Adidas es una compañía multinacional alemana fundada en 1949 la cual se dedica a la fabricación de equipamiento deportivo y productos de moda, entre ellos bolsos, camisas, tenis y gafas. La empresa también es patrocinadora de eventos y figuras deportivas a nivel mundial; siendo el primer mayor fabricante del sector en el mundo.

En el competitivo mercado deportivo, Adidas se destaca como una de las marcas más influyentes, ofreciendo una amplia gama de productos, es por ello que evaluar el desempeño de las ventas y la rentabilidad de sus diferentes líneas de productos resulta esencial para comprender cómo cada categoría contribuye al crecimiento de la marca y cómo responde a las demandas cambiantes de los consumidores.

Este análisis se enfoca en analizar el comportamiento de las ventas de la marca en Estados Unidos, los márgenes de rentabilidad y el impacto de factores externos en el desempeño de las distintas líneas de productos de Adidas. Al comprender estos elementos, la empresa puede tomar decisiones estratégicas para optimizar sus recursos, mejorar su competitividad y fortalecer su posicionamiento en el mercado

library(readxl)
library(dplyr)
## 
## Adjuntando el paquete: 'dplyr'
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
library(ggplot2)
library(plotly)
## 
## Adjuntando el paquete: 'plotly'
## The following object is masked from 'package:ggplot2':
## 
##     last_plot
## The following object is masked from 'package:stats':
## 
##     filter
## The following object is masked from 'package:graphics':
## 
##     layout
library(knitr)
library(kableExtra)
## 
## Adjuntando el paquete: 'kableExtra'
## The following object is masked from 'package:dplyr':
## 
##     group_rows
library(tidyr)
library(RecordLinkage)
## Cargando paquete requerido: DBI
## Cargando paquete requerido: RSQLite
## Cargando paquete requerido: ff
## Cargando paquete requerido: bit
## 
## Adjuntando el paquete: 'bit'
## The following object is masked from 'package:dplyr':
## 
##     symdiff
## The following object is masked from 'package:base':
## 
##     xor
## Attaching package ff
## - getOption("fftempdir")=="C:/Users/LAPATR~1/AppData/Local/Temp/RtmpIjOzxo/ff"
## - getOption("ffextension")=="ff"
## - getOption("ffdrop")==TRUE
## - getOption("fffinonexit")==TRUE
## - getOption("ffpagesize")==65536
## - getOption("ffcaching")=="mmnoflush"  -- consider "ffeachflush" if your system stalls on large writes
## - getOption("ffbatchbytes")==16777216 -- consider a different value for tuning your system
## - getOption("ffmaxbytes")==536870912 -- consider a different value for tuning your system
## 
## Adjuntando el paquete: 'ff'
## The following objects are masked from 'package:utils':
## 
##     write.csv, write.csv2
## The following objects are masked from 'package:base':
## 
##     is.factor, is.ordered
## RecordLinkage library
## [c] IMBEI Mainz
## 
## Adjuntando el paquete: 'RecordLinkage'
## The following object is masked from 'package:bit':
## 
##     clone
## The following object is masked from 'package:base':
## 
##     isFALSE
library(leaflet)
library(htmltools)
library(ggplot2)
library(readxl)
datos<- read_excel("C:/Caso 1 Adidas/AdidasF.xlsx")
id=1:dim(datos)[1]
datos=data.frame(id,datos)

#Variables de tendencia Central

resumen <- datos %>% 
  select(total_sales, operating_profit,price_per_unit, units_sold) %>% 
  summary()

resumen
##   total_sales    operating_profit price_per_unit     units_sold    
##  Min.   :    0   Min.   :    0    Min.   :  7.00   Min.   :   0.0  
##  1st Qu.: 4065   1st Qu.: 1753    1st Qu.: 35.00   1st Qu.: 106.0  
##  Median : 7804   Median : 3263    Median : 45.00   Median : 176.0  
##  Mean   :12455   Mean   : 4895    Mean   : 45.22   Mean   : 256.9  
##  3rd Qu.:15864   3rd Qu.: 6192    3rd Qu.: 55.00   3rd Qu.: 350.0  
##  Max.   :82500   Max.   :39000    Max.   :110.00   Max.   :1275.0

si se analizan algunos de los calculos de las medidas de tendencia central de los datos financieros de Adidas, se concluye que las productos de Adidas oxilan en un rango de precios que van desde 7 dolares hasta 110 dolares y que el precio promedio de un producto de la marca Adidas esta al rededor de los 45,22 dolares.

