Introducción

Adidas es una compañia multinacional alemana fundada en el año 1949. Adidas se dedica a la fabricación de equipamiento deportivo y productos de moda. La marca cuenta con 6 estilos de ropa, entre las que destacan, la linea de ropa deportiva casual y las indumentarias deportivas fabricadas en multiples modalidades deportivas.

El análisis financiero de la compañia Adidas, cobra una importancia considerable al ser una de las compañias con mayor presencia a nivel mundial, generadora de miles de empleos y aporte al desarrollo economico de los paises donde hace presencia. Se efectuara un analisis exploratorio - grafico, que pretende presentar el comportamiento financiero de la compañia en un horizonte determinado.

A través de este análisis, se busca proporcionar una visión más clara de la situación financiera de Adidas, el busca busca ser una herrramienta de analisis que sustente la toma de decisiones a corto, mediano y largo plazo en la compañia.

Análisis Exploratorio

Mediante el análisis exploratorio de datos (EDA) se busca comprender la información financiera de Adida, 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(tidyverse)

PASO 2: Cargar la base de datos

# Cargar datos desde el archivo Excel
library(readxl)
Adidas <- read_excel("C:/Users/Geovani Zamora/OneDrive/Escritorio/CASOS ANALISIS DE NEGOCIOS/Adidas.xlsx", 
    col_types = c("text", "text", "text", 
        "text", "text", "numeric", "numeric", 
        "numeric", "numeric", "numeric", 
        "text"))

# Ver las primeras filas de los datos
class(Adidas)  
## [1] "tbl_df"     "tbl"        "data.frame"
colnames(Adidas)  
##  [1] "retailer"         "Region"           "State"            "City"            
##  [5] "Product"          "price_per_unit"   "units_sold"       "total_sales"     
##  [9] "operating_profit" "operating_margin" "sales_method"
head(Adidas)
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

Indicadores de centralidad y dispersión

Los indicadores de centralidad y dispersión que se muestran a continuación arrojan lo siguiente: . El minimo de precios unitarios se encuentra en 7 usd por unidad, con una mediana y promedio rondando los 45 usd y un precio maximo de sus productos de 110 usd. . En relación a las unidades vendidas, se debe destacar que su maximo en ventas se presento en el estado de Northeast en la ciudad de New York, con 1.275 productos de men´s Street Footwear en el canal Outlet. . En cuanto a al total de ventas, se presenta un promedio de 12.455 usd, con un maximo de 82.500 usd en los productos de Women´s Appareal en las ciudades de Orlando y New Orleans. . El margen operacional de Adidas, muestra que sus indicarores de centralidad se encuentran al aldedor de los 40%, con un minimo en sus margenes del 10% y su pico mas alto se situo en el 80%.

# Estadístico de las variables financieras
estadisticos <- Adidas %>% 
  select(price_per_unit, units_sold, total_sales, operating_profit, operating_margin) %>% 
  summary()

estadisticos
##  price_per_unit     units_sold      total_sales    operating_profit
##  Min.   :  7.00   Min.   :   0.0   Min.   :    0   Min.   :    0   
##  1st Qu.: 35.00   1st Qu.: 106.0   1st Qu.: 4065   1st Qu.: 1753   
##  Median : 45.00   Median : 176.0   Median : 7804   Median : 3263   
##  Mean   : 45.22   Mean   : 256.9   Mean   :12455   Mean   : 4895   
##  3rd Qu.: 55.00   3rd Qu.: 350.0   3rd Qu.:15864   3rd Qu.: 6192   
##  Max.   :110.00   Max.   :1275.0   Max.   :82500   Max.   :39000   
##  operating_margin
##  Min.   :0.100   
##  1st Qu.:0.350   
##  Median :0.410   
##  Mean   :0.423   
##  3rd Qu.:0.490   
##  Max.   :0.800

Desempeño Financiero General

Analisis Exploratorio - Grafico

En el siguiente analisis, se busca presentar una ayuda grafica que permite de una forma intuitiva y rapida, poder analisar los diferentes comportamientos relacionados las ventas y sus margenes en al compañia Adidas. Se busca mediante el color negro, resaltar los colores de la marca.

