Introducción

En el presente informe se realiza un análisis descriptivo y exploratorio de un conjunto de datos de ventas de Adidas. El objetivo es comprender el comportamiento de las ventas, la rentabilidad y las relaciones entre las variables clave para identificar patrones, fortalezas y oportunidades de mejora en la estrategia comercial, para finalmente poder establecer qué combinaciones estratégicas resultan mejor para la compañía.

Este enfoque parte del interés de observar cómo los datos nos pueden otorgar estrategias de negocio para maximizar ganancias o asegurar ventas a largo plazo, es decir pasar de algo numerico a estrategias y ventajas competitivas en nuestro mercado.

El análisis se estructura en torno a las siguientes preguntas de negocio:

-Desempeño de Ventas:

¿Cómo se comportan las ventas totales y las unidades vendidas por región y producto?

¿Existen diferencias relevantes por método de venta y distribuidor?

-Rentabilidad:

¿Cómo se distribuyen la utilidad operativa y el margen operativo por producto y región?

¿Cuáles son los segmentos más rentables?

-Relación entre Variables:

¿Qué relación existe entre el precio por unidad y las unidades vendidas?

¿Qué relación existe entre las ventas totales y la utilidad operativa?

-Prediccion:

¿Qué combinaciones (producto-región o producto-método de venta) parecen más estratégicas para la compañía?

Análisis exploratorio

El análisis exploratorio de datos es un paso fundamental para comprender la estructura, las características y los patrones en los datos de ventas de Adidas..

1. Instalar y cargar librerias

# Cargar librerías necesarias
library(readxl)      # Para leer archivos Excel
library(dplyr)       # Para manipulación y transformación de datos
library(ggplot2)     # Para creación de gráficos estáticos
library(plotly)      # Para gráficos interactivos (basado en ggplot2)
library(knitr)       # Para mejorar la presentación de tablas en R Markdown
library(kableExtra)  # Para dar formato adicional a las tablas
library(tidyr)       # Para ordenar y limpiar datos (útil para pivotar tablas)

1.2. Cargar Base de Datos

datos_adidas <- read_excel("C:/Users/juanj/OneDrive/Escritorio/Ahi/Analitica de datos/Caso 1 - Adidas/DatosCaso1.xlsx")

# Mostrar las primeras filas del dataset para verificar la carga
head(datos_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

1.3. Limpieza y preparación de datos

# --- CONTADOR DE REGISTROS ELIMINADOS ---
# Guardamos el número de registros original
registros_iniciales <- nrow(datos_adidas)

# Identificamos cuántos tienen ventas = 0 o unidades = 0
registros_cero_ventas <- sum(datos_adidas$ventas_totales == 0, na.rm = TRUE)
registros_cero_unidades <- sum(datos_adidas$unidades_vendidas == 0, na.rm = TRUE)
registros_cero_ambos <- sum(datos_adidas$ventas_totales == 0 & datos_adidas$unidades_vendidas == 0, na.rm = TRUE)

# Mostramos la información antes de filtrar
cat("========================================\n")
## ========================================
cat("INFORMACIÓN DE FILTRADO DE DATOS\n")
## INFORMACIÓN DE FILTRADO DE DATOS
cat("========================================\n")
## ========================================
cat("Registros iniciales:", registros_iniciales, "\n")
## Registros iniciales: 9648
cat("Registros con ventas = 0:", registros_cero_ventas, "\n")
## Registros con ventas = 0: 0
cat("Registros con unidades = 0:", registros_cero_unidades, "\n")
## Registros con unidades = 0: 4
cat("Registros con ambos = 0:", registros_cero_ambos, "\n")
## Registros con ambos = 0: 0
cat("----------------------------------------\n")
## ----------------------------------------
# --- LIMPIEZA DE DATOS ---
datos_adidas <- datos_adidas %>%
  rename(
    distribuidor = distribuidor,
    region = region,
    estado = estado,
    ciudad = ciudad,
    producto = producto,
    precio_unidad = precio_unidad,
    unidades_vendidas = unidades_vendidas,
    ventas_totales = ventas_total,  # Nota: en el excel la columna se llama 'ventas_total'
    utilidad_operativa = utilidad_operativa,
    margen_operativo = margen_operativo,
    metodo_venta = metodo_venta
  ) %>%
  # Filtrar registros con ventas totales = 0 O unidades vendidas = 0
  filter(ventas_totales > 0 & unidades_vendidas > 0) %>%
  # Convertir a factor las variables categóricas
  mutate(
    region = as.factor(region),
    producto = as.factor(producto),
    distribuidor = as.factor(distribuidor),
    metodo_venta = as.factor(metodo_venta)
  )

# --- MOSTRAR RESULTADO DEL FILTRADO ---
registros_finales <- nrow(datos_adidas)
registros_eliminados <- registros_iniciales - registros_finales

cat("Registros después del filtro:", registros_finales, "\n")
## Registros después del filtro: 9644
cat("Registros eliminados:", registros_eliminados, "\n")
## Registros eliminados: 4
cat("Porcentaje eliminado:", round(registros_eliminados / registros_iniciales * 100, 1), "%\n")
## Porcentaje eliminado: 0 %
cat("========================================\n")
## ========================================
# Verificamos los cambios
glimpse(datos_adidas)
## Rows: 9,644
## Columns: 11
## $ distribuidor       <fct> Foot Locker, Foot Locker, Foot Locker, Foot Locker,…
## $ region             <fct> Northeast, Northeast, Northeast, Northeast, Northea…
## $ estado             <chr> "New York", "New York", "New York", "New York", "Ne…
## $ ciudad             <chr> "New York", "New York", "New York", "New York", "Ne…
## $ producto           <fct> Men's Street Footwear, Men's Athletic Footwear, Wom…
## $ precio_unidad      <dbl> 50, 50, 40, 45, 60, 50, 50, 50, 40, 45, 60, 50, 50,…
## $ unidades_vendidas  <dbl> 1200, 1000, 1000, 850, 900, 1000, 1250, 900, 950, 8…
## $ ventas_totales     <dbl> 60000, 50000, 40000, 38250, 54000, 50000, 62500, 45…
## $ utilidad_operativa <dbl> 30000.00, 15000.00, 14000.00, 13387.50, 16200.00, 1…
## $ margen_operativo   <dbl> 0.50, 0.30, 0.35, 0.35, 0.30, 0.25, 0.50, 0.30, 0.3…
## $ metodo_venta       <fct> In-store, In-store, In-store, In-store, In-store, I…

2. Desempeño de Ventas

Primero es importante entender a nivel general cómo se comportan las ventas totales y las unidades vendidas en diferentes segmentos. Utilizaremos medidas de tendencia central agrupadas por región y producto y por método de venta y distribuidor para dar con este comportamiento.

2.1. Pregunta: ¿Cómo se comportan las ventas totales y unidades vendidas por región y producto?

# Cargar librerías necesarias
library(scales)
library(kableExtra)
library(dplyr)
library(ggplot2)
library(plotly)

# --- TABLA 1.1: Totales por Región-Producto ---
totales_region_producto <- datos_adidas %>%
  group_by(region, producto) %>%
  summarise(
    ventas_totales = sum(ventas_totales),
    unidades_totales = sum(unidades_vendidas),
    transacciones = n(),
    .groups = "drop"
  ) %>%
  group_by(region) %>%
  mutate(
    participacion_en_region = ventas_totales / sum(ventas_totales)
  ) %>%
  ungroup() %>%
  mutate(
    ventas_totales_formato = dollar(ventas_totales, accuracy = 1),
    unidades_totales_formato = comma(unidades_totales, accuracy = 1),
    participacion_en_region = percent(participacion_en_region, accuracy = 0.1)
  ) %>%
  arrange(region, desc(ventas_totales)) %>%
  select(region, producto, ventas_totales_formato, unidades_totales_formato, 
         transacciones, participacion_en_region)

kable(totales_region_producto,
      col.names = c("Region", "Producto", "Ventas Totales", "Unidades Totales", 
                    "Transacciones", "% en Region"),
      caption = "Tabla 1.1: Ventas Totales por Region y Producto") %>%
  kable_styling(font_size = 11, full_width = FALSE)
Tabla 1.1: Ventas Totales por Region y Producto
Region Producto Ventas Totales Unidades Totales Transacciones % en Region
Midwest Men’s Street Footwear $4,707,360 109,861 312 28.2%
Midwest Women’s Apparel $3,453,008 69,435 312 20.7%
Midwest Men’s Athletic Footwear $2,619,289 65,120 312 15.7%
Midwest Men’s Apparel $2,223,786 45,304 312 13.3%
Midwest Women’s Street Footwear $1,997,448 56,809 312 12.0%
Midwest Women’s Athletic Footwear $1,673,543 44,808 308 10.0%
Northeast Men’s Street Footwear $6,841,324 134,252 396 27.3%
Northeast Women’s Apparel $5,045,208 90,048 396 20.1%
Northeast Men’s Athletic Footwear $3,895,862 81,474 396 15.5%
Northeast Men’s Apparel $3,475,037 62,031 396 13.9%
Northeast Women’s Street Footwear $3,152,823 74,010 396 12.6%
Northeast Women’s Athletic Footwear $2,668,013 59,464 396 10.6%
South Women’s Apparel $4,224,937 88,740 288 20.5%
South Men’s Street Footwear $4,048,261 106,545 288 19.6%
South Men’s Athletic Footwear $3,647,045 90,079 288 17.7%
South Women’s Street Footwear $3,242,822 82,257 288 15.7%
South Men’s Apparel $2,811,194 60,641 288 13.6%
South Women’s Athletic Footwear $2,629,097 63,998 288 12.8%
Southeast Men’s Street Footwear $4,693,836 91,867 204 22.0%
Southeast Women’s Apparel $4,109,786 68,839 204 19.2%
Southeast Men’s Athletic Footwear $3,653,645 71,129 204 17.1%
Southeast Men’s Apparel $3,183,237 54,385 204 14.9%
Southeast Women’s Street Footwear $3,059,884 65,488 204 14.3%
Southeast Women’s Athletic Footwear $2,674,048 55,292 204 12.5%
West Men’s Street Footwear $7,389,988 150,795 410 20.3%
West Women’s Apparel $7,038,046 116,765 408 19.3%
West Men’s Athletic Footwear $6,761,339 127,724 410 18.6%
West Women’s Street Footwear $5,748,586 113,705 408 15.8%
West Men’s Apparel $4,827,378 84,322 406 13.2%
West Women’s Athletic Footwear $4,670,820 93,674 406 12.8% 
# --- TABLA 1.2: (ELIMINADA) ---

