Introducción

Adidas es una de las empresas líderes en la industria global de artículos deportivos, con una fuerte presencia en mercados internacionales y una marca consolidada. Para evaluar su desempeño y solidez financiera, es fundamental realizar un análisis financiero detallado que permita comprender su rentabilidad, eficiencia en ventas y desempeño financiero general

Este informe examina la relación entre el precio por unidad, el volumen de ventas y los márgenes operativos, con el fin de identificar patrones de demanda, oportunidades de optimización en la rentabilidad y estrategias que permitan mejorar el desempeño financiero general de la empresa.

La meta es proporcionar una visión clara y fundamentada sobre estos aspectos, de manera que se puedan tomar decisiones estratégicas basadas en datos y fortalecer la competitividad de Adidas en el mercado. A continuación, les presentamos nuestros hallazgos y recomendaciones clave.

Análisis Exploratorio

En este análisis exploratorio, evaluaremos la rentabilidad, eficiencia de ventas y desempeño financiero general de Adidas. A través de técnicas de estadística descriptiva y visualización de datos, identificaremos patrones clave en la relación entre precios, volumen de ventas y márgenes operativos. Nuestro objetivo es proporcionar una visión clara de las dinámicas financieras de la empresa y detectar oportunidades de optimización que contribuyan a una mejor toma de decisiones estratégicas.

PASO 1. Instalar y Cargar Librerias

# Cargar librerías necesarias
library(readxl)
library(dplyr)
library(ggplot2)
library(plotly)
library(knitr)
library(kableExtra)
library(tidyr)
library(tidyverse)
library(CGPfunctions)
library(ggpubr)

PASO 2: Cargar La Base de Datos

# Cargar datos desde el archivo Excel
datos_adi <- read_excel("Adidas.xlsx")
 
# Ver las primeras filas de los datos
class(datos_adi)  
## [1] "tbl_df"     "tbl"        "data.frame"
colnames(datos_adi)  
##  [1] "retailer"         "Region"           "State"            "City"            
##  [5] "Product"          "price_per_unit"   "units_sold"       "total_sales"     
##  [9] "operating_profit" "operating_margin" "sales_method"
head(datos_adi)
retailer Region State City Product price_per_unit units_sold total_sales operating_profit operating_margin sales_method
Foot Locker Northeast New York New York Men’s Street Footwear 50 1200 60000 30000.0 0.50 In-store
Foot Locker Northeast New York New York Men’s Athletic Footwear 50 1000 50000 15000.0 0.30 In-store
Foot Locker Northeast New York New York Women’s Street Footwear 40 1000 40000 14000.0 0.35 In-store
Foot Locker Northeast New York New York Women’s Athletic Footwear 45 850 38250 13387.5 0.35 In-store
Foot Locker Northeast New York New York Men’s Apparel 60 900 54000 16200.0 0.30 In-store
Foot Locker Northeast New York New York Women’s Apparel 50 1000 50000 12500.0 0.25 In-store

Rentabilidad Promedio Por Ciudad

Sustentacion:La gráfica revela que Miami, New York, Charlotte y Albany presentan el mejor desempeño en rentabilidad para Adidas, lo que puede atribuirse a su alto dinamismo económico y fuerte presencia del mercado deportivo. New York es un epicentro global de moda y retail, clave para la visibilidad de la marca; Miami, con su perfil internacional y enfoque en el estilo de vida deportivo, impulsa las ventas; Charlotte, como hub financiero y en crecimiento, representa un mercado emergente con gran potencial; y Albany, con menor competencia ofrece una oportunidad estratégica. Estos resultados sugieren que Adidas debería reforzar su presencia en estas ciudades mediante estrategias de marketing, patrocinios y expansión de tiendas para maximizar su rentabilidad.

  promedio_rentabilidad <- aggregate(operating_profit ~ City, data = datos_adi, FUN = mean, na.rm = TRUE)
grafico_barras_rentab <- promedio_rentabilidad %>%
  plot_ly(x = ~City, y = ~operating_profit, type = 'bar',
          marker = list(color = 'skyblue')) %>%
  layout(title = "Figura 1. Rentabilidad Promedio Por Ciudad",
         xaxis = list(title = "Ciudad"),
         yaxis = list(title = "Rentabilidad"),
         hovermode = "x")
# Mostrar el gráfico
grafico_barras_rentab

