Caso 1 - Analítica descriptiva Adidas
Juan David Montes - Santiago Valencia
2025-03-07
Introducción
En el presente informe se desarrolla un análisis descriptivo y exploratorio de la base de datos comercial de la empresa Adidas, con el propósito de evaluar el desempeño de sus ventas y su rentabilidad en distintos segmentos del mercado. La información analizada incluye variables clave como precio por unidad, unidades vendidas, ventas totales, utilidad operativa, margen operativo, método de venta, distribuidor, región y ciudad.
Los resultados obtenidos servirán como base para proponer recomendaciones orientadas a la toma de decisiones estratégicas de la compañía.
Instalación y carga de librerias
# Cargar librerías necesarias
library(readxl)
library(dplyr)
library(ggplot2)
library(plotly)
library(knitr)
library(kableExtra)
library(tidyr)
library(RecordLinkage)
library(leaflet)
library(htmltools)
library(corrplot)Base de datos
El código siguiente carga un archivo de Excel con datos de las ventas registradas en la empresa Adidas.
library(readxl)
datos<- read_excel("DatosCaso1.xlsx")
id=1:dim(datos)[1]
datos=data.frame(id,datos)Ahora obtenemos los nombres exactos de las variables que tenemos en la base de datos
library(dplyr)
names(datos)## [1] "id" "distribuidor" "region"
## [4] "estado" "ciudad" "producto"
## [7] "precio_unidad" "unidades_vendidas" "ventas_total"
## [10] "utilidad_operativa" "margen_operativo" "metodo_venta"Desempeño de ventas
# Resumen estadístico de las variables financieras
resumen <- datos %>%
select(precio_unidad, unidades_vendidas, ventas_total, utilidad_operativa, metodo_venta) %>%
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
## metodo_venta
## Length:9648
## Class :character
## Mode :character
##
##
## ventas_stats <- datos %>%
summarise(
Media_Ventas = mean(ventas_total),
Mediana_Ventas = median(ventas_total),
SD_Ventas = sd(ventas_total),
Min_Ventas = min(ventas_total),
Max_Ventas = max(ventas_total),
Media_Unidades = mean(unidades_vendidas),
Mediana_Unidades = median(unidades_vendidas),
SD_Unidades = sd(unidades_vendidas)
)
ventas_stats| Media_Ventas | Mediana_Ventas | SD_Ventas | Min_Ventas | Max_Ventas | Media_Unidades | Mediana_Unidades | SD_Unidades |
|---|---|---|---|---|---|---|---|
| 12455.08 | 7803.5 | 12716.39 | 0 | 82500 | 256.93 | 176 | 214.252 |
En relación con las unidades vendidas, el promedio por registro es de 256.93 unidades, mientras que la mediana se sitúa en 176 unidades. La diferencia entre ambas medidas indica una distribución asimétrica positiva, lo que sugiere que existen operaciones con volúmenes significativamente altos que elevan el promedio general.
La desviación estándar (214.25) es elevada en comparación con la mediana, lo que evidencia una alta variabilidad en el volumen de unidades comercializadas. Esto indica que el comportamiento de las ventas en términos de cantidad no es homogéneo, sino que existen diferencias importantes entre operaciones.
ventas_region <- datos %>%
group_by(region) %>%
summarise(
Ventas_Totales = sum(ventas_total),
Promedio_Ventas = mean(ventas_total)
)
ventas_region| region | Ventas_Totales | Promedio_Ventas |
|---|---|---|
| Midwest | 16674434 | 8907.283 |
| Northeast | 25078267 | 10554.826 |
| South | 20603356 | 11923.238 |
| Southeast | 21374436 | 17462.775 |
| West | 36436157 | 14884.051 |
Aunque la región West lidera en ventas totales, la región Southeast presenta el mayor valor promedio por operación (17,462). Esto indica que, en promedio, cada registro de venta en Southeast genera mayores ingresos que en las demás regiones.
