Análisis de ventas Adidas
Jorge Hernando Angel Aladino - Camilo Ernesto Martinez Ortega
2025-08-24
adidas
Reseña
Creada tras la primera guerra mundial cuando Adolf “Adi” Dassler empezó a fabricar calzado deportivo en el cuarto de lavado de su madre en Herzogenaurach (Alemania). En 1924, se unió a su hermano Rudolf y fundaron la Dassler Brothers Shoe Factory (Gebrüder Dassler Schuhfabrik).Tras diferencias personales, Rudolf fundó Puma en 1948 y en 1949 Adolf registró oficialmente Adidas AG (nombre derivado de “Adi Das(s)ler”) Desde su creación en 1949, Adidas incorporó las tres rayas como medio de soporte en el calzado, que luego se convertirían en su identidad visual
El objetivo de Adidas según su propia visión corporativa es:
“Ser la mejor empresa de artículos deportivos del mundo.”
Este objetivo general se complementa con una misión más concreta:
Crear productos deportivos que inspiren y permitan a todas las personas alcanzar su máximo potencial.
En términos estratégicos, la marca resume su propósito así:
Impulsar el deporte y la cultura deportiva en todo el mundo.
Fomentar la innovación en calzado, ropa y accesorios.
Hacer del deporte una herramienta para cambiar vidas.
“Through sport, we have the power to change lives.” (“A través del deporte, tenemos el poder de cambiar vidas”).
Introducción
Adidas es una de las marcas deportivas más reconocidas a nivel mundial. El presente análisis descriptivo evalúa el comportamiento de precios, unidades vendidas, ventas totales, utilidad operativa y margen operativo, desagregando por método de venta y producto. siguiendo los pasos descriptos por la profesora en los casos Vivienda y Colombina .
Paso 1: Cargar librerías
library(readxl)
library(dplyr)
library(ggplot2)
library(plotly)
library(knitr)
library(kableExtra)
library(tidyr)
library(stringr)Paso 2: Importar datos y crear identificador
datos_adidas <- read_excel("Adidas.xlsx", sheet = "Data Sales Adidas",
col_types = c("text","text","text","text","text",
"numeric","numeric","numeric",
"numeric","numeric","text"))
# Agregar columna id para numerar filas
id <- 1:nrow(datos_adidas)
datos_adidas <- data.frame(id, datos_adidas)
# Estructura y primeras filas para verificar que los datos esten en el formato esperado
class(datos_adidas) ## [1] "data.frame"colnames(datos_adidas) ## [1] "id" "retailer" "Region" "State"
## [5] "City" "Product" "price_per_unit" "units_sold"
## [9] "total_sales" "operating_profit" "operating_margin" "sales_method"head(datos_adidas)| id | retailer | Region | State | City | Product | price_per_unit | units_sold | total_sales | operating_profit | operating_margin | sales_method |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | Foot Locker | Northeast | New York | New York | Men’s Street Footwear | 50 | 1200 | 60000 | 30000.0 | 0.50 | In-store |
| 2 | Foot Locker | Northeast | New York | New York | Men’s Athletic Footwear | 50 | 1000 | 50000 | 15000.0 | 0.30 | In-store |
| 3 | Foot Locker | Northeast | New York | New York | Women’s Street Footwear | 40 | 1000 | 40000 | 14000.0 | 0.35 | In-store |
| 4 | Foot Locker | Northeast | New York | New York | Women’s Athletic Footwear | 45 | 850 | 38250 | 13387.5 | 0.35 | In-store |
| 5 | Foot Locker | Northeast | New York | New York | Men’s Apparel | 60 | 900 | 54000 | 16200.0 | 0.30 | In-store |
| 6 | Foot Locker | Northeast | New York | New York | Women’s Apparel | 50 | 1000 | 50000 | 12500.0 | 0.25 | In-store |
Paso 3: Limpieza mínima, Variables derivadas y Renombramos o Creamos nombre en español
# Normalizar nombres básicos
names(datos_adidas) <- make.names(names(datos_adidas))
#ventas totales por region
ventas_region <- datos_adidas %>%
group_by(Region) %>%
summarise(total_sales = sum(total_sales, na.rm = TRUE))
print(ventas_region)## # A tibble: 5 × 2
## Region total_sales
## <chr> <dbl>
## 1 Midwest 16674434
## 2 Northeast 25078267
## 3 South 20603356
## 4 Southeast 21374436
## 5 West 36436157# Variables auxiliares para reportar
datos_adidas <- datos_adidas %>%
mutate(
