#INTRODUCCION

Adidas es una de las marcas más reconocidas en el mundo del deporte y la moda. El nombre Adidas proviene de su fundador, Adolf Dassler, quien comenzó a fabricar zapatos deportivos en 1924 en la ciudad alemana de Herzogenaurach. Desde entonces, la marca ha evolucionado para convertirse en uno de los líderes mundiales en ropa y calzado deportivo.

La historia de Adidas está llena de logros y momentos que han marcado la trayectoria de la marca. Desde el patrocinio de deportistas y equipos de renombre mundial hasta la creación de innovadoras tecnologías en calzado y ropa deportiva, Adidas ha sido una fuerza constante en el mundo del deporte.

En este informe se analizara el desempeño de las ventas en los EEUU mostrando la relación de ingresos de acuerdo a la region, estado y ciudad por producto a través de un análisis exploratorio de datos para examinar la rentabilidad, eficiencia en ventas y desempeño financiero en general.

ANALISIS ESTADISTICO DESCRIPTIVO DE LAS VENTAS DE ADIDAS EN EEUU

A continuación se presentan las variables que hacen parte de la base de datos relacionada con las ventas presentadas en EEUU:

library(readxl)
datos<- read_excel("C:/Users/Usuario/Desktop/UNIVERSIDAD/SEMESTRE 1/ANALITICA DE DATOS/CASO 1 TRABAJO/Adidas (2).xlsx")

library(knitr)
library(kableExtra)
library(tidyr)
library(RecordLinkage)
library(leaflet)
library(htmltools)
library(readxl)
library(dplyr)
library(ggplot2)
library(plotly)
library(tidyverse)
library(CGPfunctions)

names(datos)
##  [1] "retailer"         "Region"           "State"            "City"            
##  [5] "Product"          "price_per_unit"   "units_sold"       "total_sales"     
##  [9] "operating_profit" "operating_margin" "sales_method"

1. ANALISIS DE VENTAS TOTALES EN LAS CIUDADES DE EEUU

Inicialmente mostraremos las ventas totales por ciudades de EEUU para identificar las ciudades donde se presenta un mayor ingreso por ventas.

# Crear el gráfico de barras interactivo
grafico_barras_ventas <- datos %>%
  plot_ly(x = ~City, y = ~total_sales, type = 'bar',
          marker = list(color = 'blue')) %>%
  layout(title = "1. VENTAS POR CIUDAD EEUU",
         xaxis = list(title = "Ciudad"),
         yaxis = list(title = "Ventas (Dolares)"),
         hovermode = "x")

# Mostrar el gráfico
grafico_barras_ventas

En este grafico poder observar que las ciudades con mayor numero de ventas son NEW YORK, CHARLESTON, SAN FRANCISCO, ORLANDO y PORTLAND. Esto se debe a que son ciudades con mayor extension y mayor poblacion respecto de las demas ciudades de EEUU.

1.1 UTILIDAD OPERACIONAL POR CIUDAD

# Crear el gráfico de barras interactivo
grafico_barras_ventas <- datos %>%
  plot_ly(x = ~City, y = ~operating_profit, type = 'bar',
          marker = list(color = 'blue')) %>%
  layout(title = " 1.1. UTILIDAD OPERACIONAL POR CIUDAD EN EEUU",
         xaxis = list(title = "Ciudad"),
         yaxis = list(title = "Utilidad Operacional (Dolares)"),
         hovermode = "x")

# Mostrar el gráfico
grafico_barras_ventas

Continuando con el analisis respecto de las ciudades con mayor utilidad operacional vemos que hay una relacion directa con el ingreso por ventas de las ciudades NEW YORK, CHARLESTON, SAN FRANCISCO, ORLANDO y PORTLAND. En ese sentido podemos centrar el analisis en estas 5 ciudades.

1.2 MARGEN OPERACIONAL POR CIUDAD

# Crear el gráfico de barras interactivo
grafico_barras_ventas <- datos %>%
  plot_ly(x = ~City, y = ~operating_margin, type = 'bar',
          marker = list(color = 'blue')) %>%
  layout(title = " 1.2. MARGEN OPERACIONAL POR CIUDAD EN EEUU",
         xaxis = list(title = "Ciudad"),
         yaxis = list(title = "Margen Operacional %"),
         hovermode = "x")

# Mostrar el gráfico
grafico_barras_ventas

En el analisis del margen operacional podemos observar que en las ciudades grandes se mantiene la constante de un margen sobresaliente, pero tambien identificamos un caso especial en la ciudad de BIRMINGHAM, la cual presenta el mayor margen operacional por encima de las grandes ciudades sin tener un ingreso por ventas y utilidad operacional mayor al promedio.

