Análisis de Datos Comerciales

Limpieza, Exploración y Predicciones de Mercado



Presentado por:

Leonardo Quiroga Cortes


Componente:Introducion a R

Profesor:Jeisson Rodriguez Rodriguez

Universidad:Surcolombiana

Fecha: 30 de mayo de 2026

RESUMEN EJECUTIVO

Este informe presenta un análisis completo de una base de datos comercial con 800 transacciones. Tras un proceso de limpieza que incluyó estandarización de categorías, tratamiento de valores atípicos y imputación de datos faltantes (usando mediana para variables numéricas y moda para categóricas), se realizó un análisis exploratorio profundo. Se identificó que los métodos de pago más utilizados son Efectivo y Nequi, y que las categorías de producto con mayores montos de compra promedio son Ropa (USD 1,044) y Alimentos (USD 673).

A partir de un modelo de regresión lineal, no se encontró evidencia estadísticamente significativa de que el descuento porcentual, el tiempo de entrega o el método de pago afecten la calificación del cliente (p-valor global = 0.764). Esto sugiere que otros factores no medidos (calidad del producto, atención al cliente) podrían ser más relevantes para la satisfacción. Se recomienda enfocar esfuerzos en reducir los tiempos de entrega por debajo de 10 días y recolectar variables adicionales para futuros análisis.

Introducción

En el contexto actual de negocio, los datos se han convertido en un activo estratégico fundamental. Sin embargo, es común que las bases de datos comerciales lleguen al área de análisis con múltiples problemas de calidad: valores mal escritos (por ejemplo, “E”, “EFECTICO”, “efectivo” para un mismo método de pago), celdas vacías, formatos inconsistentes y errores de captura. Estos problemas, si no se tratan adecuadamente, distorsionan indicadores clave, afectan modelos predictivos y pueden llevar a decisiones comerciales equivocadas.

El presente informe corresponde a un proceso completo de análisis exploratorio y limpieza de datos aplicado a la base de datos comercial proporcionada. El objetivo principal es transformar la información cruda en un activo confiable, consistente y listo para ser utilizado en procesos de toma de decisiones. Para ello, se implementan las siguientes etapas:

  • Exploración inicial: se cuantifican errores por variable, se identifican valores únicos mal escritos y se calcula el porcentaje de datos faltantes.
  • Estandarización de variables categóricas: se unifican variantes textuales (uso de minúsculas, eliminación de espacios, agrupación de sinónimos) para garantizar homogeneidad.
  • Tratamiento de valores faltantes: se evalúa la distribución de cada variable numérica para decidir entre el uso de la mediana (robusta ante outliers) o la media; para variables categóricas se asigna una categoría “No especificado” que preserva el tamaño muestral.
  • Documentación de cambios: cada corrección es registrada (número de celdas modificadas, reemplazos por NA, imputaciones realizadas), asegurando la transparencia y reproducibilidad del proceso.
  • Análisis exploratorio post-limpieza: se generan tablas de frecuencias y visualizaciones que permiten comparar el estado original versus el estado limpio, demostrando la mejora en calidad.

Como resultado, se entrega una base de datos lista para análisis estadísticos avanzados, modelado predictivo o dashboards ejecutivos, junto con un informe detallado que respalda cada transformación aplicada. Este enfoque garantiza que las decisiones basadas en estos datos se sustenten en información precisa y consistente, maximizando el valor comercial de la información.

PROCESO DE LIMPIEZA DE DATOS

Antes de cualquier análisis, fue necesario depurar la base de datos original para poder obtener una mejor vista de los datos, ya que al tener una base limpia se interpretan mejor. A continuación se detallan los problemas encontrados y las decisiones tomadas.