margen_operativo_pct = 100 * operating_margin, # margen en % para lectura
metodo_venta = sales_method,
producto = Product
)
summary(select(datos_adidas, price_per_unit, units_sold, total_sales, operating_profit, operating_margin, margen_operativo_pct))## 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 margen_operativo_pct
## Min. :0.100 Min. :10.0
## 1st Qu.:0.350 1st Qu.:35.0
## Median :0.410 Median :41.0
## Mean :0.423 Mean :42.3
## 3rd Qu.:0.490 3rd Qu.:49.0
## Max. :0.800 Max. :80.0Paso 4: Indicadores de Centralidad y Dispersión
# realizamos calculos individuales de premedio y mediana
promedio_precio <- mean(datos_adidas$price_per_unit, na.rm = TRUE)
promedio_unidades <- mean(datos_adidas$units_sold, na.rm = TRUE)
promedio_ventas <- mean(datos_adidas$total_sales, na.rm = TRUE)
promedio_utilidad <- mean(datos_adidas$operating_profit, na.rm = TRUE)
promedio_margen <- mean(datos_adidas$operating_margin, na.rm = TRUE)
mediana_margen_pct <- median(datos_adidas$margen_operativo_pct, na.rm = TRUE)
resultado_prom <- data.frame(
promedio_precio, promedio_unidades, promedio_ventas,
promedio_utilidad, promedio_margen, mediana_margen_pct
)
kable(resultado_prom, caption = "Indicadores de centralidad - Adidas", digits = 2)| promedio_precio | promedio_unidades | promedio_ventas | promedio_utilidad | promedio_margen | mediana_margen_pct |
|---|---|---|---|---|---|
| 45.22 | 256.93 | 12455.08 | 4894.79 | 0.42 | 41 |
Paso 5: Filtros y subconjuntos
# Ejemplo de filtro por canal y producto (ajustar si se desea otro subset)
datos_sub <- subset(datos_adidas, metodo_venta %in% c("In-store", "Online", "Outlet"))
# Resumen del subconjunto
kable(as.data.frame(summary(select(datos_sub, price_per_unit, units_sold, total_sales, operating_profit, operating_margin))),
caption = "Resumen numérico del subconjunto")| Var1 | Var2 | Freq |
|---|---|---|
| price_per_unit | Min. : 7.00 | |
| price_per_unit | 1st Qu.: 35.00 | |
| price_per_unit | Median : 45.00 | |
| price_per_unit | Mean : 45.22 | |
| price_per_unit | 3rd Qu.: 55.00 | |
| price_per_unit | Max. :110.00 | |
| units_sold | Min. : 0.0 | |
| units_sold | 1st Qu.: 106.0 | |
| units_sold | Median : 176.0 | |
| units_sold | Mean : 256.9 | |
| units_sold | 3rd Qu.: 350.0 | |
| units_sold | Max. :1275.0 | |
| total_sales | Min. : 0 | |
| total_sales | 1st Qu.: 4065 | |
| total_sales | Median : 7804 | |
| total_sales | Mean :12455 | |
| total_sales | 3rd Qu.:15864 | |
| total_sales | Max. :82500 | |
| operating_profit | Min. : 0 | |
| operating_profit | 1st Qu.: 1753 | |
| operating_profit | Median : 3263 | |
| operating_profit | Mean : 4895 | |
| operating_profit | 3rd Qu.: 6192 | |
| operating_profit | Max. :39000 | |
| operating_margin | Min. :0.100 | |
| operating_margin | 1st Qu.:0.350 | |
| operating_margin | Median :0.410 | |
| operating_margin | Mean :0.423 | |
| operating_margin | 3rd Qu.:0.490 | |
| operating_margin | Max. :0.800 |
Paso 6: Gráficos exploratorios
6.1 Ventas Totales por Region (torta)
# Calcular porcentaje por región
ventas_region <- ventas_region %>%
mutate(pct = total_sales / sum(total_sales) * 100)
# Gráfico de torta con porcentajes
ggplot(ventas_region, aes(x = "", y = total_sales, fill = Region)) +
geom_bar(stat = "identity", width = 1) +
coord_polar(theta = "y") +
geom_text(aes(label = paste0(round(pct,1), "%")),
position = position_stack(vjust = 0.5),
size = 4) +
labs(title = "Ventas Totales por Region (%)") +
theme_void()
6.1.1 Observacion Ventas Totales por Region
Podemos observar que las ventas por region la zona West (Oeste) tiene la mayor representacion en las ventas totales con un 30.3% le sigue la zona Northeaste (Nordeste) con una participacion del 20.9% , zona Southeast (Surdeste) con una participacion del 17.8% y South (Sur) con una participacion del 17.1%, Midwest (Medio Oeste) con una participacion del 13.9% de los ingresos totales por Region, sim embargo mostraremos la georeferienciacion de la distribucion por regiones donde podemos ver que a mayor territoriedad mayor porcentaje de venta .
