ANÁLISIS DE AUTOMOBILE SALES DATA PARA OPTIMIZAR VENTAS Y LOGÍSTICA AUTOMOTRIZ
Diana Serrato, Diego Peñarete
2025-04-14
Descripcion del Proyecto
El dataset Automobile Sales Data tomado de Kaggle, contiene información sobre ventas de productos automotrices, probablemente recopilada por una empresa comercial a través de un sistema de gestión de ventas (ERP). Este sistema registra transacciones comerciales de manera automática, el dataset incluye 2,722 registros y 20 variabes.
Este notebook presenta el análisis del dataset Automobile Sales Data, con el objetivo de identificar patrones en las ventas, cantidades ordenadas y estado de los pedidos, segmentados por línea de producto y tamaño del pedido.
El análisis incluye:
- Análisis descriptivo de variables categóricas (univariado y bivariado).
- Análisis descriptivo de variables cuantitativas (univariado y bivariado).
- Análisis bivariado entre variables categóricas y cuantitativas.
- Pruebas de hipótesis.
Librerias y tipo correcto de dato
Carga el dataset desde un archivo Excel, se convierten las columnas al tipo de datos correcto (numéricas, factores, fechas) y se verifican valores faltantes en variables clave para preparar los datos para el análisis. Finalmente, cargar los paquetes necesarios.
data <- read_excel("Auto_Sales_data_no_outliers1.xlsx")
knitr::opts_chunk$set(echo = TRUE)
# Cargar los paquetes
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, unionlibrary(ggplot2)
library(reshape2)
library(treemap)
library(moments)
library(sass) # Añadir esta línea para cargar sass
data <- data %>%
mutate(
ORDERNUMBER = as.numeric(ORDERNUMBER),
QUANTITYORDERED = as.numeric(QUANTITYORDERED),
PRICEEACH = as.numeric(PRICEEACH),
ORDERLINENUMBER = as.numeric(ORDERLINENUMBER),
SALES = as.numeric(SALES),
ORDERDATE = as.Date(ORDERDATE, format = "%Y-%m-%d"),
DAYS_SINCE_LASTORDER = as.numeric(DAYS_SINCE_LASTORDER),
STATUS = as.factor(toupper(trimws(STATUS))), # Estandarizar STATUS
PRODUCTLINE = as.factor(PRODUCTLINE),
MSRP = as.numeric(MSRP),
PRODUCTCODE = as.factor(PRODUCTCODE),
CUSTOMERNAME = as.factor(CUSTOMERNAME),
PHONE = as.character(PHONE),
ADDRESSLINE1 = as.character(ADDRESSLINE1),
CITY = as.factor(CITY),
POSTALCODE = as.character(POSTALCODE),
COUNTRY = as.factor(COUNTRY),
CONTACTLASTNAME = as.character(CONTACTLASTNAME),
CONTACTFIRSTNAME = as.character(CONTACTFIRSTNAME),
DEALSIZE = as.factor(DEALSIZE)
)
# Verificar si hay valores NA en las columnas que usaremos
vars_to_check <- c("SALES", "QUANTITYORDERED", "DAYS_SINCE_LASTORDER", "PRODUCTLINE", "DEALSIZE", "STATUS")
colSums(is.na(data[vars_to_check]))## SALES QUANTITYORDERED DAYS_SINCE_LASTORDER
## 3 3 3
## PRODUCTLINE DEALSIZE STATUS
## 3 3 3Análisis descriptivo de variables categóricas
En este punto, se realiza un análisis descriptivo de las variables
categóricas PRODUCTLINE, DEALSIZE y
STATUS. Primero, se analiza cada variable de forma
univariada para entender su distribución a través de frecuencias,
proporciones y visualizaciones gráficas como diagramas de barras y
treemaps. Luego, se realiza un análisis bivariado entre
DEALSIZE y STATUS para explorar posibles
relaciones entre estas variables, utilizando tablas cruzadas y un
diagrama de barras apiladas. Este análisis busca identificar patrones
que puedan ser útiles para decisiones logísticas y comerciales.
