1. Introducción

Este informe desarrolla un analisis descriptivo y financiero de la base de ventas de Adidas. El objetivo es identificar patrones de demanda, eficiencia por canal y la relacion entre precio, volumen, ventas y utilidad operativa. Se presentan estadisticas de tendencia central y dispersion, visualizaciones comparativas, KPIs y un cierre con recomendaciones.

Preguntas guia: - Que tan concentradas estan las ventas y utilidades entre productos y canales?. - Como se relacionan el precio por unidad y las unidades vendidas (elasticidad)?. - Que canales convierten mejor ventas en utilidad (margen y utilidad por unidad)?. - Donde existen colas de bajo margen que deban corregirse?.

2. Carga y limpieza mínima de datos

datos <- read_excel("Adidas.xlsx", sheet = "Data Sales Adidas") %>%
  clean_names()

names(datos)
##  [1] "retailer"         "region"           "state"            "city"            
##  [5] "product"          "price_per_unit"   "units_sold"       "total_sales"     
##  [9] "operating_profit" "operating_margin" "sales_method"
head(datos)
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 300000 0.50 In-store
Foot Locker Northeast New York New York Men’s Athletic Footwear 50 1000 50000 150000 0.30 In-store
Foot Locker Northeast New York New York Women’s Street Footwear 40 1000 40000 140000 0.35 In-store
Foot Locker Northeast New York New York Women’s Athletic Footwear 45 850 38250 133875 0.35 In-store
Foot Locker Northeast New York New York Men’s Apparel 60 900 54000 162000 0.30 In-store
Foot Locker Northeast New York New York Women’s Apparel 50 1000 50000 125000 0.25 In-store

3. Variables derivadas

datos <- datos %>%
  mutate(
    utilidad_por_unidad = ifelse(total_sales > 0, operating_profit / units_sold, 0),
    rentabilidad_sobre_ventas = ifelse(total_sales > 0, operating_profit / total_sales, 0)
  )

head(datos)
retailer region state city product price_per_unit units_sold total_sales operating_profit operating_margin sales_method utilidad_por_unidad rentabilidad_sobre_ventas
Foot Locker Northeast New York New York Men’s Street Footwear 50 1200 60000 300000 0.50 In-store 250.0 5.0
Foot Locker Northeast New York New York Men’s Athletic Footwear 50 1000 50000 150000 0.30 In-store 150.0 3.0
Foot Locker Northeast New York New York Women’s Street Footwear 40 1000 40000 140000 0.35 In-store 140.0 3.5
Foot Locker Northeast New York New York Women’s Athletic Footwear 45 850 38250 133875 0.35 In-store 157.5 3.5
Foot Locker Northeast New York New York Men’s Apparel 60 900 54000 162000 0.30 In-store 180.0 3.0
Foot Locker Northeast New York New York Women’s Apparel 50 1000 50000 125000 0.25 In-store 125.0 2.5
  • utilidad_por_unidad captura eficiencia micro (contribucion por pieza) y es util para comparar SKU heterogeneos en volumen.
  • rentabilidad_sobre_ventas debe aproximarse a operating_margin (si este ultimo ya viene en proporcion). Divergencias grandes sugieren diferencias de definicion o costos no operativos incluidos; conviene priorizar una unica definicion para accion gerencial.
  • Se reportan NAs y valores negativos: NAs altos requieren imputacion o exclusion segun materialidad; valores negativos en ventas o precio deberian revisarse, pues distorsionan elasticidad y margenes.

