Caso 1. Analítica Descriptiva ADIDAS
Laura Sofia Orobio, Karol Coronado
2025-03-07
INTRODUCCIÓN
Adidas es una de las empresas líderes a nivel mundial en la industria de artículos deportivos, dedicada al diseño, fabricación y comercialización de calzado, ropa y accesorios deportivos. La compañía opera en múltiples regiones y mercados, utilizando diversos canales de distribución como tiendas físicas, minoristas autorizados y comercio electrónico, lo que le permite alcanzar una amplia base de consumidores con diferentes perfiles y necesidades.
Su estrategia se centra en la innovación, el posicionamiento de marca y la diversificación de productos, abarcando desde líneas deportivas de alto rendimiento hasta productos de estilo urbano. Debido a esta diversidad, el desempeño comercial y financiero puede variar significativamente entre productos, regiones, distribuidores y métodos de venta, lo que hace indispensable el uso de herramientas de analítica de datos para comprender el comportamiento del mercado y optimizar la toma de decisiones.
En este contexto, el presente análisis tiene como objetivo evaluar el desempeño de ventas y rentabilidad de las distintas líneas de productos de la empresa mediante técnicas de analítica descriptiva. Para ello, se examinan variables clave como precio por unidad, unidades vendidas, ventas totales, utilidad operativa y margen operativo, así como factores comerciales como región, ciudad, distribuidor y método de venta. El propósito es identificar patrones, relaciones entre variables y segmentos estratégicos que permitan generar recomendaciones basadas en evidencia para mejorar el rendimiento comercial y financiero de la empresa.
ANÁLISIS DESCRIPTIVO
1. Desempeño de Ventas
El volumen promedio de unidades vendidas es de aproximadamente 257 unidades por registro, con una desviación estándar cercana a 214 unidades, lo que evidencia una alta dispersión. Esto indica que las ventas no son homogéneas y dependen fuertemente del producto, la ubicación geográfica y el canal de venta.
La mayoria de las ventas se realizan Online, seguir por formato Outlet y finalmente en las tiendas físicas
Las ventas totales presentan un promedio de $12.455, pero con una desviación estándar de $12.716, incluso superior a la media. Este comportamiento confirma la existencia de:
Segmentos con ventas muy altas
Segmentos con ventas bajas o nulas
2. Rentabilidad
Las transacciones registradas de las ventas alcanzan un margen operativo promedio del 42.3%, con utilidades operativas que promedian los $4,894 por venta, evidenciando una fuerte correlación positiva directa entre el volumen de ventas totales y la utilidad generada.
Observamos que el calzado urbano masculino “Men’s Street Footwear” es el más rentable ya que genera un aproximado de $11.6 millones en utilidad operativa y tiene una eficiencia de 44.6% en margen operativo. Seguido de este viene la ropa de mujer “Women’s Apparel” con un margen operativo de 44.1%.
Respecto al método de ventas, el que más genera rentabilidad son las ventas canal Online, aporta la mayor utilidad total con $19.5 millones y el margen operativo más alto con 46.6%.
En cuanto a regiones, la región Oeste es la que más destaca en utilidad operativa con $13 millones y la región Sur destaca en eficiencia con un margen de ganancia de 46.6%.
Finalmente, los distribuidores West Gear y Foot Locker mueven los mayores volúmenes de ganancia bruta, es Sports Direct quien le otorga a Adidas la mejor rentabilidad porcentual por transacción, con un margen operativo promedio del 44.4%.
Librerías Necesarias
# Cargar librerías necesarias
library(readxl)
library(dplyr)
library(ggplot2)
library(plotly)
library(knitr)
library(kableExtra)
library(tidyr)
library(tidyverse)
library(RecordLinkage)
library(leaflet)
library(htmltools)
library(corrplot)3. Datos Caso 1 de Adidas
#Cargar datos desde el archivo Excel
datos_col <- read_excel("DatosCaso1.xlsx")
# Ver las primeras filas de los datos
class(datos_col) ## [1] "tbl_df" "tbl" "data.frame"colnames(datos_col) ## [1] "distribuidor" "region" "estado"
## [4] "ciudad" "producto" "precio_unidad"
## [7] "unidades_vendidas" "ventas_total" "utilidad_operativa"
## [10] "margen_operativo" "metodo_venta"head(datos_col)| 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 |
4. Indicadores de Centralidad y Dispersión
# Resumen estadístico de las variables financieras
resumen <- datos_col %>%
select(distribuidor,region,estado,ciudad, producto,precio_unidad,unidades_vendidas,ventas_total,utilidad_operativa,margen_operativo,metodo_venta) %>%
summary()
resumen## distribuidor region estado ciudad
## Length:9648 Length:9648 Length:9648 Length:9648
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## producto precio_unidad unidades_vendidas ventas_total
## Length:9648 Min. : 7.00 Min. : 0.0 Min. : 0
## Class :character 1st Qu.: 35.00 1st Qu.: 106.0 1st Qu.: 4065
## Mode :character Median : 45.00 Median : 176.0 Median : 7804
## Mean : 45.22 Mean : 256.9 Mean :12455
## 3rd Qu.: 55.00 3rd Qu.: 350.0 3rd Qu.:15864
## Max. :110.00 Max. :1275.0 Max. :82500
## utilidad_operativa margen_operativo metodo_venta
## Min. : 0 Min. :0.100 Length:9648
## 1st Qu.: 1753 1st Qu.:0.350 Class :character
## Median : 3263 Median :0.410 Mode :character
## Mean : 4895 Mean :0.423
## 3rd Qu.: 6192 3rd Qu.:0.490
## Max. :39000 Max. :0.800Interpretación de Resumen Estadístico
La base de datos contiene 9.648 registros de ventas, lo que indica un volumen amplio de información suficiente para realizar análisis estadísticos confiables. Incluye variables categóricas como distribuidor, región, estado, ciudad, producto y método de venta, así como variables numéricas relacionadas con el desempeño comercial. En cuanto al precio por unidad, oscila entre 7 y 110, con un promedio de 45.22 y una mediana de 45, lo que muestra que los precios están relativamente concentrados y no presentan grandes distorsiones. Respecto a las unidades vendidas, el promedio es de 256.9 y la mediana de 176, con un máximo de 1.275 y valores mínimos de 0, lo que sugiere que existen ventas muy altas que elevan el promedio y posiblemente algunos registros sin ventas efectivas. Las ventas totales presentan un promedio de 12.455 y una mediana de 7.804, alcanzando valores máximos de 82.500, lo que evidencia una distribución sesgada hacia la derecha donde pocas ventas generan ingresos extraordinariamente altos. En términos de rentabilidad, la utilidad operativa tiene un promedio de 4.895 y un máximo de 39.000, indicando que la empresa obtiene ganancias importantes, aunque concentradas en ciertos casos. Finalmente, el margen operativo promedio es de 42.3%, con valores entre 10% y 80%, lo que refleja un negocio globalmente rentable pero con variaciones significativas según el producto, la región o el tipo de venta. En conjunto, los datos muestran una empresa con precios estables, alta rentabilidad y presencia de clientes o mercados clave que impulsan gran parte de los ingresos y utilidades.
