Caso 1: Adidas
Kevin Romero - Daniela Pérez
2025-06-06
Introducción
Adidas es una de las marcas líderes a nivel mundial en la industria del deporte y la moda urbana, reconocida por sus productos de calzado, ropa y accesorios deportivos.
En este informe, se asume el rol de analista financiero con el fin de examinar el desempeño de ventas y la rentabilidad del producto Women’s Athletic Footwear (Calzado deportivo para mujeres), según el canal de venta (Online, Outlet, In-Store), enfocandonos específicamente en la región South (Sur).
Se escogen estas variables ya que en primera instancia la región Sur de los Estados Unidos, es la más diversa geográfica y demográficamente al estar conformada por zonas rurales y urbanas, esto la convierte en un entorno representativo para estudiar: cómo diferentes métodos de venta (in-store, online, outlet) se desempeñan frente a distintos tipos de consumidor. Adicionalmente, esta región permite observar comportamientos tanto urbanos como semiurbanos, ideal para identificar oportunidades de mejora en rentabilidad y eficiencia comercial.En segundo lugar, se elige el producto Women’s Athletic Footwear (Calzado deportivo para mujeres) porque es el producto con menor margen operacional dentro de la región seleccionada. De esta forma el análisis y las recomendaciones del presente caso se pueden extrapolar para evaluar comportamientos y estrategias en zonas de otros países donde se tenga una heterogeneidad similar (como es el caso de américa latina).
El análisis se realiza a partir de una base de datos que incluye variables clave como el precio por unidad, unidades vendidas, ventas totales, utilidad operativa, margen operativo y el método de venta utilizado.
El objetivo principal es utilizar técnicas de analítica descriptiva y visualizaciones en R tomando como punto de partida tres aspectos clave: Rentabilidad, Eficiencia en ventas y Desempeño financiero general, logrando responder preguntas fundamentales sobre el negocio, tales como:
- ¿Qué tan rentables son los productos de Adidas en función de su precio y volumen de ventas?
- ¿Qué relación existe entre el precio por unidad y la cantidad de unidades vendidas?
- ¿Qué tan eficientes son las distintas líneas de producto o métodos de venta?
- ¿Qué oportunidades existen para mejorar el rendimiento financiero de la empresa?
Análisis exploratorio
El análisis exploratorio de datos (EDA) es un paso clave para comprender la información financiera de adidas, para identificar patrones y evaluar la distribución de las variables.
PASO 1. Instalar y cargar librerias
# Cargar librerías necesarias
library(readxl)
library(dplyr)
library(ggplot2)
library(plotly)
library(knitr)
library(kableExtra)
library(tidyr)
library(RecordLinkage)
library(leaflet)
library(htmltools)PASO 2: Filtar o seleccionar la información que necesito
Se filtra la base de datos teniendo en cuenta sólo Región Sur (South) y el producto Calzado deportivo para mujer (Women’s Athletic Footwear)
El código siguiente carga un archivo de Excel con los datos financieros suministrados para el ejercicio, les asigna un ID único a cada fila, y luego filtra toda la información del producto Calzado Deportivo para mujer que se comercializó en la Región Sur de EEUU, permitiendo pequeñas diferencias en la escritura del nombre.
library(readxl)
datos<- read_excel("C:/Users/Kevin/Downloads/ANALITICA DE NEGOCIOS/2. Caso 1/Adidas.xlsx")
#Generar una secuencia de números desde 1 hasta el número total de filas y agrega esta secuencia a la tabla como una nueva columna.
id=1:dim(datos)[1]
datos=data.frame(id,datos)
#Filtro
require(RecordLinkage)
#Busca coincidencias de nombres similares (ej., "Suth" aún sería válido).
#Encuentra las posiciones de las filas que cumplen ambas condiciones.
