ANÁLISIS DE LAS VARIABLES FINANCIERAS DE ADIDAS COLOMBIA LTDA
Diana Marcela Castañeda y Luisa María Motta
2025-03-08
Introducción
Adidas Colombia Ltda es una compañía multinacional Alemana, fundada en 1949 dedicada a la fabricación de calzado, ropa deportiva y otros productos realacionados con el deporte y la moda (bolsos,camisas,relojes,anteojos, etc.),es patrocinadora de eventos y figuras deportivas a nivel mundial. Es uno de los mayores proveedores de material deportivo y la marca por si sola tiene un valor de 6800 millones de dólares estadounidenses, lo que la convierte en la segunda marca más valiosa entre corporaciones deportivas.
El análisis financiero de Adidas Colombia Ltda. es clave para evaluar su desempeño en ventas, identificar tendencias y comprender los factores que impulsan la rentabilidad de las diferentes líneas de productos que tienen en el mercado. En este documento, realizaremos un análisis exploratorio de algunas variables financieras claves de la compañía utilizando R. Aplicaremos técnicas de estadística descriptiva y visualización de datos para detectar patrones, anomalías y relaciones entre variables, facilitando una mejor interpretación de su evolución financiera.
A través de este análisis, se busca proporcionar una visión más clara de la rentabilidad, eficiencia en ventas y de la situación financiera en general de Adidas, lo cual puede ser útil para inversionistas, analistas financieros y académicos interesados en la industria deportiva.
Instalar y cargar librerias
# Cargar librerías necesarias
library(readxl)
library(dplyr)
library(ggplot2)
library(plotly)
library(knitr)
library(kableExtra)
library(tidyr)
library(RecordLinkage)
library(leaflet)
library(htmltools)cargar base de datos
# Cargar datos desde el archivo Excel
datos_col <- read_excel("~/MAESTRIA FINANZAS/ANALITICA DE DATOS/Adidas.xlsx")
# Ver las primeras filas de los datos
class(datos_col) ## [1] "tbl_df" "tbl" "data.frame"colnames(datos_col)## [1] "retailer" "Region" "State" "City"
## [5] "Product" "price_per_unit" "units_sold" "total_sales"
## [9] "operating_profit" "operating_margin" "sales_method"head(datos_col)## # A tibble: 6 × 11
## retailer Region State City Product price_per_unit units_sold total_sales
## <chr> <chr> <chr> <chr> <chr> <dbl> <dbl> <dbl>
## 1 Foot Locker Northea… New … New … Men's … 50 1200 60000
## 2 Foot Locker Northea… New … New … Men's … 50 1000 50000
## 3 Foot Locker Northea… New … New … Women'… 40 1000 40000
## 4 Foot Locker Northea… New … New … Women'… 45 850 38250
## 5 Foot Locker Northea… New … New … Men's … 60 900 54000
## 6 Foot Locker Northea… New … New … Women'… 50 1000 50000
## # ℹ 3 more variables: operating_profit <dbl>, operating_margin <dbl>,
## # sales_method <chr>Punto 1. Selección de variables del análisis exploratorio
A continuación se presentan las variables cualitativas y cuantitativas que están relacionadas con el desempeño financiero de Adidas Colombia Ltda.
Variables cualitativas
Región:Representa las diferentes zonas geográficas donde se realizan las ventas de la compañía. En el conjunto de datos analizado, se identifican cinco regiones principales: Midwest, Northeast, South, Southeast y West.
Prdoucto: Hace referencia a las diferentes categorías o tipos de bienes que ofrece la compañía tales como: Men’s Apparel, Men’s Athletic Footwear, Men’s Street Footwear, Women’s Apparel, Women’s Athletic Footwear y Women’s Street Footwear.
Método de venta:Representa las diferentes formas o canales a través de los cuales se realizan las transacciones comerciales. Adidas cuenta con los siguientes canales de venta:In-store, Online y Outlet.