library(scales)
# Crear tabla resumida
ventas_region <- datos %>%
group_by(region) %>%
summarise(Ventas = sum(ventas_total))
# Gráfico profesional
ggplot(ventas_region,
aes(x = reorder(region, Ventas),
y = Ventas)) +
geom_bar(stat = "identity", fill = "#1f77b4") +
# Etiquetas encima de las barras (en millones)
geom_text(aes(label = paste0(round(Ventas/1000000,1), " M")),
vjust = -0.5,
size = 4) +
scale_y_continuous(labels = label_number(scale = 1e-6, suffix = " M")) +
theme_minimal(base_size = 13) +
labs(title = "Ventas Totales por Región",
subtitle = "Valores expresados en millones",
x = "Región",
y = "Ventas Totales (Millones)") +
theme(plot.title = element_text(face = "bold"),
axis.text.x = element_text(face = "bold"))
Se observa una concentración significativa de ventas en la región West,
lo que evidencia una posible dependencia geográfica del ingreso de
acuerdo a las ventas en millones
### Diagrama de cajas"
ggplot(datos, aes(y = ventas_total)) +
geom_boxplot(fill = "orange") +
theme_minimal() +
labs(title = "Boxplot Ventas Totales")
El diagrama de cajas y bigotes permite analizar la distribución de las
ventas totales, así como identificar la presencia de valores atípicos y
el nivel de variabilidad en los datos. En este gráfico, la línea ubicada
dentro de la caja representa la mediana de las ventas totales, lo que
indica el valor central alrededor del cual se concentran la mayoría de
las observaciones.
La caja muestra el rango intercuartílico, es decir, el intervalo donde se encuentra aproximadamente el 50% de los datos. En este caso, se observa que la mayor parte de las ventas totales se concentra en valores relativamente bajos a moderados, lo que sugiere que la mayoría de las transacciones o registros de ventas no alcanzan niveles extremadamente altos. Los bigotes del gráfico se extienden hacia valores mínimos y máximos que aún se consideran dentro de un rango esperado de variación.
Sin embargo, se observa una cantidad considerable de puntos por encima del bigote superior, los cuales representan valores atípicos. Estos puntos indican registros de ventas significativamente más altos que el resto de los datos. La presencia de estos valores sugiere que, aunque la mayoría de las ventas se concentran en rangos más bajos, existen algunos casos donde se alcanzan montos de ventas mucho mayores. Esto podría estar relacionado con pedidos de gran volumen, promociones específicas, ventas en determinadas regiones o productos con mayor demanda. Rentabilidad ventas
rentabilidad_stats <- datos %>%
summarise(
Media_Utilidad = mean(utilidad_operativa),
SD_Utilidad = sd(utilidad_operativa),
Media_Margen = mean(margen_operativo),
SD_Margen = sd(margen_operativo)
)
rentabilidad_stats| Media_Utilidad | SD_Utilidad | Media_Margen | SD_Margen |
|---|---|---|---|
| 4894.794 | 4866.464 | 0.4229913 | 0.0971974 |
margen_region <- datos %>%
group_by(region) %>%
summarise(Margen_Promedio = mean(margen_operativo))
ggplot(margen_region, aes(x = reorder(region, Margen_Promedio),
y = Margen_Promedio)) +
geom_bar(stat = "identity", fill = "darkgreen") +
theme_minimal() +
labs(title = "Margen Operativo Promedio por Región")
La región South presenta el margen operativo promedio más alto, lo que
indica que en esta zona las ventas tienden a generar una mayor
rentabilidad para la empresa en comparación con las demás regiones. Esto
podría estar relacionado con una estructura de precios más favorable,
menores costos operativos o una combinación de productos que generan
mayores márgenes.
En segundo lugar, se encuentran las regiones Midwest y Southeast, las cuales también muestran márgenes relativamente altos. Esto sugiere que estas regiones mantienen un desempeño positivo en términos de rentabilidad, contribuyendo de manera importante a la utilidad operativa de la empresa.