Gráfico de barras por Region

La región Oeste con un valor superior a los 35 MM, se situa en el primer lugar en ventas por region de la compañia Adidas, superando en aproximadamente 10 MM a la región del medio oeste que con 15 MM en ventas se situa en el ultimo lugar. Superando los 20 MM, pero con un techo en los 25 MM, se situando las regiones de sur, norte y sudeste de Estados Unidos.

ventas_por_Region <- Adidas %>%
  group_by(Region) %>%
  summarise(total_sales = sum(total_sales, na.rm = TRUE)) %>%
  mutate(total_sales = total_sales / 1000000)  # convertir a miles de millones

grafico_ventas <- ventas_por_Region %>%
  plot_ly(
    x = ~Region,
    y = ~total_sales,
    type = 'bar',
    name = 'Ventas',
    marker = list(color = 'black')
  ) %>%
  layout(
    title = 'Ventas por Region',
    xaxis = list(title = 'Region'),
    yaxis = list(
      title = 'Ventas Totales (en miles de millones)',
      tickformat = ',.2f'  # por ejemplo: 30.50, etc.
    )
  )

# Mostrar el gráfico
grafico_ventas

Gráfico de barras por Retailer

Las ventas por Retailer, nos indica que West Gear y Foot Locker se posicionan en la primera y segunda posición en ventas

ventas_por_retailer <- Adidas %>%
  group_by(retailer) %>%
  summarise(total_sales = sum(total_sales, na.rm = TRUE)) %>%
  mutate(total_sales = total_sales / 1000000)  # convertir a miles de millones

grafico_ventas <- ventas_por_retailer %>%
  plot_ly(
    x = ~retailer,
    y = ~total_sales,
    type = 'bar',
    name = 'Ventas',
    marker = list(color = 'black')
  ) %>%
  layout(
    title = 'Ventas por Retailer',
    xaxis = list(title = 'Retailer'),
    yaxis = list(
      title = 'Ventas Totales (en miles de millones)',
      tickformat = ',.2f'  # por ejemplo: 0.50, 1.20, etc.
    )
  )

# Mostrar el gráfico
grafico_ventas

Gráfico de barras Top 7 mayores ventas por Estado

El top 3 en ventas por estado lo componen en su orden New York con 8,6 MM usd, california con 8,5 MM usd y Florida con 7,8 MM usd. Importante generar un analisis fundamental que permite conocer las caracteristicas diferenciales en estos estados para diferenciarse en ventas con los otros estados.

# Obtener los 7 estados con más ventas
top_7_estados <- Adidas %>%
  group_by(State) %>%
  summarise(ventas_totales = sum(total_sales, na.rm = TRUE)) %>%
  arrange(desc(ventas_totales)) %>%
  slice_head(n = 7)

# Crear gráfico interactivo con Plotly (barras negras)
grafico_top_7 <- top_7_estados %>%
  plot_ly(
    x = ~State,
    y = ~ventas_totales,
    type = 'bar',
    name = 'Top 7 Ventas',
    marker = list(color = 'black')  # Barras en color negro
  ) %>%
  layout(
    title = 'Top 7 Estados con Más Ventas',
    xaxis = list(title = 'Estado'),
    yaxis = list(title = 'Ventas Totales')
  )

# Mostrar gráfico
grafico_top_7

Gráfico de barras Top 7 menores ventas por Estado)

El top 3 de estados con menores ventas lo conforman South Dakota, Maryland y el estado de Wiscosin. Se hace mecesario poner el foco en los estados con menores ventas y conocer los motivos que estan generando estos resultados en el ejercicio financiero. Se hace necesario conocer el tamaño del estado, el numero de ventas y los precios registrados en estos estados con el registro menor de ventas de la compañia Adidas.

# Obtener los 7 estados con menores ventas
bottom_7_estados <- Adidas %>%
  group_by(State) %>%
  summarise(ventas_totales = sum(total_sales, na.rm = TRUE)) %>%
  arrange(ventas_totales) %>%  # Orden ascendente
  slice_head(n = 7)

# Crear gráfico interactivo con Plotly (barras rojas)
grafico_bottom_7 <- bottom_7_estados %>%
  plot_ly(
    x = ~State,
    y = ~ventas_totales,
    type = 'bar',
    name = 'Bottom 7 Ventas',
    marker = list(color = 'red')  # Barras en color rojo
  ) %>%
  layout(
    title = 'Top 7 Estados con Menores Ventas',
    xaxis = list(title = 'Estado'),
    yaxis = list(title = 'Ventas Totales')
  )

# Mostrar gráfico
grafico_bottom_7

Gráfico de tortas ventas por producto

La participación en las ventas de los productos fabricados y comercializados por Adidas, presentan una distribucion relativamente hemogenea, no obstante, se debe destacar la linea de productos que hacen parte del Men´s Street Footwear toman la delantera, con una participación del 23%, seguida de cerca por la linea de Women´s Appareal con un 19,9% y el tercer lugar con un 17,1% en participación se encuentra Men´s Athletci Footwear. En contraste, se encuentra la linea de Women´s Athletic Footwear, quien con un 11,9%, se posiciona con la lines con menor participación en las ventas de la compañia Adidas.

grafico_ventas_producto <- Adidas %>%
  plot_ly(labels = ~Product, values = ~total_sales, type = 'pie', name = 'Ventas') %>%
  layout(title = 'Ventas por producto')

grafico_ventas_producto

Gráfico de tortas ventas por metodo

El metodo con mayor repercusión en las ventas de la compañia Adidas, son las ventass directas en tiendas con una participación del 48,4%, seguido por las ventas realizados en los canales digitales con una participación del 34,3% y en tercer lugar liberando inventarios de temporadas paadas en el canal Outlet con una participación del 17,3%.