5.. Medidas claves
datos_col %>%
summarise(
Ventas_Promedio = mean(ventas_total),
Ventas_Mediana = median(ventas_total),
Desv_Estandar_Ventas = sd(ventas_total),
Min_Ventas = min(ventas_total),
Max_Ventas = max(ventas_total),
Unidades_Promedio = mean(unidades_vendidas),
Desv_Unidades = sd(unidades_vendidas)
)| Ventas_Promedio | Ventas_Mediana | Desv_Estandar_Ventas | Min_Ventas | Max_Ventas | Unidades_Promedio | Desv_Unidades |
|---|---|---|---|---|---|---|
| 12455.08 | 7803.5 | 12716.39 | 0 | 82500 | 256.93 | 214.252 |
Interpretacion de Medidas clave
Los resultados muestran que las ventas promedio son de 12.455,08, mientras que la mediana es de 7.803,5. Esto indica que la mayoría de las ventas se sitúan por debajo del promedio y que existen algunas ventas muy altas que elevan la media, generando una distribución sesgada hacia valores grandes. La desviación estándar de las ventas es de 12.716,39, lo cual refleja una alta variabilidad; es decir, las ventas no son uniformes y cambian considerablemente entre un registro y otro. Además, el valor mínimo es 0 y el máximo alcanza 82.500, lo que confirma la existencia tanto de ventas muy bajas o nulas como de operaciones extremadamente altas.
En cuanto a las unidades vendidas, el promedio es de 256,93 con una desviación estándar de 214,252, lo que también evidencia una variación importante en las cantidades vendidas. Esto sugiere que no todas las ventas tienen el mismo volumen y que algunas operaciones involucran grandes cantidades de productos, mientras que otras son mucho más pequeñas. En conjunto, los datos muestran un comportamiento heterogéneo, donde unas pocas ventas de gran magnitud influyen fuertemente en los promedios generales de la empresa.
GRÁFICOS INTERPRETADOS
1. Histograma
ggplot(datos_col, aes(x = ventas_total)) +
geom_histogram(bins = 30) +
theme_minimal()
Interpretacion de Histograma
El histograma de ventas_totales muestra que la mayor parte de las ventas se concentra en valores bajos y medios, principalmente por debajo de 20.000. A medida que aumentan los valores de ventas, la frecuencia disminuye notablemente, lo que indica que hay pocas ventas muy altas. La distribución presenta una asimetría positiva (sesgada a la derecha), ya que existe una cola larga hacia los valores grandes que llega hasta aproximadamente 80.000.
Esto significa que la mayoría de las operaciones generan ingresos moderados, mientras que un número reducido de ventas extraordinarias eleva el total general. En otras palabras, no todas las ventas aportan lo mismo: unas pocas de gran magnitud tienen un peso importante en los ingresos de la empresa. Este comportamiento coincide con lo observado en las medidas estadísticas, donde el promedio es mayor que la mediana debido a esos valores extremos altos.
Datos de Desempeño Comercial y Rentabilidad Operativa
summary_stats <- datos_col %>%
summarise(
Precio_prom = mean(`precio_unidad`, na.rm=TRUE),
Precio_sd = sd(`precio_unidad`, na.rm=TRUE),
Unidades_prom = mean(`unidades_vendidas`, na.rm=TRUE),
Unidades_sd = sd(`unidades_vendidas`, na.rm=TRUE),
Ventas_prom = mean(`ventas_total`, na.rm=TRUE),
Ventas_sd = sd(`ventas_total`, na.rm=TRUE),
Utilidad_prom = mean(`utilidad_operativa`, na.rm=TRUE),
Utilidad_sd = sd(`utilidad_operativa`, na.rm=TRUE),
Margen_prom = mean(`margen_operativo`, na.rm=TRUE),
Margen_sd = sd(`margen_operativo`, na.rm=TRUE)
)
kable(summary_stats, digits=2)| Precio_prom | Precio_sd | Unidades_prom | Unidades_sd | Ventas_prom | Ventas_sd | Utilidad_prom | Utilidad_sd | Margen_prom | Margen_sd |
|---|---|---|---|---|---|---|---|---|---|
| 45.22 | 14.71 | 256.93 | 214.25 | 12455.08 | 12716.39 | 4894.79 | 4866.46 | 0.42 | 0.1 |
2. Datos Estadísticos del Precio por unidad
#precio por unidad
precio_stats <- datos_col %>%
summarise(
Media = mean(`precio_unidad`),
Mediana = median(`precio_unidad`),
SD = sd(`precio_unidad`),
Min = min(`precio_unidad`),
Max = max(`precio_unidad`),
CV = sd(`precio_unidad`) / mean(`precio_unidad`)
)
kable(precio_stats, digits=2)| Media | Mediana | SD | Min | Max | CV |
|---|---|---|---|---|---|
| 45.22 | 45 | 14.71 | 7 | 110 | 0.33 |
Interpretacion Precio por unidad
Los resultados del precio por unidad muestran que el precio promedio es de 45,22 y la mediana es 45, lo que indica que los precios están bastante equilibrados y no presentan una gran distorsión por valores extremos. La desviación estándar es de 14,71, lo que refleja una variación moderada en los precios entre los diferentes productos o ventas. El precio mínimo es 7 y el máximo 110, evidenciando que existen productos tanto económicos como de mayor valor dentro del portafolio.
El coeficiente de variación (CV) es 0,33 (33%), lo que sugiere una dispersión moderada respecto al promedio; es decir, aunque hay diferencias de precios, estas no son excesivas. En conjunto, se puede interpretar que la empresa maneja una estructura de precios relativamente estable, con cierta diversidad de productos en distintos rangos, pero sin una variabilidad extrema.
Grafica precio por unidad
#grafica precio por unidad
ggplot(datos_col, aes(x=`precio_unidad`)) +
geom_histogram(bins=30, fill="purple", color="purple4", alpha=0.7) +
theme_minimal()+
labs(title="GRAFICA PRECIO POR UNIDAD",
x="precio por unidad",
y="Frecuencia")
Interpretación
La mayoria de los clientes de Adidas compran productos entre 30 dolares y 60 dolares,con un punto más alto alrededor de los 45,.su estrategia se basa en vendes cantidades altas de productos a un precio promedio.La distribución presenta una ligera asimetría hacia la derecha, ya que hay menos productos con precios muy altos, pero estos se extienden hasta cerca de 100 o más. También se observan pocos precios muy bajos. En general, esto sugiere que la empresa maneja principalmente precios intermedios, con algunos productos más costosos que amplían el rango, pero sin ser la mayoría. La forma de la gráfica confirma que los precios son relativamente estables y que no existe una dispersión extrema.
3. Datos Estadísticos de Unidades Vendidas
#unidades vendidas
unidades_stats <- datos_col %>%
summarise(
Media = mean(`unidades_vendidas`),
Mediana = median(`unidades_vendidas`),
SD = sd(`unidades_vendidas`),
CV = sd(`unidades_vendidas`) / mean(`unidades_vendidas`)
)
kable(unidades_stats, digits=2)| Media | Mediana | SD | CV |
|---|---|---|---|
| 256.93 | 176 | 214.25 | 0.83 |
Interpretacion de Datos Estadísticos de Unidades Vendidas
Se muestra que el promedio es de 256,93 mientras que la mediana es 176, lo que indica que la mayoría de las ventas tiene cantidades menores al promedio y que existen algunas ventas con volúmenes muy altos que elevan la media. La desviación estándar es de 214,25, lo que evidencia una variabilidad considerable en las cantidades vendidas entre las diferentes operaciones.