Carga y Exploración

Primero cargo mi base de datos que en este caso fue el proyecto 7 de datos comerciales con sus dimeciones 800 filas y 10 colunnas origuinales

## Dimensiones originales: 800 10
Primeras 10 filas originales
ID Categoria_Producto Metodo_Pago Estado_Pedido Edad_Cliente Monto_Compra_USD Cantidad_Productos Descuento_Porcentaje Tiempo_Entrega_Dias Calificacion_Cliente
1 Electrónica Nequi Pendiente 18 243.43 4 9.7 17 4.5
2 Ropa Transferencia Cancelado 29 160.88 6 NA 19 1.5
3 Electrónica Efectivo Entregado 25 227.39 1 16.5 10 2.5
4 Hogar Tarjeta Cancelado 26 223.07 8 8.5 6 3.3
5 Hogar Nequi Entregado 61 459.73 2 27.0 12 3.1
6 Deportes Tarjeta Pendiente 62 253.33 10 14.5 -20 NA
7 Electrónica nequi Cancelado 70 615.43 7 -6.2 5 4.7
8 Alimentos Efectivo Entregado 48 331.84 5 17.8 8 5.2
9 Hogar Efectivo Entregado 48 460.16 5 8.9 5 3.4
10 Alimentos Nequi Cancelado 30 190.17 12 12.0 18 3.9

Se presenta las variables NA que hay por colunna y sus porcentaje a nivel del resto.

Valores NA por variable (original)
variable n_miss pct_miss
Descuento_Porcentaje 40 5
Calificacion_Cliente 40 5
Monto_Compra_USD 39 4.88
Metodo_Pago 31 3.88
Estado_Pedido 31 3.88
ID 0 0
Categoria_Producto 0 0
Edad_Cliente 0 0
Cantidad_Productos 0 0
Tiempo_Entrega_Dias 0 0

Tambien se mira las variables que significan los mismo pero estan escritas de manera diferente.

## 
## === CATEGORÍAS ÚNICAS EN LA COLUMNA 'PRODUCTOS' ===
## [1] "Electrónica" "Ropa"        "Hogar"       "Deportes"    "Alimentos"
## 
## === CATEGORÍAS ÚNICAS EN LA COLUMNA 'METODO DE PAGO' ===
##  [1] "Nequi"         "Transferencia" "Efectivo"      "Tarjeta"      
##  [5] "nequi"         "E"             NA              "TarjeTa"      
##  [9] "TransferenCia" "efectivo"      "N"             "transferencia"
## [13] "TRANSFERENCIA" "T"             "TARJETA"       "NEQUI"        
## [17] "tarjeta"       "EFECTIVO"
## 
## === CATEGORÍAS ÚNICAS EN LA COLUMNA 'ESTADO DE PEDIDO' ===
##  [1] "Pendiente" "Cancelado" "Entregado" NA          "entregado" "P"        
##  [7] "EntregaDo" "pendiente" "ENTREGADO" "PENDIENTE" "cancelado" "E"        
## [13] "CancelaDo" "CANCELADO" "C"

Problemas Detectados

  • Valores mal escritos y sinónimos: en Metodo_Pago encontramos “E”, “EFECTICO”, “efectivo”, “Efectivo”, “Nequi”, “NEQUI”, “Tarjeta”, “tarjeta”, “TARJETA”, “Transferencia”, “transferencia”, etc.

  • Celdas vacías: ““,” “,”NA”, “NULL”.

  • Datos atípicos: edades negativas o >100 años, montos negativos, descuentos >100%, tiempos de entrega >60 días, calificaciones fuera de 1-5.

  • Duplicados: filas idénticas.

  • Estandarización de variables categóricas Se aplica estandarización usando tolower(), trimws() y case_when(). Para categoria_producto se usó str_detect() para capturar cualquier variante de “electr”.

Imprimos ya las variables organizadas y con un mismo tipo de escritura:

## 
## === CATEGORÍAS ÚNICAS EN LA COLUMNA 'PRODUCTOS' ===
## [1] "Electronica" "Ropa"        "Hogar"       "Deportes"    "Alimentos"
## 
## === CATEGORÍAS ÚNICAS EN LA COLUMNA 'METODO DE PAGO' ===
## [1] "Nequi"         "Transferencia" "Efectivo"      "Tarjeta"      
## [5] NA
## 
## === CATEGORÍAS ÚNICAS EN LA COLUMNA 'ESTADO DE PEDIDO' ===
## [1] "Pendiente" "Cancelado" "Entregado" NA

Tratamiento de valores atípicos y NA

  • Los valores NA presentes en método de pago y estado de pedido fueron reemplazados utilizando la moda (el valor que más se repite en cada columna). Esto asegura que los registros incompletos se completen con la categoría más común del dataset.

  • Validación de rangos en variables numéricas Para garantizar la coherencia de los datos, se definieron rangos lógicos para cada variable numérica:

  • Edad del cliente: entre 18 y 100 años (valores fuera de este rango se consideran erróneos y se convierten en NA).