# --- TABLA 1.3: Resumen por Region ---
resumen_region <- datos_adidas %>%
  group_by(region) %>%
  summarise(
    ventas_totales = sum(ventas_totales),
    unidades_totales = sum(unidades_vendidas),
    transacciones = n(),
    unidades_promedio_x_transaccion = mean(unidades_vendidas),
    .groups = "drop"
  ) %>%
  mutate(
    participacion_ventas = ventas_totales / sum(datos_adidas$ventas_totales),
    participacion_unidades = unidades_totales / sum(datos_adidas$unidades_vendidas)
  ) %>%
  mutate(
    ventas_totales = dollar(ventas_totales, accuracy = 1),
    unidades_totales = comma(unidades_totales, accuracy = 1),
    transacciones = comma(transacciones, accuracy = 1),
    unidades_promedio_x_transaccion = round(unidades_promedio_x_transaccion, 1),
    participacion_ventas = percent(participacion_ventas, accuracy = 0.1),
    participacion_unidades = percent(participacion_unidades, accuracy = 0.1)
  ) %>%
  arrange(desc(ventas_totales))

kable(resumen_region,
      col.names = c("Region", "Ventas Totales", "Unidades Totales", 
                    "Transacciones", "Unidades x Transaccion", "% Ventas", "% Unidades"),
      caption = "Tabla 1.3: Resumen General por Region") %>%
  kable_styling(font_size = 11, full_width = FALSE)
Tabla 1.3: Resumen General por Region
Region Ventas Totales Unidades Totales Transacciones Unidades x Transaccion % Ventas % Unidades
West $36,436,157 686,985 2,448 280.6 30.3% 27.7%
Northeast $25,078,267 501,279 2,376 211.0 20.9% 20.2%
Southeast $21,374,436 407,000 1,224 332.5 17.8% 16.4%
South $20,603,356 492,260 1,728 284.9 17.1% 19.9%
Midwest $16,674,434 391,337 1,868 209.5 13.9% 15.8% 
# --- TABLA 1.4: Resumen por Producto ---
resumen_producto <- datos_adidas %>%
  group_by(producto) %>%
  summarise(
    ventas_totales = sum(ventas_totales),
    unidades_totales = sum(unidades_vendidas),
    transacciones = n(),
    unidades_promedio_x_transaccion = mean(unidades_vendidas),
    .groups = "drop"
  ) %>%
  mutate(
    participacion_ventas = ventas_totales / sum(datos_adidas$ventas_totales),
    participacion_unidades = unidades_totales / sum(datos_adidas$unidades_vendidas)
  ) %>%
  mutate(
    ventas_totales = dollar(ventas_totales, accuracy = 1),
    unidades_totales = comma(unidades_totales, accuracy = 1),
    transacciones = comma(transacciones, accuracy = 1),
    unidades_promedio_x_transaccion = round(unidades_promedio_x_transaccion, 1),
    participacion_ventas = percent(participacion_ventas, accuracy = 0.1),
    participacion_unidades = percent(participacion_unidades, accuracy = 0.1)
  ) %>%
  arrange(desc(ventas_totales))

kable(resumen_producto,
      col.names = c("Producto", "Ventas Totales", "Unidades Totales", 
                    "Transacciones", "Unidades x Transaccion", "% Ventas", "% Unidades"),
      caption = "Tabla 1.4: Resumen General por Producto") %>%
  kable_styling(font_size = 11, full_width = FALSE)
Tabla 1.4: Resumen General por Producto
Producto Ventas Totales Unidades Totales Transacciones Unidades x Transaccion % Ventas % Unidades
Men’s Street Footwear $27,680,769 593,320 1,610 368.5 23.0% 23.9%
Women’s Apparel $23,870,985 433,827 1,608 269.8 19.9% 17.5%
Men’s Athletic Footwear $20,577,180 435,526 1,610 270.5 17.1% 17.6%
Women’s Street Footwear $17,201,563 392,269 1,608 243.9 14.3% 15.8%
Men’s Apparel $16,520,632 306,683 1,606 191.0 13.7% 12.4%
Women’s Athletic Footwear $14,315,521 317,236 1,602 198.0 11.9% 12.8% 
# --- PREPARAR DATOS PARA LOS GRAFICOS ---

# --- Grafico 1.1: Top 5 Combinaciones Region-Producto ---
top_5_combinaciones <- datos_adidas %>%
  group_by(region, producto) %>%
  summarise(
    ventas_totales = sum(ventas_totales),
    .groups = "drop"
  ) %>%
  mutate(
    combinacion = paste0(region, " - ", producto),
    ventas_millones = ventas_totales / 1000000,
    ventas_formato = dollar(ventas_totales, accuracy = 1)
  ) %>%
  slice_max(ventas_totales, n = 5)

g1_1 <- ggplot(top_5_combinaciones, aes(x = reorder(combinacion, ventas_totales), 
                                        y = ventas_millones, 
                                        fill = region)) +
  geom_col() +
  coord_flip() +
  geom_text(aes(label = ventas_formato), hjust = -0.1, size = 3) +
  scale_y_continuous(labels = dollar_format(suffix = "M"), expand = expansion(mult = c(0, 0.2))) +
  labs(title = "Grafico 1.1: Top 5 Combinaciones Region-Producto",
       x = "", y = "Ventas Totales (en millones)", fill = "Region") +
  theme_minimal() +
  theme(legend.position = "bottom", 
        axis.text.y = element_text(size = 10))

print(g1_1)

# --- Grafico 1.2: Resumen General por Producto ---
top_8_productos <- resumen_producto %>%
  mutate(ventas_num = as.numeric(gsub("[\\$,]", "", ventas_totales))) %>%
  slice_max(ventas_num, n = 8)

g1_2 <- ggplot(top_8_productos, aes(x = reorder(producto, ventas_num), 
                                     y = ventas_num / 1000000, 
                                     fill = producto)) +
  geom_col() +
  coord_flip() +
  geom_text(aes(label = dollar(ventas_num, accuracy = 1)), hjust = -0.1, size = 3) +
  scale_y_continuous(labels = dollar_format(suffix = "M"), expand = expansion(mult = c(0, 0.2))) +
  labs(title = "Grafico 1.2: Resumen General por Producto",
       subtitle = "Top 8 productos por ventas totales",
       x = "", y = "Ventas Totales (en millones)") +
  theme_minimal() +
  theme(legend.position = "none", 
        axis.text.y = element_text(size = 10))

print(g1_2)

# --- Grafico 1.3: Resumen General por Region ---
datos_torta <- datos_adidas %>%
  group_by(region) %>%
  summarise(
    ventas_totales = sum(ventas_totales),
    .groups = "drop"
  ) %>%
  mutate(
    participacion = ventas_totales / sum(ventas_totales),
    porcentaje = percent(participacion, accuracy = 0.1),
    ventas_formato = dollar(ventas_totales, accuracy = 1)
  )

g1_3 <- ggplot(datos_torta, aes(x = "", y = participacion, fill = region)) +
  geom_col(width = 1, color = "white") +
  coord_polar(theta = "y") +
  geom_text(aes(label = porcentaje), 
            position = position_stack(vjust = 0.5), 
            size = 4) +
  scale_fill_brewer(palette = "Set3") +
  labs(title = "Grafico 1.3: Resumen General por Region",
       subtitle = "Distribucion porcentual de las ventas totales",
       fill = "Region") +
  theme_void() +
  theme(legend.position = "bottom")

print(g1_3)

2.2. Hallazgos Relevantes Ventas Región-Producto

Por Región

  • West lidera en ventas totales con el 30.3% de participación ($36.4M) y mayor volumen de unidades (686K).

  • Northeast es el segundo con 20.9% ventas ($25.1M) y 501K unidades, tiene un buen valor por transaccion ya que esta de segundo en ventas totales y cuenta con un menor numero de unidades x transaccion a comparacion de la otras regiones

  • Southeast es el tercero con un porcentaje de participacion del 17.8% ($21M) y 400k unidades y tiene la mayor cantidad de unidades x transaccion

  • Si bien Southeast es el tercero con una participacion de 17.8% ventas no esta muy lejos de South con una participacion de 17.1% ventas ($20.6M) con 492K unidades.

  • Midwest esta en ultimo lugar con una participacion del 13.9% ventas ($16.7M) y 391K unidades

Por Producto

  • Men’s Street Footwear más vendido con 23% ventas totales ($27.7M).

  • Women’s Apparel segundo con 19.9% ventas ($23.9M).

  • Men’s Athletic Footwear tercero 17.1% ($20.6M).

  • Women’s Street Footwear cuarto 14.3% ($17.2M).

Por Combinación Región-Producto

  • West + Men’s Street Footwear más fuerte: $7.4M (20.3% West).

  • West + Women’s Apparel segunda: $7M (19.3% West).

  • Northeast + Men’s Street Footwear tercera: $6.8M (27.3% Northeast).

  • West + Men’s Athletic Footwear cuarta: $6.8M (18.6% West).

  • West + Women’s Street Footwear quinta: $5.7M (15.8% West).

  • Men’s Street Footwear top 1-2 en todas las regiones, preferencia consistente.