#Extrae solo esas filas y las guarda en datos_sub.
pos = which(jarowinkler("South",datos$Region)>0.98&datos$Product=="Women's Athletic Footwear")
datos_sub=datos[pos,]
head(datos_sub)| id | retailer | Region | State | City | Product | price_per_unit | units_sold | total_sales | operating_profit | operating_margin | sales_method |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | West Gear | South | Texas | Houston | Women’s Athletic Footwear | 50 | 625 | 31250 | 9375.0 | 0.30 | Outlet |
| 2 | Amazon | South | Alabama | Birmingham | Women’s Athletic Footwear | 35 | 100 | 3500 | 1050.0 | 0.30 | Outlet |
| 3 | Amazon | South | Alabama | Birmingham | Women’s Athletic Footwear | 25 | 30 | 750 | 247.5 | 0.33 | Outlet |
| 4 | Kohl’s | South | Oklahoma | Oklahoma City | Women’s Athletic Footwear | 20 | 200 | 4000 | 1400.0 | 0.35 | Online |
| 5 | West Gear | South | Texas | Houston | Women’s Athletic Footwear | 35 | 219 | 7665 | 2759.4 | 0.36 | Outlet |
| 6 | West Gear | South | Louisiana | New Orleans | Women’s Athletic Footwear | 90 | 600 | 54000 | 21600.0 | 0.40 | Online |
Ahora obtenemos los nombres exactos de las variables que tenemos en la base de datos
library(dplyr)
names(datos_sub)## [1] "id" "retailer" "Region" "State"
## [5] "City" "Product" "price_per_unit" "units_sold"
## [9] "total_sales" "operating_profit" "operating_margin" "sales_method"##Registros totales para el vivienda tipo "South"
length(pos)## [1] 288Indicadores de centralidad y dispersión
# Resumen estadístico de las variables financieras: Precio por unidad, unidades vendidas, ventas totales, utilidad operacional y margen operacional
resumen <- datos_sub %>%
select(price_per_unit, units_sold, total_sales, operating_profit, operating_margin) %>%
summary()
resumen## price_per_unit units_sold total_sales operating_profit
## Min. :12.00 Min. : 19.0 Min. : 506 Min. : 217.6
## 1st Qu.:26.00 1st Qu.:104.0 1st Qu.: 3332 1st Qu.: 1600.0
## Median :36.00 Median :155.5 Median : 5664 Median : 3077.3
## Mean :36.64 Mean :222.2 Mean : 9129 Mean : 4436.9
## 3rd Qu.:45.00 3rd Qu.:300.0 3rd Qu.:11250 3rd Qu.: 5572.0
## Max. :90.00 Max. :750.0 Max. :54000 Max. :21600.0
## operating_margin
## Min. :0.3000
## 1st Qu.:0.4300
## Median :0.5000
## Mean :0.5026
## 3rd Qu.:0.5500
## Max. :0.7500Análisis y Representación gráfica
Rentabilidad
Como primer paso nos centraremos en analizar la rentabilidad del producto Women’s Athletic Footwear en la región South, según el método de venta. Para este caso usaremos la variable operating_margin (margen operacional).
Histogramas
Creamos el histogramas de los margenes operativos del producto Calzado deportivo para mujer en la región Sur de Estados Unidos para ver la distribución de los datos:
colnames(datos_sub) # Muestra los nombres de las columnas## [1] "id" "retailer" "Region" "State"
## [5] "City" "Product" "price_per_unit" "units_sold"
## [9] "total_sales" "operating_profit" "operating_margin" "sales_method"str(datos_sub) # Muestra la estructura del dataframe## 'data.frame': 288 obs. of 12 variables:
## $ id : int 1 2 3 4 5 6 11 17 25 26 ...
## $ retailer : chr "West Gear" "Amazon" "Amazon" "Kohl's" ...
## $ Region : chr "South" "South" "South" "South" ...
## $ State : chr "Texas" "Alabama" "Alabama" "Oklahoma" ...
## $ City : chr "Houston" "Birmingham" "Birmingham" "Oklahoma City" ...
## $ Product : chr "Women's Athletic Footwear" "Women's Athletic Footwear" "Women's Athletic Footwear" "Women's Athletic Footwear" ...
