Introducción

Este informe presenta un análisis estadístico y financiero de los resultados de ventas y desempeño económico de Adidas, con el objetivo de evaluar su rendimiento en diferentes mercados y canales de venta. La base de datos incluye variables clave como ventas totales, beneficios operativos, márgenes operativos, precio por unidad y unidades vendidas, segmentadas por región, estado y ciudad. Este análisis busca identificar tendencias, oportunidades de mejora y proporcionar recomendaciones para optimizar la estrategia comercial de Adidas.

Adidas es la empresa líder en rendimiento atlético desde 1949. Es una marca inspirada en atletas. Desde las primeras zapatillas de atletismo que Adi Dassler fabricó en su taller, crear el mejor equipamiento para el atleta es lo que nos impulsa a buscar avances tecnológicos e innovaciones de diseño. Nuestras zapatillas y prendas las usan los poseedores de récords mundiales y los ganadores de medallas, pero es igual de importante para los corredores de ruta, los excursionistas de fin de semana, los jugadores de fútbol recreativos y los entusiastas del fitness.

Las 3 Rayas han aparecido en los podios de medallas de todo el mundo, pero también han tenido una influencia que se extiende mucho más allá del campo de juego. Las zapatillas adidas han sido usadas por intérpretes de hip-hop, patinadores, artistas y todos los demás creadores de cambios que hacen avanzar la cultura con su visión y estilo inquebrantable.

Los productos van, desde calzado para todos los géneros y en diferentes estilos, hasta vestuario y accesorios, con el fin de satisfacer plenamente las necesidades de todos, ya sea para practicar cualquier deporte o disciplina, o para lucir muy bien con looks de moda, tanto retro como modernos.

 

 

MARGEN OPERATIVO VS PRECIO POR UNIDAD

# Gráfico Disp Margen Operativo por precio Unitario

p <- ggplot(Adidas, aes(x = price_per_unit, y = operating_margin)) +
  geom_point(aes(color = price_per_unit), alpha = 0.7) +
  scale_color_gradient(low = "blue", high = "red") +
  labs(title = "Gráfico de Dispersión: Margen Operativo vs Precio por Unidad",
       x = "Precio por Unidad",
       y = "Margen Operativo") +
  theme_minimal()

# Convertir a interactivo
p_interactivo <- ggplotly(p)

# Mostrar gráfico interactivo
p_interactivo

En aras de analizar el margen operativo en función del precio por unidad se opto por este gráfico de dispersión. Donde ubicamos el eje X como el precio por unidad y el eje Y como el margen operativo, logramos observar varias conclusiones. En una primera instancia podemos ver que la mayoría de productos se concentran entre los 30 y 60 dólares del precio unitario con un margen de 40% a 50%. Esto nos da un indicio de que la mayor parte de las ventas la están generando los productos que oscilan entre estos rangos. Profundizando un poco más, nos centramos en los puntos que tienen un color violeta con tono azul, observamos algo muy particular. Productos que tienen un precio por unidad menor que 50 dólares logran tener un margen operativo por arriba del 40%, lo que significa que a pesar de tener productos de bajo desembolso siguen siendo muy rentables. Dando señales de que los costos de producción pueden estar siendo muy bajos.

 

 

MARGEN OPERATIVO POR PRODUCTO

# Gráfica Margen Operativo por Producto


p1 <- ggplot(Adidas, aes(x = Product, y = operating_margin)) +
  geom_boxplot() +
  labs(title = "Distribución del Margen Operativo por Producto",
       x = "Producto", y = "Margen Operativo") +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))


p1_interactivo <- ggplotly(p1)

p1_interactivo

Continuando con el análisis del margen operativo esta vez nos centramos en la familia de productos que compone el mercado de Estados Unidos. El resumen estadístico nos habla de 6 de familias que tienen un comportamiento diferente cada una. Por ejemplo, dando foco a la familia de Men´s Street Footwear, vemos como su resumen muestra una familia de productos muy homogénea con una mediana de margen del “48%”, además sus punto máximo y mínimo no tienen una diferencia mayor a “40%”. Un caso muy diferente sucede con Women´s Apparel, donde de entrada su dispersión muestra una familia de producto muy heterogénea, con una diferencia mayor a 70% entre su punto máximo y su punto mínimo. No obstante, vemos que la mediana de las otras 4 familias se ubica en el 40%, mostrando la similitud de comportamiento entre Men´s AppareL, Men´S Athletic Footwear, Women´s Athletic Footwear y Women´s Street Footwear. Comportamientos que pueden explicarse mejor con la totalidad de ventas de cada una de las familias. (Gráfico de ventas por familias abajo).

