Análisis variables financierasAdidas
Diego Paz - Leonel Restrepo
2025-06-08
Introducción
Adidas es un ícono global en la industria deportiva, reconocido por su calidad, innovación y alto rendimiento. Fundada en 1949 por Adolf Dassler en Herzogenaurach, Alemania, la marca ha pasado de ser un taller familiar a una multinacional líder, manteniendo su sede en su ciudad de origen. Su oferta abarca calzado, ropa y accesorios deportivos que responden tanto a las exigencias del deporte profesional como a las tendencias de la moda urbana. Esta versatilidad le ha permitido conectar con diferentes generaciones y estilos de vida. Adidas destaca frente a sus competidores por su capacidad de adaptación, su enfoque en la tecnología deportiva y su influencia cultural.
El objetivo de este análisis es analizar el margen operacional y el margen de utilidad en las ventas de Adidas por líneas de producto lo que permite evaluar la eficiencia de sus operaciones y su rentabilidad real.
Análisis exploratorio
El estudio busca analizar el desempeño financiero de Adidas en el mercado estadounidense, centrándose en sus puntos de venta según ubicación (estado y ciudad) y canal de comercialización (tiendas propias, franquicias y ventas en línea, recopilando datos cuantitativos donde se utilizan métricas clave como ventas por unidad y utilidad operativa.
Adicionalmente, se hace uso de la estadística descriptiva para identificar anomalías, patrones de comportamiento y diferencias regionales en los resultados financieros.
El estudio no solo mide el rendimiento actual, sino que también busca proporcionar insights accionables para optimizar la distribución, el marketing y las ventas en diferentes regiones y canales, sino también entregar un informe detallado que permita a Adidas tomar decisiones informadas para fortalecer su posición en el mercado estadounidense.
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
datos_col <- read_excel("C:/Users/DELL/Desktop/ESPECIALIZACION FINANZAS/ANALÍTICA DE DATOS/Adidas.xlsx",
col_types = c("text", "text", "text",
"text", "text", "text", "text", "numeric",
"numeric", "numeric", "numeric",
"numeric"))
# Ver las primeras filas de los datos
class(datos_col) ## [1] "tbl_df" "tbl" "data.frame"colnames(datos_col) ## [1] "retailer" "Region" "State" "City"
## [5] "Product" "Genero" "sales_method" "price_per_unit"
## [9] "units_sold" "total_sales" "operating_profit" "operating_margin"head(datos_col)## # A tibble: 6 × 12
## retailer Region State City Product Genero sales_method price_per_unit
## <chr> <chr> <chr> <chr> <chr> <chr> <chr> <dbl>
## 1 Foot Locker Northeast New Yo… New … Men's … <NA> In-store 50
## 2 Foot Locker Northeast New Yo… New … Men's … <NA> In-store 50
## 3 Foot Locker Northeast New Yo… New … Women'… <NA> In-store 40
## 4 Foot Locker Northeast New Yo… New … Women'… <NA> In-store 45
## 5 Foot Locker Northeast New Yo… New … Men's … <NA> In-store 60
## 6 Foot Locker Northeast New Yo… New … Women'… <NA> In-store 50
## # ℹ 4 more variables: units_sold <dbl>, total_sales <dbl>,
## # operating_profit <dbl>, operating_margin <dbl>Tabla 1: Indicadores de centralidad y dispersión**
# Resumen estadístico de las variables financieras
resumen <-datos_col%>%
select(total_sales, units_sold, operating_profit, operating_margin) %>%
summary()
resumen## total_sales units_sold operating_profit operating_margin
## Min. : 0 Min. : 0.0 Min. : 0 Min. :0.0000
## 1st Qu.: 4065 1st Qu.: 106.0 1st Qu.: 1753 1st Qu.:0.3500
## Median : 7804 Median : 176.0 Median : 3263 Median :0.4100
## Mean :12455 Mean : 256.9 Mean : 4895 Mean :0.4228
## 3rd Qu.:15864 3rd Qu.: 350.0 3rd Qu.: 6192 3rd Qu.:0.4900
## Max. :82500 Max. :1275.0 Max. :39000 Max. :0.8000Los resultados presentados ofrecen un resumen estadístico del desempeño financiero y comercial de Adidas, evaluando variables clave como ventas totales, unidades vendidas, utilidad operativa y margen operativo.