#Rentabilidad

##Total de unidades Vendidas y su rentabilidad

library(ggplot2)
library(dplyr)
library(scales)  # Para formatear los números sin notación científica
library(plotly)  # Para interactividad
 
# Calcular el promedio del margen operativo por producto
datos_resumidos <- datos %>%
  group_by(Product) %>%
  summarise(
    avg_units_sold = sum(units_sold, na.rm = TRUE),  # Total de unidades vendidas
    avg_operating_margin = mean(operating_margin, na.rm = TRUE)  # Promedio del margen operativo
  )
 
# Definir los límites del margen operativo
min_margin <- 0.38
max_margin <- 0.48
 
# Ajustar el factor de escala
scale_factor <- max(datos_resumidos$avg_units_sold) / (max_margin - min_margin)
 
# Crear el gráfico combinado en ggplot2
g <- ggplot(datos_resumidos, aes(x = Product)) +
  # Barras de unidades vendidas
  geom_bar(aes(y = avg_units_sold, text = paste("Unidades vendidas:", avg_units_sold)), 
           stat = "identity", fill = "blue", alpha = 0.5, width = 0.4) +

  # Línea del margen operativo con escala ajustada
  geom_line(aes(y = (avg_operating_margin - min_margin) * scale_factor, group = 1, 
                text = paste("Margen operativo promedio:", round(avg_operating_margin, 4))), 
            color = "dark blue", size = 1.5) +

  geom_point(aes(y = (avg_operating_margin - min_margin) * scale_factor, 
                 text = paste("Margen operativo promedio:", round(avg_operating_margin, 4))), 
             color = "dark blue", size = 4) +  

  # Ajustar escalas en ambos ejes Y
  scale_y_continuous(
    name = "Unidades vendidas",
    labels = comma,  # 🔹 Evita notación científica y usa comas en los miles
    sec.axis = sec_axis(~ . / scale_factor + min_margin, 
                        name = "Promedio Margen Operativo (%)", 
                        breaks = seq(0.38, 0.48, by = 0.05))  # Etiquetas de 0.38 a 0.48
  ) +
 
  # Mejoras estéticas
  labs(
    title = "Grafico 1.
    Unidades Vendidas por Producto Vs Margen Operativo Promedio",
    x = "Productos"
  ) +
  theme_minimal() +
  theme(
    axis.text.x = element_text(angle = 90, hjust = 1, size = 9)
  )
## Warning in geom_bar(aes(y = avg_units_sold, text = paste("Unidades vendidas:",
## : Ignoring unknown aesthetics: text
## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
## Warning in geom_line(aes(y = (avg_operating_margin - min_margin) *
## scale_factor, : Ignoring unknown aesthetics: text
## Warning in geom_point(aes(y = (avg_operating_margin - min_margin) *
## scale_factor, : Ignoring unknown aesthetics: text
# Convertir ggplot en un gráfico interactivo con Plotly
ggplotly(g, tooltip = "text")
## Warning: 'bar' objects don't have these attributes: 'mode'
## Valid attributes include:
## '_deprecated', 'alignmentgroup', 'base', 'basesrc', 'cliponaxis', 'constraintext', 'customdata', 'customdatasrc', 'dx', 'dy', 'error_x', 'error_y', 'hoverinfo', 'hoverinfosrc', 'hoverlabel', 'hovertemplate', 'hovertemplatesrc', 'hovertext', 'hovertextsrc', 'ids', 'idssrc', 'insidetextanchor', 'insidetextfont', 'legendgroup', 'legendgrouptitle', 'legendrank', 'marker', 'meta', 'metasrc', 'name', 'offset', 'offsetgroup', 'offsetsrc', 'opacity', 'orientation', 'outsidetextfont', 'selected', 'selectedpoints', 'showlegend', 'stream', 'text', 'textangle', 'textfont', 'textposition', 'textpositionsrc', 'textsrc', 'texttemplate', 'texttemplatesrc', 'transforms', 'type', 'uid', 'uirevision', 'unselected', 'visible', 'width', 'widthsrc', 'x', 'x0', 'xaxis', 'xcalendar', 'xhoverformat', 'xperiod', 'xperiod0', 'xperiodalignment', 'xsrc', 'y', 'y0', 'yaxis', 'ycalendar', 'yhoverformat', 'yperiod', 'yperiod0', 'yperiodalignment', 'ysrc', 'key', 'set', 'frame', 'transforms', '_isNestedKey', '_isSimpleKey', '_isGraticule', '_bbox'