Variables cuantitativas
Precio por unidad:Se refiere al valor monetario de una sola unidad de un producto. Representa el costo individual de cada artículo o unidad vendida.
Unidades vendidas:Representa la cantidad de productos comercializados en cada transacción comercial.
Ventas totales:Representa la cantidad total de ingresos generados por las transacciones comerciales en un período determinado.
Utilidad operacional:Representa la ganancia obtenida por la compañía a partir de sus ventas de productos deportivos, antes de considerar impuestos, intereses y otros ingresos o gastos no operativos.
Margen operacional:Mide la proporción de la utilidad operacional en relación con las ventas totales, permite evaluar la rentabilidad de las operaciones principales de la compañía, sin tener en cuenta ingresos o gastos no operativos.
Punto 2. análisis univariado
A continuación, se presenta un análisis univariado de las variables cualitativas y cuantitativas descritas anteriormente:
varibles cualitativas - tabla de frecuencia
TABLA 1. Variable Región
#Tabla de frecuencia absoluta y relativa de la variable Región
prop.table(table(datos_col$Region))*100##
## Midwest Northeast South Southeast West
## 19.40299 24.62687 17.91045 12.68657 25.37313GRÁFICO 1.Región
library(ggplot2)
ggplot(datos_col, aes(x = Region)) +
geom_bar(fill = "royalblue", color = "black",width=0.3) +
labs(title = "Frecuencia de region", x = "region", y = "Frecuencia") +
theme_minimal()+scale_y_continuous(expand = c(0, 0)) +theme(panel.grid = element_blank())+ theme_classic() # Estilo con líneas en los ejes
De acuerdo con el análisis cualitativo de la variable región, se puede concluir lo siguiente:
*La región con mayor volumen de ventas es West con una participación del 25.37% seguido por Northeast con un 24.63%.
*Las tres regiones con menos ventas son Southeast con el 12.69%, south con el 17.91%. y Midwest con el 19.40%.
TABLA 2. variable producto
#Tabla de frecuencia absoluta y relativa de la variable Producto
prop.table(table(datos_col$Product))*100##
## Men's Apparel Men's Athletic Footwear Men's Street Footwear
## 16.64594 16.68740 16.68740
## Women's Apparel Women's Athletic Footwear Women's Street Footwear
## 16.66667 16.64594 16.66667GRÁFICO 2. Productos
library(ggplot2)
ggplot(datos_col, aes(x = Product)) +
geom_bar(fill = "royalblue", color = "black", width = 0.3) +
labs(title = "Frecuencia de Productos", x = "Producto", y = "Frecuencia") +
theme_minimal() +
theme(
axis.text.x = element_text(angle = 90, hjust = 1, size = 10) # Rota etiquetas del eje x
) + theme(panel.grid = element_blank()) # Elimina todas las cuadrículas 
De acuerdo al gráfico anterior, se puede observar que todos los productos que ofrece la compañía presenta un comportamiento similar, con una participación apróximada en el mercado entre el 16,64% y 16,68%, lo que indica que todos los productos de Adidas, tienen una demanda estándar.
TABLA 3. variable método de venta
#Tabla de frecuencia absoluta y relativa de la variable Metodo de Venta
prop.table(table(datos_col$sales_method))*100##
## In-store Online Outlet
## 18.03483 50.67371 31.29146GRÁFICO 3. Métodos de venta
library(ggplot2)
ggplot(datos_col, aes(x = sales_method)) +
geom_bar(fill = "royalblue", color = "black", width=0.3) +
labs(title = "Frecuencia de Métodos de Venta", x = "Método de Venta", y = "Frecuencia") +
theme_minimal()+scale_y_continuous(expand = c(0, 0)) + theme(panel.grid = element_blank())+ theme_classic() # Estilo con líneas en los ejes # Elimina todas las cuadrículas 
En la visualización del gráfico de frecuencia de los métodos de venta utilizados por la compañía, se puede observar que el método con más eficiencia en ventas es el online, ya que representa el 50.67% de las ventas totales. El método de ventas outlet también es bastante significativo con una participación del 31.29% y por último el método con menos ventas es el in-store con el 18.03%.