2.3. Pregunta: ¿Existen diferencias relevantes por método de venta y distribuidor ?

# Cargar librerías necesarias
library(scales)
library(dplyr)
library(ggplot2)
library(plotly)
library(kableExtra)

# --- TABLA 2: Distribuidor por Metodo de Venta ---
metodo_distribuidor <- datos_adidas %>%
  group_by(distribuidor, metodo_venta) %>%
  summarise(
    ventas_totales = sum(ventas_totales),
    unidades_totales = sum(unidades_vendidas),
    transacciones = n(),
    .groups = "drop"
  ) %>%
  group_by(distribuidor) %>%
  mutate(
    participacion_en_distribuidor = ventas_totales / sum(ventas_totales)
  ) %>%
  ungroup() %>%
  mutate(
    ventas_formato = dollar(ventas_totales, accuracy = 1),
    unidades_formato = comma(unidades_totales, accuracy = 1),
    transacciones_formato = comma(transacciones, accuracy = 1),
    participacion_en_distribuidor = percent(participacion_en_distribuidor, accuracy = 0.1)
  ) %>%
  arrange(distribuidor, desc(ventas_totales))

# Mostrar tabla completa
kable(metodo_distribuidor %>%
        select(distribuidor, metodo_venta, ventas_formato, unidades_formato, 
               transacciones_formato, participacion_en_distribuidor),
      col.names = c("Distribuidor", "Metodo Venta", "Ventas Totales", 
                    "Unidades Totales", "Transacciones", "% en Distribuidor"),
      caption = "Tabla 2: Desempeno por Distribuidor y Metodo de Venta") %>%
  kable_styling(font_size = 11, full_width = FALSE)
Tabla 2: Desempeno por Distribuidor y Metodo de Venta
Distribuidor Metodo Venta Ventas Totales Unidades Totales Transacciones % en Distribuidor
Amazon Online $4,647,981 97,859 540 46.0%
Amazon Outlet $3,212,381 60,081 291 31.8%
Amazon In-store $2,236,625 40,050 118 22.2%
Foot Locker Online $12,233,565 258,150 1,393 42.1%
Foot Locker Outlet $9,138,880 185,474 791 31.5%
Foot Locker In-store $7,652,500 160,745 449 26.4%
Kohl’s Online $5,396,679 112,721 576 39.9%
Kohl’s Outlet $5,159,149 111,284 310 38.2%
Kohl’s In-store $2,956,625 63,370 144 21.9%
Sports Direct Online $10,013,772 216,897 995 40.7%
Sports Direct Outlet $9,098,000 229,373 744 37.0%
Sports Direct In-store $5,504,850 111,370 293 22.4%
Walmart Outlet $5,695,266 116,904 301 54.2%
Walmart Online $3,169,694 68,621 288 30.2%
Walmart In-store $1,641,125 20,700 37 15.6%
West Gear In-store $15,672,650 293,755 699 48.4%
West Gear Online $9,503,966 184,845 1,095 29.3%
West Gear Outlet $7,232,942 146,662 580 22.3% 
# --- GRAFICO 2: Ventas por Distribuidor y Metodo de Venta ---

# Preparar datos para el grafico (top 5 distribuidores para no saturar)
top_distribuidores <- metodo_distribuidor %>%
  group_by(distribuidor) %>%
  summarise(total_dist = sum(ventas_totales), .groups = "drop") %>%
  slice_max(total_dist, n = 5) %>%
  pull(distribuidor)

datos_grafico <- metodo_distribuidor %>%
  filter(distribuidor %in% top_distribuidores) %>%
  mutate(
    ventas_millones = ventas_totales / 1000000,
    # Crear una versión abreviada del nombre para las etiquetas en el eje
    distribuidor_corto = case_when(
      distribuidor == "Foot Locker" ~ "Foot Locker",
      distribuidor == "Sports Direct" ~ "Sports Direct",
      distribuidor == "Walmart" ~ "Walmart",
      distribuidor == "West Gear" ~ "West Gear",
      distribuidor == "Amazon" ~ "Amazon",
      distribuidor == "Kohl's" ~ "Kohl's",
      TRUE ~ distribuidor
    ),
    etiqueta_hover = paste0("Distribuidor: ", distribuidor, "\n",
                            "Metodo: ", metodo_venta, "\n",
                            "Ventas: ", ventas_formato, "\n",
                            "Unidades: ", unidades_formato, "\n",
                            "Transacciones: ", transacciones_formato, "\n",
                            "Participacion: ", participacion_en_distribuidor)
  )

# Grafico de barras agrupadas con nombres mejorados
g2 <- ggplot(datos_grafico, aes(x = reorder(distribuidor_corto, -ventas_totales), 
                                      y = ventas_millones, 
                                      fill = metodo_venta,
                                      text = etiqueta_hover)) +
  geom_col(position = "dodge", width = 0.7) +
  geom_text(aes(label = participacion_en_distribuidor), 
            position = position_dodge(width = 0.7), 
            vjust = -0.5, size = 3, fontface = "bold") +
  scale_y_continuous(labels = dollar_format(suffix = "M"), 
                     expand = expansion(mult = c(0, 0.15))) +
  scale_fill_brewer(palette = "Set2") +
  labs(title = "Grafico 2: Ventas por Distribuidor y Metodo de Venta",
       subtitle = "Top 5 distribuidores (etiquetas = % dentro del distribuidor)",
       x = "Distribuidor", y = "Ventas Totales (en millones)", 
       fill = "Metodo de Venta") +
  theme_minimal() +
  theme(
    plot.title = element_text(face = "bold", size = 16, color = "#2C3E50"),
    plot.subtitle = element_text(size = 12, color = "#7F8C8D"),
    axis.text.x = element_text(angle = 0, hjust = 0.5, size = 11, face = "bold"),
    axis.text.y = element_text(size = 10),
    legend.position = "bottom",
    legend.text = element_text(size = 9),
    panel.grid.major.x = element_blank(),
    plot.background = element_rect(fill = "#F8F9FA", color = NA)
  )

# Convertir a plotly interactivo
g2_interactivo <- ggplotly(g2, tooltip = "text") %>%
  layout(hoverlabel = list(bgcolor = "white", 
                           font = list(size = 12, color = "#2C3E50")),
         xaxis = list(tickangle = 0))

# Mostrar grafico
g2_interactivo
# --- VERSION ALTERNATIVA: Grafico 2 con nombres en vertical ---
g2_vertical <- ggplot(datos_grafico, aes(x = reorder(distribuidor_corto, -ventas_totales), 
                                              y = ventas_millones, 
                                              fill = metodo_venta,
                                              text = etiqueta_hover)) +
  geom_col(position = "dodge", width = 0.7) +
  geom_text(aes(label = participacion_en_distribuidor), 
            position = position_dodge(width = 0.7), 
            vjust = -0.5, size = 3, fontface = "bold") +
  scale_y_continuous(labels = dollar_format(suffix = "M"), 
                     expand = expansion(mult = c(0, 0.15))) +
  scale_fill_brewer(palette = "Set2") +
  labs(title = "Grafico 2: Ventas por Distribuidor y Metodo de Venta",
       subtitle = "Top 5 distribuidores (etiquetas = % dentro del distribuidor)",
       x = "Distribuidor", y = "Ventas Totales (en millones)", 
       fill = "Metodo de Venta") +
  theme_minimal() +
  theme(
    plot.title = element_text(face = "bold", size = 16, color = "#2C3E50"),
    plot.subtitle = element_text(size = 12, color = "#7F8C8D"),
    axis.text.x = element_text(angle = 45, hjust = 1, size = 11, face = "bold"),
    axis.text.y = element_text(size = 10),
    legend.position = "bottom",
    legend.text = element_text(size = 9),
    panel.grid.major.x = element_blank(),
    plot.background = element_rect(fill = "#F8F9FA", color = NA)
  )

# Convertir a plotly interactivo
g2_vertical_interactivo <- ggplotly(g2_vertical, tooltip = "text") %>%
  layout(hoverlabel = list(bgcolor = "white", 
                           font = list(size = 12, color = "#2C3E50")),
         xaxis = list(tickangle = 45))

# Mostrar version alternativa si es necesario
# g2_vertical_interactivo

2.4. Hallazgos Relevantes Ventas por Distribuidor y Metodo

  • West Gear In-store: $15.7M (48% de ventas de West Gear) Domina el mercado fisico de primera mano

  • Foot Locker Online: $12.2M (42% Foot Locker) Dominan las compras online

  • Sports Direct Online: $10M (41% Sports Direct) Dominan las compras online

  • West Gear Online: $9.5M (29% West Gear) Omnicanal con fuerte presencia

  • Foot Locker Outlet: $9.1M (32% Foot Locker) Descuentos rentables

Patrón Clave: Online es el canal mas relevante a lo largo de todos los distribuidores

En esta instancia ya se empieza a ver una tendencia por el canal online a nivel micro, mas adelante exploraremos si esta tendencia se mantiene a nivel macro

3. Rentabilidad

Explorar Rentabilidad es crucial porque ventas altas no garantizan ganancias, por ejemplo productos y regiones con alto volumen pueden tener bajos márgenes. Identificar verdaderos generadores de caja es fundamental para asignar recursos de manera efectiva

3.1. Pregunta: ¿Cómo se distribuyen utilidad operativa y margen operativo por producto y región?

# Cargar librerías necesarias
library(scales)
library(dplyr)
library(ggplot2)
library(plotly)
library(kableExtra)
library(tidyr)

# --- ANALISIS DE RENTABILIDAD POR PRODUCTO Y REGION ---

# ============================================================
# TABLA 3.1 Y GRAFICO 3.1: Rentabilidad por Producto
# ============================================================

# --- TABLA 3.1: Resumen de Rentabilidad por Producto ---
rentabilidad_producto <- datos_adidas %>%
  group_by(producto) %>%
  summarise(
    ventas_totales = sum(ventas_totales),
    utilidad_total = sum(utilidad_operativa),
    margen_promedio = mean(margen_operativo),
    margen_ponderado = utilidad_total / ventas_totales,
    transacciones = n(),
    .groups = "drop"
  ) %>%
  mutate(
    participacion_ventas = ventas_totales / sum(ventas_totales),
    participacion_utilidad = utilidad_total / sum(utilidad_total)
  ) %>%
  arrange(desc(utilidad_total))

# Calcular totales (solo para referencia)
totales_producto <- rentabilidad_producto %>%
  summarise(
    producto = "TOTAL",
    ventas_totales = NA,
    utilidad_total = NA,
    margen_promedio = NA,
    margen_ponderado = NA,
    transacciones = NA,
    participacion_ventas = 1,
    participacion_utilidad = 1
  )

