :42302
## 3rd Qu.:76863
## Max. :99998
## Segmento.Det Marca Presentacion Tamaño
## Length:151219 Length:151219 Length:151219 Length:151219
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## Retornable_NR Enero Febrero Marzo
## Length:151219 Length:151219 Length:151219 Length:151219
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## Abril Mayo Junio Julio
## Length:151219 Length:151219 Length:151219 Length:151219
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## Agosto Septiembre Octubre Noviembre
## Length:151219 Length:151219 Length:151219 Length:151219
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## Diciembre
## Length:151219
## Class :character
## Mode :character
##
##
## str(df)## 'data.frame': 151219 obs. of 25 variables:
## $ ID : int 1 2 3 4 5 6 7 8 9 10 ...
## $ Año : int 2016 2016 2016 2016 2016 2016 2016 2016 2016 2016 ...
## $ Territorio : chr "Guadalajara" "Guadalajara" "Guadalajara" "Guadalajara" ...
## $ Sub.Territorio : chr "Belenes" "Belenes" "Belenes" "Belenes" ...
## $ CEDI : chr "Suc. Belenes" "Suc. Belenes" "Suc. Belenes" "Suc. Belenes" ...
## $ Cliente : int 77737 77737 77737 77737 77737 77737 77737 77737 77737 77737 ...
## $ Nombre : chr "ABARR" "ABARR" "ABARR" "ABARR" ...
## $ Tamaño.Cte.Industria: chr "Extra Grande" "Extra Grande" "Extra Grande" "Extra Grande" ...
## $ Segmento.Det : chr "Agua Mineral" "Agua Purificada" "Agua Purificada" "Agua Saborizada" ...
## $ Marca : chr "Topo Chico A.M." "Ciel Agua Purificada" "Ciel Agua Purificada" "Ciel Exprim" ...
## $ Presentacion : chr "600 ml NR" "1 Ltro. N.R." "1.5 Lts. NR" "600 ml NR" ...
## $ Tamaño : chr "Individual" "Individual" "Individual" "Individual" ...
## $ Retornable_NR : chr "No Retornable" "No Retornable" "No Retornable" "No Retornable" ...
## $ Enero : chr "" "" "" "" ...
## $ Febrero : chr "" "2" "" "" ...
## $ Marzo : chr "" "8" "3" "" ...
## $ Abril : chr "" "4" "6" "" ...
## $ Mayo : chr "" "4" "3" "" ...
## $ Junio : chr "" "2" "3" "" ...
## $ Julio : chr "" "2" "3" "" ...
## $ Agosto : chr "" "2" "3" "" ...
## $ Septiembre : chr "" "2" "3" "" ...
## $ Octubre : chr "" "2" "3" "" ...
## $ Noviembre : chr "" "4" "3" "" ...
## $ Diciembre : chr "1" "2" "3" "1" ...#create_report(df)
introduce(df)## rows columns discrete_columns continuous_columns all_missing_columns
## 1 151219 25 22 3 0
## total_missing_values complete_rows total_observations memory_usage
## 1 0 151219 3780475 28806528plot_intro(df)
plot_missing(df)
plot_histogram(df)
plot_bar(df)## 14 columns ignored with more than 50 categories.
## Nombre: 581 categories
## Presentacion: 52 categories
## Enero: 421 categories
## Febrero: 415 categories
## Marzo: 473 categories
## Abril: 490 categories
## Mayo: 522 categories
## Junio: 528 categories
## Julio: 494 categories
## Agosto: 497 categories
## Septiembre: 492 categories
## Octubre: 515 categories
## Noviembre: 515 categories
## Diciembre: 534 categories
plot_correlation(df)## 15 features with more than 20 categories ignored!
## Nombre: 581 categories
## Marca: 48 categories
## Presentacion: 52 categories
## Enero: 421 categories
## Febrero: 415 categories
## Marzo: 473 categories
## Abril: 490 categories
## Mayo: 522 categories
## Junio: 528 categories
## Julio: 494 categories
## Agosto: 497 categories
## Septiembre: 492 categories
## Octubre: 515 categories
## Noviembre: 515 categories
## Diciembre: 534 categories## Warning in cor(x = structure(list(ID = 1:151219, Año = c(2016L, 2016L, : the
## standard deviation is zero
count(df, Territorio, sort=TRUE)## Territorio n
## 1 Guadalajara 151219count(df, Sub.Territorio, sort=TRUE)## Sub.Territorio n
## 1 Huentitán 63662
## 2 Toluquilla 57820
## 3 Belenes 29737count(df, CEDI, sort=TRUE)## CEDI n
## 1 Suc. Huentitán 63662
## 2 Suc. Toluquilla 57820
## 3 Suc. Belenes 29737count(df, Cliente, sort=TRUE)## Cliente n
## 1 286 306
## 2 750 295
## 3 1378 281
## 4 1053 280
## 5 1174 276
## 6 1397 273
## 7 689 263
## 8 1582 257
## 9 1451 254
## 10 1523 253
## 11 1130 250
## 12 1288 249
## 13 1032 238
## 14 1431 238
## 15 1937 236
## 16 372 235
## 17 605 233
## 18 411 231
## 19 475 231
## 20 1862 230
## 21 386 228
## 22 54 227
## 23 294 226
## 24 2097 226
## 25 1724 223
## 26 113 220
## 27 1257 218
## 28 1203 217
## 29 27 214
## 30 1074 214
## 31 1196 214
## 32 1880 214
## 33 487 212
## 34 371 211
## 35 1039 209
## 36 365 208
## 37 2224 204
## 38 683 200
## 39 866 200
## 40 30 199
## 41 575 199
## 42 1836 199
## 43 1939 199
## 44 457 193
## 45 1546 192
## 46 2912 192
## 47 2019 191
## 48 1098 187
## 49 391 185
## 50 73 184
## 51 1685 183
## 52 800 182
## 53 1126 178
## 54 1238 175
## 55 2069 175
## 56 2111 172
## 57 62 170
## 58 1794 170
## 59 1870 169
## 60 5583 164
## 61 7821 161
## 62 53916 160
## 63 1859 158
## 64 9872 154
## 65 98475 151
## 66 9455 150
## 67 97821 150
## 68 75365 147
## 69 1511 146
## 70 8112 146
## 71 97665 146
## 72 6223 145
## 73 8475 143
## 74 8373 141
## 75 95879 141
## 76 1920 140
## 77 5365 140
## 78 8672 140
## 79 1343 137
## 80 98373 137
## 81 2706 136
## 82 3601 136
## 83 7383 136
## 84 73331 136
## 85 94609 136
## 86 98694 136
## 87 7665 135
## 88 5879 134
## 89 79872 134
## 90 80438 134
## 91 97446 134
## 92 7033 133
## 93 72764 133
## 94 79455 133
## 95 96812 133
## 96 98672 133
## 97 4112 132
## 98 4122 132
## 99 8409 132
## 100 82647 132
## 101 96223 132
## 102 99267 132
## 103 3881 131
## 104 4855 131
## 105 5261 131
## 106 83072 131
## 107 97538 131
## 108 98791 131
## 109 7843 130
## 110 72797 130
## 111 95583 130
## 112 4431 129
## 113 7446 129
## 114 8029 129
## 115 79139 129
## 116 96251 129
## 117 4169 128
## 118 9267 128
## 119 9615 128
## 120 56247 128
## 121 75765 128
## 122 623 127
## 123 1716 127
## 124 6812 127
## 125 8791 127
## 126 81395 127
## 127 82706 127
## 128 96228 127
## 129 96547 127
## 130 97033 127
## 131 98409 127
## 132 98484 127
## 133 1812 126
## 134 5719 126
## 135 6775 126
## 136 7538 126
## 137 8484 126
## 138 35053 126
## 139 72663 126
## 140 74855 126
## 141 75093 126
## 142 76253 126
## 143 1956 125
## 144 8018 125
## 145 8694 125
## 146 9010 125
## 147 9371 125
## 148 9998 125
## 149 79010 125
## 150 81716 125
## 151 96307 125
## 152 948 124
## 153 4026 124
## 154 6004 124
## 155 6307 124
## 156 73234 124
## 157 74002 124
## 158 94431 124
## 159 96805 124
## 160 1090 123
## 161 2764 123
## 162 6251 123
## 163 7875 123
## 164 8946 123
## 165 9041 123
## 166 77875 123
## 167 98065 123
## 168 99734 123
## 169 438 122
## 170 3798 122
## 171 4609 122
## 172 4924 122
## 173 5230 122
## 174 6102 122
## 175 6547 122
## 176 6593 122
## 177 8152 122
## 178 8483 122
## 179 8612 122
## 180 9139 122
## 181 42627 122
## 182 74116 122
## 183 76422 122
## 184 80335 122
## 185 81759 122
## 186 98029 122
## 187 1759 121
## 188 3072 121
## 189 3331 121
## 190 4167 121
## 191 5965 121
## 192 8266 121
## 193 9574 121
## 194 9646 121
## 195 75840 121
## 196 82075 121
## 197 95493 121
## 198 96451 121
## 199 98329 121
## 200 99245 121
## 201 6805 120
## 202 76802 120
## 203 77545 120
## 204 79615 120
## 205 96811 120
## 206 98266 120
## 207 99371 120
## 208 99759 120
## 209 99998 120
## 210 2647 119
## 211 3961 119
## 212 4734 119
## 213 6319 119
## 214 9245 119
## 215 9462 119
## 216 9759 119
## 217 53595 119
## 218 72878 119
## 219 81731 119
## 220 81956 119
## 221 82000 119
## 222 95525 119
## 223 95959 119
## 224 98152 119
## 225 99398 119
## 226 242 118
## 227 1393 118
## 228 2000 118
## 229 4693 118
## 230 5108 118
## 231 6811 118
## 232 9964 118
## 233 34178 118
## 234 76874 118
## 235 79646 118
## 236 96091 118
## 237 96190 118
## 238 96555 118
## 239 96673 118
## 240 99173 118
## 241 99816 118
## 242 1395 117
## 243 2651 117
## 244 2663 117
## 245 5706 117
## 246 6556 117
## 247 6673 117
## 248 7769 117
## 249 7884 117
## 250 9173 117
## 251 72682 117
## 252 73798 117
## 253 74034 117
## 254 75488 117
## 255 75965 117
## 256 76102 117
## 257 76986 117
## 258 78946 117
## 259 95359 117
## 260 99248 117
## 261 335 116
## 262 2146 116
## 263 4116 116
## 264 8493 116
## 265 73875 116
## 266 75257 116
## 267 77196 116
## 268 77309 116
## 269 79574 116
## 270 95108 116
## 271 96181 116
## 272 96593 116
## 273 99864 116
## 274 183 115
## 275 2797 115
## 276 3234 115
## 277 5765 115
## 278 6414 115
## 279 7988 115
## 280 63881 115
## 281 73249 115
## 282 73867 115
## 283 75230 115
## 284 79462 115
## 285 94026 115
## 286 94122 115
## 287 1916 114
## 288 3867 114
## 289 5840 114
## 290 6555 114
## 291 7316 114
## 292 7742 114
## 293 8795 114
## 294 9506 114
## 295 73535 114
## 296 73748 114
## 297 76556 114
## 298 80242 114
## 299 81393 114
## 300 81812 114
## 301 94734 114
## 302 95259 114
## 303 96319 114
## 304 97464 114
## 305 98018 114
## 306 98407 114
## 307 98421 114
## 308 99957 114
## 309 2627 113
## 310 5093 113
## 311 5781 113
## 312 6091 113
## 313 7632 113
## 314 8259 113
## 315 8802 113
## 316 9734 113
## 317 9756 113
## 318 77884 113
## 319 80183 113
## 320 94169 113
## 321 96004 113
## 322 98537 113
## 323 99210 113
## 324 1791 112
## 325 4002 112
## 326 5263 112
## 327 5511 112
## 328 5531 112
## 329 5959 112
## 330 6874 112
## 331 7704 112
## 332 8537 112
## 333 9957 112
## 334 42835 112
## 335 73455 112
## 336 75511 112
## 337 79275 112
## 338 96729 112
## 339 98259 112
## 340 99165 112
## 341 2075 111
## 342 2682 111
## 343 3069 111
## 344 3535 111
## 345 5257 111
## 346 5901 111
## 347 6729 111
## 348 6785 111
## 349 7831 111
## 350 42908 111
## 351 75706 111
## 352 77501 111
## 353 81713 111
## 354 95781 111
## 355 98612 111
## 356 664 110
## 357 2661 110
## 358 3107 110
## 359 5835 110
## 360 6228 110
## 361 6986 110
## 362 8010 110
## 363 74580 110
## 364 75712 110
## 365 76999 110
## 366 83085 110
## 367 94924 110
## 368 4 109
## 369 100 109
## 370 247 109
## 371 578 109
## 372 652 109
## 373 5493 109
## 374 7917 109
## 375 9248 109
## 376 42651 109
## 377 73069 109
## 378 74112 109
## 379 77917 109
## 380 93961 109
## 381 94769 109
## 382 95835 109
## 383 98802 109
## 384 2399 108
## 385 2780 108
## 386 3249 108
## 387 6181 108
## 388 6451 108
## 389 6802 108
## 390 8065 108
## 391 8201 108
## 392 8283 108
## 393 9017 108
## 394 9165 108
## 395 78284 108
## 396 80578 108
## 397 81543 108
## 398 94241 108
## 399 94310 108
## 400 94693 108
## 401 96414 108
## 402 97450 108
## 403 97831 108
## 404 98483 108
## 405 99964 108
## 406 1180 107
## 407 1635 107
## 408 1664 107
## 409 1785 107
## 410 2795 107
## 411 3023 107
## 412 3063 107
## 413 4241 107
## 414 4769 107
## 415 5023 107
## 416 5359 107
## 417 6263 107
## 418 8140 107
## 419 8402 107
## 420 42780 107
## 421 72859 107
## 422 73401 107
## 423 78186 107
## 424 80100 107
## 425 81182 107
## 426 81916 107
## 427 82912 107
## 428 94167 107
## 429 95023 107
## 430 96557 107
## 431 96785 107
## 432 97704 107
## 433 921 106
## 434 1160 106
## 435 4373 106
## 436 4695 106
## 437 8407 106
## 438 9210 106
## 439 73107 106
## 440 73601 106
## 441 73853 106
## 442 74250 106
## 443 74979 106
## 444 77800 106
## 445 78795 106
## 446 80921 106
## 447 97452 106
## 448 98283 106
## 449 99797 106
## 450 184 105
## 451 396 105
## 452 1182 105
## 453 1388 105
## 454 2539 105
## 455 3853 105
## 456 5259 105
## 457 5488 105
## 458 6014 105
## 459 6190 105
## 460 7309 105
## 461 7478 105
## 462 7800 105
## 463 10885 105
## 464 34531 105
## 465 72967 105
## 466 73971 105
## 467 74174 105
## 468 74293 105
## 469 76863 105
## 470 79506 105
## 471 94440 105
## 472 96626 105
## 473 99756 105
## 474 3157 104
## 475 4814 104
## 