En el grafico 1 se puede observar la unidades vendias por producto y su margen de rentabiliad.

Los datos del grafio demuestran que el producto con mayores ventas en unidades y rentabilidad es Mens Street Footwear, con un margen de contribución del 44,61%. Este destacado rendimiento no solo refleja la alta demanda de este segmento, sino también su capacidad para generar un retorno significativo para la empresa. La razon de estos resultados tan positivos, puede deberse a la combinación de una sólida estrategia de marketing, a una continua innovación en diseño y la alineación con las tendencias actuales del mercado. Aunque el Mens Street Footwear ha demostrado ser altamente rentable, es necesario evaluar cómo las otras líneas de productos pueden optimizarse para cerrar posibles brechas en rentabilidad y volumen de ventas, con el fin de garantizar un crecimiento sostenido y equilibrado en todas las categorías de la marca.

##Rentabilidad por Canal de Ventas

library(ggplot2)
library(dplyr)
library(scales)  # Para formatear los números sin notación científica
library(plotly)  # Para interactividad
 
# Calcular el promedio del margen operativo por producto
datos_resumidos <- datos %>%
  group_by(sales_method) %>%
  summarise(
    avg_units_sold = sum(units_sold, na.rm = TRUE),  # Total de unidades vendidas
    avg_operating_margin = mean(operating_margin, na.rm = TRUE)  # Promedio del margen operativo
  )
 
# Definir los límites del margen operativo
min_margin <- 0.2
max_margin <- 0.48
 
# Ajustar el factor de escala
scale_factor <- max(datos_resumidos$avg_units_sold) / (max_margin - min_margin)
 
# Crear el gráfico combinado en ggplot2
g <- ggplot(datos_resumidos, aes(x = sales_method)) +
  # Barras de unidades vendidas
  geom_bar(aes(y = avg_units_sold, text = paste("Canales de Venta:", avg_units_sold)), 
           stat = "identity", fill = "blue", alpha = 0.5, width = 0.2) +

  # Línea del margen operativo con escala ajustada
  geom_line(aes(y = (avg_operating_margin - min_margin) * scale_factor, group = 1, 
                text = paste("Margen operativo promedio:", round(avg_operating_margin, 4))), 
            color = "dark blue", size = 1.5) +

  geom_point(aes(y = (avg_operating_margin - min_margin) * scale_factor, 
                 text = paste("Margen operativo promedio:", round(avg_operating_margin, 4))), 
             color = "dark blue", size = 4) +  

  # Ajustar escalas en ambos ejes Y
  scale_y_continuous(
    name = "Unidades vendidas",
    labels = comma,  # 🔹 Evita notación científica y usa comas en los miles
    sec.axis = sec_axis(~ . / scale_factor + min_margin, 
                        name = "Promedio Margen Operativo (%)", 
                        breaks = seq(0.38, 0.48, by = 0.05))  # Etiquetas de 0.38 a 0.48
  ) +
 
