Desempeño Comercial y Rentabilidad de Adidas

Estefania Giraldo
Angie Osorio
Daniela Salazar

Pontificia Universidad Javeriana
2026



Introducción

En el presente trabajo, nosotras, estudiantes de la Pontificia Universidad Javeriana Cali, en el marco de la asignatura Analítica de Datos para la Toma de Decisiones, desarrollamos un análisis descriptivo aplicado a información comercial con el propósito de comprender el comportamiento de las ventas y la rentabilidad de la empresa ADIDAS.

Mediante el uso del lenguaje de programación R y herramientas de visualización de datos, llevamos a cabo un proceso de análisis exploratorio que permitió identificar patrones, relaciones entre variables y diferencias relevantes entre segmentos como región, producto y método de venta. Este ejercicio no se limitó al cálculo de estadísticas, sino que buscó interpretar los resultados desde una perspectiva estratégica orientada a la toma de decisiones empresariales.

El objetivo principal de este estudio es transformar los datos en información significativa que facilite la comprensión del desempeño comercial, permita detectar oportunidades de mejora y sirva como base para la formulación de recomendaciones sustentadas en evidencia cuantitativa.

De esta manera, el trabajo integra los fundamentos de la analítica descriptiva con un enfoque práctico aplicado al entorno empresarial, fortaleciendo nuestras competencias en análisis de datos, pensamiento crítico y toma de decisiones estratégicas.

Contexto del Negocio

Adidas es una de las marcas más reconocidas en la industria global de artículos deportivos. Fundada en 1949 en Alemania, ha consolidado su presencia en los principales mercados internacionales, ofreciendo una amplia gama de productos que incluyen calzado deportivo, ropa y accesorios. Su posicionamiento estratégico, capacidad de innovación y enfoque en el rendimiento y el estilo la han convertido en un referente del sector a nivel mundial.

El análisis del desempeño comercial y financiero de Adidas es fundamental para evaluar su competitividad en el mercado, identificar patrones de consumo y comprender los factores que impulsan sus niveles de rentabilidad. En este documento se desarrollará un análisis descriptivo y exploratorio de variables clave como precio por unidad, unidades vendidas, ventas totales, utilidad operativa y margen operativo. Para ello, se empleará el lenguaje R, aplicando técnicas de estadística descriptiva, medidas de variabilidad, análisis de correlación y visualización de datos que permitan interpretar el comportamiento de las distintas líneas de producto, regiones y métodos de venta.

A través de este análisis se busca proporcionar una visión integral del desempeño comercial de la compañía, identificando segmentos estratégicos y oportunidades de mejora que respalden la toma de decisiones basada en datos. Los resultados obtenidos pueden servir como insumo para directivos, analistas y académicos interesados en comprender la dinámica financiera y operativa de una empresa líder en la industria deportiva

Análisis exploratorio

El análisis exploratorio de datos (EDA) es una etapa fundamental para comprender el comportamiento comercial y financiero de Adidas, identificar patrones relevantes y evaluar la distribución de las variables incluidas en la base de datos.

A través del uso de estadísticas descriptivas y herramientas de visualización en R, se analizarán variables como precio por unidad, unidades vendidas, ventas totales, utilidad operativa y margen operativo. Este proceso permitirá detectar tendencias, relaciones entre variables, niveles de variabilidad y posibles valores atípicos, proporcionando una base sólida para interpretar el desempeño de la compañía en distintos segmentos como región, producto y método de venta.

El objetivo de esta fase no es únicamente describir los datos, sino generar hallazgos que faciliten la toma de decisiones estratégicas basadas en evidencia.

PASO 1. Instalar y cargar librerias

# Cargar librerías necesarias
library(readxl)
library(dplyr)
library(ggplot2)
library(psych)
library(corrplot)
library(skimr)
library(scales)
library(dplyr)
library(plotly)