476 5526 104
## 477 6253 104
## 478 6422 104
## 479 6557 104
## 480 8543 104
## 481 9398 104
## 482 9816 104
## 483 10439 104
## 484 16252 104
## 485 72658 104
## 486 72820 104
## 487 74695 104
## 488 81030 104
## 489 81635 104
## 490 95531 104
## 491 96775 104
## 492 97742 104
## 493 98140 104
## 494 885 103
## 495 2878 103
## 496 3455 103
## 497 3875 103
## 498 3963 103
## 499 8186 103
## 500 8408 103
## 501 8572 103
## 502 73965 103
## 503 78010 103
## 504 79743 103
## 505 81664 103
## 506 82146 103
## 507 96263 103
## 508 97230 103
## 509 98408 103
## 510 6381 102
## 511 7196 102
## 512 7450 102
## 513 7501 102
## 514 8125 102
## 515 8154 102
## 516 9098 102
## 517 9603 102
## 518 62661 102
## 519 72929 102
## 520 73157 102
## 521 77288 102
## 522 79041 102
## 523 80396 102
## 524 81090 102
## 525 82399 102
## 526 99781 102
## 527 932 101
## 528 1543 101
## 529 2486 101
## 530 2908 101
## 531 3965 101
## 532 4174 101
## 533 4375 101
## 534 4657 101
## 535 5007 101
## 536 5525 101
## 537 5718 101
## 538 7488 101
## 539 9864 101
## 540 31409 101
## 541 73357 101
## 542 74215 101
## 543 79017 101
## 544 80652 101
## 545 82795 101
## 546 94528 101
## 547 94712 101
## 548 95743 101
## 549 95796 101
## 550 96025 101
## 551 97488 101
## 552 98543 101
## 553 98572 101
## 554 99788 101
## 555 1731 100
## 556 1795 100
## 557 4861 100
## 558 6005 100
## 559 6160 100
## 560 8329 100
## 561 9913 100
## 562 76182 100
## 563 78201 100
## 564 94548 100
## 565 94644 100
## 566 95718 100
## 567 96014 100
## 568 407 99
## 569 1030 99
## 570 1713 99
## 571 3401 99
## 572 4979 99
## 573 5712 99
## 574 6352 99
## 575 6449 99
## 576 7230 99
## 577 7740 99
## 578 8228 99
## 579 8250 99
## 580 9275 99
## 581 9707 99
## 582 9788 99
## 583 9797 99
## 584 42539 99
## 585 56793 99
## 586 75119 99
## 587 75177 99
## 588 76601 99
## 589 79603 99
## 590 80597 99
## 591 80932 99
## 592 81180 99
## 593 96330 99
## 594 97478 99
## 595 97988 99
## 596 99098 99
## 597 99811 99
## 598 2967 98
## 599 3142 98
## 600 3748 98
## 601 4034 98
## 602 4548 98
## 603 6675 98
## 604 6847 98
## 605 7299 98
## 606 42486 98
## 607 72736 98
## 608 73286 98
## 609 75231 98
## 610 76449 98
## 611 76869 98
## 612 79884 98
## 613 81795 98
## 614 96005 98
## 615 97632 98
## 616 4581 97
## 617 5532 97
## 618 5535 97
## 619 9671 97
## 620 9861 97
## 621 74814 97
## 622 75535 97
## 623 76473 97
## 624 78842 97
## 625 80535 97
## 626 80786 97
## 627 94478 97
## 628 95261 97
## 629 485 96
## 630 3247 96
## 631 4310 96
## 632 4440 96
## 633 6999 96
## 634 7208 96
## 635 7452 96
## 636 8284 96
## 637 8842 96
## 638 42700 96
## 639 73779 96
## 640 75448 96
## 641 75901 96
## 642 80664 96
## 643 81160 96
## 644 94367 96
## 645 96535 96
## 646 98250 96
## 647 439 95
## 648 1927 95
## 649 2413 95
## 650 2859 95
## 651 3971 95
## 652 4478 95
## 653 4528 95
## 654 6330 95
## 655 6863 95
## 656 7844 95
## 657 8421 95
## 658 33934 95
## 659 43325 95
## 660 72687 95
## 661 74370 95
## 662 75540 95
## 663 75775 95
## 664 76125 95
## 665 76457 95
## 666 76847 95
## 667 79742 95
## 668 79767 95
## 669 79915 95
## 670 80247 95
## 671 80485 95
## 672 81420 95
## 673 81818 95
## 674 97769 95
## 675 1317 94
## 676 2929 94
## 677 2980 94
## 678 3085 94
## 679 4115 94
## 680 4199 94
## 681 4367 94
## 682 5775 94
## 683 5796 94
## 684 6114 94
## 685 6457 94
## 686 6601 94
## 687 6626 94
## 688 7464 94
## 689 7796 94
## 690 42622 94
## 691 73570 94
## 692 74080 94
## 693 74657 94
## 694 77215 94
## 695 79677 94
## 696 80154 94
## 697 80407 94
## 698 81388 94
## 699 94050 94
## 700 94199 94
## 701 97842 94
## 702 97843 94
## 703 1818 93
## 704 2830 93
## 705 4293 93
## 706 4644 93
## 707 5119 93
## 708 5520 93
## 709 9742 93
## 710 42800 93
## 711 43290 93
## 712 58874 93
## 713 72997 93
## 714 73254 93
## 715 74698 93
## 716 75007 93
## 717 76675 93
## 718 80651 93
## 719 81785 93
## 720 93981 93
## 721 94964 93
## 722 96381 93
## 723 97740 93
## 724 97844 93
## 725 99861 93
## 726 2242 92
## 727 2294 92
## 728 2531 92
## 729 3357 92
## 730 4580 92
## 731 4712 92
## 732 4738 92
## 733 6043 92
## 734 9015 92
## 735 9781 92
## 736 34453 92
## 737 76016 92
## 738 78689 92
## 739 94861 92
## 740 96007 92
## 741 98402 92
## 742 99707 92
## 743 154 91
## 744 786 91
## 745 3254 91
## 746 3981 91
## 747 4050 91
## 748 4215 91
## 749 4238 91
## 750 4968 91
## 751 5177 91
## 752 5857 91
## 753 8306 91
## 754 8689 91
## 755 11588 91
## 756 12372 91
## 757 34517 91
## 758 73322 91
## 759 74508 91
## 760 77796 91
## 761 78678 91
## 762 80286 91
## 763 83023 91
## 764 83142 91
## 765 95526 91
## 766 97857 91
## 767 445 90
## 768 2835 90
## 769 3083 90
## 770 3570 90
## 771 3779 90
## 772 4964 90
## 773 5046 90
## 774 6792 90
## 775 9140 90
## 776 9811 90
## 777 9915 90
## 778 30625 90
## 779 34670 90
## 780 42611 90
## 781 74115 90
## 782 74375 90
## 783 77198 90
## 784 77333 90
## 785 82242 90
## 786 82531 90
## 787 95532 90
## 788 96462 90
## 789 98228 90
## 790 98493 90
## 791 535 89
## 792 597 89
## 793 2687 89
## 794 2736 89
## 795 2759 89
## 796 4652 89
## 797 4792 89
## 798 6535 89
## 799 7198 89
## 800 7286 89
## 801 9186 89
## 802 9677 89
## 803 9743 89
## 804 42718 89
## 805 72980 89
## 806 73063 89
## 807 75046 89
## 808 77410 89
## 809 95203 89
## 810 98814 89
## 811 651 88
## 812 1588 88
## 813 3060 88
## 814 3931 88
## 815 4994 88
## 816 5231 88
## 817 6473 88
## 818 8691 88
## 819 11332 88
## 820 43287 88
## 821 72751 88
## 822 74763 88
## 823 74792 88
## 824 77208 88
## 825 77587 88
## 826 81317 88
## 827 97316 88
## 828 98125 88
## 829 426 87
## 830 905 87
## 831 2926 87
## 832 4250 87
## 833 5448 87
## 834 5690 87
## 835 6025 87
## 836 6182 87
## 837 7288 87
## 838 7474 87
## 839 9884 87
## 840 42331 87
## 841 43082 87
## 842 75857 87
## 843 76452 87
## 844 77286 87
## 845 80280 87
## 846 96112 87
## 847 96792 87
## 848 98071 87
## 849 4698 86
## 850 5014 86
## 851 5758 86
## 852 6007 86
## 853 6125 86
## 854 6252 86
## 855 6462 86
## 856 7545 86
## 857 7787 86
## 858 7842 86
## 859 9492 86
## 860 73963 86
## 861 74900 86
## 862 75651 86
## 863 78696 86
## 864 80004 86
## 865 2372 85
## 866 2611 85
## 867 4579 85
## 868 9591 85
## 869 9632 85
## 870 9961 85
## 871 35017 85
## 872 42912 85
## 873 43182 85
## 874 54271 85
## 875 72782 85
## 876 74748 85
## 877 77470 85
## 878 79873 85
## 879 81116 85
## 880 81859 85
## 881 83179 85
## 882 94581 85
## 883 98306 85
## 884 1897 84
## 885 4763 84
## 886 7367 84
## 887 7410 84
## 888 9230 84
## 889 9873 84
## 890 31225 84
## 891 33557 84
## 892 43087 84
## 893 56108 84
## 894 73005 84
## 895 73496 84
## 896 74994 84
## 897 75163 84
## 898 76301 84
## 899 80337 84
## 900 80426 84
## 901 82759 84
## 902 82926 84
## 903 95758 84
## 904 96865 84
## 905 97612 84
## 906 98561 84
## 907 280 83
## 908 4582 83
## 909 4612 83
## 910 5507 83
## 911 5743 83
## 912 6055 83
## 913 6301 83
## 914 6452 83
## 915 6869 83
## 916 9767 83
## 917 34713 83
## 918 42516 83
## 919 42830 83
## 920 43323 83
## 921 43520 83
## 922 76043 83
## 923 77299 83
## 924 79140 83
## 925 79186 83
## 926 81286 83
## 927 82413 83
## 928 94596 83
## 929 99158 83
## 930 1420 82
## 931 2713 82
## 932 4382 82
## 933 33819 82
## 934 34753 82
## 935 43652 82
## 936 72713 82
## 937 73089 82
## 938 73901 82
## 939 76114 82
## 940 76235 82
## 941 82294 82
## 942 83060 82
## 943 94579 82
## 944 2516 81
## 945 2658 81
## 946 2751 81
## 947 2800 81
## 948 3189 81
## 949 3325 81
## 950 3527 81
## 951 4524 81
## 952 6112 81
## 953 7857 81
## 954 9158 81
## 955 42594 81
## 956 42634 81
## 957 51657 81
## 958 74155 81
## 959 74738 81
## 960 74968 81
## 961 76284 81
## 962 76525 81
## 963 77474 81
## 964 77737 81
## 965 79492 81
## 966 337 80
## 967 1116 80
## 968 2700 80
## 969 2861 80
## 970 5020 80
## 971 7778 80
## 972 8678 80
## 973 14650 80
## 974 35034 80
## 975 53062 80
## 976 73527 80
## 977 74336 80
## 978 75941 80
## 979 75988 80
## 980 95338 80
## 981 99045 80
## 982 4900 79
## 983 6464 79
## 984 7612 79
## 985 8190 79
## 986 8561 79
## 987 33755 79
## 988 34975 79
## 989 73418 79
## 990 74582 79
## 991 76055 79
## 992 1332 78
## 993 2594 78
## 994 2702 78
## 995 2993 78
## 996 3179 78
## 997 4370 78
## 998 7737 78
## 999 7791 78
## 1000 8696 78
## 1001 34311 78
## 1002 52808 78
## 1003 54792 78
## 1004 73247 78
## 1005 75209 78
## 1006 76209 78
## 1007 82861 78
## 1008 95520 78
## 1009 97794 78
## 1010 98154 78
## 1011 2529 77
## 1012 4202 77
## 1013 32024 77
## 1014 72988 77
## 1015 73083 77
## 1016 74612 77
## 1017 79671 77
## 1018 98899 77
## 1019 4567 76
## 1020 4596 76
## 1021 8899 76
## 1022 18861 76
## 1023 33617 76
## 1024 34673 76
## 1025 34715 76
## 1026 72979 76
## 1027 73075 76
## 1028 73931 76
## 1029 74896 76
## 1030 76797 76
## 1031 83189 76
## 1032 94513 76
## 1033 1286 75
## 1034 3857 75
## 1035 4513 75
## 1036 9045 75
## 1037 48547 75
## 1038 75145 75
## 1039 75534 75
## 1040 77204 75
## 1041 79591 75
## 1042 94567 75
## 1043 96160 75
## 1044 96967 75
## 1045 2456 74
## 1046 2634 74
## 1047 5015 74
## 1048 6930 74
## 1049 7794 74
## 1050 8814 74
## 1051 9745 74
## 1052 23745 74
## 1053 34155 74
## 1054 47519 74
## 1055 50489 74
## 1056 72817 74
## 1057 74646 74
## 1058 75784 74
## 1059 76230 74
## 1060 76930 74
## 1061 79913 74
## 1062 81746 74
## 1063 81897 74
## 1064 82529 74
## 1065 95014 74
## 1066 95020 74
## 1067 99015 74
## 1068 99230 74
## 1069 2047 73
## 1070 5521 73
## 1071 5568 73
## 1072 7204 73
## 1073 30183 73
## 1074 31100 73
## 1075 35051 73
## 1076 42476 73
## 1077 55049 73
## 1078 56323 73
## 1079 73812 73
## 1080 74179 73
## 1081 76067 73
## 1082 82702 73
## 1083 95568 73
## 1084 3058 72
## 1085 3082 72
## 1086 7333 72
## 1087 8071 72
## 1088 9169 72
## 1089 34657 72
## 1090 35073 72
## 1091 72855 72
## 1092 74284 72
## 1093 76193 72
## 1094 80184 72
## 1095 2737 71
## 1096 3745 71
## 1097 5203 71
## 1098 5338 71
## 1099 5651 71
## 1100 31604 71
## 1101 34533 71
## 1102 53000 71
## 1103 54832 71
## 1104 64238 71
## 1105 75413 71
## 1106 75719 71
## 1107 76759 71
## 1108 77411 71
## 1109 82456 71
## 1110 86898 71
## 1111 95521 71
## 1112 95690 71
## 1113 97383 71
## 1114 98682 71
## 1115 2476 70
## 1116 3308 70
## 1117 6365 70
## 1118 34954 70
## 1119 72739 70
## 1120 75782 70
## 1121 76228 70
## 1122 76365 70
## 1123 76454 70
## 1124 80905 70
## 1125 81927 70
## 1126 83292 70
## 1127 97039 70
## 1128 2496 69
## 1129 5420 69
## 1130 7339 69
## 1131 8187 69
## 1132 33996 69
## 1133 34755 69
## 1134 42632 69
## 1135 72849 69
## 1136 73332 69
## 1137 74150 69
## 1138 75050 69
## 1139 77592 69
## 1140 6865 68
## 1141 34977 68
## 1142 75722 68
## 1143 76376 68
## 1144 76464 68
## 1145 76624 68
## 1146 79169 68
## 1147 95263 68
## 1148 2988 67
## 1149 4650 67
## 1150 7178 67
## 1151 34731 67
## 1152 42593 67
## 1153 43277 67
## 1154 43600 67
## 1155 74063 67
## 1156 77311 67
## 1157 6477 66
## 1158 7483 66
## 1159 24997 66
## 1160 34772 66
## 1161 42552 66
## 1162 60591 66
## 1163 73972 66
## 1164 74626 66
## 1165 75878 66
## 1166 76707 66
## 1167 77339 66
## 1168 78691 66
## 1169 80998 66
## 1170 998 65
## 1171 17080 65
## 1172 34477 65
## 1173 34794 65
## 1174 42559 65
## 1175 43061 65
## 1176 73058 65
## 1177 75420 65
## 1178 75446 65
## 1179 76314 65
## 1180 77085 65
## 1181 77367 65
## 1182 77554 65
## 1183 96815 65
## 1184 3298 64
## 1185 6967 64
## 1186 33818 64
## 1187 34416 64
## 1188 53376 64
## 1189 57450 64
## 1190 72943 64
## 1191 75423 64
## 1192 76816 64
## 1193 79632 64
## 1194 94525 64
## 1195 2622 63
## 1196 3087 63
