Análisis variables financieras Adidas
Olga Lucia Bermudez y Cristian Andrés Forero
2026-04-12
Introducción
Adidas es una de las empresas más influyentes y reconocidas a nivel mundial en la industria de artículos deportivos. Fundada en 1949 por Adolf Dassler en Alemania, la compañía ha construido una sólida trayectoria basada en la innovación, el diseño y el rendimiento. A lo largo de las décadas, Adidas ha logrado consolidar su presencia en más de 160 países, posicionándose como una de las marcas líderes en la fabricación y comercialización de calzado, ropa y accesorios deportivos. Su portafolio abarca desde productos de alto rendimiento para atletas profesionales hasta líneas de estilo urbano y moda, impulsadas por colaboraciones estratégicas con diseñadores, celebridades y organizaciones deportivas de talla mundial.
El éxito de Adidas se sustenta en su capacidad para adaptarse a las tendencias del mercado, su fuerte inversión en investigación y desarrollo, y su compromiso con la sostenibilidad y la innovación tecnológica. Además, su estrategia de marketing global y su posicionamiento de marca han fortalecido su competitividad frente a otras grandes empresas del sector, permitiéndole mantener una participación relevante en la industria deportiva internacional.
El presente informe tiene como objetivo realizar un análisis descriptivo y diagnóstico del desempeño comercial y financiero de la empresa Adidas, utilizando técnicas de analítica de datos en R.
A partir de una base de datos que incluye variables como ventas totales, unidades vendidas, utilidad operativa, margen operativo, producto, región y método de venta, se busca identificar patrones relevantes, diferencias entre segmentos y relaciones clave entre variables.
El enfoque del análisis es exploratorio, orientado a comprender el comportamiento del negocio y generar hallazgos que sirvan como base para la toma de decisiones. Finalmente, se plantean recomendaciones estratégicas sustentadas en evidencia (analítica prescriptiva).
knitr::include_graphics("adidas.jpg")
Análisis exploratorio
El análisis exploratorio de datos (EDA) es un paso clave para comprender la información financiera de Adidas, identificar patrones y evaluar la distribución de las variables.
A través de estadísticas descriptivas y visualización de datos con R, identificaremos tendencias, relaciones entre variables y posibles anomalías, proporcionando una base sólida para interpretar el desempeño financiero de Adidas.
PASO 1. Instalar y cargar librerias
# Cargar librerías necesarias
library(readxl)
library(dplyr)
library(ggplot2)
library(plotly)
library(knitr)
library(kableExtra)
library(tidyr)
library(tidyverse)PASO 2: Cargar la base de datos
# Cargar datos desde el archivo Excel
datos_col <- read_excel("~/Documents/Maestria/Analitica de datos /Caso Adidas /DatosCaso1.xlsx")Selección de Variables
A continuación, se presentan las variables cualitativas y cuantitativas consideradas en el análisis exploratorio de datos, las cuales están directamente relacionadas con el desempeño comercial y financiero de Adidas
Variables Cualitativas
Región: Corresponde a las diferentes zonas geográficas en las que la compañía realiza sus operaciones de venta. En el conjunto de datos analizado se identifican cinco regiones principales: Midwest, Northeast, South, Southeast y West. Esta variable permite analizar la distribución espacial de las ventas y detectar posibles diferencias regionales en el desempeño comercial.
Producto: Hace referencia a las distintas categorías de bienes ofrecidos por la compañía. Entre ellas se encuentran: Men’s Apparel, Men’s Athletic Footwear, Men’s Street Footwear, Women’s Apparel, Women’s Athletic Footwear y Women’s Street Footwear. Esta variable permite segmentar las ventas según el tipo de producto y analizar su comportamiento en el mercado.
Método de venta: Representa los canales a través de los cuales se realizan las transacciones comerciales. Adidas utiliza principalmente tres canales: In-store (tienda física), Online y Outlet. Esta variable es clave para evaluar el desempeño de cada canal de distribución.
Variables Cuantitativas
Precio por unidad: Corresponde al valor monetario asignado a cada unidad de producto. Esta variable permite analizar la estrategia de precios y su relación con el volumen de ventas.
Unidades vendidas: Indica la cantidad de productos comercializados en cada transacción. Es una variable fundamental para medir el volumen de ventas de la compañía.
Ventas totales: Representa el ingreso total generado por las ventas en un período determinado. Es una de las principales variables para evaluar el desempeño comercial.
Utilidad operacional: Refleja la ganancia obtenida por la compañía a partir de sus actividades principales, antes de considerar impuestos, intereses y otros elementos no operativos. Permite analizar la eficiencia operativa del negocio.
Margen operacional: Mide la proporción de la utilidad operacional respecto a las ventas totales. Esta variable permite evaluar la rentabilidad de las operaciones principales de la compañía y su capacidad para generar beneficios a partir de sus ingresos.