4. Indicadores de tendencia central y dispersión

describe(select(datos, price_per_unit, units_sold, total_sales, operating_profit, operating_margin))
vars n mean sd median trimmed mad min max range skew kurtosis se
price_per_unit 1 9648 4.521663e+01 1.470540e+01 45.00 4.482655e+01 14.826000 7.0 110.0 103.0 0.3623328 0.4286307 0.1497125
units_sold 2 9648 2.569300e+02 2.142520e+02 176.00 2.214874e+02 134.916600 0.0 1275.0 1275.0 1.4618026 1.6972223 2.1812543
total_sales 3 9648 1.245508e+04 1.271639e+04 7803.50 9.958751e+03 6802.910100 0.0 82500.0 82500.0 1.9614341 4.1211673 129.4628799
operating_profit 4 9648 3.442524e+04 5.419311e+04 4371.42 2.227022e+04 5086.022235 0.0 390000.0 390000.0 2.2329038 5.8149019 551.7285492
operating_margin 5 9648 4.229913e-01 9.719740e-02 0.41 4.207021e-01 0.088956 0.1 0.8 0.7 0.2274108 0.1739254 0.0009895 
datos %>%
  summarise(
    media_precio = mean(price_per_unit, na.rm = TRUE),
    mediana_precio = median(price_per_unit, na.rm = TRUE),
    sd_precio = sd(price_per_unit, na.rm = TRUE),
    rango_precio = max(price_per_unit, na.rm = TRUE) - min(price_per_unit, na.rm = TRUE)
  )
media_precio mediana_precio sd_precio rango_precio
45.21663 45 14.7054 103

Analisis experto:
- La mediana es robusta ante outliers; comparar media vs mediana revela sesgo (si media mucho mayor, hay cola derecha).
- El coeficiente de variacion (CV) permite comparar dispersion entre variables en escalas distintas: CV alto en precio indica estrategia de pricing heterogenea; CV alto en ventas sugiere portafolio con ganadores y colas largas.
- Desviaciones muy altas justifican analizar concentracion (ver KPIs Pareto). —

5. Filtros de análisis

ventas_altas <- datos %>% filter(total_sales > mean(total_sales, na.rm = TRUE))
head(ventas_altas)
retailer region state city product price_per_unit units_sold total_sales operating_profit operating_margin sales_method utilidad_por_unidad rentabilidad_sobre_ventas
Foot Locker Northeast New York New York Men’s Street Footwear 50 1200 60000 300000 0.50 In-store 250.0 5.0
Foot Locker Northeast New York New York Men’s Athletic Footwear 50 1000 50000 150000 0.30 In-store 150.0 3.0
Foot Locker Northeast New York New York Women’s Street Footwear 40 1000 40000 140000 0.35 In-store 140.0 3.5
Foot Locker Northeast New York New York Women’s Athletic Footwear 45 850 38250 133875 0.35 In-store 157.5 3.5
Foot Locker Northeast New York New York Men’s Apparel 60 900 54000 162000 0.30 In-store 180.0 3.0
Foot Locker Northeast New York New York Women’s Apparel 50 1000 50000 125000 0.25 In-store 125.0 2.5

Analisis experto:
- En términos financieros: esos indicadores sirven para diagnosticar si la concentración en pocos productos de alto margen está sosteniendo la rentabilidad global, Un porcentaje bajo de observaciones sobre el promedio confirma concentracion; conviene priorizar su surtido, stock y promesas de entrega.

online <- datos %>% filter(sales_method == "Online")
head(online)
retailer region state city product price_per_unit units_sold total_sales operating_profit operating_margin sales_method utilidad_por_unidad rentabilidad_sobre_ventas
West Gear South Louisiana New Orleans Women’s Apparel 65 575 37375 130812.5 0.35 Online 227.5 3.5
West Gear South Louisiana New Orleans Men’s Street Footwear 60 825 49500 198000.0 0.40 Online 240.0 4.0
West Gear South Louisiana New Orleans Men’s Athletic Footwear 70 700 49000 196000.0 0.40 Online 280.0 4.0
West Gear South Louisiana New Orleans Women’s Street Footwear 85 700 59500 238000.0 0.40 Online 340.0 4.0
West Gear South Louisiana New Orleans Women’s Athletic Footwear 85 575 48875 195500.0 0.40 Online 340.0 4.0
West Gear South Louisiana New Orleans Men’s Apparel 95 450 42750 192375.0 0.45 Online 427.5 4.5

Analisis experto:

Márgenes operativos (0.35 – 0.45) → son relativamente más altos que algunos valores observados en ventas físicas, pero al mismo tiempo muestran más dispersión. Eso significa que unas campañas online pueden ser muy rentables, mientras que otras no tanto.

