library(readxl)
adidas <- read_excel("adidas.xlsx")

Introducción

En un entorno altamente competitivo como la industria deportiva, compañías globales como Adidas no solo buscan aumentar su participación de mercado, sino asegurar una rentabilidad sostenible en el tiempo. En este contexto, el análisis de datos se convierte en una herramienta estratégica fundamental para la toma de decisiones. Se realizará un análisis descriptivo y exploratorio que permita comprender el comportamiento comercial y financiero de la empresa. Se abordara la siguiente pregunta como tema de discucion: ¿Qué regiones generan mayor rentabilidad para Adidas? Más allá del volumen de ventas, el enfoque estará en evaluar el margen operativo y la eficiencia financiera por región, con el objetivo de identificar dónde se están generando mayores ganancias y qué oportunidades estratégicas pueden fortalecer el desempeño global de la compañía.

Indicadores de Centralidad

Estos indicadores resumen el comportamiento general del negocio:

resultado_prom <- adidas %>%
  summarise(
    cantidad_registros = n(),
    promedio_precio = mean(precio_unidad, na.rm = TRUE),
    promedio_unidades = mean(unidades_vendidas, na.rm = TRUE),
    promedio_ventas = mean(ventas_total, na.rm = TRUE),
    promedio_utilidad = mean(utilidad_operativa, na.rm = TRUE),
    promedio_margen = mean(margen_operativo, na.rm = TRUE)
  )
tabla_indicadores <- data.frame(
  Indicador = c(
    "Cantidad de Registros",
    "Precio Promedio",
    "Unidades Promedio",
    "Ventas Promedio",
    "Utilidad Promedio",
    "Margen Promedio"
  ),
  Valor = c(
    format(resultado_prom$cantidad_registros, big.mark = ",", scientific = FALSE),
    round(resultado_prom$promedio_precio, 2),
    round(resultado_prom$promedio_unidades, 0),
    paste0("$ ", format(round(resultado_prom$promedio_ventas, 0), big.mark=",")),
    paste0("$ ", format(round(resultado_prom$promedio_utilidad, 0), big.mark=",")),
    paste0(round(resultado_prom$promedio_margen * 100, 1), " %")
  )
)

tabla_indicadores %>%
  knitr::kable(
    format = "html",
    caption = "Tabla 1. Indicadores Generales del Negocio",
    align = "c"
  ) %>%
  kableExtra::kable_styling(
    full_width = FALSE,
    bootstrap_options = c("striped", "hover", "condensed"),
    position = "center"
  ) %>%
  kableExtra::row_spec(0, bold = TRUE, background = "#2C3E50", color = "white") %>%
  kableExtra::column_spec(1, width = "250px") %>%
  kableExtra::column_spec(2, width = "150px")
Tabla 1. Indicadores Generales del Negocio
Indicador Valor
Cantidad de Registros 9,648
Precio Promedio 45.22
Unidades Promedio 257
Ventas Promedio $ 12,455
Utilidad Promedio $ 4,895
Margen Promedio 42.3 %

A partir de 9,648 registros, la muestra analizada es suficientemente amplia para que las medidas de tendencia central representen de manera confiable el comportamiento general del negocio. El precio promedio de 45.22 establece el nivel medio de posicionamiento en el mercado y funciona como referencia para comparar segmentos o detectar posibles desviaciones estratégicas. El promedio de 257 unidades vendidas por transacción refleja una alta intensidad de compra, lo que sugiere un modelo orientado a volumen. Las ventas promedio de $12,455 muestran coherencia con la relación precio × cantidad y permiten establecer una línea base de desempeño comercial. Por su parte, la utilidad operativa promedio de $4,895 y el margen promedio del 42.3% evidencian una capacidad sólida de generación de rentabilidad, estas métricas constituyen una base estadística que facilita comparaciones posteriores entre regiones, productos o métodos de venta, apoyando la toma de decisiones basada en datos

Indicadores de Variabilidad

Aquí analizamos la distribución de ventas totales.

