ADIDAS - Mercado: Estados Unidos

Adidas es una empresa alemana que produce ropa y calzado deportivo, siendo el mayor fabricante de ropa deportiva en Europa y el segundo del mundo. Fue fundada en 1949 por Adi Dassler y Rudolf Dassler con el objetivo de crear calzado deportivo que mejorara el rendimiento de los atletas.

En este informe se hace un análisis exploratorio de las ventas de Adidas en Estados Unidos, donde cuenta con un presencia comercial relvante, alcanzando ventas totales por $120,166,650 de USD.

Adidas cuenta con una sólida estructura comercial en Estados Unidos, apoyada por seis minoristas estratégicos: Sports Direct, Amazon, Foot Locker, Kohl’s, Walmart y West Gear, con cobertura en los 50 estados del país.

Su portafolio de productos en este mercado se organiza en seis líneas, dirigidas a hombres y mujeres:

Women’s Street Footwear

Women’s Athletic Footwear

Women’s Apparel

Men’s Street Footwear

Men’s Athletic Footwear

Men’s Apparel

Esta diversificación le permite atender distintas necesidades del consumidor y mantener una posición competitiva en el sector deportivo.

# Cargar librerías necesarias

library(readxl)
library(ggplot2)
library(plotly)
library(kableExtra)
library(tidyr)
library(dplyr)
library(RecordLinkage)
library(leaflet)
library(htmltools)
library(tmaptools)
library(ggmap)
library(knitr)
library(tidyverse)
library(scales)
# Cargar datos desde el archivo Excel
Adidas <- read_excel("Adidas.xlsx")
   
# 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

Producto más Vendido

Como se observa en la figutra 1, La línea de productos con mayor participación en las ventas de Adidas en Estados Unidos es Men’s Street Footwear, que representa el 23% del total. Le siguen Women’s Apparel con un 19,9% y Men’s Athletic Footwear con un 17,1%.

Estos datos permiten inferir que el segmento masculino constituye el principal mercado objetivo para la marca en esta región 54% de sus ventas, lo que refuerza la importancia de mantener y fortalecer su propuesta de valor dirigida a este público que representa $64,778,581 millones de USD

#GRAFICO PARA PARTICIPACION ($) X LINEA DE PRODUCTO

# Agrupar ventas por línea de producto
ventas_por_producto <- Adidas %>%
  group_by(Product) %>%
  summarise(total_ventas = sum(total_sales, na.rm = TRUE)) %>%
  mutate(porcentaje = round(100 * total_ventas / sum(total_ventas), 1),
         etiqueta = paste(Product, "-", porcentaje, "%"))

# Gráfico de pastel
grafico_pastel_ingresos <- plot_ly(
  ventas_por_producto,
  labels = ~Product,
  values = ~total_ventas,
  type = "pie",
  textinfo = "label+percent",
  hoverinfo = "text",
  text = ~etiqueta,
  marker = list(colors = RColorBrewer::brewer.pal(n = length(unique(ventas_por_producto$Product)), "Dark2"))
) %>%
  layout(title = "Figura 1:Ventas ($) por Línea de Producto")

# Mostrar el gráfico
grafico_pastel_ingresos

Ranking de ventas por Minorista

Dentro de la red de minoristas de Adidas en Estados Unidos, destacan West Gear con el 27% del total de ventas, Foot Locker con un 24,2% y Sports Direct con un 20,5%. En conjunto, estos tres minoristas concentran el 71,7% de los ingresos de la marca en este mercado.

Esta alta concentración comercial implica una dependencia significativa que podría representar un riesgo operativo. Cualquier dificultad financiera, logística o comercial que enfrente alguno de estos socios estratégicos podría impactar negativamente la estabilidad y el desempeño de Adidas en la región.

Se recomienda implementar una estrategia comercial enfocada en fortalecer la participación de los distribuidores con menor volumen de ventas o, en su defecto, explorar la incorporación de un nuevo distribuidor que contribuya a diversificar y equilibrar la concentración actual del canal, reduciendo así la dependencia de los principales minoristas.

#GRAFICO PARA PARTICIPACION ($) X MINORISTA

# Agrupar ventas por línea de producto
ventas_por_minorista <- Adidas %>%
  group_by(retailer) %>%
  summarise(total_ventas = sum(total_sales, na.rm = TRUE)) %>%
  mutate(porcentaje = round(100 * total_ventas / sum(total_ventas), 1),
         etiqueta = paste(retailer, "-", porcentaje, "%"))

# Gráfico de pastel
grafico_pastel_ingresos <- plot_ly(
  ventas_por_minorista,
  labels = ~retailer,
  values = ~total_ventas,
  type = "pie",
  textinfo = "label+percent",
  hoverinfo = "text",
  text = ~etiqueta,
  marker = list(colors = RColorBrewer::brewer.pal(n = length(unique(ventas_por_producto$Product)), "Paired"))
) %>%
  layout(title = "Figura 2: Ventas ($) por Minorista")

# Mostrar el gráfico
grafico_pastel_ingresos

Comportamiento del Producto por Distribuidor

La Figura 3 presenta un análisis cruzado entre las ventas por minorista y el número de unidades vendidas por cada línea de producto.

