Adidas
Laura Granada y Carolina Huertas
2025-06-04
Radiografía Financiera de Adidas: Un Análisis de Rentabilidad y Ventas
En un entorno de mercado cada vez más competitivo, la toma de decisiones estratégicas basadas en datos se ha convertido en un elemento clave para el éxito empresarial. En este informe, se presenta un análisis exploratorio del desempeño financiero de Adidas, centrado en el comportamiento de ventas y la rentabilidad de sus distintas líneas de productos. Asumiendo el rol de analistas financieros, se examinan variables críticas como el precio por unidad, unidades vendidas, ventas totales, utilidad operativa, margen operativo, y el método de venta, con el fin de identificar patrones, tendencias y posibles áreas de optimización. El análisis se lleva a cabo incorporando herramientas de estadística descriptiva y visualización de datos a través de gráficos y métricas clave, donde se busca responder preguntas esenciales sobre rentabilidad, eficiencia en ventas y desempeño financiero general.
# Cargar librerías necesarias
library(readxl)
library(dplyr)
library(ggplot2)
library(plotly)
library(knitr)
library(kableExtra)
library(tidyr)
library(RecordLinkage)
library(leaflet)
library(htmltools)
library(dplyr)
library(ggplot2)
library(DT)
library(tidyverse)
library(scales)# Paleta de colores pastel
colores_pastel <- c(
"#FFB3BA", # rosa pastel
"#FFDFBA", # durazno claro
"#FFFFBA", # amarillo suave
"#BAFFC9", # verde menta
"#BAE1FF", # azul claro
"#E6CCFF", # lila claro
"#F0F8FF", # azul cielo pálido
"#F9D5E5" # rosa empolvado
)# Cargar datos desde el archivo Excel
Adidas <- read_excel("~/Downloads/Adidas.xlsx",
col_types = c("text", "text", "text",
"text", "text", "numeric", "numeric",
"numeric", "numeric", "numeric",
"text"))ventas_resumen <- Adidas %>%
group_by(MINORISTA, REGION) %>%
summarise(VENTAS_TOTALES = sum(`VENTAS_TOTALES`, na.rm = TRUE))# Define una paleta pastel (tantos colores como minoristas únicos)
colores_pastel <- c(
"#FFB3BA", "#FFDFBA", "#FFFFBA", "#BAFFC9",
"#BAE1FF", "#E6CCFF", "#F9D5E5", "#F0F8FF"
)# Obtener los minoristas únicos para asignar colores correctamente
minoristas_unicos <- unique(ventas_resumen$MINORISTA)
# Ajustar la paleta si hay más minoristas que colores definidos
if (length(minoristas_unicos) > length(colores_pastel)) {
library(RColorBrewer)
colores_pastel <- brewer.pal(length(minoristas_unicos), "Pastel1")
}📈 Analisis Integral de Rentabilidad, Ventas y Desempeño
Ventas por Minorista en Cada Región
library(scales) # Para formatear números con coma
# Gráfico con eje Y legible
ggplotly(
ggplot(ventas_resumen, aes(x = REGION, y = VENTAS_TOTALES, fill = MINORISTA)) +
geom_bar(stat = "identity", position = "dodge") +
labs(title = "Ventas por Minorista en Cada Región",
x = "Región",
y = "Ventas Totales") +
scale_fill_manual(values = colores_pastel) +
scale_y_continuous(labels = comma) + # Etiquetas con comas
theme_minimal() +
theme(
axis.text.x = element_text(angle = 45, hjust = 1),
axis.text.y = element_text(size = 12), # Aumentar tamaño del eje Y
axis.title.y = element_text(size = 13)
)
)Las ventas varían ampliamente según el minorista y la región. West Gear lidera en el oeste con una presencia dominante, superando los 18 millones en ventas, lo que consolida su rol como el canal más fuerte en esa zona. Sports Direct tiene buen desempeño en el sur y sureste, mientras que Foot Locker se posiciona bien en varias regiones, destacando en el Midwest y Southeast. Amazon muestra su mayor fortaleza en el Northeast, pero en general, tiene un desempeño bajo en ventas totales. Estos datos reflejan la necesidad de adaptar las estrategias comerciales según la región y el canal más efectivo.