## $ price_per_unit : num 50 35 25 20 35 90 85 75 75 50 ...
## $ units_sold : num 625 100 30 200 219 600 575 600 475 500 ...
## $ total_sales : num 31250 3500 750 4000 7665 ...
## $ operating_profit: num 9375 1050 247 1400 2759 ...
## $ operating_margin: num 0.3 0.3 0.33 0.35 0.36 0.4 0.4 0.4 0.4 0.4 ...
## $ sales_method : chr "Outlet" "Outlet" "Outlet" "Online" ...# Crear y mostrar el histograma interactivo
ggplotly(
ggplot(datos_sub, aes(x=operating_margin)) +
geom_histogram(binwidth=0.01, fill="khaki1", color="black", alpha=1) +
labs(title="Figura 1. Margen Operacional Calzado deportivo para mujer - Región Sur USA",
x = "Margen Operativo",
y = "Frecuencia") +
scale_x_continuous(labels = scales::percent) +
theme_minimal())Interpretación Figura 1.
📝 Se observa una distribución de los datos algo dispersa, con una concentración importante de los datos (52 de 288) en el 40%, lo cuál sugiere un manejo de políticas de precio / costo estándar en algunas zonas del Sur de los Estados Unidos.
🧠 Sin embargo, es notable una distribución importante concentrada entre el 45% y 60%, lo cual confirma lo expresado en el punto anterior: no hay uniformidad en los márgenes de operación.
🔍 Al existir esta variabilidad en los datos se hace necesario un análisis más segmentado, en este caso se hará por canal de venta - Figura 2.
# Crear y mostrar el histograma interactivo
ggplotly(
ggplot(datos_sub, aes(x = operating_margin, fill = sales_method)) +
geom_histogram(position = "identity", alpha = 1, bins = 30) +
facet_wrap(~sales_method) +
labs(title = "Figura 2. Distribución del Margen Operativo por Canal",
x = "Margen Operativo",
y = "Frecuencia") +
scale_x_continuous(labels = scales::percent) +
theme_minimal())Interpretación Figura 2.
👉 El método de venta In-Store (Venta física en tienda), tiene muy pocos registros (solo 5 datos) lo cual lo hace una muestra poco representativa para el análisis, sin embargo nos lleva a la primera conclusión: Las ventas en tiendas físicas de adidas, no es el fuerte del calzado deportivo para mujeres en el sur de los Estados Unidos.
📊 El 86% de los datos analizados que se encuentran en el pico del 40% corresponden a ventas Online, lo cual confirma que para este metodo de ventas se tiene un manejo de políticas costo / precio de venta simétrico y estándar.
📝 La mayor concentración de los datos de margenes operacionales se encuentra entre 45% y 60% y corresponde mayormente a ventas Outlet, lo cual tiene sentido ya que al ser un modelo de negocio más flexible en cuanto a precios permite que hayan márgenes operacionales diversos según la estructura de costos de cada tienda.
Boxplot Utlidad operacional
Con el objetivo de complementar la interpretación anterior se elaboran boxplot para realizar comparaciones estadísticas a que haya lugar.
# Crear y mostrar el boxplot interactivo
ggplotly(
ggplot(datos_sub, aes(y=operating_margin)) +
geom_boxplot(fill="khaki1", color="black", outlier.colour="red", outlier.shape=16, outlier.size=3) +
labs(title="Figura 3. Boxplot Margen Operacional Calzado deportivo para mujer - Región Sur USA",
y = "Margen Operativo") +
scale_y_continuous(labels = scales::percent) +
theme_minimal()
)Interpretación Figura 3.
Este boxplot muestra la distribución de los margenes operativos de los zapatos deportivos para dama en el sur de EEUU y permite identificar la dispersión, la mediana y posibles valores atípicos.