El coeficiente de variación (CV) es 0,83 (83%), un valor alto que indica una dispersión elevada respecto al promedio. Esto significa que las unidades vendidas no son uniformes y varían ampliamente, probablemente debido a diferencias entre tipos de clientes, productos o tamaños de pedido. En conjunto, se observa que la empresa maneja ventas con volúmenes muy diversos, donde algunas operaciones de gran magnitud influyen fuertemente en los resultados generales.
Grafica de Unidades Vendidas
ggplot(datos_col, aes(x=`unidades_vendidas`)) +
geom_histogram(bins=30, fill="blue", color="darkblue", alpha=0.7) +
theme_minimal() +
labs(title="DISTRIBUCIÓN DE UNIDADES VENDIDAS",
x="Unidades vendidas",
y="Frecuencia")
Interpretación
El tamaño promedio de ventas que realiza Adidas oscila entre 100 y 350 artículos, significa que el movimiento de Adidas se centra de “pequeño a mediano”, A medida que aumentan las unidades, la frecuencia disminuye, aunque existen algunos casos aislados donde las ventas superan las 800 o incluso 1000 unidades.
La distribución está sesgada a la derecha, lo que significa que hay pocos valores muy altos que elevan el promedio. Por eso, la mediana podría representar mejor el comportamiento típico de las ventas.
4. Comparativa Regional en Ventas y Utilidades
datos_col %>%
group_by(region) %>%
summarise(
Ventas_Prom = mean(ventas_total),
Utilidad_Prom = mean(utilidad_operativa)
)| region | Ventas_Prom | Utilidad_Prom |
|---|---|---|
| Midwest | 8907.283 | 3664.501 |
| Northeast | 10554.826 | 4096.285 |
| South | 11923.238 | 5336.577 |
| Southeast | 17462.775 | 6857.075 |
| West | 14884.051 | 5317.641 |
Interpretacion de Comparativa por Región:
se observa que Southeast es la región con mayor desempeño, ya que presenta el promedio más alto tanto en ventas (17.462) como en utilidad operativa (6.857). Le sigue West, que también muestra ventas y utilidades altas, aunque menores que Southeast.
Por otro lado, Midwest es la región con menor promedio tanto en ventas (8.907) como en utilidad (3.664), lo que indica un desempeño más bajo en comparación con las demás regiones. Northeast y South se encuentran en un punto intermedio, aunque South destaca porque su utilidad es relativamente alta frente a su nivel de ventas.
En general, se evidencia que las regiones con mayores ventas también tienden a tener mayores utilidades, lo que sugiere una relación directa entre ambas variables. Estratégicamente, Southeast y West podrían considerarse regiones clave para el negocio, mientras que Midwest podría requerir estrategias de fortalecimiento.
Grafica de Comparativa por Región
ggplot(datos_col, aes(x = region, y = ventas_total)) +
geom_boxplot() +
theme_minimal()
Interpretacion
Se observa claramente que Southeast tiene la mediana más alta, lo que confirma que, en general, vende más que las demás regiones. Además, su caja es más grande, lo que indica mayor variabilidad en las ventas (es decir, hay más dispersión).
West también presenta una mediana alta, aunque menor que Southeast, y muestra bastante dispersión. South y Northeast se encuentran en un nivel intermedio, mientras que Midwest tiene la mediana más baja, lo que confirma que es la región con menor nivel típico de ventas.
En todas las regiones se observan muchos valores atípicos (puntos por encima de los bigotes), lo que indica que existen ventas excepcionalmente altas.
5. Datos Estadísticos de Ventas Totales
#ventas totales
ventas_stats <- datos_col %>%
summarise(
Media = mean(`ventas_total`),
SD = sd(`ventas_total`),
Total = sum(`ventas_total`)
)
kable(ventas_stats, digits=2)| Media | SD | Total |
|---|---|---|
| 12455.08 | 12716.39 | 120166650 |
Interpretación de Ventas totales
Las ventas totales acumuladas de Adidas en este conjunto de datos representan un ingreso global de $120.1 millones, con un valor promedio de $12,455 por transacción.
El hallazgo más relevante es que la desviación estándar ($12,716) supera al propio promedio. Esto indica una altísima variabilidad en los ingresos: el negocio de Adidas combina muchísimas transacciones de valor pequeño o mediano con unas cuantas ventas gigantescas (como pedidos corporativos o masivos). Son estas pocas ventas extraordinarias las que terminan inflando el promedio general.
6.Participación de Productos en las Ventas Totales
#Participacion por producto
participacion_producto <- datos_col %>%
group_by(producto) %>%
summarise(Ventas = sum(`ventas_total`)) %>%
mutate(Participacion = Ventas / sum(Ventas) * 100) %>%
arrange(desc(Participacion))
kable(participacion_producto, digits=2)| producto | Ventas | Participacion |
|---|---|---|
| Men’s Street Footwear | 27680769 | 23.04 |
| Women’s Apparel | 23870985 | 19.86 |
| Men’s Athletic Footwear | 20577180 | 17.12 |
| Women’s Street Footwear | 17201563 | 14.31 |
| Men’s Apparel | 16520632 | 13.75 |
| Women’s Athletic Footwear | 14315521 | 11.91 |
Interpretación de Participación en Ventas
Las ventas de Adidas están fuertemente concentradas en dos categorías principales que, en conjunto, generan casi el 43% de los ingresos totales: el calzado urbano masculino (23.04%) y la ropa femenina (19.86%). Comercialmente, esto demuestra que el mayor motor de ingresos actual de la marca no es el calzado de alto rendimiento deportivo, sino sus líneas de estilo de vida urbano (Streetwear) y la indumentaria para mujer.
Gráfica Participación por Producto
#Grafica participacion por producto
ggplot(participacion_producto, aes(x=reorder(producto, Participacion), y=Participacion)) +
geom_col(fill="darkgreen") +
coord_flip() +
theme_minimal()+
labs(title="PARTICIPACIÓN POR PRODUCTO",
x="Línea de Producto",
y="Participación")
Interpretación
La categoría estrella de Adidas es Men’s Street Footwear, seguido de Women’s Apparel, esto quiere decir que los clientes hombres buscan a Adidas principalmente por sus calzados y las clientes mujeres eligen Adidas por su vestimenta.
7.Análisis de Rentabilidad
7.1 Estadísticas Descriptivas Generales de la Utilidad Operativa
rentabilidad_general <- datos_col %>%
summarise(
Utilidad_Promedio = mean(utilidad_operativa, na.rm = TRUE),
Utilidad_Mediana = median(utilidad_operativa, na.rm = TRUE),
SD_Utilidad = sd(utilidad_operativa, na.rm = TRUE),
Min_Utilidad = min(utilidad_operativa, na.rm = TRUE),
Max_Utilidad = max(utilidad_operativa, na.rm = TRUE)
)
kable(rentabilidad_general, digits = 2,
caption = "Estadísticas Descriptivas Generales de la Utilidad Operativa")| Utilidad_Promedio | Utilidad_Mediana | SD_Utilidad | Min_Utilidad | Max_Utilidad |
|---|---|---|---|---|
| 4894.79 | 3262.98 | 4866.46 | 0 | 39000 |
Interpretacion de Utilidad Operativa General
La utilidad operativa promedio (4.894) es considerablemente mayor que la mediana (3.262), lo que indica que existen algunas utilidades muy altas que están elevando el promedio.