PASO 2: Cargar la base de datos

# Cargar datos desde el archivo Excel
datos <- read_excel("DatosCaso1.xlsx")

# Ver estructura
str(datos)
## tibble [9,648 × 11] (S3: tbl_df/tbl/data.frame)
##  $ distribuidor      : chr [1:9648] "Foot Locker" "Foot Locker" "Foot Locker" "Foot Locker" ...
##  $ region            : chr [1:9648] "Northeast" "Northeast" "Northeast" "Northeast" ...
##  $ estado            : chr [1:9648] "New York" "New York" "New York" "New York" ...
##  $ ciudad            : chr [1:9648] "New York" "New York" "New York" "New York" ...
##  $ producto          : chr [1:9648] "Men's Street Footwear" "Men's Athletic Footwear" "Women's Street Footwear" "Women's Athletic Footwear" ...
##  $ precio_unidad     : num [1:9648] 50 50 40 45 60 50 50 50 40 45 ...
##  $ unidades_vendidas : num [1:9648] 1200 1000 1000 850 900 1000 1250 900 950 825 ...
##  $ ventas_total      : num [1:9648] 60000 50000 40000 38250 54000 ...
##  $ utilidad_operativa: num [1:9648] 30000 15000 14000 13388 16200 ...
##  $ margen_operativo  : num [1:9648] 0.5 0.3 0.35 0.35 0.3 0.25 0.5 0.3 0.35 0.35 ...
##  $ metodo_venta      : chr [1:9648] "In-store" "In-store" "In-store" "In-store" ...
# Ver primeras filas
head(datos)
distribuidor region estado ciudad producto precio_unidad unidades_vendidas ventas_total utilidad_operativa margen_operativo metodo_venta
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

Estadísticas Descriptivas

Indicadores de centralidad y dispersión

# Resumen general
summary(datos)
##  distribuidor          region             estado             ciudad         
##  Length:9648        Length:9648        Length:9648        Length:9648       
##  Class :character   Class :character   Class :character   Class :character  
##  Mode  :character   Mode  :character   Mode  :character   Mode  :character  
##                                                                             
##                                                                             
##                                                                             
##    producto         precio_unidad    unidades_vendidas  ventas_total  
##  Length:9648        Min.   :  7.00   Min.   :   0.0    Min.   :    0  
##  Class :character   1st Qu.: 35.00   1st Qu.: 106.0    1st Qu.: 4065  
##  Mode  :character   Median : 45.00   Median : 176.0    Median : 7804  
##                     Mean   : 45.22   Mean   : 256.9    Mean   :12455  
##                     3rd Qu.: 55.00   3rd Qu.: 350.0    3rd Qu.:15864  
##                     Max.   :110.00   Max.   :1275.0    Max.   :82500  
##  utilidad_operativa margen_operativo metodo_venta      
##  Min.   :    0      Min.   :0.100    Length:9648       
##  1st Qu.: 1753      1st Qu.:0.350    Class :character  
##  Median : 3263      Median :0.410    Mode  :character  
##  Mean   : 4895      Mean   :0.423                      
##  3rd Qu.: 6192      3rd Qu.:0.490                      
##  Max.   :39000      Max.   :0.800
# Estadísticas más completas
describe(datos[, c("precio_unidad",
                   "unidades_vendidas",
                   "ventas_total",
                   "utilidad_operativa",
                   "margen_operativo")])
vars n mean sd median trimmed mad min max range skew kurtosis se
precio_unidad 1 9648 4.521663e+01 1.470540e+01 45.00 44.8265544 14.826000 7.0 110.0 103.0 0.3623328 0.4286307 0.1497125
unidades_vendidas 2 9648 2.569300e+02 2.142520e+02 176.00 221.4874352 134.916600 0.0 1275.0 1275.0 1.4618026 1.6972223 2.1812543
ventas_total 3 9648 1.245508e+04 1.271639e+04 7803.50 9958.7514249 6802.910100 0.0 82500.0 82500.0 1.9614341 4.1211673 129.4628799
utilidad_operativa 4 9648 4.894794e+03 4.866464e+03 3262.98 3967.5478769 2755.842054 0.0 39000.0 39000.0 2.3338649 7.1747118 49.5444374
margen_operativo 5 9648 4.229913e-01 9.719740e-02 0.41 0.4207021 0.088956 0.1 0.8 0.7 0.2274108 0.1739254 0.0009895

ANálisis por Región

Ventas por region

ventas_region <- datos %>%
  group_by(region) %>%
  summarise(
    ventas_totales = sum(ventas_total),
    utilidad_total = sum(utilidad_operativa),
    margen_promedio = mean(margen_operativo)
  )

ventas_region
region ventas_totales utilidad_total margen_promedio
Midwest 16674434 6859945 0.4352724
Northeast 25078267 9732774 0.4104503
South 20603356 9221605 0.4668981
Southeast 21374436 8393059 0.4191667
West 36436157 13017584 0.3966912

Gráfico de ventas por región

ggplot(ventas_region, aes(x = region, y = ventas_totales)) +
  geom_bar(stat = "identity") +
  theme_minimal() +
  labs(title = "Ventas Totales por Región",
       x = "Región",
       y = "Ventas Totales")

La figura muestra diferencias significativas en el nivel de ventas entre regiones.

