Caso III Adidas
Laura Londoño y Angela Ñañes
2024-11-26
Objetivo:
Predecir la ganancia operativa en función de las variables proporcionadas, con el fin de entender qué factores (precio, unidades vendidas, método de venta y retailer) la afectan más y cómo.
1. GRAFICAS
Se visualizan las relaciones entre las variables para identificar patrones iniciales.
Interpretación:
Se observa cómo el precio por unidad influye en las ganancias operativas y cómo esta relación varía según el método de venta utilizado. Se destacan los puntos correspondientes al método de venta ‘outlet’, los cuales muestran una ganancia operativa significativa a precios relativamente bajos. Además, se puede apreciar que los puntos del método ‘online’ se concentran en el extremo superior de la gráfica, donde los precios más altos están asociados con un incremento notable en las ganancias operativas, lo que sugiere que este método es más eficaz al maximizar las ganancias a precios elevados.
Interpretación:
Se Observa cómo el precio por unidad influye en las ganancias operativas y cómo esa relación varía dependiendo del canal retailer utilizado.
Interpretación:
La gráfica muestra la relación entre las unidades vendidas y las ganancias operativas, destacando cómo esta relación varía según el método de venta utilizado. Es particularmente notable que el método de venta outlet genera una ganancia operativa significativa, a pesar de no tener un volumen de ventas tan alto como otros métodos. Esto sugiere que las ventas en outlets, aunque en menor cantidad, tienen una mayor rentabilidad en comparación con otros canales, como el método online, que aunque tiene más unidades vendidas, no presenta la misma eficiencia en términos de ganancia operativa.
Interpretación:
Se Observa cómo las unidades vendidas influyen en las ganancias operativas y cómo esa relación varía dependiendo del método de canal retailer.
2. CORRELACIÓN
Se analizan las relaciones lineales entre las variables cuantitativas.
## price_per_unit units_sold total_sales operating_profit
## price_per_unit 1.0000000 0.2658685 0.5395467 0.3945458
## units_sold 0.2658685 1.0000000 0.9193389 0.8923794
## total_sales 0.5395467 0.9193389 1.0000000 0.9283941
## operating_profit 0.3945458 0.8923794 0.9283941 1.0000000
## operating_margin -0.1374865 -0.3054792 -0.3022954 -0.2119204
## operating_margin
## price_per_unit -0.1374865
## units_sold -0.3054792
## total_sales -0.3022954
## operating_profit -0.2119204
## operating_margin 1.0000000Interpretación:
- Estrategias de Precios: Aunque hay una correlación moderada (0.39) entre el precio por unidad y las ganancias operativas, el impacto no es tan fuerte. Adidas se entiende que ha creado distintas estrategias que abarcan muchas variables en sus precios como en el metodo de venta In-store por ejemplo sus precios se basan en el sector donde este ubicado, asi que no es necesario considerar un enfoque más equilibrado para establecer precios, dado que al ser una multinacional tan grande ese resultado es logico para que maximice la rentabilidad sin afectar demasiado el volumen de ventas.
- Enfoque en el Volumen de Ventas: La relación extremadamente fuerte (0.89) entre unidades vendidas y ganancias operativas sugiere que, para Adidas, vender más unidades es clave. Esto refuerza la importancia de estrategias que impulsen la distribución masiva, como mejorar la presencia en mercados emergentes o fortalecer su canal de ventas online.
- Optimización de Márgenes: Aunque el volumen de ventas es clave, Adidas debe tener cuidado con los márgenes operativos, ya que un aumento en las unidades vendidas podría reducirlos. La expansión de ventas no debe realizarse a costa de una rentabilidad inferior, por lo que es esencial controlar los costos asociados a la producción y distribución. Un ejemplo de ello fue el marketing realizado para los “Adidas Samba” aunque su aceptación por parte del público generó un gran volumen de ventas, Adidas logró controlar la producción para mantener el precio y el margen de este producto estrella, evitando la saturación del mercado.
3. MODELADO
Se construye un modelo de regresión múltiple para explicar la ganancia operativa.
##
## Call:
## lm(formula = operating_profit ~ units_sold + price_per_unit +
## as.factor(retailer) + as.factor(sales_method), data = Adidas)
##
## Residuals:
## Min 1Q Median 3Q Max
## -105219 -11817 22 10235 194431
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -35928.99 1237.62 -29.031 < 2e-16 ***
## units_sold 211.76 1.20 176.482 < 2e-16 ***
## price_per_unit 610.29 16.51 36.968 < 2e-16 ***
## as.factor(retailer)Foot Locker -2082.17 849.70 -2.450 0.0143 *
## as.factor(retailer)Kohl's -7132.17 1012.97 -7.041 2.04e-12 ***
## as.factor(retailer)Sports Direct -3782.83 891.08 -4.245 2.20e-05 ***
## as.factor(retailer)Walmart -13202.11 1163.53 -11.347 < 2e-16 ***
## as.factor(retailer)West Gear -6125.67 866.59 -7.069 1.67e-12 ***
## as.factor(sales_method)Online -8656.77 676.73 -12.792 < 2e-16 ***
## as.factor(sales_method)Outlet -8852.08 703.44 -12.584 < 2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 22350 on 9638 degrees of freedom
## Multiple R-squared: 0.8301, Adjusted R-squared: 0.8299
## F-statistic: 5231 on 9 and 9638 DF, p-value: < 2.2e-16Interpretación:
Dado que el valor-p (2.2e-16) es menor que cualquier nivel de significancia común, podemos rechazar la hipótesis nula y concluir por e momento que hay evidencia suficiente para afirmar que las variables (units_sold + price_per_unit + as.factor(retailer) + as.factor(sales_method)) tiene un efecto significativo en la ganancia operativa (operating_profit).