Una vez analizadas estas 3 variables realizaremos un analisis sobre estas 5 ciudades para tener un panorama mas depurado.

# Calcular las ventas totales por ciudad
city_sales <- datos %>%
  group_by(City) %>%
  summarise(Total_Sales = sum(total_sales, na.rm = TRUE)) %>%
  arrange(desc(Total_Sales))

# Seleccionar las 5 ciudades con mayores ventas
top_cities <- city_sales$City[1:5]

# Filtrar los datos para estas ciudades
filtered_data <- datos %>%
  filter(City %in% top_cities)

2. ANALISIS DE VENTAS MARGENES Y UTILIDAD DE LAS 5 CIUDADES

# Calcular el margen operacional y la utilidad operacional por ciudad
city_summary <- filtered_data %>%
  group_by(City) %>%
  summarise(
    Operating_Margin = mean(operating_margin, na.rm = TRUE),
    Operating_Profit = sum(operating_profit, na.rm = TRUE)
  )
 
# Crear el gráfico interactivo
p1 <- ggplot(city_summary, aes(x = Operating_Margin, y = Operating_Profit, color = City)) +
  geom_point(size = 4) +
  labs(title = "2.1 MARGEN OPERACIONAL VS UTILIDAD OPERACIONAL POR CIUDAD",
       x = "Margen Operacional",
       y = "Utilidad Operacional") +
  theme_minimal()
 
# Convertir a gráfico interactivo con plotly
ggplotly(p1)

2.1 RELACION ENTRE EL MARGEN OPERACIONAL Y LA UTILIDAD OPERACIONAL

En la grafica analizamos las 5 ciudades con valores mas significativos.

La grafica de dispersion muestra valores con tendencia no lineal, las ciudades con mayor utilidad operacional son New York y Charleston, pero charleston apesar que tiene una alta utilildad tiene un promedio de margen operacional bajo.

La ciudades con mayor promedio de margen operacional son Orlando y Portland y esto puede indicar mayor eficiencia en costos operativos comparado con sus ingresos.

# Crear un gráfico de caja para la distribución del margen operacional por ciudad
p3 <- ggplot(filtered_data, aes(x = City, y = operating_margin, fill = City)) +
  geom_boxplot() +
  labs(title = "2.2 DISTRIBUCION DEL MARGEN OPERACIONAL POR CIUDAD",
       x = "Ciudad",
       y = "Margen Operacional") +
  theme_minimal()

# Convertir a gráfico interactivo con plotly
ggplotly(p3)

2.2 DISTRIBUCION MARGEN OPERACIONAL POR CIUDAD

CHARLESTON tiene una mediana alta comparada con las demas ciudades por que el 50% de su margen operacional es mayor al 50% del margen operacional de las demas ciudades, lo que indica que Charleston tiene unas politicas de costeo optimo respecto de las demas ciudades.

NEW YORK tiene la mediana menor a CHARLESTON y las caja es mas pequeña lo que indica que hay menor variabilidad en el margen operacional.

A nivel general el 50% del margen operacional de las ciudades analizadas tienen una relacion positiva y se encuentran dentro de los niveles esperados por la empresa. Encontramos un caso atipico en ORLANDO donde se presento por que tuvo un margen operacional en el punto WEST GEAR en la region sudeste de la FLORIDA del 65%, dicho margen no se presento en las otras ciudades ni los otros puntos.

# Análisis adicional: Promedio de ventas por producto en cada ciudad

product_sales <- filtered_data %>%

  group_by(City, Product) %>%

  summarise(avg_sales = mean(total_sales, na.rm = TRUE))
 
# Gráfico de barras para el promedio de ventas por producto en cada ciudad

product_plot <- ggplot(product_sales, aes(x = Product, y = avg_sales, fill = City)) +

  geom_bar(stat = "identity", position = "dodge") +

  labs(title = "2.3 PROEMDIO DE VENTAS POR PRODUCTO", x = "Producto", y = "Promedio de Ventas") +

  theme(axis.text.x = element_text(angle = 45, hjust = 1))
 
# Convertir a gráfico interactivo con plotly

product_plotly <- ggplotly(product_plot)

product_plotly

2.3 PROMEDIO DE VENTAS POR PRODUCTO EN CADA CIUDAD

Los productos mas vendidos en las ciudades especialmente en NEW YORK es MEN’S STREET FOOT WEAR y WOMEN’S APPAREL.