El resultado evidencia que las diferentes líneas mantienen una distribución proporcional constante entre los distintos minoristas, lo que sugiere una homogeneidad en el comportamiento de compra por parte de los consumidores, independientemente del canal de venta.

Nota: Se utiliza el número de unidades como métrica principal con el fin de evitar sesgos derivados de la variabilidad en los precios entre minoristas.

#GRAFICO PARA PARTICIPACION (Q) X LINEA DE PRODUCTO Y MINORISTA


# Agrupar por línea de producto y minorista, y sumar unidades
ventas_por_producto_retailer <- Adidas %>%
  group_by(retailer,Product) %>%
  summarise(units_sold = sum(units_sold, na.rm = TRUE)) %>%
  ungroup()

colores_oscuros <- c("#003f9c","#f95d2a","#2f4b3c", "#665111", "#a05186", "#f58018")

# Gráfico de barras apiladas
grafico_barras_apiladas <- plot_ly(
  data = ventas_por_producto_retailer,
  x = ~retailer,
  y = ~units_sold,
  color = ~Product,
  colors = colores_oscuros,
  type = 'bar'
) %>%
  layout(
    barmode = 'stack',
    title = "Figura 3. Unidades Vendidas de Producto por Minorista",
    xaxis = list(title = "Minorista"),
    yaxis = list(title = "Unidades Vendidas"),
    legend = list(title = list(text = 'Linea de Prodcuto'))
  )

# Mostrar el gráfico
grafico_barras_apiladas

Análisis de Rentabilidad por Línea de Producto en Estados Unidos

Al analizar la rentabilidad de Adidas en el mercado de Estado Unidos, se observa un desempeño financiero sólido en todas sus líneas de producto, con márgenes operativos que oscilaron entre el 40,3% y el 44,6%. Ver Figura 4 Destaca particularmente la línea Men’s Street Footwear, que se consolida como el producto más relevante en la región: no solo representa el 23% de las ventas totales, sino que también alcanza la rentabilidad promedio más alta, con un 44,6%. Le siguen Women’s Apparel, con un 19,9% de participación en ventas* y una rentabilidad promedio del 44,1%, lo que refuerza su importancia estratégica dentro del portafolio.

# GRAFICO RENTABILIDAD (%) GENERAL X PRODUCTO

# Calcular la rentabilidad promedio por línea de producto
rentabilidad_promedio <- Adidas %>%
  group_by(Product) %>%
  summarise(Rentabilidad_promedio = mean(operating_margin, na.rm = TRUE)) %>%
  arrange(desc(Rentabilidad_promedio))

# Crear el gráfico de barras
plot_ly(
  data = rentabilidad_promedio,
  x = ~reorder(Product, Rentabilidad_promedio),
  y = ~Rentabilidad_promedio,
  type = 'bar',
  text = ~paste0(round(Rentabilidad_promedio * 100, 1), "%"),
  textposition = 'auto',
  marker = list(color = 'green')
) %>%
  layout(
    title = "Figura 4: Rentabilidad (%) Promedio por Línea de Producto",
    xaxis = list(title = "Producto"),
    yaxis = list(title = "Rentabilidad Promedio (%)", tickformat = ".0%"),
    margin = list(b = 100) # Para productos con nombres largos
  )

Profundizando en el análisis, la Figura 5 presenta la rentabilidad porcentual de cada línea de producto en los seis minoristas analizados.

Los resultados muestran que no existe un comportamiento homogéneo en la rentabilidad por línea entre los diferentes distribuidores, lo que sugiere que el desempeño de cada producto depende o esta influenciado por factores propios de cada canal, como estrategias comerciales, costos operativos o condiciones logísticas específicas.

No obstante, a pesar de la variabilidad observada de cada linea de prodcuto dentro de cada minorista, se destaca que la rentabilidad mínima registrada en todo el mix es del 34%, lo que refleja un buen desempeño financiero generalizado.