ventas_producto_metodo <- Adidas %>%
group_by(PRODUCTO, `METODO_VENTA`) %>%
summarise(VENTAS_TOTALES = sum(`VENTAS_TOTALES`, na.rm = TRUE))Ventas por Producto y Método de Venta
library(ggplot2)
library(plotly)
library(scales) # Para formatear valores con comas
# Paleta de colores pastel
colores_pastel <- c(
"#FFB3BA", "#FFDFBA", "#FFFFBA",
"#BAFFC9", "#BAE1FF", "#E6CCFF",
"#F9D5E5", "#F0F8FF"
)
# Obtener los métodos de venta únicos
metodos_unicos <- unique(ventas_producto_metodo$`METODO_VENTA`)
# Ajustar paleta si hay más métodos que colores definidos
if (length(metodos_unicos) > length(colores_pastel)) {
library(RColorBrewer)
colores_pastel <- brewer.pal(length(metodos_unicos), "Pastel1")
}
# Gráfico con eje Y legible
ggplotly(
ggplot(ventas_producto_metodo, aes(x = PRODUCTO, y = VENTAS_TOTALES, fill = `METODO_VENTA`)) +
geom_bar(stat = "identity") +
labs(title = "Ventas por Producto y Método de Venta",
x = "Producto",
y = "Ventas Totales",
fill = "Método de Venta") +
scale_fill_manual(values = colores_pastel) +
scale_y_continuous(labels = comma) + # Mostrar comas en eje Y
theme_minimal() +
theme(
axis.text.x = element_text(angle = 45, hjust = 1),
axis.text.y = element_text(size = 12), # Más legible
axis.title.y = element_text(size = 13)
)
)Los productos con mayores ventas son men’s street footwear y women’s apparel, seguidos por el calzado deportivo masculino. En cuanto a canales, online e in-store son los principales motores de ingresos, mientras que outlet tiene menor participación. Esto sugiere que la compañía debe seguir fortaleciendo los canales digital y físico tradicional, sin dejar de explorar el crecimiento del canal outlet, especialmente en productos con baja rotación.
ventas_por_producto <- Adidas %>%
group_by(PRODUCTO) %>%
summarise(VENTAS_TOTALES = sum(`VENTAS_TOTALES`, na.rm = TRUE))ventas_por_producto <- ventas_por_producto %>%
mutate(porcentaje = VENTAS_TOTALES / sum(VENTAS_TOTALES) * 100,
etiqueta = paste0(PRODUCTO, ": ", round(porcentaje, 1), "%"))Participación de Ingresos por Producto
plot_ly(ventas_por_producto,
labels = ~PRODUCTO,
values = ~VENTAS_TOTALES,
type = 'pie',
textinfo = 'label+percent',
hoverinfo = 'text',
text = ~paste(PRODUCTO, "<br>Ventas Totales: $", round(VENTAS_TOTALES, 2)),
marker = list(colors = colores_pastel,
line = list(color = '#FFFFFF', width = 1))) %>%
layout(title = "Participación de Ingresos por Producto")La categoría men’s street footwear representa la mayor proporción de ingresos con un 23%, seguida de women’s apparel (19.9%) y men’s athletic footwear (17.1%). Los productos con menor participación son women’s athletic footwear (11.9%) y men’s apparel (13.7%). Esto muestra que el calzado masculino, especialmente el urbano, es la línea más fuerte, mientras que el calzado femenino deportivo representa un área con potencial de mejora
unidades_por_producto <- Adidas %>%
group_by(PRODUCTO) %>%
summarise(UNIDADES_TOTALES = sum(`UNIDADES_VENDIDAS`, na.rm = TRUE)) %>%
arrange(UNIDADES_TOTALES)Unidades Vendidas por Producto
library(ggplot2)
library(plotly)