Utilidad por unidad (227 – 427) → tiende a ser más elevada en comparación con algunos productos vendidos en tienda física. Eso sugiere que las campañas digitales permiten ajustar precios y captar clientes más dispuestos a pagar.

Rentabilidad sobre ventas (3.5 – 4.5) → bastante consistente, pero con variación suficiente como para indicar que las estrategias de precio y segmentación online generan resultados dispares.

El canal Online suele mostrar mayor sensibilidad a precio y mayor dispersion por campañas. Comparar luego sus margenes con canales fisicos para asignacion de presupuesto.

6. Gráficos exploratorios

6.1 Distribución del Margen Operativo

ggplot(datos, aes(x = operating_margin)) +
  geom_histogram(fill = colores_pastel[1], color = "white", bins = 15) +
  theme_minimal() +
  labs(title = "Distribucion del Margen Operativo", x = "Margen Operativo", y = "Frecuencia")

Lectura experta:
El histograma se concentra entre 0.3 y 0.5, con un pico cercano a 0.4. Hay una cola hacia la izquierda (0.1 – 0.2) evidencia productos o canales con márgenes mucho menores. La cola hacia la derecha es corta, indica que muy pocos productos alcanzan márgenes extraordinarios (>0.6). El grueso (entre 0.3 y 0.5) indica que la empresa mantiene un margen operativo “saludable”, pero todavía vulnerable si los costos de producción aumentan o si la competencia presiona los precios. Los valores más altos (>0.6) probablemente corresponden a productos premium o campañas online exitosas que logran cobrar más con bajo costo relativo.

6.2 Boxplot de Ventas Totales por método de venta

ggplot(datos, aes(x = sales_method, y = total_sales, fill = sales_method)) +
  geom_boxplot(alpha = 0.7) +
  scale_fill_manual(values = colores_pastel) +
  theme_minimal() +
  labs(title = "Boxplot de Ventas Totales por Metodo de Venta", x = "Metodo de Venta", y = "Ventas Totales")

lectura experta

In-store

Presenta la Mediana más alta, Caja más amplia, ventas más consistentes y estables que en otros canales. Muchos outliers hacia arriba significa que algunos productos o campañas en tienda generan ventas extraordinarias, que elevan la dispersión.

Online

Mediana claramente más baja.

Caja más comprimida, ventas generalmente bajas o moderadas. Sin embargo, hay múltiples outliers extremos hacia arriba (algunos cercanos a 80.000) indica que pocas campañas digitales logran escalar fuertemente, pero en promedio el canal es más débil que físico.

Outlet

Mediana algo superior a Online.

Caja amplia, aunque con mayor dispersión que In-store.

También presenta muchos outliers altos, lo que sugiere que ocasionalmente los outlets concentran grandes ventas (probablemente por liquidaciones o temporadas).

Interpretación El canal In-store domina en ventas totales regulares, lo cual refleja que aún es el principal motor de ingresos de Adidas en esta muestra.

El canal Online es más volátil: en promedio vende menos, pero algunos outliers muestran que tiene potencial explosivo en campañas puntuales (ejemplo: lanzamientos exclusivos o descuentos masivos).

Los Outlets actúan como un canal de soporte: generan volúmenes intermedios pero con una dispersión amplia. Son útiles para rotar inventario y liberar stock, aunque con riesgo de presionar márgenes.

