ADIDAS

Introducción

El presente informe tiene como objetivo realizar un análisis descriptivo y diagnóstico de la información comercial de Adidas, con el fin de comprender el comportamiento de las ventas, la rentabilidad y las relaciones entre variables clave.

Se analizan variables como precio por unidad, unidades vendidas, ventas totales, utilidad operativa, margen operativo, región, producto y método de venta.

El propósito es identificar patrones relevantes que apoyen la toma de decisiones estratégicas.

library(readxl)
library(dplyr)

## 
## Attaching package: 'dplyr'

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

library(ggplot2)

datos <- read_excel("~/Desktop/ANALITICA DE NEGOCIOS/DatosCaso1.xlsx")

4. ANÁLISIS DESCRIPTIVO

4.1 Resumen general

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

#Interpretación (IMPORTANTE en el informe):

#Indica si las ventas están concentradas o dispersas #Comenta si el margen es alto o bajo en promedio

datos %>%
  summarise(
    promedio_precio = mean(precio_unidad, na.rm = TRUE),
    promedio_unidades = mean(unidades_vendidas, na.rm = TRUE),
    promedio_ventas = mean(ventas_total, na.rm = TRUE),
    promedio_utilidad = mean(utilidad_operativa, na.rm = TRUE),
    promedio_margen = mean(margen_operativo, na.rm = TRUE)
  )

## # A tibble: 1 × 5
##   promedio_precio promedio_unidades promedio_ventas promedio_utilidad
##             <dbl>             <dbl>           <dbl>             <dbl>
## 1            45.2              257.          12455.             4895.
## # ℹ 1 more variable: promedio_margen <dbl>

#4.2 Ventas por región

ventas_region <- datos %>%
  group_by(region) %>%
  summarise(ventas = sum(ventas_total, na.rm = TRUE))

ggplot(ventas_region, aes(x = region, y = ventas)) +
  geom_bar(stat = "identity") +
  theme_minimal()

#4.3 Ventas por producto

ventas_producto <- datos %>%
  group_by(producto) %>%
  summarise(ventas = sum(ventas_total, na.rm = TRUE))

ggplot(ventas_producto, aes(x = reorder(producto, ventas), y = ventas)) +
  geom_bar(stat = "identity") +
  coord_flip() +
  theme_minimal()

#5. RENTABILIDAD ##5.1 Distribución del margen

ggplot(datos, aes(x = margen_operativo)) +
  geom_histogram(bins = 20) +
  theme_minimal()

##5.2 Rentabilidad por región

rentabilidad_region <- datos %>%
  group_by(region) %>%
  summarise(margen_promedio = mean(margen_operativo, na.rm = TRUE))

ggplot(rentabilidad_region, aes(x = region, y = margen_promedio)) +
  geom_bar(stat = "identity") +
  theme_minimal()

#6. RELACIÓN ENTRE VARIABLES ##6.1 Precio vs Unidades

ggplot(datos, aes(x = precio_unidad, y = unidades_vendidas)) +
  geom_point() +
  theme_minimal()

cor(datos$precio_unidad, datos$unidades_vendidas, use = "complete.obs")

## [1] 0.2658685

##6.2 Ventas vs Utilidad

ggplot(datos, aes(x = ventas_total, y = utilidad_operativa)) +
  geom_point() +
  theme_minimal()

cor(datos$ventas_total, datos$utilidad_operativa, use = "complete.obs")

## [1] 0.9353717

#7. ANÁLISIS POR SEGMENTOS CLAVE ##Método de venta

datos %>%
  group_by(metodo_venta) %>%
  summarise(
    ventas = sum(ventas_total),
    utilidad = sum(utilidad_operativa)
  )

## # A tibble: 3 × 3
##   metodo_venta   ventas  utilidad
##   <chr>           <dbl>     <dbl>
## 1 In-store     35664375 12759129.
## 2 Online       44965657 19552538.
## 3 Outlet       39536618 14913301.

#Combinaciones estratégicas

datos %>%
  group_by(producto, region) %>%
  summarise(ventas = sum(ventas_total)) %>%
  arrange(desc(ventas))

## `summarise()` has regrouped the output.
## ℹ Summaries were computed grouped by producto and region.
## ℹ Output is grouped by producto.
## ℹ Use `summarise(.groups = "drop_last")` to silence this message.
## ℹ Use `summarise(.by = c(producto, region))` for per-operation grouping
##   (`?dplyr::dplyr_by`) instead.

## # A tibble: 30 × 3
## # Groups:   producto [6]
##    producto                  region     ventas
##    <chr>                     <chr>       <dbl>
##  1 Men's Street Footwear     West      7389988
##  2 Women's Apparel           West      7038046
##  3 Men's Street Footwear     Northeast 6841324
##  4 Men's Athletic Footwear   West      6761339
##  5 Women's Street Footwear   West      5748586
##  6 Women's Apparel           Northeast 5045208
##  7 Men's Apparel             West      4827378
##  8 Men's Street Footwear     Midwest   4707360
##  9 Men's Street Footwear     Southeast 4693836
## 10 Women's Athletic Footwear West      4670820
## # ℹ 20 more rows