## 1197 3496 63
## 1198 5043 63
## 1199 5803 63
## 1200 7438 63
## 1201 8682 63
## 1202 31248 63
## 1203 34733 63
## 1204 52077 63
## 1205 56052 63
## 1206 74103 63
## 1207 74440 63
## 1208 76796 63
## 1209 76876 63
## 1210 77059 63
## 1211 82993 63
## 1212 94652 63
## 1213 4525 62
## 1214 6635 62
## 1215 7859 62
## 1216 27373 62
## 1217 73827 62
## 1218 74095 62
## 1219 74256 62
## 1220 74694 62
## 1221 75645 62
## 1222 76166 62
## 1223 76605 62
## 1224 81428 62
## 1225 6605 61
## 1226 6646 61
## 1227 7039 61
## 1228 7572 61
## 1229 7681 61
## 1230 7731 61
## 1231 7802 61
## 1232 29181 61
## 1233 34394 61
## 1234 43185 61
## 1235 50722 61
## 1236 72748 61
## 1237 73229 61
## 1238 74009 61
## 1239 74609 61
## 1240 82047 61
## 1241 5577 60
## 1242 7882 60
## 1243 34094 60
## 1244 34131 60
## 1245 43644 60
## 1246 55603 60
## 1247 72909 60
## 1248 75213 60
## 1249 77063 60
## 1250 10049 59
## 1251 10241 59
## 1252 31364 59
## 1253 33912 59
## 1254 34573 59
## 1255 34972 59
## 1256 43151 59
## 1257 44951 59
## 1258 58265 59
## 1259 59867 59
## 1260 73275 59
## 1261 74625 59
## 1262 76061 59
## 1263 76895 59
## 1264 94524 59
## 1265 95015 59
## 1266 1746 58
## 1267 6516 58
## 1268 6815 58
## 1269 7766 58
## 1270 42794 58
## 1271 47359 58
## 1272 73034 58
## 1273 73989 58
## 1274 74030 58
## 1275 74058 58
## 1276 74645 58
## 1277 74998 58
## 1278 75307 58
## 1279 76461 58
## 1280 76518 58
## 1281 76794 58
## 1282 94233 58
## 1283 7358 57
## 1284 33973 57
## 1285 34032 57
## 1286 34716 57
## 1287 42712 57
## 1288 47473 57
## 1289 76581 57
## 1290 77153 57
## 1291 77393 57
## 1292 96660 57
## 1293 7378 56
## 1294 7733 56
## 1295 31243 56
## 1296 31709 56
## 1297 33757 56
## 1298 34712 56
## 1299 42695 56
## 1300 43121 56
## 1301 54999 56
## 1302 57694 56
## 1303 75043 56
## 1304 75128 56
## 1305 75314 56
## 1306 75539 56
## 1307 75678 56
## 1308 76477 56
## 1309 96646 56
## 1310 7777 55
## 1311 30484 55
## 1312 35015 55
## 1313 42792 55
## 1314 73018 55
## 1315 74142 55
## 1316 76163 55
## 1317 77438 55
## 1318 8207 54
## 1319 16635 54
## 1320 31262 54
## 1321 34957 54
## 1322 43298 54
## 1323 43786 54
## 1324 72769 54
## 1325 74107 54
## 1326 77581 54
## 1327 7306 53
## 1328 7987 53
## 1329 8920 53
## 1330 10175 53
## 1331 31024 53
## 1332 31125 53
## 1333 32487 53
## 1334 33634 53
## 1335 34136 53
## 1336 43295 53
## 1337 43803 53
## 1338 72762 53
## 1339 74650 53
## 1340 75098 53
## 1341 76197 53
## 1342 76198 53
## 1343 4233 52
## 1344 7804 52
## 1345 9181 52
## 1346 16580 52
## 1347 30164 52
## 1348 33719 52
## 1349 34118 52
## 1350 47190 52
## 1351 57695 52
## 1352 74992 52
## 1353 75474 52
## 1354 75741 52
## 1355 76037 52
## 1356 76524 52
## 1357 77026 52
## 1358 7543 51
## 1359 7732 51
## 1360 7808 51
## 1361 8074 51
## 1362 31605 51
## 1363 34151 51
## 1364 34914 51
## 1365 35032 51
## 1366 43337 51
## 1367 43788 51
## 1368 43823 51
## 1369 43839 51
## 1370 54576 51
## 1371 74489 51
## 1372 74732 51
## 1373 76358 51
## 1374 76673 51
## 1375 77562 51
## 1376 18766 50
## 1377 26736 50
## 1378 32525 50
## 1379 54083 50
## 1380 61026 50
## 1381 72983 50
## 1382 76983 50
## 1383 77072 50
## 1384 77306 50
## 1385 77572 50
## 1386 77598 50
## 1387 1428 49
## 1388 30346 49
## 1389 42615 49
## 1390 43015 49
## 1391 43807 49
## 1392 54021 49
## 1393 54052 49
## 1394 57515 49
## 1395 60611 49
## 1396 62484 49
## 1397 73117 49
## 1398 74639 49
## 1399 74753 49
## 1400 74858 49
## 1401 75785 49
## 1402 77015 49
## 1403 6193 48
## 1404 6660 48
## 1405 31102 48
## 1406 31166 48
## 1407 33410 48
## 1408 33673 48
## 1409 33717 48
## 1410 56623 48
## 1411 57126 48
## 1412 61139 48
## 1413 72799 48
## 1414 74013 48
## 1415 74189 48
## 1416 74848 48
## 1417 77190 48
## 1418 95719 48
## 1419 4070 47
## 1420 30247 47
## 1421 31163 47
## 1422 43169 47
## 1423 43593 47
## 1424 43643 47
## 1425 43735 47
## 1426 60521 47
## 1427 72740 47
## 1428 73658 47
## 1429 76251 47
## 1430 76297 47
## 1431 77024 47
## 1432 77358 47
## 1433 77459 47
## 1434 97483 47
## 1435 98920 47
## 1436 7760 46
## 1437 8094 46
## 1438 31188 46
## 1439 33452 46
## 1440 42264 46
## 1441 42644 46
## 1442 43675 46
## 1443 55372 46
## 1444 73378 46
## 1445 73803 46
## 1446 77441 46
## 1447 77468 46
## 1448 628 45
## 1449 6672 45
## 1450 30325 45
## 1451 33674 45
## 1452 42617 45
## 1453 42990 45
## 1454 43671 45
## 1455 56053 45
## 1456 61364 45
## 1457 73115 45
## 1458 73560 45
## 1459 73634 45
## 1460 73835 45
## 1461 73966 45
## 1462 73987 45
## 1463 74534 45
## 1464 30501 44
## 1465 31304 44
## 1466 34910 44
## 1467 42496 44
## 1468 42777 44
## 1469 43167 44
## 1470 49301 44
## 1471 55789 44
## 1472 58042 44
## 1473 60015 44
## 1474 72737 44
## 1475 73679 44
## 1476 75211 44
## 1477 75984 44
## 1478 7771 43
## 1479 30445 43
## 1480 31546 43
## 1481 43889 43
## 1482 56493 43
## 1483 60314 43
## 1484 73012 43
## 1485 73082 43
## 1486 73210 43
## 1487 74248 43
## 1488 77359 43
## 1489 95803 43
## 1490 99745 43
## 1491 7812 42
## 1492 8221 42
## 1493 9172 42
## 1494 9737 42
## 1495 30580 42
## 1496 31859 42
## 1497 42524 42
## 1498 43181 42
## 1499 43275 42
## 1500 43763 42
## 1501 53150 42
## 1502 58266 42
## 1503 58448 42
## 1504 58837 42
## 1505 61068 42
## 1506 63345 42
## 1507 73030 42
## 1508 73318 42
## 1509 74706 42
## 1510 76072 42
## 1511 76751 42
## 1512 94842 42
## 1513 7861 41
## 1514 31823 41
## 1515 33932 41
## 1516 42535 41
## 1517 43179 41
## 1518 58293 41
## 1519 73414 41
## 1520 73660 41
## 1521 73678 41
## 1522 76190 41
## 1523 77135 41
## 1524 5166 40
## 1525 30686 40
## 1526 42889 40
## 1527 43075 40
## 1528 43090 40
## 1529 50643 40
## 1530 52891 40
## 1531 54107 40
## 1532 57776 40
## 1533 72707 40
## 1534 73727 40
## 1535 73952 40
## 1536 74275 40
## 1537 76275 40
## 1538 586 39
## 1539 7716 39
## 1540 34993 39
## 1541 42683 39
## 1542 42710 39
## 1543 42760 39
## 1544 53424 39
## 1545 54816 39
## 1546 73785 39
## 1547 74042 39
## 1548 74959 39
## 1549 75015 39
## 1550 75166 39
## 1551 75672 39
## 1552 4959 38
## 1553 31084 38
## 1554 32346 38
## 1555 33473 38
## 1556 33773 38
## 1557 43063 38
## 1558 43729 38
## 1559 60817 38
## 1560 74929 38
## 1561 76665 38
## 1562 94202 38
## 1563 1417 37
## 1564 7726 37
## 1565 7961 37
## 1566 30363 37
## 1567 31345 37
## 1568 31349 37
## 1569 42989 37
## 1570 43245 37
## 1571 43591 37
## 1572 54486 37
## 1573 75172 37
## 1574 75210 37
## 1575 75301 37
## 1576 3472 36
## 1577 31388 36
## 1578 43162 36
## 1579 55681 36
## 1580 57216 36
## 1581 72788 36
## 1582 73015 36
## 1583 73432 36
## 1584 73701 36
## 1585 73924 36
## 1586 74291 36
## 1587 74477 36
## 1588 77273 36
## 1589 98285 36
## 1590 7926 35
## 1591 8285 35
## 1592 10052 35
## 1593 24356 35
## 1594 30119 35
## 1595 34119 35
## 1596 42473 35
## 1597 42708 35
## 1598 56347 35
## 1599 59946 35
## 1600 73333 35
## 1601 75583 35
## 1602 76100 35
## 1603 76432 35
## 1604 76980 35
## 1605 13739 34
## 1606 31009 34
## 1607 43068 34
## 1608 57051 34
## 1609 57426 34
## 1610 73097 34
## 1611 73773 34
## 1612 74476 34
## 1613 74819 34
## 1614 77180 34
## 1615 77457 34
## 1616 77543 34
## 1617 4842 33
## 1618 7669 33
## 1619 30665 33
## 1620 42450 33
## 1621 42500 33
## 1622 42854 33
## 1623 43228 33
## 1624 43632 33
## 1625 51542 33
## 1626 73565 33
## 1627 73661 33
## 1628 74398 33
## 1629 74414 33
## 1630 74801 33
## 1631 75071 33
## 1632 76227 33
## 1633 76941 33
## 1634 77054 33
## 1635 77591 33
## 1636 3632 32
## 1637 32345 32
## 1638 42523 32
## 1639 43564 32
## 1640 75702 32
## 1641 77534 32
## 1642 30289 31
## 1643 30985 31
## 1644 31402 31
## 1645 33558 31
## 1646 33619 31
## 1647 43128 31
## 1648 43784 31
## 1649 44960 31
## 1650 56446 31
## 1651 73935 31
## 1652 73962 31
## 1653 75016 31
## 1654 76587 31
## 1655 77270 31
## 1656 6072 30
## 1657 7809 30
## 1658 42682 30
## 1659 53217 30
## 1660 76410 30
## 1661 76790 30
## 1662 76914 30
## 1663 76933 30
## 1664 77074 30
## 1665 20628 29
## 1666 30182 29
## 1667 32407 29
## 1668 43750 29
## 1669 49299 29
## 1670 55656 29
## 1671 58680 29
## 1672 60283 29
## 1673 73942 29
## 1674 74529 29
## 1675 74910 29
## 1676 75550 29
## 1677 75985 29
## 1678 76663 29
## 1679 77334 29
## 1680 77583 29
## 1681 31245 28
## 1682 42456 28
## 1683 54053 28
## 1684 59102 28
## 1685 72770 28
## 1686 73863 28
## 1687 76242 28
## 1688 77078 28
## 1689 77604 28
## 1690 96672 28
## 1691 4356 27
## 1692 30198 27
## 1693 31289 27
## 1694 43903 27
## 1695 54460 27
## 1696 56176 27
## 1697 62377 27
## 1698 73486 27
## 1699 73888 27
## 1700 74197 27
## 1701 74415 27
## 1702 74676 27
## 1703 75000 27
## 1704 75320 27
## 1705 76435 27
## 1706 77325 27
## 1707 7972 26
## 1708 10013 26
## 1709 10338 26
## 1710 31126 26
## 1711 33890 26
## 1712 42550 26
## 1713 42828 26
## 1714 43808 26
## 1715 44641 26
## 1716 53578 26
## 1717 60056 26
## 1718 75451 26
## 1719 75555 26
## 1720 76203 26
## 1721 76292 26
## 1722 76309 26
## 1723 77178 26
## 1724 77525 26
## 1725 4450 25
## 1726 6688 25
## 1727 42630 25
## 1728 42934 25
## 1729 43265 25
## 1730 62239 25
## 1731 62589 25
## 1732 72728 25
## 1733 72784 25
## 1734 72908 25
## 1735 74022 25
## 1736 76340 25
## 1737 77481 25
## 1738 30151 24
## 1739 31443 24
## 1740 32083 24
## 1741 34973 24
## 1742 42803 24
## 1743 51141 24
## 1744 59204 24
## 1745 61184 24
## 1746 72672 24
## 1747 74243 24
## 1748 75564 24
## 1749 75648 24
## 1750 77557 24
## 1751 30503 23
## 1752 31681 23
## 1753 42457 23
## 1754 42922 23
## 1755 43345 23
## 1756 43723 23
## 1757 43873 23
## 1758 58601 23
## 1759 61009 23
## 1760 73630 23
## 1761 74836 23
## 1762 74898 23
## 1763 76360 23
## 1764 77046 23
## 1765 77223 23
## 1766 96516 23
## 1767 30644 22
## 1768 30784 22
## 1769 31985 22
## 1770 32041 22
## 1771 42547 22
## 1772 42844 22
## 1773 42849 22
## 1774 42864 22
## 1775 42880 22
## 1776 43116 22
## 1777 43273 22
## 1778 43894 22
## 1779 58642 22
## 1780 75723 22
## 1781 75870 22
## 1782 76619 22
## 1783 77320 22
## 1784 77351 22
## 1785 30173 21
## 1786 31187 21
## 1787 31843 21
## 1788 34231 21
## 1789 42890 21
## 1790 43239 21
## 1791 43592 21
## 1792 43610 21
## 1793 43857 21
## 1794 57843 21
## 1795 58357 21
## 1796 74551 21
## 1797 76019 21
## 1798 76786 21
## 1799 76858 21
## 1800 77245 21
## 1801 77477 21
## 1802 30347 20
## 1803 47826 20
## 1804 52223 20
## 1805 57724 20
## 1806 72720 20
## 1807 72850 20
## 1808 73052 20
## 1809 73911 20
## 1810 75854 20
## 1811 76612 20
## 1812 77268 20
## 1813 77269 20
## 1814 77524 20
## 1815 30587 19
## 1816 34937 19
## 1817 43170 19
## 1818 43709 19
## 1819 55317 19
## 1820 58332 19
## 1821 58576 19
## 1822 73713 19
## 1823 74485 19
## 1824 75234 19
## 1825 8110 18
## 1826 31847 18
## 1827 34690 18
## 1828 34974 18
## 1829 43869 18
## 1830 45330 18
## 1831 52772 18
## 1832 53711 18
## 1833 56293 18
## 1834 73900 18
## 1835 75883 18
## 1836 4411 17
## 1837 16586 17
## 1838 16895 17
## 1839 26694 17
## 1840 30707 17
## 1841 31123 17
## 1842 41626 17
## 1843 42819 17
## 1844 54712 17
## 1845 61466 17
## 1846 74933 17
## 1847 77480 17
## 1848 42905 16
## 1849 43030 16
## 1850 43069 16
## 1851 54741 16
## 1852 77485 16
## 1853 42711 15
## 1854 43842 15
## 1855 49232 15
## 1856 55103 15
## 1857 58093 15
## 1858 58412 15
## 1859 61913 15
## 1860 75024 15
## 1861 76843 15
## 1862 77414 15
## 1863 77550 15
## 1864 30303 14
## 1865 31543 14
## 1866 43761 14
## 1867 55187 14
## 1868 74434 14
## 1869 74797 14
## 1870 75716 14
## 1871 76773 14
## 1872 31068 13
## 1873 32002 13
## 1874 42998 13
## 1875 43815 13
## 1876 60709 13
## 1877 60923 13
## 