La desviación estándar es casi del mismo tamaño que la media, lo que evidencia una alta variabilidad en las utilidades.
El mínimo es 0, lo que significa que existen operaciones donde no se generó utilidad. El máximo (39.000) es bastante elevado frente al promedio, confirmando que hay casos extraordinarios que impactan fuertemente los resultados generales.
En conclusión: La empresa sí genera utilidades positivas en general Pero las utilidades no son homogéneas Existen operaciones muy rentables que influyen fuertemente en la media
Gráfica de Utilidad Operativa General
ggplot(datos_col, aes(x=`utilidad_operativa`)) +
geom_histogram(bins=30, fill="tan", color="brown4", alpha=0.7) +
theme_minimal() +
labs(title="DISTRIBUCIÓN DEL UTILIDAD OPERATIVA",
x="Utilidad Operativa",
y="Frecuencia")
7.2. Estadísticas Descriptivas Generales de Margen Operativo
#margen operativo
margen_stats <- datos_col %>%
summarise(
Media = mean(`margen_operativo`),
Mediana = median(`margen_operativo`),
SD = sd(`margen_operativo`),
Min = min(`margen_operativo`),
Max = max(`margen_operativo`),
CV = sd(`margen_operativo`) / mean(`margen_operativo`)
)
kable(margen_stats, digits=4)| Media | Mediana | SD | Min | Max | CV |
|---|---|---|---|---|---|
| 0.423 | 0.41 | 0.0972 | 0.1 | 0.8 | 0.2298 |
Interpretacion de Margen Operativo General
El margen promedio del 42,3% es bastante alto, lo que indica que la empresa logra conservar una buena proporción de ingresos como utilidad operativa.
La mediana (41%) es muy cercana al promedio, lo que sugiere que el margen es relativamente estable y no está tan afectado por valores extremos como la utilidad.
La desviación estándar (9,7%) muestra que sí existe variación, pero no es exagerada.
Conclusión: La empresa mantiene una rentabilidad relativamente consistente No depende tanto de casos extremos en términos porcentuales El negocio es estructuralmente rentable
Gráfica Margen Operativo
#Grafica margen operativo
ggplot(datos_col, aes(x=`margen_operativo`)) +
geom_histogram(bins=30, fill="green", color="darkgreen", alpha=0.7) +
theme_minimal() +
labs(title="DISTRIBUCIÓN DEL MARGEN OPERATIVO",
x="Margen Operativo (%)",
y="Frecuencia")
Interpretación
El análisis de precios de Adidas demuestra que su volumen de negocios no depende de la venta de articulos de lujo, sino de mantenerse con precios accesibles. Mayor concentración entre 0,35 y 0,50
No se ven extremos exagerados
Distribución relativamente equilibrada
Esto confirma que: ✔ El margen es estable ✔ No hay una dispersión extrema ✔ La rentabilidad porcentual es más constante que la utilidad en valores absolutos
8. Top 5 Productos Más Rentables
#Ranking Top 5 Productos Más Rentables
top_utilidad <- datos_col %>%
group_by(producto) %>%
summarise(Utilidad = mean(`utilidad_operativa`)) %>%
arrange(desc(Utilidad)) %>%
head(5)
kable(top_utilidad, digits=2)| producto | Utilidad |
|---|---|
| Men’s Street Footwear | 7223.01 |
| Women’s Apparel | 6023.15 |
| Men’s Athletic Footwear | 4619.54 |
| Women’s Street Footwear | 4038.57 |
| Men’s Apparel | 3973.48 |
Interpretación de los 5 Productos Más Rentables
El análisis de rentabilidad promedio revela que el calzado urbano masculino “Men’s Street Footwear” es el producto más lucrativo, generando una utilidad operativa promedio de $7,223 por transacción. En segundo lugar destaca la ropa femenina (Women’s Apparel), aportando $6,023 de ganancia promedio por registro.
Comercialmente, este ranking confirma un patrón claro: las líneas enfocadas en moda urbana y estilo de vida (Streetwear y Apparel) son significativamente más rentables por operación para Adidas que sus líneas de calzado estrictamente deportivo (Athletic Footwear), las cuales generan utilidades promedio considerablemente menores.
9. Utilidad Operativa Total Promedio
#Utilidad operativa Total y promedio
rentabilidad_region <- datos_col %>%
group_by(region) %>%
summarise(
Ventas_Totales = sum(ventas_total, na.rm = TRUE),
Utilidad_Total = sum(utilidad_operativa, na.rm = TRUE),
Utilidad_Promedio = mean(utilidad_operativa, na.rm = TRUE),
Margen_Promedio = mean(margen_operativo, na.rm = TRUE),
SD_Utilidad = sd(utilidad_operativa, na.rm = TRUE)
) %>%
arrange(desc(Utilidad_Total))
kable(rentabilidad_region, digits = 2,
caption = "Rentabilidad por región")| region | Ventas_Totales | Utilidad_Total | Utilidad_Promedio | Margen_Promedio | SD_Utilidad |
|---|---|---|---|---|---|
| West | 36436157 | 13017584 | 5317.64 | 0.40 | 4476.03 |
| Northeast | 25078267 | 9732774 | 4096.29 | 0.41 | 4477.00 |
| South | 20603356 | 9221605 | 5336.58 | 0.47 | 5298.66 |
| Southeast | 21374436 | 8393059 | 6857.07 | 0.42 | 6285.75 |
| Midwest | 16674434 | 6859945 | 3664.50 | 0.44 | 3669.33 |
Interpretación de los Datos de Utilidad Operativa Total Promedio
Si el CV > 30% → alta volatilidad en utilidades. Alta desviación indica que la rentabilidad no es homogénea.
Grafica Utilidad total por region
ggplot(rentabilidad_region,
aes(x = reorder(region, Utilidad_Total),
y = Utilidad_Total)) +
geom_col() +
coord_flip() +
theme_minimal() +
labs(title = "Utilidad Total por Región",
x = "Región",
y = "Utilidad Total")
Interpretación
El gráfico evidencia que la región Oeste (West) es el principal motor geográfico de rentabilidad para Adidas, liderando de forma contundente al generar aproximadamente $13 millones en utilidad operativa total.
En contraste, la región del Medio Oeste (Midwest) registra el nivel más bajo de utilidades acumuladas. Comercialmente, esta disparidad sugiere que la penetración de mercado, los acuerdos con distribuidores o las estrategias de precios son sumamente exitosos en la costa oeste, pero requieren una revisión o un impulso estratégico en la zona central (Midwest) para intentar replicar ese éxito y equilibrar los ingresos a nivel nacional.