Rentabilidad Promedio Por Canal

Sustentacion: La gráfica muestra que ciertos canales de venta generan mayor rentabilidad para Adidas, destacando la importancia de la venta en punto fisico y tiendas propias por su mayor margen de beneficio. En contraste, canales como Outlet y OnLine pueden tener menor rentabilidad debido a costos y descuentos. Esto sugiere que Adidas debería fortalecer su estrategia digital y la expansión de tiendas propias para maximizar su rentabilidad.

promedio_rent_canal <- aggregate(operating_profit ~ sales_method, data = datos_adi, FUN = mean, na.rm = TRUE)
grafico_barras_rent_canal <- promedio_rent_canal %>%
  plot_ly(x = ~sales_method, y = ~operating_profit, type = 'bar',
          marker = list(color = 'cornsilk2')) %>%
  layout(title = "Figura 2. Rentabilidad Promedio por Canal",
         xaxis = list(title = "Canal"),
         yaxis = list(title = "Rentabilidad"),
         hovermode = "x")
# Mostrar el gráfico
grafico_barras_rent_canal

Esto Representa Que: Optimización del canal digital(Promociones exclusivas). Expansión de tiendas propias en mercados clave. Gestión eficiente de gastos en tiendas fisicas, puede ayudar a incrementar mas la rentabilidad.

Rentabilidad Promedio Por Producto

promedio_rent_prod <- aggregate(operating_profit ~ Product, data = datos_adi, FUN = mean, na.rm = TRUE)
grafico_barras_rent_prod <- promedio_rent_prod %>%
  plot_ly(x = ~Product, y = ~operating_profit, type = 'bar',
          marker = list(color = 'cornsilk2')) %>%
  layout(title = "Figura 3. Rentabilidad Promedio Por Tipo de Producto",
         xaxis = list(title = "Tipo de Producto"),
         yaxis = list(title = "Rentabilidad"),
         hovermode = "x")
# Mostrar el gráfico
grafico_barras_rent_prod

Relación Entre Volumen y Utilidad Operativa

# Gráfico de Relación entre Volumen y Ganancia Operativa
grafico_crecimiento <- ggplot(datos_adi, aes(x = units_sold, y = operating_profit, color = sales_method)) +
  geom_point() +
  geom_smooth(method = "lm", se = FALSE, color = "black") +
  labs(title = paste("Figura 4. Relación Entre Volumen y Utilidad Operativa\nCoef. de correlacion: ", 
round(cor(datos_adi$units_sold, datos_adi$operating_profit, use = "complete.obs"), 2)),
       x = "Volumen",
       y = "Utilidad Operativa") +
  theme_minimal()
# Mostrar gráficos
grafico_crecimiento

Eficiencia En Ventas

# Gráfico precio de ventas por Volumen de ventas
p2 <- ggplot(datos_adi, aes(x = units_sold, y = price_per_unit, color = sales_method)) +
  geom_point() +
  labs(title = paste("Figura 5. Relación Entre Precio Por Unidad y Volumen de Ventas\nCoef. de correlacion: ", 
round(cor(datos_adi$price_per_unit, datos_adi$units_sold, use = "complete.obs"), 2)),
       x = "Unidades Vendidas",
       y = "Precio Por Unidad") +
  theme_minimal()
# Mostrar gráficos
print(p2)

# Crear y mostrar el boxplot interactivo
ggplotly(
  ggplot(datos_adi, aes(y=price_per_unit)) +
    geom_boxplot(fill="lightblue", color="black", outlier.colour="red", outlier.shape=16, outlier.size=3) +
    labs(title="Figura 6. Boxplot del Precio Por Unidad",
         y="Precio Por Unidad") +
    theme_minimal()
)

Desempeño Financiero General

# Crear gráfico interactivo con correlación
ggplotly(
  ggplot(datos_adi, aes(x = total_sales, y = operating_profit)) +
    geom_point(color = "lightblue", alpha = 0.9, size = 2) +  # Puntos con color y transparencia
    geom_smooth(method = "lm", color = "grey", se = TRUE) +  # Línea de tendencia lineal
    labs(
      title = paste("Figura 7. Relacion Entre Ventas y Utilidad Operacional\nCoef. de correlacion: ", 
                    round(cor(datos_adi$operating_profit, datos_adi$total_sales, use = "complete.obs"), 2)),
      x = "Ventas",
      y = "Utilidad Operacional",
      caption = "Fuente: Datos financieros"
    ) +
    theme_minimal() +
    theme(
      plot.title = element_text(size = 14, face = "bold", hjust = 0.5),
      axis.title = element_text(size = 12),
      axis.text = element_text(size = 10)
    )
)