Tabla 1. Estadísticas descriptivas de las principales variables
library(dplyr)
datos_col %>%
summarise(
ventas_promedio = mean(ventas_total, na.rm = TRUE),
ventas_mediana = median(ventas_total, na.rm = TRUE),
utilidad_promedio = mean(utilidad_operativa, na.rm = TRUE),
margen_promedio = mean(margen_operativo, na.rm = TRUE)
)| ventas_promedio | ventas_mediana | utilidad_promedio | margen_promedio |
|---|---|---|---|
| 12455.08 | 7803.5 | 4894.794 | 0.4229913 |
Esta tabla presenta un resumen de las principales métricas del negocio, permitiendo entender el comportamiento general de las ventas y la rentabilidad. La comparación entre el promedio y la mediana de las ventas evidencia una posible asimetría en los datos, lo que sugiere la presencia de valores altos que influyen en el promedio. Asimismo, el margen promedio permite tener una visión general de la eficiencia operativa del negocio. En conjunto, este análisis sirve como base para interpretar los resultados de las visualizaciones posteriores.
library(dplyr)
datos_col %>%
group_by(distribuidor) %>%
summarise(
ventas_totales = sum(ventas_total, na.rm = TRUE)
) %>%
arrange(desc(ventas_totales))| distribuidor | ventas_totales |
|---|---|
| West Gear | 32409558 |
| Foot Locker | 29024945 |
| Sports Direct | 24616622 |
| Kohl’s | 13512453 |
| Walmart | 10506085 |
| Amazon | 10096987 |
Esta tabla muestra la distribución de las ventas totales por distribuidor, permitiendo identificar cuáles son los principales actores en la generación de ingresos. Se observa una alta concentración en distribuidores como West Gear y Foot Locker, lo que indica que una parte significativa del negocio depende de estos socios comerciales. En contraste, otros distribuidores presentan una menor participación. Este análisis permite complementar la visión del negocio y resalta la importancia de gestionar estratégicamente las relaciones con los principales distribuidores.
Visión General del Negocio
ggplot(datos_col, aes(x = ventas_total)) +
geom_histogram(fill = "steelblue", color = "white", bins = 30) +
labs(
title = "Grafico 1. Distribucion de las Ventas Totales",
x = "Ventas Totales",
y = "Frecuencia"
) +
theme_minimal()
El gráfico muestra que la mayoría de las ventas se concentran en valores bajos, mientras que solo unas pocas alcanzan montos altos.
Esto podría indicar que el negocio depende principalmente de un alto volumén de ventas pequeñas y de unos pocos casos que generan ingresos significativamente mayores.
Con este grafico podemos concluir que el negocio no está distribuido de forma homogénea: hay muchas ventas pequeñas y pocas muy grandes, esto es coherente con el modelo de negocio de Adidas, donde la mayoría de las ventas son a clientes individuales que compran por unidad o pocas unidades, y solo en casos puntuales o más especificos se presentan compras con volumenes grandes.
ggplot(datos_col, aes(x = utilidad_operativa)) +
geom_histogram(fill = "darkgreen", color = "white", bins = 30) +
labs(
title = "Grafico 2 Distribucion de la Utilidad Operativa",
x = "Utilidad Operativa",
y = "Frecuencia"
) +
coord_cartesian(xlim = c(0, 15000)) +
theme_minimal()
El gráfico muestra que la utilidad operativa se concentra principalmente en valores bajos, mientras que solo un número reducido de transacciones genera utilidades más altas.
Esto indica que la rentabilidad del negocio se construye a partir de muchas operaciones pequeñas, lo cual es coherente con un modelo basado en ventas al consumidor final, donde la mayoría de las compras son de bajo volumen.
Sin embargo, también se observa que existen algunas transacciones con utilidades significativamente mayores, que podrían estar asociadas a productos específicos, canales más eficientes o ventas de mayor volumen.
Aunque el negocio es estable en volumen, el crecimiento en rentabilidad podría venir de potenciar aquellos segmentos que ya están generando mayores utilidades.
Desempeño de Ventas
datos_col %>%
group_by(producto) %>%
summarise(ventas = sum(ventas_total, na.rm = TRUE)) %>%
mutate(porcentaje = ventas / sum(ventas)) %>%
ggplot(aes(x = reorder(producto, ventas), y = ventas, fill = ventas)) +
geom_col() +
geom_text(aes(label = scales::percent(porcentaje, accuracy = 0.1)),
hjust = -0.1, size = 3) +
coord_flip() +
labs(
title = "Grafico 3. Ventas totales por producto",
subtitle = "Participacion porcentual por linea de producto",
x = "Producto",
y = "Ventas totales"
) +
scale_y_continuous(labels = scales::comma) +
scale_fill_gradient(low = "#74b9ff", high = "#0c2461") +
expand_limits(
y = max(
datos_col %>%
group_by(producto) %>%
summarise(ventas = sum(ventas_total)) %>%
pull(ventas)
) * 1.15
) +
theme_minimal() +
theme(
plot.title = element_text(size = 16, face = "bold"),
legend.position = "none"
)
El gráfico muestra que las ventas no se distribuyen de manera uniforme entre las diferentes líneas de producto. En particular, Men’s Street Footwear lidera claramente con una participación del 23%, seguido por Women’s Apparel (19.9%) y Men’s Athletic Footwear (17.1%).
En conjunto, estas tres categorías concentran aproximadamente el 60% de las ventas totales, lo que indica que el negocio depende en gran medida de un grupo reducido de productos claves.