Grafica Margen Promedio por region
ggplot(rentabilidad_region,
aes(x = reorder(region, Margen_Promedio),
y = Margen_Promedio)) +
geom_col() +
coord_flip() +
theme_minimal() +
labs(title = "Margen Promedio por Región",
x = "Región",
y = "Margen Operativo Promedio")
Interpretación
El gráfico revela una dinámica fascinante sobre la eficiencia operativa por zona geográfica. La región Sur (South) lidera en rentabilidad porcentual, alcanzando el margen operativo promedio más alto de todo el país (cercano al 46%).
Comercialmente, el hallazgo más estratégico surge al contrastar este dato con la utilidad total: aunque la región Oeste (West) genera la mayor cantidad de dinero en volumen total, resulta ser la región con el margen promedio más bajo (rondando el 40%). Esto indica que Adidas opera bajo una estrategia de “ganancia por volumen” en la costa oeste (posiblemente enfrentando mayores costos operativos, más competencia o aplicando más descuentos), mientras que en el Sur opera con una altísima eficiencia, reteniendo un porcentaje mucho mayor de ganancia pura por cada transacción individual realizada.
10. Matriz de Correlación de Variables Comerciales
numericas <- datos_col %>%
select(`precio_unidad`,
`unidades_vendidas`,
`ventas_total`,
`utilidad_operativa`,
`margen_operativo`)
cor_matrix <- cor(numericas)
corrplot(cor_matrix, method="color", addCoef.col="black")
Interpretación
Adidas mantiene una rentabilidad estable positiva, sus operaciones altas generan un margen operativo entre 35% y 50%, esto refleja que tienen una excelente fijación de precios y control de sus costos.
11. Correlacion Por Region
cor_region <- datos_col %>%
group_by(region) %>%
summarise(
Correlacion_Ventas_Utilidad =
cor(ventas_total, utilidad_operativa,
use = "complete.obs")
)
kable(cor_region, digits = 3)| region | Correlacion_Ventas_Utilidad |
|---|---|
| Midwest | 0.961 |
| Northeast | 0.955 |
| South | 0.964 |
| Southeast | 0.948 |
| West | 0.892 |
interpretación de Correlación Por región
La tabla confirma que en todas las regiones existe una correlación positiva excepcionalmente fuerte (superior a 0.89) entre las ventas totales y la utilidad operativa. Esto reafirma que, a nivel nacional, el modelo de negocio de Adidas es altamente predecible: si las ventas suben, las ganancias también lo hacen.
12. Relacion entre Ventas y Utilidad (Por region)
cor(datos_col$ventas_total, datos_col$utilidad_operativa, use = "complete.obs")## [1] 0.9353717interpretación de Relacion de Ventas y Utilidades por Región
La correlación global de 0.935 indica una relación positiva casi perfecta entre ventas y utilidad. Comercialmente, esto demuestra que el modelo de Adidas es altamente eficiente y escalable: tienen un control de costos tan estricto que cualquier aumento en las ventas se traduce de manera directa y proporcional en ganancias puras.
Grafico de Relación entre Ventas Totales y Utilidad Operativa
ggplot(datos_col, aes(x = ventas_total, y = utilidad_operativa)) + geom_point() + geom_smooth(method = "lm") + theme_minimal() + labs(title = "Relación entre Ventas Totales y Utilidad Operativa", x = "Ventas Totales", y = "Utilidad Operativa")
Interpretación
El gráfico confirma visualmente la fuerte relación positiva entre ventas y ganancias, demostrando que el modelo comercial de Adidas es altamente escalable y predecible. Sin embargo, a medida que el volumen de ventas aumenta (especialmente por encima de los $40,000), los puntos se dispersan formando un abanico, lo que revela una mayor volatilidad en la utilidad operativa. Esto indica que, aunque las transacciones pequeñas o medianas mantienen márgenes estandarizados, las ventas masivas probablemente enfrentan descuentos por volumen o variaciones en los costos logísticos que hacen fluctuar la ganancia final de la operación.
13. Análisis Segmentado Estratégico
#Region + producto
combo <- datos_col %>%
group_by(region, producto) %>%
summarise(
Ventas = sum(`ventas_total`),
Margen = mean(`margen_operativo`)
)
kable(head(combo), digits=2)| region | producto | Ventas | Margen |
|---|---|---|---|
| Midwest | Men’s Apparel | 2223786 | 0.45 |
| Midwest | Men’s Athletic Footwear | 2619289 | 0.41 |
| Midwest | Men’s Street Footwear | 4707360 | 0.44 |
| Midwest | Women’s Apparel | 3453008 | 0.49 |
| Midwest | Women’s Athletic Footwear | 1673543 | 0.42 |
| Midwest | Women’s Street Footwear | 1997448 | 0.40 |
Interpretación de análisis segmentado estratégico La tabla demuestra que el mayor volumen de ventas no equivale a la mayor eficiencia. Tomando el Midwest como referencia, el Calzado Urbano Masculino lidera ampliamente en ingresos con $4.7 millones, pero opera con un margen del 44%. En contraste, la Ropa Femenina genera menos volumen ($3.4 millones), pero es el producto más eficiente de la región al retener el margen más alto (49%).
Estratégicamente, esto significa que Adidas debe manejar dos enfoques simultáneos: usar el calzado masculino para traccionar ingresos masivos y usar la indumentaria femenina para maximizar la rentabilidad pura.
14. Identificación de Region Estratégica
rentabilidad_region <- rentabilidad_region %>%
mutate(
Rentabilidad_Sobre_Ventas = Utilidad_Total / Ventas_Totales
)
kable(rentabilidad_region, digits = 4,
caption = "Rentabilidad relativa por región")| region | Ventas_Totales | Utilidad_Total | Utilidad_Promedio | Margen_Promedio | SD_Utilidad | Rentabilidad_Sobre_Ventas |
|---|---|---|---|---|---|---|
| West | 36436157 | 13017584 | 5317.641 | 0.3967 | 4476.035 | 0.3573 |
| Northeast | 25078267 | 9732774 | 4096.285 | 0.4105 | 4477.003 | 0.3881 |
| South | 20603356 | 9221605 | 5336.577 | 0.4669 | 5298.659 | 0.4476 |
| Southeast | 21374436 | 8393059 | 6857.074 | 0.4192 | 6285.748 | 0.3927 |
| Midwest | 16674434 | 6859945 | 3664.501 | 0.4353 | 3669.333 | 0.4114 |
Interpretación de identificación de región estratégica
La tabla evidencia una clara asimetría entre el volumen masivo y la eficiencia financiera regional de Adidas. Mientras que la región Oeste (West) lidera abrumadoramente en facturación con $36.4 millones y $13 millones en utilidad total, resulta ser la zona menos eficiente, operando con el margen promedio más bajo (39.6%) y la menor rentabilidad sobre ventas (35.7%). En marcado contraste, la región Sur (South), a pesar de facturar casi la mitad ($20.6 millones), presenta el modelo más optimizado al retener el mayor margen operativo (46.6%) y la máxima rentabilidad sobre ventas (44.7%), demostrando que su estrategia maximiza la ganancia pura por transacción frente al modelo de alto volumen y márgenes sacrificados del Oeste.