6.1.2 Mapa por Regiones
# === Mapa interactivo por REGIÓN (solo región en tooltip y etiquetas) ===
library(dplyr)
library(plotly)
# Estados por región
NE <- c("CT","ME","MA","NH","NJ","NY","PA","RI","VT")
MW <- c("IL","IN","IA","KS","MI","MN","MO","NE","ND","OH","SD","WI")
SE <- c("FL","GA","AL","MS","TN","NC","SC")
S <- c("DE","MD","VA","WV","KY","AR","LA","OK","TX")
W <- c("AK","AZ","CA","CO","HI","ID","MT","NV","NM","OR","UT","WA","WY")
mapa_estados <- tibble(
state = c(NE, MW, S, SE, W),
Region = c(rep("Northeast", length(NE)),
rep("Midwest", length(MW)),
rep("South", length(S)),
rep("Southeast", length(SE)),
rep("West", length(W)))
)
# Colores fijos por región
colores_region <- c(
"Midwest" = "#F8766D",
"Northeast" = "#B79F00",
"South" = "#00BA38",
"Southeast" = "#00BFC4",
"West" = "#C77CFF"
)
# Choropleth categórico
fig <- plot_ly(
data = mapa_estados,
type = "choropleth",
locationmode = "USA-states",
locations = ~state,
z = ~as.numeric(factor(Region)),
colorscale = list(
list(0, colores_region["Midwest"]),
list(0.25, colores_region["Northeast"]),
list(0.5, colores_region["South"]),
list(0.75, colores_region["Southeast"]),
list(1, colores_region["West"])
),
showscale = FALSE,
hovertemplate = "<b>Región:</b> %{customdata}<extra></extra>",
customdata = mapa_estados$Region
)
# Etiquetas con el nombre de la región
fig <- fig %>%
add_trace(
type = "scattergeo",
locationmode = "USA-states",
locations = mapa_estados$state,
text = mapa_estados$Region,
mode = "text",
textfont = list(color = "black", size = 9)
)
# Layout
fig <- fig %>%
layout(
title = "Mapa interactivo de EE.UU. por Región",
geo = list(scope = "usa")
)
fig6.2 Ventas por Método de Venta (barras)
# Calcular ventas totales y participación porcentual por canal
ventas_canal <- datos_adidas %>%
group_by(metodo_venta) %>%
summarise(ventas_totales = sum(total_sales, na.rm = TRUE), .groups = "drop") %>%
mutate(
participacion_pct = round(100 * ventas_totales / sum(ventas_totales), 2) # porcentaje
)
# Mostrar tabla
kable(ventas_canal,
caption = "Ventas totales y participación porcentual por método de venta",
digits = 0) %>%
kableExtra::kable_styling(full_width = FALSE)| metodo_venta | ventas_totales | participacion_pct |
|---|---|---|
| In-store | 35664375 | 30 |
| Online | 44965657 | 37 |
| Outlet | 39536618 | 33 |
# Gráfico de barras interactivas con porcentajes en tooltip
plot_ly(ventas_canal, x = ~metodo_venta, y = ~ventas_totales, type = "bar",
text = ~paste("Participación:", participacion_pct, "%"),
hoverinfo = "text+y",
marker = list(color = "steelblue")) %>%
layout(title = "Ventas totales y participación por método de venta",
xaxis = list(title = "Método de venta"),
yaxis = list(title = "Ventas totales"))6.2.1 Observacion Ventas Totales por metodo de ventas
Podemos observar que el canal Online es el canal líder y el mas rentable con 44,97 millones en ventas, lo que representa la mayor participación con un 37% del total de las ventas.
El canal Outlet ocupa el segundo lugar con 39,54 millones, mostrando que el canal de descuento también mueve un volumen muy alto en ventas de la compañia con una participacion del 33% de las ventas totales. esto puedo obedecer a los bajos precios y ofertas.
El canal In-store queda tercero con 35,66 millones, aunque sigue siendo un canal relevante. tiene el menor volumen, representando el 30% del total.