El producto menos vendido en las 5 ciudades es WOMEN’S ATHLETIC FOOTWEAR y especialmente en la ciudad de PORTLAND tiene el promedio de ventas mas bajo respecto a las demas ciudades y de los otros productos.

En general las ciudades con mayor venta de productos es NEW YORK y SAN FRANCISCO esto puede obedecer a mejores estrategias comerciales aplicadas o a su vez mayor poblacion y demanda de los productos.

# Gráfico de dispersión facetado por ciudad
scatter_plot_faceted <- ggplot(filtered_data, aes(x = total_sales, y = operating_profit, color = City)) +
  geom_point(size = 3) +
  facet_wrap(~ City, scales = "free") +  # Facetar por ciudad
  labs(title = "2.4 UTILIDAD OPERACIONAL VS TOTAL DE VENTAS POR CIUDAD",
       x = "Total de Ventas",
       y = "Utilidad Operacional")

# Convertir a gráfico interactivo con plotly
scatter_plotly_faceted <- ggplotly(scatter_plot_faceted)
scatter_plotly_faceted

2.4 RELACION UTILIDAD OPERACIONAL VS TOTAL VENTAS

Existe tendencia positiva lo que indica que a mayor ingreso por ventas, mayor utilidad operacional, pero la dispersion muestra que no todas las ventas generan la misma utilidad debido a diferencia en margenes de ganancias o costos operativos variables por ciudad.

cHARLESTON y ORLANDO tiene varios puntos en las zonas superiores del grafico, lo que indica que en estas ciudades hay operaciones con altas ventas y alta utilidad operacional.

SAN FRANCISCO muestra una dispersion alta respecto de las demas ciudades y la relacion de ventas vs la utilidad operacional no es lineal.

PORTLAND es la ciudad con mayor relacion directa entre el total de las ventas y la utilidad operacional.

3. ANALISIS ENTRE UNIDADES VENDIDAS, PRECIO POR UNIDAD Y VENTAS POR PRODUCTO

En este punto vamos analizar la relacion entre unidades vendidas, precio por unidad y ventas por producto a nivel de EEUU para identificar los productos mas vendidos y su utilidad operativa por region. Al final se realizar un analisis de la contribucion de cada producto o region de las ventas totales y a la utilidad operativa y se generaran recomendaciones para evaluar cual es mas viable.

# Resumen estadístico de las variables
summary(datos$units_sold)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##     0.0   106.0   176.0   256.9   350.0  1275.0
summary(datos$price_per_unit)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    7.00   35.00   45.00   45.22   55.00  110.00
# Correlación entre unidades vendidas y precio por unidad
correlation <- cor(datos$units_sold, datos$price_per_unit)
print(paste("Correlación entre unidades vendidas y precio por unidad:", correlation))
## [1] "Correlación entre unidades vendidas y precio por unidad: 0.265868503812197"
# Gráfico de dispersión
plot(datos$price_per_unit, datos$units_sold, 
     main = "3.1 Relación entre Precio por Unidad y Unidades Vendidas",
     xlab = "Precio por Unidad", ylab = "Unidades Vendidas",
     pch = 19, col = "blue")

# Gráfico de caja para ver la distribución de unidades vendidas por rango de precios
datos$price_range <- cut(datos$price_per_unit, breaks = seq(0, max(datos$price_per_unit), by = 10))
boxplot(units_sold ~ price_range, data = datos, 
        main = "3.1 Distribución de Unidades Vendidas por Rango de Precio",
        xlab = "Rango de Precio", ylab = "Unidades Vendidas",
        col = "lightblue")

3.1 RELACION ENTRE PRECIO POR UNIDAD Y UNIDADES VENDIDAS

En la grafica se evidencia que a medida que incrementa los precios tambien incrementa la dispersion de las unidades vendidas indicando que los productos con mayores precios tienen mayor viariabilidad en las ventas.