  # Mejoras estéticas
  labs(
    title = "Grafico 2. Margen Operativo Promedio 
    por Canal de Ventas Vs Unidades vendidas",
    x = "Canales de ventas"
  ) +
  theme_minimal() +
  theme(
    axis.text.x = element_text(angle = 90, hjust = 1, size = 9)
  )
## Warning in geom_bar(aes(y = avg_units_sold, text = paste("Canales de Venta:", :
## Ignoring unknown aesthetics: text
## Warning in geom_line(aes(y = (avg_operating_margin - min_margin) *
## scale_factor, : Ignoring unknown aesthetics: text
## Warning in geom_point(aes(y = (avg_operating_margin - min_margin) *
## scale_factor, : Ignoring unknown aesthetics: text
# Convertir ggplot en un gráfico interactivo con Plotly
ggplotly(g, tooltip = "text")
## Warning: 'bar' objects don't have these attributes: 'mode'
## Valid attributes include:
## '_deprecated', 'alignmentgroup', 'base', 'basesrc', 'cliponaxis', 'constraintext', 'customdata', 'customdatasrc', 'dx', 'dy', 'error_x', 'error_y', 'hoverinfo', 'hoverinfosrc', 'hoverlabel', 'hovertemplate', 'hovertemplatesrc', 'hovertext', 'hovertextsrc', 'ids', 'idssrc', 'insidetextanchor', 'insidetextfont', 'legendgroup', 'legendgrouptitle', 'legendrank', 'marker', 'meta', 'metasrc', 'name', 'offset', 'offsetgroup', 'offsetsrc', 'opacity', 'orientation', 'outsidetextfont', 'selected', 'selectedpoints', 'showlegend', 'stream', 'text', 'textangle', 'textfont', 'textposition', 'textpositionsrc', 'textsrc', 'texttemplate', 'texttemplatesrc', 'transforms', 'type', 'uid', 'uirevision', 'unselected', 'visible', 'width', 'widthsrc', 'x', 'x0', 'xaxis', 'xcalendar', 'xhoverformat', 'xperiod', 'xperiod0', 'xperiodalignment', 'xsrc', 'y', 'y0', 'yaxis', 'ycalendar', 'yhoverformat', 'yperiod', 'yperiod0', 'yperiodalignment', 'ysrc', 'key', 'set', 'frame', 'transforms', '_isNestedKey', '_isSimpleKey', '_isGraticule', '_bbox'

El grafico 2 Muestra el Margen operativo para cada uno de los canales de ventas de los productos Adidas y las unidades totales vendidas por cada medio.

Se puede deducir de la información presentada que el margen de contribución del canal de ventas con el mayor número de unidades vendidas es del 46,39%, y corresponde a las ventas online, que se destacaron con un total de 939.093 unidades. Este canal se posiciona como el más rentable y líder en ventas. En el contexto actual, es una tendencia creciente que los usuarios prefieran realizar sus compras desde la comodidad de sus hogares, aprovechando la facilidad que ofrece el internet para adquirir productos desde cualquier parte del mundo. Esto favorece el crecimiento de este tipo de canales de venta, permitiendo que las empresas lleguen a un mayor número de usuarios, lo que se traduce en un incremento en las ventas y, finalmente, en mayores utilidades.

#Eficiencia en Ventas

##Ventas Totales por Tienda

library(ggplot2)
library(dplyr)
library(scales)  # Para formatear los números sin notación científica
library(plotly)  # Para interactividad
 
# Calcular el promedio del margen operativo por producto
datos_resumidos <- datos %>%
  group_by(retailer) %>%
  summarise(
    avg_operating_profit = sum(operating_profit, na.rm = TRUE),  # Total Utilidad Operativa vendidas
    avg_operating_margin = mean(operating_margin, na.rm = TRUE)  # Promedio del margen operativo
  )
 
# Definir los límites del margen operativo
min_margin <- 0.38
max_margin <- 0.48
 
# Ajustar el factor de escala
scale_factor <- max(datos_resumidos$avg_operating_profit) / (max_margin - min_margin)
 
# Crear el gráfico combinado en ggplot2
g <- ggplot(datos_resumidos, aes(x = retailer)) +
  # Barras de unidades vendidas
  geom_bar(aes(y = avg_operating_profit, text = paste("Ventas Totales (Dolares)", avg_operating_profit)), 
           stat = "identity", fill = "Purple", alpha = 0.8, width = 0.4) +