 

 

RELACIÓN ENTRE VOLUMEN DE VENTAS Y MARGEN OPERATIVO

#  Gráfico de Margen Operativo por vol de ventas (dinero)

ggplot_plot <- ggplot(Adidas, aes(x = total_sales, y = operating_margin, color = sales_method)) +
  geom_jitter(alpha = 0.7, size = 2) +  # Usamos 'geom_jitter' para dispersar los puntos
  labs(title = "Relación entre Volumen de Ventas y Margen Operativo",
       x = "Volumen de Ventas (Unidades)",
       y = "Margen Operativo (%)") +
  scale_color_manual(values = c("red", "green", "blue")) +  
  theme_minimal() +  
  theme(axis.text.x = element_text(angle = 45, hjust = 1)) +  
  theme(legend.position = "top")  

# Convertir a gráfico interactivo
interactive_plot <- ggplotly(ggplot_plot)

# Mostrar gráfico interactivo
interactive_plot

Dando foco ahora al método de venta, nos centramos en como ha sido su comportamiento del volumen de ventas en función del margen operativo. De entrada, observamos como la mayor concentración de ventas de bajo volumen y bajo margen se dan en los outlets, lo cual justifica el modelo de negocio de este método de ventas. Por otro lado, encontramos como las ventas Online tuvieron mayor presencia en márgenes superiores al 50% llegando casi al 80%, dando indicios de grandes sumas de rentabilidad. Por último, observamos que el método de venta In-Store junto a Online registro los puntos máximos de volumen de ventas. In-Store propiamente registro la venta más grande con mayor margen operativo, lo cual puede traducir la facilidad de almacenamiento que tiene este método. Al final vemos un comportamiento muy lineal en el margen operativo después de las 20.000 unidades vendidas, manteniendo diferencias de 5% entre cada venta que se generó. Un comportamiento muy propio de ventas a escalas donde el margen tiende a ser muy proporcional al volumen de ventas.

 

 

MARGEN OPERATIVO POR CANAL DE VENTAS

# Gráfico de barras evaluando el margen operativo total por canal de ventas

p5 <- ggplot(data8, aes(x = sales_method, y = operating_margin, color = sales_method)) +
  geom_boxplot(outlier.shape = NA, alpha = 0.7) +  
  geom_jitter(width = 0.2, size = 1.5, alpha = 0.6) +  
  labs(title = "Margen Operativo por Canal de Ventas",
       x = "Método de Venta",
       y = "Margen Operativo") +
  theme_minimal()

p5_interactivo <- ggplotly(p5)

p5_interactivo

Complementando la información anterior, observamos como se valida la gran rentabilidad del método Online con una mediana mayor a los otros dos métodos. Su dispersión muestra que el método no solo puede generar ventas Sell-In sino también Sell-Out. Algo muy similar sucede con los Outlets, pero con un margen operativo mucho menor, característica propia de este método de venta. Añadiendo que la principal característica del margen operativo de los Outlets es que es más homogéneo que el margen de los demás. Por último, tenemos el comportamiento de In-Store, donde de entrada observamos como el margen tiene el mismo comportamiento lineal de 5% que observábamos en el gráfico anterior. Esto evidencia los grandes volúmenes de ventas que puede generar este método, aunque sigue siendo uno de los que menos margen operativo representa, una explicación muy lógica puede ser los altos costos de logística que implica.