Univariado: Seleccionamos PRODUCTLINE, DEALSIZE, STATUS
categorical_vars <- c("PRODUCTLINE", "DEALSIZE", "STATUS")
categorical_stats <- lapply(data[categorical_vars], function(x) {
freq_table <- table(x)
prop_table <- prop.table(freq_table)
list(Frequencies = freq_table, Proportions = prop.table(freq_table))
})
print("Frecuencias y proporciones de las variables categóricas (univariado):")## [1] "Frecuencias y proporciones de las variables categóricas (univariado):"print(categorical_stats)## $PRODUCTLINE
## $PRODUCTLINE$Frequencies
## x
## Classic Cars Motorcycles Planes Ships
## 933 309 302 230
## Trains Trucks and Buses Vintage Cars
## 77 295 573
##
## $PRODUCTLINE$Proportions
## x
## Classic Cars Motorcycles Planes Ships
## 0.34314086 0.11364472 0.11107025 0.08458992
## Trains Trucks and Buses Vintage Cars
## 0.02831924 0.10849577 0.21073924
##
##
## $DEALSIZE
## $DEALSIZE$Frequencies
## x
## Large Medium Small
## 124 1349 1246
##
## $DEALSIZE$Proportions
## x
## Large Medium Small
## 0.0456050 0.4961383 0.4582567
##
##
## $STATUS
## $STATUS$Frequencies
## x
## CANCELLED DISPUTED IN PROCESS ON HOLD RESOLVED SHIPPED
## 60 12 40 43 47 2517
##
## $STATUS$Proportions
## x
## CANCELLED DISPUTED IN PROCESS ON HOLD RESOLVED SHIPPED
## 0.022066936 0.004413387 0.014711291 0.015814638 0.017285767 0.925707981# Gráficos univariados
# Diagrama de barras para PRODUCTLINE
ggplot(data, aes(x = PRODUCTLINE)) +
geom_bar(fill = "lightgreen", color = "black") +
labs(title = "Frecuencia de Lineas de Producto", x = "Linea de Producto", y = "Frecuencia") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
ggsave("bar_productline.png", width = 8, height = 6)
# Diagrama de barras para DEALSIZE
ggplot(data, aes(x = DEALSIZE)) +
geom_bar(fill = "lightcoral", color = "black") +
labs(title = "Frecuencia de Tamano del Pedido (DEALSIZE)", x = "Tamano del Pedido", y = "Frecuencia") +
theme_minimal()
ggsave("bar_dealsize.png", width = 8, height = 6)
# Treemap para STATUS
treemap(data, index = "STATUS", vSize = "SALES", title = "Treemap: Ventas por Estado del Pedido (STATUS)")
Bivariado: DEALSIZE vs. STATUS
cross_table <- table(data$DEALSIZE, data$STATUS)
prop_table <- prop.table(cross_table, margin = 1)
print("Tabla cruzada entre DEALSIZE y STATUS:")## [1] "Tabla cruzada entre DEALSIZE y STATUS:"print(cross_table)##
## CANCELLED DISPUTED IN PROCESS ON HOLD RESOLVED SHIPPED
## Large 0 3 2 4 1 114
## Medium 33 5 18 24 26 1243
## Small 27 4 20 15 20 1160print("Proporciones (por fila) entre DEALSIZE y STATUS:")## [1] "Proporciones (por fila) entre DEALSIZE y STATUS:"print(prop_table)##
## CANCELLED DISPUTED IN PROCESS ON HOLD RESOLVED
## Large 0.000000000 0.024193548 0.016129032 0.032258065 0.008064516
## Medium 0.024462565 0.003706449 0.013343217 0.017790956 0.019273536
## Small 0.021669342 0.003210273 0.016051364 0.012038523 0.016051364
##
## SHIPPED
## Large 0.919354839
## Medium 0.921423277
## Small 0.930979133# Diagrama de barras apiladas
cross_table_df <- as.data.frame.table(cross_table)