  # Línea del margen operativo con escala ajustada
  geom_line(aes(y = (avg_operating_margin - min_margin) * scale_factor, group = 1, 
                text = paste("Margen operativo promedio:", round(avg_operating_margin, 4))), 
            color = "dark blue", size = 1.5) +

  geom_point(aes(y = (avg_operating_margin - min_margin) * scale_factor, 
                 text = paste("Margen operativo promedio:", round(avg_operating_margin, 4))), 
             color = "dark blue", size = 4) +  

  # Ajustar escalas en ambos ejes Y
  scale_y_continuous(
    name = "Ventas Totales (Dolares)",
    labels = comma,  # 🔹 Evita notación científica y usa comas en los miles
    sec.axis = sec_axis(~ . / scale_factor + min_margin, 
                        name = "Promedio Margen Operativo (%)", 
                        breaks = seq(0.38, 0.48, by = 0.05))  # Etiquetas de 0.38 a 0.48
  ) +
 
  # Mejoras estéticas
  labs(
    title = "Grafico 3.
    Ventas Totales por tienda Vs Margen Operativo Promedio",
    x = "Productos"
  ) +
  theme_minimal() +
  theme(
    axis.text.x = element_text(angle = 90, hjust = 1, size = 9)
  )
## Warning in geom_bar(aes(y = avg_operating_profit, text = paste("Ventas Totales
## (Dolares)", : Ignoring unknown aesthetics: text
## Warning in geom_line(aes(y = (avg_operating_margin - min_margin) *
## scale_factor, : Ignoring unknown aesthetics: text
## Warning in geom_point(aes(y = (avg_operating_margin - min_margin) *
## scale_factor, : Ignoring unknown aesthetics: text
# Convertir ggplot en un gráfico interactivo con Plotly
ggplotly(g, tooltip = "text")
## Warning: 'bar' objects don't have these attributes: 'mode'
## Valid attributes include:
## '_deprecated', 'alignmentgroup', 'base', 'basesrc', 'cliponaxis', 'constraintext', 'customdata', 'customdatasrc', 'dx', 'dy', 'error_x', 'error_y', 'hoverinfo', 'hoverinfosrc', 'hoverlabel', 'hovertemplate', 'hovertemplatesrc', 'hovertext', 'hovertextsrc', 'ids', 'idssrc', 'insidetextanchor', 'insidetextfont', 'legendgroup', 'legendgrouptitle', 'legendrank', 'marker', 'meta', 'metasrc', 'name', 'offset', 'offsetgroup', 'offsetsrc', 'opacity', 'orientation', 'outsidetextfont', 'selected', 'selectedpoints', 'showlegend', 'stream', 'text', 'textangle', 'textfont', 'textposition', 'textpositionsrc', 'textsrc', 'texttemplate', 'texttemplatesrc', 'transforms', 'type', 'uid', 'uirevision', 'unselected', 'visible', 'width', 'widthsrc', 'x', 'x0', 'xaxis', 'xcalendar', 'xhoverformat', 'xperiod', 'xperiod0', 'xperiodalignment', 'xsrc', 'y', 'y0', 'yaxis', 'ycalendar', 'yhoverformat', 'yperiod', 'yperiod0', 'yperiodalignment', 'ysrc', 'key', 'set', 'frame', 'transforms', '_isNestedKey', '_isSimpleKey', '_isGraticule', '_bbox'

El Grafico 3 muestra la relacion entre las ventas totales en dolares para cada tienda que distribuye productos de la marca Adidas y su margen de rentabilidad. si se observan las barras del grafico, La tienda con mejor utilidad Operativa en la distribución de productos Adidas es West Gear, con una utilidad operativa de $12.196.891 millones de dólares; sin embargo, no es la tienda con el mayor margen de contribución, ya que Sport Direct alcanzó un margen del 44,49%, indicando que, aunque West Gear está generando una mayor ganancia operativa, Sport Direct está siendo más eficiente, logrando maximizar la rentabilidad por cada unidad vendida. Estos resultados resaltan la importancia de considerar tanto la rentabilidad total como la eficiencia operativa al evaluar el desempeño de los distribuidores, ya que a veces las cifras en dolares pueden parecer a altas, pero su contribucion al crecimiento de la compañia pude ser bajo.