1878 30116 12
## 1879 30244 12
## 1880 30248 12
## 1881 41994 12
## 1882 42866 12
## 1883 43340 12
## 1884 43511 12
## 1885 43599 12
## 1886 43762 12
## 1887 43877 12
## 1888 54685 12
## 1889 73738 12
## 1890 17329 11
## 1891 31028 11
## 1892 42875 11
## 1893 43283 11
## 1894 43311 11
## 1895 43621 11
## 1896 43913 11
## 1897 55026 11
## 1898 55710 11
## 1899 75285 11
## 1900 75543 11
## 1901 75726 11
## 1902 76063 11
## 1903 31421 10
## 1904 33556 10
## 1905 43303 10
## 1906 43716 10
## 1907 53988 10
## 1908 73933 10
## 1909 76894 10
## 1910 84734 10
## 1911 30586 9
## 1912 30908 9
## 1913 53558 9
## 1914 56028 9
## 1915 57514 9
## 1916 57909 9
## 1917 60282 9
## 1918 60762 9
## 1919 75049 9
## 1920 18847 8
## 1921 30290 8
## 1922 30524 8
## 1923 31246 8
## 1924 31849 8
## 1925 46192 8
## 1926 48506 8
## 1927 56716 8
## 1928 57933 8
## 1929 58066 8
## 1930 58930 8
## 1931 31105 7
## 1932 34834 7
## 1933 43093 7
## 1934 47602 7
## 1935 17486 6
## 1936 30410 6
## 1937 32028 6
## 1938 42618 6
## 1939 54924 6
## 1940 55290 6
## 1941 61309 6
## 1942 72668 6
## 1943 30906 5
## 1944 31560 5
## 1945 38329 5
## 1946 42744 5
## 1947 43835 5
## 1948 44182 5
## 1949 44669 5
## 1950 53712 5
## 1951 30464 4
## 1952 43096 4
## 1953 51226 4
## 1954 51689 4
## 1955 59886 4
## 1956 60016 4
## 1957 77504 4
## 1958 30117 3
## 1959 31547 3
## 1960 34555 3
## 1961 43119 3
## 1962 55451 3
## 1963 56095 3
## 1964 57869 3
## 1965 63385 3
## 1966 76764 3
## 1967 5246 2
## 1968 10058 2
## 1969 29996 2
## 1970 31570 2
## 1971 34797 2
## 1972 35985 2
## 1973 43872 2
## 1974 57610 2
## 1975 58720 2
## 1976 66201 2
## 1977 2441 1
## 1978 5566 1
## 1979 8181 1
## 1980 17695 1
## 1981 28120 1
## 1982 28188 1
## 1983 28490 1
## 1984 30288 1
## 1985 30402 1
## 1986 31186 1
## 1987 32001 1
## 1988 32286 1
## 1989 33639 1
## 1990 34851 1
## 1991 35804 1
## 1992 35982 1
## 1993 38197 1
## 1994 38274 1
## 1995 43912 1
## 1996 44035 1
## 1997 51713 1
## 1998 55232 1
## 1999 55344 1
## 2000 55559 1
## 2001 60119 1count(df, Nombre, sort=TRUE)## Nombre n
## 1 ABARR 21419
## 2 MARIA 10804
## 3 JOSE 5632
## 4 Maria 2367
## 5 JUAN 2299
## 6 LUIS 1997
## 7 SUPER 1957
## 8 MARTH 1919
## 9 CARLO 1665
## 10 MIGUE 1555
## 11 PEDRO 1493
## 12 MARTI 1300
## 13 ROSA 1287
## 14 VICTO 1253
## 15 PATRI 1199
## 16 JAIME 1193
## 17 ANTON 1188
## 18 MINI 1114
## 19 JESUS 1100
## 20 FRANC 1044
## 21 BEATR 990
## 22 ROBER 980
## 23 MANUE 899
## 24 VINOS 852
## 25 GUADA 799
## 26 LAURA 795
## 27 CLAUD 789
## 28 ALEJA 769
## 29 CREME 705
## 30 MARIS 693
## 31 MINIS 667
## 32 ENRIQ 656
## 33 SAUL 653
## 34 SERGI 649
## 35 HECTO 644
## 36 ROCIO 638
## 37 RAUL 632
## 38 ANA L 621
## 39 J JES 606
## 40 ALICI 579
## 41 TERES 575
## 42 GERAR 573
## 43 JAVIE 550
## 44 ARACE 540
## 45 ANDRE 522
## 46 MARGA 522
## 47 NORMA 507
## 48 JORGE 505
## 49 SILVI 500
## 50 BERTH 496
## 51 IRMA 495
## 52 ELOIS 482
## 53 ALMA 478
## 54 OLGA 472
## 55 RAMON 470
## 56 DIEGO 464
## 57 Jose 464
## 58 BLANC 462
## 59 ISMAE 454
## 60 SALVA 450
## 61 RUIZ 438
## 62 IVAN 436
## 63 MISCE 432
## 64 FARMA 426
## 65 EMANU 424
## 66 ESTEB 417
## 67 TERE 416
## 68 FERNA 415
## 69 MELIS 414
## 70 JUANA 412
## 71 EMMAN 404
## 72 CELIA 399
## 73 EDGAR 393
## 74 FELIP 384
## 75 ADRIA 379
## 76 JOEL 378
## 77 OSCAR 377
## 78 ALFRE 376
## 79 GUILL 373
## 80 Juan 370
## 81 ALBER 366
## 82 MARCO 365
## 83 Rosa 361
## 84 RICAR 342
## 85 DELIA 341
## 86 BREND 339
## 87 GLORI 335
## 88 MARIO 329
## 89 MAYRA 320
## 90 RUBEN 315
## 91 QUIRI 311
## 92 SOCOR 309
## 93 ANA M 308
## 94 CENTR 306
## 95 VIRGI 302
## 96 EVA A 293
## 97 TRINI 293
## 98 MAGDA 289
## 99 ESMER 281
## 100 Claud 277
## 101 RODOL 277
## 102 PELON 276
## 103 CESAR 275
## 104 HOMOB 273
## 105 FRUTA 270
## 106 SAMUE 270
## 107 ANGEL 267
## 108 CINTH 263
## 109 MA DE 261
## 110 EL GR 256
## 111 IRIS 256
## 112 DAVID 255
## 113 NOEMI 254
## 114 EVELI 253
## 115 DULCE 252
## 116 ELVIA 251
## 117 JUNIO 251
## 118 CARNI 250
## 119 ABEL 248
## 120 TIEND 248
## 121 J GIL 245
## 122 ELVA 243
## 123 ZAPAT 243
## 124 Franc 242
## 125 RAQUE 242
## 126 LOS G 241
## 127 Luis 241
## 128 NORBE 240
## 129 EL GU 239
## 130 MONIC 239
## 131 RODRI 238
## 132 SAL Y 238
## 133 PATO 237
## 134 HUGO 236
## 135 CARBA 235
## 136 OCTAV 235
## 137 ELVIR 234
## 138 CELED 233
## 139 CERVE 233
## 140 ERNES 233
## 141 MA TE 233
## 142 ADAN 232
## 143 MA DO 232
## 144 EDELM 231
## 145 GONZA 231
## 146 LOS I 230
## 147 J CON 229
## 148 CANDE 228
## 149 DEPOS 228
## 150 JULIA 228
## 151 VALEN 228
## 152 VARGA 228
## 153 SARA 226
## 154 WILFR 226
## 155 ORTIZ 224
## 156 ELIAS 223
## 157 GABRI 223
## 158 VETIN 223
## 159 EL PI 222
## 160 EVA S 222
## 161 Marth 222
## 162 PETRA 222
## 163 ALVAR 221
## 164 FREDI 219
## 165 OSIEL 219
## 166 IRENE 218
## 167 SIMON 218
## 168 ERIK 217
## 169 OMAR 217
## 170 TRINO 215
## 171 AUGUS 214
## 172 DEMET 214
## 173 OTILI 214
## 174 BRAUL 213
## 175 GASOL 213
## 176 CLARA 212
## 177 CORNE 212
## 178 MOISE 212
## 179 LA HI 211
## 180 LEOVI 211
## 181 SAN I 211
## 182 YOLAN 210
## 183 MUCIO 208
## 184 DON B 206
## 185 LUPIT 206
## 186 ROSAU 206
## 187 ARTUR 205
## 188 ORFIL 205
## 189 ANDAN 204
## 190 QUINC 204
## 191 AMELI 202
## 192 BLAS 202
## 193 BODEG 201
## 194 MIX D 199
## 195 OSVAL 199
## 196 JUVEN 198
## 197 J AUR 195
## 198 Carlo 194
## 199 JULIO 193
## 200 EDUAR 192
## 201 GENAR 192
## 202 MARIB 191
## 203 EUGEN 190
## 204 CRUZ 189
## 205 ABRAH 188
## 206 ALBIN 188
## 207 LA LO 188
## 208 SIX T 188
## 209 REBE 186
## 210 DIAZ 185
## 211 EDER 185
## 212 RAFA 184
## 213 CABAL 183
## 214 ERIKA 183
## 215 Ferna 183
## 216 RAYMU 182
## 217 Teres 181
## 218 SAN J 179
## 219 LA CH 178
## 220 AVELI 177
## 221 MARCE 177
## 222 Aleja 176
## 223 DONAT 176
## 224 Monic 175
## 225 RUTH 175
## 226 SANTI 175
## 227 Angel 173
## 228 EL AN 173
## 229 SUSAN 173
## 230 CYNTH 172
## 231 EMPOR 172
## 232 HOGAR 172
## 233 ZENAI 171
## 234 MERCE 170
## 235 VICEN 170
## 236 VALDE 167
## 237 ELMER 163
## 238 LA DU 163
## 239 M DE 163
## 240 IVONN 162
## 241 VIVIA 162
## 242 Ma De 160
## 243 PUERQ 160
## 244 RITA 160
## 245 LA PE 159
## 246 TORIB 157
## 247 ISABE 155
## 248 LEONA 152
## 249 EL VE 151
## 250 LUIS 148
## 251 BENJA 147
## 252 Anton 145
## 253 CHABE 144
## 254 GILBE 144
## 255 Hecto 141
## 256 ORALI 140
## 257 DANIE 139
## 258 Salva 139
## 259 Blanc 137
## 260 FABIA 137
## 261 ELENA 136
## 262 IGNAC 135
## 263 DIVIN 134
## 264 LA ME 134
## 265 MERCA 134
## 266 LOREN 133
## 267 Enriq 132
## 268 INBOX 132
## 269 Guada 131
## 270 Oscar 129
## 271 Patri 128
## 272 DISTR 127
## 273 Sandr 124
## 274 Glori 122
## 275 LA TI 122
## 276 CARME 115
## 277 CRIST 114
## 278 Adria 113
## 279 Julio 113
## 280 EVANG 111
## 281 Rafae 110
## 282 Arman 109
## 283 Humbe 109
## 284 Loren 108
## 285 Eduar 103
## 286 Esthe 103
## 287 JESSI 103
## 288 FABIO 102
## 289 GUSTA 100
## 290 ABEND 99
## 291 Olga 98
## 292 ADOLF 94
## 293 MODEL 94
## 294 Mayra 94
## 295 David 93
## 296 IMELD 93
## 297 ROSA 93
## 298 MAURI 92
## 299 OLIVI 92
## 300 Epifa 91
## 301 ESPER 89
## 302 LETIC 89
## 303 Lidia 89
## 304 LA MI 88
## 305 Pablo 88
## 306 Victo 88
## 307 Crist 86
## 308 ANA C 85
## 309 MAXIM 85
## 310 Pascu 85
## 311 Rita 85
## 312 COLUM 83
## 313 EFREN 82
## 314 FELIC 82
## 315 Wilfr 82
## 316 BUGAM 81
## 317 CAMER 81
## 318 KEVIN 80
## 319 Raul 80
## 320 J Jes 79
## 321 Lucia 78
## 322 Ernes 77
## 323 Aurel 76
## 324 NEMEC 76
## 325 Susan 76
## 326 Gabri 75
## 327 RIGOB 75
## 328 CELIN 74
## 329 Carol 74
## 330 Casil 74
## 331 Damar 74
## 332 AVAL 73
## 333 Azuce 73
## 334 EVERA 72
## 335 Eva G 72
## 336 GERA 72
## 337 Lilia 72
## 338 IMPUL 71
## 339 Leono 71
## 340 SIX B 71
## 341 Faust 70
## 342 MUNDO 69
## 343 JUANI 68
## 344 Hugo 66
## 345 LUZ E 66
## 346 Leopo 66
## 347 ANA R 65
## 348 Alma 65
## 349 J PAT 65
## 350 Ma El 65
## 351 ABUND 64
## 352 Brend 64
## 353 Erika 64
## 354 Jorge 64
## 355 Mary 64
## 356 Agust 63
## 357 BELY 63
## 358 Imeld 63
## 359 LA NU 63
## 360 Apolo 62
## 361 LA SU 62
## 362 Luz E 62
## 363 PETRO 62
## 364 ELIA 61
## 365 Joel 61
## 366 Ofeli 61
## 367 TECAT 61
## 368 Irene 60
## 369 Juven 60
## 370 Avid 59
## 371 Cynth 59
## 372 DARIO 59
## 373 AMPAR 58
## 374 KARLA 58
## 375 Manue 58
## 376 Josef 57
## 377 Juana 57
## 378 SANDR 57
## 379 GABIN 56
## 380 OBDUL 56
## 381 Osval 55
## 382 Alfre 54
## 383 ISAAC 54
## 384 NESTO 54
## 385 Pedro 54
## 386 ARNUL 53
## 387 Carme 53
## 388 Cruz 53
## 389 EL VA 53
## 390 Enedi 53
## 391 KAREN 53
## 392 Nohem 53
## 393 PRIMI 53
## 394 Yesen 53
## 395 Felip 52
## 396 Ampar 51
## 397 EL CH 51
## 398 Beatr 50
## 399 Marco 50
## 400 Ana I 49
## 401 Genar 49
## 402 JUDIT 49
## 403 Ma Gu 49
## 404 Rode 49
## 405 Sergi 48
## 406 CLEME 47
## 407 GREGO 47
## 408 HILDA 47
## 409 Oswal 47
## 410 REBEC 47
## 411 Veron 47
## 412 Arace 46
## 413 Gerar 46
## 414 JOSEF 46
## 415 MARIC 46
## 416 Rebec 46
## 417 EFRAI 45
## 418 LA PA 45
## 419 Oliva 45
## 420 ROSAL 45
## 421 CONSU 44
## 422 Ulloq 44
## 423 Areli 43
## 424 CRUZ 43
## 425 HUMBE 43
## 426 NUBIA 43
## 427 RENE 43
## 428 IRINE 42
## 429 CATAL 41
## 430 GENER 41
## 431 Secun 41
## 432 EVA F 40
## 433 IRAIS 40
## 434 LEONI 40
## 435 Mario 40
## 436 Omar 40
## 437 Fabio 39
## 438 LUCEC 39
## 439 Trini 38
## 440 Ana A 37
## 441 GINO 37
## 442 GRACI 37
## 443 LLUVI 37
## 444 Avela 36
## 445 Ruth 36
## 446 ELBA 35
## 447 EMA C 35
## 448 GERMA 35
## 449 Lauro 35
## 450 PAMEL 35
## 451 LULU 34
## 452 Yolan 34
## 453 AMEZA 33
## 454 Marti 33
## 455 Rogel 32
## 456 Rufin 32
## 457 Dalil 31
## 458 Elvir 31
## 459 MIRIA 31
## 460 Ramon 31
## 461 Tibur 31
## 462 ANA B 29
## 463 EPIFA 29
## 464 GEORG 29
## 465 Jocel 29
## 466 Refug 29
## 467 SANTA 29
## 468 Yanet 29
## 469 Eliza 28
## 470 JENNI 28
## 471 Karla 28
## 472 Migue 28
## 473 TOÑO 28
## 474 Yadir 28
## 475 Gilbe 27
## 476 PASTE 27
## 477 Perfe 27
## 478 RAFAE 27
## 479 Ameli 26
## 480 CATAR 26
## 481 Nancy 26
## 482 Norma 26
## 483 FAUST 25
## 484 Berth 24
## 485 CIRIL 24
## 486 Keren 24
## 487 Ma Co 24
## 488 Ricar 24
## 489 VERON 24
## 490 CURSO 23
## 491 Moise 23
## 492 OFELI 23
## 493 Renzo 23
## 494 TACOS 23
## 495 ULISE 23
## 496 Eva C 22
## 497 Guill 22
## 498 LUCIA 22
## 499 Ma Lu 22
## 500 EVA B 21
## 501 Esteb 21
## 502 Ma Ra 21
## 503 Nicol 21
## 504 SILVE 21
## 505 BIONI 20
## 506 Josue 20
## 507 ROMEL 20
## 508 Hulbe 19
## 509 Saman 19
## 510 VANES 19
## 511 Emeli 18
## 512 Hilda 18
## 513 Danie 17
## 514 Edgar 17
## 515 Narci 17
## 516 PABLO 17
## 517 Ruben 17
## 518 Clara 16
## 519 BIANC 15
## 520 Laura 15
## 521 Pauli 15
## 522 Vanes 15
## 523 Elier 14
## 524 MARA 14
## 525 MARY 14
## 526 Ma Eu 14
## 527 AZUCE 13
## 528 PANAD 13
## 529 Paola 12
## 530 REPAR 12
## 531 Alba 11
## 532 Ma So 11
## 533 Andre 10
## 534 Yrene 10
## 535 Belen 9
## 536 Catal 9
## 537 Clien 9
## 538 Gerso 9
## 539 Jesus 9
## 540 Arian 8
## 541 Doria 8
## 542 Eva R 8
## 543 Genov 8
## 544 Jessi 8
## 545 Karen 8
## 546 Ma Re 8
## 547 Ma Ve 8
## 548 Ana G 7
## 549 Ma As 7
## 550 Virgi 7
## 551 Elia 6
## 552 Irma 6
## 553 Jonat 6
## 554 Obdul 6
## 555 Robus 6
## 556 Emma 5
## 557 Merce 5
## 558 XOCHI 5
## 559 Dulce 4
## 560 Erik 4
## 561 Libni 4
## 562 Fiado 3
## 563 Froyl 2
## 564 Lucy 2
## 565 Marga 2
## 566 Modes 2
## 567 Rober 2
## 568 AGUAL 1
## 569 CECIL 1
## 570 Elvia 1
## 571 Eric 1
## 572 Esmer 1
## 573 Fatim 1
## 574 Jaime 1
## 575 LOURD 1
## 576 Letic 1
## 577 MAURO 1
## 578 Marce 1
## 579 NUEVO 1
## 580 Produ 1
## 581 Rodri 1count(df, Tamaño.Cte.Industria, sort=TRUE)## Tamaño.Cte.Industria n
## 1 Extra