1. Introducción

El presente informe tiene como propósito desarrollar un análisis exploratorio y descriptivo de la información de ventas de la empresa ADIDAS. Se busca identificar patrones relevantes en precios, volumen de ventas, rentabilidad y desempeño regional, con el fin de generar hallazgos estratégicos y recomendaciones basadas en datos.

library(tidyverse)
library(psych)
library(readxl)
library(GGally)

2. Carga y Preparación de Datos

adidas <- read_excel("DatosCaso1.xlsx", 
    col_types = c("text", "text", "text", 
        "text", "text", "numeric", "numeric", 
        "numeric", "numeric", "numeric", 
        "text"))

# Conversión de variable numérica
adidas$utilidad_operativa <- as.numeric(adidas$utilidad_operativa)

# Creación del margen operativo
adidas$margen_operativo <- adidas$utilidad_operativa / adidas$ventas_total

# Eliminar registros con ventas en cero
adidas <- adidas %>% 
  filter(ventas_total > 0)

str(adidas)
## tibble [9,644 × 11] (S3: tbl_df/tbl/data.frame)
##  $ distribuidor      : chr [1:9644] "Foot Locker" "Foot Locker" "Foot Locker" "Foot Locker" ...
##  $ region            : chr [1:9644] "Northeast" "Northeast" "Northeast" "Northeast" ...
##  $ estado            : chr [1:9644] "New York" "New York" "New York" "New York" ...
##  $ ciudad            : chr [1:9644] "New York" "New York" "New York" "New York" ...
##  $ producto          : chr [1:9644] "Men's Street Footwear" "Men's Athletic Footwear" "Women's Street Footwear" "Women's Athletic Footwear" ...
##  $ precio_unidad     : num [1:9644] 50 50 40 45 60 50 50 50 40 45 ...
##  $ unidades_vendidas : num [1:9644] 1200 1000 1000 850 900 1000 1250 900 950 825 ...
##  $ ventas_total      : num [1:9644] 60000 50000 40000 38250 54000 ...
##  $ utilidad_operativa: num [1:9644] 30000 15000 14000 13388 16200 ...
##  $ margen_operativo  : num [1:9644] 0.5 0.3 0.35 0.35 0.3 0.25 0.5 0.3 0.35 0.35 ...
##  $ metodo_venta      : chr [1:9644] "In-store" "In-store" "In-store" "In-store" ...

3. Análisis Descriptivo General

datos_numericos <- adidas %>% 
  select(precio_unidad,
         unidades_vendidas,
         ventas_total,
         utilidad_operativa,
         margen_operativo)

describe(datos_numericos)
##                    vars    n     mean       sd  median trimmed     mad   min
## precio_unidad         1 9644    45.22    14.71   45.00   44.83   14.83   7.0
## unidades_vendidas     2 9644   257.04   214.23  176.00  221.57  134.92   6.0
## ventas_total          3 9644 12460.25 12716.50 7812.00 9962.76 6809.58 160.0
## utilidad_operativa    4 9644  4896.82  4866.45 3264.00 3969.10 2755.71  75.2
## margen_operativo      5 9644     0.42     0.10    0.41    0.42    0.09   0.1
##                        max   range skew kurtosis     se
## precio_unidad        110.0   103.0 0.36     0.43   0.15
## unidades_vendidas   1275.0  1269.0 1.46     1.70   2.18
## ventas_total       82500.0 82340.0 1.96     4.12 129.49
## utilidad_operativa 39000.0 38924.8 2.33     7.17  49.55
## margen_operativo       0.8     0.7 0.23     0.17   0.00

Interpretación

Las ventas totales presentan alta dispersión, lo que indica que existen registros con volúmenes significativamente superiores al promedio. La utilidad operativa mantiene una relación directa con el volumen de ventas. El margen operativo presenta menor variabilidad, lo que sugiere relativa estabilidad en la rentabilidad porcentual.

4. Análisis por Región

Ventas Totales por Región

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

ventas_region
## # A tibble: 5 × 4
##   region    ventas_totales utilidad_total margen_promedio
##   <chr>              <dbl>          <dbl>           <dbl>
## 1 Midwest         16674434       6859945.           0.435
## 2 Northeast       25078267       9732774.           0.410
## 3 South           20603356       9221605.           0.467
## 4 Southeast       21374436       8393059.           0.419
## 5 West            36436157      13017584.           0.397
ggplot(ventas_region,
       aes(x = reorder(region, ventas_totales),
           y = ventas_totales)) +
  geom_col() +
  coord_flip() +
  labs(title = "Ventas Totales por Región",
       x = "Región",
       y = "Ventas Totales")

Interpretación

Se observan diferencias estructurales entre regiones. Algunas concentran mayor participación en ventas y utilidad, lo que evidencia desigualdad en desempeño comercial. La región con mayor volumen representa el principal motor de ingresos.

5. Relación entre Variables Financieras

Matriz de Correlación

cor(datos_numericos, use = "complete.obs")
##                    precio_unidad unidades_vendidas ventas_total
## precio_unidad          1.0000000         0.2655273    0.5393738
## unidades_vendidas      0.2655273         1.0000000    0.9193088
## ventas_total           0.5393738         0.9193088    1.0000000
## utilidad_operativa     0.5034908         0.8719355    0.9353454
## margen_operativo      -0.1373234        -0.3053777   -0.3022066
##                    utilidad_operativa margen_operativo
## precio_unidad              0.50349076      -0.13732339
## unidades_vendidas          0.87193545      -0.30537773
## ventas_total               0.93534537      -0.30220655
## utilidad_operativa         1.00000000      -0.04730648
## margen_operativo          -0.04730648       1.00000000

Matriz Gráfica

GGally::ggpairs(datos_numericos)

Interpretación

Existe una fuerte correlación positiva entre ventas totales y utilidad operativa, lo que indica que el crecimiento en ingresos está directamente vinculado al volumen vendido. Se observa también alta asociación entre unidades vendidas y ventas totales, confirmando que el negocio depende significativamente del volumen.

En algunos casos se identifica relación inversa leve entre margen y volumen, lo que podría indicar estrategias de descuentos para aumentar participación de mercado.

6. Principales Hallazgos

7. Conclusiones y Recomendaciones (Analítica Prescriptiva)

Conclusiones

El análisis evidencia que la rentabilidad de la compañía está altamente condicionada por el volumen de ventas. Las regiones con mayor desempeño concentran la mayor parte de la utilidad operativa, lo que sugiere una dependencia estratégica en determinados mercados.

Asimismo, se observa que el crecimiento en ventas puede implicar ligeras reducciones en margen, posiblemente asociadas a políticas de descuento o economías de escala.

Recomendaciones Estratégicas

  1. Fortalecer las estrategias comerciales en regiones de menor desempeño mediante campañas de posicionamiento y expansión de canales.
  2. Analizar la elasticidad precio-demanda para optimizar el equilibrio entre volumen y margen.
  3. Implementar modelos predictivos que permitan proyectar utilidad operativa en función del volumen esperado.
  4. Diseñar estrategias de segmentación regional que maximicen rentabilidad sin comprometer margen operativo.
  5. Evaluar oportunidades de eficiencia operativa para mantener márgenes en escenarios de alto crecimiento.

El uso sistemático de analítica de datos permitirá tomar decisiones basadas en evidencia y optimizar la estrategia comercial de la organización.