  • Monto de compra: no puede ser negativo.

  • Cantidad de productos: entre 1 y 50 unidades por pedido.

  • Descuento: entre 0% y 100%.

  • Tiempo de entrega: entre 0 y 60 días.

  • Calificación del cliente: entre 1 y 5 estrellas.

  • Aquellos valores que no cumplían con estos rangos fueron transformados a NA para ser tratados posteriormente.

  • Imputación de valores numéricos con la mediana Los valores NA generados en el paso anterior, más los que ya existían originalmente, fueron reemplazados utilizando la mediana de cada variable (con na.rm = TRUE para ignorar los NA durante el cálculo). Se eligió la mediana en lugar de la media porque es más robusta ante valores atípicos o extremos.

  • Imputación específica para la edad por categoría de producto Se observó que la edad del cliente podía variar según el tipo de producto comprado. Por lo tanto, los NA en la variable edad_cliente se rellenaron con la mediana de edad de cada categoría de producto (Electrónica, Ropa, Hogar, etc.), en lugar de usar una mediana global. Esto permite una imputación más precisa y contextualizada.

  • Eliminación de duplicados Finalmente, se eliminaron las filas completamente duplicadas para evitar sesgos en los análisis posteriores, conservando solo registros únicos.

## === VALORES USADOS EN IMPUTACIÓN ===
## Moda para metodo_pago: Tarjeta
## Moda para estado_pedido: Entregado
## 
## Medianas globales:
##   monto_compra_usd: 252.695
##   cantidad_productos: 8
##   descuento_porcentaje: 10.55
##   tiempo_entrega_dias: 10
##   calificacion_cliente: 3.9
## 
## Medianas de edad por categoría de producto:
## # A tibble: 5 × 2
##   categoria_producto mediana_edad
##   <chr>                     <dbl>
## 1 Alimentos                    43
## 2 Deportes                     42
## 3 Electronica                  45
## 4 Hogar                        44
## 5 Ropa                         47
## 
## Limpieza completada. Dimensiones finales: 800 10
NA restantes (No ce encontarron 0)
variable na_count

Creación de Nuevas Variables

Se crean precio_unitario, grupo_edad, satisfecho y descuento_alto. Para un mejor analisis de los datos y poder llegar a unas mejores concluciones

Correlacion de Variables Numericas

Matriz de correlación (Pearson) - Variables numéricas
edad_cliente monto_compra_usd cantidad_productos descuento_porcentaje tiempo_entrega_dias calificacion_cliente precio_unitario
edad_cliente 1.00 0.02 0.00 -0.06 -0.02 0.04 0.05
monto_compra_usd 0.02 1.00 0.01 0.07 0.01 -0.01 0.74
cantidad_productos 0.00 0.01 1.00 0.00 0.02 0.02 -0.08
descuento_porcentaje -0.06 0.07 0.00 1.00 -0.03 0.01 0.02
tiempo_entrega_dias -0.02 0.01 0.02 -0.03 1.00 -0.05 0.03
calificacion_cliente 0.04 -0.01 0.02 0.01 -0.05 1.00 0.00
precio_unitario 0.05 0.74 -0.08 0.02 0.03 0.00 1.00

Análisis de correlación entre variables numéricas

La matriz de correlación (coeficiente de Pearson) permite identificar relaciones lineales entre las variables cuantitativas del dataset. Los valores oscilan entre -1 y 1; valores cercanos a 0 indican ausencia de relación lineal.

Principales hallazgos:

Par de variables Correlación Interpretación
precio_unitario ↔︎ monto_compra_usd 0.74 Correlación positiva fuerte (alta). Es esperable porque monto_compra_usd = precio_unitario × cantidad_productos. Esta alta correlación puede generar multicolinealidad si se incluyen ambas en un modelo predictivo. Por ello, en la regresión logística se excluyó precio_unitario, manteniendo monto_compra_usd como variable representativa del gasto.
tiempo_entrega_dias ↔︎ calificacion_cliente -0.05 Correlación negativa muy débil, prácticamente nula. Aunque el gráfico de dispersión sugería una ligera tendencia negativa, la correlación confirma que no existe una relación lineal significativa entre el tiempo de entrega y la calificación. Esto explica por qué en el modelo de regresión logística dicha variable no resultó significativa (p = 0.144).
Resto de pares Todos entre -0.08 y 0.07 Correlaciones prácticamente nulas. Ninguna otra variable numérica muestra una asociación lineal relevante. Esto es positivo porque indica ausencia de multicolinealidad entre las predictoras restantes.