Grande 116707
## 2 Micro 34512count(df, Segmento.Det, sort=TRUE)## Segmento.Det n
## 1 Sabores Regular 55634
## 2 Colas Regular 27924
## 3 Colas Light 13027
## 4 Bebidas de Fruta 11601
## 5 Jugos y Néctares 10436
## 6 Agua Purificada 6052
## 7 Agua Mineral 4304
## 8 Isotónicos Regular 4123
## 9 Bebidas Energeticas 3705
## 10 Agua Saborizada 3652
## 11 Té Regular 3611
## 12 Leche UHT Regular 1977
## 13 Leche UHT Saborizada 1639
## 14 Leche UHT Especializ 1351
## 15 Sabores Light 1199
## 16 Isotónicos Light 781
## 17 Té Light 191
## 18 Cafe Listo Para Bebe 6
## 19 Polvos 6count(df, Marca, sort=TRUE)## Marca n
## 1 Coca-Cola 27924
## 2 Sprite 13088
## 3 Fanta 12408
## 4 Fresca 9916
## 5 Manzana Lift 9616
## 6 Coca-Cola Light 7881
## 7 Del Valle 6801
## 8 Sidral Mundet 6610
## 9 Ciel Agua Purificada 6052
## 10 Valle Frut 5936
## 11 Powerade 4123
## 12 Fuze Tea 3611
## 13 Coca-Cola Zero 3406
## 14 Del Valle y Nada 2871
## 15 Delaware Punch 2469
## 16 Topo Chico A.M. 2392
## 17 Del Valle Reserva 2168
## 18 Ciel Mineralizada 1912
## 19 Burn 1880
## 20 Frutsi 1824
## 21 Coca-Cola Life 1726
## 22 Ciel Exprim 1698
## 23 Santa Clara Saboriza 1639
## 24 Santa Clara Entera 1405
## 25 Santa Clara Deslacto 1351
## 26 Glacéau 1255
## 27 Pulpy 1189
## 28 Ciel Saborizada 1119
## 29 Sprite Zero 1101
## 30 Senzao 1080
## 31 Del Valle Nutridefen 1071
## 32 Ciel Mini 835
## 33 Powerade Zero 781
## 34 Santa Clara Light 572
## 35 Monster Energy 570
## 36 Del Valle Blends 396
## 37 Fuze Tea Light 191
## 38 Bebere 180
## 39 Fanta Zero 40
## 40 Mixtos 31
## 41 Manzana Lift Zero 29
## 42 Fresca Zero 20
## 43 Coca-Cola Light Sin 14
## 44 Topo Chico SangrÃa 14
## 45 Café Blak 12
## 46 Sidral Mundet Light 8
## 47 Del Valle Bits 3
## 48 Topo Chico SangrÃa L 1count(df, Presentacion, sort=TRUE)## Presentacion n
## 1 600 ml NR 21190
## 2 1 Ltro. N.R. 13019
## 3 2 Lts. NR 11613
## 4 500 ml Ret 9898
## 5 Lata 235 ml 9687
## 6 400 ml NR 9277
## 7 1.5 Lts. NR 9214
## 8 250 ml. NR PET 7834
## 9 500 ml NR PET 5507
## 10 500 ml NR Vidrio 5390
## 11 2.5 Lts. NR 4260
## 12 Lata 4037
## 13 12 Oz. NR Pet 3553
## 14 1 Ltro. Tetra 3533
## 15 1.5 Lts. Ret 3526
## 16 8 Oz. NR 3294
## 17 12 Oz. Ret 2918
## 18 300 ML. NR PET 2491
## 19 200 ml Tetra 2027
## 20 2.5 Lts. Ret Pet 1965
## 21 413 ml NR VId 1865
## 22 Lata 16 Oz. 1837
## 23 250 ml Tetra 1795
## 24 235 ml NR Vid 1533
## 25 2 Lts. Ret 1460
## 26 250 ML. NR VID 1276
## 27 1.250 Lts NR 1149
## 28 Lata 453 ml 958
## 29 Lata 450 ml 798
## 30 125 ml NR Tetra 776
## 31 5 Lts. NR 512
## 32 Lata 222 ml 476
## 33 Lata 340 ml 358
## 34 Lata 335 ml 282
## 35 Lata 8 OZ. 230
## 36 237 ml NR Vid 229
## 37 6.5 Oz. Ret 228
## 38 355 Ml NR Pet 209
## 39 100 ml NR Tetra 207
## 40 473 ml NR 180
## 41 710 ml NR 162
## 42 LATA 680 ML 151
## 43 1.750 Lts NR 148
## 44 12 Oz. NR Vidrio 66
## 45 3 Lts. NR 54
## 46 350 ML NR PET 16
## 47 Lata 237 ml 13
## 48 Bag In Box 6
## 49 Sobres 907 grs 6
## 50 251ml NR Alum 3
## 51 200 ml NR 2
## 52 Lata 310 ml 1count(df, Tamaño, sort=TRUE)## Tamaño n
## 1 Individual 108025
## 2 Familiar 43193
## 3 1count(df, Retornable_NR, sort=TRUE)## Retornable_NR n
## 1 No Retornable 131223
## 2 Retornable 19995
## 3 1Revisar la estructura de los datos
str(df)## 'data.frame': 151219 obs. of 25 variables:
## $ ID : int 1 2 3 4 5 6 7 8 9 10 ...
## $ Año : int 2016 2016 2016 2016 2016 2016 2016 2016 2016 2016 ...
## $ Territorio : chr "Guadalajara" "Guadalajara" "Guadalajara" "Guadalajara" ...
## $ Sub.Territorio : chr "Belenes" "Belenes" "Belenes" "Belenes" ...
## $ CEDI : chr "Suc. Belenes" "Suc. Belenes" "Suc. Belenes" "Suc. Belenes" ...
## $ Cliente : int 77737 77737 77737 77737 77737 77737 77737 77737 77737 77737 ...
## $ Nombre : chr "ABARR" "ABARR" "ABARR" "ABARR" ...
## $ Tamaño.Cte.Industria: chr "Extra Grande" "Extra Grande" "Extra Grande" "Extra Grande" ...
## $ Segmento.Det : chr "Agua Mineral" "Agua Purificada" "Agua Purificada" "Agua Saborizada" ...
## $ Marca : chr "Topo Chico A.M." "Ciel Agua Purificada" "Ciel Agua Purificada" "Ciel Exprim" ...
## $ Presentacion : chr "600 ml NR" "1 Ltro. N.R." "1.5 Lts. NR" "600 ml NR" ...
## $ Tamaño : chr "Individual" "Individual" "Individual" "Individual" ...
## $ Retornable_NR : chr "No Retornable" "No Retornable" "No Retornable" "No Retornable" ...
## $ Enero : chr "" "" "" "" ...
## $ Febrero : chr "" "2" "" "" ...
## $ Marzo : chr "" "8" "3" "" ...
## $ Abril : chr "" "4" "6" "" ...
## $ Mayo : chr "" "4" "3" "" ...
## $ Junio : chr "" "2" "3" "" ...
## $ Julio : chr "" "2" "3" "" ...
## $ Agosto : chr "" "2" "3" "" ...
## $ Septiembre : chr "" "2" "3" "" ...
## $ Octubre : chr "" "2" "3" "" ...
## $ Noviembre : chr "" "4" "3" "" ...
## $ Diciembre : chr "1" "2" "3" "1" ...Cambiar de chr a numeric
df$Enero <- as.numeric(df$Enero)## Warning: NAs introduced by coerciondf$Febrero <- as.numeric(df$Febrero)## Warning: NAs introduced by coerciondf$Marzo <- as.numeric(df$Marzo)## Warning: NAs introduced by coerciondf$Abril <- as.numeric(df$Abril)## Warning: NAs introduced by coerciondf$Mayo <- as.numeric(df$Mayo)## Warning: NAs introduced by coerciondf$Junio <- as.numeric(df$Junio)## Warning: NAs introduced by coerciondf$Julio <- as.numeric(df$Julio)## Warning: NAs introduced by coerciondf$Agosto <- as.numeric(df$Agosto)## Warning: NAs introduced by coerciondf$Septiembre <- as.numeric(df$Septiembre)## Warning: NAs introduced by coerciondf$Octubre <- as.numeric(df$Octubre)## Warning: NAs introduced by coerciondf$Noviembre <- as.numeric(df$Noviembre)## Warning: NAs introduced by coerciondf$Diciembre <- as.numeric(df$Diciembre)## Warning: NAs introduced by coercionstr(df)## 'data.frame': 151219 obs. of 25 variables:
## $ ID : int 1 2 3 4 5 6 7 8 9 10 ...
## $ Año : int 2016 2016 2016 2016 2016 2016 2016 2016 2016 2016 ...
## $ Territorio : chr "Guadalajara" "Guadalajara" "Guadalajara" "Guadalajara" ...
## $ Sub.Territorio : chr "Belenes" "Belenes" "Belenes" "Belenes" ...
## $ CEDI : chr "Suc. Belenes" "Suc. Belenes" "Suc. Belenes" "Suc. Belenes" ...
## $ Cliente : int 77737 77737 77737 77737 77737 77737 77737 77737 77737 77737 ...
## $ Nombre : chr "ABARR" "ABARR" "ABARR" "ABARR" ...
## $ Tamaño.Cte.Industria: chr "Extra Grande" "Extra Grande" "Extra Grande" "Extra Grande" ...
## $ Segmento.Det : chr "Agua Mineral" "Agua Purificada" "Agua Purificada" "Agua Saborizada" ...
## $ Marca : chr "Topo Chico A.M." "Ciel Agua Purificada" "Ciel Agua Purificada" "Ciel Exprim" ...
## $ Presentacion : chr "600 ml NR" "1 Ltro. N.R." "1.5 Lts. NR" "600 ml NR" ...
## $ Tamaño : chr "Individual" "Individual" "Individual" "Individual" ...
## $ Retornable_NR : chr "No Retornable" "No Retornable" "No Retornable" "No Retornable" ...
## $ Enero : num NA NA NA NA NA NA 1 NA 3 NA ...
## $ Febrero : num NA 2 NA NA NA NA NA 1 3 NA ...
## $ Marzo : num NA 8 3 NA NA 1 NA NA 4 NA ...
## $ Abril : num NA 4 6 NA NA NA NA 1 4 NA ...
## $ Mayo : num NA 4 3 NA NA NA 0 NA 4 NA ...
## $ Junio : num NA 2 3 NA NA NA NA 1 4 0 ...
## $ Julio : num NA 2 3 NA NA NA 0 NA 4 NA ...
## $ Agosto : num NA 2 3 NA NA NA NA 1 7 NA ...
## $ Septiembre : num NA 2 3 NA NA NA NA 1 4 NA ...
## $ Octubre : num NA 2 3 NA NA NA 0 NA 3 NA ...
## $ Noviembre : num NA 4 3 NA 0 NA NA NA 1 NA ...
## $ Diciembre : num 1 2 3 1 NA NA NA NA 3 NA ...Revisar NAs en la base de datos
# ¿Cuántos NAs tengo en la base de datos?
sum(is.na(df))## [1] 886213# ¿Cuántos NAs tengo por variable?
sapply(df, function(x) sum(is.na(x)))## ID Año Territorio
## 0 0 0
## Sub.Territorio CEDI Cliente
## 0 0 0
## Nombre Tamaño.Cte.Industria Segmento.Det
## 0 0 0
## Marca Presentacion Tamaño
## 0 0 0
## Retornable_NR Enero Febrero
## 0 78899 76273
## Marzo Abril Mayo
## 76515 74809 72025
## Junio Julio Agosto
## 69959 71995 71750
## Septiembre Octubre Noviembre
## 72430 72878 73872
## Diciembre
## 74808# Opción 1. Eliminar NAs
#df1 <- na.omit(df)
# Opción 2. Reemplazar NAs con CEROS
df1 <- df
df1[is.na(df1)] <- 0
sum(is.na(df1))## [1] 0# Opción 3. Reemplazar NAs con PROMEDIO
# df1 <- df
# df1$Enero[is.na(df1$Enero)] <- mean(df1$Enero, na.rm=TRUE)Detectar valores atÃpicos
boxplot(df1$Enero)
# Eliminar renglón de los totales
df1 <- df1[df1$Enero <6000, ]
boxplot(df1$Enero)
Funciones del paquete dplyr
# Adecuar nombres con gsub
names(df1) <- gsub(" ", "_",names(df1))
# Muestra las ventas de Enero a Junio por CEDI:
df2 <- select(df1,c(CEDI,Enero: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))## `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:151219 Length:151219
## 1st Qu.: 37806 1st Qu.:2016 Class :character Class :character
## Median : 75610 Median :2016 Mode :character Mode :character
## Mean : 75610 Mean :2016
## 3rd Qu.:113414 3rd Qu.:2017
## Max. :151219 Max. :2017
## CEDI Cliente Nombre Tamaño.Cte.Industria
## Length:151219 Min. : 4 Length:151219 Length:151219
## Class :character 1st Qu.: 5365 Class :character Class :character
## Mode :character Median :34975 Mode :character Mode :character
## Mean :42302
## 3rd Qu.:76863
## Max. :99998
## Segmento.Det Marca Presentacion Tamaño
## Length:151219 Length:151219 Length:151219 Length:151219
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## Retornable_NR Enero Febrero Marzo
## Length:151219 Min. : -7.000 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 : 5.303 Mean : 5.334 Mean : 6.146
## 3rd Qu.: 2.000 3rd Qu.: 2.000 3rd Qu.: 3.000
## Max. :999.000 Max. :986.000 Max. :986.000
## Abril Mayo Junio Julio
## Min. :-70.00 Min. :-23.000 Min. :-45.000 Min. :-42.000
## 1st Qu.: 0.00 1st Qu.: 0.000 1st Qu.: 0.000 1st Qu.: 0.000
## Median : 0.00 Median : 0.000 Median : 0.000 Median : 0.000
## Mean : 6.29 Mean : 6.745 Mean : 6.916 Mean : 6.493
## 3rd Qu.: 3.00 3rd Qu.: 3.000 3rd Qu.: 3.000 3rd Qu.: 3.000
## Max. :986.00 Max. :991.000 Max. :998.000 Max. :979.000
## Agosto Septiembre Octubre Noviembre
## Min. :-211.000 Min. :-527.000 Min. :-38.000 Min. :-25.000
## 1st Qu.: 0.000 1st Qu.: 0.000 1st Qu.: 0.000 1st Qu.: 0.000
## Median : 0.000 Median : 0.000 Median : 0.000 Median : 0.000
## Mean : 6.651 Mean : 6.584 Mean : 6.582 Mean : 6.279
## 3rd Qu.: 3.000 3rd Qu.: 3.000 3rd Qu.: 3.000 3rd Qu.: 3.000
## Max. : 998.000 Max. : 993.000 Max. :995.000 Max. :991.000
## Diciembre
## Min. :-28.000
## 1st Qu.: 0.000
## Median : 0.000
## Mean : 6.887
## 3rd Qu.: 3.000
## Max. :993.000# Colapsar meses en una columna
df7 <- gather(df1, Mes, Ventas, Enero:Diciembre)Tarea Colaborativa 2
Actividad Individual 3
# Agregar una columna con el Número de Mes
meses <- c("Enero"="01", "Febrero"="02","Marzo"="03", "Abril"="04", "Mayo"="05", "Junio"="06", "Julio"="07", "Agosto"="08", "Septiembre"="09", "Octubre"="10", "Noviembre"="11", "Diciembre"="12")
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
# Pregunta Detonante 4. ¿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")
# Pregunta Detonante
ventas_totales_seg <- df7 %>%
filter(Segmento.Det == "Agua Purificada" | Segmento.Det == "Isotónicos Regular" | Segmento.Det == "Colas Regular" ) %>%
filter(Año == 2018) %>%
group_by(Segmento.Det, Número_de_Mes) %>%
summarise(Ventas.Totales = sum(Ventas)) %>%
arrange(Número_de_Mes)## `summarise()` has grouped output by 'Segmento.Det'. You can override using the
## `.groups` argument.ggplot(ventas_totales_seg, aes(x=Número_de_Mes, y=Ventas.Totales,group=Segmento.Det, color= as.factor(Segmento.Det))) +
geom_line() +
geom_point() +
labs(x="Mes",y="Ventas Totales(Qty)", title= "Ventas Totales por Segmento", color = "Segmento")
Actividad Individual 4
# Elaborar Regresión Lineal
ventas_4567 <- df7 %>%