# GRAFICO RENTABILIDAD (%) POR MINORISTA Y PRODCUTO


# Calcular rentabilidad promedio por Retailer y Producto
rentabilidad_combinada <- Adidas %>%
  group_by(retailer, Product) %>%
  summarise(rentabilidad_promedio = mean(operating_margin, na.rm = TRUE)) %>%
  ungroup()

# 2. Ordenar retailers por rentabilidad total
orden_retailer <- rentabilidad_combinada %>%
  group_by(retailer) %>%
  summarise(rentabilidad_total = mean(rentabilidad_promedio, na.rm = TRUE)) %>%
  arrange(desc(rentabilidad_total))

# 3. Ordenar productos por rentabilidad total
orden_producto <- rentabilidad_combinada %>%
  group_by(Product) %>%
  summarise(rentabilidad_total = mean(rentabilidad_promedio, na.rm = TRUE)) %>%
  arrange(desc(rentabilidad_total))

# 4. Convertir a factores ordenados
rentabilidad_combinada$retailer <- factor(
  rentabilidad_combinada$retailer,
  levels = rev(orden_retailer$retailer)
)

rentabilidad_combinada$Product <- factor(
  rentabilidad_combinada$Product,
  levels = orden_producto$Product
)

# Crear gráfico con barras agrupadas
plot_ly(
  data = rentabilidad_combinada,
    x = ~rentabilidad_promedio,
  y = ~retailer,
  color = ~Product,
  type = 'bar',
  orientation = 'h'
) %>%
  layout(
    title = "Figura 5:Rentabilidad Promedio (%) por Producto y Minorista",
    xaxis = list(title = "Rentabilidad Promedio (%)"),
    yaxis = list(title = "Minorista"),
    barmode = 'group',  # <- Cambio aquí
    margin = list(l = 100)
  )

Continuando con el análisis, si se observa el cuadro presentado a continuación, se inferir que NO existe una relación directa entre el precio de venta y el volumen de ventas. Es relevante señalar que las tres líneas con mayor participación en ventas también presentan algunos de los precios con la mediana más altos: • Men’s Street Footwear: USD $45 • Women’s Apparel: USD $51 • Men’s Athletic Footwear: USD $44 En este contexto, podría existir una oportunidad comercial en la línea Men’s Apparel, que actualmente tiene el nivel más bajo de ventas, 13,7% y el precio con la mediana más alto $50 USD. Una estrategia de ajuste moderado en el precio podría generar un incremento ventas sin afectar la rentabilidad general promedió de Adidas. Esta línea podría estar sobrevalorada para el mercado estadounidense, y un reposicionamiento de precio podría mejorar su competitividad.

# Calcular los indicadores por cada tipo de producto
indic_precio_por_producto <- Adidas %>%
  group_by(Product) %>%
  summarise(
    promedio_precio = mean(price_per_unit, na.rm = TRUE),
    mediana_precio = median(price_per_unit, na.rm = TRUE),
    minimo_precio = min(price_per_unit, na.rm = TRUE),
    maximo_precio = max(price_per_unit, na.rm = TRUE),
    desvest_precio = sd(price_per_unit, na.rm = TRUE)
  )

indic_precio_por_producto
Product promedio_precio mediana_precio minimo_precio maximo_precio desvest_precio
Men’s Apparel 50.32192 50 16 95 12.66571
Men’s Athletic Footwear 43.77950 44 11 95 13.08306
Men’s Street Footwear 44.23665 45 7 95 13.90474
Women’s Apparel 51.60075 51 14 110 16.53933
Women’s Athletic Footwear 41.11270 40 7 90 13.16988
Women’s Street Footwear 40.25249 40 7 95 14.65784

Canales de Venta

La Figura 6 consolida la información de las ventas totales de Adidas según el tipo de canal utilizado. Los datos muestran que, al momento del análisis, el canal online representa el mayor volumen de ventas, lo que refleja una clara tendencia de los consumidores hacia el comercio electrónico, alineada con cambios globales en los hábitos de compra.

En segundo lugar se encuentra el canal outlet, lo cual podría sugerir que, si bien los consumidores siguen interesados en la marca, existe una creciente sensibilidad al precio. Esto podría ser un indicio de que el poder adquisitivo de parte del público objetivo está disminuyendo, lo que lleva a optar por alternativas con descuentos.

Este comportamiento merece atención estratégica, ya que una presencia excesiva en canales outlet podría afectar la percepción de valor de marca y desplazar a Adidas del posicionamiento premium que ha consolidado, hacia una percepción más asociada a compras de oportunidad. Mantener un equilibrio entre accesibilidad y percepción de calidad será clave para sostener su liderazgo en el mercado.