6.3 Gráfico de barras del Top productos

ranking_unidades <- datos %>%
  group_by(product) %>%
  summarise(total_sales = sum(total_sales, na.rm = TRUE)) %>%
  arrange(desc(total_sales)) %>%
  head(10)

ggplot(ranking_unidades, aes(x = reorder(product, total_sales), y = total_sales, fill = product)) +
  geom_bar(stat = "identity", alpha = 0.8) +
  scale_fill_manual(values = rep(colores_pastel, length.out = 10)) +
  coord_flip() +
  theme_minimal() +
  labs(title = "Top 6 productos por Ventas Totales", x = "Producto", y = "Ventas Totales")

lectura del grafico Podemos ver que el mercado masculino domina fuertemente las ventas en Adidas, con “men’s street footwear”, “athletic footwaer” y ” men’s apparel” conformando el 1-3-5 de los puestos en el top respectivamente.

6.4 Precio vs Unidades Vendidas

ggplot(datos, aes(x = price_per_unit, y = units_sold)) +
  geom_point(color = colores_pastel[2], alpha = 0.7, size = 3) +
  geom_smooth(method = "lm", color = colores_pastel[3], se = FALSE) +
  theme_minimal() +
  labs(title = "Precio vs Unidades Vendidas", x = "Precio por Unidad", y = "Unidades Vendidas")

lectura Alta variabilidad: por cada nivel de precio, hay un rango enorme de unidades vendidas (desde casi 0 hasta más de 1.000).

Se ven clústeres verticales → probablemente por precios estandarizados de catálogo (ej. $20, $30, $50, $60, etc.). Esto puede sugerir que Adidas está vendiendo productos premium (más caros) que, pese al precio elevado, tienen fuerte aceptación por marca, moda o exclusividad.

Los precios bajos no garantizan alto volumen: hay muchos casos de precios bajos con ventas muy reducidas. ## 6.5 Ventas Totales vs Utilidad Operativa

ggplot(datos, aes(x = total_sales, y = operating_profit, color = sales_method)) +
  geom_point(size = 3, alpha = 0.8) +
  scale_color_manual(values = colores_pastel) +
  theme_minimal() +
  labs(title = "Ventas Totales vs Utilidad Operativa", x = "Ventas Totales", y = "Utilidad Operativa")

lectura Existe una correlación positiva clara: a mayor nivel de ventas, mayor utilidad operativa.

Esto valida que la estructura de costos y márgenes es proporcional.

7. Tablas resumen y ranking

ranking_unidades <- datos %>%
  group_by(product) %>%
  summarise(total_sales = sum(units_sold, na.rm = TRUE)) %>%
  arrange(desc(total_sales))
kable(head(ranking_unidades, 10), caption = "Top 6 productos más vendidos")
Top 6 productos más vendidos
product total_sales
Men’s Street Footwear 593320
Men’s Athletic Footwear 435526
Women’s Apparel 433827
Women’s Street Footwear 392269
Women’s Athletic Footwear 317236
Men’s Apparel 306683 
ranking_metodo <- datos %>%
  group_by(sales_method) %>%
  summarise(rentabilidad_prom = mean(rentabilidad_sobre_ventas, na.rm = TRUE)) %>%
  arrange(desc(rentabilidad_prom))

kable(ranking_metodo, caption = "Ranking de rentabilidad por método de venta")
Ranking de rentabilidad por método de venta
sales_method rentabilidad_prom
In-store 3.561207
Outlet 1.644147
Online 1.148366

Analisis experto:
- No todos los canales con mayor volumen son los mas rentables. La decision de inversion debe guiarse por margen_prom y utilidad_por_unidad, no solo por ventas.
- Canales con margen alto pero bajo volumen son candidatos a escalamiento selectivo; canales con volumen alto y margen bajo requieren renegociacion de costos o reglas de descuento. —

