Introduccion

Adidas AG es una empresa multinacional alemana fundada en 1949 por Adolf Dassler, dedicada al diseño y fabricación de calzado, ropa y accesorios deportivos. Con sede en Herzogenaurach, la compañia se ha ido consolidando como una de las marcas deportivas más importantes del mundo, reconocida por su icónico logotipo de las tres franjas y por su constante innovación en tecnología y diseño. Adidas tambien patrocina a destacados atletas, equipos y eventos internacionales, como su alianza con la FIFA y siendo el patrocinador principal de la Copa Mundial de Fútbol.

Este trabajo busca que asumamos el rol de analistas de datos de la empresa Adidas, con el objetivo de aplicar herramientas de analítica descriptiva para comprender el comportamiento comercial y financiero de la empresa. A través del análisis de variables como ventas, unidades vendidas, precios, utilidad opertiva y margen se pretende con estos datos no solo calcular estadísticas, sino interpretar los resultados y entender qué significan para la empresa.

A través de este análisis se busca comprender de manera integral el desempeño comercial y financiero de Adidas mediante la transformación de los datos cualitativos y cuantitativos de esta manera se entiende que esta funcionando bien y que puede mejorarse. En esencia, se busca desarrollar la capacidad de interpretar datos más allá de los cálculos estadísticos, generando hallazgos claros y recomendaciones fundamentadas que de esta maner simulen un proceso real de análisis.

Imagen adidas

Análisis Exploratorio

El analisis exploratorio de datos o conocido por sus siglas (EDA) es utilizado en este trabajo para comprender la información financiera operativa e información comercial de la empresa Adidas.

A través de estadísticas descriptivas y visualización de datos con RStudio, estamos resumiendo grandes cantidades de datos mediante medidas como promedios, medianas, dispersión, correlación y representandolos en gráficos para identificar patrones, tendencias, diferencias entre segmentos y posibles valores atípicos.

library(tidyverse)
library(readxl)
library(ggplot2)
library(skimr)
library(psych)
library(corrplot)
library(janitor)
library(readxl)
DatosCaso1 <- read_excel("~/Desktop/UNIVERSITY/CASO EXPLORATORIO/DatosCaso1.xlsx")

glimpse(DatosCaso1)
## Rows: 9,648
## Columns: 11
## $ distribuidor       <chr> "Foot Locker", "Foot Locker", "Foot Locker", "Foot …
## $ region             <chr> "Northeast", "Northeast", "Northeast", "Northeast",…
## $ estado             <chr> "New York", "New York", "New York", "New York", "Ne…
## $ ciudad             <chr> "New York", "New York", "New York", "New York", "Ne…
## $ producto           <chr> "Men's Street Footwear", "Men's Athletic Footwear",…
## $ 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_total       <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       <chr> "In-store", "In-store", "In-store", "In-store", "In…
head(DatosCaso1)
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 
datos <- clean_names(DatosCaso1)
summary(datos)
##  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.   :0.800
colSums(is.na(datos))
##       distribuidor             region             estado             ciudad 
##                  0                  0                  0                  0 
##           producto      precio_unidad  unidades_vendidas       ventas_total 
##                  0                  0                  0                  0 
## utilidad_operativa   margen_operativo       metodo_venta 
##                  0                  0                  0

Análisis Descriptivo General

Medidas de tendencia Central

mean(DatosCaso1$ventas_total, na.rm = TRUE)
## [1] 12455.08
median(DatosCaso1$ventas_total, na.rm = TRUE)
## [1] 7803.5
sd(DatosCaso1$ventas_total, na.rm = TRUE)
## [1] 12716.39
mean(DatosCaso1$margen_operativo, na.rm = TRUE)
## [1] 0.4229913
sd(DatosCaso1$margen_operativo, na.rm = TRUE)
## [1] 0.09719742