Variables cuantitativas
TABLA 4. indicadores de centralidad y dispersión
# Resumen estadístico de las variables financieras
resumen <- datos_col %>%
select(price_per_unit, units_sold, total_sales, operating_profit,operating_margin ) %>%
summary()
resumen## price_per_unit units_sold total_sales operating_profit
## Min. : 7.00 Min. : 0.0 Min. : 0 Min. : 0
## 1st Qu.: 35.00 1st Qu.: 106.0 1st Qu.: 4065 1st Qu.: 1922
## Median : 45.00 Median : 176.0 Median : 7804 Median : 4371
## Mean : 45.22 Mean : 256.9 Mean :12455 Mean : 34425
## 3rd Qu.: 55.00 3rd Qu.: 350.0 3rd Qu.:15864 3rd Qu.: 52063
## Max. :110.00 Max. :1275.0 Max. :82500 Max. :390000
## operating_margin
## Min. :0.0000
## 1st Qu.:0.3500
## Median :0.4100
## Mean :0.4228
## 3rd Qu.:0.4900
## Max. :0.8000GRÁFICO 4. Histograma de precio por unidad
Filtrar y agraupar datos para histograma
# Seleccionar solo la columna de Precio y eliminar valores faltantes
datos_filtrados <- datos_col %>%
select(price_per_unit) %>%
filter(!is.na(price_per_unit)) # Eliminar valores NA# Crear histograma con ggplot2
histograma <- ggplot(datos_filtrados, aes(x = price_per_unit)) +
geom_histogram(binwidth = 5, fill = "royalblue", color = "black", alpha = 0.7) +
labs(title = "Distribución de Precio por Unidad (Interactivo)",
x = "Precio por Unidad",
y = "Frecuencia") +
theme_minimal() +theme(panel.grid = element_blank())
# Convertir en interactivo con plotly
ggplotly(histograma)Este gráfico muestra la distribución de los precios por unidad que tiene la compañía Adidas en el mercado y permite identificar patrones, concentración de precios y posibles sesgos en la distribución.
Distribución de precios:
-La mayoría de los productos deportivos a la venta tiene precios entre los 40 y los 50 dólares. -Los productos más económicos están entre los 5 y 25 dólares pero con muy baja frecuencia. -Los productos más costos oscilan entre los 90 y los 110 dólares pero estos también son poco frecuentes.
Modos y agrupaciones:
se observa un pico principal entre los 40 y los 50 dólares dónde se evidencia que hay mayor cantidad de productos.
También hay poca cantidad de productos entre los 90 y los 110 dólares, lo que indica que los productos más costosos son menos comunes.
Dispersión y rangos de precios:
Los precios van desde los 5 dólares hasta los 110 dólares, lo que indica que hay productos más accesibles que otros y que la mayoría de los productos su precio esta fijado cerca a la mediana.
GRÁFICO 5. Histograma de unidades vendidas
# Seleccionar solo la columna de Precio y eliminar valores faltantes
datos_filtrados <- datos_col %>%
select(units_sold) %>%
filter(!is.na(units_sold)) # Eliminar valores NA# Crear histograma con ggplot2
histograma <- ggplot(datos_filtrados, aes(x = units_sold)) +
geom_histogram(binwidth = 5, fill = "steelblue", color = "royalblue", alpha = 0.7) +
labs(title = "Distribución de unidades vendidas (Interactivo)",
x = "unidades vendidas",
y = "Frecuencia") +
theme_minimal() +theme(panel.grid = element_blank())
# Convertir en interactivo con plotly
ggplotly(histograma)Del gráfico anterior en conjunto con la tabla 4, se obtuvieron las siguientes consideraciones:
El promedio de unidades vendidas de la compañía es de 257 unidades.