# GRAFICO DE VENTAS POR TIPO DE CANAL

# Agrupar por método de ventas y calcular el total de ventas
ventas_por_metodo <- Adidas %>%
  group_by(sales_method) %>%
  summarise(Total_Ventas = sum(total_sales, na.rm = TRUE)) %>%
  arrange(desc(Total_Ventas))

# Crear gráfico de barras con plotly
plot_ly(
  data = ventas_por_metodo,
  x = ~Total_Ventas,
  y = ~reorder(sales_method, Total_Ventas),
  type = "bar",
  orientation = "h",
  marker = list(color = 'rgba(58, 71, 80, 0.6)',
                line = list(color = 'rgba(58, 71, 80, 1.0)', width = 1.5))
) %>%
  layout(
    title = "Figura 6: Ventas por Tipo de Canal",
    xaxis = list(title = "Total de Ventas (USD)"),
    yaxis = list(title = "Canal de Venta"),
    showlegend = FALSE
  )

Cobertura de Estado Unidos

En términos de cobertura geográfica, Adidas tiene presencia en los 50 estados de Estados Unidos, lo que reafirma su alcance nacional y estrategia de expansión descentralizada. Sus operaciones abarcan desde grandes mercados como California, Nueva York y Texas, hasta estados menos poblados como Wyoming o Vermont, consolidando una red logística y comercial

El análisis territorial revela que la mayor concentración de ingresos proviene de la costa este, destacándose ciudades como Orlando, Miami, Nueva York y Charlotte. Este patrón de ingresos está alineado con la alta densidad demográfica de esta región, lo que refuerza la lógica comercial detrás de su estrategia de presencia intensiva en esa zona.

# GRAFICO DE VENTAS POR ESTADO - PRECENIA COMERICAL Y NIVEL DE IMPORTANCIA

# Agrupar por ciudad y sumar ventas
ventas_por_ciudad <- Adidas %>%
  group_by(City) %>%
  summarise(Ventas = sum(total_sales, na.rm = TRUE)) %>%
  ungroup() %>%
  mutate(Ciudad_Pais = paste(City, "USA", sep = ", "))

#Geocodificar cada ciudad con tryCatch (geocode_OSM)
geo_seguro <- function(x) {
  tryCatch({
    resultado <- geocode_OSM(x)
    if (is.null(resultado)) {
      warning(paste("No se pudo geocodificar:", x))
      return(data.frame(Ciudad_Pais = x, lat = NA, lon = NA))
    } else {
      return(data.frame(Ciudad_Pais = x,
                        lat = resultado$coords["y"],
                        lon = resultado$coords["x"]))
    }
  }, error = function(e) {
    warning(paste("Error al geocodificar:", x, ":", e$message))
    return(data.frame(Ciudad_Pais = x, lat = NA, lon = NA))
  })
}

#Obtener coordenadas para las ciudades reales del dataset
coordenadas <- do.call(rbind, lapply(ventas_por_ciudad$Ciudad_Pais, geo_seguro))

#Unir las coordenadas con los datos de ventas
ventas_mapa <- ventas_por_ciudad %>%
  left_join(coordenadas, by = "Ciudad_Pais") %>%
  filter(!is.na(lat) & !is.na(lon))

#Crear el mapa con burbujas proporcionales
leaflet(ventas_mapa) %>%
  addTiles() %>%
  addCircleMarkers(
    ~lon, ~lat,
    radius = ~rescale(Ventas, to = c(5, 20)),  # Tamaño proporcional
    fillColor = ~colorNumeric("red", Ventas)(Ventas),  # Color según ventas
    fillOpacity = 0.7,
    stroke = FALSE,
    popup = ~paste0("<b>", City, "</b><br>Ventas: $", round(Ventas, 2))
  ) %>%
  addLegend(
    "bottomright",
    pal = colorNumeric("red", ventas_mapa$Ventas),
    values = ventas_mapa$Ventas,
    title = "Ventas por Ciudad"
  )

Resumen Ejecutivo

Adidas, una de las marcas deportivas más reconocidas a nivel global, presenta un sólido desempeño en el mercado estadounidense, con un volumen total de ventas que supera los USD $120 millones. La compañía destaca por su alta eficiencia operativa, reflejada en un margen operativo promedio del 42,3%, lo que evidencia una gestión eficaz de costos y operaciones.

Su red de distribución en Estados Unidos, compuesta por seis distribuidores, le permite una cobertura nacional completa, con presencia en los 50 estados. Esta estructura respalda una estrategia de expansión geográfica integral, abarcando tanto mercados altamente poblados como California, Texas y Nueva York, como también estados de menor densidad demográfica.

En términos de canales de comercialización, Adidas opera a través de tiendas físicas (in-store), tiendas outlet y ventas online, demostrando su capacidad para adaptarse a los cambios en los hábitos de consumo, especialmente frente al crecimiento sostenido del comercio electrónico. Adidas se consolida como un actor clave en el sector de artículos deportivos en EE.UU., con un fuerte posicionamiento de marca, una estrategia multicanal efectiva y una rentabilidad destacada.

No obstante, existen oportunidades de mejora, como diversificar la concentración de ventas actualmente centrada en tres distribuidores, lo cual ayudaría a reducir riesgos operativos. Asimismo, se identifica un potencial de crecimiento en lína de Men’s Apparel, que podrían incrementar su volumen mediante ajustes estratégicos de precio, manteniendo una rentabilidad competitiva.