##Ventas Totales por Region

library(ggplot2)
library(dplyr)
library(scales)  # Para formatear los números sin notación científica
library(plotly)  # Para interactividad
 
# Calcular el promedio del margen operativo por producto
datos_resumidos <- datos %>%
  group_by(Region) %>%
  summarise(
    avg_operating_profit = sum(operating_profit, na.rm = TRUE),  # Total Utilidad Operativa vendidas
    avg_operating_margin = mean(operating_margin, na.rm = TRUE)  # Promedio del margen operativo
  )
 
# Definir los límites del margen operativo
min_margin <- 0.38
max_margin <- 0.48
 
# Ajustar el factor de escala
scale_factor <- max(datos_resumidos$avg_operating_profit) / (max_margin - min_margin)
 
# Crear el gráfico combinado en ggplot2
g <- ggplot(datos_resumidos, aes(x = Region)) +
  # Barras de unidades vendidas
  geom_bar(aes(y = avg_operating_profit, text = paste("Ventas Totales (Dolares)", avg_operating_profit)), 
           stat = "identity", fill = "Yellow", alpha = 0.8, width = 0.4) +

  # Línea del margen operativo con escala ajustada
  geom_line(aes(y = (avg_operating_margin - min_margin) * scale_factor, group = 1, 
                text = paste("Margen operativo promedio:", round(avg_operating_margin, 4))), 
            color = "dark blue", size = 1.5) +

  geom_point(aes(y = (avg_operating_margin - min_margin) * scale_factor, 
                 text = paste("Margen operativo promedio:", round(avg_operating_margin, 4))), 
             color = "dark blue", size = 4) +  

  # Ajustar escalas en ambos ejes Y
  scale_y_continuous(
    name = "Ventas Totales (Dolares)",
    labels = comma,  # 🔹 Evita notación científica y usa comas en los miles
    sec.axis = sec_axis(~ . / scale_factor + min_margin, 
                        name = "Promedio Margen Operativo (%)", 
                        breaks = seq(0.38, 0.48, by = 0.05))  # Etiquetas de 0.38 a 0.48
  ) +
 
  # Mejoras estéticas
  labs(
    title = "Grafico 4.
    Ventas Totales por Region Vs Margen Operativo Promedio",
    x = "Productos"
  ) +
  theme_minimal() +
  theme(
    axis.text.x = element_text(angle = 90, hjust = 1, size = 9)
  )
## Warning in geom_bar(aes(y = avg_operating_profit, text = paste("Ventas Totales
## (Dolares)", : Ignoring unknown aesthetics: text
## Warning in geom_line(aes(y = (avg_operating_margin - min_margin) *
## scale_factor, : Ignoring unknown aesthetics: text
## Warning in geom_point(aes(y = (avg_operating_margin - min_margin) *
## scale_factor, : Ignoring unknown aesthetics: text
# Convertir ggplot en un gráfico interactivo con Plotly
ggplotly(g, tooltip = "text")
## Warning: 'bar' objects don't have these attributes: 'mode'
## Valid attributes include:
## '_deprecated', 'alignmentgroup', 'base', 'basesrc', 'cliponaxis', 'constraintext', 'customdata', 'customdatasrc', 'dx', 'dy', 'error_x', 'error_y', 'hoverinfo', 'hoverinfosrc', 'hoverlabel', 'hovertemplate', 'hovertemplatesrc', 'hovertext', 'hovertextsrc', 'ids', 'idssrc', 'insidetextanchor', 'insidetextfont', 'legendgroup', 'legendgrouptitle', 'legendrank', 'marker', 'meta', 'metasrc', 'name', 'offset', 'offsetgroup', 'offsetsrc', 'opacity', 'orientation', 'outsidetextfont', 'selected', 'selectedpoints', 'showlegend', 'stream', 'text', 'textangle', 'textfont', 'textposition', 'textpositionsrc', 'textsrc', 'texttemplate', 'texttemplatesrc', 'transforms', 'type', 'uid', 'uirevision', 'unselected', 'visible', 'width', 'widthsrc', 'x', 'x0', 'xaxis', 'xcalendar', 'xhoverformat', 'xperiod', 'xperiod0', 'xperiodalignment', 'xsrc', 'y', 'y0', 'yaxis', 'ycalendar', 'yhoverformat', 'yperiod', 'yperiod0', 'yperiodalignment', 'ysrc', 'key', 'set', 'frame', 'transforms', '_isNestedKey', '_isSimpleKey', '_isGraticule', '_bbox'

El Grafico 4 muestra las ventas totales en dolares y su margen operativo promedio, para cada una de las regiones de Estados Unidos, donde se venden los productos de Adidas.