ggplot(cross_table_df, aes(x = Var1, y = Freq, fill = Var2)) +
geom_bar(stat = "identity") +
labs(title = "Diagrama de Barras Apiladas: DEALSIZE vs. STATUS", x = "Tamaño del Pedido (DEALSIZE)", y = "Frecuencia", fill = "Estado del Pedido (STATUS)") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
ggsave("stacked_bar_dealsize_status.png", width = 8, height = 6)Análisis descriptivo de variables cuantitativas
Este punto se centra en el análisis descriptivo de las variables cuantitativas `SALES`, `QUANTITYORDERED` y `DAYS_SINCE_LASTORDER`. En el análisis univariado, se calculan estadísticas descriptivas como la media, mediana, desviación estándar, asimetría y curtosis, y se visualizan las distribuciones mediante histogramas y boxplots. En el análisis bivariado, se explora la relación entre `SALES` y `DAYS_SINCE_LASTORDER` mediante una prueba de correlación y un diagrama de dispersión, para determinar si existe una asociación entre estas variables. Este análisis permite entender el comportamiento de las ventas y la actividad de los clientes.
Univariado: Seleccionamos SALES, QUANTITYORDERED, DAYS_SINCE_LASTORDER
numeric_vars <- c("SALES", "QUANTITYORDERED", "DAYS_SINCE_LASTORDER")
numeric_stats <- data %>%
summarise(across(
all_of(numeric_vars),
list(
Mean = ~mean(., na.rm = TRUE),
SD = ~sd(., na.rm = TRUE),
Min = ~min(., na.rm = TRUE),
Q1 = ~quantile(., 0.25, na.rm = TRUE),
Median = ~median(., na.rm = TRUE),
Q3 = ~quantile(., 0.75, na.rm = TRUE),
Max = ~max(., na.rm = TRUE),
Skewness = ~skewness(., na.rm = TRUE),
Kurtosis = ~kurtosis(., na.rm = TRUE)
),
.names = "{.col}_{.fn}"
))
print("Estadísticas descriptivas de las variables cuantitativas (univariado):")## [1] "Estadísticas descriptivas de las variables cuantitativas (univariado):"print(numeric_stats)## # A tibble: 1 × 27
## SALES_Mean SALES_SD SALES_Min SALES_Q1 SALES_Median SALES_Q3 SALES_Max
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 3482. 1704. 482. 2197. 3167. 4437. 9160.
## # ℹ 20 more variables: SALES_Skewness <dbl>, SALES_Kurtosis <dbl>,
## # QUANTITYORDERED_Mean <dbl>, QUANTITYORDERED_SD <dbl>,
## # QUANTITYORDERED_Min <dbl>, QUANTITYORDERED_Q1 <dbl>,
## # QUANTITYORDERED_Median <dbl>, QUANTITYORDERED_Q3 <dbl>,
## # QUANTITYORDERED_Max <dbl>, QUANTITYORDERED_Skewness <dbl>,
## # QUANTITYORDERED_Kurtosis <dbl>, DAYS_SINCE_LASTORDER_Mean <dbl>,
## # DAYS_SINCE_LASTORDER_SD <dbl>, DAYS_SINCE_LASTORDER_Min <dbl>, …Graficos univariados SALES, QUANTITYORDERED, DAYS_SINCE_LASTORDER
Histograma de SALES
ggplot(data, aes(x = SALES)) +
geom_histogram(bins = 30, fill = "skyblue", color = "black") +
labs(title = "Distribucion de Ventas (SALES)", x = "Ventas (SALES)", y = "Frecuencia") +
theme_minimal()## Warning: Removed 3 rows containing non-finite outside the scale range