# Unir y formatear
rentabilidad_producto_completa <- bind_rows(rentabilidad_producto, totales_producto) %>%
  mutate(
    ventas_formato = ifelse(is.na(ventas_totales), "-", dollar(ventas_totales, accuracy = 1)),
    utilidad_formato = ifelse(is.na(utilidad_total), "-", dollar(utilidad_total, accuracy = 1)),
    margen_promedio = ifelse(is.na(margen_promedio), "-", percent(margen_promedio, accuracy = 0.1)),
    margen_ponderado = ifelse(is.na(margen_ponderado), "-", percent(margen_ponderado, accuracy = 0.1)),
    transacciones = ifelse(is.na(transacciones), "-", comma(transacciones, accuracy = 1)),
    participacion_ventas = ifelse(producto == "TOTAL", "100%", percent(participacion_ventas, accuracy = 0.1)),
    participacion_utilidad = ifelse(producto == "TOTAL", "100%", percent(participacion_utilidad, accuracy = 0.1))
  ) %>%
  select(producto, ventas_formato, utilidad_formato, margen_promedio, 
         margen_ponderado, transacciones, participacion_ventas, participacion_utilidad)

# Mostrar Tabla 3.1
kable(rentabilidad_producto_completa,
      col.names = c("Producto", "Ventas Totales", "Utilidad Total", 
                    "Margen Promedio", "Margen Ponderado", "Transacciones", 
                    "% Ventas", "% Utilidad"),
      caption = "Tabla 3.1: Rentabilidad por Producto") %>%
  kable_styling(font_size = 11, full_width = FALSE) %>%
  row_spec(nrow(rentabilidad_producto_completa), bold = TRUE, background = "#F0F0F0")
Tabla 3.1: Rentabilidad por Producto
Producto Ventas Totales Utilidad Total Margen Promedio Margen Ponderado Transacciones % Ventas % Utilidad
Men’s Street Footwear $27,680,769 $11,629,046 44.6% 42.0% 1,610 23.0% 24.6%
Women’s Apparel $23,870,985 $9,685,221 44.1% 40.6% 1,608 19.9% 20.5%
Men’s Athletic Footwear $20,577,180 $7,437,457 40.3% 36.1% 1,610 17.1% 15.7%
Women’s Street Footwear $17,201,563 $6,494,017 41.0% 37.8% 1,608 14.3% 13.8%
Men’s Apparel $16,520,632 $6,381,405 41.3% 38.6% 1,606 13.7% 13.5%
Women’s Athletic Footwear $14,315,521 $5,597,822 42.4% 39.1% 1,602 11.9% 11.9%
TOTAL
100% 100% 
# --- Grafico 3.1: Margen y Ventas por Producto ---
productos_grafico <- rentabilidad_producto %>%
  mutate(
    ventas_millones = ventas_totales / 1000000,
    margen_num = round(margen_ponderado * 100, 1),  # Redondear a 1 decimal
    etiqueta = paste0(producto, "\n", margen_num, "%")
  ) %>%
  slice_max(ventas_totales, n = 8)

g3_1 <- ggplot(productos_grafico, aes(x = reorder(producto, ventas_totales), 
                                       y = ventas_millones, 
                                       fill = margen_num)) +
  geom_col() +
  coord_flip() +
  geom_text(aes(label = dollar(ventas_totales, accuracy = 1)), hjust = -0.1, size = 3) +
  scale_fill_gradient(low = "lightcoral", high = "darkgreen", name = "Margen %") +
  scale_y_continuous(labels = dollar_format(suffix = "M"), expand = expansion(mult = c(0, 0.2))) +
  labs(title = "Grafico 3.1: Top 8 Productos por Ventas y Margen",
       subtitle = "Color indica margen de utilidad (verde = alto margen)",
       x = "", y = "Ventas Totales (en millones)") +
  theme_minimal() +
  theme(legend.position = "bottom", 
        axis.text.y = element_text(size = 10))

print(g3_1)

# ============================================================
# TABLA 3.2 Y GRAFICO 3.2: Rentabilidad por Region
# ============================================================

# --- TABLA 3.2: Resumen de Rentabilidad por Region ---
rentabilidad_region <- datos_adidas %>%
  group_by(region) %>%
  summarise(
    ventas_totales = sum(ventas_totales),
    utilidad_total = sum(utilidad_operativa),
    margen_promedio = mean(margen_operativo),
    margen_ponderado = utilidad_total / ventas_totales,
    transacciones = n(),
    .groups = "drop"
  ) %>%
  mutate(
    participacion_ventas = ventas_totales / sum(ventas_totales),
    participacion_utilidad = utilidad_total / sum(utilidad_total)
  ) %>%
  arrange(desc(utilidad_total))

# Calcular totales (solo para referencia)
totales_region <- rentabilidad_region %>%
  summarise(
    region = "TOTAL",
    ventas_totales = NA,
    utilidad_total = NA,
    margen_promedio = NA,
    margen_ponderado = NA,
    transacciones = NA,
    participacion_ventas = 1,
    participacion_utilidad = 1
  )

# Unir y formatear
rentabilidad_region_completa <- bind_rows(rentabilidad_region, totales_region) %>%
  mutate(
    ventas_formato = ifelse(is.na(ventas_totales), "-", dollar(ventas_totales, accuracy = 1)),
    utilidad_formato = ifelse(is.na(utilidad_total), "-", dollar(utilidad_total, accuracy = 1)),
    margen_promedio = ifelse(is.na(margen_promedio), "-", percent(margen_promedio, accuracy = 0.1)),
    margen_ponderado = ifelse(is.na(margen_ponderado), "-", percent(margen_ponderado, accuracy = 0.1)),
    transacciones = ifelse(is.na(transacciones), "-", comma(transacciones, accuracy = 1)),
    participacion_ventas = ifelse(region == "TOTAL", "100%", percent(participacion_ventas, accuracy = 0.1)),
    participacion_utilidad = ifelse(region == "TOTAL", "100%", percent(participacion_utilidad, accuracy = 0.1))
  ) %>%
  select(region, ventas_formato, utilidad_formato, margen_promedio, 
         margen_ponderado, transacciones, participacion_ventas, participacion_utilidad)

# Mostrar Tabla 3.2
kable(rentabilidad_region_completa,
      col.names = c("Region", "Ventas Totales", "Utilidad Total", 
                    "Margen Promedio", "Margen Ponderado", "Transacciones", 
                    "% Ventas", "% Utilidad"),
      caption = "Tabla 3.2: Rentabilidad por Region") %>%
  kable_styling(font_size = 11, full_width = FALSE) %>%
  row_spec(nrow(rentabilidad_region_completa), bold = TRUE, background = "#F0F0F0")
Tabla 3.2: Rentabilidad por Region
Region Ventas Totales Utilidad Total Margen Promedio Margen Ponderado Transacciones % Ventas % Utilidad
West $36,436,157 $13,017,584 39.7% 35.7% 2,448 30.3% 27.6%
Northeast $25,078,267 $9,732,774 41.0% 38.8% 2,376 20.9% 20.6%
South $20,603,356 $9,221,605 46.7% 44.8% 1,728 17.1% 19.5%
Southeast $21,374,436 $8,393,059 41.9% 39.3% 1,224 17.8% 17.8%
Midwest $16,674,434 $6,859,945 43.5% 41.1% 1,868 13.9% 14.5%
TOTAL
100% 100% 
# --- Grafico 3.2: Margen por Region (Barras) ---
regiones_grafico <- rentabilidad_region %>%
  mutate(
    ventas_millones = ventas_totales / 1000000,
    margen_num = round(margen_ponderado * 100, 1),  # REDONDEADO a 1 decimal
    region = factor(region, levels = region[order(ventas_totales, decreasing = TRUE)])
  )

g3_2 <- ggplot(regiones_grafico, aes(x = region, y = margen_num, fill = region)) +
  geom_col() +
  geom_text(aes(label = paste0(margen_num, "%")), vjust = -0.5, size = 4) +  # Etiqueta con 1 decimal
  scale_y_continuous(limits = c(0, max(regiones_grafico$margen_num) * 1.1)) +
  labs(title = "Grafico 3.2: Margen de Utilidad por Region",
       subtitle = "Regiones ordenadas de mayor a menor ventas (izquierda a derecha)",
       x = "Region", y = "Margen de Utilidad (%)") +
  theme_minimal() +
  theme(legend.position = "none", 
        axis.text.x = element_text(angle = 45, hjust = 1))

print(g3_2)

# ============================================================
# TABLA 3.3 Y GRAFICO 3.3: Rentabilidad por Combinacion Region-Producto
# ============================================================

# --- TABLA 3.3: Rentabilidad por Combinacion Region-Producto ---
rentabilidad_region_producto <- datos_adidas %>%
  group_by(region, producto) %>%
  summarise(
    ventas_totales = sum(ventas_totales),
    utilidad_total = sum(utilidad_operativa),
    margen_promedio = mean(margen_operativo),
    margen_ponderado = utilidad_total / ventas_totales,
    transacciones = n(),
    .groups = "drop"
  ) %>%
  mutate(
    participacion_ventas_global = ventas_totales / sum(ventas_totales),
    participacion_utilidad_global = utilidad_total / sum(utilidad_total)
  ) %>%
  arrange(desc(utilidad_total))

# Calcular totales para la tabla 3.3
totales_rp <- rentabilidad_region_producto %>%
  summarise(
    region = "TOTAL",
    producto = "",
    ventas_totales = NA,
    utilidad_total = NA,
    margen_promedio = NA,
    margen_ponderado = NA,
    transacciones = NA,
    participacion_ventas_global = 1,
    participacion_utilidad_global = 1
  )

# Formatear tabla 3.3 (top 20 + totales)
rentabilidad_rp_top20 <- rentabilidad_region_producto %>%
  head(20) %>%
  mutate(
    ventas_formato = dollar(ventas_totales, accuracy = 1),
    utilidad_formato = dollar(utilidad_total, accuracy = 1),
    margen_promedio = percent(margen_promedio, accuracy = 0.1),
    margen_ponderado = percent(margen_ponderado, accuracy = 0.1),
    transacciones = comma(transacciones, accuracy = 1),
    participacion_ventas_global = percent(participacion_ventas_global, accuracy = 0.1),
    participacion_utilidad_global = percent(participacion_utilidad_global, accuracy = 0.1)
  ) %>%
  select(region, producto, ventas_formato, utilidad_formato, margen_ponderado, 
         transacciones, participacion_ventas_global, participacion_utilidad_global)

# Formatear totales
totales_rp_formateado <- totales_rp %>%
  mutate(
    ventas_formato = "-",
    utilidad_formato = "-",
    margen_promedio = "-",
    margen_ponderado = "-",
    transacciones = "-",
    participacion_ventas_global = "100%",
    participacion_utilidad_global = "100%"
  ) %>%
  select(region, producto, ventas_formato, utilidad_formato, margen_ponderado, 
         transacciones, participacion_ventas_global, participacion_utilidad_global)