library(scales)
library(RColorBrewer)
# Paleta pastel extendida
productos_unicos <- unique(unidades_por_producto$PRODUCTO)
num_productos <- length(productos_unicos)
colores_pastel <- colorRampPalette(brewer.pal(8, "Pastel1"))(num_productos)
# Crear gráfico base sin coord_flip y sin geom_text
grafico_base <- ggplot(unidades_por_producto, aes(
x = reorder(PRODUCTO, UNIDADES_TOTALES),
y = UNIDADES_TOTALES,
fill = PRODUCTO,
text = paste("Producto:", PRODUCTO, "<br>Unidades:", comma(UNIDADES_TOTALES))
)) +
geom_bar(stat = "identity") +
labs(
title = "Unidades Vendidas por Producto",
x = "Producto",
y = "Unidades Totales"
) +
scale_y_continuous(labels = comma) +
scale_fill_manual(values = colores_pastel) +
theme_minimal() +
theme(
axis.text.x = element_text(angle = 45, hjust = 1),
legend.position = "none"
)
# Convertir a gráfico interactivo (usa `text` para los tooltips)
ggplotly(grafico_base, tooltip = "text")El producto con más unidades vendidas es men’s street footwear con más de 590,000 unidades. Le siguen men’s athletic footwear y women’s apparel. Aunque algunos productos se venden en grandes cantidades, no todos son los más rentables, lo que indica la importancia de equilibrar volumen con márgenes.
ventas_por_region <- Adidas %>%
group_by(REGION) %>%
summarise(VENTAS_TOTALES = sum(`VENTAS_TOTALES`, na.rm = TRUE)) %>%
arrange(VENTAS_TOTALES)Ventas por Región
# Librerías necesarias
library(readxl)
library(dplyr)
library(leaflet)
# Leer archivo Excel
adidas <- read_excel("Adidas.xlsx", sheet = "Data Sales Adidas")
# Asegurar que la columna de ventas sea numérica
adidas$`VENTAS_TOTALES` <- as.numeric(adidas$`VENTAS_TOTALES`)
# Paleta de colores pastel
colores_pastel <- c(
"#FFB3BA", "#FFDFBA", "#FFFFBA",
"#BAFFC9", "#BAE1FF", "#E6CCFF",
"#F9D5E5", "#F0F8FF"
)
# Agrupar por región y sumar ventas
ventas_region <- adidas %>%
group_by(REGION) %>%
summarise(total_sales = sum(`VENTAS_TOTALES`, na.rm = TRUE)) %>%
mutate(
lat = case_when(
REGION == "West" ~ 37.5,
REGION == "Midwest" ~ 41.5,
REGION == "South" ~ 32,
REGION == "Southeast" ~ 34,
REGION == "Northeast" ~ 42,
TRUE ~ 39
),
lng = case_when(
REGION == "West" ~ -119,
REGION == "Midwest" ~ -93,
REGION == "South" ~ -95,
REGION == "Southeast" ~ -83,
REGION == "Northeast" ~ -75,
TRUE ~ -98
),
color = colores_pastel[1:n()] # asignar un color pastel a cada región
)
# Crear mapa interactivo
leaflet(ventas_region) %>%
addTiles() %>%
addCircleMarkers(
~lng, ~lat,
radius = ~sqrt(total_sales) / 200,
color = ~color,
fillColor = ~color,
fillOpacity = 0.6,
popup = ~paste0("<b>Región: </b>", REGION, "<br><b>Ventas totales: </b>$", formatC(total_sales, big.mark = ",")),
label = ~REGION
) %>%
addLegend(
position = "bottomright",
title = "Ventas por región",
colors = ventas_region$color,
labels = ventas_region$REGION
)Las regiones con mayores ingresos son el Midwest, Northeast y West. El South y Southeast muestran menor participación, lo que revela oportunidades para ampliar la cobertura comercial en estas zonas mediante estrategias regionales específicas.