En los rangos de precios (0-10 y 20-30)las ventas son bajas y presentan muchos puntos atipicos. pero en el rango(40-50)la distribucion de unidades vendidas es mas amplia y las medianas aunmentan progresivamente.

En conclusion podemos inferir que en el rango de precio por unidad de (0-60) hay una mayor concentracion de unidades vendidas comparado con los productos de mayor precio, en ese orden de ideas la demanda de los clientes busca un precio por unidad menor para adquirir una mayor cantidad en unidades.

# Calcular las ganancias
datos$profit <- datos$units_sold * datos$price_per_unit * datos$operating_margin

# Gráfico de dispersión para ganancias vs precio por unidad
plot(datos$price_per_unit, datos$profit, 
     main = "Relación entre Precio por Unidad y Ganancias",
     xlab = "Precio por Unidad", ylab = "Ganancias",
     pch = 19, col = "blue")

# Modelo de regresión para ganancias
profit_model <- lm(profit ~ price_per_unit, data = datos)
summary(profit_model)
## 
## Call:
## lm(formula = profit ~ price_per_unit, data = datos)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -9001.5 -2526.8  -843.8  1225.0 30891.1 
## 
## Coefficients:
##                 Estimate Std. Error t value Pr(>|t|)    
## (Intercept)    -2642.094    138.404  -19.09   <2e-16 ***
## price_per_unit   166.684      2.911   57.26   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 4204 on 9646 degrees of freedom
## Multiple R-squared:  0.2537, Adjusted R-squared:  0.2536 
## F-statistic:  3279 on 1 and 9646 DF,  p-value: < 2.2e-16
# Gráfico de regresión para ganancias
plot(datos$price_per_unit, datos$profit, 
     main = "3.2 Regresión Lineal: Precio por Unidad vs Ganancias",
     xlab = "Precio por Unidad", ylab = "Ganancias",
     pch = 19, col = "blue")
abline(profit_model, col = "red")

3.2 PRECIO POR UNIDADES VS GANANCIAS

Con este analisis confirmamos que hay una relacion directa entre la ganancia y precio por unidad.

La regresión lineal (línea roja) muestra una pendiente positiva, lo que sugiere una relación positiva entre el precio por unidad y las ganancias.Sin embargo, la dispersión de los datos indica que no es una relación perfectamente lineal, es decir, otros factores pueden estar afectando las ganancias además del precio por unidad.

Existen valores atípicos con ganancias muy elevadas en diferentes rangos de precios.

# Interpretación de la correlación
if (correlation < 0) {
  print("Hay una correlación negativa entre el precio por unidad y las unidades vendidas.")
} else if (correlation > 0) {
  print("Hay una correlación positiva entre el precio por unidad y las unidades vendidas.")
} else {
  print("No hay correlación significativa entre el precio por unidad y las unidades vendidas.")
}
## [1] "Hay una correlación positiva entre el precio por unidad y las unidades vendidas."
# Correlación entre ventas y utilidad operativa
correlation_sales_profit <- cor(datos$total_sales, datos$operating_profit)
print(paste("Correlación entre ventas y utilidad operativa:", correlation_sales_profit))
## [1] "Correlación entre ventas y utilidad operativa: 0.935371655588579"
# Gráfico de dispersión interactivo
library(plotly)
scatter_sales_profit <- plot_ly(data = datos, 
                                x = ~total_sales, 
                                y = ~operating_profit, 
                                type = "scatter", 
                                mode = "markers", 
                                marker = list(color = 'blue', size = 10),
                                text = ~paste("Ventas: $", total_sales, "<br>Utilidad Operativa: $", operating_profit)) %>%
  layout(title = "3.3 Relación entre Ventas y Utilidad Operativa",
         xaxis = list(title = "Total de Ventas"),
         yaxis = list(title = "Utilidad Operativa"))

# Mostrar el gráfico interactivo
scatter_sales_profit

3.3 RELACION ENTRE VENTAS Y UTILIDAD OPERATIVA

La grafica muestra una relacion directa proporcional entre las ventas y la utilidad operativa, a medida que aumenta las ventas la utilidad operativa tiende a aumentar.

La dispersión de los puntos sigue un patrón diagonal, indicando que, en general, ventas más altas llevan a mayores utilidades operativas.Existen algunas variaciones en la utilidad operativa para un mismo nivel de ventas, lo que sugiere que otros factores pueden estar influyendo en la rentabilidad.