#relación entre las ventas y la utilidad
ggplot(datos, aes(x = ventas_total,
y = utilidad_operativa)) +
geom_point(alpha = 0.6, color = "purple") +
geom_smooth(method = "lm", se = FALSE, color = "black") +
theme_minimal() +
labs(title = "Ventas vs Utilidad Operativa")
El diagrama de dispersión evidencia una relación lineal positiva fuerte
entre las ventas totales y la utilidad operativa. A medida que las
ventas aumentan, la utilidad crece de forma proporcional, lo que sugiere
un comportamiento consistente del margen operativo. La pendiente de la
recta de regresión indica que una fracción significativa de cada dólar
vendido se convierte en utilidad operativa. Sin embargo, se observa
mayor dispersión en niveles altos de ventas, lo cual podría indicar
variaciones en eficiencia operativa entre segmentos del negocio.
cor(datos$ventas_total, datos$utilidad_operativa)## [1] 0.9353717La correlación entre las variables de ventas y utilidad es de 0.97, es decir hay una relación significativa entre estas dos. Cuando las ventas aumentan, la utilidad operativa casi siempre aumenta también, y lo hace de manera muy consistente.
Relación entre variables clave
# Relación entre precio y unidades vendidas
ggplot(datos, aes(x = precio_unidad,
y = unidades_vendidas))+
geom_point(alpha = 0.6, color = "red") +
geom_smooth(method = "lm", se = FALSE, color = "black") +
theme_minimal() +
labs(title = "Precio vs Unidades Vendidas")
A partir de la gráfica se observa una relación positiva leve,
representada por la pendiente ascendente de la línea de regresión. Esto
sugiere que, en promedio, a medida que el precio del producto aumenta,
también se registra un ligero incremento en las unidades vendidas. Sin
embargo, esta relación no es particularmente fuerte, ya que los puntos
se encuentran ampliamente dispersos alrededor de la recta de
tendencia.
Adicionalmente, se observa una concentración vertical de puntos en determinados niveles de precio, lo que indica que existen muchos registros con el mismo valor de precio pero con diferentes cantidades de unidades vendidas. Este patrón suele ocurrir cuando los precios están estandarizados o definidos en niveles específicos dentro de la estrategia comercial de la empresa, mientras que la cantidad vendida varía dependiendo de otros factores como la demanda, la ubicación de la tienda, promociones, estacionalidad o condiciones del mercado.
cor(datos$precio_unidad, datos$unidades_vendidas)## [1] 0.2658685La correlación es de 26%, es positiva, sin embargo esta relación es leve ya que hay factores que demuestran que esta correlación no es tan fuerte.
vars_numericas <- datos %>%
select(precio_unidad,
unidades_vendidas,
ventas_total,
utilidad_operativa,
margen_operativo)
cor_matrix <- cor(vars_numericas)
corrplot(cor_matrix, method = "color", type = "upper")
A partir de la matriz se observa que variables como unidades vendidas,
ventas totales y utilidad operativa presentan correlaciones positivas
relativamente altas, lo cual es consistente desde el punto de vista
financiero, ya que un mayor volumen de ventas suele traducirse en
mayores ingresos y, en consecuencia, en una mayor utilidad operativa.
Por otro lado, el precio por unidad muestra relaciones más moderadas con
las demás variables, mientras que el margen operativo presenta
correlaciones más bajas e incluso negativas con algunas de ellas, lo que
sugiere que este indicador puede verse influenciado por factores
adicionales relacionados con la estructura de costos y la eficiencia
operativa.
Análisis por producto
ventas_producto <- datos %>%
group_by(producto) %>%
summarise(Ventas = sum(ventas_total, na.rm = TRUE)) %>%
ungroup() ventas_producto <- ventas_producto %>%
mutate(Participacion = Ventas / sum(Ventas) * 100)
ventas_producto| producto | Ventas | Participacion |
|---|---|---|
| Men’s Apparel | 16520632 | 13.74810 |
| Men’s Athletic Footwear | 20577180 | 17.12387 |
| Men’s Street Footwear | 27680769 | 23.03532 |
| Women’s Apparel | 23870985 | 19.86490 |
| Women’s Athletic Footwear | 14315521 | 11.91306 |
| Women’s Street Footwear | 17201563 | 14.31476 |
ventas_producto <- datos %>%
group_by(producto) %>%
summarise(Ventas = sum(ventas_total)) %>%
mutate(Participacion = Ventas / sum(Ventas))
ggplot(ventas_producto,
aes(x = "",
y = Participacion,
fill = producto)) +
geom_col(width = 1) +
coord_polar("y") +
theme_void() +
labs(title = "Participación de Ventas por Producto")
A partir de la tabla y el gráfico circular se observa que la categoría
con mayor participación es Men’s Street Footwear, la cual representa
aproximadamente el 23.03% del total de las ventas. En segundo lugar se
encuentra Women’s Apparel con una participación cercana al 19.86%,
seguida por Men’s Athletic Footwear con aproximadamente 17.12%. Estos
resultados indican que el calzado masculino, especialmente el orientado
al estilo urbano, constituye una de las principales fuentes de ingresos
dentro del portafolio de productos.