📌 Mediana (median: 50%):
La línea negra dentro de la caja representa la mediana de los márgenes operacionales.Esto significa que el 50% de los zapatos deportivos para dama vendidos tienen un margen de operación menor o igual a 50%, y el otro 50% tiene un margen mayor.
📦 Rango Intercuartílico (IQR – Interquartile Range):
Q1 (Primer Cuartil - q1: 43%): El 25% de los margenes operacionales están por debajo del 43% Q3 (Tercer Cuartil - q3: 55%): El 75% de los margenes operacionales se encuentran por debajo del 55%.
El 50% de los márgenes operacionales se encuentran entre 43% y 55%.
📊 Rango Total (Bigotes del Boxplot):
Mínimo (min: 30%): El margen de operación más bajo registrado es 30%. Máximo (max: 75%): El margen más alto encontrado es 75%. Upper fence (upper fence: 73%): Cualquier valor superior a 73% es considerado atípico.
⚠️ ¿Hay valores atípicos?
Se observan 2 puntos por encima de 73%, lo que indica solamente en 2 momentos se alcanzaron márgenes operacionales por encima del 73%.
Estos valores atípicos pueden representar productos premium o productos que tienen un costo operativo mucho menor al resto.
# Crear y mostrar el boxplot interactivo
ggplotly(
ggplot(datos_sub, aes(x = sales_method, y = operating_margin, fill = sales_method)) +
geom_boxplot() +
labs(title = "Figura 4. Boxplot Margen de Rentabilidad por Canal de Venta",
x = "Método de Venta",
y = "Margen Operativo") +
scale_y_continuous(labels = scales::percent) +
theme_minimal())Interpretación Figura 4.
Ampliando la información observada en la figura 3 por canal de venta, tenemos que:
🟩 El canal de venta Online tiene la mayor dispersión de datos al variar entre 35% y 75%, lo cual indica que el margen operacional del canal Online es muy variable. Esto puede indicar una falta de estandarización u homogeneidad en los costos y precios de venta.
Mediana 52%: El 50% de los márgenes operativos por la venta de Zapatos Deportivos femeninos en la región Sur de los Estados Unidos a través del canal de venta online, se encuentran por debajo del 52% y el otro 50% se encuentran por encima del 52%.
🟦 El canal de venta Outlet presenta menos dispersión ó más concentración de los datos, lo cual se interpreta como un comportamiento más estable y útil para realizar predicciones.
Mediana 47%: El 50% de los márgenes operativos por la venta de zapatos deportivos femeninos en la región sur de los Estados Unidos a través del canal de venta Outlet, se encuentran por debajo del 47% y el otro 50% de los datos están por encima del 47%.
🟥 El canal In-store como ya se vió en la figura 2, tiene muy pocos datos lo cual hace que no sea objeto de análisis para este caso.
**Dispersión*
Con el objetivo de analizar como ese margen de operación varía con respecto al precio por unidad y al volumen de ventas, realizamos los gráficos de dispersión de las figuras 5 y 6.
# Crear y mostrar el gráfico de dispersión interactivo
ggplotly(
ggplot(datos_sub, aes(x = price_per_unit, y = operating_margin, color = sales_method)) +
geom_point(alpha = 0.6) +
geom_smooth(method = "lm", se = FALSE) +
labs(title = "Figura 5. Margen Operativo vs Precio por Unidad para cada canal de venta",
x = "Precio por Unidad (USD)",
y = "Margen Operativo") +
scale_y_continuous(labels = scales::percent) +
theme_minimal())Interpretación Figura 5.
Este gráfico muestra la relación entre el precio de los zapatos deportivos para mujer (en dólares) y el margen de operación, clasificado a su vez según el método o canal de venta.
✍️ Tendencia general: Dispersión en los datos, sin embargo, se observa de forma general una relación positiva entre las dos variables analizadas, es decir a mayor precio de venta, mayor margen de operación.