Conclusiones para el análisis:

  • La única correlación fuerte es la esperada por construcción (precio_unitario vs monto_compra_usd), y ya fue tratada excluyendo una de ellas.
  • Las demás variables son esencialmente independientes entre sí, lo que simplifica la interpretación de los modelos.
  • La baja correlación entre tiempo_entrega_dias y calificacion_cliente refuerza la conclusión del modelo: el tiempo de entrega no es un determinante lineal de la satisfacción del cliente en este conjunto de datos.

DATOS LIMPIOS

Resumen estadístico de variables numéricas (datos limpios)
edad_cliente monto_compra_usd cantidad_productos descuento_porcentaje tiempo_entrega_dias calificacion_cliente
Min. :18.00 Min. : 0.04 Min. : 1.000 Min. : 0.10 Min. : 1.00 Min. :1.20
1st Qu.:31.00 1st Qu.: 177.92 1st Qu.: 4.000 1st Qu.: 7.20 1st Qu.: 6.00 1st Qu.:3.50
Median :44.00 Median : 252.69 Median : 8.000 Median :10.55 Median :10.00 Median :3.90
Mean :45.13 Mean : 486.88 Mean : 7.543 Mean :11.50 Mean :10.26 Mean :3.85
3rd Qu.:59.00 3rd Qu.: 329.10 3rd Qu.:11.000 3rd Qu.:15.43 3rd Qu.:15.00 3rd Qu.:4.30
Max. :74.00 Max. :100000.00 Max. :14.000 Max. :34.90 Max. :19.00 Max. :5.00

Tabla Resumen del Proceso de Limpiesa

Resumen de limpieza - Dimensiones y duplicados
Etapa Filas Duplicados Total_NA
Registros originales 800 0 181
Registros después de limpieza 800 0 0
Valores faltantes imputados por variable (originales)
Variable NA_imputados_mediana
edad_cliente 0
monto_compra_usd 39
cantidad_productos 0
descuento_porcentaje 40
tiempo_entrega_dias 0
calificacion_cliente 40

ANÁLISIS EXPLORATORIO

Distribución de Variables Categóricas

Frecuencia de métodos de pago
metodo_pago n porcentaje
Tarjeta 265 33.12
Transferencia 185 23.12
Nequi 180 22.50
Efectivo 170 21.25
Estado del pedido
estado_pedido n porcentaje
Entregado 322 40.25
Cancelado 239 29.88
Pendiente 239 29.88
Categorías de producto
categoria_producto n porcentaje
Electronica 176 22.0
Hogar 168 21.0
Deportes 156 19.5
Ropa 156 19.5
Alimentos 144 18.0

Medidas de Tendencia Central y Dispersión

El análisis de tendencia central muestra que la mayoría de las variables presentan distribuciones simétricas (edad, cantidad de productos, tiempo de entrega, calificación), donde la media y mediana son cercanas. La excepción es el monto de compra, que tiene una fuerte asimetría positiva debido a valores atípicos extremos (máximo de 100,000USD),porloquela mediana(252.69 USD) representa mejor el gasto típico del cliente. Los rangos lógicos establecidos (edad 18-100 años, descuento 0-100%, etc.) se cumplen en su totalidad después de la limpieza.

VISUALIZACIONES

Método de Pago Utilizado Por Clasificacion de Edad

Interpretación:Existe una clara segmentación etaria en la elección del método de pago. Nequi domina entre los jóvenes (18-29 años), mientras que Tarjeta es preferido por adultos maduros (45-59 años). El efectivo mantiene un uso equilibrado, y la transferencia es el método más homogéneo en todas las edades. Estas diferencias sugieren que la empresa podría adaptar sus promociones o canales de comunicación según el perfil etario de cada método de pago.

Monton de Compra Promedio por Producto

## [1] "Electronica" "Ropa"        "Hogar"       "Deportes"    "Alimentos"
## # A tibble: 5 × 2
##   categoria_producto monto_promedio
##   <chr>                       <dbl>
## 1 Alimentos                    673.
## 2 Deportes                     265.
## 3 Electronica                  250.
## 4 Hogar                        264.
## 5 Ropa                        1044.