 

 

VENTAS TOTALES POR REGIÓN Y MÉTODO DE VENTAS

#Gráfico de ventas totales por región y método de ventas

p6 <- ggplot(data8, aes(x = Region, y = total_sales, color = sales_method)) +
  geom_point(size = 4) +  
  labs(
    title = "Ventas Totales por Región y Método de Venta",
    x = "Región",
    y = "Ventas Totales"
  ) +
  theme_minimal()

p6_interactivo <- ggplotly(p6)

p6_interactivo

Por último, para terminar de entender la demanda del mercado. Se propone contrastar el método de ventas con las diferentes regiones de Estados Unidos. Observamos como llama la atención la ausencia de ventas Online en el noreste y las ventas en tienda en el sur. Adicional a eso vemos las ventas Online tienen gran presencia en el sureste y el oeste, dominando casi la totalidad del mercado de esa zona y justificando la ausencia de la venta en tienda. Importante resaltar la característica de la zona del noreste, zonas donde se encuentran ciudades como Nueva York, New Yersey, Philladelphia etc… ciudades muy turísticas que vuelve más atractivo la venta en Outlet y en tienda y justifica la ausencia de las ventas Online. Para revisar la zona de Midwest, una zona que su máximo apenas supera las 60.000 unidades, una zona que al parecer no mueve mucho volumen.

 

 

TABLA DEMANDA POR PRODUCTO Y CANAL DE VENTA

# Tabla Demanda por producto y canal de ventas. 

tabla_demanda <- Adidas %>%
  group_by(Product, sales_method) %>%
  summarise(
    total_unidades_vendidas = sum(units_sold, na.rm = TRUE),
    ventas_totales = sum(total_sales, na.rm = TRUE),
    beneficio_operativo = sum(operating_profit, na.rm = TRUE),
    margen_operativo_prom = mean(operating_margin, na.rm = TRUE)
  ) %>%
  arrange(Product,sales_method)



# Tabla GT
tabla_gt <- tabla_demanda %>%
  gt() %>%
  tab_header(
    title = "Demanda por Producto y Canal de Ventas",
    subtitle = "Resumen de unidades vendidas, ventas totales y beneficio operativo"
  ) %>%
  cols_label(
    Product = "Producto",
    sales_method = "Canal de Ventas",
    total_unidades_vendidas = "Unidades Vendidas",
    ventas_totales = "Ventas Totales",
    beneficio_operativo = "Beneficio Operativo",
    margen_operativo_prom = "Margen Operativo Prom."
  ) %>%
  tab_spanner(
    label = "Desempeño Comercial",
    columns = c(total_unidades_vendidas, ventas_totales, beneficio_operativo, margen_operativo_prom)
  ) %>%
  fmt_number(
    columns = vars(total_unidades_vendidas, ventas_totales, beneficio_operativo),
    decimals = 0
  ) %>%
  fmt_percent(
    columns = vars(margen_operativo_prom),
    decimals = 2
  ) %>%
  tab_style(
    style = cell_borders(sides = "bottom", color = "black", weight = 2),
    locations = cells_body(columns = everything())
  ) %>%
  tab_options(
    table.width = pct(90),
    table.border.top.color = "black",
    table.border.bottom.color = "black"
  )

#Muestre la
tabla_gt
Demanda por Producto y Canal de Ventas
Resumen de unidades vendidas, ventas totales y beneficio operativo
Canal de Ventas
Desempeño Comercial
Unidades Vendidas Ventas Totales Beneficio Operativo Margen Operativo Prom.
Men's Apparel
In-store 85,375 4,932,500 1,747,450 35.60%
Online 117,766 6,334,120 2,626,915 45.17%
Outlet 103,542 5,254,012 2,007,041 38.40%
Men's Athletic Footwear
In-store 117,150 5,934,875 1,970,238 34.50%
Online 163,855 7,625,859 3,143,928 44.42%
Outlet 154,521 7,016,446 2,323,292 36.87%
Men's Street Footwear
In-store 176,030 8,885,200 3,486,710 38.36%
Online 225,121 10,365,158 4,715,551 48.52%
Outlet 192,169 8,430,411 3,426,785 41.89%
Women's Apparel
In-store 120,500 7,024,875 2,628,513 37.67%
Online 163,937 8,966,155 4,104,331 48.80%
Outlet 149,390 7,879,955 2,952,377 40.30%
Women's Athletic Footwear
In-store 85,450 4,052,000 1,356,863 34.28%
Online 120,755 5,371,092 2,326,915 46.44%
Outlet 111,031 4,892,429 1,914,045 40.65%
Women's Street Footwear
In-store 105,485 4,834,925 1,569,356 33.26%
Online 147,659 6,303,273 2,634,900 45.14%
Outlet 139,125 6,063,365 2,289,761 38.82%