Por otro lado, líneas como Women’s Athletic Footwear (11.9%) y Men’s Apparel (13.7%) presentan una menor participación, lo que puede reflejar oportunidades de mejora en términos de posicionamiento, promoción o estrategia comercial.
datos_col %>%
group_by(producto) %>%
summarise(unidades = sum(unidades_vendidas, na.rm = TRUE)) %>%
ggplot(aes(x = reorder(producto, unidades), y = unidades, fill = unidades)) +
geom_col() +
geom_text(aes(label = scales::comma(unidades)),
hjust = -0.1, size = 3) +
coord_flip() +
labs(
title = "Grafico 4. Unidades vendidas por producto",
subtitle = "Comparacion del volumen de ventas por linea de producto",
x = "Producto",
y = "Unidades vendidas"
) +
scale_y_continuous(labels = scales::comma) +
scale_fill_gradient(low = "#a8dadc", high = "#1d3557") +
expand_limits(
y = max(
datos_col %>%
group_by(producto) %>%
summarise(unidades = sum(unidades_vendidas)) %>%
pull(unidades)
) * 1.15
) +
theme_minimal() +
theme(
plot.title = element_text(size = 16, face = "bold"),
legend.position = "none"
)
El gráfico de unidades vendidas permite complementar el análisis de ventas totales, mostrando el comportamiento del volumen por producto. Se observa que Men’s Street Footwear no solo lidera en ingresos, sino también en cantidad de unidades vendidas, lo que confirma su posición como la categoría más fuerte del portafolio.
Sin embargo, al comparar con el gráfico anterior, se identifican diferencias interesantes. Por ejemplo, Women’s Apparel presenta una alta participación en ventas, pero no lidera en unidades, lo que sugiere que su desempeño está más asociado a precios más altos que a volumen. En contraste, productos como Men’s Athletic Footwear muestran un volumen elevado con una participación en ventas ligeramente menor, lo que podría indicar precios más bajos o estrategias más orientadas a rotación.
Con este análisis se evidencia que el negocio de Adidas es combinar estrategias basadas en volumen y en valor. Esto resulta clave para la toma de decisiones, ya que permite identificar qué productos impulsan ingresos por cantidad y cuáles lo hacen por precio, facilitando la definición de estrategias diferenciadas en términos de precios, promoción y gestión de inventario.
datos_col %>%
group_by(region) %>%
summarise(ventas = sum(ventas_total, na.rm = TRUE)) %>%
mutate(porcentaje = ventas / sum(ventas)) %>%
ggplot(aes(x = "", y = ventas, fill = region)) +
geom_col(width = 1) +
coord_polar(theta = "y") +
geom_text(aes(label = scales::percent(porcentaje, accuracy = 0.1)),
position = position_stack(vjust = 0.5),
size = 3) +
labs(
title = "Grafico 5. Participacion de ventas por region",
fill = "Region"
) +
theme_void() +
theme(
plot.title = element_text(size = 16, face = "bold")
)
El gráfico muestra la distribución de las ventas por región, evidenciando que el negocio tiene una mayor concentración en ciertas zonas geográficas. En particular, la región West lidera con aproximadamente el 30.3% de las ventas totales, seguida por Northeast con un 20.9%, lo que indica que estas regiones son las principales impulsoras del desempeño comercial de la empresa.
Por su parte, regiones como Southeast (17.8%) y South (17.1%) presentan una participación intermedia, mientras que Midwest registra la menor participación con un 13.9%.
A diferencia de los gráficos anteriores, que analizaban el comportamiento por producto, este resultado permite entender la distribución geográfica del negocio, mostrando que las ventas no están equilibradas entre regiones.
Esto se puede interpretar que Adidas cuenta con mercados más consolidados en ciertas regiones, donde podría ser conveniente seguir fortaleciendo la presencia comercial. Al mismo tiempo, las regiones con menor participación representan oportunidades de crecimiento, mediante estrategias enfocadas en expansión, marketing o ajuste del portafolio a las características del mercado local.
datos_col %>%
group_by(metodo_venta) %>%
summarise(ventas = sum(ventas_total, na.rm = TRUE)) %>%
mutate(porcentaje = ventas / sum(ventas)) %>%
ggplot(aes(x = reorder(metodo_venta, ventas), y = ventas, fill = ventas)) +
geom_col() +
geom_text(aes(label = scales::percent(porcentaje, accuracy = 0.1)),
hjust = -0.1, size = 3) +
coord_flip() +
labs(
title = "Grafico 6. Ventas por metodo de venta",
subtitle = "Participacion de cada canal en las ventas totales",
x = "Metodo de venta",
y = "Ventas totales"
) +
scale_y_continuous(labels = scales::comma) +
scale_fill_gradient(low = "#cdb4db", high = "#5a189a") +
expand_limits(
y = max(
datos_col %>%
group_by(metodo_venta) %>%
summarise(ventas = sum(ventas_total)) %>%
pull(ventas)
) * 1.15
) +
theme_minimal() +
theme(
plot.title = element_text(size = 16, face = "bold"),
legend.position = "none"
)
El gráfico muestra la distribución de las ventas por método de venta, evidenciando que el canal Online lidera con una participación del 37.4%, seguido por Outlet (32.9%) y In-store (29.7%).
Estos resultados muestran que, aunque el canal digital es el principal impulsor de las ventas, el negocio mantiene una distribución relativamente equilibrada entre los distintos canales, sin una dependencia excesiva de uno solo.
Con este grafico se puede evidenciar cómo se están generando las ventas desde el punto de vista del canal, mostrando que la estrategia comercial de Adidas combina tanto el entorno digital como los puntos de venta físicos.