Gráfica de Precio por Volumen
#precio por volumen
ggplot(datos_col, aes(x=`precio_unidad`, y=`unidades_vendidas`)) +
geom_point(alpha=0.6) +
geom_smooth(method="lm", se=FALSE, color="red") +
theme_minimal()+
labs(title="PRECIO POR VOLUMEN")
Interpretación
Los productos de menor precio tienen una mayor rotación en volumen, mientras que los artículos premium se mueven en lotes más pequeños. Sin embargo, el núcleo operativo de Adidas no depende de estos extremos, sino que se sostiene sólidamente en la zona media, donde los clientes encuentran un equilibrio ideal entre un precio accesible y un volumen de compra moderado.
15. Precio vs Margen
#precio vs margen
ggplot(datos_col, aes(x=`precio_unidad`, y=`margen_operativo`)) +
geom_point(alpha=0.6) +
geom_smooth(method="lm", se=FALSE, color="blue") +
theme_minimal() +
labs(title="PRECIO VS MARGEN OPERATIVO")
Interpretación Precio vs Margen
La rentabilidad de Adidas se apoya en una estructura de costos altamente eficiente y estandarizada.La empresa es capaz de mantener márgenes operativos entre 35% y 50%, dentro de su rango de precios de mayor rotación entre $35 - $55.
16. Analisis de Rentabilidad vs Volumen
datos_col %>%
group_by(producto) %>%
summarise(
Ventas = sum(ventas_total),
Utilidad = sum(utilidad_operativa),
Margen_Prom = mean(margen_operativo)
)| producto | Ventas | Utilidad | Margen_Prom |
|---|---|---|---|
| Men’s Apparel | 16520632 | 6381405 | 0.4132254 |
| Men’s Athletic Footwear | 20577180 | 7437457 | 0.4027019 |
| Men’s Street Footwear | 27680769 | 11629046 | 0.4461304 |
| Women’s Apparel | 23870985 | 9685221 | 0.4413184 |
| Women’s Athletic Footwear | 14315521 | 5597822 | 0.4243587 |
| Women’s Street Footwear | 17201563 | 6494017 | 0.4101990 |
Interpretación de Análisis de Rentabilidad vs Volumen
El análisis de rentabilidad versus volumen revela una alineación óptima en el portafolio de Adidas, donde sus productos de mayor rotación son simultáneamente los más eficientes. El calzado urbano masculino (Men’s Street Footwear) es el líder absoluto del negocio, registrando el mayor volumen de ventas (superando los $27.6 millones), la máxima utilidad ($11.6 millones) y el margen operativo más alto de la marca (44.6%). Este sólido desempeño es secundado por la ropa femenina (Women’s Apparel), que aporta $23.8 millones en ventas conservando un excelente margen del 44.1%. En contraste estratégico, las categorías estrictamente deportivas operan con menor eficiencia; destaca el caso del calzado atlético masculino (Men’s Athletic Footwear), el cual, a pesar de generar un alto volumen de ventas ($20.5 millones), retiene el margen promedio más bajo de toda la tabla (40.2%).
17. ComparaciÓn por RegiÓn y Método de Venta
rentabilidad_canal_region <- datos_col %>%
group_by(region, metodo_venta) %>%
summarise(
Utilidad_Total = sum(utilidad_operativa, na.rm = TRUE),
Margen_Promedio = mean(margen_operativo, na.rm = TRUE)
) %>%
arrange(desc(Utilidad_Total))
kable(rentabilidad_canal_region, digits = 3,
caption = "Rentabilidad por Región y Método de Venta")| region | metodo_venta | Utilidad_Total | Margen_Promedio |
|---|---|---|---|
| Southeast | Online | 5080401.6 | 0.449 |
| West | Online | 4942152.2 | 0.439 |
| South | Outlet | 4936917.1 | 0.448 |
| West | Outlet | 4580344.3 | 0.367 |
| Northeast | In-store | 4254420.0 | 0.356 |
| South | Online | 4149888.2 | 0.488 |
| West | In-store | 3495087.5 | 0.340 |
| Northeast | Outlet | 3231522.2 | 0.375 |
| Midwest | Online | 3133264.0 | 0.470 |
| Southeast | In-store | 2558256.2 | 0.349 |
| Midwest | In-store | 2316565.0 | 0.371 |
| Northeast | Online | 2246831.6 | 0.479 |
| Midwest | Outlet | 1410116.2 | 0.388 |
| Southeast | Outlet | 754401.3 | 0.378 |
| South | In-store | 134800.0 | 0.402 |
Interpretación de Comparación de Región y Método de Venta
El análisis cruzado entre región y canal de venta revela que el comercio electrónico (Online) es indiscutiblemente el método más eficiente para la compañía. Las ventas Online en la región Sureste (Southeast) lideran la generación de ingresos netos con más de $5 millones en utilidad total, mientras que el mismo canal en la región Sur (South) registra el margen operativo promedio más alto de toda la tabla (48.8%). En marcado contraste, las ventas en tiendas físicas (In-store) presentan consistentemente los márgenes más bajos a nivel nacional, cayendo hasta un 34% de rentabilidad promedio en la región Oeste (West). Estratégicamente, estos datos demuestran que los canales digitales maximizan la retención de ganancias puras, frente a la ineficiencia y los altos costos operativos que representa mantener puntos de venta físicos.
Grafica Utilidad Total por Región y Método de Venta
ggplot(rentabilidad_canal_region,
aes(x = region, y = Utilidad_Total, fill = metodo_venta)) +
geom_col(position = "dodge") +
theme_minimal() +
labs(title = "Utilidad Total por Región y Método de Venta",
x = "Región",
y = "Utilidad Total")
Interpretación
Este gráfico de barras revela una especialización regional de los canales de venta: el canal Online (verde) es el motor de rentabilidad más sólido, alcanzando su pico máximo en la región Southeast y manteniendo un liderazgo claro en el West y Midwest. En contraste, la utilidad en el South depende casi exclusivamente de los Outlets (azul), mientras que el Northeast es la única zona donde las ventas físicas In-store (rojo) superan a los demás métodos. En términos agregados, las estrategias digitales dominan la generación de valor en el sur y el oeste, mientras que el noreste conserva un perfil de consumo tradicionalmente físico.
18. Clasificación Estratégica de Regiones
rentabilidad_region <- rentabilidad_region %>%
mutate(
Clasificacion = case_when(
Margen_Promedio > mean(Margen_Promedio) &
Utilidad_Total > mean(Utilidad_Total) ~ "Región Estratégica",
Margen_Promedio < mean(Margen_Promedio) &
Utilidad_Total > mean(Utilidad_Total) ~ "Alto Volumen - Bajo Margen",
Margen_Promedio > mean(Margen_Promedio) &
Utilidad_Total < mean(Utilidad_Total) ~ "Nicho Rentable",
TRUE ~ "Región Débil"
)
)
kable(rentabilidad_region, digits = 3,
caption = "Clasificación Estratégica de Regiones")| region | Ventas_Totales | Utilidad_Total | Utilidad_Promedio | Margen_Promedio | SD_Utilidad | Rentabilidad_Sobre_Ventas | Clasificacion |
|---|---|---|---|---|---|---|---|
| West | 36436157 | 13017584 | 5317.641 | 0.397 | 4476.035 | 0.357 | Alto Volumen - Bajo Margen |
| Northeast | 25078267 | 9732774 | 4096.285 | 0.410 | 4477.003 | 0.388 | Alto Volumen - Bajo Margen |
| South | 20603356 | 9221605 | 5336.577 | 0.467 | 5298.659 | 0.448 | Nicho Rentable |
| Southeast | 21374436 | 8393059 | 6857.075 | 0.419 | 6285.748 | 0.393 | Región Débil |
| Midwest | 16674434 | 6859945 | 3664.501 | 0.435 | 3669.333 | 0.411 | Nicho Rentable |
Interpretación de Clasificación Estratégica de Regiones
Esta tabla de Clasificación Estratégica segmenta el desempeño regional combinando volumen de beneficios y eficiencia operativa: las regiones West y Northeast se identifican como “Alto Volumen - Bajo Margen”, ya que generan las mayores utilidades totales (lideradas por el West con más de 13 millones) pero operan con los márgenes promedio más bajos (0.397 y 0.410 respectivamente). Por otro lado, el South y el Midwest actúan como “Nichos Rentables”, pues aunque su utilidad total es menor, presentan una eficiencia superior con márgenes de 0.467 y 0.435. Finalmente, el Southeast queda clasificado como “Región Débil” al situarse por debajo de los umbrales críticos de utilidad y margen en comparación con el desempeño global del conjunto.