🔹 Para los canales / métodos de venta analizados, la relación entre el precio por unidad y el margen operativo muestra una tendencia positiva: a mayor precio, el margen tiende a incrementarse. Esto sugiere que existe una oportunidad para mejorar la rentabilidad aumentando precios estratégicamente en ciertas líneas o productos. En el canal in-store no se observan variaciones significativas, posiblemente debido a la limitada cantidad de datos como se pudo observar igualmente en la figura 2.
# Crear y mostrar el gráfico de dispersión interactivo
ggplotly(
ggplot(datos_sub, aes(x = units_sold, y = operating_margin, color = sales_method)) +
geom_point(alpha = 0.6) +
geom_smooth(method = "lm", se = FALSE) +
labs(title = "Figura 6. Margen Operativo vs Unidades Vendidas por canal de venta",
x = "Unidades Vendidas",
y = "Margen Operativo") +
scale_y_continuous(labels = scales::percent) +
theme_minimal())Interpretación Figura 6.
La figura 6 nos muestra cuál es la relación entre las unidades vendidas y el margen de operación por canal de venta, se evidencia un comportamiento divergente entre los tres canales.
🟩 Ventas Online: Tendencia negativa clara, a mayor número de unidades vendidas menor margen de operación. Lo cual nos muestra que aunque se hagan descuentos o estrategias de venta por volumen, los costos de operación y logísticos se incrementan y no permiten que los incrementos en ventas sean representativos.
🟦 Outlet: Tendencia positiva leve, lo cual indica que las ventas por volumen mejoran la eficiencia (lo cual representa más rentabilidad).
Sugerencia: Revisa y estructurar los modelos de gestión de costos según cada canal de venta.
Eficiencia en ventas
Para entender patrones de demanda y evaluar el impacto de los precios en las ganancias analizamos la dispersión entre unidades vendidas y precios por unidad de producto (Zapatos deportivos para mujer), según cada canal de venta.
# Crear y mostrar la dispersión interactiva
ggplotly(
ggplot(datos_sub, aes(x = price_per_unit, y = units_sold, color = sales_method)) +
geom_point(alpha = 0.6) +
geom_smooth(method = "lm", se = FALSE) +
labs(title = "Figura 7. Unidades Vendidas vs Precio por Unidad según Canal de venta",
x = "Precio por Unidad (USD)",
y = "Unidades Vendidas") +
theme_minimal())A continuación calculamos el indice de correlación entre unidades vendidas y precio unitario para cada método de ventas, con el fin de obtener valores que apoyen lo visualizado en la figura 7.
library(dplyr)
datos_sub %>%
group_by(sales_method) %>%
summarise(
correlacion = cor(price_per_unit, units_sold, method = "pearson")
)| sales_method | correlacion |
|---|---|
| In-store | 0.3077935 |
| Online | 0.3597826 |
| Outlet | 0.5664721 |
Interpretación Figura 7 e índices de correlación
🧠 De forma general en la figura 7, se evidencia una relación directamente proporcional entre el precio por unidad de producto y las unidades vendidas, lo cual quiere decir que la estrategia de ventas es buena.
📈 Esta tendencia independiente de cada método o canal de venta, se debe al prestigio que tiene la marca y que ha mantenido a lo largo de los años, esto nos da un indicio de que realmente la población objetivo o el nicho de mercado se encuentra fidelizado considerando que se está pagando el precio de un producto “premium”.
🟦 El índice de correlación para el método de venta Outlet, es el más alto, lo cual se confirma en la figura 7 al ser la línea con más inclinación positiva y nos permite concluir que existe una relación fuerte y directa.
🟩 Para las ventas Online, se observa una línea más plana y un coeficiente de correlación débil. Esto nos indica que cambiar el precio en el canal Online no afecta en gran medida las unidades vendidas. Esto puede deberse a la comodidad que representa para los clientes el poder comprar desde cualquier lugar sin tener que ir de forma física a una tienda más allá del precio; compras por confianza no por precios bajos.
🟥 In-store: no se pueden extraer conclusiones debido al bajo número de observaciones.