Esto es importante porque resalta la importancia de continuar fortaleciendo el canal online, considerando su liderazgo, al mismo tiempo que se mantienen estrategias sólidas en tiendas físicas y outlets, que en conjunto representan una proporción significativa de las ventas. Este equilibrio puede ser clave para asegurar estabilidad y diversificación en las fuentes de ingreso.
library(ggplot2)
ggplot(datos_col, aes(x = region, y = ventas_total, fill = metodo_venta)) +
geom_col(position = "dodge") +
labs(
title = "Grafico 7.Ventas Totales por Región y Método de Venta",
x = "Región",
y = "Ventas Totales",
fill = "Método de Venta"
) +
scale_fill_manual(values = c("#4A90E2", "#7BAFD4", "#B0B0B0")) +
theme_minimal()
El grafico refleja un análisis de las ventas por región y método de venta, confirmando la tendencia previamente identificada: los clientes muestran una clara preferencia por las compras en línea frente a otros canales. Este patrón se repite de manera consistente en la mayoría de las zonas geográficas, lo que evidencia la consolidación del canal digital como la opción dominante. Sin embargo, se observa una excepción en una región específica, donde las ventas presenciales mantienen un peso mayor. Este hallazgo resulta relevante dentro de la analítica diagnóstica, ya que indica que, aunque la digitalización del consumo es generalizada, existen diferencias regionales que responden a factores locales y que deben ser consideradas en la estrategia comercial.
library(ggplot2)
library(dplyr)
# Agrupar datos por distribuidor y método de venta
ventas_por_distribuidor <- datos_col %>%
group_by(distribuidor, metodo_venta) %>%
summarise(ventas_total = sum(ventas_total), .groups = "drop")
# Gráfico de barras agrupadas
ggplot(ventas_por_distribuidor, aes(x = distribuidor,
y = ventas_total,
fill = metodo_venta)) +
geom_col(position = "dodge") +
labs(
title = "Grafico 8.Ventas Totales por Distribuidor y Método de Venta",
x = "Distribuidor",
y = "Ventas Totales",
fill = "Método de Venta"
) +
scale_fill_manual(values = c("#4A90E2", "#7BAFD4", "#B0B0B0")) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
La grafica presenta el análisis de las ventas totales por distribuidor y método de venta muestra que la contribución no es uniforme: tres distribuidores concentran la mayor parte de los ingresos y son los principales motores del desempeño general. En particular, Foot Locker, West Gear y Walmart aparecen como los actores más relevantes, acumulando juntos la mayor proporción de las ventas totales. Este hallazgo confirma que, aunque todos los distribuidores aportan, la estrategia comercial debe priorizar a estos tres líderes, ya que su comportamiento tiene un impacto decisivo en el resultado global. Además, se observa que el canal online mantiene una fuerte presencia en la mayoría de los distribuidores, reforzando la tendencia digital de los clientes, mientras que en algunos casos específicos (como Foot Locker y West Gear) las ventas presenciales siguen teniendo un peso considerable.
Analisis de Variabilidad
ggplot(datos_col, aes(x = region, y = ventas_total)) +
geom_boxplot(fill = "tomato", color = "black") +
labs(
title = "Grafica 9. Distribucion de Ventas Totales por Region",
x = "Region",
y = "Ventas Totales"
) +
theme_minimal() +
theme(
plot.title = element_text(hjust = 0.5, face = "bold"),
axis.text.x = element_text(angle = 45, hjust = 1)
)
El gráfico permite analizar la distribución de las ventas dentro de cada región, evidenciando diferencias tanto en el nivel de ventas como en la variabilidad de las mismas.
Se observa que regiones como Southeast y West presentan medianas más altas, lo que indica un mayor nivel típico de ventas en comparación con regiones como Midwest, que muestra valores más bajos. Este resultado es consistente con lo observado en el Gráfico 5 (participación por región), donde estas regiones también tenían una mayor contribución al total de ventas.
Adicionalmente, la región Southeast presenta una mayor dispersión en los datos, reflejada en una caja más amplia y valores máximos más altos, lo que sugiere una mayor variabilidad en el comportamiento de las ventas. Esto indica que, aunque es una región con alto potencial, también puede ser menos predecible. En contraste, regiones como Midwest presentan una distribución más concentrada, lo que sugiere mayor estabilidad, aunque con menores niveles de ventas.
Un aspecto relevante es la presencia de numerosos valores atípicos en todas las regiones, lo que confirma lo observado en el Gráfico 1 (distribución de ventas): el negocio se caracteriza por muchas ventas de bajo valor y pocas transacciones de alto valor que influyen significativamente en los resultados.
Este análisis permite entender no solo qué regiones venden más, sino también qué tan consistentes son sus resultados. Esto es clave para la toma de decisiones, ya que regiones con alta variabilidad pueden representar mayores oportunidades de crecimiento, pero también mayores niveles de riesgo, mientras que regiones más estables pueden ser la base para un crecimiento sostenido.