19. Mapa Estratégico Región + Producto
datos_col %>%
group_by(region, producto) %>%
summarise(
Ventas = sum(ventas_total),
Utilidad = sum(utilidad_operativa)
)| region | producto | Ventas | Utilidad |
|---|---|---|---|
| Midwest | Men’s Apparel | 2223786 | 937479.3 |
| Midwest | Men’s Athletic Footwear | 2619289 | 970070.7 |
| Midwest | Men’s Street Footwear | 4707360 | 1948621.5 |
| Midwest | Women’s Apparel | 3453008 | 1585771.9 |
| Midwest | Women’s Athletic Footwear | 1673543 | 659186.7 |
| Midwest | Women’s Street Footwear | 1997448 | 758815.2 |
| Northeast | Men’s Apparel | 3475037 | 1183786.1 |
| Northeast | Men’s Athletic Footwear | 3895862 | 1474713.4 |
| Northeast | Men’s Street Footwear | 6841324 | 3030663.5 |
| Northeast | Women’s Apparel | 5045208 | 1917008.3 |
| Northeast | Women’s Athletic Footwear | 2668013 | 976505.5 |
| Northeast | Women’s Street Footwear | 3152823 | 1150097.2 |
| South | Men’s Apparel | 2811194 | 1102713.3 |
| South | Men’s Athletic Footwear | 3647045 | 1504995.5 |
| South | Men’s Street Footwear | 4048261 | 1738371.9 |
| South | Women’s Apparel | 4224937 | 2199137.0 |
| South | Women’s Athletic Footwear | 2629097 | 1277839.1 |
| South | Women’s Street Footwear | 3242822 | 1398548.5 |
| Southeast | Men’s Apparel | 3183237 | 1147871.7 |
| Southeast | Men’s Athletic Footwear | 3653645 | 1333466.5 |
| Southeast | Men’s Street Footwear | 4693836 | 2003885.7 |
| Southeast | Women’s Apparel | 4109786 | 1887044.9 |
| Southeast | Women’s Athletic Footwear | 2674048 | 976673.4 |
| Southeast | Women’s Street Footwear | 3059884 | 1044116.8 |
| West | Men’s Apparel | 4827378 | 2009554.9 |
| West | Men’s Athletic Footwear | 6761339 | 2154210.9 |
| West | Men’s Street Footwear | 7389988 | 2907503.0 |
| West | Women’s Apparel | 7038046 | 2096258.4 |
| West | Women’s Athletic Footwear | 4670820 | 1707617.8 |
| West | Women’s Street Footwear | 5748586 | 2142439.1 |
Interpretación de Mapa Estratégico Región + Producto
Este conjunto de datos presenta un análisis comparativo de ventas y utilidades por categoría de producto en las regiones Midwest y Northeast, destacando un desempeño sobresaliente en la categoría de calzado urbano masculino (“Men’s Street Footwear”), la cual lidera tanto en ingresos como en beneficios económicos en ambas zonas geográficas. Se observa una tendencia general donde los productos de la línea “Street Footwear” superan significativamente a los de “Athletic Footwear” en términos de rentabilidad, mientras que, al contrastar las regiones, el Northeast muestra un volumen de actividad comercial considerablemente mayor, alcanzando cifras de ventas que superan los 6.8 millones de dólares y utilidades por encima de los 3 millones en su categoría más fuerte, consolidándose como el mercado más lucrativo de los mostrados.
20. Gráfica Detección de Valores Atípicos**
ggplot(datos_col, aes(y = utilidad_operativa)) +
geom_boxplot() +
theme_minimal() +
labs(title = "Detección de Valores Atípicos en Utilidad Operativa",
y = "Utilidad Operativa")
Interpretación
El gráfico muestra una distribución de Utilidad Operativa con un marcado sesgo positivo, donde la caja principal (que contiene el 50% central de los datos) está comprimida en la base, situando la mediana aproximadamente en las 3,500 unidades y el tercer cuartil cerca de las 6,000 unidades. Lo más impactante visualmente es que el “bigote” superior termina alrededor de las 13,000 unidades, y a partir de ese punto, aparece una línea densa y continua de puntos negros que representan valores atípicos (outliers); estos no son casos aislados, sino una masa considerable de datos que se extiende hasta casi las 40,000 unidades. Esto significa que, aunque la mayoría de tus operaciones generan utilidades bajas, tienes un volumen muy alto de transacciones que rompen la norma estadística, sugiriendo que el éxito del negocio depende de una “cola larga” de ventas de alto rendimiento que están muy por encima del promedio general.
20. Analisis de Elasticidad Aproximada Precio y Unidades Vendidas
cor(datos_col$precio_unidad, datos_col$unidades_vendidas)## [1] 0.2658685Interpretación de Análisis de Elasticidad
El análisis comercial revela una correlación positiva débil de 0.2658685 entre el precio por unidad y las unidades vendidas, lo que sugiere que la demanda no se ve drásticamente afectada por variaciones en el precio. Por otro lado, el gráfico de utilidad operativa muestra una distribución con una mediana baja (cercana a las 3,500 unidades), pero con una presencia masiva de valores atípicos que se extienden de manera continua hasta alcanzar un máximo de casi 40,000 unidades. Esta estructura indica que, si bien el grueso de las operaciones genera márgenes modestos, el modelo de negocio cuenta con un volumen crítico de transacciones de alto rendimiento que superan con creces el comportamiento estándar y son fundamentales para la rentabilidad total.
21. Influencia del Precio en la Rentabilidad
cor(datos_col$precio_unidad,
datos_col$margen_operativo,
use = "complete.obs")## [1] -0.1374865Interpretación de Influencia del Precio en la Rentabilidad
El análisis estadístico revela una correlación positiva débil de 0.2658685 entre el precio y las unidades vendidas, sugiriendo que la demanda es poco sensible a variaciones de costo. No obstante, el precio tiene una influencia negativa leve de -0.1374865 en el margen operativo, lo que indica que precios más altos no garantizan mayor rentabilidad porcentual. En cuanto a la utilidad operativa, el gráfico de caja muestra una mediana baja, cercana a las 3,500 unidades, pero con una acumulación masiva de valores atípicos que escalan de forma continua hasta casi las 40,000 unidades. Esto confirma que, aunque el negocio opera usualmente en rangos modestos, existe un volumen crítico de transacciones excepcionales que impulsan el rendimiento financiero global.