La media (257 unidades), es mayor que la mediana (176 unidades), lo que muestra que hay un número limitado de días con ventas muy altas que elevan la media, y otros días en que las ventas de la compañía son más bajas. Esta diferencia entre la media y la mediana en este estudio sugiere que las ventas no están distribuidas de manera simétrica, y la distribución está sesgada hacia la derecha.
La compañía vendió más de 1000 unidades, pero no es un comportamiento recurrente, lo que indica valores atípicos en la distribución.
GRÁFICO 6. Boxplot de Ingresos totales
# Crear y mostrar el boxplot interactivo
ggplotly(
ggplot(datos_col, aes(y=total_sales)) +
geom_boxplot(fill="royalblue", color="black", outlier.colour="red", outlier.shape=16, outlier.size=3) +
labs(title="Boxplot de los ingresos totales",
y="Ingresos") +
theme_minimal()+theme(panel.grid = element_blank())
)En este gráfico se observa que la mediana de los ingresos totales equivale a 7.804 dólares los cuales representan el 50% de las ventas.
La distribución de los ingresos es asimétrica de caracter positivo, lo que indica que hay valorés atípicos donde los ingresos fueron más altos de lo normal.
También se refleja que los ingresos están más concentrados en valores similares.
El 25% de las ventas del Q1 son relativamente bajas con un valor de 4.063 dólares en comparación con el Q3 determinado por el 75% de las ventas que reflejan un pico alcista.
GRÁFICO 7. Boxplot de utilidad operacional
# Crear y mostrar el boxplot interactivo
ggplotly(
ggplot(datos_col, aes(y=operating_profit)) +
geom_boxplot(fill="royalblue", color="black", outlier.colour="red", outlier.shape=16, outlier.size=3) +
labs(title="Boxplot de utilidad operacional",
y="utilidad operacional") +
theme_minimal()+theme(panel.grid = element_blank())
)Este gráfico Boxplot de utilidad operacional muestra que la compañía tiene una utilidad promedio positiva de 34,425 dólares pero presenta una variabilidad, lo que que indica que en algunos momentos se presentan utilidades menores y mayores entre 0 y 390.000 dólares debido a costos bajos o ingresos altos.
La media es de 4,371 dólares y la mediana de 34,425 dólares, lo que muestra una distibución sesgada hacia la derecha, se observan valores atípicos que distorcionan el valor de la media. Dado que la mediana (4,371 dólares) está mucho más cerca de la mayoría de los datos, se puede concluir que la mediana es una mejor representación de la utilidad operacional de la compañia.
Adicionalmente, este compartamiento presenta similitud con ventas totales, sin embargo. el valor máximo es más significativo en proporción con el valor máximo de las ventas totales lo que sugiere que la compañia redujo costos/gastos operativos.
GRÁFICO 8. Boxplot de margen operativo
# Crear y mostrar el boxplot interactivo
ggplotly(
ggplot(datos_col, aes(y=operating_margin)) +
geom_boxplot(fill="royalblue", color="black", outlier.colour="red", outlier.shape=16, outlier.size=3) +
labs(title="Boxplot de margen operativo",
y="margen operativo") +
theme_minimal()+theme(panel.grid = element_blank())
)En este gráfico se puede evidenciar que el margen operativo central está ubidado en el 41% y este está cerca del Q3 representado por el 49% lo que significa que la mayoría los márgenes son más altos y esto es muy positivo para la compañía.
La similitud de la mediana representada por el 41% y la media por el 42% indica que el margen operativo es equilibrado y que no hay un sesgo significativo en la distribución de los datos.
Adicionalmente, se reflejan valores atípicos bajos y altos, pero en una mayor frecuencia en los altos, Lo que puede indicar que la compañía obtuvo eficiencia operativa en determinado segmento o momento de su operación comercial. Pero estos valores no son de alta influencia para determinar la media.