# Cargar librería
library(ggplot2)
# Boxplot del margen operativo por método de venta
ggplot(datos_col, aes(x = metodo_venta, y = margen_operativo)) +
geom_boxplot(fill = "#7BAFD4", color = "black") +
labs(
title = "Grafica 10.Distribución del Margen Operativo por Método de Venta",
x = "Método de Venta",
y = "Margen Operativo"
) +
theme_gray() +
theme(
plot.title = element_text(hjust = 0.5, face = "bold"),
axis.text.x = element_text(angle = 45, hjust = 1)
)
El gráfico de la distribución del margen operativo por método de venta evidencia diferencias claras entre los canales. El boxplot muestra que el canal online alcanza una mediana más alta y una dispersión más reducida, lo que refleja mayor estabilidad y consistencia en la rentabilidad. En contraste, los canales in-store y outlet presentan una mayor variabilidad, con presencia de valores extremos, lo que indica resultados menos predecibles y una mayor exposición al riesgo operativo. La gráfica de barras complementa la información al mostrar el volumen de ventas y utilidad por producto y método, pero es el boxplot el que permite diagnosticar con mayor precisión la consistencia y variabilidad de cada canal. Basados en los resultados evidenciados en el grafico , seria oportuno fortalecer la estrategia digital, dado que el canal online combina preferencia de clientes con márgenes más sólidos y estables, mientras que los canales físicos requieren ajustes operativos para reducir la variabilidad y mejorar su competitividad.
library(ggplot2)
library(plotly)
library(dplyr)
# Calcular estadísticos por producto
stats <- datos_col %>%
group_by(producto) %>%
summarise(
Q1 = quantile(margen_operativo, 0.25, na.rm = TRUE),
Q2 = median(margen_operativo, na.rm = TRUE),
promedio = mean(margen_operativo, na.rm = TRUE),
.groups = "drop"
)
# Boxplot con ggplot2
grafico <- ggplot(datos_col, aes(x = producto, y = margen_operativo, fill = producto)) +
geom_boxplot(alpha = 0.7, outlier.color = "red",
aes(text = paste0("Producto: ", producto,
"<br>Q1: ", round(quantile(margen_operativo, 0.25), 2),
"<br>Mediana (Q2): ", round(median(margen_operativo), 2),
"<br>Promedio: ", round(mean(margen_operativo), 2)))) +
labs(
title = "Grafica 11. Distribución del Margen Operativo por Producto",
x = "Producto",
y = "Margen Operativo (%)"
) +
theme_minimal() +
theme(legend.position = "none",
axis.text.x = element_text(angle = 90, vjust = 0.5, hjust = 1))
# Convertir a gráfico interactivo con tooltip
ggplotly(grafico, tooltip = "text")El boxplot de la distribución del margen operativo por producto evidencia que los artículos Men’s Street Footwear y Women’s Apparel presentan un margen promedio superior al de los demás productos. Sin embargo, se observa una diferencia importante en la variabilidad:
• Men’s Street Footwear muestra una dispersión reducida, con valores de margen muy cercanos a la mediana, lo que refleja una mayor estabilidad en su desempeño.
• Women’s Apparel, en contraste, presenta una variabilidad más amplia en su margen operativo. Esta dispersión se explica por las fluctuaciones en el volumen de ventas y la alta variabilidad en los precios de venta, dependiendo del canal de distribución.
Adicionalmente, el producto Men’s Street Footwear presenta valores atípicos por encima del margen promedio, lo que indica que en algunos casos el margen excede significativamente el nivel esperado. Esta característica, sumada a su consistencia general, lo perfila como el producto estrella de la marca, a diferencia de Women’s Apparel, cuyo margen operativo resulta más volátil.}
library(dplyr)
library(ggplot2)
library(plotly)
# Boxplot: cada producto aparece en el eje X,
# y se genera un panel independiente por cada método de venta
p <- ggplot(datos_col, aes(x = producto, y = precio_unidad)) +
geom_boxplot(fill = "#1f77b4", outlier.color = "gray40", outlier.size = 2) +
labs(
title = "Grafica 12. Variabilidad del Precio Unitario por Producto según Método de Venta",
x = "Producto",
y = "Precio Unitario ($)"
) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
facet_wrap(~metodo_venta, scales = "free_y") # un panel por cada método de venta
# Convertir a gráfico interactivo
ggplotly(p, tooltip = c("x", "y"))El gráfico de la variabilidad del precio unitario por producto y método de venta evidencia un nivel moderado–alto de volatilidad en la mayoría de los productos y canales. Esto se debe a que cada distribuidor maneja precios que pueden ser considerablemente superiores o inferiores respecto a otros, aun tratándose del mismo producto. Además, se observa que la variabilidad en el precio para un mismo artículo está influenciada por el canal de venta: el online tiende a ser más económico en términos de costos, mientras que los canales físicos muestran mayor dispersión en los valores. Desde una perspectiva geográfica, también es relevante considerar que en ciertas zonas de Estados Unidos el poder adquisitivo es mayor y existe mayor disposición a pagar precios más altos, mientras que en otras regiones, factores como la temperatura y el estilo de vida incentivan más las prácticas deportivas, lo que impacta directamente en la demanda de productos de Adidas, principalmente ropa y calzado deportivo.
Como resultado se podria recomendar profundizar en el análisis por canal y región para ajustar las estrategias de precios, aprovechando la competitividad del canal online y adaptando la oferta en zonas con mayor disposición de pago o con condiciones que favorecen la práctica deportiva.