# Librerías necesarias
library(readxl)
library(dplyr)
library(knitr)
library(ggplot2)
# Paleta de colores pastel
colores_pastel <- c(
"#FFB3BA", "#FFDFBA", "#FFFFBA",
"#BAFFC9", "#BAE1FF", "#E6CCFF",
"#F9D5E5", "#F0F8FF"
)
# Leer archivo Excel
adidas <- read_excel("Adidas.xlsx", sheet = "Data Sales Adidas")Estadísticas Descriptivas
# 3. Resumen estadístico de variables numéricas
adidas %>%
select(where(is.numeric)) %>%
summary() %>%
kable(caption = "Resumen estadístico de variables numéricas")| PRECIO | UNIDADES_VENDIDAS | VENTAS_TOTALES | UTILIDAD_OPERATIVA | MARGEN_OPERATIVO | |
|---|---|---|---|---|---|
| Min. : 7.00 | Min. : 6 | Min. : 160 | Min. : 75.2 | Min. :0.100 | |
| 1st Qu.: 35.00 | 1st Qu.: 106 | 1st Qu.: 4068 | 1st Qu.: 1754.0 | 1st Qu.:0.350 | |
| Median : 45.00 | Median : 176 | Median : 7812 | Median : 3264.0 | Median :0.410 | |
| Mean : 45.22 | Mean : 257 | Mean :12460 | Mean : 4896.8 | Mean :0.423 | |
| 3rd Qu.: 55.00 | 3rd Qu.: 350 | 3rd Qu.:15872 | 3rd Qu.: 6193.8 | 3rd Qu.:0.490 | |
| Max. :110.00 | Max. :1275 | Max. :82500 | Max. :39000.0 | Max. :0.800 |
Las variables como Precio, Unidades Vendidas, Ventas Totales, Utilidad Operativa y Margen Operativo muestran una alta dispersión en los datos. Por ejemplo, Ventas Totales va desde 160 hasta más de 82,000, lo que indica diferencias marcadas entre productos. La variable Margen Operativo tiene una distribución más concentrada, con un valor promedio de 0.423.Ventas Totales y Margen de Utilidad por Producto Men’s street footwear lidera tanto en ventas como en margen de utilidad, seguido de women’s apparel, que también muestra un alto desempeño. En contraste, men’s athletic footwear tiene buenas ventas pero márgenes bajos, lo que puede deberse a altos costos. Women’s athletic footwear tiene tanto ventas como utilidad bajas, representando un área de menor rendimiento.
Precio por Unidad Según Producto
# 5. Gráficos exploratorios
# Boxplot: Precio por unidad por producto
ggplotly(
ggplot(adidas, aes(x = PRODUCTO, y = `PRECIO`, fill = PRODUCTO)) +
geom_boxplot() +
scale_fill_manual(values = colores_pastel) +
labs(title = "Precio por unidad según Producto", x = "Producto", y = "Precio por unidad") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
)Women’s apparel presenta el precio promedio más alto, seguido por men’s apparel y men’s street footwear. En cambio, women’s athletic footwear y women’s street footwear tienen los precios más bajos. Esto sugiere que los productos femeninos deportivos se posicionan como opciones más económicas, mientras que la ropa femenina ofrece una mayor variabilidad de precios y márgenes.