🔹 Se observa concentración de ventas en determinadas regiones, lo que indica una distribución desigual del desempeño comercial. 🔹 La región con mayor nivel de ventas representa el principal motor de ingresos para la compañía. 🔹 La brecha entre regiones sugiere oportunidades de expansión o necesidad de fortalecimiento en los mercados con menor participación.

📈 Una alta concentración regional puede implicar dependencia estratégica de ciertos mercados.

Las ventas no se distribuyen de manera homogénea, lo que evidencia diferencias estructurales en la demanda según región.

Análisis por Producto

Rentabilidad por producto

margen_producto <- datos %>%
  group_by(producto) %>%
  summarise(
    margen_promedio = mean(margen_operativo),
    ventas_totales = sum(ventas_total)
  ) %>%
  arrange(desc(margen_promedio))

margen_producto
producto margen_promedio ventas_totales
Men’s Street Footwear 0.4461304 27680769
Women’s Apparel 0.4413184 23870985
Women’s Athletic Footwear 0.4243587 14315521
Men’s Apparel 0.4132254 16520632
Women’s Street Footwear 0.4101990 17201563
Men’s Athletic Footwear 0.4027019 20577180

Boxplot margen operativo por producto

ggplot(datos, aes(x = producto, y = margen_operativo)) +
  geom_boxplot() +
  theme_minimal() +
  labs(title = "Distribución del Margen Operativo por Producto",
       x = "Producto",
       y = "Margen Operativo") +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

📊 Interpretación del boxplot

🔹 Si la mediana está más cercana a Q1 que a Q3 → existe sesgo positivo (algunos productos con márgenes excepcionalmente altos). 🔹 Un rango intercuartil amplio indica variabilidad en la rentabilidad entre productos. 🔹 Si aparecen puntos fuera de los bigotes → existen productos con márgenes atípicos, ya sea muy rentables o con bajo desempeño.

📉 Si el IQR es pequeño → los márgenes son relativamente estables. 📈 Si el IQR es grande → existe dispersión en la eficiencia operativa.

La rentabilidad no es uniforme entre líneas de producto, lo que sugiere que algunos segmentos generan mayor valor estratégico que otros

Análisis de Correlación

Correlaciones entre variables numéricas

variables_numericas <- datos %>%
  select(precio_unidad,
         unidades_vendidas,
         ventas_total,
         utilidad_operativa,
         margen_operativo)

matriz_correlacion <- cor(variables_numericas)

matriz_correlacion
##                    precio_unidad unidades_vendidas ventas_total
## precio_unidad          1.0000000         0.2658685    0.5395467
## unidades_vendidas      0.2658685         1.0000000    0.9193389
## ventas_total           0.5395467         0.9193389    1.0000000
## utilidad_operativa     0.5036827         0.8719928    0.9353717
## margen_operativo      -0.1374865        -0.3054792   -0.3022954
##                    utilidad_operativa margen_operativo
## precio_unidad              0.50368274      -0.13748648
## unidades_vendidas          0.87199276      -0.30547924
## ventas_total               0.93537166      -0.30229543
## utilidad_operativa         1.00000000      -0.04749091
## margen_operativo          -0.04749091       1.00000000

📊 Interpretación general

🔹 Correlación cercana a 1 → relación positiva fuerte. 🔹 Cercana a -1 → relación negativa fuerte. 🔹 Cercana a 0 → relación débil o inexistente.

Si encuentras algo como:

✔ Ventas_total vs Utilidad_operativa = alta y positiva → A mayor volumen de ventas, mayor utilidad.

✔ Precio_unidad vs Unidades_vendidas = negativa → Existe sensibilidad al precio.

✔ Unidades_vendidas vs Margen_operativo = negativa → Mayor volumen podría implicar menor margen porcentual (posibles descuentos).

La correlación permite identificar qué variables influyen más en la generación de utilidad.