PUNTO 3. ANÁLISIS BIVARIADO
A continuación se presenta la relación entre las variables cualitativas y cuantitativas que fueron objeto de este estudio financiero:
Rentabilidad
GRÁFICO 9. Distrubución de margen operacional por producto
library(ggplot2)
library(viridis) # Paleta de colores mejorada
# Crear gráfico de barras apiladas con colores más limpios
ggplot(datos_col, aes(x = operating_margin, fill = as.factor(Product))) +
geom_bar(stat = "count", position = "stack") +
scale_fill_viridis_d(option = "plasma") + # Mejora la escala de colores
labs(
title = "Distribución de Margen Operacional por Producto",
x = "Margen Operacional",
y = "Frecuencia",
fill = "Producto" # Etiqueta más clara
) +
theme_minimal()+scale_y_continuous(expand = c(0, 0)) +theme(panel.grid = element_blank()) +
theme(
legend.position = "right", # Coloca la leyenda a la derecha para mejor visibilidad
legend.title = element_text(size = 12, face = "bold"),
legend.text = element_text(size = 10)
)+ theme_classic() # Estilo con líneas en los ejes 
Este gráfico permite analizar como se distribuyen los productos según su
margen operativo y también permite identificar los productos más
rentables y patrones de eficiencia operativa.
Como se puede visualizar el margen operativo más común es el del 35% y 40%, dado que cuenta con una mayor cantidad de productos en este rango.
Los márgenes operativos poco comunes son los situados entre el 55% y el 80%, lo que significa que hay poco productos ubicados dentro de ese rango.
GRÁFICO 10. Distribución de margen operacional por método vendido
ggplot(datos_col, aes(x = operating_margin, fill = as.factor(sales_method))) +
geom_bar(stat = "count", position = "stack")+
scale_fill_viridis_d(option = "plasma") +
labs(title = "Distribución de Margen Operacional/método vendido",
x = "Margen Operacional", y = "Frecuencia",
fill = "Margen Operacional") +
theme_minimal()+scale_y_continuous(expand = c(0, 0))+theme(panel.grid = element_blank())+ theme_classic() # Estilo con líneas en los ejes
El Gráfico anterior muestra que el método de venta Online es el que más
contribuye al margen operacional lo que sugiere que las ventas Online
son más eficientes en términos de rentabilidad y que la compañía ha
optimizado su canal de eccomerce, se observa márgenes entre el 21% y
80%.
Los canales de ventas que contribuyen en menor proporción al margen operativo son: In - Store, Outlet con márgenes entre el 15% y 70%.
Adicionalmente, se observa que el canal en tienda presenta mayor número de ventas con márgenes del 20%, 25%, 35% y 40%, mientras que las ventas Online presentan márgenes más variados en todo el periodo de venta.
GRÁFICO 11. Relación entre unidades vendidas y margen operativo
# Filtrar los datos necesarios
datos_filtrados <- datos_col %>%
select(Product, price_per_unit, units_sold, total_sales, operating_profit) %>%
filter(!is.na(price_per_unit) & !is.na(units_sold) & !is.na(operating_profit))# Calcular margen operativo
datos_filtrados <- datos_filtrados %>%
mutate(operating_margin = (operating_profit / total_sales) * 100)# Gráfico de dispersión con línea de tendencia
scatter_trend <- ggplot(datos_filtrados, aes(x = units_sold, y = operating_margin)) +
geom_point(color = "blue", alpha = 0.6) +
geom_smooth(method = "lm", color = "red", se = FALSE) + # Línea de tendencia
labs(title = "Relación entre Unidades Vendidas y Margen Operativo",
x = "Unidades Vendidas",
y = "Margen Operativo (%)") +
theme_minimal()+theme(panel.grid = element_blank())
# Convertir en gráfico interactivo
ggplotly(scatter_trend)El anterior gráfico muestra una relación positiva entre las unidades vendidas y el margen operacional, donde a medida que las unidades vendidas aumentan, también lo hace el margen operativo. La compañía es más rentable a medida que se venden más productos.