Coeficiente: 211.76. Esto sugiere que, por cada unidad adicional vendida, se espera que la ganancia operativa aumente en 211.76 unidades monetarias (probablemente en la misma unidad de la ganancia operativa). Este es un coeficiente altamente significativo.
Coeficiente: 610.29. Esto indica que, por cada aumento de 1 en el precio por unidad, la ganancia operativa aumentará en 610.29 unidades monetarias. Este coeficiente también es altamente significativo.
Valor p de los coeficientes: Todos los coeficientes, excepto algunos en las variables categóricas, tienen un valor p muy bajo (< 0.05), lo que indica que las variables son estadísticamente significativas para predecir la ganancia operativa.
Factores que más afectan la ganancia operativa: El modelo muestra que las unidades vendidas y el precio por unidad son los factores más importantes para predecir la ganancia operativa. La venta de más unidades y la fijación de precios más altos se asocian con mayores ganancias operativas.
Impacto de los retailers y métodos de venta: Los resultados también sugieren que algunos retailers (como Kohl’s, Walmart) y métodos de venta (como online y outlet) están asociados con ganancias operativas más bajas, lo que podría indicar que estos canales tienen costos más altos, márgenes más bajos o menos eficacia en la conversión de ventas en ganancias.
4. PREDICCIONES
Simulamos escenarios usando el modelo. Creamos un data frame con valores para las variables predictoras.
5. VALIDACIÓN
Para la verificación de que el modelo es confiable y válido. Se realiza la prueba de normalidad de Shapiro-Wilk sobre los residuos del modelo de regresión, se observó que la muestra es demasiado grande. Por tanto no se debe usar esta prueba y buscar mas alternativas.
## [1] 9648## [1] 9648## [1] 0## [1] 0Por dicho motivo se verifico el modelo con ejecución de una prueba de Kolmogorov-Smirnov.
##
## Asymptotic one-sample Kolmogorov-Smirnov test
##
## data: modelo1$residuals
## D = 0.092813, p-value < 2.2e-16
## alternative hypothesis: two-sidedInterpretación:
El valor p es muy pequeño, (p-value < 2.2e-16) lo que indica que la diferencia entre los residuos y la distribución normal es estadísticamente significativa. Pero la advertencia indica que los datos contienen valores repetidos (empates). Esto es un problema para la prueba de Kolmogorov-Smirnov, ya que asume datos continuos y sin valores duplicados, por lo tanto,se decide usar metodos mas robustos para evaluarla.
Se decide verificar el modelo con ejecución de una prueba de Anderson-Darling:
##
## Anderson-Darling normality test
##
## data: modelo1$residuals
## A = 153.92, p-value < 2.2e-16Distribución normal de los errores:
H0: Normalidad
H1: No Normalidad
Se rechaza la HNula.
##
## studentized Breusch-Pagan test
##
## data: modelo1
## BP = 1988.8, df = 9, p-value < 2.2e-16Variabilidad constante de los errores (homocedasticidad):
H0: Varianza Constante
H1: Varianza No Constante
Se rechaza la HNula.
##
## t test of coefficients:
##
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -35928.9868 1566.7997 -22.9314 < 2.2e-16 ***
## units_sold 211.7572 2.2105 95.7961 < 2.2e-16 ***
## price_per_unit 610.2892 22.9682 26.5710 < 2.2e-16 ***
## as.factor(retailer)Foot Locker -2082.1671 634.2486 -3.2829 0.001031 **
## as.factor(retailer)Kohl's -7132.1704 784.7963 -9.0879 < 2.2e-16 ***
## as.factor(retailer)Sports Direct -3782.8274 715.2043 -5.2892 1.256e-07 ***
## as.factor(retailer)Walmart -13202.1102 1169.5385 -11.2883 < 2.2e-16 ***
## as.factor(retailer)West Gear -6125.6675 708.0163 -8.6519 < 2.2e-16 ***
## as.factor(sales_method)Online -8656.7751 779.8189 -11.1010 < 2.2e-16 ***
## as.factor(sales_method)Outlet -8852.0830 836.4553 -10.5829 < 2.2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Se tuvieron que usar metodos mas robustos para evaluarla. Los valores p y los errores estándar fueron ajustados para ser robustos ante problemas como la no normalidad de los errores.
Hipótesis global del modelo
H0: Todos los coeficientes de las variables independientes son iguales a cero. Ninguna variable tiene un efecto significativo sobre la ganancia operativa.
H1: Al menos una variable independiente tiene un efecto significativo sobre la ganancia operativa.
Se rechaza la HNula.
De acuerdo al objeto del caso se concluye que:
- Predicción de la ganancia operativa. El modelo desarrollado logra predecir la ganancia operativa utilizando las variables indicadas (precio por unidad, unidades vendidas, método de venta y retailer). La interpretación de los coeficientes muestra cómo cada predictor afecta la ganancia operativa, cumpliendo con el objetivo de análisis. Es decir, si hay suficiente evidencia para afirmarlo ya que estadísticamente si es significativa al nivel de 0,05.
Identificación de los factores más relevantes:
Logaritmo de las unidades vendidas es el factor con mayor impacto positivo, indicando que las estrategias de volumen son clave.
Método de venta y retailers tienen impactos negativos significativos, lo que señala la posibilidad de áreas de mejora estratégica.
Precio por unidad tiene un impacto positivo, pero de menor magnitud, lo que sugiere que el precio puede ajustarse para optimizar la rentabilidad.