La región West (Oeste)de Estados Unidos, es la que genera más ingresos, pero la que tiene el menor margen operativo en el país, lo que podría traducirse en una baja eficiencia operativa si se compara con otras regiones. En contraste, la zona South (Sur) se destaca por tener el mejor margen de operativo, alcanzando un 46,69%, lo que indica que es la más rentable de todas, aunque sus ventas totales no sean las mas altas del pais.

De estos hallazgo se infiere la necesidad de revisar que otras variables, estan influyendo en la rentabilidad de aquellas zonas donde las ventas crecen pero el margen de operativo no esta reflejando este creciemiento, ya que estos datos en contrario pueden deberse a costos adicionales que afectan significativamente este indicador y que la compañia debe entrar a controlar mejor.

Filtro_Region2 <- datos %>%
  filter(Region %in% c("West"))
ggplotly(
  ggplot(Filtro_Region2, aes(y=price_per_unit)) +
    geom_boxplot(fill= "lightblue", color="black", outlier.colour="red", outlier.shape=16, outlier.size=3) +
    labs(title="Grafico 5. Boxplot del Precio Unitario de la zona mejor Margen operativo",
         y="Precio unitario (Dolares)") +
    theme_minimal()
)

Este Boxplot muestra la distribución del precio unitario en la region West (oeste), la zona con mayor ventas, permitiendo analizar la dispersión, la mediana y los valores atípicos. Mediana : $50 Dolares La línea negra dentro de la caja representa la mediana de los precios unitarios, que es $50 Dolares, Esto significa que el 50% del total de los precios unitarios son menores o iguales a $50 Dolares, y el otro 50% son mayores a $50 Dolares. Rango Intercuartílico Q1 Primer Cuartil - $27,00 Dolares: El 25% de los precios unitarios tienen un valor menor a $27,00 Dolares Q3 Tercer Cuartil $60,00 Dolares: El 75% de los precios unitarios tienen un valor menor a $60,00 Dolares. El 50% de los precios unitarios tienen un valor entre a $40,00 y $60,00 Dolares

Rango Total: Mínimo min - $7,00 Dolares): El precio unitario más bajo es de $7,00 Dolares. Estos valores pueden representar productos exclusivos. Máximo max - $105,00 Dolares: El precio unitario más alto es de $105,00 Dolares. Estos valores pueden representar productos con descuento.

Lower fence - $10,00 Dolares): Cualquier valor inferior a $10,00 Dolares es considerado atípico. Upper fence - $90,00 Dolares): Cualquier valor superior a $90,00 Dolares es considerado atípico.

Valores Atípicos

Se observan varios puntos por debajo de $10,00 Dolares, lo que indica que algunos productos tienen un precio unitario menores que la mayoría.

Se observan varios puntos por encima de $90,00 Dolares, lo que indica que algunos productos tienen un precio unitario significativamente mayores que la mayoría.

#Desempeño Financiero General

##Ventas Totales vs la Utilidad Operativa

library(ggpubr)

# Gráfico 3: Ventas Totales por Región
g3 <- ggplot(datos, aes(x = Region, y = total_sales, fill = Region)) +
  geom_bar(stat = "identity") +
  scale_y_continuous(
    name = "Ventas Totales (Dólares)",
    labels = comma  # Evita notación científica y usa comas en los miles
  ) +
  scale_fill_viridis_d(option = "viridis") +  # Usa la paleta 'viridis'
  theme_minimal() +
  labs(
    title = "
    Ventas Totales por Región", 
    x = "Región", 
    y = "Ventas Totales"
  ) +
  theme(
    axis.text.x = element_text(angle = 90, hjust = 1, size = 9)  # Ajuste de la rotación de las etiquetas del eje X
  )