Adicionalmente, se observan valores atípicos de bajo y alto margen lo que indicaría situaciones particulares en la compañía.
GRÁFICO 12. Relación entre precio unitario vs margen operacional
# Crear gráfico de dispersión con línea de tendencia
p <- ggplot(datos_col, aes(x = operating_margin, y = price_per_unit)) +
geom_point(color = "royalblue", alpha = 0.6) + # Transparencia para mejor visualización
geom_smooth(method = "lm", color = "red", se = FALSE) + # Línea de tendencia
labs(
title = "Relación entre Precio Unitario y Margen Operacional",
x = "Margen Operacional",
y = "Precio por Unidad"
) +
theme_minimal()+theme(panel.grid = element_blank())
# Convertir a gráfico interactivo
ggplotly(p)El gráfico de relación entre precio unitario y margen operacional demuestra que no hay una relación fuerte entre estas dos variables.
Se puede concluir de acuerdo al gráfico 12, que las unidades vendidas influyen más en el margen que el precio unitario. Es decir que si el precio unitario aumentara no necesariamente se vería un aumento o disminución en el margen operacional.
EFICIENCIA EN VENTAS
GRÁFICO 13. de dispersión entre la relación de precio por unidad y unidades vendidas
# Suponiendo que la base de datos se llama "datos"
datos_filtrados <- datos_col %>%
select(units_sold, price_per_unit) %>%
filter(!is.na(units_sold) & !is.na(price_per_unit)) # Eliminar valores faltantes# Crear gráfico de dispersión
scatter_plot <- ggplot(datos_filtrados, aes(x = units_sold, y = price_per_unit)) +
geom_point(color = "blue", alpha = 0.6) +
labs(title = "Relación entre unidades vendidas y precio por unidad",
x = "unidades vendidas",
y = "precio por unidad") +
theme_minimal()
# Mostrar gráfico
print(scatter_plot)
# Convertir el gráfico a interactivo
ggplotly(scatter_plot)# Gráfico con línea de tendencia
scatter_regression <- ggplot(datos_filtrados, aes(x = units_sold, y = price_per_unit)) +
geom_point(color = "blue", alpha = 0.6) +
geom_smooth(method = "lm", color = "red", se = FALSE) + # Agregar línea de tendencia
labs(title = "Relación entre unidades vendidas y precio por unidad",
x = "unidades vendidas",
y = "precio por unidad") +
theme_minimal()+theme(panel.grid = element_blank())
# Convertir en gráfico interactivo
ggplotly(scatter_regression)Relación de correlación entre precio por unidad y unidades vendidas
correlacion <- cor(datos_filtrados$price_per_unit, datos_filtrados$units_sold)
print(paste("Correlación entre Precio y Unidades Vendidas:", round(correlacion, 2)))## [1] "Correlación entre Precio y Unidades Vendidas: 0.27"El anterior gráfico muestra una tendencia ascendente leve con una correlación del 27%, lo que indica que a medida de que las unidades vendidas aumentan también lo hace el precio unitario en igual proporción. Lo anterior refleja que, los consumidores no son tan sensibles a los cambios en el precio.
Se observan valores atípicos o puntos de concetración que se desvían de la tendencia (entre 0 y 250 unidades vendidas), lo que muestra que se presentaron eventos especiales o alguna venta excepcional.
DESEMPEÑO FINANCIERO
GRÁFICO 14.Correlación entre las ventas y la utilidad operacional
# Crear gráfico interactivo con correlación
library(ggplot2)
library(plotly)
ggplot(datos_col, aes(x = operating_profit, y = total_sales)) +
geom_point(color = "royalblue", alpha = 0.9, size = 2) + # Puntos con color y transparencia
geom_smooth(method = "lm", color = "red", se = TRUE) + # Línea de tendencia lineal
labs(
title = paste("Relación entre Ventas y utilidad operacional\nCoef. de correlación: ",
round(cor(datos_col$operating_profit, datos_col$total_sales, use = "complete.obs"), 2)),
x = "Ventas(miles de pesos)",
y = "Utilidad operacional (Miles de pesos)",
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)
)+theme(panel.grid = element_blank())
Este gráfico muestra el coeficiente de correlación entre ventas y
utilidad operacional.