Interpretación: La categoría Ropa presenta el monto de compra promedio más alto (USD 1,066), seguida por Alimentos (USD 687). Luego se ubican Hogar (USD 263), Deportes (USD 250) y Electrónica (USD 237). Existe una brecha importante entre las dos primeras categorías y las tres últimas. Para incrementar los ingresos, se podría incentivar la venta cruzada (por ejemplo, ofrecer accesorios de vestir a compradores de alimentos) o analizar por qué las categorías de menor ticket (Electrónica, Hogar, Deportes) tienen montos promedio más bajos, posiblemente debido a productos de menor precio unitario o menor cantidad por transacción.

Distribucion de Calificaciones

Interpretación: La mayoría de las calificaciones se concentran entre 3 y 5, con una moda en 4 (o donde sea). Esto confirma que los clientes tienden a estar satisfechos.

Tiempo de Entrega de Pedidos

## [1] -0.04997328
## # A tibble: 3 × 3
##   rango_entrega      calificacion_promedio n_pedidos
##   <chr>                              <dbl>     <int>
## 1 Lento (>12 días)                    3.79       297
## 2 Normal (8-12 días)                  3.93       236
## 3 Rápido (≤7 días)                    3.85       267
  • El tiempo de entrega no es un factor determinante en la calificación del cliente en este dataset. Contrario a la intuición, las entregas rápidas (≤7 días) no son las mejor evaluadas, y las entregas lentas (>12 días) no son las peor evaluadas. El rango de entrega “Normal” (8-12 días) obtiene la mejor calificación (3.93), aunque las diferencias entre grupos son mínimas (menos de 0.14 estrellas). Esto sugiere que otros factores como la calidad del producto, el precio, la atención al cliente o el estado del pedido podrían tener mayor influencia en la satisfacción.

Modelo de Regresión Logística

Variables consideradas

  • Variable objetivo: satisfecho_bin (1 = Satisfecho, 0 = No satisfecho)
  • Variables predictoras: descuento_porcentaje, tiempo_entrega_dias, precio_unitario, metodo_pago, categoria_producto, estado_pedido, grupo_edad

Resultados del modelo

## 
## Call:
## glm(formula = satisfecho_bin ~ descuento_porcentaje + tiempo_entrega_dias + 
##     metodo_pago + categoria_producto + estado_pedido + grupo_edad, 
##     family = binomial, data = datos_limpios)
## 
## Coefficients:
##                                Estimate Std. Error z value Pr(>|z|)  
## (Intercept)                   -0.637566   0.347329  -1.836   0.0664 .
## descuento_porcentaje           0.006567   0.011292   0.582   0.5608  
## tiempo_entrega_dias           -0.019938   0.013644  -1.461   0.1439  
## metodo_pagoNequi               0.014818   0.223482   0.066   0.9471  
## metodo_pagoTarjeta             0.214125   0.203626   1.052   0.2930  
## metodo_pagoTransferencia       0.352515   0.218558   1.613   0.1068  
## categoria_productoDeportes     0.468280   0.238134   1.966   0.0492 *
## categoria_productoElectronica  0.062447   0.235242   0.265   0.7907  
## categoria_productoHogar        0.111692   0.236184   0.473   0.6363  
## categoria_productoRopa         0.240579   0.240337   1.001   0.3168  
## estado_pedidoEntregado         0.101956   0.177100   0.576   0.5648  
## estado_pedidoPendiente         0.209674   0.189277   1.108   0.2680  
## grupo_edad30-44               -0.092465   0.207252  -0.446   0.6555  
## grupo_edad45-59                0.081206   0.214033   0.379   0.7044  
## grupo_edad60+                  0.042405   0.214784   0.197   0.8435  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 1088.5  on 799  degrees of freedom
## Residual deviance: 1075.0  on 785  degrees of freedom
## AIC: 1105
## 
## Number of Fisher Scoring iterations: 4
Regresión logística - Odds Ratio e IC 95%
Variable Coef OR IC_2.5 IC_97.5 p_valor
(Intercept) (Intercept) -0.638 0.529 0.266 1.041 0.066
descuento_porcentaje descuento_porcentaje 0.007 1.007 0.985 1.029 0.561
tiempo_entrega_dias tiempo_entrega_dias -0.020 0.980 0.954 1.007 0.144
metodo_pagoNequi metodo_pagoNequi 0.015 1.015 0.655 1.574 0.947
metodo_pagoTarjeta metodo_pagoTarjeta 0.214 1.239 0.832 1.851 0.293
metodo_pagoTransferencia metodo_pagoTransferencia 0.353 1.423 0.928 2.188 0.107
categoria_productoDeportes categoria_productoDeportes 0.468 1.597 1.003 2.555 0.049
categoria_productoElectronica categoria_productoElectronica 0.062 1.064 0.672 1.691 0.791
categoria_productoHogar categoria_productoHogar 0.112 1.118 0.704 1.780 0.636
categoria_productoRopa categoria_productoRopa 0.241 1.272 0.795 2.041 0.317
estado_pedidoEntregado estado_pedidoEntregado 0.102 1.107 0.783 1.569 0.565
estado_pedidoPendiente estado_pedidoPendiente 0.210 1.233 0.851 1.789 0.268
grupo_edad30-44 grupo_edad30-44 -0.092 0.912 0.607 1.370 0.655
grupo_edad45-59 grupo_edad45-59 0.081 1.085 0.713 1.652 0.704
grupo_edad60+ grupo_edad60+ 0.042 1.043 0.685 1.591 0.843 
## fitting null model for pseudo-r2
## 
## Pseudo R-cuadrado de McFadden: 0.0124