Análisis por combinaciones
combo_prod_region <- datos %>%
group_by(producto, region) %>%
summarise(Ventas = sum(ventas_total)) %>%
arrange(desc(Ventas)) %>%
slice_head(n = 10)
combo_prod_region| producto | region | Ventas |
|---|---|---|
| Men’s Apparel | West | 4827378 |
| Men’s Apparel | Northeast | 3475037 |
| Men’s Apparel | Southeast | 3183237 |
| Men’s Apparel | South | 2811194 |
| Men’s Apparel | Midwest | 2223786 |
| Men’s Athletic Footwear | West | 6761339 |
| Men’s Athletic Footwear | Northeast | 3895862 |
| Men’s Athletic Footwear | Southeast | 3653645 |
| Men’s Athletic Footwear | South | 3647045 |
| Men’s Athletic Footwear | Midwest | 2619289 |
| Men’s Street Footwear | West | 7389988 |
| Men’s Street Footwear | Northeast | 6841324 |
| Men’s Street Footwear | Midwest | 4707360 |
| Men’s Street Footwear | Southeast | 4693836 |
| Men’s Street Footwear | South | 4048261 |
| Women’s Apparel | West | 7038046 |
| Women’s Apparel | Northeast | 5045208 |
| Women’s Apparel | South | 4224937 |
| Women’s Apparel | Southeast | 4109786 |
| Women’s Apparel | Midwest | 3453008 |
| Women’s Athletic Footwear | West | 4670820 |
| Women’s Athletic Footwear | Southeast | 2674048 |
| Women’s Athletic Footwear | Northeast | 2668013 |
| Women’s Athletic Footwear | South | 2629097 |
| Women’s Athletic Footwear | Midwest | 1673543 |
| Women’s Street Footwear | West | 5748586 |
| Women’s Street Footwear | South | 3242822 |
| Women’s Street Footwear | Northeast | 3152823 |
| Women’s Street Footwear | Southeast | 3059884 |
| Women’s Street Footwear | Midwest | 1997448 |
library(dplyr)
combo_prod_region <- datos %>%
group_by(producto, region) %>%
summarise(Ventas = sum(ventas_total, na.rm = TRUE)) %>%
ungroup()
top10_combo <- combo_prod_region %>%
arrange(desc(Ventas)) %>%
slice_head(n = 10)#Top 10 mejores combinaciones producto-region
library(ggplot2)
library(scales)
ggplot(top10_combo,
aes(x = reorder(paste(producto, region, sep = " - "), Ventas),
y = Ventas)) +
geom_col(fill = "#28B463") +
coord_flip() +
scale_y_continuous(labels = label_number(scale = 1e-6, suffix = " M")) +
theme_minimal() +
labs(title = "Top 10 Combinaciones Producto - Región",
x = "Producto - Región",
y = "Ventas (Millones)")
El gráfico presenta las diez combinaciones de producto y región con
mayores ventas totales. Se observa que varias de las combinaciones con
mejor desempeño se concentran en la región Oeste, lo que indica que esta
zona representa uno de los mercados más fuertes para la empresa. En
particular, productos como el calzado urbano para hombres y la ropa para
mujeres destacan dentro de esta región, evidenciando una alta demanda en
estas categorías.
