---
title: "Dashboard Appol: Utilidad y Márgenes 2019‑2021"
author: "Jorge Gandara & María Escorcia"
output:
  flexdashboard::flex_dashboard:
    orientation: columns
    vertical_layout: fill
    source_code: embed
---

```{r setup, include=FALSE}
# Librerías
library(flexdashboard)
library(readxl)
library(dplyr)
library(stringr)
library(tidyr)
library(ggplot2)
library(plotly)
library(highcharter)
library(DT)
library(janitor)
library(sf)
library(rnaturalearth)
library(scales)

# Ruta al archivo
archivo <- "C:/Users/Jorge/OneDrive - Universidad Tecnológica de Bolívar/Universidad/202510/Ciencia de los datos/Parcial 2/data/Appol Datos.xlsx"

# ----- Transformación de datos -----
datos <- read_excel(archivo, sheet = "Tabla Datos") %>%
  select(Periodo, `Tipo Producto`, Region, Ingresos, Gastos) %>%
  mutate(
    codigo_pais = str_sub(Region, 1, 3),
    continente  = str_extract(Region, '(?<= - ).+?(?=/)'),
    pais        = str_extract(Region, '(?<=/).*'),
    trimestre   = str_replace(str_extract(Periodo, 'Q[1-4]'), 'Q', 'T'),
    anio        = as.integer(str_extract(Periodo, '\\d{4}')),
    utilidad    = Ingresos - Gastos,
    m_utilidad  = ifelse(is.finite(utilidad / Ingresos),
                         utilidad / Ingresos, NA_real_)
  )

tabla_productos <- read_excel(archivo, sheet = "Tabla Productos") %>%
  clean_names()

datos <- datos %>%
  left_join(tabla_productos, by = c('Tipo Producto' = 'tipo_producto')) %>%
  clean_names()
```

Column {data-width=250}
-----------------------------------------------------------------------

### **M.Utilidad Total**

```{r}
valueBox(
  sprintf("$ %.2f mill.", sum(datos$utilidad)/1e6 ),
  caption = "M.Utilidad",
  color   = "#0064B5"
)
```

### **M.Margen Global**

```{r}
margen_pct <- sum(datos$utilidad) / sum(datos$ingresos) * 100
valueBox(
  sprintf("%.2f %%", margen_pct),
  caption = "M.Margen",
  color   = "#009E73",
  icon    = "fa-percent"
)
```

### M.Utilidad Top‑10 Países

```{r}
top_paises <- datos %>% 
  group_by(pais) %>% 
  summarise(
    m_utilidad = sum(utilidad),
    m_margen   = sum(utilidad) / sum(ingresos)
  ) %>% 
  arrange(desc(m_utilidad)) %>% 
  slice_head(n = 10) %>% 
  mutate(
    m_utilidad = dollar(m_utilidad),
    m_margen   = percent(m_margen, accuracy = 0.1)
  )

datatable(
  top_paises,
  rownames = FALSE,
  options  = list(dom = 'tp', pageLength = 10),
  colnames = c("País", "M.Utilidad", "M.Margen")
)
```

Column {data-width=450}
-----------------------------------------------------------------------

### M.Utilidad por Año, Trimestre y Continente

```{r}
serie <- datos %>% 
  mutate(periodo = paste(trimestre, anio)) %>% 
  group_by(periodo, continente) %>% 
  summarise(m_utilidad = sum(utilidad) / sum(ingresos), .groups = 'drop')

serie$periodo <- factor(serie$periodo, levels = unique(serie$periodo))

ggplotly(
  ggplot(serie, aes(periodo, m_utilidad, color = continente, group = continente)) +
    geom_line(size = 1) + geom_point() +
    scale_y_continuous(labels = percent_format(accuracy = 1)) +
    labs(x = NULL, y = "M.Utilidad") +
    theme_minimal() +
    theme(axis.text.x = element_text(angle = 45, hjust = 1),
          legend.title = element_blank())
)
```

### M.Utilidad por País y Continente

```{r}
# Coordenadas de referencia
world <- ne_countries(returnclass = "sf") %>% 
  st_make_valid() %>% 
  select(iso_a3, geometry)

coords <- st_point_on_surface(world) %>% 
  mutate(longitude = st_coordinates(geometry)[,1],
         latitude  = st_coordinates(geometry)[,2]) %>% 
  st_drop_geometry()

map_data <- datos %>% 
  group_by(codigo_pais, pais, continente) %>% 
  summarise(utilidad = sum(utilidad), .groups = 'drop') %>% 
  left_join(coords, by = c("codigo_pais" = "iso_a3")) %>% 
  filter(!is.na(longitude))

paleta <- c(América = "#1f77b4", Asia = "#ff7f0e", Europa = "#2ca02c",
            África = "#d62728", Oceanía = "#9467bd")

hcmap("custom/world") %>% 
  hc_legend(enabled = TRUE) %>% 
  { 
    m <- .
    for(cont in names(paleta)) {
      df <- map_data %>% filter(continente == cont)
      if(nrow(df) > 0) {
        m <- m %>% hc_add_series(
          df,
          type  = "mapbubble",
          name  = cont,
          color = paleta[[cont]],
          hcaes(lat = latitude, lon = longitude, size = utilidad),
          maxSize = "12%"
        )
      }
    }
    m
  } %>% 
  hc_colorAxis(enabled = FALSE)
```

Column {data-width=300}
-----------------------------------------------------------------------

### M.Utilidad por Continente

```{r}
cont <- datos %>% 
  group_by(continente) %>% 
  summarise(utilidad = sum(utilidad), .groups = 'drop')

plot_ly(
  cont, labels = ~continente, values = ~utilidad,
  type = 'pie', hole = 0.45,
  textinfo = 'label+percent'
) %>% layout(showlegend = TRUE)
```

### M.Utilidad por Categoría Producto

```{r}
cat_prod <- datos %>% 
  group_by(categoria_producto) %>% 
  summarise(utilidad = sum(utilidad), .groups = 'drop') %>% 
  arrange(desc(utilidad))

highchart() %>% 
  hc_add_series(cat_prod, "column", hcaes(x = categoria_producto, y = utilidad)) %>% 
  hc_yAxis(title = list(text = "Utilidad")) %>% 
  hc_xAxis(title = list(text = NULL))
```

### M.Utilidad por Tipo Producto

```{r}
tipo_prod <- datos %>% 
  group_by(tipo_producto) %>% 
  summarise(utilidad = sum(utilidad), .groups = 'drop')

hchart(tipo_prod,
       "treemap",
       hcaes(name = tipo_producto, value = utilidad, color = utilidad)) %>% 
  hc_title(text = "Utilidad por Tipo Producto")
```