# Gráfico 4: Utilidad Operativa por Región
g4 <- ggplot(datos, aes(x = Region, y = operating_profit, fill = Region)) +
  geom_bar(stat = "identity") +
  scale_y_continuous(
    name = "Utilidad Operativa (Dólares)",
    labels = comma  # Evita notación científica y usa comas en los miles
  ) +
  scale_fill_viridis_d(option = "viridis") +  # Usa la paleta 'viridis'
  theme_minimal() +
  labs(
    title = "
    Utilidad Operativa por Región", 
    x = "Región", 
    y = "Utilidad Operativa"
  ) +
  theme(
    axis.text.x = element_text(angle = 90, hjust = 0.5, size = 9)  # Ajuste de la rotación de las etiquetas del eje X
  )

# Combinar los gráficos
ggarrange(g3, g4, labels = c("Gráfico 5"  , "Gráfico 6"  ), ncol = 2, nrow = 1)

Grafico 5 este grafico muestra las ventas totales en dolares para cada una de las regiones de estados unidos. El Grafico 6 Muestra la utilidad operativa en dolares para cada una de las regiones de estados unidos. De acuerdo con los graficos 5 y 6, se puede observar un comportamineto similiar entre el valor de las ventas y la utilidad operativa, lo que significa que, a medida que la compañía va creciendo en sus ingresos su utilidad tambien crece, permitiendo a Adidas estar por encima de su punto de equilibro y posiblmente sostenible en el tiempo, ya que su actividad principal, le permite cubrir los costos y gastos de su ejercicio. sin embargo es importante enfoncarce en anailizar la rentabilidad real que esta generando la operacion, como lo vimos a lo largo del analisis, es necesario crear una estrategia que ayude al crecimiento sostenido de las ventas, pero que a su vez se traduzca en mejor rentabilidad, y asi se alinien con las expectativas del area directiva de la entidad.

#coeficiente de correlacion entre las ventas totales y la utilidad operativa

Cor_ei = cor(datos$operating_profit,datos$total_sales)
Cor_ei
## [1] 0.9353717

El calculo del coeficiente de correlación (calculado apartir de los datos de los graficos 5 y 6) indica que a medida que las ventas totales aumentan, la utilidad operativa también tiende a aumentar. La correlación esta en un rango del 0,93 y 1.0, es decir que existe una relación fuerte entre estas variables.

#Conclusiones

Al revisar en conjunto los resultados de todos los análisis de este informe, se recomendaría a Adidas, para aumentar sus utilidades operativas, enfocarse en mejorar su estrategia de ventas en las regiones más rentables, donde las ventas totales no han sido las más altas. Estas áreas incluyen la Zona South (Sur) de Estados unidos, que arrojo un margen del 46,69% y la zona Midwest (Medio Oeste) , que mostro un margen del 43,53%. Al optimizar las estrategias comerciales y de marketing en estas zonas, Adidas no solo podría aumentar sus márgenes de contribución, sino también mejorar su competitividad y rendimiento en mercados clave de Estados Unidos, por lo que este enfoque le permitirá a la empresa no solo incrementar su rentabilidad en regiones con alto potencial, sino también equilibrar el rendimiento general en todas las áreas del país, maximizando así las utilidades operativas en el futuro.

Un Mercado importante y que seguria en crecimiento es el mercado electronico, como se eviendencio en el analisis de rentabilidad, las ventas Onlinen, tienen un margen operativo muy bueno, y en el corto plazo su crecimiento, puede llegar a generar una brecha bastante amplia frente a los demas medios de Venta, ya que las preferencias de los usuarios se alinean cada vez mas hacia las comodidas que ofrece internet al momento de comprar, la compañia no debera descuidar este medio de ventas.

En terminos generales la rentabilidad de la compañia Adidas se encuentra en unos niveles muy positivos,sus margenes operativos superan el 40%,y esta cifra no solo es un indicador de eficiencia operativa, sino que también muestra una sólida estrategia de precios y control de costos. Una gestion adecuada de los márgenes, es un factor clave para mantenerse competitivo en el mercado de artículos deportivos, que es altamente ofertado y sensible a las fluctuaciones económicas.