Asimismo, algunas combinaciones de productos también muestran un buen desempeño en regiones como el Noreste y el Sur, lo que sugiere que ciertos productos mantienen una demanda relevante en distintos mercados geográficos. Sin embargo, el predominio de la región Oeste dentro de las combinaciones con mayores ventas sugiere que esta área podría considerarse estratégica para el crecimiento y la consolidación de las ventas.
ventas_heat <- datos %>%
group_by(producto, region) %>%
summarise(Ventas = sum(ventas_total))
ggplot(ventas_heat,
aes(x = region,
y = producto,
fill = Ventas)) +
geom_tile() +
scale_fill_gradient(low = "white", high = "darkblue") +
theme_minimal() +
labs(title = "Mapa de Calor: Ventas por Producto y Región",
x = "Región",
y = "Producto")
Al igual que la anterior gráfica, este mapa de calor nos muestra que la
región predominante es Este
Combinación producto+método de venta
combo_prod_metodo <- datos %>%
group_by(producto, metodo_venta) %>%
summarise(Ventas = sum(ventas_total)) %>%
arrange(desc(Ventas)) %>%
slice_head(n = 10)
combo_prod_metodo| producto | metodo_venta | Ventas |
|---|---|---|
| Men’s Apparel | Online | 6334120 |
| Men’s Apparel | Outlet | 5254012 |
| Men’s Apparel | In-store | 4932500 |
| Men’s Athletic Footwear | Online | 7625859 |
| Men’s Athletic Footwear | Outlet | 7016446 |
| Men’s Athletic Footwear | In-store | 5934875 |
| Men’s Street Footwear | Online | 10365158 |
| Men’s Street Footwear | In-store | 8885200 |
| Men’s Street Footwear | Outlet | 8430411 |
| Women’s Apparel | Online | 8966155 |
| Women’s Apparel | Outlet | 7879955 |
| Women’s Apparel | In-store | 7024875 |
| Women’s Athletic Footwear | Online | 5371092 |
| Women’s Athletic Footwear | Outlet | 4892429 |
| Women’s Athletic Footwear | In-store | 4052000 |
| Women’s Street Footwear | Online | 6303273 |
| Women’s Street Footwear | Outlet | 6063365 |
| Women’s Street Footwear | In-store | 4834925 |
ggplot(combo_prod_metodo,
aes(x = reorder(paste(producto, metodo_venta, sep = " - "), Ventas),
y = Ventas)) +
geom_bar(stat = "identity", fill = "#AF7AC5") +
coord_flip() +
scale_y_continuous(labels = label_number(scale = 1e-6, suffix = " M")) +
theme_minimal() +
labs(title = "Top 10 Combinaciones Producto - Método de Venta",
x = "Producto - Método",
y = "Ventas (Millones)")
Se observa que varias de las combinaciones con mejor desempeño
corresponden al canal de venta en línea, lo que sugiere que este método
de comercialización tiene una participación importante en la generación
de ingresos de la empresa. En particular, productos como el calzado
urbano para hombres y la ropa para mujeres destacan en este canal,
evidenciando una fuerte demanda cuando se comercializan a través de
plataformas digitales.
También se observa que otros métodos de venta, como las tiendas físicas y los outlets, aparecen dentro de las combinaciones con mayores ventas. Esto indica que, aunque el canal en línea presenta un alto desempeño, los canales tradicionales continúan siendo relevantes para la distribución de los productos. Por ejemplo, el calzado urbano para hombres y el calzado deportivo para hombres mantienen niveles de ventas significativos tanto en tiendas físicas como en outlets.