Análisis por método de venta:

Precio vs Unidades Vendidas

ggplot(datos, aes(x = precio_unidad, y = unidades_vendidas)) +
  geom_point() +
  geom_smooth(method = "lm") +
  theme_minimal() +
  labs(title = "Relación entre Precio y Unidades Vendidas",
       x = "Precio por Unidad",
       y = "Unidades Vendidas")

📊 Interpretación del gráfico de dispersión

🔹 Si la línea de tendencia es descendente → evidencia comportamiento típico de la ley de demanda. 🔹 Si la pendiente es leve → baja sensibilidad al precio. 🔹 Si es casi horizontal → el precio no influye significativamente en la demanda.

🚀 Si la relación es débilmente positiva: Podría indicar posicionamiento premium, donde productos más costosos también mantienen volumen.

La relación entre precio y volumen permite evaluar la elasticidad de la demanda.

Ventas vs Utilidad Operativa

ggplot(datos, aes(x = ventas_total, y = utilidad_operativa)) +
  geom_point() +
  geom_smooth(method = "lm") +
  theme_minimal() +
  labs(title = "Relación entre Ventas Totales y Utilidad Operativa",
       x = "Ventas Totales",
       y = "Utilidad Operativa")

📊 Interpretación

🔹 Relación positiva fuerte → el crecimiento en ventas impulsa directamente la rentabilidad. 🔹 Dispersión baja alrededor de la línea → modelo operativo eficiente. 🔹 Alta dispersión → diferencias en estructura de costos entre segmentos.

📌 Si la correlación es alta: La empresa convierte eficientemente ingresos en utilidad.

El volumen de ventas es un determinante clave en la generación de utilidad operativa.

Participación de ventas por producto

# Calcular participación por producto
ventas_producto <- datos %>%
  group_by(producto) %>%
  summarise(ventas_totales = sum(ventas_total, na.rm = TRUE)) %>%
  mutate(porcentaje = ventas_totales / sum(ventas_totales))

# Gráfico de torta
ggplot(ventas_producto, aes(x = "", y = porcentaje, fill = producto)) +
  geom_col(width = 1, color = "white") +
  coord_polar(theta = "y") +
  geom_text(aes(label = percent(porcentaje)),
            position = position_stack(vjust = 0.5),
            color = "white",
            size = 4) +
  scale_fill_brewer(palette = "Set2") +
  labs(title = "Participación de Ventas por Producto",
       fill = "Producto") +
  theme_void() +
  theme(
    plot.title = element_text(size = 14, face = "bold", hjust = 0.5)
  )

📊 Interpretación del gráfico de torta

🔹 Permite identificar qué productos concentran mayor participación en ingresos. 🔹 Una alta concentración en pocos productos puede representar riesgo estratégico. 🔹 Una distribución equilibrada sugiere diversificación saludable.

📈 Si un producto domina: Es estratégico, pero genera dependencia.

La estructura de ventas evidencia el grado de concentración o diversificación del portafolio.

Combinación estratégica Producto + Región

combinacion_estrategica <- datos %>%
  group_by(producto, region) %>%
  summarise(
    ventas = sum(ventas_total),
    utilidad = sum(utilidad_operativa)
  ) %>%
  arrange(desc(utilidad))

head(combinacion_estrategica, 10)
producto region ventas utilidad
Men’s Street Footwear Northeast 6841324 3030663
Men’s Street Footwear West 7389988 2907503
Women’s Apparel South 4224937 2199137
Men’s Athletic Footwear West 6761339 2154211
Women’s Street Footwear West 5748586 2142439
Women’s Apparel West 7038046 2096258
Men’s Apparel West 4827378 2009555
Men’s Street Footwear Southeast 4693836 2003886
Men’s Street Footwear Midwest 4707360 1948621
Women’s Apparel Northeast 5045208 1917008

📊 Interpretación

🔹 Identifica qué combinaciones generan mayor utilidad. 🔹 Permite priorizar segmentos con mayor generación de valor. 🔹 Ayuda a detectar oportunidades de expansión geográfica para productos exitosos.

Las combinaciones producto-región más rentables deben ser priorizadas en la estrategia comercial..