Estadisticas descriptivas variables financieras

stats_financieras <- DatosCaso1 %>%
  summarise(ventas_total = sum(ventas_total), 
            utilidad_operativa = mean(utilidad_operativa), margen_promedio = mean(margen_operativo),unidades_vendidas = sum(unidades_vendidas))

print(stats_financieras)
## # A tibble: 1 × 4
##   ventas_total utilidad_operativa margen_promedio unidades_vendidas
##          <dbl>              <dbl>           <dbl>             <dbl>
## 1    120166650              4895.           0.423           2478861

interpretacion

Estas cifras nos dan el estado de salud general de la operación de Adidas. La Utilidad Operativa promedio nos indica cuánto está ganando Adidas por cada transacción realizada en promedio.

Análisis por Segmentos

Ventas por región

ventas_region <- DatosCaso1 %>%
  group_by(region) %>%
  summarise(ventas_total = sum(ventas_total),utilidad_operativa = sum(utilidad_operativa), margen_promedio = mean(margen_operativo)) 

ventas_region
region ventas_total utilidad_operativa margen_promedio
Midwest 16674434 6859945 0.4352724
Northeast 25078267 9732774 0.4104503
South 20603356 9221605 0.4668981
Southeast 21374436 8393059 0.4191667
West 36436157 13017584 0.3966912

Grafico de barras Ventas Totales por Region

ggplot(ventas_region, aes(x = reorder(region, ventas_total), y = ventas_total)) + geom_bar(stat = "identity", fill = "steelblue") + coord_flip() + labs(title = "Ventas Totales por Region", x = "Region", y = "Ventas Totales")

##Ventas por Producto

producto <- DatosCaso1 %>%
  group_by(producto) %>%
  summarise(ventas_total = sum(ventas_total), utilidad_operativa = sum(utilidad_operativa))

Grafico de Barras Ventas total por producto

ggplot(producto, aes(x = reorder(producto, ventas_total), y = ventas_total)) +
  geom_bar(stat = "identity", fill = "steelblue") +
  coord_flip() +
  labs(title = "Ventas Totales por Producto",
       x = "Producto",
       y = "Ventas Totales (USD)")

## interpretacion Este gráfico permite identificar el “producto estrella”. Por ejemplo, Men’s Street Footwear lidera las ventas, es un indicativo de una fuerte demanda en el segmento urbano masculino.

Rentabilidad

Distribucion del margen

ggplot(DatosCaso1, aes(x = margen_operativo)) + geom_histogram(fill = "darkgreen", bins = 30) + labs(title = "Distribucion del Margen Operativo")

Rentabilidad del producto

comparacion de margenes operativos

ggplot(DatosCaso1, aes(x = producto, y = margen_operativo, fill = producto)) + geom_boxplot() + 
  labs (title = "Analisis Financiero: Distribucion del Margen Operativo por Producto", x = "Producto", y = "Margen Operativo") + theme_minimal() + theme(axis.text.x = element_text(angle = 45, hjust = 1))

interpretacion

El boxplot es crucial para ver la variabilidad. Si una línea tiene un margen muy disperso, significa que su rentabilidad es inestable dependiendo del minorista o la región

Boxplot por region

ggplot(DatosCaso1, aes(x = region, y = margen_operativo)) + geom_boxplot(fill = "orange") + labs(title = "Margen Operativo por Region")

Relacion entre Variables

Precio vs Unidades Vendidas

ggplot(DatosCaso1, aes(x = precio_unidad, y = unidades_vendidas)) + geom_point(alpha = 0.6) + geom_smooth(method = "lm", color = "pink") + labs(title = "Relacion Precio vs Unidades Vendidas")