filter(Cliente == "4567") %>%
group_by(Año) %>%
summarise(Ventas_Totales = sum(Ventas)) %>%
filter(Ventas_Totales != 0)
# ventas_4567$Secuencia <- 1:nrow(ventas_4567)
ggplot(ventas_4567, aes(x=Año, y=Ventas_Totales)) +
geom_point() +
labs(x="Año",y="Ventas Totales(Qty)", title= "Ventas Totales del Cliente 4567")
regresion <- lm(Ventas_Totales ~ Año, data=ventas_4567)
summary(regresion)##
## Call:
## lm(formula = Ventas_Totales ~ Año, data = ventas_4567)
##
## Residuals:
## ALL 1 residuals are 0: no residual degrees of freedom!
##
## Coefficients: (1 not defined because of singularities)
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 25885 NaN NaN NaN
## Año NA NA NA NA
##
## Residual standard error: NaN on 0 degrees of freedom# Ecuación
# y = 48918677 - 24174 * Año
# R cuadrada ajustada
# 77%
datos <- data.frame(Año=2020:2025)
prediccion <- predict(regresion,datos)## Warning in predict.lm(regresion, datos): prediction from rank-deficient fit;
## attr(*, "non-estim") has doubtful casesprediccion## 1 2 3 4 5 6
## 25885 25885 25885 25885 25885 25885
## attr(,"non-estim")
## 3 4 5 6
## 3 4 5 6ventas_4567$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")
Tarea Colaborativa 4
Actividad Individual 5
ventas_mensuales_4567 <- df7 %>%
filter(Cliente == "4567") %>%
group_by(Año, Número_de_Mes) %>%
summarise(Ventas_Totales = sum(Ventas)) %>%
filter(Ventas_Totales != 0)
# Confirmar que los datos que queremos modelar 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## Series: ts
## ARIMA(0,0,0) with non-zero mean
##
## Coefficients:
## mean
## 2157.0833
## s.e. 152.7755
##
## sigma^2 = 305544: log likelihood = -92.28
## AIC=188.57 AICc=189.9 BIC=189.54summary(arima)## Series: ts
## ARIMA(0,0,0) with non-zero mean
##
## Coefficients:
## mean
## 2157.0833
## s.e. 152.7755
##
## sigma^2 = 305544: log likelihood = -92.28
## AIC=188.57 AICc=189.9 BIC=189.54
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
## Training set -1.515963e-13 529.2273 419.25 -6.986365 22.08948 0.8272197
## ACF1
## Training set 0.2900405# Generar el pronóstico de ventas
pronostico <- forecast(arima, level=95, h=36)
pronostico## Point Forecast Lo 95 Hi 95
## 2029 2157.083 1073.694 3240.473
## 2030 2157.083 1073.694 3240.473
## 2031 2157.083 1073.694 3240.473
## 2032 2157.083 1073.694 3240.473
## 2033 2157.083 1073.694 3240.473
## 2034 2157.083 1073.694 3240.473
## 2035 2157.083 1073.694 3240.473
## 2036 2157.083 1073.694 3240.473
## 2037 2157.083 1073.694 3240.473
## 2038 2157.083 1073.694 3240.473
## 2039 2157.083 1073.694 3240.473
## 2040 2157.083 1073.694 3240.473
## 2041 2157.083 1073.694 3240.473
## 2042 2157.083 1073.694 3240.473
## 2043 2157.083 1073.694 3240.473
## 2044 2157.083 1073.694 3240.473
## 2045 2157.083 1073.694 3240.473
## 2046 2157.083 1073.694 3240.473
## 2047 2157.083 1073.694 3240.473
## 2048 2157.083 1073.694 3240.473
## 2049 2157.083 1073.694 3240.473
## 2050 2157.083 1073.694 3240.473
## 2051 2157.083 1073.694 3240.473
## 2052 2157.083 1073.694 3240.473
## 2053 2157.083 1073.694 3240.473
## 2054 2157.083 1073.694 3240.473
## 2055 2157.083 1073.694 3240.473
## 2056 2157.083 1073.694 3240.473
## 2057 2157.083 1073.694 3240.473
## 2058 2157.083 1073.694 3240.473
## 2059 2157.083 1073.694 3240.473
## 2060 2157.083 1073.694 3240.473
## 2061 2157.083 1073.694 3240.473
## 2062 2157.083 1073.694 3240.473
## 2063 2157.083 1073.694 3240.473
## 2064 2157.083 1073.694 3240.473plot(pronostico, main="Ventas Mensuales y Pronóstico 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 implementó el Proyecto Siglo XXI de Arca Continental?
ventas_totales_seg <- df7 %>%
filter(Segmento.Det == "Agua Purificada" | Segmento.Det == "Isotónicos Regular" | Segmento.Det == "Colas Regular" ) %>%
filter(Año == 2018) %>%
group_by(Segmento.Det, Número_de_Mes) %>%
summarise(Ventas.Totales = sum(Ventas)) %>%
arrange(Número_de_Mes)## `summarise()` has grouped output by 'Segmento.Det'. You can override using the
## `.groups` argument.ggplot(ventas_totales_seg, aes(x=Número_de_Mes, y=Ventas.Totales,group=Segmento.Det, color= as.factor(Segmento.Det))) +
geom_line() +
geom_point() +
labs(x="Mes",y="Ventas Totales(Qty)", title= "Ventas Totales por Segmento", color = "Segmento")
Respuesta: En general las ventas aumentaron en 2019, pero cada segmento se comportó diferente. El incremento de ventas se puede lograr gracias a mejores campañas de mercadotecnia y lanzamiento de nuevos productos.En 2018 la venta de Coca-Cola entre Febrero y Diciembre aumentó en 100,000 unidades, mientras que las aguas isotónicas no tuvieron cambios.
- ¿El incremento en las ventas es similar entre los diferentes tamaños de clientes?
ventas_totales_tam_cliente <- df7 %>%
filter(Año == 2019) %>%
group_by(Tamaño.Cte.Industria, Número_de_Mes) %>%
summarise(Ventas.Totales = sum(Ventas)) %>%
arrange(Número_de_Mes) %>%
filter(Ventas.Totales != 0)## `summarise()` has grouped output by 'Tamaño.Cte.Industria'. You can override
## using the `.groups` argument.ggplot(ventas_totales_tam_cliente, aes(x=Número_de_Mes, y=Ventas.Totales,group=Tamaño.Cte.Industria, color= as.factor(Tamaño.Cte.Industria))) +
geom_line() +
geom_point() +
labs(x="Mes",y="Ventas Totales(Qty)", title= "Ventas Totales por 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 dÃas, 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 ventas en todos los tamaños de cliente, y el primer bimestre fue el más bajo también para todos los tamaños de cliente.
- ¿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 == 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)## `summarise()` has grouped output by 'Marca'. You can override using the
## `.groups` argument.ggplot(ventas_totales_marca, aes(x=Número_de_Mes, y=Ventas_Totales,group=Marca, color= as.factor(Marca))) +
geom_line() +
geom_point() +
labs(x="Mes",y="Ventas Totales(Qty)", title= "Ventas Totales por Marca", color = "Marca")
Respuesta: El comportamiento de 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.
- ¿Se ha incrementado la venta de productos en envases retornables en los últimos dos años?
ventas_totales_envase <- df7 %>%
filter(Retornable_NR=="Retornable") %>%
filter(Año == c(2017,2018,2019)) %>%
group_by(Año, Número_de_Mes) %>%
summarise(Ventas.Totales = sum(Ventas)) %>%
arrange(Número_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=Número_de_Mes, y=Ventas.Totales,group=Año, color= as.factor(Año))) +
geom_line() +
geom_point() +
labs(x="Mes",y="Ventas Totales(Qty)", title= "Ventas Totales de Envases Retornables", color = "Año")
Respuesta: La venta de productos en envase retornable aumentó en los últimos dos años. Las campañas de conciencia ambiental han vuelto populares las opciones menos dañinas al ecosistema. De 2017 a 2018 hubo un ligero incremento en las ventas de envase retornable, y entre 2018 y 2019 el aumento fue muy notorio.
Notas: Hay otros factores a considerar como que en 2019 hay más tiendas con el proyecto Siglo XXI, o que las tiendas en general venden más productos (tanto retornables como no retornables).
- ¿El comportamiento de la venta de agua ha incrementado en relación al de los refrescos o las bebidas isotónicas?
ventas_totales_seg <- df7 %>%
filter(Segmento.Det == "Agua Purificada" | Segmento.Det == "Isotónicos Regular" | Segmento.Det == "Colas Regular" ) %>%
filter(Año == 2018) %>%
group_by(Segmento.Det, Número_de_Mes) %>%
summarise(Ventas.Totales = sum(Ventas)) %>%
arrange(Número_de_Mes)## `summarise()` has grouped output by 'Segmento.Det'. You can override using the
## `.groups` argument.ggplot(ventas_totales_seg, aes(x=Número_de_Mes, y=Ventas.Totales,group=Segmento.Det, color= as.factor(Segmento.Det))) +
geom_line() +
geom_point() +
labs(x="Mes",y="Ventas Totales(Qty)", title= "Ventas Totales por Segmento", color = "Segmento")
Respuesta: Las ventas de Agua Purificada no ha aumentado en relación a Refrescos o Bebidas Isotónicas. La persepción que el agua no tiene valor agregado en la preparación y el azúcar en la receta hacen de los refrescos la opción preferida de los consumidores mexicanos. En 2018 las ventas totales de Agua Purificada no superaron las 50,000 unidades, mientras que la Coca-Cola vendió en su mes más alto 450,000 (8 veces más que el agua).
- ¿Puede decirse que la venta mensual de agua está relacionada con la venta mensual de refrescos en los últimos 4 años?
ventas_totales_ayr <- df7 %>%
filter(Segmento.Det == c("Agua Purificada", "Colas Regular")) %>%
group_by(Segmento.Det, Año) %>%
summarise(Ventas.Totales = sum(Ventas)) ## `summarise()` has grouped output by 'Segmento.Det'. You can override using the
## `.groups` argument.ggplot(ventas_totales_ayr, aes(x=Año, y=Ventas.Totales,group=Segmento.Det, color= as.factor(Segmento.Det))) +
geom_line() +
geom_point() +
labs(x="Año",y="Ventas Totales(Qty)", title= "Ventas Totales por Segmento", color = "Segmento")
Respuesta: La venta de agua y refrescos se incrementa en los mismos meses, y a través de los años, pero no se puede concluir que un incremento cause el otro. Los meses calurosos y el crecimiento de la población hace que las ventas se incrementen en las bebidas, sean agua o refresco. En la gráfica obtenida se observa un incremento año con año en la venta de agua y también de refrescos.
- ¿A cuánto ascienden las ventas esperadas para el 2020 en la Coca Cola de 500 ml NR Vidrio?
ventas_coca_vidrio <- df7 %>%
filter(Marca == "Coca-Cola" & Presentacion == "500 ml NR Vidrio") %>%
group_by(Año, Número_de_Mes) %>%
summarise(Ventas.Totales = sum(Ventas)) %>%
filter(Ventas.Totales != 0)## `summarise()` has grouped output by 'Año'. You can override using the `.groups`
## argument.# Confirmar que los datos que queremos modelar 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## Series: ts
## ARIMA(0,0,0)(0,1,0)[12] with drift
##
## Coefficients:
## drift
## 416.6736
## s.e. 64.7256
##
## sigma^2 = 7897914: log likelihood = -111.8
## AIC=227.59 AICc=228.93 BIC=228.56summary(arima)## Series: ts
## ARIMA(0,0,0)(0,1,0)[12] with drift
##
## Coefficients:
## drift
## 416.6736
## s.e. 64.7256
##
## sigma^2 = 7897914: log likelihood = -111.8
## AIC=227.59 AICc=228.93 BIC=228.56
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE ACF1
## Training set 11.5831 1902.597 1039.278 -0.3166172 3.462935 0.1958591 0.2014916# Generar el pronóstico de ventas
pronostico <- forecast(arima, level=95, h=16)
pronostico## Point Forecast Lo 95 Hi 95
## Jan 2018 28654.08 23145.95 34162.21
## Feb 2018 28593.08 23084.95 34101.21
## Mar 2018 31231.08 25722.95 36739.21
## Apr 2018 35443.08 29934.95 40951.21
## May 2018 39982.08 34473.95 45490.21
## Jun 2018 39711.08 34202.95 45219.21
## Jul 2018 36581.08 31072.95 42089.21
## Aug 2018 40189.08 34680.95 45697.21
## Sep 2018 37467.08 31958.95 42975.21
## Oct 2018 39895.08 34386.95 45403.21
## Nov 2018 37997.08 32488.95 43505.21
## Dec 2018 34753.08 29244.95 40261.21
## Jan 2019 33654.17 25864.49 41443.84
## Feb 2019 33593.17 25803.49 41382.84
## Mar 2019 36231.17 28441.49 44020.84
## Apr 2019 40443.17 32653.49 48232.84plot(pronostico, main="Ventas Mensuales y Pronóstico para 2020 de Coca-Cola 500 ml NR Vidrio", xlab="Año", ylab="Ventas (Qty)")
Respuesta: Las ventas esperadas de Coca-Cola de 500 ml NR Vidrio para 2020 oscilan mensualmente entre 45,000 y 65,000 unidades, con una confiabilidad del 95%.
---
title: "Evidencia Arca Continental"
author: "Andrea Rio Camacho A00832836"
date: "2024-09-11"
output: 
  html_document:
    toc: TRUE
    toc_float: TRUE
    code_download: TRUE
    theme: cerulean
---

