adidas <- read_excel("C:/Users/ESTEFI/Desktop/Uni/QUINTO SEMESTRE/Analitica de datos/Caso 1/DatosCaso1.xlsx")

head(adidas)
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

1. Introducción

El presente informe desarrolla un análisis descriptivo y exploratorio con el objetivo de evaluar la rentabilidad de la empresa a partir de la utilidad operativa y el margen operativo.

Se analiza el comportamiento de estos indicadores por región y producto, además de la relación entre ventas, precio y volumen. El propósito es identificar patrones que apoyen la toma de decisiones estratégicas.

Para esto tendremos las siguientes preguntas orientadoras enfocandonos en la rentabilidad

¿Qué regiones y productos generan mayor utilidad operativa y margen operativo para la empresa?

¿Las regiones con mayores ventas totales también presentan mayores niveles de rentabilidad?

¿Existe relación entre precio por unidad, volumen de ventas y utilidad operativa?

¿Qué combinaciones de producto y región resultan más estratégicas desde una perspectiva de rentabilidad?

2. Análisis Exploratorio General

2.1 Estadísticas Descriptivas

El análisis exploratorio de datos (EDA) es un paso clave para comprender el desempeño financiero de la empresa, permitiendo identificar patrones y evaluar la distribución de variables como la utilidad operativa y el margen operativo. Este proceso facilita la comparación entre regiones y productos, así como la identificación de diferencias relevantes en términos de rentabilidad.

resumen_general <- adidas %>%
  summarise(
    utilidad_promedio = mean(utilidad_operativa, na.rm = TRUE),
    utilidad_mediana = median(utilidad_operativa, na.rm = TRUE),
    utilidad_sd = sd(utilidad_operativa, na.rm = TRUE),
    margen_promedio = mean(margen_operativo, na.rm = TRUE),
    margen_sd = sd(margen_operativo, na.rm = TRUE)
  )

kable(resumen_general)
utilidad_promedio utilidad_mediana utilidad_sd margen_promedio margen_sd
4894.794 3262.98 4866.464 0.4229913 0.0971974

Primero analizamos el comportamiento general de la utilidad y el margen operativo. Esto nos permite entender cuánto gana en promedio la empresa y qué tan variable es su rentabilidad antes de segmentar por región o producto.

3. Análisis por Región

3.1 Utilidad y Margen por Región

rent_region <- adidas %>%
  group_by(region) %>%
  summarise(
    utilidad_total = sum(utilidad_operativa, na.rm = TRUE),
    margen_promedio = mean(margen_operativo, na.rm = TRUE),
    .groups = "drop"
  ) %>%
  arrange(desc(utilidad_total))

kable(rent_region)
region utilidad_total margen_promedio
West 13017584 0.3966912
Northeast 9732774 0.4104503
South 9221605 0.4668981
Southeast 8393059 0.4191667
Midwest 6859945 0.4352724 
ggplot(rent_region, aes(x = reorder(region, utilidad_total),
                        y = utilidad_total,
                        fill = region)) +
  geom_col() +
  coord_flip() +
  scale_y_continuous(labels = scales::dollar_format()) +
  labs(title = "Utilidad Operativa Total por Región",
       x = "Región",
       y = "Utilidad") +
  theme_minimal() +
  theme(legend.position = "none")

Existen diferencias claras entre regiones. Algunas concentran mayor utilidad total, mientras que otras muestran mejor margen promedio. Esto indica que no solo importa cuánto se vende, sino qué tan eficiente es cada región.

4. Análisis por Producto

4.1 Utilidad y Margen por Producto

rent_producto <- adidas %>%
  group_by(producto) %>%
  summarise(
    utilidad_total = sum(utilidad_operativa, na.rm = TRUE),
    margen_promedio = mean(margen_operativo, na.rm = TRUE),
    .groups = "drop"
  ) %>%
  arrange(desc(utilidad_total))

kable(rent_producto)
producto utilidad_total margen_promedio
Men’s Street Footwear 11629046 0.4461304
Women’s Apparel 9685221 0.4413184
Men’s Athletic Footwear 7437457 0.4027019
Women’s Street Footwear 6494017 0.4101990
Men’s Apparel 6381405 0.4132254
Women’s Athletic Footwear 5597822 0.4243587

Algunos productos generan mayor utilidad total, lo que los convierte en líneas estratégicas. El margen promedio nos ayuda a identificar cuáles son más eficientes financieramente.

5. Relación entre Ventas y Utilidad

5.1 Ventas Totales vs Utilidad Operativa

ventas_rent <- adidas %>%
  group_by(region) %>%
  summarise(
    ventas_total = sum(ventas_total, na.rm = TRUE),
    utilidad_total = sum(utilidad_operativa, na.rm = TRUE),
    .groups = "drop"
  )
ggplot(ventas_rent, aes(x = ventas_total,
                        y = utilidad_total,
                        color = region)) +
  geom_point(size = 4) +
  geom_smooth(method = "lm", se = FALSE, color = "black") +
  scale_x_continuous(labels = scales::dollar_format()) +
  scale_y_continuous(labels = scales::dollar_format()) +
  labs(title = "Relación entre Ventas y Utilidad") +
  theme_minimal()

## 5.2 Correlación

cor(adidas$ventas_total,
    adidas$utilidad_operativa,
    use = "complete.obs")
## [1] 0.9353717

Existe una relación positiva entre ventas y utilidad. A medida que aumentan las ventas, generalmente también aumenta la utilidad, aunque el margen operativo influye en el resultado final.

6. Relación entre Precio, Unidades y Utilidad

cor(adidas[, c("precio_unidad",
               "unidades_vendidas",
               "utilidad_operativa")],
    use = "complete.obs")
##                    precio_unidad unidades_vendidas utilidad_operativa
## precio_unidad          1.0000000         0.2658685          0.5036827
## unidades_vendidas      0.2658685         1.0000000          0.8719928
## utilidad_operativa     0.5036827         0.8719928          1.0000000

Este análisis permite identificar si la utilidad depende más del precio o del volumen vendido. Esto ayuda a entender si la empresa compite por cantidad o por margen.

7. Análisis Estratégico: Producto + Región

rent_comb <- adidas %>%
  group_by(region, producto) %>%
  summarise(
    utilidad_total = sum(utilidad_operativa, na.rm = TRUE),
    .groups = "drop"
  )
ggplot(rent_comb, aes(x = producto,
                      y = utilidad_total,
                      fill = region)) +
  geom_col(position = "dodge") +
  scale_y_continuous(labels = scales::dollar_format()) +
  labs(title = "Utilidad Operativa por Producto y Región",
       x = "Producto",
       y = "Utilidad") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

Las barras agrupadas permiten identificar claramente en qué regiones cada producto es más rentable. Esto facilita la toma de decisiones estratégicas y la identificación de oportunidades comerciales.

8. Conclusiones

En general, la rentabilidad de la empresa varía entre regiones y productos. No todos aportan de la misma manera a la utilidad operativa.

Aunque existe una relación positiva entre ventas y utilidad, la eficiencia operativa y el margen influyen significativamente.

El análisis combinado producto–región permite identificar segmentos estratégicos para fortalecer la rentabilidad futura.