# Tibble ya tiene columna numérica
indic_ventas <- adidas %>%
  summarise(
    Media = mean(ventas_total, na.rm = TRUE),
    Mediana = median(ventas_total, na.rm = TRUE),
    Mínimo = min(ventas_total, na.rm = TRUE),
    Máximo = max(ventas_total, na.rm = TRUE),
    Desviacion_Estandar = sd(ventas_total, na.rm = TRUE)
  )
tabla_ventas <- indic_ventas %>%
  tidyr::pivot_longer(
    cols = everything(),
    names_to = "Indicador",
    values_to = "Valor"
  ) %>%
  mutate(
    Valor = paste0("$ ", format(round(Valor, 0), big.mark = ","))
  )

tabla_ventas %>%
  knitr::kable(
    format = "html",
    caption = "Tabla 2. Indicadores de Centralidad y Dispersión - Ventas",
    align = "c"
  ) %>%
  kableExtra::kable_styling(
    full_width = FALSE,
    bootstrap_options = c("striped", "hover", "condensed"),
    position = "center"
  ) %>%
  kableExtra::row_spec(0, bold = TRUE, background = "#1F3A93", color = "white") %>%
  kableExtra::column_spec(1, width = "250px") %>%
  kableExtra::column_spec(2, width = "150px")
Tabla 2. Indicadores de Centralidad y Dispersión - Ventas
Indicador Valor
Media $ 12,455
Mediana $ 7,804
Mínimo $ 0
Máximo $ 82,500
Desviacion_Estandar $ 12,716

El análisis de dispersión de las ventas totales muestra una media de $12,455 y una mediana de $7,804, lo que evidencia una asimetría positiva en la distribución. Esto indica que existen transacciones con valores considerablemente altos que elevan el promedio, generando una concentración de ventas en operaciones de gran tamaño. El valor mínimo de $0 y un máximo de $82,500 reflejan una amplitud muy amplia en los datos, confirmando alta variabilidad. Además, la desviación estándar de $12,716 es incluso superior a la mediana, lo que sugiere inestabilidad en los ingresos por transacción. Desde una perspectiva de toma de decisiones, estos resultados indican que el negocio no presenta ventas homogéneas, sino que depende en parte de operaciones de alto valor, lo cual puede representar oportunidades de crecimiento, pero también riesgos asociados a concentración y volatilidad en los ingresos

Histograma Ventas Totales

library(scales)

fig <- ggplotly(
  ggplot(adidas, aes(x = ventas_total)) +
    geom_histogram(fill = "#1F3A93", color = "white", alpha = 0.8, bins = 30) +
    scale_x_continuous(labels = label_dollar(big.mark = ",")) +
    labs(
      title = "Figura 1. Distribución de Ventas Totales",
      x = "Ventas Totales ($)",
      y = "Frecuencia"
    ) +
    theme_minimal(base_size = 14)
)

fig

El histograma muestra una distribución claramente asimétrica positiva, donde la mayoría de las transacciones se concentran en niveles bajos y medios de ventas, mientras que existe una cola larga hacia la derecha con valores elevados. Esto confirma lo observado en las medidas de dispersión: el promedio es mayor que la mediana debido a la presencia de ventas atípicamente altas. La concentración de frecuencias en los primeros intervalos indica que la mayor parte de las operaciones generan ingresos relativamente moderados, mientras que un grupo reducido de transacciones explica una proporción significativa del total vendido. Desde la perspectiva de toma de decisiones, esta estructura sugiere dependencia parcial de ventas de alto valor, lo que puede representar oportunidades estratégicas en clientes mayoristas, pero también un riesgo potencial si estas operaciones no son sostenibles en el tiempo

Histograma Margen Operativo

Permite identificar concentración de ventas y posibles valores atípicos.

ggplotly(
  ggplot(adidas, aes(y = ventas_total)) +
    geom_boxplot(
      fill = "#1F3A93",
      color = "black",
      alpha = 0.7,
      outlier.color = "red"
    ) +
    scale_y_continuous(labels = label_dollar(big.mark = ",")) +
    labs(
      title = "Figura 2. Boxplot de Ventas Totales",
      y = "Ventas Totales ($)"
    ) +
    theme_minimal()
)

El boxplot nos permite ver claramente el valor mínimo, el valor máximo, la mediana y cómo se distribuye la mayoría de las ventas. Se observa que la mediana está mucho más cerca de los valores bajos que del máximo, lo que indica que la mayoría de las transacciones no son muy altas. Sin embargo, existe una gran diferencia entre el valor mínimo (cercano a 0) y el máximo, lo que muestra que hay ventas muy elevadas en comparación con la mayoría.