![](/cloud/project/arca logo.png)

#<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.

Sin embargo, este tipo de formato de Retail está enfrentando una fuerte competencia por parte de los canales modernos. En un principio fueron las tiendas de conveniencia como Oxxo y 7-Eleven quienes comenzaron a crear una importante cantidad de nuevos establecimientos, cada vez más en zonas habitacionales y no solo en avenidas o gasolineras.

#<span style="Color:red;">Instalar paquetes y llamar librerías</span>
```{r message= FALSE, warning=FALSE}
install.packages("DataExplorer")
library(DataExplorer)
install.packages("dplyr")
library(dplyr)
install.packages("tidyverse")
library(tidyverse)
install.packages("ggplot2")
library(ggplot2)
install.packages("forecast")
library(forecast)
```
#<span style="Color:red;">Importar la base de datos</span>
```{r}
# file.choose()
df <- read.csv("/cloud/project/Datos Arca Continental Original.csv")
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=TRUE)
count(df, Sub.Territorio, sort=TRUE)
count(df, CEDI, sort=TRUE)
count(df, Cliente, sort=TRUE)
count(df, Nombre, sort=TRUE)
count(df, Tamaño.Cte.Industria, sort=TRUE)
count(df, Segmento.Det, sort=TRUE)
count(df, Marca, sort=TRUE)
count(df, Presentacion, sort=TRUE)
count(df, Tamaño, sort=TRUE)
count(df, Retornable_NR, sort=TRUE)
```