Unidades Vendidas vs Ventas Totales por Región
# Dispersión: Unidades vendidas vs total de ventas, coloreado por región
ggplotly(
ggplot(adidas, aes(x = `UNIDADES_VENDIDAS`, y = `VENTAS_TOTALES`, color = REGION)) +
geom_point(alpha = 0.6, size = 3) +
scale_color_manual(values = colores_pastel) +
labs(title = "Unidades Vendidas vs Total de Ventas por Región", x = "Unidades vendidas", y = "Total de ventas") +
theme_minimal()
)Existe una relación directa entre unidades vendidas y ventas totales. Las regiones west y southeast muestran consistencia en ambas métricas. El northeast destaca por tener un mayor ticket promedio, probablemente por la preferencia de productos con precios altos.
names(adidas) <- make.names(names(adidas))resumen_productos <- Adidas %>%
group_by(PRODUCTO) %>%
summarise(
Ventas_Totales = sum(VENTAS_TOTALES, na.rm = TRUE),
Utilidad_Total = sum(UTILIDAD_OPERATIVA, na.rm = TRUE),
Margen_Utilidad = Utilidad_Total / Ventas_Totales
)Ventas Totales y Margen de Utilidad por Producto
library(plotly)
library(readxl)
library(dplyr)
# Leer datos
datos <- read_excel("Adidas.xlsx")
names(datos) <- trimws(names(datos))
# Resumen por producto
resumen_productos <- datos %>%
group_by(PRODUCTO) %>%
summarise(
Ventas_Totales = sum(VENTAS_TOTALES, na.rm = TRUE),
Utilidad_Total = sum(UTILIDAD_OPERATIVA, na.rm = TRUE),
Margen_Utilidad = Utilidad_Total / Ventas_Totales
)
# Paleta de colores pastel
colores_pastel <- c(
"#FFB3BA", "#FFDFBA", "#FFFFBA", "#BAFFC9",
"#BAE1FF", "#E6CCFF", "#F0F8FF", "#F9D5E5"
)
colores_usados <- colores_pastel[1:nrow(resumen_productos)]
# Crear gráfico
fig <- plot_ly()
# Barras de ventas totales
fig <- fig %>%
add_trace(
x = resumen_productos$PRODUCTO,
y = resumen_productos$Ventas_Totales,
type = 'bar',
name = 'Ventas Totales',
marker = list(color = colores_usados),
hovertemplate = paste(
"<b>%{x}</b><br>",
"Ventas Totales: $%{y:,}<extra></extra>"
)
)
# Línea del margen de utilidad (%)
fig <- fig %>%
add_trace(
x = resumen_productos$PRODUCTO,
y = resumen_productos$Margen_Utilidad,
type = 'scatter',
mode = 'lines+markers',
name = 'Margen de Utilidad (%)',
yaxis = 'y2',
line = list(color = 'rgba(255, 99, 132, 1)', width = 3),
marker = list(size = 8),
hovertemplate = paste(
"<b>%{x}</b><br>",
"Margen de Utilidad: %{y:.1%}<extra></extra>"
)
)
# Layout
fig <- fig %>%
layout(
title = "Ventas Totales y Margen de Utilidad por Producto",
xaxis = list(title = "Producto"),
yaxis = list(
title = "Ventas Totales",
tickformat = ",",
separatethousands = TRUE
),
yaxis2 = list(
title = "Margen de Utilidad (%)",
overlaying = "y",
side = "right",
tickformat = ".0%",
showgrid = FALSE
),
legend = list(
orientation = "h",
x = 0.1,
y = -0.2
),
margin = list(b = 100)
)
figEl análisis muestra que Men’s Street Footwear es el producto con mejor desempeño, liderando tanto en ventas totales como en margen de utilidad, lo que lo convierte en un pilar estratégico para Adidas. Le siguen Women’s Apparel y Men’s Athletic Footwear, aunque este último, a pesar de un alto volumen de ventas, presenta el margen de utilidad más bajo, lo que podría deberse a altos costos o precios ajustados. Women’s Street Footwear y Men’s Apparel muestran niveles intermedios en ambas métricas, con un desempeño estable pero sin destacarse. Por otro lado, Women’s Athletic Footwear tiene las ventas más bajas del conjunto, aunque su margen es superior al de Men’s Athletic Footwear, lo que indica una gestión eficiente pese al bajo volumen. Estos datos refuerzan la necesidad de priorizar productos con alto valor estratégico y rentabilidad, y replantear aquellos con bajo margen o limitada aceptación.
