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.

Instalar y Cargue de Librerias necesarias

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

Carga de La Base de Datos de Adidas

# 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

Dados los pasos iniciales de revisión, ajustes y cague de la base de datos de ventas regionales de adidad se procede con el analisis exploratotiode los datos financieros que nos sugerir recomendaciones y acciones pertinente para vejor las ventas y sus rentabilidades.

Rentabilidad Promedio Por Ciudad

El analisis por ciuadad nos permite analizar las demandas regionales y sustentar las decisiones de oferta basados en la segmentación geografica.

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

Algunas grandes ciudades como bosto y chicago aún presentan grandes retos en el crecimiento de la participación de mercado, acciones orientadas en intensificar las campañas de posicionamiento y empatía con la marca, conocimiento de las lineas de zapatos y funcionalidades, apoyo actividades deportivas o urbanas, podrían mejorar estos nichos de mercado potenciales.

Rentabilidad Promedio Por Canal

La rentabilidad promedio por canal nos permite analizar las preferencias de los usuarios al realizar sus compras dentro de la marca y como a través de ellos podemos mejorar la captación de ventas y el aumento de utilidades.

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 significa que la Optimización del canal digital(con Promociones exclusivas y mejores costo, la Expansión de tiendas propias en mercados clave y la Gestión eficiente de gastos en tiendas fisicas, pueden ayudar a incrementar mas la rentabilidad.

Unidades Vendidas Por Producto

El análisis de las lineas de negocios nos permiten identificar los tipos de productos preferidos por los clientes y segmentar dichas preferencias por género, reconociendo los productos estrella y los productos resagados por el mercado.

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

La relación entre volumen y utilidad operativa nos permite entender si la estructura de ventas de adidas corresponde con la masificación o por el contrario, es una marca que prefiere la exclusividad en mercados de nicho.

Como se observa en el grafico, ll 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 basada en el volumen de vental principalmente

# 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

En análisis del precio por unidad nos permite comprender en donde se centran las ventas con relación a los precios unitarios de los productos y asi mismo segmentar su mercados por la capacidad de compra.

De acuerdo con la gráfica, se analizan diferentes elementos a partir de la exploración en el precio por unidad:

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

Para entender el desempeño financiero se evalua la relación entre las ventas y la utilidad operacional y que tanto se ve afectada una por la otra de acuerdo a su coeficiente de corelación.

# 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)
    )
)

De acuerdo con la gráfica, podemos tener una entendimiento mas claro basado en los siguientes puntos:

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 de producto alredor del 40%

Recomendaciones para Mejorar Ventas y Rentabilidad

A continuación, se presentan algunas recomendaciones enfocadas en mejorar las ventas y el rendimiento de las utilidades de acuerdo con el análisis exploratorio realizado y presentado en el informe:

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.