8. KPIs y enlaces entre variables

kpi_concentracion <- datos %>%
  group_by(product) %>%
  summarise(sales = sum(total_sales, na.rm = TRUE),
            profit = sum(operating_profit, na.rm = TRUE),
            units  = sum(units_sold, na.rm = TRUE), .groups="drop") %>%
  arrange(desc(sales)) %>%
  mutate(cum_share_sales = cumsum(sales)/sum(sales)) %>%
  mutate(rank = row_number()) 

share_top20 <- kpi_concentracion %>%
  filter(rank <= ceiling(0.2*n())) %>%
  summarise(share_sales_top20 = sum(sales)/sum(kpi_concentracion$sales),
            share_profit_top20 = sum(profit)/sum(kpi_concentracion$profit)) 
canales <- datos %>%
  group_by(sales_method) %>%
  summarise(
    sales  = sum(total_sales, na.rm = TRUE),
    profit = sum(operating_profit, na.rm = TRUE),
    units  = sum(units_sold, na.rm = TRUE),
    margin = profit/sales,
    profit_per_unit = profit/units
  ) %>% arrange(desc(margin))

canales
sales_method sales profit units margin profit_per_unit
In-store 35664375 127591288 689990 3.577556 184.9176
Outlet 39536618 107988297 849778 2.731349 127.0782
Online 44965657 96555176 939093 2.147309 102.8175 
modelo_elasticidad <- datos %>%
  filter(price_per_unit > 0, units_sold > 0) %>%
  mutate(lp = log(price_per_unit), lq = log(units_sold)) %>%
  do(tidy(lm(lq ~ lp, data = .)))
coef_elast <- modelo_elasticidad %>% filter(term=="lp") %>% pull(estimate)
pval_elast <- modelo_elasticidad %>% filter(term=="lp") %>% pull(p.value)
kpis <- tibble::tibble(
  Ventas_Totales = dollar(sum(datos$total_sales, na.rm = TRUE)),
  Utilidad_Operativa = dollar(sum(datos$operating_profit, na.rm = TRUE)),
  Margen_Operativo = percent(weighted.mean(datos$operating_margin, w = datos$total_sales, na.rm = TRUE)),
  Top20_Share_Ventas = percent(share_top20$share_sales_top20),
  Top20_Share_Utilidad = percent(share_top20$share_profit_top20),
  Elasticidad_Precio_Cantidad = round(coef_elast, 2),
  p_valor = signif(pval_elast, 3)
)

kable(kpis, caption = "KPIs y vínculos entre variables")
KPIs y vínculos entre variables
Ventas_Totales Utilidad_Operativa Margen_Operativo Top20_Share_Ventas Top20_Share_Utilidad Elasticidad_Precio_Cantidad p_valor
$120,166,650 $332,134,761 39% 43% 46% 0.57 0

Analisis experto:
- Concentracion: si Top20_Share_Utilidad es mayor que Top20_Share_Ventas, el mix estrella aporta margen desproporcionado; proteger estos SKU y asegurar disponibilidad.
- Eficiencia por canal: priorizar los de mayor margen y utilidad por unidad; canales con margen bajo deben revisarse costos variables, comisiones y politicas de descuento.
- Elasticidad: coeficiente log-log negativo y significativo (p_valor bajo) confirma sensibilidad a precio. Si su magnitud es menor a 1 en valor absoluto, hay espacio para capturar margen con mejoras de propuesta de valor; si es mayor a 1, las promociones bien dirigidas aceleran volumen.

9. Conclusiones

El análisis financiero evidencia que Adidas mantiene una posición sólida gracias a su capacidad de generar márgenes operativos positivos y al poder de marca que le permite sostener precios relativamente altos; sin embargo, se observa una alta concentración de ventas y utilidades en pocos productos, lo que expone a riesgos de dependencia. El canal online destaca por su mayor eficiencia en rentabilidad, mientras que el canal físico presenta altos volúmenes pero con costos que reducen márgenes, y los outlets funcionan como estrategia táctica de rotación sacrificando utilidad. Asimismo, la dispersión de márgenes indica la existencia de productos con baja o negativa rentabilidad, lo que sugiere la necesidad de revisar estrategias de precios, costos logísticos y surtido. En conjunto, los resultados sugieren priorizar el fortalecimiento del canal digital, optimizar costos de retail físico y diversificar el portafolio para asegurar sostenibilidad financiera de largo plazo.