Para resaltar vemos que para los valores mas altos de ventas entre (50k y 80k), la dispersion es mayor pero la tendencia positiva se mantiene y en los valores bajos de ventas entre (0k y 20k) las utilidades operativas son bajas pero aumentan de manera progresiva.

# Agrupar por producto y calcular ventas y utilidad totales
library(dplyr)
sales_profit_by_product <- datos %>%
  group_by(Product) %>%
  summarise(total_sales = sum(total_sales),
            total_profit = sum(operating_profit))

# Gráfico de barras interactivo para ventas por producto
bar_sales_by_product <- plot_ly(data = sales_profit_by_product, 
                                x = ~Product, 
                                y = ~total_sales, 
                                type = "bar", 
                                name = "Ventas",
                                marker = list(color = 'blue')) %>%
  layout(title = "Ventas Totales por Producto",
         xaxis = list(title = "Producto"),
         yaxis = list(title = "Ventas Totales"))

# Gráfico de barras interactivo para utilidad por producto
bar_profit_by_product <- plot_ly(data = sales_profit_by_product, 
                                 x = ~Product, 
                                 y = ~total_profit, 
                                 type = "bar", 
                                 name = "Utilidad Operativa",
                                 marker = list(color = 'violet')) %>%
  layout(title = "3.4 Utilidad Operativa por Producto",
         xaxis = list(title = "Producto"),
         yaxis = list(title = "Utilidad Operativa"))

# Mostrar ambos gráficos
subplot(bar_sales_by_product, bar_profit_by_product, nrows = 2)

3.4 UTILIDAD OPERATIVA POR PRODUCTO

en la grafica se evidencia que algunos productos apesar de tener ventas elevadas, no necesariamente tiene una utilildad operativa alta.

Existe variabilidad en qué categorías generan más utilidad en relación con sus ventas. En ese sentido los productos con mas ventas son: Men’s Street Footwear tiene la mayor cantidad de ventas (barra azul más alta) y en segundo lugar Women’s Apparel. Sin embargo, su utilidad operativa, aunque alta, no es la mayor.

Los productos con menor rentabilidad son: Men’s Apparel y Women’s Athletic Footwear tienen ventas menores y también una menor utilidad operativa. Esto podría indicar que estos productos tienen menores márgenes de ganancia o mayores costos asociados.

# Agrupar por región y calcular ventas y utilidad totales
sales_profit_by_region <- datos %>%
  group_by(Region) %>%
  summarise(total_sales = sum(total_sales),
            total_profit = sum(operating_profit))

# Gráfico de barras interactivo para ventas por región
bar_sales_by_region <- plot_ly(data = sales_profit_by_region, 
                               x = ~Region, 
                               y = ~total_sales, 
                               type = "bar", 
                               name = "Ventas",
                               marker = list(color = 'blue')) %>%
  layout(title = "Ventas Totales por Región",
         xaxis = list(title = "Región"),
         yaxis = list(title = "Ventas Totales"))

# Gráfico de barras interactivo para utilidad por región
bar_profit_by_region <- plot_ly(data = sales_profit_by_region, 
                                x = ~Region, 
                                y = ~total_profit, 
                                type = "bar", 
                                name = "Utilidad Operativa",
                                marker = list(color = 'violet')) %>%
  layout(title = "3.4 Utilidad Operativa por Región",
         xaxis = list(title = "Región"),
         yaxis = list(title = "Utilidad Operativa"))

# Mostrar ambos gráficos
subplot(bar_sales_by_region, bar_profit_by_region, nrows = 2)

3.4 UTILIDAD OPERATIVA POR REGION

La grafica muestra que la region WEST tiene el mayor volumen en ventas superando los 30M, seguido las regiones NORTHEAST y SOUTHEAST las cuales tienen niveles similares de ventas aunque NORTHEAST es ligeramente superior. En la region WEST encontramos 2 de las ciudades con mayor venta y utilidad operativa que son SAN FRANCISCO y PORTLAND.

Se puede analizar la relacion directa que hay entre utilidad operativa y las ventas ya que la grafica muestra un patron similiar.