✍️ En todos los casos y por las razones expresadas en los puntos anteriores, se rompe con la generalidad o patrón clásico de la demanda: “a menor precio, mayores ventas” ya que en mayor o menor grado para las ventas de Calzado deportivo para dama en la Región Sur de los Estados Unidos, ocurre lo contrario.
Desempeño Financiero General
Para ésta etapa del análisis exploramos la forma en que la utilidad operativa y las ventas totales, llevan a la empresa adidas a lograr sus objetivos financieros y se identifican posibles áreas de mejora en ventas y rentabilidad.
Gráfico de dispersión: Ventas totales Vs Utilidad Operativa
# Crear y mostrar la dispersión interactiva
ggplotly(
ggplot(datos_sub, aes(x = total_sales, y = operating_profit, color = sales_method)) +
geom_point(alpha = 0.6) +
geom_smooth(method = "lm", se = FALSE) +
labs(title = "Figura 8. Utilidad Operativa vs Ventas Totales por Canal",
x = "Ventas Totales (USD)",
y = "Utilidad Operativa (USD)") +
theme_minimal())Indice de correlación Ventas totales Vs Utilidad operativa por canal de venta:
library(dplyr)
datos_sub %>%
group_by(sales_method) %>%
summarise(
correlacion = cor(total_sales, operating_profit, method = "pearson")
)| sales_method | correlacion |
|---|---|
| In-store | 1.0000000 |
| Online | 0.9799322 |
| Outlet | 0.9818019 |
🧠 De acuerdo con la figura 8 y los índices de correlación calculados, aunque las líneas del gráfico tienen pendientes diferentes, se tienen coeficientes de correlación fuertes y positivos. Sin embargo, las ventas del canal outlet (línea azul) genera utilidades de forma más eficiente ya que por cada dólar vendido, se generan más utilidades que en el canal Online.
🟥 Nuevamente, el canal de venta In-store tiene muy poca representación de datos lo cuál no permite generar conclusiones sólidas sobre su impacto en los resultados financieros en la venta de Calzado Deportivo Para Dama en la Región Sur de Estados Unidos para la empresa adidas.
Gráfico de Barras: Ventas totales y Utilidad Operativa por canal de venta
Código para crear resumen financiero de las variables que requiero para graficar (ventas totales, utilidad operativa):
library(dplyr)
resumen_financiero <- datos_sub %>%
group_by(sales_method) %>%
summarise(
promedio_ventas = mean(total_sales),
promedio_utilidad = mean(operating_profit),
total_ventas = sum(total_sales),
total_utilidad = sum(operating_profit)
)resumen_financiero <- datos_sub %>%
group_by(sales_method) %>%
summarise(
total_sales = sum(total_sales),
total_utilidad = sum(operating_profit),
.groups = "drop"
)Gráficamos Utilidades según el método o canal de venta y del mismo modo las Ventas totales para cada canal de venta analizado.
# Crear y mostrar la dispersión interactiva
ggplotly(
ggplot(resumen_financiero, aes(x = sales_method, y = total_utilidad, fill = sales_method)) +
geom_col() +
labs(title = "Figura 9. Utilidad Total por Método de Venta - Zapatos Deportivos Para Damas Región Sur USA, adidas",
x = "Método de Venta",
y = "Utilidad Total (USD)") +
theme_minimal())# Crear y mostrar la dispersión interactiva
ggplotly(
ggplot(resumen_financiero, aes(x = sales_method, y = total_sales, fill = sales_method)) +
geom_col() +
labs(title = "Figura 10. Ventas Totales por Método de Venta - Zapatos Deportivos Para Damas Región Sur USA, adidas",
x = "Método de Venta",
y = "Ventas Totales (USD)") +
theme_minimal()
)Inerpretación figura 9 y 10.
🧠 Los canales Outlet y Online acumulan el volumen de ventas y la utilidad operativa en la región Sur para el producto Women’s Athletic Footwear (Zapatos deportivos para dama). Sin embargo, el canal Outlet demuestra un mejor desempeño financiero general, al generar una mayor utilidad con un volumen de ventas superior al canal Online en 336.526USD.