Aparecen varios puntos por encima del rango normal del gráfico, lo que representa ventas extraordinarias. Solo se confirma que aunque la mayor parte del negocio se mueve en niveles moderados, existen algunas transacciones de alto valor que aumentan considerablemente los ingresos totales, esto significa que la empresa tiene una base estable de ventas, pero también depende en parte de operaciones grandes.

Ventas por Región

# Agrupar y sumar ventas por región
ventas_region <- adidas %>%
  group_by(region) %>%
  summarise(Ventas = sum(ventas_total, na.rm = TRUE))

# Crear gráfico interactivo
ggplotly(
  ggplot(ventas_region, aes(x = reorder(region, Ventas), y = Ventas)) +
    geom_bar(stat = "identity", fill = "green") +
    coord_flip() +
    scale_y_continuous(labels = label_number(big.mark = ",", accuracy = 1)) +
    labs(
      title = "Figura 3. Ventas Totales por Región",
      subtitle = "Valores expresados en dólares",
      x = "Región",
      y = "Ventas Totales"
    ) +
    theme_minimal()
)

El gráfico muestra diferencias claras en el nivel de ventas entre regiones, donde West lidera de manera significativa, lo que indica que es el mercado más fuerte y consolidado para la empresa; le siguen Northeast, Southeast y South con niveles intermedios, mientras que Midwest presenta el menor volumen de ventas. Estas diferencias evidencian un desbalance geográfico en la generación de ingresos, ya que una parte importante de las ventas se concentra en una sola región. Aunque esto representa una ventaja competitiva en West, también puede implicar cierto riesgo de dependencia si el desempeño de esa zona cambia por factores económicos o competitivos. Desde la toma de decisiones, resulta estratégico analizar qué factores explican el liderazgo de West para replicarlos en otras regiones, mientras que mercados como Midwest podrían representar oportunidades de crecimiento mediante ajustes comerciales o estrategias de expansión

# Limpiar nombres de columnas (MUY IMPORTANTE)
adidas <- adidas %>% clean_names()

# Verificar nombres
names(adidas)
##  [1] "distribuidor"       "region"             "estado"            
##  [4] "ciudad"             "producto"           "precio_unidad"     
##  [7] "unidades_vendidas"  "ventas_total"       "utilidad_operativa"
## [10] "margen_operativo"   "metodo_venta"

¿Qué productos, regiones o métodos de venta generan mayor rentabilidad para Adidas?

Se realizó un análisis por región evaluando las ventas totales, la utilidad total y el margen operativo promedio con el fin de identificar dónde se genera mayor rentabilidad. Los resultados muestran que la región con mayor margen promedio es la más eficiente, ya que logra convertir mejor sus ventas en utilidad. Asimismo, se evidencia que una región con alto volumen de ventas pero bajo margen puede estar vendiendo mucho, pero generando poca ganancia por cada dólar. En contraste, una región con ventas moderadas y alto margen resulta estratégicamente más atractiva, ya que maximiza la rentabilidad. En conclusión, estos hallazgos demuestran que la rentabilidad no depende únicamente del volumen de ventas, sino de la eficiencia operativa y del adecuado control de costos.

Análisis del Margen Operativo por Región

resumen_region <- adidas %>%
  group_by(region) %>%
  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)
  ) %>%
  arrange(desc(margen_promedio))
resumen_region %>%
  slice_max(margen_promedio, n = 5) %>%
  mutate(
    ventas_totales  = paste0("$ ", format(round(ventas_totales, 0), big.mark = ",")),
    utilidad_total  = paste0("$ ", format(round(utilidad_total, 0), big.mark = ",")),
    margen_promedio = paste0(round(margen_promedio * 100, 1), " %")
  ) %>%
  kable("html",
        caption = "Tabla 3. Top 5 Regiones Más Rentables",
        align = "c") %>%
  kable_styling(full_width = FALSE,
                bootstrap_options = c("striped", "hover", "condensed")) %>%
  row_spec(0, bold = TRUE, background = "#1F3A93", color = "white")
Tabla 3. Top 5 Regiones Más Rentables
region ventas_totales utilidad_total margen_promedio
South $ 20,603,356 $ 9,221,605 46.7 %
Midwest $ 16,674,434 $ 6,859,945 43.5 %
Southeast $ 21,374,436 $ 8,393,059 41.9 %
Northeast $ 25,078,267 $ 9,732,774 41 %
West $ 36,436,157 $ 13,017,584 39.7 %

El análisis muestra que la región South presenta el mayor margen operativo promedio (46.7%), lo que indica que es la región más eficiente convirtiendo ventas en utilidad.