Gráfica de Precio en la Rentabilidad
ggplot(datos_col,
aes(x = precio_unidad,
y = margen_operativo)) +
geom_point() +
geom_smooth(method = "lm") +
theme_minimal() +
labs(title = "Relación entre Precio y Margen Operativo",
x = "Precio por Unidad",
y = "Margen Operativo")
Interpretación
El análisis muestra una correlación negativa débil de -0.1374865 entre el precio por unidad y el margen operativo, lo que indica que incrementar los precios no garantiza una mayor rentabilidad porcentual. El gráfico de dispersión confirma esta tendencia con una línea de regresión descendente, donde la mayoría de los márgenes se concentran entre el 30% y 50%. Complementariamente, aunque la utilidad operativa tiene una mediana baja cercana a 3,500, existen numerosos valores atípicos que alcanzan las 40,000 unidades, evidenciando transacciones excepcionales de alto impacto. En conjunto, los datos sugieren que el éxito financiero depende más del volumen de estas ventas atípicas que de la elevación de precios unitarios.
22. Segmentación por Nivel de Rentabilidad
datos <- datos_col %>%
mutate(
Nivel_Rentabilidad = case_when(
`margen_operativo` >= quantile(`margen_operativo`, 0.75) ~ "Alta",
`margen_operativo` <= quantile(`margen_operativo`, 0.25) ~ "Baja",
TRUE ~ "Media"
)
)
table(datos$Nivel_Rentabilidad)##
## Alta Baja Media
## 2619 2775 4254Interpretación de Segmentación por Nivel de Rentabilidad
La segmentación por nivel de rentabilidad clasifica la mayoría de los registros en la categoría Media (4,254 casos), estableciendo un desempeño operativo estándar para la mayor parte del negocio. Las categorías extremas muestran una distribución equilibrada, con 2,775 registros de rentabilidad Baja y 2,619 de rentabilidad Alta, lo que confirma que el 25% superior e inferior de las operaciones están claramente delimitados por los cuartiles de margen operativo. Esta estructura se complementa con una correlación negativa de -0.1374865 entre el precio y el margen, indicando que la rentabilidad “Alta” no depende necesariamente de precios elevados. Por el contrario, el éxito financiero parece impulsado por el volumen de ventas y los valores atípicos de utilidad operativa que escalan hasta las 40,000 unidades, muy por encima de la mediana general.
HALLAZGOS ESTRATÉGICOS
Southeast es la región más fuerte y más balanceada del negocio. No solo tiene el promedio más alto en ventas ($17.462) y en utilidad operativa ($6.857), sino que también presenta la mediana más alta. Esto es clave porque significa que su buen desempeño no depende solo de unas pocas ventas extraordinarias, sino que la mayoría de sus transacciones ya son altas en comparación con otras regiones. Es una región estable, consistente y estructuralmente rentable.
West es el mayor generador de ingresos, pero trabaja con menor eficiencia. Es la región que más factura (aproximadamente $36.4 millones en ventas y cerca de $13 millones en utilidad total), pero su margen promedio es el más bajo del país (39.6%). Esto demuestra que su estrategia está basada en vender grandes volúmenes, posiblemente con descuentos, mayor competencia o mayores costos operativos. Gana mucho en términos absolutos, pero sacrifica porcentaje de ganancia.
South es la región más eficiente del modelo. Aunque no es la que más vende, presenta el margen operativo más alto (entre 46% y 46.6%). Esto significa que por cada dólar que entra, retiene más utilidad que cualquier otra región. Estratégicamente, South demuestra que Adidas puede operar con menor volumen, pero con mayor calidad en la rentabilidad. Es un modelo de eficiencia más que de volumen.
Midwest es la región con menor dinamismo comercial. Tiene el promedio más bajo tanto en ventas ($8.907) como en utilidad ($3.664). Sin embargo, su margen es competitivo (43.5%), lo que indica que el problema no es estructural en términos de rentabilidad, sino más bien de penetración de mercado, demanda o posicionamiento.
Northeast funciona como una región de volumen medio con margen moderado. No lidera en eficiencia ni en volumen absoluto, pero mantiene un desempeño relativamente estable. Se ubica más cerca del modelo de West (volumen) que del modelo de South (eficiencia).
Gran parte de la utilidad está influenciada por ventas atípicas muy altas. En todas las regiones se observan valores extremos que elevan el promedio de utilidad. Esto significa que aunque el negocio es rentable, una parte importante del resultado depende de operaciones de gran magnitud. No todas las ventas aportan igual; hay una “cola larga” de transacciones extraordinarias que impulsan los resultados generales.
El alto volumen no garantiza mayor eficiencia. West demuestra que facturar más no significa necesariamente retener más porcentaje de ganancia. Mientras vende muchísimo, su margen es el más bajo. Esto deja claro que volumen y eficiencia son cosas diferentes dentro del modelo regional.
La relación entre ventas y utilidad es casi perfecta (correlación 0.935). Esto es uno de los hallazgos más importantes porque demuestra que el modelo de Adidas es altamente escalable. Cada vez que las ventas aumentan, la utilidad crece casi proporcionalmente, lo que indica control de costos y estructura financiera sólida.
El canal Online es claramente el más rentable. En South alcanza márgenes de hasta 48.8%, y en Southeast genera más de $5 millones en utilidad. En cambio, el canal In-store presenta los márgenes más bajos (hasta 34% en West), lo que evidencia que las tiendas físicas tienen mayores costos operativos.
Existe una asimetría clara entre volumen y eficiencia. West lidera en facturación total, pero South lidera en margen. Esto demuestra que Adidas no tiene un único modelo regional, sino que adapta su estrategia dependiendo del mercado.
El precio puede estar afectando el volumen: A medida que el precio unitario aumenta, el tamaño de los lotes comprados disminuye. Sin embargo, la estrategia de fijación de precios es acertada, ya que la mayoria de sus operaciones estan entre $35 y $55, lo que les permite mover volúmenes constantes de 100 a 350 unidades por transacción sin sacrificar su posicionamiento de mercado.
CONCLUSIONES
En conclusión, el análisis regional demuestra que Adidas es un negocio rentable y escalable, pero con estrategias diferenciadas según la región. West funciona como el motor de volumen nacional, South como el modelo de eficiencia, y Southeast como la región más equilibrada. Midwest, por su parte, representa una oportunidad clara de crecimiento si se logra aumentar su volumen sin sacrificar el margen.
Desde una perspectiva estratégica, Adidas debería trabajar en tres líneas principales. Primero, optimizar los costos en West para mejorar el margen sin afectar su volumen masivo. Segundo, analizar a profundidad el modelo operativo de South para replicar sus niveles de eficiencia en otras regiones. Y tercero, impulsar con mayor fuerza el canal Online, ya que demuestra ser el más rentable y el que mejor retiene utilidad por transacción.
Además, dado que la correlación entre ventas y utilidad es tan alta, el crecimiento debe enfocarse en expandir volumen de manera controlada, asegurando que el margen no se deteriore en regiones donde ya es bajo.