library(dplyr)
library(usmap)
library(ggplot2)
library(plotly)
# Filtrar solo el producto Men's Street Footwear
datos_msf <- datos_col %>%
filter(producto == "Men's Street Footwear") %>%
group_by(estado, region) %>%
summarise(precio_unitario = mean(precio_unidad, na.rm = TRUE), .groups = "drop") %>%
rename(state = estado) # renombrar columna para usmap
# Crear mapa con usmap
p <- plot_usmap(data = datos_msf, values = "precio_unitario", regions = "states") +
scale_fill_gradient(
low = "red", # estados con menor precio
high = "green", # estados con mayor precio
name = "Precio Unitario ($)"
) +
labs(title = "Grafica 13.Mapa de Calor: Precio Unitario de Men's Street Footwear") +
theme(legend.position = "right")
# Convertir a gráfico interactivo con tooltip
ggplotly(p, tooltip = c("state", "precio_unitario"))El gráfico de la variabilidad del precio unitario y el mapa de calor confirman que el precio de un mismo producto —en este caso Men’s Street Footwear— cambia de manera considerable según la región en la que se distribuye. Este comportamiento no es aleatorio, sino que responde a factores estructurales y contextuales. En primer lugar, la capacidad adquisitiva de las regiones: en estados con mayor poder de compra los consumidores muestran disposición a pagar precios más altos, lo que se refleja en tonos verdes en el mapa, mientras que en zonas con menor ingreso los precios tienden a ser más bajos, representados en rojo. En segundo lugar, las condiciones climáticas y culturales: en regiones con temperaturas más frías o con estilos de vida que incentivan la práctica deportiva, la demanda de calzado deportivo aumenta, presionando los precios al alza.
Adicionalmente, el canal de venta amplifica estas diferencias. El canal online suele ofrecer precios más competitivos gracias a menores costos operativos, mientras que los canales físicos presentan mayor dispersión, reflejando diferencias en costos de operación y estrategias comerciales de cada distribuidor.
Como conclusion , el análisis confirma que Men’s Street Footwear es uno de los productos de mayor rentabilidad, pero su precio unitario no es uniforme y varía significativamente según el canal y la región en la que se comercializa. Para optimizar la estrategia de precios, resulta clave profundizar en el análisis geográfico y por canal, aprovechando la competitividad del canal online y adaptando la oferta en aquellas regiones con mayor capacidad adquisitiva o en contextos donde las condiciones climáticas y culturales favorecen la práctica deportiva.
Rentabilidad
ggplot(datos_col, aes(x = producto, y = utilidad_operativa, fill = producto)) +
geom_boxplot(alpha = 0.8) +
labs(
title = "Grafico 14. Distribucion de la utilidad operativa por producto",
subtitle = "Analisis de la rentabilidad por linea de producto",
x = "Producto",
y = "Utilidad Operativa"
) +
scale_fill_viridis_d(option = "plasma") +
theme_minimal() +
theme(
plot.title = element_text(size = 16, face = "bold"),
axis.text.x = element_text(angle = 30, hjust = 1),
legend.position = "none"
)
El gráfico permite analizar la distribución de la utilidad operativa por producto, evidenciando diferencias claras tanto en el nivel de rentabilidad como en la variabilidad entre las distintas líneas.
Se observa que Men’s Street Footwear presenta una mediana de utilidad más alta y una mayor dispersión, lo que indica que no solo es uno de los productos que más ingresos genera (como se evidenció en el Gráfico 3), sino que también destaca en términos de rentabilidad. Sin embargo, su alta variabilidad sugiere que esta rentabilidad no es completamente uniforme, sino que depende en parte de transacciones de alto valor.
Por su parte, productos como Men’s Athletic Footwear y Women’s Apparel muestran niveles de utilidad intermedios, con una distribución relativamente más estable, lo que indica un comportamiento más consistente en términos de rentabilidad.
En contraste, líneas como Women’s Athletic Footwear y Men’s Apparel presentan menores niveles de utilidad operativa, lo que sugiere que, aunque pueden tener participación en ventas o volumen (como se observó en los gráficos anteriores), no necesariamente son las más rentables.
Adicionalmente, la presencia de múltiples valores atípicos en todos los productos confirma lo observado en los gráficos iniciales: el negocio combina muchas transacciones de bajo valor con algunas de alto impacto, lo que influye significativamente en los resultados de rentabilidad.
Este análisis permite identificar que no todos los productos que venden más son necesariamente los más rentables, lo cual es clave para la toma de decisiones estratégicas. Esto sugiere la necesidad de enfocar esfuerzos no solo en volumen de ventas, sino también en la optimización de márgenes, priorizando aquellos productos que generan mayor valor para el negocio. Este gráfico muestra que los productos no solo difieren en ventas, sino también en rentabilidad, evidenciando que algunos generan más valor que otros y que el negocio combina volumen con margen.
ggplot(datos_col, aes(x = metodo_venta, y = margen_operativo, fill = metodo_venta)) +
geom_boxplot(alpha = 0.8) +
labs(
title = "Grafico 15. Distribucion del margen operativo\npor metodo de venta",
subtitle = "Comparacion de rentabilidad y dispersion por canal",
x = "Metodo de venta",
y = "Margen Operativo"
) +
scale_fill_viridis_d(option = "plasma") +
theme_minimal() +
theme(
plot.title = element_text(size = 16, face = "bold"),
legend.position = "none"
)
El gráfico muestra que el canal Online presenta el mayor margen operativo, seguido por Outlet e In-store, lo que indica que las ventas digitales son las más rentables.
Este resultado complementa el Gráfico 6, donde el canal online también lideraba en participación, confirmando que no solo vende más, sino que genera mayor rentabilidad.
Asimismo, al conectar con los Gráficos 3 y 4, se refuerza la idea de que el negocio combina volumen y valor, pero es el canal digital el que maximiza el margen.
En conjunto, los resultados muestran que el crecimiento del negocio no solo depende de vender más, sino de priorizar los canales y productos más rentables, destacando el canal online como el principal impulsor de valor.