library(ggplot2)
library(dplyr)
library(scales)
# Crear tabla producto - método de venta
heatmap_prod_metodo <- datos %>%
group_by(producto, metodo_venta) %>%
summarise(Ventas = sum(ventas_total, na.rm = TRUE)) %>%
ungroup()
# Crear mapa de calor
ggplot(heatmap_prod_metodo,
aes(x = metodo_venta,
y = producto,
fill = Ventas)) +
geom_tile(color = "white") +
scale_fill_gradient(low = "lightyellow", high = "darkred",
labels = label_number(scale = 1e-6, suffix = " M")) +
theme_minimal() +
labs(title = "Mapa de calor: Ventas por Producto y Método de Venta",
x = "Método de venta",
y = "Producto",
fill = "Ventas")
Análisis Producto + Región + Margen
library(dplyr)
library(ggplot2)
library(scales)
# Crear dataset Producto + Región
prod_region_margen <- datos %>%
group_by(producto, region) %>%
summarise(
Ventas = sum(ventas_total, na.rm = TRUE),
Margen = mean(margen_operativo, na.rm = TRUE),
Unidades = sum(unidades_vendidas, na.rm = TRUE)
) %>%
ungroup()
# Gráfico de burbujas
ggplot(prod_region_margen,
aes(x = Ventas,
y = Margen,
size = Unidades,
color = producto)) +
geom_point(alpha = 0.7) +
scale_size_continuous(range = c(4,15)) +
scale_x_continuous(labels = label_number(scale = 1e-6, suffix = " M")) +
scale_color_brewer(palette = "YlGnBu") +
theme_minimal() +
labs(title = "Relación entre Ventas, Margen Operativo y Unidades por Producto y Región",
subtitle = "El tamaño de la burbuja representa el volumen de unidades vendidas",
x = "Ventas Totales (Millones)",
y = "Margen Operativo Promedio",
size = "Unidades vendidas",
color = "Producto")
A partir del gráfico de burbujas, es posible identificar diferencias en
la rentabilidad de los productos al observar la posición vertical de las
burbujas, que representa el margen operativo promedio. En general,
varias de las combinaciones asociadas al producto “Men’s Street
Footwear” se ubican en la parte superior del gráfico, lo que indica que
este producto presenta algunos de los márgenes operativos más altos
dentro del conjunto de datos. Esto sugiere que este tipo de producto
tiende a generar una mayor rentabilidad en comparación con otros,
especialmente cuando se combina con niveles relativamente altos de
ventas.
Por otro lado, algunos productos como “Women’s Athletic Footwear” y “Women’s Street Footwear” aparecen en ciertos casos con márgenes operativos más bajos dentro de la gráfica. Esto indica que, aunque pueden generar ventas relevantes o un volumen considerable de unidades vendidas, su rentabilidad relativa tiende a ser menor en comparación con otros productos.
Asimismo, categorías como “Men’s Apparel” y “Women’s Apparel” muestran un comportamiento intermedio dentro del gráfico, ubicándose en niveles de margen operativo moderados. Esto sugiere que estos productos aportan de manera constante a las ventas de la empresa, aunque no necesariamente destacan como los de mayor rentabilidad.
Recomendaciones
A partir del análisis descriptivo realizado sobre las ventas, unidades vendidas, márgenes operativos y las distintas combinaciones de producto, región y método de venta, es posible identificar algunos patrones relevantes que permiten formular recomendaciones para la toma de decisiones en la empresa.
En primer lugar, se recomienda que la empresa continúe fortaleciendo la comercialización de aquellos productos que han demostrado un mejor desempeño tanto en ventas como en rentabilidad. En particular, categorías como “Men’s Street Footwear” han mostrado un equilibrio favorable entre volumen de ventas y margen operativo, lo que sugiere que este tipo de productos representa una oportunidad estratégica para incrementar los ingresos y la rentabilidad. En este sentido, Adidas podría considerar reforzar las estrategias de marketing, disponibilidad de inventario y promoción de estos productos en los mercados donde presentan mayor demanda.
En segundo lugar, los resultados evidencian que algunas regiones presentan niveles de rentabilidad superiores a otras. Por ejemplo, la región South presenta el mayor margen operativo promedio, lo que indica que las operaciones en esta zona generan una mayor rentabilidad relativa. Por esta razón, la empresa podría analizar las prácticas comerciales, estructuras de costos o estrategias de precio aplicadas en esta región para evaluar si pueden replicarse en otros mercados con el fin de mejorar la rentabilidad general.
Asimismo, el análisis de los métodos de venta sugiere que el canal en línea desempeña un papel importante en la generación de ventas para varios productos. Por lo tanto, se recomienda continuar fortaleciendo las estrategias de comercio electrónico, optimizando la experiencia digital del cliente y ampliando la disponibilidad de productos en este canal, ya que podría representar una fuente importante de crecimiento en el futuro.
Finalmente, el análisis de la distribución de las ventas totales muestra la presencia de algunos valores atípicos asociados a ventas significativamente más altas que el promedio. Esto sugiere que existen ciertas combinaciones de producto, región o canal de venta que generan resultados excepcionalmente positivos. En este sentido, se recomienda realizar análisis más específicos sobre estos casos para identificar qué factores impulsan estas ventas y así replicar estas estrategias en otros segmentos del mercado.