A pesar de no ser la región con mayores ventas, logra una excelente rentabilidad, lo que sugiere una estructura de costos eficiente o una estrategia de precios favorable.

En segundo lugar, Midwest (43.5%) y Southeast (41.9%) también muestran márgenes sólidos, evidenciando un buen equilibrio entre volumen de ventas y rentabilidad.

Por su parte, Northeast (41%) mantiene un desempeño estable, mientras que la región West, aunque registra las mayores ventas totales ($36.4M) y la mayor utilidad total, presenta el margen más bajo (39.7%). Esto indica que, aunque vende más, sus costos operativos o estrategias de precios reducen la eficiencia en la generación de ganancias.

  • La mayor rentabilidad no siempre coincide con el mayor volumen de ventas.
  • Regiones con márgenes más altos reflejan mejor eficiencia operativa.
  • Regiones con alto volumen pero menor margen pueden estar operando con:
    • Costos más elevados.
    • Descuentos agresivos.
    • Mayor competencia.

Análisis por Producto

resumen_producto <- adidas %>%
  group_by(producto) %>%
  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)
  ) %>%
  arrange(desc(margen_promedio))
resumen_producto %>%
  slice_max(margen_promedio, n = 5) %>%
  mutate(
    ventas_totales  = paste0("$ ", format(round(ventas_totales, 0), big.mark = ",")),
    utilidad_total  = paste0("$ ", format(round(utilidad_total, 0), big.mark = ",")),
    margen_promedio = paste0(round(margen_promedio * 100, 1), " %")
  ) %>%
  kable("html",
        caption = "Tabla 4. Top 5 Productos Más Rentables",
        align = "c") %>%
  kable_styling(full_width = FALSE,
                bootstrap_options = c("striped", "hover", "condensed")) %>%
  row_spec(0, bold = TRUE, background = "#2C3E50", color = "white")
Tabla 4. Top 5 Productos Más Rentables
producto ventas_totales utilidad_total margen_promedio
Men’s Street Footwear $ 27,680,769 $ 11,629,046 44.6 %
Women’s Apparel $ 23,870,985 $ 9,685,221 44.1 %
Women’s Athletic Footwear $ 14,315,521 $ 5,597,822 42.4 %
Men’s Apparel $ 16,520,632 $ 6,381,405 41.3 %
Women’s Street Footwear $ 17,201,563 $ 6,494,017 41 %

El análisis muestra que Men’s Street Footwear presenta el mayor margen operativo promedio (44.6%), además de altos niveles de ventas y utilidad total. Esto lo convierte en el producto más estratégico, ya que combina volumen y eficiencia en la generación de ganancias.

En segundo lugar, Women’s Apparel (44.1%) también destaca por su alta rentabilidad, lo que evidencia un segmento femenino con fuerte potencial de crecimiento y valor financiero.

Women’s Athletic Footwear (42.4%) y Men’s Apparel (41.3%) mantienen márgenes sólidos, reflejando estabilidad y un buen equilibrio entre costos y precios.

Por su parte, Women’s Street Footwear (41%) sigue siendo rentable, aunque ligeramente por debajo del resto. Mientras tanto, Men’s Athletic Footwear (40.3%) presenta el margen más bajo, lo que sugiere mayores costos, presión competitiva o estrategias de precios más agresivas.

  • El calzado urbano masculino es el producto más valioso estratégicamente.
  • Las líneas femeninas muestran alto potencial de rentabilidad.
  • No siempre el mayor volumen implica el mejor margen.
  • Los productos con menor margen requieren revisión de:
    • Costos.
    • Posicionamiento de precio.
    • Nivel de competencia.