Correlación

cor(DatosCaso1 %>%
      select(precio_unidad, unidades_vendidas,ventas_total,utilidad_operativa, margen_operativo), use = "complete.obs")
##                    precio_unidad unidades_vendidas ventas_total
## precio_unidad          1.0000000         0.2658685    0.5395467
## unidades_vendidas      0.2658685         1.0000000    0.9193389
## ventas_total           0.5395467         0.9193389    1.0000000
## utilidad_operativa     0.5036827         0.8719928    0.9353717
## margen_operativo      -0.1374865        -0.3054792   -0.3022954
##                    utilidad_operativa margen_operativo
## precio_unidad              0.50368274      -0.13748648
## unidades_vendidas          0.87199276      -0.30547924
## ventas_total               0.93537166      -0.30229543
## utilidad_operativa         1.00000000      -0.04749091
## margen_operativo          -0.04749091       1.00000000
matriz_cor <- cor(DatosCaso1 %>%
                    select(precio_unidad, unidades_vendidas,ventas_total,utilidad_operativa, margen_operativo), use = "complete.obs")
corrplot(matriz_cor, method = "color")

Grafico de dispersion

g1=ggplot(data = DatosCaso1, aes(y=precio_unidad, x=unidades_vendidas)) + geom_point() + geom_smooth()

Combinaciones

Producto + Region

combo <- DatosCaso1 %>%
  group_by(producto, region) %>%
  summarise(ventas = sum(ventas_total), utilidad = sum(utilidad_operativa)) %>% arrange(desc(utilidad))

head(combo)
producto region ventas utilidad
Men’s Street Footwear Northeast 6841324 3030663
Men’s Street Footwear West 7389988 2907503
Women’s Apparel South 4224937 2199137
Men’s Athletic Footwear West 6761339 2154211
Women’s Street Footwear West 5748586 2142439
Women’s Apparel West 7038046 2096258

Producto + Cuidad

combo <- DatosCaso1 %>%
  group_by(producto, ciudad) %>%
  summarise(ventas = sum(ventas_total), utilidad = sum(utilidad_operativa)) %>% arrange(desc(utilidad))

head(combo)
producto ciudad ventas utilidad
Men’s Street Footwear New York 1168609 608361.2
Men’s Street Footwear Charleston 1161252 529172.7
Women’s Apparel Charleston 997289 494501.5
Women’s Apparel Miami 768340 404570.2
Men’s Street Footwear Miami 848570 401590.2
Women’s Apparel Houston 714779 379626.8

Producto + Estado

combo <- DatosCaso1 %>%
  group_by(producto, estado) %>%
  summarise(ventas = sum(ventas_total), utilidad = sum(utilidad_operativa)) %>% arrange(desc(utilidad))

head(combo)
producto estado ventas utilidad
Men’s Street Footwear New York 1878971 949957.2
Women’s Apparel Florida 1476649 744659.1
Women’s Apparel Texas 1344110 730131.7
Men’s Apparel California 1264977 688680.3
Men’s Street Footwear Florida 1650192 682429.3
Men’s Street Footwear California 1544713 611919.0

Distribuidor + Estado

combo <- DatosCaso1 %>%
  group_by(distribuidor, producto) %>%
  summarise(ventas = sum(ventas_total), utilidad = sum(utilidad_operativa)) %>% arrange(desc(utilidad))

head(combo)
distribuidor producto ventas utilidad
Foot Locker Men’s Street Footwear 7538775 3207304
West Gear Men’s Street Footwear 7058194 2889074
Sports Direct Women’s Apparel 5023757 2534198
Foot Locker Women’s Apparel 5682864 2363433
Sports Direct Men’s Street Footwear 5162570 2233092
West Gear Women’s Apparel 6284637 2183295

Distribuidor + Estado + Cuidad

combo <- DatosCaso1 %>%
  group_by(distribuidor, estado, ciudad) %>%
  summarise(ventas = sum(ventas_total), utilidad = sum(utilidad_operativa)) %>% arrange(desc(utilidad))

head(combo)
distribuidor estado ciudad ventas utilidad
West Gear California San Francisco 4760647 1519186
Kohl’s California Los Angeles 3578910 1348789
Sports Direct Alabama Birmingham 2455333 1345909
Foot Locker New York New York 3554143 1341154
Sports Direct Texas Dallas 2923048 1308562
Sports Direct Tennessee Knoxville 2521590 1251118