Se observa una relación positiva que determina que a mayores ventas, mayor la utilidad operacional, es una relación directamente proporcional, lo que indica una eficiencia operativa .
Un coeficiente de 93% indica que los ingresos son un buen predictor de la rentabilidad de la compañía.
También se puede determinar como hallazgo relevante que el impulsar las estrategias que ayuden a aumentar las ventas van a generarle mayor rentabilidad a la empresa.
Filtrar y agraupar datos para gráfico de barras interactivo
# Agrupar ventas totales por producto
ventas_por_product <- datos_col %>%
group_by(Product) %>%
summarise(total_sales = sum(total_sales, na.rm = TRUE)) %>%
arrange(desc(total_sales)) # Ordenar de mayor a menorGRÁFICO 15. Ventas totales por producto
# Crear el gráfico de barras
grafico <- ggplot(ventas_por_product, aes(x = reorder(Product, -total_sales), y = total_sales,
text = paste("Ventas Totales: $", round(total_sales, 2)))) +
geom_bar(stat = "identity", fill = "royalblue", width=0.3) +
labs(title = "Ventas Totales por Productos Adidas",
x = "Producto",
y = "Ventas Totales ($)") +
theme_minimal()+theme(panel.grid = element_blank()) +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) # Rotar etiquetas si hay muchos productos
# Convertirlo en interactivo con plotly
grafico_interactivo <- ggplotly(grafico, tooltip = "text")
# Mostrar el gráfico
grafico_interactivoEn este gráfico de ventas totales por producto podemos concluir lo siguiente:
*El producto Men’s Street Footwear es el que más alta demanda tiene y proporciona mayor rendimiento comercial, representado por 27.680.769 de dólares.
*El producto con menos participación en las ventas es el Women’s Athletic Footwear representado por 14.315.521 de dólares.
*En general este gráfico muestra una oferta de productos deportivos diversificados y un mercado bien segmentado, permitiendole a la compañía un equilibrio en las ventas por producto.
Filtrar y agraupar datos para gráfico de barras interactivo
# Agrupar ventas totales por region
ventas_por_Region <- datos_col %>%
group_by(Region) %>%
summarise(total_sales = sum(total_sales, na.rm = TRUE)) %>%
arrange(desc(total_sales)) # Ordenar de mayor a menor**GRÁFICO 16. Ventas totales por región*
# Crear el gráfico de barras
grafico <- ggplot(ventas_por_Region, aes(x = reorder(Region, -total_sales), y = total_sales,
text = paste("Ventas Totales: $", round(total_sales, 2)))) +
geom_bar(stat = "identity", fill = "royalblue", width=0.3) +
labs(title = "Ventas Totales por región",
x = "Región",
y = "Ventas Totales ($)") +
theme_minimal()+theme(panel.grid = element_blank()) +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) # Rotar etiquetas si hay muchas regiones
# Convertirlo en interactivo con plotly
grafico_interactivo <- ggplotly(grafico, tooltip = "text")
# Mostrar el gráfico
grafico_interactivoEste gráfico muestra el desempeño comercial de la compañía en diversas areas geográficas, en qué parte Adidas está generando mayores ventas. En ese sentido, la compañía vende más en la región West, dado que sus ventas totales están en apróximadamente 36,4 millones de dólares, lo que representa el 30,32% de las ventas totales. Las regiones Northeast, Southeast, South y Midwest presentan ventas entre 25, 21, 20 y 16 millones de dólares apróximadamente, lo que representa entre el 13 y 18% de las ventas.