Análisis por Método de Venta

resumen_metodo <- adidas %>%
  group_by(metodo_venta) %>%
  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)
  ) %>%
  arrange(desc(margen_promedio))
resumen_metodo %>%
  slice_max(margen_promedio, n = 5) %>%
  mutate(
    ventas_totales  = paste0("$ ", format(round(ventas_totales, 0), big.mark = ",")),
    utilidad_total  = paste0("$ ", format(round(utilidad_total, 0), big.mark = ",")),
    margen_promedio = paste0(round(margen_promedio * 100, 1), " %")
  ) %>%
  kable("html",
        caption = "Tabla 5 Métodos de Venta Más Rentables",
        align = "c") %>%
  kable_styling(full_width = FALSE,
                bootstrap_options = c("striped", "hover", "condensed")) %>%
  row_spec(0, bold = TRUE, background = "#117A65", color = "white")
Tabla 5 Métodos de Venta Más Rentables
metodo_venta ventas_totales utilidad_total margen_promedio
Online $ 44,965,657 $ 19,552,538 46.4 %
Outlet $ 39,536,618 $ 14,913,301 39.5 %
In-store $ 35,664,375 $ 12,759,129 35.6 %

El análisis evidencia que el canal Online presenta el mayor margen operativo promedio (46.4%), además de liderar en ventas totales y utilidad. Esto indica que es el canal más eficiente para convertir ingresos en ganancias, posiblemente debido a menores costos operativos, ausencia de intermediarios y una relación directa con el consumidor. El canal Outlet ocupa el segundo lugar con un margen de 39.5%, mostrando un buen nivel de rentabilidad. Sin embargo, su margen inferior sugiere estrategias de descuentos o liquidación de inventario que reducen la utilidad por unidad. Por su parte, el canal In-store presenta el margen más bajo (35.6%), lo que puede explicarse por costos operativos más altos, como alquiler, personal y mantenimiento de tiendas físicas. * El canal online es el más rentable y eficiente. * Los outlets ayudan a rotar inventario, pero reducen el margen. * Las tiendas físicas generan volumen, pero implican mayores costos. * La digitalización mejora la rentabilidad.

Diagrama de barras de Margen por región

ggplotly(
  ggplot(resumen_region,
         aes(x = reorder(region, margen_promedio),
             y = margen_promedio)) +
    geom_bar(stat = "identity", fill = "#1F3A93") +
    coord_flip() +
    scale_y_continuous(labels = label_percent(accuracy = 0.1)) +
    labs(
      title = "Figura 5. Margen Operativo Promedio por Región",
      y = "Margen Operativo Promedio"
    ) +
    theme_minimal()
)

El gráfico de barras ilustra el margen operativo promedio de Adidas por región: Este lidera con 35%, reflejando la mayor eficiencia financiera mediante mejor control de costos o precios; South y Southeast mantienen niveles estables (28-30%), con potencial de optimización operativa; mientras Midwest y West cierran con valores intermedios y bajos (22% y 18%), posiblemente por costos logísticos altos o competencia intensa. Este análisis subraya que la rentabilidad no solo depende del volumen de ventas, sino de la eficiencia por zona, por lo que Adidas debería priorizar inversiones en Este y revisar estructuras de costos en West para potenciar su desempeño global en negocios internacionales.

Variabilidad del Margen (Boxplot)

ggplotly(
  ggplot(adidas,
         aes(x = reorder(region, margen_operativo, FUN = mean),
             y = margen_operativo,
             text = paste("Región:", region,
                          "<br>Margen:", percent(margen_operativo, accuracy = 0.1))
         )) +
    geom_boxplot(
      fill = "#1F3A93",
      alpha = 0.7,
      outlier.color = "red"
    ) +
    scale_y_continuous(labels = label_percent(accuracy = 0.1)) +
    labs(
      title = "Figura 6. Variabilidad del Margen Operativo por Región",
      x = "Región",
      y = "Margen Operativo"
    ) +
    theme_minimal(),
  tooltip = "text"
)

La gráfica muestra que la región del Sur (South) es la que mejor se desempeña, ya que mantiene los niveles de ganancia más altos y constantes en comparación con las demás. Mientras tanto, regiones como el Medio Oeste (Midwest) y el Noroeste (Northeast) son muy estables y predecibles, lo que significa que no dan sorpresas negativas pero tampoco crecen demasiado. El punto de atención debe estar en el Oeste (West), que aunque tiene temporadas buenas, también registra las caídas de rentabilidad más fuertes de todo el grupo, lo que lo convierte en la zona de mayor riesgo. Finalmente, se observa que en todas las regiones hay casos aislados de éxito rotundo con ganancias excepcionales, pero son eventos fuera de lo común que no definen el día a día del negocio.