Matriz ventas VS margen por región

library(dplyr)
library(ggplot2)

# Resumen por región
analisis_region <- datos %>%
  group_by(region) %>%
  summarise(
    ventas_totales = sum(ventas_total),
    utilidad_total = sum(utilidad_operativa),
    margen_promedio = mean(margen_operativo)
  )

# Gráfico estratégico con colores personalizados
ggplot(analisis_region, 
       aes(x = ventas_totales, 
           y = margen_promedio, 
           size = utilidad_total, 
           color = region)) +
  
  geom_point(alpha = 0.9) +
  
  # Línea promedio vertical y horizontal
  geom_vline(xintercept = mean(analisis_region$ventas_totales),
             linetype = "dashed", color = "black") +
  
  geom_hline(yintercept = mean(analisis_region$margen_promedio),
             linetype = "dashed", color = "black") +
  
  scale_color_manual(values = c(
    "West" = "#000000",
    "Northeast" = "#0B1F3B",
    "Southeast" = "#1E3A8A",
    "South" = "#4B5563",
    "Midwest" = "#2563EB"
  )) +
  
  scale_size_continuous(range = c(5, 18)) +
  
  theme_minimal() +
  
  labs(title = "Matriz Estratégica: Ventas vs Rentabilidad por Región",
       subtitle = "Tamaño del punto = Utilidad Total | Líneas punteadas = Promedio general",
       x = "Ventas Totales",
       y = "Margen Operativo Promedio",
       size = "Utilidad Total",
       color = "Región") +
  
  theme(
    plot.title = element_text(face = "bold", size = 14),
    legend.position = "right"
  )

ventas_estado <- datos %>%
  mutate(estado = trimws(estado)) %>%   # elimina espacios extra
  group_by(estado) %>%
  summarise(
    ventas_totales = sum(ventas_total, na.rm = TRUE),
    utilidad_total = sum(utilidad_operativa, na.rm = TRUE),
    margen_promedio = mean(margen_operativo, na.rm = TRUE)
  ) %>%
  mutate(
    estado_abrev = state.abb[match(estado, state.name)]
  )
unique(datos$estado)
##  [1] "New York"       "Texas"          "California"     "Illinois"      
##  [5] "Pennsylvania"   "Nevada"         "Colorado"       "Washington"    
##  [9] "Florida"        "Minnesota"      "Montana"        "Tennessee"     
## [13] "Nebraska"       "Alabama"        "Maine"          "Alaska"        
## [17] "Hawaii"         "Wyoming"        "Virginia"       "Michigan"      
## [21] "Missouri"       "Utah"           "Oregon"         "Louisiana"     
## [25] "Idaho"          "Arizona"        "New Mexico"     "Georgia"       
## [29] "South Carolina" "North Carolina" "Ohio"           "Kentucky"      
## [33] "Mississippi"    "Arkansas"       "Oklahoma"       "Kansas"        
## [37] "South Dakota"   "North Dakota"   "Iowa"           "Wisconsin"     
## [41] "Indiana"        "West Virginia"  "Maryland"       "Delaware"      
## [45] "New Jersey"     "Connecticut"    "Rhode Island"   "Massachusetts" 
## [49] "Vermont"        "New Hampshire"
fig <- plot_ly(
  data = ventas_estado,
  type = "choropleth",
  locations = ~estado_abrev,
  locationmode = "USA-states",
  z = ~ventas_totales,
  colorscale = "Blues",
  text = ~paste(
    "<b>Estado:</b>", estado,
    "<br><b>Ventas:</b>", round(ventas_totales,0),
    "<br><b>Utilidad:</b>", round(utilidad_total,0),
    "<br><b>Margen:</b>", round(margen_promedio*100,1), "%"
  ),
  hoverinfo = "text"
)

fig <- fig %>%
  layout(
    title = "Mapa Interactivo de Ventas y Rentabilidad por Estado",
    geo = list(scope = "usa")
  )
fig

###INTERPRETACIÓN

El gráfico evidencia diferencias estratégicas entre regiones en términos de volumen y rentabilidad.

Las regiones ubicadas en el cuadrante superior derecho combinan alto volumen de ventas y alto margen operativo, consolidándose como segmentos estratégicos prioritarios.

Por el contrario, aquellas con alto volumen pero bajo margen pueden estar operando bajo estrategias de descuento que reducen la rentabilidad porcentual.

Este análisis permite identificar oportunidades de expansión, optimización de precios y fortalecimiento comercial en regiones específicas.

Hallazgos clave

El análisis exploratorio permitió identificar patrones relevantes en el comportamiento de las ventas y la rentabilidad de la empresa.

En primer lugar, se evidencia una relación fuertemente positiva entre las ventas totales y la utilidad operativa (r ≈ 0.93), lo que confirma que el crecimiento en ingresos impacta directamente la generación de beneficios. Esto indica que la estructura de costos permite convertir eficientemente las ventas en utilidad.