library(tidyverse)
library(readxl)
library(scales) # Para etiquetas en el eje Y con separadores
# Leer los datos desde Excel
df <- read_excel("Adidas.xlsx", sheet = "Data Sales Adidas")
# Limpiar nombres de columnas
colnames(df) <- toupper(gsub(" ", "_", colnames(df)))
# Paleta de colores pastel
colores_pastel <- c(
"#FFB3BA", "#FFDFBA", "#FFFFBA", "#BAFFC9",
"#BAE1FF", "#E6CCFF", "#F0F8FF", "#F9D5E5"
)
# Función para mejorar tema y etiquetas
tema_personalizado <- theme_minimal(base_size = 12) +
theme(
axis.text.x = element_text(angle = 45, hjust = 1, size = 11, face = "bold"),
axis.text.y = element_text(size = 11),
axis.title = element_text(size = 13, face = "bold"),
plot.title = element_text(size = 15, face = "bold")
)Top 10 Ciudades: Ventas vs Utilidad
# Gráfica Top 10 Ciudades
ggplotly(
df %>%
group_by(CIUDAD) %>%
summarise(VENTAS_TOTALES = sum(VENTAS_TOTALES, na.rm = TRUE),
UTILIDAD_OPERATIVA = sum(UTILIDAD_OPERATIVA, na.rm = TRUE)) %>%
arrange(desc(VENTAS_TOTALES)) %>%
slice(1:10) %>%
pivot_longer(cols = c(VENTAS_TOTALES, UTILIDAD_OPERATIVA), names_to = "Metrica", values_to = "Valor") %>%
ggplot(aes(x = reorder(CIUDAD, -Valor), y = Valor, color = Metrica, group = Metrica)) +
geom_line(size = 1.2) + geom_point(size = 3) +
scale_color_manual(values = colores_pastel[1:2]) +
scale_y_continuous(labels = label_comma()) +
labs(title = "Top 10 Ciudades: Ventas vs Utilidad", x = "Ciudad", y = "Monto en USD") +
tema_personalizado
)New York es la ciudad con mejor desempeño, seguida de Charleston y San Francisco. Aunque algunas ciudades como San Francisco mantienen altos niveles de venta, su rentabilidad cae, probablemente por costos operativos altos. Seattle muestra el menor rendimiento general.
Top 10 Estados: Ventas vs Utilidad
# Gráfica Top 10 Estados
ggplotly(
df %>%
group_by(ESTADO) %>%
summarise(VENTAS_TOTALES = sum(VENTAS_TOTALES, na.rm = TRUE),
UTILIDAD_OPERATIVA = sum(UTILIDAD_OPERATIVA, na.rm = TRUE)) %>%
arrange(desc(VENTAS_TOTALES)) %>%
slice(1:10) %>%
pivot_longer(cols = c(VENTAS_TOTALES, UTILIDAD_OPERATIVA), names_to = "Metrica", values_to = "Valor") %>%
ggplot(aes(x = reorder(ESTADO, -Valor), y = Valor, color = Metrica, group = Metrica)) +
geom_line(size = 1.2) + geom_point(size = 3) +
scale_color_manual(values = colores_pastel[1:2]) +
scale_y_continuous(labels = label_comma()) +
labs(title = "Top 10 Estados: Ventas vs Utilidad", x = "Estado", y = "Monto en USD") +
tema_personalizado
)New York y California lideran con los mayores ingresos y utilidades, siendo los estados más estratégicos para Adidas. Florida y Texas también son mercados sólidos. En contraste, Nevada y Washington tienen los resultados más bajos en ambos indicadores.