6.3 Relación precio–unidades vendidas (dispersión)
ggplot(datos_adidas, aes(x = price_per_unit, y = units_sold, color = metodo_venta)) +
geom_point(alpha = 0.6) +
geom_smooth(method = "loess", se = FALSE) +
labs(title = "Relación precio–unidades vendidas",
x = "Precio por unidad", y = "Unidades vendidas", color = "Método de venta") +
theme_minimal()
# Correlación precio–unidades por canal de venta
correlaciones <- datos_adidas %>%
group_by(metodo_venta) %>%
summarise(
correlacion = cor(price_per_unit, units_sold, use = "complete.obs"),
.groups = "drop"
)
# Mostrar tabla en el reporte
kable(correlaciones, caption = "Coeficiente de correlación entre precio y unidades vendidas por canal", digits = 3)| metodo_venta | correlacion |
|---|---|
| In-store | 0.359 |
| Online | 0.149 |
| Outlet | 0.393 |
6.3.1 Observaciones Relacion Precio unidades Vendidas
In-store nos muestra una tendencia positiva a precios más altos también se venden más unidades
Online tiene una tendencia más plana, con ligera subida esto nos muestra que el precio no define tanto el volumen, influyen otros factores ccomo pueden ser promociones o marketing digital.
Outlet presenta una curva curvilínea crece hasta un punto medio, pero luego se aplana o baja esto puede decir que los clientes buscan precios bajos por ser un outlet.
6.3.2 Correlaciones entre precio por unidad y unidades vendidas para Adidas por canal:
Tanto In-store como Outlet muestran correlaciones moderadas positivas: a medida que sube el precio, también las ventas en unidades crecen.
Online es mucho más inelástico al precio aquí hay oportunidad de trabajar estrategias digitales para mejorar.
6.4 Margen operativo (%): distribución y por producto
# Histograma margen
ggplot(datos_adidas, aes(x = margen_operativo_pct)) +
geom_histogram(bins = 30, fill = "#2c7fb8", color = "white", alpha = 0.9) +
geom_vline(aes(xintercept = mean(margen_operativo_pct, na.rm = TRUE)), linetype = 2) +
labs(title = "Distribución del margen operativo (%)", x = "Margen operativo (%)", y = "Frecuencia") +
theme_minimal()
6.4.1 Observaciones Histograma Margen Operativo
la concentración principal esta entre 35% y 50%, esto indica que típicamente los márgenes se mueven en ese rango de la media 42% Pocos casos con márgenes bajos (<20%) o muy altos (>70%).
6.5 Margen Operativo por Linea de Producto
# Boxplot por producto
ggplot(datos_adidas, aes(x = producto, y = margen_operativo_pct, fill = producto)) +
geom_boxplot(alpha = 0.85, outlier.alpha = 0.5) +
coord_flip() +
labs(title = "Margen operativo (%) por línea de producto", x = NULL, y = "Margen operativo (%)") +
theme_minimal() +
theme(legend.position = "none")
6.5.1 Observaciones Margen Operactivo por Linea de Producto
En la Mediana del margen podemos observar:
Women’s Apparel la mediana está más alta entre 45–50%, lo que sugiere que esta línea suele ser más rentable.
Men’s Apparel Esta presenta muchos valores extremos, la mediana es menor que la de Women’s Apparel.
Footwear que es calzado tanto en hombres como mujeres, athletic/street, se concentran más en torno a márgenes medios entre 35–45%.
En la Dispersiónpodemos observar:
Women’s Apparel y Men’s Apparel muestran más dispersión variabilidad en rentabilidad según referencias. Footwear tiene un comportamiento más estable en márgenes.
podemos resumir que la ropa femenina (Women’s Apparel) parece ser la línea más rentable y consistente, el calzado (Footwear) mantiene márgenes más estables, pero no alcanza los niveles de Apparel. La ropa masculina (Men’s Apparel) presenta gran variabilidad aca abria que revisar las causas.
6.6 Relacion Ventas Totales Vs Utilidad Operativa
# Figura: Relación entre ventas totales y utilidad operativa (Adidas)
# Requiere: library(ggplot2); library(plotly)
coef_cor_adidas <- cor(
datos_adidas$operating_profit,
datos_adidas$total_sales,
use = "complete.obs"
)
ggplotly(
ggplot(datos_adidas, aes(x = total_sales, y = operating_profit)) +
geom_point(color = "lightblue", alpha = 0.9, size = 2) + # Puntos
geom_smooth(method = "lm", color = "grey", se = TRUE) + # Tendencia lineal
labs(
title = paste(
"Figura . Relación entre ventas totales y utilidad operativa\nCoef. de correlación:",
round(coef_cor_adidas, 2)
),
x = "Ventas totales",
y = "Utilidad operativa",
caption = "Fuente: Datos de ventas Adidas"
) +
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)
)
)6.6.1 Observaciones ventas Totales Vs Utilidad Operativo
El análisis confirma que las ventas son un factor determinante de la utilidad operativa en Adidas, con una relación casi lineal y muy fuerte, esto implica que mantener el volumen de ventas es clave para sostener la rentabilidad.