Sin embargo, se observa una correlación negativa moderada entre las unidades vendidas y el margen operativo (r ≈ -0.30), lo que sugiere que a mayores volúmenes de venta, el margen porcentual tiende a disminuir. Este comportamiento podría estar asociado a estrategias de descuento, promociones o presión competitiva en mercados de alto volumen.

A nivel geográfico, la región West se posiciona como el principal motor de ingresos y utilidad, concentrando la mayor participación en ventas totales. Esto sugiere una mayor consolidación comercial o una demanda más fuerte en esa zona.

Por categorías de producto, Men’s Street Footwear presenta el margen promedio más alto, lo que lo convierte en una línea estratégica clave dentro del portafolio. Esto indica que no solo genera ingresos relevantes, sino que también aporta una rentabilidad superior.

En términos generales, la empresa mantiene un margen operativo promedio cercano al 42%, lo cual refleja una estructura financiera sólida y una adecuada gestión operativa. No obstante, los resultados muestran que el crecimiento sostenible dependerá del equilibrio entre volumen y rentabilidad, priorizando segmentos de alto margen sin sacrificar competitividad.

Recomendaciones Estratégicas:

A partir de los hallazgos obtenidos en el análisis exploratorio, se proponen las siguientes recomendaciones estratégicas orientadas a fortalecer el desempeño comercial y la rentabilidad de la empresa:

1. Priorizar los productos de mayor margen operativo.
Dado que categorías como Men’s Street Footwear presentan un margen promedio superior, se recomienda fortalecer su posicionamiento mediante estrategias de marketing, ampliación de inventario y campañas focalizadas. Potenciar productos de alto margen permite mejorar la rentabilidad sin depender exclusivamente del aumento en volumen.

2. Optimizar la estrategia en regiones de alto desempeño.
La región West se consolida como el principal motor de ingresos y utilidad. Se sugiere analizar las prácticas comerciales implementadas en esta zona (precios, promociones, canales de venta) para replicar estrategias exitosas en otras regiones con menor desempeño.

3. Revisar políticas de descuentos en segmentos de alto volumen.
La correlación negativa entre unidades vendidas y margen operativo sugiere que mayores volúmenes pueden estar asociados a reducciones en rentabilidad porcentual. Se recomienda evaluar la estructura de descuentos y promociones para asegurar que el crecimiento en ventas no comprometa el margen.

4. Fortalecer los canales de venta más rentables.
Analizar el desempeño por método de venta permitirá identificar qué canal genera mayor rentabilidad relativa. Se sugiere invertir en aquellos canales que presenten mejor equilibrio entre volumen y margen.

5. Implementar seguimiento periódico de indicadores clave (KPIs).
Se recomienda establecer un tablero de control que monitoree variables como ventas totales, utilidad operativa y margen operativo por región y producto, permitiendo una toma de decisiones más ágil y basada en datos actualizados.

En conjunto, estas recomendaciones buscan equilibrar crecimiento y rentabilidad, promoviendo una estrategia sostenible basada en evidencia cuantitativa y análisis estratégico.

Conclusión Final

El análisis evidencia que el desempeño comercial de la empresa presenta diferencias estratégicas entre regiones y productos.

Las regiones ubicadas en el cuadrante superior derecho combinan alto volumen y alta rentabilidad, consolidándose como segmentos prioritarios dentro de la estrategia corporativa.

La estrategia debe enfocarse en maximizar el margen operativo más que únicamente el volumen de ventas.

En términos generales, los resultados demuestran que el crecimiento sostenible no depende exclusivamente de vender más, sino de vender estratégicamente mejor, priorizando segmentos que generen mayor valor agregado y rentabilidad.

Desde nuestra perspectiva como estudiantes de Negocios Internacionales, este trabajo fue especialmente enriquecedor, ya que nos permitió comprender cómo la analítica de datos se convierte en una herramienta clave para la toma de decisiones en entornos competitivos y globalizados. Más allá de los cálculos estadísticos, aprendimos a interpretar información cuantitativa para formular estrategias comerciales fundamentadas, evaluar mercados con criterio analítico y sustentar decisiones con evidencia.

Este ejercicio fortaleció nuestras competencias en pensamiento estratégico, análisis financiero y visión internacional del negocio, habilidades esenciales para nuestro perfil profesional como futuras negociadoras internacionales en un contexto empresarial dinámico y basado en datos.