# Unir y mostrar
rentabilidad_rp_final <- bind_rows(rentabilidad_rp_top20, totales_rp_formateado)

kable(rentabilidad_rp_final,
      col.names = c("Region", "Producto", "Ventas Totales", "Utilidad Total", 
                    "Margen", "Transacciones", "% Ventas Global", "% Utilidad Global"),
      caption = "Tabla 3.3: Top 20 Combinaciones Region-Producto (con totales solo en %)") %>%
  kable_styling(font_size = 11, full_width = FALSE) %>%
  row_spec(nrow(rentabilidad_rp_final), bold = TRUE, background = "#F0F0F0")
Tabla 3.3: Top 20 Combinaciones Region-Producto (con totales solo en %)
Region Producto Ventas Totales Utilidad Total Margen Transacciones % Ventas Global % Utilidad Global
Northeast Men’s Street Footwear $6,841,324 $3,030,663 44.3% 396 5.7% 6.4%
West Men’s Street Footwear $7,389,988 $2,907,503 39.3% 410 6.1% 6.2%
South Women’s Apparel $4,224,937 $2,199,137 52.1% 288 3.5% 4.7%
West Men’s Athletic Footwear $6,761,339 $2,154,211 31.9% 410 5.6% 4.6%
West Women’s Street Footwear $5,748,586 $2,142,439 37.3% 408 4.8% 4.5%
West Women’s Apparel $7,038,046 $2,096,258 29.8% 408 5.9% 4.4%
West Men’s Apparel $4,827,378 $2,009,555 41.6% 406 4.0% 4.3%
Southeast Men’s Street Footwear $4,693,836 $2,003,886 42.7% 204 3.9% 4.2%
Midwest Men’s Street Footwear $4,707,360 $1,948,621 41.4% 312 3.9% 4.1%
Northeast Women’s Apparel $5,045,208 $1,917,008 38.0% 396 4.2% 4.1%
Southeast Women’s Apparel $4,109,786 $1,887,045 45.9% 204 3.4% 4.0%
South Men’s Street Footwear $4,048,261 $1,738,372 42.9% 288 3.4% 3.7%
West Women’s Athletic Footwear $4,670,820 $1,707,618 36.6% 406 3.9% 3.6%
Midwest Women’s Apparel $3,453,008 $1,585,772 45.9% 312 2.9% 3.4%
South Men’s Athletic Footwear $3,647,045 $1,504,995 41.3% 288 3.0% 3.2%
Northeast Men’s Athletic Footwear $3,895,862 $1,474,713 37.9% 396 3.2% 3.1%
South Women’s Street Footwear $3,242,822 $1,398,549 43.1% 288 2.7% 3.0%
Southeast Men’s Athletic Footwear $3,653,645 $1,333,467 36.5% 204 3.0% 2.8%
South Women’s Athletic Footwear $2,629,097 $1,277,839 48.6% 288 2.2% 2.7%
Northeast Men’s Apparel $3,475,037 $1,183,786 34.1% 396 2.9% 2.5%
TOTAL
100% 100% 
# --- Grafico 3.3: Mapa de Calor - Margen por Region y Producto ---
datos_calor_rp <- rentabilidad_region_producto %>%
  head(30) %>%  # Top 30 combinaciones para no saturar
  mutate(
    margen_num = round(margen_ponderado * 100, 1),  # Redondear a 1 decimal
    etiqueta = paste0(margen_num, "%"),
    texto_hover = paste0("Region: ", region, "\n",
                         "Producto: ", producto, "\n",
                         "Margen: ", margen_num, "%\n",
                         "Ventas: ", dollar(ventas_totales, accuracy = 1), "\n",
                         "Utilidad: ", dollar(utilidad_total, accuracy = 1))
  )

g3_3 <- ggplot(datos_calor_rp, aes(x = region, y = producto, fill = margen_num,
                                    text = texto_hover)) +
  geom_tile() +
  geom_text(aes(label = etiqueta), size = 3) +
  scale_fill_gradient(low = "white", high = "darkgreen", name = "Margen %") +
  labs(title = "Grafico 3.3: Mapa de Calor - Margen por Region y Producto",
       subtitle = "Top 30 combinaciones (color mas oscuro = mayor margen)",
       x = "Region", y = "Producto") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1),
        axis.text.y = element_text(size = 8))

# Convertir a plotly interactivo
g3_3_interactivo <- ggplotly(g3_3, tooltip = "text") %>%
  layout(hoverlabel = list(bgcolor = "white", font = list(size = 11)))

print(g3_3_interactivo)

3.2. Hallazgos Relevantes sobre la utilidad operativa y margen operativo por producto y región

Por Producto

  • Men’s Street Footwear: $11.6M de utilidad, 45% margen promedio - Muy rentable

  • Women’s Apparel: $9.7M de utilidad, 44% margen - Rentable aunque se evidencia una caida en comparacion a Men’s Street Footwear

  • Men’s Athletic: $7.4M de utilidad, 40% margen - Se evidencia aun mas la caida de rentabilidad en comparacion al producto lider

Por Región

  • South: 46,7% margen líder, $9.2M - maxima eficiencia

  • Midwest: 43,5% de margen, $6.9M - Excelente eficiencia

  • Southeast: 42% de margen , $8.4M

  • West y Northeast: Si bien no son lideres en terminos de margen promedio frente a las otras regiones, son los que traen una mayor cantidad de utilidad operativa, en gran medida debido a sus grandes volumenes

Se evidencia que no por tener mayor cantidad de ventas se tienen el mayor margen de ganancias, de hecho se evidencia lo contrario donde las regiones donde menos se registran volumenes de ventas son los que mejor margen tienen.

Combinaciones (Región+Producto) - Northeast + Men’s Street: $3M de utilidad y un margen del 44%

  • West + Men’s Street: $2.9M de utilidad y un margen del 39,3%, muy parecido a la combinacion estrella (posible sustituto)

  • South + Women’s Apparel: $2.2M de u tilidad y un margen del 52%, en terminos de margen operativo es la mejor combinacion a pesar de representar un bajo porcentaje de las ventas totales 3.5%

Conclusión: Northeast/West Men´s Street Footwear + South Women´s Apparel junta las 3 regiones lideres tanto en ventas como utilidad operacional y junta los 2 productos lideres en utilidades, se identifica una combinacion incial de productos y region efectiva para maximizar ganancias

4. Relación entre variables clave

Esta seccion es fundamental para el caso Adidas porque nos muestra una serie de correlaciones que permiten validar estrategias de precio y optimizar la asignación de recursos hacia aquellos productos y regiones que generen la mayor rentabilidad. Sin esta evidencia cuantitativa, las recomendaciones serían especulativas, con ella, Adidas puede priorizar combinaciones probadas que maximizan la ganancia.

4.1. Pregunta: ¿Qué relación existe entre precio por unidad y unidades vendidas/ventastotal?

# Cargar librerías necesarias
library(scales)
library(dplyr)
library(ggplot2)
library(plotly)
library(kableExtra)

# --- SECCION: RELACION ENTRE PRECIO Y VOLUMEN DE VENTAS ---

# --- PASO 1: CREAR RANGOS DE PRECIO (5 intervalos con etiquetas numericas) ---
datos_adidas <- datos_adidas %>%
  mutate(
    rango_precio = case_when(
      precio_unidad < 20 ~ "Muy Bajo (< $20)",
      precio_unidad >= 20 & precio_unidad < 40 ~ "Bajo ($20 - $40)",
      precio_unidad >= 40 & precio_unidad < 60 ~ "Medio ($40 - $60)",
      precio_unidad >= 60 & precio_unidad < 80 ~ "Medio-Alto ($60 - $80)",
      precio_unidad >= 80 ~ "Alto (>= $80)"
    ),
    rango_precio = factor(rango_precio, 
                          levels = c("Muy Bajo (< $20)", 
                                     "Bajo ($20 - $40)", 
                                     "Medio ($40 - $60)", 
                                     "Medio-Alto ($60 - $80)", 
                                     "Alto (>= $80)"))
  )

# --- PASO 2: TABLA RESUMEN POR RANGO DE PRECIO ---
tabla_precio <- datos_adidas %>%
  group_by(rango_precio) %>%
  summarise(
    transacciones = n(),
    precio_promedio = mean(precio_unidad),
    unidades_promedio = mean(unidades_vendidas),
    unidades_totales = sum(unidades_vendidas),
    ventas_promedio = mean(ventas_totales),
    ventas_totales = sum(ventas_totales),
    .groups = "drop"
  ) %>%
  mutate(
    participacion_ventas = ventas_totales / sum(ventas_totales),
    participacion_unidades = unidades_totales / sum(unidades_totales)
  )

# --- PASO 3: TABLA FORMATEADA PARA PRESENTACION ---
tabla_precio_formateada <- tabla_precio %>%
  mutate(
    transacciones = comma(transacciones, accuracy = 1),
    precio_promedio = dollar(precio_promedio, accuracy = 0.01),
    unidades_promedio = round(unidades_promedio, 1),
    unidades_totales = comma(unidades_totales, accuracy = 1),
    ventas_promedio = dollar(ventas_promedio, accuracy = 0.01),
    ventas_totales = dollar(ventas_totales, accuracy = 1),
    participacion_ventas = percent(participacion_ventas, accuracy = 0.1),
    participacion_unidades = percent(participacion_unidades, accuracy = 0.1)
  ) %>%
  select(rango_precio, transacciones, precio_promedio, unidades_promedio, 
         unidades_totales, ventas_promedio, ventas_totales, 
         participacion_ventas, participacion_unidades)