Filtrar y agraupar datos para gráfico de barras interactivo
# Agrupar ventas totales por método de ventas
ventas_por_método <- datos_col %>%
group_by(sales_method) %>%
summarise(total_sales = sum(total_sales, na.rm = TRUE)) %>%
arrange(desc(total_sales)) # Ordenar de mayor a menorGRÁFICO 17. ventas totales por método de venta
# Crear el gráfico de barras
grafico <- ggplot(ventas_por_método, aes(x = reorder(sales_method, -total_sales), y = total_sales,
text = paste("Ventas Totales: $", round(total_sales, 2)))) +
geom_bar(stat = "identity", fill = "royalblue", width=0.3) +
labs(title = "Ventas Totales por Método de Venta",
x = "Método de Venta",
y = "Ventas Totales ($)") +
theme_minimal()+theme(panel.grid = element_blank()) +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) # Rotar etiquetas si hay muchos métodos
# Convertirlo en interactivo con plotly
grafico_interactivo <- ggplotly(grafico, tooltip = "text")
# Mostrar el gráfico
grafico_interactivoEste gráfico representa las ventas totales por método de venta, en el cual se puede observar que la compañia cuenta con una estrategia de ventas diversificada, lo que le reduce la dependencia de un solo canal de ventas.
Sin embargo, se puede concluir que la opción de de mayor preferencia por los clientes es la online, seguida por la outlet y quedando por último in-store.
Conclusiones y estrategias para mejorar el desempeño financiero de Adidas Colombia Ltda
De acuerdo al análisis exploratorio de datos realizado en las secciones anteriores,se concluye que:
1.El margen operativo de la compañía está fuertemente influenciado por las unidades vendidas en lugar del precio unitario. Esto sugiere que, aunque los precios de los productos puedan mantenerse estables, el aumento en las cantidades vendidas tiene un impacto más significativo en la rentabilidad de la empresa.
2.Todos los productos de Adidas generan una buena rentabilidad,que oscila entre el 41% y el 50%, sin embargo, el método de venta Online es el que más contribuye al margen operacional lo que indica que las ventas Online son más eficientes en términos de rentabilidad.
3.El precio no es una variable determinante en la eficiencia en ventas, los consumidores de Adidas prefieren la calidad del producto, exclusividad y promociones, entre otras.
4.El coeficiente de correlación entre las ventas totales y la utilidad operacional es del 93%, lo que significa que el incremento en las ventas tiene un impacto muy fuerte en el aumento de la utilidad operacional, esto sugiere que la compañía tiene una estructura de costos que permite generar más ganancias operativas a medida que las ventas crecen.
Las estrategias sugeridas para Adidas Colombia Ltda son las siguientes:
-Estrategia centrada en volumen: Dado que Adidas depende más del volumen de ventas para generar rentabilidad se sugiere mejorar la distribución, las estrategias de marketing, o promociones para incrementar el número de unidades vendidas.
-Estabilidad en precios: Dado que el precio unitario no parece tener un impacto directo en el margen operativo, la empresa podría tener una estructura de precios relativamente estable o competitiva que no necesite ajustes constantes.
-Eficiencia en la producción y distribución: Las mejoras en la cadena de suministro, la logística y la reducción de costos fijos o variables serían clave para mantener o aumentar el margen operativo a medida que las ventas crecen.
-Evaluación de la estrategia de marketing: Se sugiere una estrategia de marketing eficaz que pueda generar más demanda. La compañía debe invertir en publicidad, en expansión de mercado y en la fidelización de clientes.
-Optimización de las ventas online: Dado que la compañía vende más Online se sugiere óptimizar este método de venta a través de: asegurarse de que siempre haya suficiente stock para cumplir con la demanda y Utilizar anuncios en Google, Ads y en redes sociales como Facebook, Instagram y LinkedIn para aumentar el tráfico dirigido a la tienda online.
-Optimización de la oferta de productos: Se sugiere que la compañía analice el portafolio de productos para identificar aquellos que tienen un mayor margen de beneficio, de esta forma se puede ofrecer más valor a los clientes sin alterar el precio unitario.