## (`stat_bin()`).
ggsave("histogram_sales.png", width = 8, height = 6)## Warning: Removed 3 rows containing non-finite outside the scale range
## (`stat_bin()`).Boxplot de QUANTITYORDERED
ggplot(data, aes(y = QUANTITYORDERED)) +
geom_boxplot(fill = "lightblue") +
labs(title = "Boxplot de Cantidad Ordenada (QUANTITYORDERED)", y = "Cantidad Ordenada") +
theme_minimal()## Warning: Removed 3 rows containing non-finite outside the scale range
## (`stat_boxplot()`).
ggsave("boxplot_quantityordered.png", width = 8, height = 6)## Warning: Removed 3 rows containing non-finite outside the scale range
## (`stat_boxplot()`).Histograma de DAYS_SINCE_LASTORDER
ggplot(data, aes(x = DAYS_SINCE_LASTORDER)) +
geom_histogram(bins = 30, fill = "lightgreen", color = "black") +
labs(title = "Distribución de Días desde el Último Pedido", x = "Días desde el Último Pedido", y = "Frecuencia") +
theme_minimal()## Warning: Removed 3 rows containing non-finite outside the scale range
## (`stat_bin()`).
ggsave("histogram_days_since_lastorder.png", width = 8, height = 6)## Warning: Removed 3 rows containing non-finite outside the scale range
## (`stat_bin()`).Evaluación del modelo de distribución SALES, QUANTITYORDERED Y DAYS_SINCE_LASTORDER
SALES: Sesgada a la derecha (skewness > 0).
QUANTITYORDERED: Sesgada a la derecha (skewness > 0).
DAYS_SINCE_LASTORDER: Aproximadamente simétrica (skewness ~ 0).
# Bivariado: SALES vs. DAYS_SINCE_LASTORDER
correlation <- cor.test(data$SALES, data$DAYS_SINCE_LASTORDER)
print("Correlacion entre SALES y DAYS_SINCE_LASTORDER:")## [1] "Correlacion entre SALES y DAYS_SINCE_LASTORDER:"print(correlation)##
## Pearson's product-moment correlation
##
## data: data$SALES and data$DAYS_SINCE_LASTORDER
## t = -17.98, df = 2717, p-value < 2.2e-16
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
## -0.3592696 -0.2920724
## sample estimates:
## cor
## -0.3260828# Gráfico de dispersión
ggplot(data, aes(x = DAYS_SINCE_LASTORDER, y = SALES)) +
geom_point(alpha = 0.5) +
labs(title = "Relacion entre Ventas (SALES) y Dias desde el Ultimo Pedido", x = "Dias desde el Ultimo Pedido", y = "Ventas (SALES)") +
theme_minimal()## Warning: Removed 3 rows containing missing values or values outside the scale range
## (`geom_point()`).
ggsave("scatter_sales_days.png", width = 8, height = 6)## Warning: Removed 3 rows containing missing values or values outside the scale range
## (`geom_point()`).Análisis descriptivo bivariado entre variables categóricas y cuantitativas
En este punto, se analiza la relación entre variables categóricas y cuantitativas para identificar patrones que combinen ambos tipos de datos. Específicamente, se examina cómo varía `SALES` según la línea de producto (`PRODUCTLINE`) y cómo se distribuye `QUANTITYORDERED` según el tamaño del pedido (`DEALSIZE`). Para ello, se calculan estadísticas descriptivas por categoría y se visualizan los resultados mediante boxplots e histogramas de densidad. Este análisis ayuda a entender qué líneas de producto son más rentables y cómo el tamaño del pedido afecta las cantidades ordenadas.