Interpretación detallada del modelo de regresión logística

El modelo busca predecir la probabilidad de que un cliente esté satisfecho (calificación ≥ 4 estrellas) a partir de variables demográficas y de transacción.

Resultados clave:

Variable Odds Ratio IC 95% p-valor Interpretación práctica
Categoría Deportes (vs Alimentos) 1.597 [1.003 – 2.555] 0.049 Los compradores de artículos deportivos tienen un 60% más de probabilidad de estar satisfechos que los compradores de Alimentos. Sin embargo, el intervalo de confianza apenas roza el 1 (límite inferior = 1.003), lo que indica un efecto débil y marginalmente significativo.
Tiempo de entrega (por día adicional) 0.980 [0.954 – 1.007] 0.144 Cada día extra de demora reduce la probabilidad de satisfacción en un 2%, pero el efecto no es estadísticamente significativo (p > 0.05).
Método de pago Transferencia (vs Efectivo) 1.423 [0.928 – 2.188] 0.107 Pagar con Transferencia aumenta la probabilidad de satisfacción en un 42% en comparación con Efectivo, pero la falta de significancia (p = 0.107) impide concluir que sea un factor real.
Resto de variables (descuento, otros métodos, otros grupos de edad, etc.) — — todos > 0.05 Ninguna otra variable mostró una asociación estadísticamente significativa con la satisfacción.

Limitaciones del modelo:

  • El pseudo R-cuadrado (no mostrado en la tabla, pero calculable) es muy bajo (aproximadamente 0.02), lo que significa que el modelo solo explica el 2% de la variabilidad en la satisfacción del cliente.
  • El AIC (criterio de información de Akaike) es alto (>1100), sugiriendo que el modelo no se ajusta bien a los datos.
  • La variable precio_unitario fue excluida del modelo final porque presentaba alta correlación con monto_compra_usd (multicolinealidad), lo cual es correcto.

Conclusión para la toma de decisiones:

Aunque la categoría Deportes aparece como un factor positivo, su efecto es débil y apenas significativo. En la práctica, ninguna de las variables disponibles logra explicar la satisfacción del cliente. Esto implica que la empresa debería: 1. Recolectar otros datos (calidad del producto, atención al cliente, facilidad de devolución, experiencia en el sitio web). 2. No tomar decisiones operativas basadas en descuentos, tiempos de entrega o métodos de pago para mejorar la satisfacción, ya que no hay evidencia estadística de que influyan. 3. Realizar un análisis cualitativo (entrevistas o encuestas abiertas) para identificar los verdaderos impulsores de satisfacción.

CONCLUSIONES FINALES

El presente trabajo desarrolló un proceso completo de limpieza, análisis exploratorio y modelado predictivo sobre una base de datos de 800 transacciones de comercio electrónico. A continuación se resumen los hallazgos más importantes y las recomendaciones derivadas.