 

ANALISIS TABLA DEMANDA POR PRODUCTO Y CANAL DE VENTA

 

Esta tabla sintetiza la información presentada en los gráficos, donde se puede evidenciar que para cada una de las 6 familias de producto el canal de ventas Online es el que tiene el mayor volumen de ventas en unidades y por ende en dinero, así mismo, es el que entrega el mayor beneficio operativo junto con el mayor margen operativo, seguido de el canal de ventas Outlet y finalmente del In-Store o tienda física.

Podemos inferir por lo tanto, que los costos y gastos de distribución, arrendamiento, almacenamiento y gestión de personal en tiendas físicas impactan en gran medida el margen operativo de los artículos para el modelo In-Store ya que son los más bajos para todas las familias de artículos sin mencionar además que es el canal de ventas que menores volúmenes representa. En un país como Estados Unidos vemos claramente en este caso como las largas distancias influyen considerablemente en la decisión de un comprador de desplazarse o no hacia una tienda para realizar la compra, de hecho vemos que son las tiendas Online, seguidas por los Outlets, las que arrasan con todos los rubros de ventas tanto en unidades como margen operativo.

Si bien los Outlets son el segundo canal de ventas que más aporta, por encima de las tiendas físicas tanto en unidades como en márgenes operativos, se encuentra aún por debajo del modelo Online. Esto puede estar explicado en el hecho de que los costos y gastos son considerablemente menores en comparación con las tiendas físicas pero aún siguen siendo altos en comparación el modelo Online y por ende el margen operativo se ve afectado. No obstante, este modelo de Outlet, como se evidenció en la gráfica por regiones, es bastante representativo y en algunas está incluso sobre el modelo Online ya que Estados Unidos es un país muy turístico donde los visitantes tienden a comprar en las grandes superficies elevadas cantidades de artículos.

Finalmente, es el canal de ventas Online el que lidera en todos los aspectos. En la actualidad es cada vez más marcada la tendencia de los compradores para adquirir productos Online ya que evita los desplazamientos y ofrece las mismas garantías de compra, calidad y oportunidad de la opción física (método In-store u Outlet). Para una compañía grande como Adidas, en un entorno económico actual donde además las redes sociales y el acceso directo a internet están al alcance de los compradores, tener canales Online implica evitar costos y gastos fijos como el arrendamiento, la energía y la distribución intermedia de mercancía maximizando por lo tanto los márgenes operativos

 

 

 

RECOMENDACIONES

  1. Fortalecer el canal Online debido a su alta rentabilidad y presencia en regiones clave.
  2. Optimizar los costos logísticos del método In-Store para mejorar los márgenes operativos.
  3. Revisar y ajustar la estrategia de precios y oferta en regiones como el Noreste, donde las ventas en tienda son más fuertes, mientras que en otras zonas, como el Sureste y Oeste, se debe priorizar la venta online.
  4. Mejorar la rentabilidad de las familias heterogéneas como Women’s Apparel, que presentan una mayor variabilidad en márgenes operativos.
  5. Incrementar el volumen de ventas en el Midwest, ya que es una región con bajo rendimiento, y explorar las causas de este bajo volumen.

 

 

 

 

“EL DEPORTE TIENE EL PODER DE CAMBIAR VIDAS. UNE A LAS PERSONAS, INDEPENDIENTEMENTE DE SU ORIGEN. UTILIZAREMOS EL PODER DEL DEPORTE Y LOS RECURSOS QUE TENEMOS PARA INTENTAR AYUDAR A QUE EL MUNDO SEA UN LUGAR MEJOR. TAMBIÉN LE DEBEMOS A LA PRÓXIMA GENERACIÓN INTENTAR DEJAR ESTE PLANETA EN MEJORES CONDICIONES DE LAS QUE ESTÁ ACTUALMENTE. ¡ME ENCANTA EL DEPORTE!”

BJØRN GULDEN, DIRECTOR EJECUTIVO