Estadigrafos, Boxplot e histograma segmentado de SALES vs. PRODUCTLINE
sales_by_productline <- data %>%
group_by(PRODUCTLINE) %>%
summarise(
Mean_SALES = mean(SALES),
Median_SALES = median(SALES),
SD_SALES = sd(SALES),
Skewness_SALES = skewness(SALES),
Kurtosis_SALES = kurtosis(SALES)
)
print("Estadígrafos de SALES por PRODUCTLINE:")## [1] "Estadígrafos de SALES por PRODUCTLINE:"print(sales_by_productline)## # A tibble: 8 × 6
## PRODUCTLINE Mean_SALES Median_SALES SD_SALES Skewness_SALES Kurtosis_SALES
## <fct> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Classic Cars 3940. 3729. 1886. 0.523 2.59
## 2 Motorcycles 3441. 3114. 1686. 0.975 3.70
## 3 Planes 3143. 2836. 1421. 1.11 4.08
## 4 Ships 3044. 2885. 1059. 0.944 4.25
## 5 Trains 2938. 2446. 1457. 1.51 5.76
## 6 Trucks and Bus… 3768. 3451 1674. 0.487 2.58
## 7 Vintage Cars 3038. 2762. 1575. 1.01 3.97
## 8 <NA> NA NA NA NA NA# Boxplot de SALES por PRODUCTLINE
ggplot(data, aes(x = PRODUCTLINE, y = SALES, fill = PRODUCTLINE)) +
geom_boxplot() +
labs(title = "Distribucion de Ventas (SALES) por Linea de Producto", x = "Linea de Producto", y = "Ventas (SALES)") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))## Warning: Removed 3 rows containing non-finite outside the scale range
## (`stat_boxplot()`).
ggsave("boxplot_sales_productline.png", width = 8, height = 6)## Warning: Removed 3 rows containing non-finite outside the scale range
## (`stat_boxplot()`).# Histograma segmentado de SALES por PRODUCTLINE
ggplot(data, aes(x = SALES, fill = PRODUCTLINE)) +
geom_histogram(bins = 30, alpha = 0.5, position = "identity") +
labs(title = "Distribucion de Ventas (SALES) por Linea de Producto", x = "Ventas (SALES)", y = "Frecuencia") +
theme_minimal()## Warning: Removed 3 rows containing non-finite outside the scale range
## (`stat_bin()`).
ggsave("histogram_sales_productline.png", width = 8, height = 6)## Warning: Removed 3 rows containing non-finite outside the scale range
## (`stat_bin()`).Estadigrafo y Boxplot de QUANTITYORDERED vs. DEALSIZE
quantity_by_dealsize <- data %>%
group_by(DEALSIZE) %>%
summarise(
Mean_QUANTITY = mean(QUANTITYORDERED),
Median_QUANTITY = median(QUANTITYORDERED),
SD_QUANTITY = sd(QUANTITYORDERED),
Skewness_QUANTITY = skewness(QUANTITYORDERED),
Kurtosis_QUANTITY = kurtosis(QUANTITYORDERED)
)
print("Estadígrafos de QUANTITYORDERED por DEALSIZE:")## [1] "Estadígrafos de QUANTITYORDERED por DEALSIZE:"print(quantity_by_dealsize)## # A tibble: 4 × 6
## DEALSIZE Mean_QUANTITY Median_QUANTITY SD_QUANTITY Skewness_QUANTITY
## <fct> <dbl> <dbl> <dbl> <dbl>
## 1 Large 46.0 45 9.88 2.11
## 2 Medium 38.0 39 8.45 -0.163
## 3 Small 30.5 29 8.50 0.579
## 4 <NA> NA NA NA NA
## # ℹ 1 more variable: Kurtosis_QUANTITY <dbl># Boxplot de QUANTITYORDERED por DEALSIZE
ggplot(data, aes(x = DEALSIZE, y = QUANTITYORDERED, fill = DEALSIZE)) +
geom_boxplot() +
labs(title = "Distribucion de Cantidad Ordenada por Tamano del Pedido", x = "Tamano del Pedido (DEALSIZE)", y = "Cantidad Ordenada (QUANTITYORDERED)") +
theme_minimal()## Warning: Removed 3 rows containing non-finite outside the scale range