Rentabilidad relativa (utilidad vs ventas): Aunque West tiene la mayor utilidad absoluta, su relación entre utilidad y ventas parece similar a otras regiones. Northeast y Southeast tienen utilidades operativas similares, aunque Northeast tiene mayores ventas, lo que podría sugerir una menor rentabilidad relativa en esa región. Midwest, a pesar de sus bajas ventas, genera una utilidad operativa relativamente alta en comparación con otras regiones, lo que indica una buena eficiencia operativa.

3.5 CONTRIBUCION POR PRODUCTO

En las tablas que se presentan a continuacion mostramos la contribucion de cada producto respecto del total de las ventas y el total de la utilidad.

# Calcular porcentaje de contribución por producto
sales_profit_by_product <- sales_profit_by_product %>%
  mutate(sales_contribution = (total_sales / sum(total_sales)) * 100,
         profit_contribution = (total_profit / sum(total_profit)) * 100)

# Mostrar la tabla de contribución
print(sales_profit_by_product)
## # A tibble: 6 × 5
##   Product        total_sales total_profit sales_contribution profit_contribution
##   <chr>                <dbl>        <dbl>              <dbl>               <dbl>
## 1 Men's Apparel     16520632     6381405.               13.7                13.5
## 2 Men's Athleti…    20577180     7437457.               17.1                15.7
## 3 Men's Street …    27680769    11629046.               23.0                24.6
## 4 Women's Appar…    23870985     9685221.               19.9                20.5
## 5 Women's Athle…    14315521     5597822.               11.9                11.9
## 6 Women's Stree…    17201563     6494017.               14.3                13.8

3.6 IDENTIFICACIÓN DE ÁREAS DE MEJORA

A continuacion se muestran los productos con un porcentaje de contribucion menor sobre las ventas y la utilidad para implementar oportunidades de mejora en los canales de venta de dichos productos.

# Filtrar productos con baja rentabilidad
low_profit_products <- sales_profit_by_product %>%
  filter(total_profit < quantile(total_profit, 0.25))  # Productos en el cuartil inferior de rentabilidad

print("Productos con baja rentabilidad:")
## [1] "Productos con baja rentabilidad:"
print(low_profit_products)
## # A tibble: 2 × 5
##   Product        total_sales total_profit sales_contribution profit_contribution
##   <chr>                <dbl>        <dbl>              <dbl>               <dbl>
## 1 Men's Apparel     16520632     6381405.               13.7                13.5
## 2 Women's Athle…    14315521     5597822.               11.9                11.9

3.7 REGIONES CON BAJO VOLUMEN DE VENTAS

A continuacion se presenta la region con mas bajo volumen de ventas en las cuales se deberia implementar estrategias de mercadeo fuertes para impulsar la venta de los productos.

# Filtrar regiones con bajo volumen de ventas
low_sales_regions <- sales_profit_by_region %>%
  filter(total_sales < quantile(total_sales, 0.25))  # Regiones en el cuartil inferior de ventas

print("Regiones con bajo volumen de ventas:")
## [1] "Regiones con bajo volumen de ventas:"
print(low_sales_regions)
## # A tibble: 1 × 3
##   Region  total_sales total_profit
##   <chr>         <dbl>        <dbl>
## 1 Midwest    16674434     6859945.

3.8 REGIONES CON BAJO VOLUMEN DE VENTAS

Aqui se presenta la region con el volumen de ventas mas bajo y los productos que tienen menos utilidad operativa.

# Gráfico de productos con baja rentabilidad
bar_low_profit_products <- plot_ly(data = low_profit_products, 
                                   x = ~Product, 
                                   y = ~total_profit, 
                                   type = "bar", 
                                   name = "Utilidad Operativa",
                                   marker = list(color = 'violet')) %>%
  layout(title = "Productos con Baja Rentabilidad",
         xaxis = list(title = "Producto"),
         yaxis = list(title = "Utilidad Operativa"))

# Gráfico de regiones con bajo volumen de ventas
bar_low_sales_regions <- plot_ly(data = low_sales_regions, 
                                 x = ~Region, 
                                 y = ~total_sales, 
                                 type = "bar", 
                                 name = "Ventas Totales",
                                 marker = list(color = 'blue')) %>%
  layout(title = "3.8 Regiones con Bajo Volumen de Ventas",
         xaxis = list(title = "Región"),
         yaxis = list(title = "Ventas Totales"))

# Mostrar ambos gráficos
subplot(bar_low_profit_products, bar_low_sales_regions, nrows = 2)

4.CONCLUSIONES

4.1 ANALISIS DE VENTAS TOTALES, RENTABILIDAD Y MARGEN OPERACIONAL EN EEUU

Las ciudades con mayores ventas y utilidad operacional son New York, Charleston, San Francisco, Orlando y Portland. Estas ciudades tienen una mayor población y area, lo que explica su mayor volumen de ventas.