El canal online no solo lidera en ventas, sino también en rentabilidad, convirtiéndose en el principal motor de valor del negocio.
library(ggplot2)
library(dplyr)
library(plotly)
library(scales)
# Calcular métricas por producto y método de venta
datos_resumen <- datos_col %>%
group_by(producto, metodo_venta) %>%
summarise(
ventas_total = sum(ventas_total),
utilidad_operativa = sum(utilidad_operativa),
margen_operativo = round((utilidad_operativa / ventas_total) * 100, 2),
.groups = "drop"
)
# Gráfico horizontal con barras de ventas y utilidad superpuestas
grafico <- ggplot(datos_resumen, aes(y = producto, fill = metodo_venta)) +
# Barra de ventas totales
geom_col(aes(x = ventas_total,
text = paste0("Producto: ", producto,
"<br>Método: ", metodo_venta,
"<br>Ventas Totales: $", comma(ventas_total, accuracy = 1),
"<br>Margen Operativo: ", margen_operativo, "%")),
color = "black", alpha = 0.6, position = "dodge") +
# Barra interna de utilidad operativa
geom_col(aes(x = utilidad_operativa,
text = paste0("Producto: ", producto,
"<br>Método: ", metodo_venta,
"<br>Utilidad Operativa: $", comma(utilidad_operativa, accuracy = 1),
"<br>Margen Operativo: ", margen_operativo, "%")),
color = "black", alpha = 1, position = "dodge", width = 0.4) +
labs(
title = "Grafica 16. Ventas Totales y Utilidad Operativa por Producto y Método de Venta",
x = "Valor ($)",
y = "Producto",
fill = "Método de Venta"
) +
theme_minimal()
# Convertir a gráfico interactivo con tooltip
ggplotly(grafico, tooltip = "text")La gráfica muestra las ventas totales por tipo de producto (barras posteriores) en contraste con la utilidad operativa (barras frontales ). El objetivo es visualizar la participación de cada producto en las ventas totales y su correspondiente utilidad, lo que permite apreciar de manera sencilla el margen operativo.
Los resultados evidencian que los productos Men’s Street Footwear y Women’s Apparel son los de mayor volumen de ventas y, al mismo tiempo, los más rentables, especialmente en el canal online. Los demás productos presentan un comportamiento similar desde las perspectivas mencionadas: niveles de ventas, utilidad y márgenes operativos relativamente homogéneos. En todos los casos, se destaca que el mayor volumen de ventas proviene del canal online.
Relación entre Variables
ggplot(datos_col, aes(x = precio_unidad, y = unidades_vendidas)) +
geom_point(alpha = 0.5, color = "navy") +
geom_smooth(method = "lm", color = "red", se = FALSE) +
labs(
title = "Grafico 17. Relacion entre precio por unidad\ny unidades vendidas",
subtitle = "Analisis de la relacion entre precio y volumen de ventas",
x = "Precio por unidad",
y = "Unidades vendidas"
) +
theme_minimal() +
theme(
plot.title = element_text(size = 16, face = "bold")
)
El gráfico muestra la relación entre el precio por unidad y las unidades vendidas, evidenciando una ligera tendencia positiva, donde a mayores precios también se observan mayores volúmenes de venta en algunos casos. Esto sugiere que la demanda no es completamente sensible al precio, posiblemente debido al posicionamiento de marca o tipo de producto.
Este resultado complementa los análisis anteriores, especialmente el Gráfico 3 y 4, donde se evidenció que algunos productos combinan alto volumen y alto valor, y el Gráfico 8, donde ciertos productos también presentan alta rentabilidad.
En conjunto, los resultados indican que el negocio no sigue un comportamiento tradicional de “a mayor precio, menor demanda”, sino que logra mantener ventas incluso en niveles de precio más altos, lo que refuerza la idea de un portafolio con valor de marca y diferenciación.
Esto indica una oportunidad para continuar fortaleciendo estrategias de precios en productos de mayor valor, sin afectar significativamente el volumen de ventas.
ggplot(datos_col, aes(x = ventas_total, y = utilidad_operativa)) +
geom_point(alpha = 0.5, color = "darkred") +
geom_smooth(method = "lm", color = "black", se = FALSE) +
labs(
title = "Grafico 18. Relacion entre ventas totales\ny utilidad operativa",
subtitle = "Analisis de la relacion entre ingresos y rentabilidad",
x = "Ventas totales",
y = "Utilidad operativa"
) +
scale_x_continuous(labels = scales::comma) +
scale_y_continuous(labels = scales::comma) +
theme_minimal() +
theme(
plot.title = element_text(size = 16, face = "bold", hjust = 0.5)
)
El gráfico muestra una relación positiva clara entre las ventas totales y la utilidad operativa, lo que indica que a mayor nivel de ventas, mayor es la rentabilidad. Sin embargo, la dispersión de los datos evidencia que no todas las ventas generan el mismo nivel de utilidad.
Este resultado se conecta con el Gráfico 8, donde se observó que la rentabilidad varía entre productos, y con el Gráfico 9, donde el canal online presenta mejores márgenes. En conjunto, se confirma que el crecimiento en ventas depende no solo del volumen, sino también del tipo de producto y canal utilizado.
En línea con el Gráfico 10, se refuerza la idea de que el negocio puede sostener ventas en distintos niveles de precio, pero la clave está en maximizar la rentabilidad de esas ventas.