# --- TABLA 4.1: Comportamiento de Ventas por Rango de Precio ---
kable(tabla_precio_formateada,
      col.names = c("Rango de Precio", "Transacciones", "Precio Promedio", 
                    "Unidades x Trans", "Unidades Totales", "Ticket Promedio", 
                    "Ventas Totales", "% Ventas", "% Unidades"),
      caption = "Tabla 4.1: Comportamiento de Ventas por Rango de Precio") %>%
  kable_styling(font_size = 11, full_width = FALSE) %>%
  row_spec(0, bold = TRUE, background = "#F0F0F0")
Tabla 4.1: Comportamiento de Ventas por Rango de Precio
Rango de Precio Transacciones Precio Promedio Unidades x Trans Unidades Totales Ticket Promedio Ventas Totales % Ventas % Unidades
Muy Bajo (< $20) 320 $15.77 148.8 47,615 $2,320.41 $742,531 0.6% 1.9%
Bajo ($20 - $40) 3,004 $31.46 196.0 588,690 $6,078.96 $18,261,190 15.2% 23.7%
Medio ($40 - $60) 4,663 $48.09 261.7 1,220,465 $12,600.69 $58,757,014 48.9% 49.2%
Medio-Alto ($60 - $80) 1,453 $65.17 364.5 529,559 $23,649.56 $34,362,809 28.6% 21.4%
Alto (>= $80) 204 $86.54 453.6 92,532 $39,426.99 $8,043,106 6.7% 3.7% 
# --- GRAFICO 4.1: Precio vs Unidades Totales Vendidas ---
g4_1 <- ggplot(tabla_precio, aes(x = rango_precio, y = unidades_totales, fill = rango_precio)) +
  geom_col() +
  geom_text(aes(label = comma(unidades_totales)), vjust = -0.5, size = 3.5) +
  scale_y_continuous(labels = comma_format()) +
  labs(title = "Grafico 4.1: Precio vs Unidades Totales Vendidas",
       subtitle = "Volumen total de unidades por rango de precio",
       x = "Rango de Precio", y = "Unidades Totales Vendidas") +
  theme_minimal() +
  theme(legend.position = "none", axis.text.x = element_text(angle = 45, hjust = 1))

# --- GRAFICO 4.2: Precio vs Ventas Totales ---
g4_2 <- ggplot(tabla_precio, aes(x = rango_precio, y = ventas_totales, fill = rango_precio)) +
  geom_col() +
  geom_text(aes(label = dollar(ventas_totales)), vjust = -0.5, size = 3.5) +
  scale_y_continuous(labels = dollar_format()) +
  labs(title = "Grafico 4.2: Precio vs Ventas Totales",
       subtitle = "Ingreso total generado por rango de precio",
       x = "Rango de Precio", y = "Ventas Totales") +
  theme_minimal() +
  theme(legend.position = "none", axis.text.x = element_text(angle = 45, hjust = 1))

# --- GRAFICO 4.3: Precio vs Ticket Promedio ---
g4_3 <- ggplot(tabla_precio, aes(x = rango_precio, y = ventas_promedio, fill = rango_precio)) +
  geom_col() +
  geom_text(aes(label = dollar(ventas_promedio, accuracy = 1)), vjust = -0.5, size = 3.5) +
  scale_y_continuous(labels = dollar_format()) +
  labs(title = "Grafico 4.3: Precio vs Ticket Promedio",
       subtitle = "Valor promedio por transaccion segun rango de precio",
       x = "Rango de Precio", y = "Ticket Promedio") +
  theme_minimal() +
  theme(legend.position = "none", axis.text.x = element_text(angle = 45, hjust = 1))

# --- GRAFICO 4.4: Precio vs Unidades Promedio ---
g4_4 <- ggplot(tabla_precio, aes(x = rango_precio, y = unidades_promedio, fill = rango_precio)) +
  geom_col() +
  geom_text(aes(label = round(unidades_promedio, 1)), vjust = -0.5, size = 3.5) +
  scale_y_continuous() +
  labs(title = "Grafico 4.4: Precio vs Unidades Promedio",
       subtitle = "Unidades promedio por transaccion segun rango de precio",
       x = "Rango de Precio", y = "Unidades Promedio") +
  theme_minimal() +
  theme(legend.position = "none", axis.text.x = element_text(angle = 45, hjust = 1))

# --- CONVERTIR GRAFICOS A PLOTLY INTERACTIVO ---
g4_1_int <- ggplotly(g4_1)
g4_2_int <- ggplotly(g4_2)
g4_3_int <- ggplotly(g4_3)
g4_4_int <- ggplotly(g4_4)

# --- MOSTRAR RESULTADOS ---
# Tabla 4.1 ya se mostro arriba
g4_1_int
g4_2_int
g4_3_int
g4_4_int

4.2. Hallazgos Relevantes sobre la relación entre precio por unidad y unidades vendidas/ventastotal

Dependiendo de si se analiza por el total de ventas o el promedio de ventas, se encuentran 2 cosas totalmente diferentes. Primero, si se observa el Precio vs Unidades Totales (figura 4.1) se observa que los clientes compran en mayor cantidad los productos con precios de rango medio ($40-$60) y que la distribución es muy simétrica, teniendo los productos de rango bajo y rango medio-alto concentraciones muy similares. Ahora si se analiza por el Precio vs Unidades Promedio (figura 4.4) observamos que la distribución sigue el patrón de precio, es decir, entre mayor precio se venden en promedio más unidades, esto se debe a que los clientes que compran en rangos de precio altos compran en promedio mayores cantidades que los clientes que compran en rangos medios. Ahora si observamos Precio vs Ventas Totales (figura 4.2) y Precio vs Ticket Promedio (figura 4.3) logramos ver que se comportan igual que la variable de unidades, este hallazgo resulta relevante porque nos dice que Adidas puede equilibrar rangos de precio medios para volumen y rangos de precio altos para margen de ganancia.

4.3. Pregunta: ¿Existe relación entre ventas totales y utilidad operativa en cada region?

# Cargar librerías necesarias
library(scales)
library(dplyr)
library(ggplot2)
library(plotly)
library(kableExtra)

# --- SECCION: RELACION ENTRE VENTAS TOTALES Y UTILIDAD OPERATIVA ---

# --- PASO 1: CALCULAR ORDEN DE REGIONES POR VENTAS TOTALES ---
orden_regiones <- datos_adidas %>%
  group_by(region) %>%
  summarise(ventas_totales = sum(ventas_totales), .groups = "drop") %>%
  arrange(desc(ventas_totales)) %>%
  pull(region)

# ============================================================
# TABLA 5.1: Resumen Global de Ventas y Utilidad
# ============================================================
tabla_global <- datos_adidas %>%
  summarise(
    ventas_totales = sum(ventas_totales),
    utilidad_total = sum(utilidad_operativa),
    margen_promedio = mean(margen_operativo),
    transacciones = n(),
    .groups = "drop"
  ) %>%
  mutate(
    ventas_totales = dollar(ventas_totales, accuracy = 1),
    utilidad_total = dollar(utilidad_total, accuracy = 1),
    margen_promedio = percent(margen_promedio, accuracy = 0.1),
    transacciones = comma(transacciones, accuracy = 1)
  )

# Mostrar Tabla 5.1
kable(tabla_global,
      col.names = c("Ventas Totales", "Utilidad Total", "Margen Promedio", "Transacciones"),
      caption = "Tabla 5.1: Resumen Global de Ventas y Utilidad") %>%
  kable_styling(font_size = 11, full_width = FALSE) %>%
  row_spec(0, bold = TRUE, background = "#F0F0F0")
Tabla 5.1: Resumen Global de Ventas y Utilidad
Ventas Totales Utilidad Total Margen Promedio Transacciones
$120,166,650 $47,224,968 42.3% 9,644 
# ============================================================
# TABLA 5.2: Ventas y Utilidad por Region
# ============================================================
tabla_region <- datos_adidas %>%
  group_by(region) %>%
  summarise(
    ventas_totales = sum(ventas_totales),
    utilidad_total = sum(utilidad_operativa),
    margen_promedio = mean(margen_operativo),
    transacciones = n(),
    .groups = "drop"
  ) %>%
  mutate(
    participacion_ventas = ventas_totales / sum(ventas_totales),
    participacion_utilidad = utilidad_total / sum(utilidad_total),
    ventas_totales = dollar(ventas_totales, accuracy = 1),
    utilidad_total = dollar(utilidad_total, accuracy = 1),
    margen_promedio = percent(margen_promedio, accuracy = 0.1),
    transacciones = comma(transacciones, accuracy = 1),
    participacion_ventas = percent(participacion_ventas, accuracy = 0.1),
    participacion_utilidad = percent(participacion_utilidad, accuracy = 0.1)
  ) %>%
  arrange(match(region, orden_regiones))

# Mostrar Tabla 5.2
kable(tabla_region,
      col.names = c("Region", "Ventas Totales", "Utilidad Total", "Margen Promedio",
                    "Transacciones", "% Ventas", "% Utilidad"),
      caption = "Tabla 5.2: Ventas y Utilidad por Region (ordenadas por ventas)") %>%
  kable_styling(font_size = 11, full_width = FALSE) %>%
  row_spec(0, bold = TRUE, background = "#F0F0F0")
Tabla 5.2: Ventas y Utilidad por Region (ordenadas por ventas)
Region Ventas Totales Utilidad Total Margen Promedio Transacciones % Ventas % Utilidad
West $36,436,157 $13,017,584 39.7% 2,448 30.3% 27.6%
Northeast $25,078,267 $9,732,774 41.0% 2,376 20.9% 20.6%
Southeast $21,374,436 $8,393,059 41.9% 1,224 17.8% 17.8%
South $20,603,356 $9,221,605 46.7% 1,728 17.1% 19.5%
Midwest $16,674,434 $6,859,945 43.5% 1,868 13.9% 14.5% 
# ============================================================
# TABLA 5.3: Ventas y Utilidad por Metodo de Venta
# ============================================================
tabla_metodo <- datos_adidas %>%
  group_by(metodo_venta) %>%
  summarise(
    ventas_totales = sum(ventas_totales),
    utilidad_total = sum(utilidad_operativa),
    margen_promedio = mean(margen_operativo),
    transacciones = n(),
    .groups = "drop"
  ) %>%
  mutate(
    participacion_ventas = ventas_totales / sum(ventas_totales),
    participacion_utilidad = utilidad_total / sum(utilidad_total),
    ventas_totales = dollar(ventas_totales, accuracy = 1),
    utilidad_total = dollar(utilidad_total, accuracy = 1),
    margen_promedio = percent(margen_promedio, accuracy = 0.1),
    transacciones = comma(transacciones, accuracy = 1),
    participacion_ventas = percent(participacion_ventas, accuracy = 0.1),
    participacion_utilidad = percent(participacion_utilidad, accuracy = 0.1)
  ) %>%
  arrange(desc(ventas_totales))