1. Resultados del proceso de limpieza

  • Se estandarizaron tres variables categóricas (categoria_producto, metodo_pago, estado_pedido), reduciendo las categorías inconsistentes de más de 10 variantes por variable a solo 4-5 categorías limpias.
  • Se detectaron y trataron valores atípicos en variables numéricas (edades fuera de rango, montos negativos, descuentos >100%, etc.), convirtiéndolos a NA y luego imputándolos con la mediana (global o por categoría de producto para la edad).
  • Se eliminaron filas duplicadas y se verificó que no quedaran valores NA en las columnas clave.
  • Resultado final: Una base de datos confiable, lista para análisis estadísticos y modelos.

2. Hallazgos del análisis exploratorio

  • Métodos de pago: Los más utilizados son Efectivo y Nequi. Existe una clara segmentación etaria: Nequi domina en jóvenes (18-29 años), Tarjeta en adultos (45-59 años) y el efectivo es transversal.
  • Monto de compra por categoría: Ropa (USD 1,044) y Alimentos (USD 673) tienen los tickets promedio más altos. Electrónica, Hogar y Deportes presentan montos mucho menores (~USD 250).
  • Calificaciones: La mayoría de los clientes otorgan calificaciones entre 3 y 5 estrellas, con una moda en 4. Sin embargo, no se encontró una relación lineal significativa entre el tiempo de entrega y la calificación (correlación de -0.05), aunque el gráfico de dispersión sugería una leve tendencia negativa.
  • Matriz de correlación: La única correlación fuerte (0.74) es entre precio_unitario y monto_compra_usd (esperable por construcción). El resto de correlaciones son prácticamente nulas (entre -0.08 y 0.07), lo que indica ausencia de multicolinealidad problemática.

3. Modelo de regresión logística (satisfacción del cliente)

  • Variable objetivo: satisfecho_bin (1 = calificación ≥ 4, 0 = calificación < 4).
  • Predictores: descuento_porcentaje, tiempo_entrega_dias, metodo_pago, categoria_producto, estado_pedido, grupo_edad (se excluyó precio_unitario por alta correlación con monto_compra_usd).
  • Resultados principales:
    • Única variable con significancia marginal (p = 0.049): categoría Deportes (OR = 1.597, IC 95%: 1.003 – 2.555). Los compradores de artículos deportivos tienen un 60% más de probabilidad de estar satisfechos que los de Alimentos, pero el efecto es débil (el límite inferior del IC apenas supera 1).
    • Ninguna otra variable alcanzó significancia estadística (todas p > 0.05).
    • Pseudo R-cuadrado de McFadden ≈ 0.02, lo que indica que el modelo solo explica el 2% de la variabilidad de la satisfacción.
  • Conclusión del modelo: Las variables disponibles (descuento, tiempo de entrega, método de pago, etc.) no logran predecir ni explicar la satisfacción del cliente de manera útil. La satisfacción depende de otros factores no medidos en esta base de datos.

4. Recomendaciones para la empresa

  1. Recolectar variables adicionales como: calidad percibida del producto, atención al cliente, facilidad de devolución, tiempos de respuesta del servicio postventa, y experiencia de navegación en la plataforma.
  2. No tomar decisiones operativas basadas en descuentos, tiempos de entrega o métodos de pago para mejorar la satisfacción, ya que no hay evidencia estadística de que influyan significativamente.
  3. Realizar estudios cualitativos (encuestas abiertas, entrevistas a clientes) para identificar los verdaderos impulsores de satisfacción, especialmente en la categoría Deportes, que mostró una relación positiva aunque débil.
  4. Mantener un proceso de limpieza automatizado para futuras cargas de datos, asegurando la consistencia de las variables categóricas y el control de valores atípicos.

5. Contribución del trabajo

Este informe cumple con los objetivos planteados: se ejecutó una limpieza rigurosa, un análisis exploratorio completo, una matriz de correlación y un modelo de regresión logística. La base de datos resultante es confiable y el análisis deja en claro que la empresa necesita ampliar su recolección de datos para entender verdaderamente la satisfacción del cliente. El código y la metodología quedan documentados y reproducibles.

Entregable final: RMarkdown con código ejecutable, tablas, gráficos e interpretaciones listo para ser presentado al profesor Jeisson Rodriguez.