Conclusión Final
El análisis realizado a partir de los diferentes gráficos permite construir una visión integral del desempeño comercial de Adidas, identificando no solo cómo se comportan las ventas, sino también cómo se generan en términos de volumen, rentabilidad, canal, precio y región. En conjunto, los resultados evidencian un negocio sólido, pero con oportunidades claras de optimización estratégica.
En primer lugar, se identifica una alta concentración del negocio tanto a nivel de producto como geográfico. Tal como se observa en el Gráfico 3 (ventas por producto) y el Gráfico 5 (participación por región), ciertas líneas como Men’s Street Footwear y regiones como West y Northeast concentran una proporción significativa de las ventas. Este comportamiento, complementado por la distribución general observada en el Gráfico 1 (ventas totales), indica que el negocio no está distribuido de manera homogénea, lo que si bien evidencia fortalezas claras, también implica una dependencia de segmentos específicos.
Adicionalmente, el análisis evidencia que Adidas opera bajo un modelo híbrido que combina volumen y valor. A partir del Gráfico 4 (unidades vendidas por producto) y el Gráfico 3 (ventas por producto), se observa que algunos productos impulsan el negocio por su alta rotación, mientras que otros lo hacen por su mayor valor monetario. Este comportamiento se refuerza con el Gráfico 14 (utilidad operativa por producto), donde se evidencia que no todos los productos que venden más son necesariamente los más rentables.
Por otra parte, los resultados muestran que la rentabilidad no es homogénea dentro del negocio. El Gráfico 18 (relación entre ventas y utilidad operativa) evidencia una relación positiva entre ambas variables, pero con alta dispersión, lo que indica que no todas las ventas generan el mismo nivel de utilidad. Esto se complementa con el Gráfico 14, donde se observan diferencias en la rentabilidad por producto, confirmando que el crecimiento en ingresos no siempre se traduce en un crecimiento proporcional en la rentabilidad.
En cuanto a los canales, el análisis demuestra que el canal online se posiciona como el principal motor de valor del negocio. Tal como se observa en el Gráfico 6 (ventas por método de venta) y el Gráfico 15 (margen operativo por canal), este canal no solo lidera en participación, sino también en rentabilidad. Esto evidencia una estrategia digital sólida que está generando valor diferencial frente a los canales físicos.
Asimismo, el Gráfico 17 (precio vs unidades vendidas) muestra que la relación entre precio y volumen no sigue completamente un comportamiento tradicional, ya que se observa que el negocio puede sostener ventas incluso a niveles de precio más altos. Esto sugiere una baja sensibilidad al precio en ciertos segmentos, probablemente asociada al posicionamiento de marca y percepción de valor.
Por otro lado, el análisis de la variabilidad, evidenciado en el Gráfico 1 (distribución de ventas) y el Gráfico 7 (boxplot por región), muestra una alta dispersión y presencia de valores atípicos en las ventas. Esto indica que parte del desempeño del negocio depende de transacciones de alto valor, lo que introduce un componente de volatilidad que debe ser gestionado estratégicamente.
Adicionalmente, se realizó un análisis exploratorio por distribuidor (retailer) y ciudad mediante tablas resumen, identificando diferencias relevantes en la concentración de ventas. Estos resultados complementan el análisis gráfico y permiten una visión más completa del desempeño comercial.
Analitica Preescriptiva
A partir de lps analisis realizados y las situaciones identificadas, se plantean las siguientes recomendaciones estratégicas orientadas a fortalecer el desempeño del negocio de Adidas:
En primer lugar, resulta clave fortalecer y expandir el canal online, dado que ha demostrado ser el más relevante tanto en ventas como en rentabilidad. Esto implica continuar invirtiendo en experiencia digital, analítica de datos, personalización de la oferta y capacidades logísticas que permitan sostener y escalar este canal.
En segundo lugar, se recomienda optimizar el portafolio de productos, diferenciando claramente entre aquellos que generan volumen y aquellos que generan margen. Para los productos líderes, se sugiere potenciar su posicionamiento y disponibilidad, mientras que para los productos con menor rentabilidad, se deben evaluar estrategias de ajuste en precios, promociones o incluso decisiones de racionalización del portafolio.
Adicionalmente, es importante reducir la dependencia geográfica, fortaleciendo la presencia en regiones con menor participación. Esto puede lograrse mediante estrategias comerciales focalizadas, adaptación del portafolio a las características locales y mayor inversión en marketing regional.
En términos de pricing, se recomienda implementar estrategias diferenciadas según la sensibilidad al precio, aprovechando aquellos segmentos donde la demanda es menos elástica para maximizar márgenes, y ajustando precios en productos más sensibles para estimular el volumen.
Por otra parte, es fundamental equilibrar el enfoque entre crecimiento y rentabilidad, priorizando no solo el incremento en ventas, sino la calidad de las mismas. Esto implica gestionar activamente la combinación de producto, canal y precio para maximizar el valor generado.
Finalmente, se sugiere reducir la variabilidad del negocio, disminuyendo la dependencia de ventas atípicas mediante estrategias que fomenten ingresos más recurrentes, como programas de fidelización, optimización de la experiencia del cliente y fortalecimiento de la demanda base.
En conclusión, el análisis evidencia que Adidas cuenta con una base sólida de crecimiento, sustentada en productos líderes, un canal digital fuerte y una propuesta de valor diferenciada. No obstante, el reto estratégico radica en evolucionar hacia un modelo donde el crecimiento no solo esté impulsado por el volumen de ventas, sino por la capacidad de generar valor sostenible, optimizando la combinación de producto, canal, precio y región.