Charleston resalta por tener un margen operacional alto, lo que podria indicar una gestión eficiente de costos y gastos operativos.

Birmingham se presenta como un caso atipico, mostrando un margen operacional alto a pesar de no tener ventas o utilidades operacionales significativas, lo que podría indicar una gestión de costos muy eficiente.

New York y San Francisco son las ciudades con mayores ventas de productos, especialmente en los productos de Men’s Street Footwear y Women’s Apparel.

Portland finalmente tiene una relación directa entre ventas y utilidad operacional, lo que indica una gestión eficiente de costos y márgenes.

Recomendaciones

Se recomienda focalizar esfuerzos en las ciudades con mayores ventas y utilidades (New York, Charleston, San Francisco, Orlando y Portland) para maximizar el retorno de inversión. igualmente analizar las políticas de costos en ciudades como Charleston y Birmingham para replicar su eficiencia mostrada en sus margenes de utilidad en otras regiones.

Finalmente Implementar campañas de marketing más fuertes en ciudades con menor volumen de ventas pero con potencial de crecimiento, como Birmingham.

4.2 RELACIÓN ENTRE UNIDADES VENDIDAS, PRECIO POR UNIDAD Y VENTAS POR PRODUCTO

Existe una correlación positiva entre el precio por unidad y las ganancias, aunque con una alta variabilidad. Dicho lo anterior podemos observar que, aunque los productos más caros tienden a generar mayores ganancias, no siempre es así debido a factores como el volumen de ventas y los costos y gastos operativos.

Los productos en el rango de precio 40-50 USD tienen una mayor concentración de unidades vendidas, lo que indica que los clientes prefieren productos con precios moderados.

Men’s Street Footwear y Women’s Apparel son los productos más vendidos, pero Men’s Apparel y Women’s Athletic Footwear tienen menores ventas y utilidades, indicando que estos productos tienen márgenes de ganancia más bajos o costos más altos.

Recomendaciones

Se recomienda evaluar un ajuste de precios en los productos con menor rentabilidad para mejorar su margen operativo, incrementar la promoción de productos como Men’s Street Footwear y Women’s Apparel, que tienen mayores ventas y utilidades y revisar los costos asociados a productos con baja rentabilidad, como Men’s Apparel y Women’s Athletic Footwear, para identificar oportunidades de reducción de costos o mejora de márgenes.

4.3. ANALISIS ENTRE UNIDADES VENDIDAS, PRECIO POR UNIDAD Y VENTAS POR PRODUCTO

Existe una tendencia positiva entre el precio por unidad y las ganancias, aunque con alta variabilidad.

No todas las unidades con precios altos generan mayores ganancias, lo que sugiere que otros factores como volumen de ventas o costos pueden influir.

Los productos Women’s Apparel y Men’s Street Footwear son los más rentables, Women’s Athletic Footwear es el producto con menor rentabilidad, lo que indica que puede estar generando menores márgenes o tener costos más altos.

Recomendaciones

Considerar estrategias de expansión en la región West, donde las ventas y utilidades son más altas,implementar estrategias para mejorar los márgenes de productos con baja rentabilidad, como Women’s Athletic Footwear, ya sea mediante ajustes de precios o reducción de costos y finalmente replicar las prácticas de eficiencia operativa de Midwest en otras regiones para mejorar la rentabilidad general.

ANALISIS FINAL

El análisis muestra que Adidas tiene un desempeño sólido en ciudades clave como New York, Charleston, San Francisco, Orlando y Portland, con un enfoque en productos como Men’s Street Footwear y Women’s Apparel. Sin embargo, existen oportunidades de mejora en productos con baja rentabilidad y en regiones con menor volumen de ventas.

Como oportunidades de mejora proponemos:

-Optimizar costos en productos con baja rentabilidad.

-Ajustar precios para mejorar los márgenes de productos menos rentables.

-Implementar campañas de marketing en regiones con menor volumen de ventas.

-Replicar prácticas eficientes de regiones como Midwest en otras áreas para mejorar la rentabilidad general.