En promedio, las ventas totales son 12.455 millones de USD, con una mediana de 7.804 millones de USD, lo que sugiere una distribución sesgada hacia valores más altos. Las unidades vendidas promedian 257, pero la mediana es de 176, indicando también una posible concentración en volúmenes menores con algunos casos excepcionales de alto volumen.
En cuanto a la rentabilidad, el beneficio operativo promedio es de 4.895 millones USD, con un máximo de 39.000 millones USD, reflejando variaciones significativas entre productos o líneas de negocio. El margen operativo promedio es de 42,3 %, con una mediana de 41 %, lo que indica una rentabilidad operativa saludable y relativamente constante.
Este análisis muestra que, aunque existe una gran dispersión en ventas y utilidades, Adidas mantiene una buena eficiencia operativa, con márgenes estables incluso en contextos de ventas variables. Estos datos son clave para evaluar el rendimiento por producto o categoría y tomar decisiones estratégicas en precios, costos y enfoque comercial.
library(readxl)
data = read_excel("C:/Users/DELL/Desktop/ESPECIALIZACION FINANZAS/ANALÍTICA DE DATOS/Adidas.xlsx")
require(ggplot2)
require(ggpubr)
require(CGPfunctions)
require(plotly)
names(data)## [1] "retailer" "Region" "State" "City"
## [5] "Product" "Genero" "sales_method" "price_per_unit"
## [9] "units_sold" "total_sales" "operating_profit" "operating_margin"Grafico 1. Margen utilidad por producto **
# Visualizar margen de utilidad por categoría de producto
p <-ggplot(datos_col, aes(x = Product, y = operating_margin, fill = Product)) +
geom_boxplot() +
labs(title = "Distribución del Margen de Utilidad por Producto",
x = "Producto",
y = "Margen de Utilidad (%)") +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Convertir a gráfico interactivo
ggplotly(p)El gráfico 1 muestra la distribución del margen de utilidad por tipo de producto en la marca Adidas, utilizando diagramas de caja (boxplots) para visualizar la variabilidad y tendencias centrales en cada categoría.
Análisis: Mediana consistente: La mayoría de los productos tienen una mediana de margen de utilidad alrededor del 40%, lo cual indica que, en general, los productos de Adidas mantienen una rentabilidad operativa estable.
Mayor variabilidad en Women’s Apparel: La categoría “Women’s Apparel” presenta una mayor dispersión, con márgenes que van desde cerca de 0 hasta 0.8, lo que sugiere productos con muy diferente rentabilidad dentro de esta línea.
Presencia de outliers: Algunas categorías, como “Women’s Athletic Footwear” y “Women’s Apparel”, presentan outliers, lo cual sugiere productos con márgenes atípicamente bajos o altos.
De acuerdo a lo anterior, se puede concluir que Adidas mantiene márgenes operativos saludables en sus líneas de producto, pero ciertas categorías (especialmente de mujer) muestran una mayor dispersión, lo que podría indicar oportunidades para optimizar precios o costos.
