Analisis Financiero Adidas

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

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

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.

Unidades Vendidas Por Producto

Dentro del portafolio de Adidas, el calzado de calle para hombre se posiciona como la categoría de mayor preferencia entre los consumidores, generando un volumen de ventas más altas, cercanas a las 600.000 unidades. Le sigue de cerca la línea de ropa para dama y calzado deportivo para hombres, que alcanza aproximadamente las 430.000 Unidades. Esto refleja una fuerte demanda en ambos tipos de productos, con una clara inclinación hacia el calzado masculino como el motor principal de ingresos.

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

Relación Entre Volumen y Utilidad Operativa

El incremento en la utilidad operativa responde directamente al mayor volumen de unidades vendidas, lo que refleja una estrategia comercial efectiva y una creciente demanda del mercado. Este crecimiento en volumen permite optimizar costos fijos y mejorar la eficiencia operativa, consolidando una tendencia positiva en la rentabilidad

# 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

Segmentación de mercado clara: Adidas maneja un portafolio de productos accesibles desde los $7 hasta opciones premium o gama alta de $110. El grueso de los precios se encuentra entre $35 y $55, lo que indica que este es el segmento donde se concentra la mayoría de las ventas. Oportunidad de optimización de precios: Si los productos de mayor precio representan una baja proporción de las ventas, podría haber margen para ajustar estrategias de precios y promociones en los segmentos premium.

# 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 5. 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 6. 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)
    )
)

Alta correlación positiva (0.94)

Existe una relación muy fuerte entre las ventas totales y la utilidad operativa. Esto significa que, a medida que aumentan las ventas, la utilidad operativa también crece de manera consistente.

Tendencia lineal clara

La línea de tendencia en Gris muestra que las ventas están impulsando directamente la rentabilidad, lo cual es un indicador saludable de eficiencia operativa.

Análisis Financiero General

Estructura de costos eficiente: El margen operativo parece estable, lo que indica que los costos variables y fijos están bien gestionados. Estrategia de volumen efectiva: El crecimiento en las unidades vendidas impacta positivamente en la rentabilidad. Dependencia del volumen: Dado que la rentabilidad está altamente ligada al crecimiento de ventas, cualquier caída en la demanda podría afectar significativamente las utilidades. Margen: A pesar que los productos de hombre son los mas vendidos, el margen esta muy similiar en todas las lineas alredor del 40%

Recomendaciones para Mejorar Ventas y Rentabilidad Optimización de precios: Analizar la elasticidad de la demanda para ajustar precios y maximizar ingresos sin afectar volúmenes. Aplicar estrategias de precios dinámicos según ubicación o temporada.

Diversificación de productos: Impulsar líneas de mayor margen, como calzado premium o ediciones limitadas. Explorar oportunidades en mercados con alta demanda pero menor penetración.

Expansión de canales de venta: Aumentar la presencia en e-commerce para captar más clientes digitales. Explorar alianzas con tiendas multimarca y marketplaces.

Reducción de costos operativos: Identificar productos con menor rentabilidad y renegociar costos con proveedores. Mejorar la eficiencia logística para reducir gastos de distribución.