🟥 El canal In-store tiene una participación marginal en las ventas y utilidad, por lo que no se considera significativo en este análisis.
Conclusiones y Recomendaciones
A partir del análisis realizado en cuanto a rentabilidad, eficiencia en ventas y desempeño financiero del producto Women’s Athletic Footwear (Calzado Deportivo Femenino) en la región South (Sur) de Estados Unidos, se encuentran patrones de comportamiento financiero clave para establecer que:
• Rentablidad: El canal Online muestra márgenes operacionales estándar (al rededor del 40%-45%), lo cual indica que es controlado y estable, pero también que es poco flexible en su sistema de costos/precios al compararlo con el canal Outlet ya que este al ser menos rígido/estándar en su política de precios genera márgenes de operación mucho más variables y en promedio más altos.
• Eficiencia en ventas: Se rompe la lógica tradicional de la demanda “a menor precio, mayores ventas”, para todos los canales de venta. Ya que para el caso del producto Calzado Deportivo Femenino en la Región Sur de los Estados Unidos, a mayor precio, mayores ventas. Siendo más eficiente el canal Outlet, seguido del canal Online y finalizando con el canal In-store que aunque tiene muy pocos datos para sacar conclusiones sobre la eficiencia de este canal de venta, muestra una correlación positiva aunque débil < 0.4 al igual que el canal Online.
• Desempeño Financiero General: El canal de venta más eficiente para el producto Zapatos Deportivos Femeneninos de adidas en una región heterogénea como lo es la Región Sur de los Estados Unidos, es el canal Outlet.
• Se recomienda fortalecer el canal Outlet como motor de rentabilidad, dado que muestra los mejores márgenes y las mayores utilidades operacionales. Este fortalecimiento puede ser a través de: expansión en regiones similares (como los países de américa latina donde no se tenga presencia con este canal de venta ya que tienen un mix de lo urbano con lo rural), mantener estrategias de precios y descuentos controlados.
• Se recomienda ajustar la estrategia del canal Online, ya que, aunque tiene un volumen de ventas alto, como vemos en la figura 6, su margen operativo no incrementa sino que disminuye a medida que se venden más unidades.
• Se debe reevaluar el canal In-Store en esta región o revisar si es una puntualidad del producto analizado; ya que su bajo impacto en ventas y utilidad sugiere que no es un canal de ventas estratégico. En caso de no ser una puntualidad, revisar métodos de impulsión de ventas a través de combos o mix con otros productos de las tiendas físicas que si se tengan impacto.
• Se recomienda revisar el modelo de gestión de costos y fijación de precios para cada canal de venta, ya que el canal Online, al tener menores márgenes de operación, nos está confirmando que su estructura de costos operacionales es alta. Y aunque tiene sentido ya que requiere más procesos logísticos, infraestructura tecnológica y marketing digital; es muy probable que según la relación encontrada en la figura 7, parte de estos costos puedan ser asumidos por el cliente desde el precio de venta.
• De acuerdo a la figura 7, se puede pensar en hacer ajuste moderado de precios y en introducir nuevos productos con valor agregado sin temor a que se vayan a perder clientes por precio.
• Se recomienda realizar monitoreos constantes a cada canal en cuanto a margen operacional y relación precio, volumen y utilidad de ventas para poder tomar desiciones rápidas con la información correcta.
• Se recomienda ajustar la estrategia del canal Online, ya que, aunque tiene un volumen de ventas alto, como vemos en la figura 6, su margen operativo no incrementa sino que disminuye a medida que se venden más unidades.
✍️ En conclusión, se logró el objetivo propuesto al inicio del caso. A través del análisis detallado de las variables: rentabilidad, eficiencia en ventas y desempeño financiero general, fue posible interpretar los datos con enfoque financiero y generar recomendaciones estratégicas con la información analizada.