Grafico 2.Ventas y Utilidad por Método de venta
library(ggplot2)
library(plotly)
# Datos reales agrupados por canal de ventas
data <- data.frame(
Metodo = c("In-store", "Online", "Outlet"),
Categoria = rep(c("Ventas", "Utilidad"), each = 3),
Valor = c(35664375, 44965657, 39536618, 127591300, 96555180, 107988300)
)
# Crear el gráfico de barras apiladas
p <-ggplot(data, aes(x = Metodo, y = Valor / 1e6, fill = Categoria)) +
geom_bar(stat = "identity", position = "stack") +
scale_y_continuous(name = "Valores en millones dolares") +
labs(title = "Ventas y Utilidad por Método de Venta", x = "Método de Venta") +
scale_fill_manual(values = c("Ventas" = "gray", "Utilidad" = "black")) +
theme_minimal()
# Convertir a gráfico interactivo
ggplotly(p)El gráfico 2. muestra las ventas y utilidades por método de venta (In-store, Online y Outlet) de Adidas, representadas en millones de dólares mediante un gráfico de barras apiladas.
Las tiendas físicas son el canal más rentable para Adidas en términos de utilidades con más de 150 millones USD, mientras que el canal online, aunque tiene buenas ventas, es el menos rentable. Finalmente, el canal outlet registra utilidades cercanas a 150 millones USD, alineadas con el nivel de ventas del mismo.
Tabla 2 Relacion precio por unidad, margen opeartivo y volumen de ventas.
# Cargar la librería necesaria
library(dplyr)
# Cree un resumen que muestre las unidades vendidas, el margen operativo y el volumen de ventas por producto, en orden descendente por unidades vendidas
summary_df <- datos_col %>%
group_by(Product) %>%
summarise(
total_units_sold = sum(units_sold, na.rm = TRUE),
avg_operating_margin = mean(operating_margin, na.rm = TRUE),
total_sales_volume = sum(units_sold * price_per_unit, na.rm = TRUE) # Volumen de ventas
) %>%
arrange(desc(total_units_sold)) # Orden descendente por unidades vendidas
# Mostrar el data frame resumen
print(summary_df)## # A tibble: 6 × 4
## Product total_units_sold avg_operating_margin total_sales_volume
## <chr> <dbl> <dbl> <dbl>
## 1 Men's Street Footwear 593320 0.446 27680769
## 2 Men's Athletic Footw… 435526 0.403 20577180
## 3 Women's Apparel 433827 0.441 23870985
## 4 Women's Street Footw… 392269 0.410 17201563
## 5 Women's Athletic Foo… 317236 0.423 14315521
## 6 Men's Apparel 306683 0.413 16520632La tabla 2 presenta un resumen por categoría de producto de Adidas, mostrando el total de unidades vendidas y el margen operativo promedio. Este análisis combina volumen de ventas y la utilidad operacional por línea de producto.
Se puede concluir que el mayor desempeño lo tiene la línea Men’s Street Footwear: pues lidera tanto en volumen de ventas (593,320 unidades) como en margen operativo promedio (44.6 %), lo que la posiciona como la más rentable y demandada.
A su vez, Women’s Apparel y Men’s Apparel presentan alta rentabilidad relativa pues a pesar de vender menos que el calzado masculino, ambas categorías de ropa tienen márgenes operativos superiores al 41 %, mostrando una buena eficiencia en costos o posicionamiento de precios.
Respecto a Women’s Athletic Footwear y Men’s Athletic Footwear aunque tienen una buena participación en ventas, sus márgenes operativos son ligeramente menores, especialmente en el caso masculino (40.3 %).
