Introducción

Adidas es una de las compañías líderes a nivel mundial en la industria de artículos deportivos, con presencia en múltiples regiones y una amplia variedad de productos que incluyen calzado, ropa y accesorios. Su desempeño comercial depende de factores como el precio, el volumen de ventas, el canal de comercialización y la región donde opera.

El presente informe tiene como objetivo realizar un análisis descriptivo y exploratorio de las ventas y la rentabilidad de Adidas, a partir de una base de datos que incluye información sobre precios, unidades vendidas, ventas totales, utilidad operativa, margen operativo, método de venta, distribuidores y regiones.

A través del uso de herramientas estadísticas y visualizaciones en R, se busca identificar patrones relevantes, diferencias entre segmentos y relaciones entre variables clave, con el fin de apoyar la toma de decisiones gerenciales desde una perspectiva analítica.

Análisis exploratorio de datos

El análisis exploratorio de datos (EDA) permite comprender el comportamiento de las variables, detectar tendencias, evaluar la variabilidad y analizar relaciones entre indicadores financieros y comerciales.

PASO 1. Instalar y cargar librerías

# Cargar librerías necesarias
library(readxl)
library(dplyr)
library(ggplot2)
library(plotly)
library(tidyr)
library(knitr)
library(kableExtra)
library(tidyverse)

PASO 2. Cargar la base de datos read_excel(“DatosCaso1.xlsx”)

library(readxl)
datos <- read_excel("C:/Users/Laura/Desktop/caso.1/DatosCaso1.xlsx")
id <- 1:nrow(datos)
datos <- data.frame(id, datos)

# Verificar que los datos se cargaron correctamente
head(datos)
id distribuidor region estado ciudad producto precio_unidad unidades_vendidas ventas_total utilidad_operativa margen_operativo metodo_venta
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

#Estadísticas descriptivas: tendencia central y dispersión

Se calculan estadísticas descriptivas para las principales variables cuantitativas del análisis.

# Resumen estadístico de las variables financieras
resumen <- datos %>% 
  select(precio_unidad, unidades_vendidas, ventas_total,
         utilidad_operativa, margen_operativo) %>% 
  summary()

resumen
##  precio_unidad    unidades_vendidas  ventas_total   utilidad_operativa
##  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     
##  margen_operativo
##  Min.   :0.100   
##  1st Qu.:0.350   
##  Median :0.410   
##  Mean   :0.423   
##  3rd Qu.:0.490   
##  Max.   :0.800

Desempeño de ventas Ventas totales por región

ventas_region <- datos %>%
  group_by(region) %>%
  summarise(ventas_totales = sum(ventas_total))

plot_ly(ventas_region,
        x = ~region,
        y = ~ventas_totales,
        type = "bar",
        marker = list(color = "skyblue")) %>%
  layout(title = "Figura 1. Ventas Totales por Región",
         xaxis = list(title = "Región"),
         yaxis = list(title = "Ventas Totales"),
         hovermode = "x")

#Unidades vendidas por método de venta

unidades_metodo <- datos %>%
  group_by(metodo_venta) %>%
  summarise(unidades = sum(unidades_vendidas))

plot_ly(unidades_metodo,
        x = ~metodo_venta,
        y = ~unidades,
        type = "bar",
        marker = list(color = "lightblue")) %>%
  layout(title = "Figura 2. Unidades Vendidas por Método de Venta",
         xaxis = list(title = "Método de venta"),
         yaxis = list(title = "Unidades vendidas"))

#Rentabilidad Distribución de la utilidad operativa

ggplotly(
  ggplot(datos, aes(y = utilidad_operativa)) +
    geom_boxplot(fill = "lightblue", color = "black") +
    labs(title = "Figura 3. Boxplot de la Utilidad Operativa",
         y = "Utilidad operativa") +
    theme_minimal()
)

#Interpretación: La utilidad operativa presenta variabilidad entre los distintos registros, lo que sugiere diferencias relevantes según producto, región y método de venta.

#Margen operativo promedio por producto

margen_producto <- datos %>%
  group_by(producto) %>%
  summarise(margen_promedio = mean(margen_operativo))

plot_ly(margen_producto,
        x = ~producto,
        y = ~margen_promedio,
        type = "bar",
        marker = list(color = "grey")) %>%
  layout(title = "Figura 4. Margen Operativo Promedio por Producto",
         xaxis = list(title = "Producto"),
         yaxis = list(title = "Margen operativo"),
         hovermode = "x")

#Relación entre variables clave Precio vs Unidades vendidas

ggplotly(
  ggplot(datos, aes(x = precio_unidad, y = unidades_vendidas)) +
    geom_point(color = "lightblue", size = 2) +
    geom_smooth(method = "lm", se = TRUE, color = "grey") +
    labs(
      title = paste(
        "Figura 5. Precio vs Unidades Vendidas\nCoef. correlación:",
        round(cor(datos$precio_unidad, datos$unidades_vendidas), 2)
      ),
      x = "Precio por unidad",
      y = "Unidades vendidas"
    ) +
    theme_minimal()
)

#Ventas totales vs Utilidad operativa

ggplotly(
  ggplot(datos, aes(x = ventas_total, y = utilidad_operativa)) +
    geom_point(color = "lightblue", size = 2) +
    geom_smooth(method = "lm", se = TRUE, color = "grey") +
    labs(
      title = paste(
        "Figura 6. Ventas Totales vs Utilidad Operativa\nCoef. correlación:",
        round(cor(datos$ventas_total, datos$utilidad_operativa), 2)
      ),
      x = "Ventas totales",
      y = "Utilidad operativa"
    ) +
    theme_minimal()
)

#Hallazgos principales

Las ventas totales presentan diferencias relevantes entre regiones y métodos de venta.

Algunos productos muestran márgenes operativos significativamente más altos.

Existe una relación positiva fuerte entre ventas totales y utilidad operativa.

El precio por unidad parece influir inversamente en las unidades vendidas, lo que sugiere sensibilidad al precio.

Conclusiones y recomendaciones

Desde una perspectiva descriptiva y exploratoria, los resultados indican que Adidas puede optimizar su rentabilidad enfocándose en:

Regiones y productos con mayor margen operativo.

Métodos de venta con mayor volumen de unidades vendidas.

Estrategias de precios diferenciadas según tipo de producto.

Este análisis proporciona una base sólida para futuras etapas de analítica diagnóstica y prescriptiva orientadas a la toma de decisiones estratégicas.