## (`stat_boxplot()`).
ggsave("boxplot_quantity_dealsize.png", width = 8, height = 6)## Warning: Removed 3 rows containing non-finite outside the scale range
## (`stat_boxplot()`).Pruebas de hipótesis
Este punto incluye la realización de dos pruebas de hipótesis para validar suposiciones sobre los datos. La primera prueba evalúa si la media de las ventas (`SALES`) es igual a 3500, lo que podría reflejar un valor esperado de ingresos por pedido. La segunda prueba verifica si la proporción de pedidos con estado “SHIPPED” en la variable `STATUS` es igual al 70%, para evaluar la eficiencia logística de la empresa. Se presentan las hipótesis nula y alternativa, los resultados de las pruebas y sus interpretaciones.
Prueba 1: Media de SALES
H0: La media de SALES es igual a 3500
H1: La media de SALES no es igual a 3500
sales_mean_test <- t.test(data$SALES, mu = 3500, alternative = "two.sided")
print("Prueba de hipótesis para la media de SALES (mu = 3500):")## [1] "Prueba de hipótesis para la media de SALES (mu = 3500):"print(sales_mean_test)##
## One Sample t-test
##
## data: data$SALES
## t = -0.55307, df = 2718, p-value = 0.5803
## alternative hypothesis: true mean is not equal to 3500
## 95 percent confidence interval:
## 3417.836 3546.011
## sample estimates:
## mean of x
## 3481.923Prueba 2: Proporción de “SHIPPED” en STATUS
H0: La proporción de “SHIPPED” es igual a 0.7
H1: La proporción de “SHIPPED” no es igual a 0.7
Verificar los niveles y distribuciones de STATUS
# Verificar los niveles de STATUS
print("Niveles de STATUS:")## [1] "Niveles de STATUS:"print(levels(data$STATUS))## [1] "CANCELLED" "DISPUTED" "IN PROCESS" "ON HOLD" "RESOLVED"
## [6] "SHIPPED"# Verificar la distribución de STATUS
print("Distribución de STATUS:")## [1] "Distribución de STATUS:"print(table(data$STATUS))##
## CANCELLED DISPUTED IN PROCESS ON HOLD RESOLVED SHIPPED
## 60 12 40 43 47 2517Calcular shipped_count y total_count
shipped_count <- sum(data$STATUS == "SHIPPED", na.rm = TRUE)
total_count <- length(data$STATUS[!is.na(data$STATUS)])
# Imprimir para verificar
print(paste("Número de registros con STATUS == 'SHIPPED':", shipped_count))## [1] "Número de registros con STATUS == 'SHIPPED': 2517"print(paste("Número total de registros en STATUS:", total_count))## [1] "Número total de registros en STATUS: 2719"# Verificar si hay suficientes datos para la prueba
if (shipped_count >= 5 & (total_count - shipped_count) >= 5 & total_count > 0) {
prop_test <- prop.test(shipped_count, total_count, p = 0.7, alternative = "two.sided")
print("Prueba de hipótesis para la proporción de 'SHIPPED' en STATUS (p = 0.7):")
print(prop_test)
} else {
print("No hay suficientes datos para realizar la prueba de proporciones. Se necesitan al menos 5 éxitos y 5 fracasos.")
}## [1] "Prueba de hipótesis para la proporción de 'SHIPPED' en STATUS (p = 0.7):"
##
## 1-sample proportions test with continuity correction
##
## data: shipped_count out of total_count, null probability 0.7
## X-squared = 658.53, df = 1, p-value < 2.2e-16
## alternative hypothesis: true p is not equal to 0.7
## 95 percent confidence interval:
## 0.9150441 0.9351483
## sample estimates:
## p
## 0.925708