# Mostrar Tabla 5.3
kable(tabla_metodo,
      col.names = c("Metodo de Venta", "Ventas Totales", "Utilidad Total", "Margen Promedio",
                    "Transacciones", "% Ventas", "% Utilidad"),
      caption = "Tabla 5.3: Ventas y Utilidad por Metodo de Venta") %>%
  kable_styling(font_size = 11, full_width = FALSE) %>%
  row_spec(0, bold = TRUE, background = "#F0F0F0")
Tabla 5.3: Ventas y Utilidad por Metodo de Venta
Metodo de Venta Ventas Totales Utilidad Total Margen Promedio Transacciones % Ventas % Utilidad
Online $44,965,657 $19,552,538 46.4% 4,887 37.4% 41.4%
Outlet $39,536,618 $14,913,301 39.5% 3,017 32.9% 31.6%
In-store $35,664,375 $12,759,129 35.6% 1,740 29.7% 27.0% 
# ============================================================
# TABLA 5.4: Ventas y Utilidad por Region y Metodo de Venta
# ============================================================
tabla_region_metodo <- datos_adidas %>%
  group_by(region, metodo_venta) %>%
  summarise(
    ventas_totales = sum(ventas_totales),
    utilidad_total = sum(utilidad_operativa),
    margen_promedio = mean(margen_operativo),
    transacciones = n(),
    .groups = "drop"
  ) %>%
  group_by(region) %>%
  mutate(
    participacion_en_region = ventas_totales / sum(ventas_totales)
  ) %>%
  ungroup() %>%
  mutate(
    region = factor(region, levels = orden_regiones),
    ventas_totales = dollar(ventas_totales, accuracy = 1),
    utilidad_total = dollar(utilidad_total, accuracy = 1),
    margen_promedio = percent(margen_promedio, accuracy = 0.1),
    transacciones = comma(transacciones, accuracy = 1),
    participacion_en_region = percent(participacion_en_region, accuracy = 0.1)
  ) %>%
  arrange(region, desc(ventas_totales))

# Mostrar Tabla 5.4
kable(tabla_region_metodo,
      col.names = c("Region", "Metodo de Venta", "Ventas Totales", "Utilidad Total",
                    "Margen Promedio", "Transacciones", "% en Region"),
      caption = "Tabla 5.4: Ventas y Utilidad por Region y Metodo de Venta") %>%
  kable_styling(font_size = 11, full_width = FALSE) %>%
  row_spec(0, bold = TRUE, background = "#F0F0F0")
Tabla 5.4: Ventas y Utilidad por Region y Metodo de Venta
Region Metodo de Venta Ventas Totales Utilidad Total Margen Promedio Transacciones % en Region
West Outlet $13,946,781 $4,580,344 36.7% 898 38.3%
West Online $11,950,976 $4,942,152 43.9% 1,152 32.8%
West In-store $10,538,400 $3,495,088 34.0% 398 28.9%
Northeast Outlet $8,856,415 $3,231,522 37.5% 757 35.3%
Northeast Online $4,626,777 $2,246,832 47.9% 936 18.4%
Northeast In-store $11,595,075 $4,254,420 35.6% 683 46.2%
Southeast In-store $7,236,125 $2,558,256 34.9% 194 33.9%
Southeast Outlet $2,071,151 $754,401 37.8% 238 9.7%
Southeast Online $12,067,160 $5,080,402 44.9% 792 56.5%
South Online $9,201,010 $4,149,888 48.8% 844 44.7%
South In-store $339,375 $134,800 40.2% 20 1.6%
South Outlet $11,062,971 $4,936,917 44.8% 864 53.7%
Midwest Online $7,119,734 $3,133,264 47.0% 1,163 42.7%
Midwest In-store $5,955,400 $2,316,565 37.1% 445 35.7%
Midwest Outlet $3,599,300 $1,410,116 38.8% 260 21.6% 
# ============================================================
# GRAFICO 5.5: Mapa de Calor - Margen por Region y Metodo
# ============================================================
datos_calor <- datos_adidas %>%
  group_by(region, metodo_venta) %>%
  summarise(
    margen_promedio = mean(margen_operativo),
    ventas_totales = sum(ventas_totales),
    .groups = "drop"
  ) %>%
  group_by(region) %>%
  mutate(
    participacion_en_region = ventas_totales / sum(ventas_totales)
  ) %>%
  ungroup() %>%
  mutate(
    region = factor(region, levels = orden_regiones),
    margen_promedio = round(margen_promedio * 100, 1),
    participacion_en_region = round(participacion_en_region * 100, 1),
    etiqueta = paste0(margen_promedio, "%")  # Solo muestra el margen
  )

g5_5 <- ggplot(datos_calor, aes(x = region, y = metodo_venta, 
                                 fill = margen_promedio)) +
  geom_tile() +
  geom_text(aes(label = etiqueta), size = 4, fontface = "bold") +
  scale_fill_gradient(low = "white", high = "darkgreen", name = "Margen %") +
  labs(title = "Grafico 5.5: Mapa de Calor - Margen por Region y Metodo",
       subtitle = "Los numeros muestran el margen %",
       x = "Region", y = "Metodo de Venta") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

# ============================================================
# GRAFICO 5.6: Boxplot - Distribucion del Margen por Region
# ============================================================
g5_6 <- ggplot(datos_adidas, aes(x = factor(region, levels = orden_regiones), 
                                  y = margen_operativo, 
                                  fill = factor(region, levels = orden_regiones))) +
  geom_boxplot(alpha = 0.7) +
  scale_y_continuous(labels = percent_format()) +
  labs(title = "Grafico 5.6: Distribucion del Margen por Region",
       subtitle = "Regiones ordenadas de mayor a menor ventas (izquierda a derecha)",
       x = "Region", y = "Margen Operativo") +
  theme_minimal() +
  theme(legend.position = "none", axis.text.x = element_text(angle = 45, hjust = 1))

# --- MOSTRAR GRAFICOS (version estatica - siempre visible) ---
print(g5_5)

print(g5_6)

4.4. Hallazgos Relevantes sobre la relación entre ventas totales y utilidad operativa de acuerdo a la region y metodo de venta

Se logra observar que Online es el canal definitivo para tener el mejor margen de ganancias ya que en todas las regiones es el canal con mayor margen operativo (ver figura 5.5), también se logra observar que South es la región líder ya que tiene mayor margen, consistencia y eficiencia en todos los canales. También resulta interesante que West, siendo la región con más ventas, tiene el margen más bajo, según los datos anteriores hablando exclusivamente en ventas West era la opción más llamativa pero observando los márgenes resulta que tienen áreas de mejora, también resulta interesante que regiones que no tenían tantas ventas totales destacan como lo es el caso de South. Se logra evidenciar que In-store es el menos rentable, lo que significa que presenta altos precios operativos para todas las regiones. Para finalizar, se destaca que el canal online es el canal predilecto en términos de margen operativo y que las regiones con menos volumen tienen muy buenos márgenes, lo que presenta un potencial de crecimiento.

5. Analítica Prescriptiva

El análisis del caso Adidas tenía 3 objetivos principales, primero entender el comportamiento de ventas, luego entender el comportamiento de la rentabilidad y finalmente poder proponer qué combinaciones estratégicas pueden beneficiar más a la empresa.

5.1. Pregunta: ¿Qué combinaciones (producto-región o producto-método de venta) parecen más estratégicas para la compañía?

# Cargar librerías necesarias
library(scales)
library(dplyr)
library(ggplot2)
library(plotly)
library(kableExtra)

# --- SECCION: COMBINACIONES ESTRATEGICAS (PRODUCTO + REGION + METODO) ---

# --- PASO 1: TABLA RESUMEN POR COMBINACION ---
tabla_combinaciones <- datos_adidas %>%
  group_by(producto, region, metodo_venta) %>%
  summarise(
    ventas_totales = sum(ventas_totales),
    unidades_totales = sum(unidades_vendidas),
    utilidad_total = sum(utilidad_operativa),
    transacciones = n(),
    margen_promedio = mean(margen_operativo),
    .groups = "drop"
  ) %>%
  mutate(
    margen_ponderado = utilidad_total / ventas_totales,
    ticket_promedio = ventas_totales / transacciones,
    unidades_promedio = unidades_totales / transacciones
  )

# ============================================================
# TABLA 6.1: TOP 3 COMBINACIONES POR VOLUMEN DE VENTAS
# ============================================================
top_3_volumen <- tabla_combinaciones %>%
  arrange(desc(ventas_totales)) %>%
  head(3) %>%
  mutate(
    ventas_totales = dollar(ventas_totales, accuracy = 1),
    unidades_totales = comma(unidades_totales, accuracy = 1),
    utilidad_total = dollar(utilidad_total, accuracy = 1),
    transacciones = comma(transacciones, accuracy = 1),
    margen_ponderado = percent(margen_ponderado, accuracy = 0.1),
    ticket_promedio = dollar(ticket_promedio, accuracy = 0.01),
    unidades_promedio = round(unidades_promedio, 1)
  ) %>%
  select(producto, region, metodo_venta, ventas_totales, unidades_totales, 
         utilidad_total, margen_ponderado, ticket_promedio, unidades_promedio, transacciones)