Ventas y Utilidad por Producto
# Gráfica por Producto
ggplotly(
df %>%
group_by(PRODUCTO) %>%
summarise(VENTAS_TOTALES = sum(VENTAS_TOTALES, na.rm = TRUE),
UTILIDAD_OPERATIVA = sum(UTILIDAD_OPERATIVA, na.rm = TRUE)) %>%
pivot_longer(cols = c(VENTAS_TOTALES, UTILIDAD_OPERATIVA), names_to = "Metrica", values_to = "Valor") %>%
ggplot(aes(x = reorder(PRODUCTO, -Valor), y = Valor, color = Metrica, group = Metrica)) +
geom_line(size = 1.2) + geom_point(size = 3) +
scale_color_manual(values = colores_pastel[1:2]) +
scale_y_continuous(labels = label_comma()) +
labs(title = "Ventas y Utilidad por Producto", x = "Producto", y = "Monto en USD") +
tema_personalizado
)Men’s street footwear se confirma como el producto estrella, con más de 27 millones en ventas y alta utilidad. Le siguen women’s apparel y men’s athletic footwear. Al fondo están women’s athletic footwear y men’s apparel, los cuales presentan cifras más bajas tanto en ventas como en rentabilidad.
Ventas y Utilidad por Minorista
# Gráfica por Minorista
ggplotly(
df %>%
group_by(MINORISTA) %>%
summarise(VENTAS_TOTALES = sum(VENTAS_TOTALES, na.rm = TRUE),
UTILIDAD_OPERATIVA = sum(UTILIDAD_OPERATIVA, na.rm = TRUE)) %>%
pivot_longer(cols = c(VENTAS_TOTALES, UTILIDAD_OPERATIVA), names_to = "Metrica", values_to = "Valor") %>%
ggplot(aes(x = reorder(MINORISTA, -Valor), y = Valor, color = Metrica, group = Metrica)) +
geom_line(size = 1.2) + geom_point(size = 3) +
scale_color_manual(values = colores_pastel[1:2]) +
scale_y_continuous(labels = label_comma()) +
labs(title = "Ventas y Utilidad por Minorista", x = "Minorista", y = "Monto en USD") +
tema_personalizado
)West Gear y Foot Locker son los minoristas con mejores resultados, ambos superando los 12 millones en utilidad. Sports Direct también mantiene un buen nivel. Kohl’s, Walmart y Amazon tienen ventas y utilidades más bajas, lo cual podría deberse a condiciones menos favorables o menores márgenes de ganancia.
🧠 Conclusiones Estratégicas y Recomendaciones
Conclusiones Estratégicas
• Men’s street footwear es el producto más rentable y de mayor venta, por lo que debe seguir siendo una prioridad estratégica.
• West Gear se consolida como el canal más efectivo, especialmente en la región oeste.
• Estados como New York, California, Florida y Texas son los pilares comerciales y deben recibir mayor inversión.
• El canal outlet tiene margen para crecer, pero no debe desplazar la fuerza de los canales online e in-store.
• Algunos productos y canales presentan alta rotación pero baja rentabilidad, lo que requiere ajustes para optimizar márgenes.
Recomendaciones
• Por Región
-Invertir más en New York, California, Florida y Texas.
-Reforzar presencia en South y Southeast con campañas locales o acuerdos comerciales.
-Evaluar sostenibilidad en Nevada y Washington.
• Por Producto
-Fortalecer stock y promoción de men’s street footwear y women’s apparel.
-Replantear estrategia de women’s athletic footwear: rediseño o reposicionamiento.
• Por Canal y Minorista
-Consolidar alianzas con West Gear, Foot Locker y Sports Direct.
-Evaluar renegociaciones con Amazon y Walmart, o enfocar esfuerzos en canales más rentables.
-General Implementar precios dinámicos según región y producto.
-Analizar el costo de adquisición por canal y ajustar comisiones por eficiencia.
-Usar regiones de desempeño intermedio para hacer pruebas controladas de productos nuevos o promociones.