#Gráfico 3. Variación del margen en función del precio por unidad y volumen de ventas
# Cargar las librerías necesarias
library(dplyr)
library(ggplot2)
# Cree un resumen de margen operativo, precio por unidad y volumen de ventas por producto
summary_df <- datos_col %>%
group_by(Product) %>%
summarise(
avg_operating_margin = mean(operating_margin, na.rm = TRUE), # Margen operativo promedio
avg_price_per_unit = mean(price_per_unit, na.rm = TRUE), # Precio promedio por unidad vendida
total_sales_volume = sum(units_sold * price_per_unit, na.rm = TRUE) # Volumen de ventas
) %>%
arrange(desc(total_sales_volume)) # Orden descendente por volumen de ventas
# Mostrar el data frame resumen
print(summary_df)## # A tibble: 6 × 4
## Product avg_operating_margin avg_price_per_unit total_sales_volume
## <chr> <dbl> <dbl> <dbl>
## 1 Men's Street Footw… 0.446 44.2 27680769
## 2 Women's Apparel 0.441 51.6 23870985
## 3 Men's Athletic Foo… 0.403 43.8 20577180
## 4 Women's Street Foo… 0.410 40.3 17201563
## 5 Men's Apparel 0.413 50.3 16520632
## 6 Women's Athletic F… 0.423 41.1 14315521# Crear un gráfico de dispersión
p <-ggplot(summary_df, aes(x = avg_price_per_unit, y = avg_operating_margin, size = total_sales_volume)) +
geom_point(alpha = 0.7, color = "red") + # Puntos en azul, tamaño según volumen de ventas
geom_smooth(method = "lm", color = "black", se = FALSE) + # Línea de tendencia en rojo
labs(title = "Variación del margen en función del precio por unidad y volumen de ventas",
x = "precio promedio por unidad vendida (USD)",
y = "Margen operativo (%)",
size = "volumen de ventas") +
theme_minimal()
# Convertir a gráfico interactivo
ggplotly(p)El gráfico muestra la relación entre el precio promedio por unidad, el margen operativo y el volumen de ventas (representado por el tamaño de las burbujas) en diferentes categorías de producto
El precio y la rentabilidad son directamente proporcionales, pero no todos los productos costosos son los más rentables.
Grafico 4. Analisis de contribucion de las ventas y utilidad operativa
# Cargar las librerías necesarias
library(dplyr)
library(ggplot2)
# Crear un resumen de la utilidad operativa y total de ventas por producto
summary_df <- datos_col %>%
group_by(Product) %>%
summarise(
total_sales_volume = sum(units_sold * price_per_unit, na.rm = TRUE), # Total de ventas
total_operating_profit = sum(units_sold * price_per_unit * operating_margin, na.rm = TRUE), # Utilidad operativa
avg_operating_margin = mean(operating_margin, na.rm = TRUE) # Margen operativo promedio
) %>%
arrange(desc(total_sales_volume)) # Orden descendente por ventas totales
# Mostrar la tabla resumen
print(summary_df)## # A tibble: 6 × 4
## Product total_sales_volume total_operating_profit avg_operating_margin
## <chr> <dbl> <dbl> <dbl>
## 1 Men's Street F… 27680769 11629046. 0.446
## 2 Women's Apparel 23870985 9685221. 0.441
## 3 Men's Athletic… 20577180 7437457. 0.403
## 4 Women's Street… 17201563 6494017. 0.410
## 5 Men's Apparel 16520632 6381405. 0.413
## 6 Women's Athlet… 14315521 5597822. 0.423# Crear un gráfico de dispersión
ggplot(summary_df, aes(x = total_sales_volume, y = total_operating_profit, size = avg_operating_margin)) +
geom_point(alpha = 0.7, color = "green") + # Puntos en verde, tamaño según margen operativo
geom_smooth(method = "lm", color = "black", se = FALSE) + # Línea de tendencia negra
labs(title = "Análisis de Contribución: Ventas vs Utilidad Operativa",
x = "Total de Ventas",
y = "Utilidad Operativa",
size = "Margen Operativo Prom.") +
theme_minimal()
El gráfico 4 muestra la relación entre el total de ventas y la utilidad
operativa por categoría de producto, considerando además el margen
operativo promedio (representado por el tamaño de los puntos).
Se observa una clara correlación positiva entre ventas totales y utilidad operativa. A medida que aumentan las ventas, también lo hace la utilidad.
Los puntos más grandes (mayores márgenes) están en posiciones altas tanto en ventas como en utilidad, lo que sugiere que estos productos no solo venden más, sino que también son más rentables.
Hay un punto en la parte superior derecha que sobresale tanto en ventas como en utilidad. Este representa el producto con mayor contribución absoluta a la utilidad operativa, con un margen también superior al promedio.
**