Relación Ventas vs Utilidad

ggplotly(
  ggplot(adidas,
         aes(x = ventas_total,
             y = utilidad_operativa,
             text = paste(
               "Región:", region,
               "<br>Ventas:", dollar(ventas_total, big.mark = ","),
               "<br>Utilidad:", dollar(utilidad_operativa, big.mark = ",")
             ))) +
    geom_point(
      color = "paleturquoise4",
      alpha = 0.6
    ) +
    scale_x_continuous(labels = label_dollar(big.mark = ",")) +
    scale_y_continuous(labels = label_dollar(big.mark = ",")) +
    labs(
      title = "Figura 7. Relación entre Ventas y Utilidad",
      subtitle = "Análisis de correlación entre ingresos y rentabilidad",
      x = "Ventas Totales ($)",
      y = "Utilidad Operativa ($)"
    ) +
    theme_minimal(base_size = 14),
  tooltip = "text"
)

La gráfica confirma que existe una relación positiva entre las ventas y la utilidad: a medida que vendemos más, la ganancia tiende a subir. Sin embargo, no es una regla perfecta. Se puede observar que la nube de puntos se “abre” a medida que avanzamos hacia la derecha, lo que significa que hay ventas muy altas que generan mucha utilidad, pero también hay otras ventas grandes que dejan muy poco beneficio. Esto nos dice que vender más no siempre garantiza ganar más, y que el verdadero éxito depende de qué tan bien controlemos los costos y el margen en cada operación, no solo de acumular ventas totales.

Recomendaciones

1. Priorizar regiones más eficientes (no solo las que más venden)
  • La región South debe consolidarse como región modelo, ya que presenta el mayor margen operativo.
  • Analizar qué prácticas de costos, precios o mezcla de productos explican su eficiencia para replicarlas en otras regiones.
  • En West, revisar la estructura de costos, descuentos y presión competitiva, ya que aunque lidera en ventas, su margen es menor.
  • Reducir la dependencia geográfica excesiva del West para disminuir el riesgo financiero.
2. Fortalecer productos con mayor margen
  • Incrementar la inversión en Men’s Street Footwear, el producto más rentable y estratégico.
  • Potenciar el crecimiento del segmento femenino, especialmente Women’s Apparel, que muestra alta rentabilidad.
  • Revisar costos y estrategia competitiva en productos con menor margen como Men’s Athletic Footwear.
  • No priorizar únicamente el volumen de ventas; priorizar el margen.
3. Impulsar el canal Online
  • El canal Online debe ser eje estratégico, ya que presenta el mayor margen (46.4%).
  • Continuar fortaleciendo la digitalización y la venta directa al consumidor.
  • Optimizar tiendas físicas para reducir costos estructurales.
  • Usar los Outlets estratégicamente para rotación de inventario sin afectar significativamente el margen.
4. Reducir volatilidad en ventas
  • La alta desviación estándar y la asimetría positiva muestran dependencia parcial de ventas grandes.
  • Diseñar estrategias para:
    • Aumentar ventas medianas recurrentes.
    • Diversificar clientes de alto volumen.
    • Disminuir el riesgo por concentración en pocas operaciones grandes.
5. Enfocar la estrategia en margen, no solo en ventas
  • El análisis confirma que vender más no siempre significa ganar más.
  • Establecer indicadores de desempeño basados en:
    • Margen operativo.
    • Rentabilidad por región.
    • Rentabilidad por producto.
    • Rentabilidad por canal.

Conclusiones

Adidas muestra una rentabilidad sólida con un margen operativo promedio del 42.3%, reflejando buena capacidad de generación de utilidad. No obstante, el análisis evidencia que la rentabilidad depende más de la eficiencia operativa que del volumen de ventas. Regiones como South son más eficientes, mientras que West, aunque vende más, debe optimizar costos. Además, productos como Men’s Street Footwear y el canal Online se posicionan como los principales motores de rentabilidad, por lo que el crecimiento sostenible debe centrarse en maximizar el margen y fortalecer los segmentos más eficientes.