# Agrupar las ventas reales por método de venta
ventas_por_metodo <- Adidas %>%
  group_by(sales_method) %>%
  summarise(total_sales = sum(total_sales, na.rm = TRUE)) %>%
  arrange(desc(total_sales))

# Crear gráfico de pastel con datos REALES
grafico_ventas_Metodo_Venta <- ventas_por_metodo %>%
  plot_ly(
    labels = ~sales_method,
    values = ~total_sales,
    type = 'pie',
    name = 'Ventas'
  ) %>%
  layout(
    title = 'Ventas por Método de Venta',
    legend = list(orientation = 'h')
  )

# Mostrar gráfico
grafico_ventas_Metodo_Venta

Eficiencia en Ventas y Rentabilidad

Boxplot Utilidad y Margen Operativo

La mediana en relación a la utilidad operacional, concentra el 25% de dicha utilidad en 3,2 MM usd, mientras que su 75% en 6,1 MM usd. Se observan un numero considerable de numeros atipicos, lo cual sugiere una volatilidad considerable de las ventas de la compañias Adidas.

# Gráfico de box plot Utilidad Operacional
boxplot_Utilidad_Operacional <- plot_ly(
  data = Adidas,
  y = ~operating_profit,
  type = "box",
  name = "Operating Profit"
) %>%
  layout(title = "Box Plot de Utilidad Operacional",
         yaxis = list(title = "Utilidad Operacional"))

# Mostrar gráfico
boxplot_Utilidad_Operacional

Boxplot Utilidad y Margen Operativo

La mediana en relación al margen operacional, concentra el 25% de dicha utilidad en 41%, mientras que su 49%. Se observan numeros atipicos, lo cual sugiere alta volatilidad en el margen operacional de la compañia Adidas, con un maximo de 80% y un minimo del 10%.

# Gráfico de box plot Margen Operativo
boxplot_Margen_Operativo <- plot_ly(
  data = Adidas,
  y = ~operating_margin,
  type = "box",
  name = "operating Margin"
) %>%
  layout(title = "Box Plot de Margen Operativo",
         yaxis = list(title = "Margen Operativo"))

# Mostrar gráfico
boxplot_Margen_Operativo

Correlación-Dispersión

Se observa una correlación debil entre el precio por unidad y las unidades vendidas, con un coeficiente de correlación de 0.27.

Esto indica que los productos vendidos por la marca Adidas, al ser catalogados como un producto de lujo, presentan independencia entre el nivel de precios y las unidades vendidas.

# Crear gráfico interactivo con correlación
ggplotly(
  ggplot(Adidas, aes(x = price_per_unit, y = units_sold)) +
    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("Relación entre el precio por unidad y las unidades vendidas\nCoef. de correlación: ", 
                    round(cor(Adidas$price_per_unit, Adidas$units_sold, use = "complete.obs"), 2)),
      x = "Precio por unidad (USD)",
      y = "Unidades vendidas (Unidades)",
      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)
    )
)

Grafico comparativo de ventas totales Vs Utilidad Operacional

El deterioro presentado entre las ventas totales y la utilidad operacional presentada por retailer, indica que Foot Locker presentada el mayor deterioro con un 73%, mientras que Kohl el retailer con menor deterioro entre las ventas totales y la utilidad operacional con un 61%. Importante destacar, que apesar de la disparidad presentada entre los ingresos registrados entre Foot Locker y Kohl, su aporte en la utilidad operacional de la compañia se diferencia en 12 puntos porcentuales.

# Crear gráfico de barras comparativo de Ventas Totales y Utilidad Operacional por Retailer
grafico_barras_Ventas_Utilidad_Operacional <- plot_ly(Adidas, x = ~retailer) %>%
  add_bars(y = ~total_sales, name = "Ventas Totales", marker = list(color = 'green')) %>%
  add_bars(y = ~operating_profit, name = "Utilidad Operacional", marker = list(color = 'purple')) %>%
  layout(barmode = "group",  # Mostrar barras una al lado de la otra
         title = "Comparación de Ventas Totales y Utilidad Operacional por Retailer en Adidas",
         xaxis = list(title = "Retailer"),
         yaxis = list(title = "Valor en Miles de pesos"),
         hovermode = "x")

# Mostrar el gráfico
grafico_barras_Ventas_Utilidad_Operacional