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. :0.800En el analisis descriptivo podemos evidenciar que hay diferencias relevantes en precios, ventas y retabilidad. El precio por unidad presenta una media de 45.22 y mediana de 45, lo que indica una distribución relativamente simétrica. El rango entre 7 y 110 refleja una estrategia de portafolio diversificada, con productos en distintos niveles de precio.
#El precio por unidad es relativamente estable, con una distribución equilibrada, lo que indica una estrategia de precios diversificada con productos en distintos rangos.
Las unidades vendidas muestran una media (256.9) superior a la mediana (176), lo que evidencia asimetría positiva. Existen registros con volúmenes significativamente altos (máximo 1,275), lo que indica alta variabilidad y presencia de segmentos de fuerte desempeño.
#Las unidades vendidas presentan alta variabilidad, donde algunos productos alcanzan volúmenes muy superiores al promedio, evidenciando segmentos de alto desempeño.
En ventas totales, la media (12,455) supera la mediana (7,804), confirmando nuevamente sesgo positivo. El máximo de 82,500 sugiere que ciertas combinaciones producto–región–canal concentran una parte importante de los ingresos.
#Las ventas totales están concentradas en pocos casos, lo que sugiere que ciertas combinaciones de producto, región y canal generan la mayor parte de los ingresos.
La utilidad operativa también presenta asimetría positiva (media 4,895 vs mediana 3,263), con valores máximos elevados (39,000), lo que indica que existen segmentos particularmente rentables.
#La utilidad operativa muestra que existen segmentos especialmente rentables, aunque no todos contribuyen de igual forma a los resultados.
El margen operativo tiene una media de 42.3% y mediana de 41%, con un rango entre 10% y 80%. Esto muestra una rentabilidad promedio sólida, aunque con diferencias importantes entre registros
#El margen operativo promedio es sólido, pero presenta diferencias importantes entre registros, indicando oportunidades de optimización en productos o canales menos rentables.
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")El gráfico de ventas totales por región permite identificar diferencias claras en el desempeño comercial entre territorios. Se observa que la región West lidera en generación de ingresos, mientras que Midwest presenta el menor nivel de ventas agregadas. Esta brecha evidencia que la variable región actúa como un factor determinante en el desempeño comercial de Adidas.
Desde una perspectiva de toma de decisiones, este resultado sugiere que West puede considerarse una región estratégica prioritaria para consolidación, asegurando inventario, cobertura de portafolio y campañas comerciales. Por otro lado, regiones con menor desempeño podrían representar oportunidades de expansión, optimización del mix de productos o ajustes en estrategia de canal.
#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"))El gráfico de unidades vendidas por método de venta muestra que el canal Online concentra el mayor volumen de unidades comercializadas, seguido por Outlet e In-store. Esto indica que el comportamiento del volumen físico vendido está fuertemente influenciado por el canal de comercialización.
Desde una perspectiva estratégica, este resultado sugiere que el canal digital representa un motor clave de rotación y debe priorizarse en términos de abastecimiento, logística y disponibilidad de inventario.
#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: El boxplot de utilidad operativa permite analizar la distribución, dispersión y presencia de valores atípicos. Se observa una variabilidad considerable, así como múltiples valores extremos superiores, lo que indica que ciertas combinaciones de producto, región y canal generan utilidades significativamente mayores que el promedio.
La existencia de alta dispersión sugiere que la rentabilidad no es homogénea. Adidas no depende únicamente de un desempeño promedio estable, sino que existen segmentos altamente rentables que pueden estar impulsando una parte importante del resultado operativo.
Desde la toma de decisiones, este hallazgo invita a identificar y replicar las combinaciones que generan utilidades superiores, al tiempo que se revisan segmentos con bajo desempeño para evaluar posibles ajustes en precios, costos o estrategia comercial.
#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")El gráfico de margen operativo promedio por producto evidencia diferencias claras en la eficiencia relativa de cada línea. Algunos productos presentan márgenes consistentemente superiores, lo que implica que por cada unidad monetaria vendida generan una mayor proporción de utilidad operativa.
Desde el punto de vista gerencial, este análisis es fundamental para la optimización del portafolio. No todos los productos contribuyen de igual manera a la rentabilidad total. Aquellos con mayor margen deberían considerarse prioritarios en estrategias de posicionamiento, asignación de inventario y campañas comerciales, especialmente si además mantienen niveles altos de ventas.
#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()
)El gráfico de dispersión entre precio por unidad y unidades vendidas muestra una correlación positiva débil. Esto indica que, en términos agregados, el aumento en el precio no se asocia con una disminución clara en el volumen vendido. La dispersión observada sugiere que otros factores, como el tipo de producto o el canal, influyen de manera más determinante en el comportamiento de la demanda.
Desde la perspectiva estratégica, este hallazgo cuestiona la idea simplista de que precios más altos necesariamente reducen volumen. Puede reflejar la existencia de líneas premium con alta demanda o segmentación de mercado donde el precio actúa como señal de valor.
0.27 = Correlación débil
#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()
)El gráfico de dispersión entre ventas totales y utilidad operativa presenta una correlación positiva muy fuerte. Esto indica que el crecimiento en ventas está altamente asociado con el incremento en utilidad operativa.
Desde la toma de decisiones, este resultado respalda estrategias de crecimiento comercial siempre que el margen operativo se mantenga estable. Sin embargo, también implica que la empresa debe analizar si el crecimiento en utilidad se debe únicamente al aumento en volumen o a mejoras en margen y eficiencia operativa. La evidencia indica que las ventas totales son una variable altamente asociada con la utilidad operativa, lo que refuerza la importancia de estrategias de expansión comercial alineadas con control de margen.
#Cuando las ventas aumentan, la utilidad también aumenta. Esto indica que crecer en ventas es una buena estrategia, siempre y cuando la empresa controle los costos y mantenga el margen operativo. Sin embargo, es importante verificar si la utilidad crece solo por vender más o también por ser más eficiente
0.94 = Relación positiva muy fuerte
#Hallazgos principales
El desempeño comercial de Adidas no es homogéneo y varía significativamente según la región, el producto y el método de venta.
Las ventas totales se concentran en regiones específicas, lo que indica mercados estratégicos claramente definidos.
El canal Online es el principal impulsor del volumen.
La rentabilidad presenta alta variabilidad, con segmentos específicos que generan utilidades y márgenes muy superiores al promedio.
Existen productos con márgenes operativos consistentemente altos, que aportan más valor a la rentabilidad total que otros de mayor volumen.
El precio por unidad no muestra una relación negativa fuerte con la demanda, lo que sugiere una segmentación efectiva del portafolio.
El crecimiento en ventas está fuertemente asociado con el incremento en la utilidad operativa, siempre que el margen se mantenga controlado.
La combinación de producto, región y canal es determinante para maximizar el desempeño financiero.
#El análisis evidencia que la rentabilidad de Adidas depende más de cómo y dónde se vende que del volumen total de productos comercializados.
En conclusión, el análisis muestra que el desempeño de Adidas varía según la región, el producto y el canal de venta. El crecimiento en ventas impulsa la utilidad operativa, siempre que se mantenga el margen, lo que resalta la importancia de una estrategia comercial segmentada y enfocada en la rentabilidad.
Priorizar regiones y canales con mayor volumen y rentabilidad para consolidar el crecimiento.
Enfocar estrategias comerciales en productos con mayor margen operativo.
Mantener el impulso del canal online, acompañado de control de costos y márgenes.
Revisar productos o regiones con bajo desempeño para optimizar precios, mix de productos o estrategias de canal.