# Mostrar Tabla 6.1
kable(top_3_volumen,
      col.names = c("Producto", "Region", "Metodo", "Ventas Totales", "Unidades Totales",
                    "Utilidad Total", "Margen", "Ticket Prom", "Unid x Trans", "Transacciones"),
      caption = "Tabla 6.1: TOP 3 COMBINACIONES POR VOLUMEN DE VENTAS") %>%
  kable_styling(font_size = 11, full_width = FALSE) %>%
  row_spec(0, bold = TRUE, background = "#F0F0F0") %>%
  row_spec(1:3, background = "#FFFFCC")
Tabla 6.1: TOP 3 COMBINACIONES POR VOLUMEN DE VENTAS
Producto Region Metodo Ventas Totales Unidades Totales Utilidad Total Margen Ticket Prom Unid x Trans Transacciones
Men’s Street Footwear Northeast In-store $3,376,000 65,500 $1,337,275 39.6% $29,356.52 569.6 115
Men’s Street Footwear West Outlet $2,827,944 58,820 $1,025,207 36.3% $18,728.11 389.5 151
Men’s Street Footwear Southeast Online $2,740,850 56,055 $1,242,924 45.3% $20,764.02 424.7 132 
# ============================================================
# TABLA 6.2: TOP 3 COMBINACIONES POR RENTABILIDAD
# ============================================================
top_3_rentabilidad <- tabla_combinaciones %>%
  filter(ventas_totales > 0) %>%
  arrange(desc(margen_ponderado)) %>%
  head(3) %>%
  mutate(
    ventas_totales = dollar(ventas_totales, accuracy = 1),
    unidades_totales = comma(unidades_totales, accuracy = 1),
    utilidad_total = dollar(utilidad_total, accuracy = 1),
    transacciones = comma(transacciones, accuracy = 1),
    margen_ponderado = percent(margen_ponderado, accuracy = 0.1),
    ticket_promedio = dollar(ticket_promedio, accuracy = 0.01),
    unidades_promedio = round(unidades_promedio, 1)
  ) %>%
  select(producto, region, metodo_venta, ventas_totales, unidades_totales, 
         utilidad_total, margen_ponderado, ticket_promedio, unidades_promedio, transacciones)

# Mostrar Tabla 6.2
kable(top_3_rentabilidad,
      col.names = c("Producto", "Region", "Metodo", "Ventas Totales", "Unidades Totales",
                    "Utilidad Total", "Margen", "Ticket Prom", "Unid x Trans", "Transacciones"),
      caption = "Tabla 6.2: TOP 3 COMBINACIONES POR RENTABILIDAD (mayor margen)") %>%
  kable_styling(font_size = 11, full_width = FALSE) %>%
  row_spec(0, bold = TRUE, background = "#F0F0F0") %>%
  row_spec(1:3, background = "#CCFFCC")
Tabla 6.2: TOP 3 COMBINACIONES POR RENTABILIDAD (mayor margen)
Producto Region Metodo Ventas Totales Unidades Totales Utilidad Total Margen Ticket Prom Unid x Trans Transacciones
Women’s Apparel South Outlet $2,285,570 51,271 $1,254,117 54.9% $15,872.01 356.0 144
Men’s Street Footwear Northeast Online $1,258,314 25,169 $677,000 53.8% $8,066.12 161.3 156
Women’s Athletic Footwear South Outlet $1,456,124 36,640 $725,032 49.8% $10,111.97 254.4 144 
# ============================================================
# TABLA 6.3: TOP 3 COMBINACIONES ESTRATEGICAS
# ============================================================
top_3_estrategicas <- tabla_combinaciones %>%
  mutate(
    volumen_score = ventas_totales / max(ventas_totales),
    rentabilidad_score = margen_ponderado / max(margen_ponderado),
    score_estrategico = (volumen_score * 0.5) + (rentabilidad_score * 0.5)
  ) %>%
  arrange(desc(score_estrategico)) %>%
  head(3) %>%
  mutate(
    ventas_totales = dollar(ventas_totales, accuracy = 1),
    unidades_totales = comma(unidades_totales, accuracy = 1),
    utilidad_total = dollar(utilidad_total, accuracy = 1),
    transacciones = comma(transacciones, accuracy = 1),
    margen_ponderado = percent(margen_ponderado, accuracy = 0.1),
    ticket_promedio = dollar(ticket_promedio, accuracy = 0.01),
    unidades_promedio = round(unidades_promedio, 1)
  ) %>%
  select(producto, region, metodo_venta, ventas_totales, unidades_totales, 
         utilidad_total, margen_ponderado, ticket_promedio, unidades_promedio, transacciones)

# Mostrar Tabla 6.3
kable(top_3_estrategicas,
      col.names = c("Producto", "Region", "Metodo", "Ventas Totales", "Unidades Totales",
                    "Utilidad Total", "Margen", "Ticket Prom", "Unid x Trans", "Transacciones"),
      caption = "Tabla 6.3: TOP 3 COMBINACIONES ESTRATEGICAS (volumen + rentabilidad)") %>%
  kable_styling(font_size = 11, full_width = FALSE) %>%
  row_spec(0, bold = TRUE, background = "#F0F0F0") %>%
  row_spec(1:3, background = "#CCCCFF")
Tabla 6.3: TOP 3 COMBINACIONES ESTRATEGICAS (volumen + rentabilidad)
Producto Region Metodo Ventas Totales Unidades Totales Utilidad Total Margen Ticket Prom Unid x Trans Transacciones
Men’s Street Footwear Northeast In-store $3,376,000 65,500 $1,337,275 39.6% $29,356.52 569.6 115
Women’s Apparel South Outlet $2,285,570 51,271 $1,254,117 54.9% $15,872.01 356.0 144
Men’s Street Footwear Southeast Online $2,740,850 56,055 $1,242,924 45.3% $20,764.02 424.7 132 
# ============================================================
# GRAFICO 6.4: Comparacion de las Top 3 Combinaciones por Categoria
# ============================================================
top_3_combinado <- bind_rows(
  top_3_volumen %>% mutate(categoria = "Volumen"),
  top_3_rentabilidad %>% mutate(categoria = "Rentabilidad"),
  top_3_estrategicas %>% mutate(categoria = "Estrategica")
) %>%
  mutate(
    ventas_num = as.numeric(gsub("[\\$,]", "", ventas_totales)),
    margen_num = as.numeric(gsub("%", "", margen_ponderado)),
    etiqueta_completa = paste0(producto, " | ", region, " | ", metodo_venta)
  )

g6_4 <- ggplot(top_3_combinado, aes(x = reorder(etiqueta_completa, ventas_num), 
                                     y = ventas_num / 1000000, 
                                     fill = categoria)) +
  geom_col() +
  geom_text(aes(label = dollar(ventas_num, accuracy = 1)), hjust = -0.1, size = 3) +
  coord_flip() +
  scale_y_continuous(labels = dollar_format(suffix = "M"), expand = expansion(mult = c(0, 0.2))) +
  scale_fill_manual(values = c("Volumen" = "#FFFFCC", "Rentabilidad" = "#CCFFCC", "Estrategica" = "#CCCCFF")) +
  labs(title = "Grafico 6.4: Comparacion de las Top 3 Combinaciones por Categoria",
       subtitle = "Volumen (amarillo), Rentabilidad (verde) y Estrategicas (morado)",
       x = "", y = "Ventas Totales (en millones)", fill = "Categoria") +
  theme_minimal() +
  theme(legend.position = "bottom")

# Convertir a plotly interactivo
g6_4_int <- ggplotly(g6_4, tooltip = "text") %>%
  layout(hoverlabel = list(bgcolor = "white", font = list(size = 11)))

# Mostrar grafico
print(g6_4_int)

Los hallazgos del desempeño de ventas respaldan de manera clara el top 3 por volumen propuesto. Men’s Street Footwear, que representa el 23% de las ventas totales ($27.7M) y lidera en todas las regiones, es el producto protagonista de las tres combinaciones. En Northeast, segunda región nacional ($25.1M, 20.9%), esta línea genera $6.8M regional y un ticket promedio alto, lo que justifica el liderazgo de la combinación In-store en esa zona. En West, la región más grande del país (30.3%, $36.4M), Men’s Street Footwear es el producto #1 con $7.4M, y el canal Outlet es uno de los principales canales de distribucion de west, confirmando esta como una combinación de alto volumen. Finalmente, Southeast con Online aprovecha el patrón clave identificado: Online supera el 40% en los top distribuidores digitales, y Men’s Street Footwear mantiene su liderazgo también en esta región, logrando el mayor margen de las tres combinaciones (45.3%), demostrando que el canal digital potencia tanto volumen como rentabilidad.

Los hallazgos de rentabilidad validan directamente el top 3 por margen. Women’s Apparel - South - Outlet (54.9%) es la materialización perfecta de los hallazgos: South lidera eficiencia (46.7% margen) y South + Women’s Apparel fue identificada como la mejor combinación por margen (52%), siendo Outlet el canal que lo eleva aún más. Men’s Street Footwear - Northeast - Online (53.8%) confirma el hallazgo clave de que Online es el canal con mayor margen en todas las regiones, y que al combinar el producto líder ($11.6M utilidad) con el canal digital, el margen sube a 53.8%. Women’s Athletic Footwear - South - Outlet (49.8%) demuestra que South es tan eficiente que eleva incluso al producto que no es necesariamente lider en ventas o margenes.

El top 3 estratégico equilibra volumen y rentabilidad apoyándose en los hallazgos de ambas secciones. Men’s Street Footwear - Northeast - In-store combina el producto líder en ventas y utilidad con la segunda región nacional, donde esta combinación ya fue identificada como estrella . Aunque In-store es el canal menos rentable, el volumen excepcional (569 unidades/transacción) lo compensa generando el mayor monto absoluto del ranking. Women’s Apparel - South - Outlet materializa la región más eficiente (46.7% margen) con el segundo producto más rentable , logrando que genere una utilidad alta. Men’s Street Footwear - Southeast - Online confirma el hallazgo clave de que Online maximiza margen en todas las regiones, y que Southeast, siendo una región con un potencial de crecimiento latente con buena rentabilidad.

6. Conclusiones

El análisis de ventas de Adidas muestra que Men’s Street Footwear y Women’s Apparel son los productos estrella en ventas y utilidad, mientras que West lidera en volumen (30.3%, $36.4M) pero presenta el margen más bajo (39.7%), evidenciando que mayor volumen no garantiza mayor rentabilidad. South, en cambio, demuestra ser la región más eficiente (46.7% margen), y Online es el canal predilecto en términos de margen operativo, superando el 40% en todos los distribuidores digitales, mientras In-store, pese a su alto volumen, resulta ser el menos rentable por sus costos operativos.

Integrando volumen, rentabilidad y canal, las combinaciones más estratégicas para Adidas apuntan a concentrar esfuerzos en Men’s Street Footwear en Northeast/West vía Online/Outlet para equilibrar escala y margen, y en Women’s Apparel en South vía Outlet para maximizar eficiencia operativa. Estas combinaciones no solo reúnen a las regiones y productos líderes en ambas dimensiones, sino que confirman que la clave del crecimiento sostenible está en priorizar el canal digital y las regiones con mayor eficiencia, más que en perseguir volumen a cualquier costo.