## Revisar la estructura de los datos
```{r}
str(df)
```
## Cambiar de chr a numeric
```{r}
df$Enero <- as.numeric(df$Enero)
df$Febrero <- as.numeric(df$Febrero)
df$Marzo <- as.numeric(df$Marzo)
df$Abril <- as.numeric(df$Abril)
df$Mayo <- as.numeric(df$Mayo)
df$Junio <- as.numeric(df$Junio)
df$Julio <- as.numeric(df$Julio)
df$Agosto <- as.numeric(df$Agosto)
df$Septiembre <- as.numeric(df$Septiembre)
df$Octubre <- as.numeric(df$Octubre)
df$Noviembre <- as.numeric(df$Noviembre)
df$Diciembre <- as.numeric(df$Diciembre)

str(df)
```

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

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

# Opción 1. Eliminar NAs
#df1 <- na.omit(df)

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

# Opción 3. Reemplazar NAs con PROMEDIO
# df1 <- df
# df1$Enero[is.na(df1$Enero)] <- mean(df1$Enero, na.rm=TRUE)
```

## Detectar valores atípicos
```{r}
boxplot(df1$Enero)

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

## Funciones del paquete dplyr
```{r}
# Adecuar nombres con gsub
names(df1) <- gsub(" ", "_",names(df1))

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

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

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

# Agrega un campo calculado con 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)

```

# <span style="color: red;">Tarea Colaborativa 2</span>

# <span style="color: red;">Actividad Individual 3</span>
```{r}
# Agregar una columna con el Número de Mes
meses <- c("Enero"="01", "Febrero"="02","Marzo"="03", "Abril"="04", "Mayo"="05", "Junio"="06", "Julio"="07", "Agosto"="08", "Septiembre"="09", "Octubre"="10", "Noviembre"="11", "Diciembre"="12")

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}
# Pregunta Detonante 4. ¿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")


# Pregunta Detonante 
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")



```

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


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

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

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

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

ggplot(ventas_totales_tam_cliente, aes(x=Número_de_Mes, y=Ventas.Totales,group=Tamaño.Cte.Industria, color= as.factor(Tamaño.Cte.Industria))) +
  geom_line() +
  geom_point() +
  labs(x="Mes",y="Ventas Totales(Qty)", title= "Ventas Totales por 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 ventas en todos los tamaños de cliente, y el primer bimestre fue el más bajo también para todos los tamaños de cliente.**

3. ¿Cuál es el comportamiento observado de las unidades vendidas por mes de cada una de las marcas, independientemente de sus respectivas presentaciones?
```{r}
ventas_totales_marca <- df7 %>%
  filter(Año == 2019) %>%
  filter(Marca == 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 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 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: La venta de productos en envase retornable aumentó en los últimos dos años. Las campañas de conciencia ambiental han vuelto populares las opciones menos dañinas al ecosistema. De 2017 a 2018 hubo un ligero incremento en las ventas de envase retornable, y entre 2018 y 2019 el aumento fue muy notorio.**  

**Notas: Hay otros factores a considerar como que en 2019 hay más tiendas con el proyecto Siglo XXI, o que las tiendas en general venden más productos (tanto retornables como no retornables).**

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

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

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

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

**Respuesta: La venta de agua y refrescos se incrementa en los mismos meses, y a través de los años, pero no se puede concluir que un incremento cause el otro. Los meses calurosos y el crecimiento de la población hace que las ventas se incrementen en las bebidas, sean agua o refresco. En la gráfica obtenida se observa un incremento año con año en la venta de agua y también 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: Las ventas esperadas de Coca-Cola de 500 ml NR Vidrio para 2020 oscilan mensualmente entre 45,000 y 65,000 unidades, con una confiabilidad del 95%.**