Paso 7: Tablas resumen y ranking
margen_por_producto <- datos_adidas %>%
group_by(producto) %>%
summarise(
n = n(),
margen_prom_pct = mean(margen_operativo_pct, na.rm = TRUE),
margen_p25 = quantile(margen_operativo_pct, 0.25, na.rm = TRUE),
margen_p50 = median(margen_operativo_pct, na.rm = TRUE),
margen_p75 = quantile(margen_operativo_pct, 0.75, na.rm = TRUE),
.groups = "drop"
) %>% arrange(desc(margen_prom_pct))
kable(margen_por_producto, caption = "Resumen del margen operativo (%) por producto", digits = 2)| producto | n | margen_prom_pct | margen_p25 | margen_p50 | margen_p75 |
|---|---|---|---|---|---|
| Men’s Street Footwear | 1610 | 44.61 | 40 | 45 | 50 |
| Women’s Apparel | 1608 | 44.13 | 35 | 44 | 53 |
| Women’s Athletic Footwear | 1606 | 42.44 | 35 | 41 | 49 |
| Men’s Apparel | 1606 | 41.32 | 35 | 40 | 48 |
| Women’s Street Footwear | 1608 | 41.02 | 35 | 40 | 47 |
| Men’s Athletic Footwear | 1610 | 40.27 | 35 | 40 | 47 |
sessionInfo()## R version 4.3.3 (2024-02-29 ucrt)
## Platform: x86_64-w64-mingw32/x64 (64-bit)
## Running under: Windows 10 x64 (build 19045)
##
## Matrix products: default
##
##
## locale:
## [1] LC_COLLATE=Spanish_Colombia.utf8 LC_CTYPE=Spanish_Colombia.utf8
## [3] LC_MONETARY=Spanish_Colombia.utf8 LC_NUMERIC=C
## [5] LC_TIME=Spanish_Colombia.utf8
##
## time zone: America/Bogota
## tzcode source: internal
##
## attached base packages:
## [1] stats graphics grDevices utils datasets methods base
##
## other attached packages:
## [1] stringr_1.5.1 tidyr_1.3.1 kableExtra_1.4.0 knitr_1.45
## [5] plotly_4.10.4 ggplot2_3.5.2 dplyr_1.1.4 readxl_1.4.5
##
## loaded via a namespace (and not attached):
## [1] sass_0.4.9 utf8_1.2.4 generics_0.1.3 xml2_1.3.6
## [5] lattice_0.22-5 stringi_1.8.3 digest_0.6.34 magrittr_2.0.3
## [9] evaluate_0.23 grid_4.3.3 fastmap_1.1.1 Matrix_1.6-5
## [13] cellranger_1.1.0 jsonlite_1.8.8 mgcv_1.9-1 httr_1.4.7
## [17] purrr_1.0.2 fansi_1.0.6 crosstalk_1.2.1 viridisLite_0.4.2
## [21] scales_1.3.0 lazyeval_0.2.2 jquerylib_0.1.4 cli_3.6.2
## [25] rlang_1.1.3 splines_4.3.3 ellipsis_0.3.2 munsell_0.5.0
## [29] withr_3.0.0 cachem_1.0.8 yaml_2.3.8 tools_4.3.3
## [33] colorspace_2.1-0 vctrs_0.6.5 R6_2.5.1 lifecycle_1.0.4
## [37] htmlwidgets_1.6.4 pkgconfig_2.0.3 pillar_1.9.0 bslib_0.6.1
## [41] gtable_0.3.6 glue_1.7.0 data.table_1.15.0 systemfonts_1.2.2
## [45] xfun_0.42 tibble_3.2.1 tidyselect_1.2.1 highr_0.10
## [49] rstudioapi_0.17.1 farver_2.1.1 nlme_3.1-164 htmltools_0.5.7
## [53] labeling_0.4.3 rmarkdown_2.25 svglite_2.1.3 compiler_4.3.3