Antes de empezar

Este documento no pretende convertir el proyecto en una lista de comandos. La lógica será siempre:

\[ \text{pregunta} \rightarrow \text{decisión estadística} \rightarrow \text{evidencia} \rightarrow \text{interpretación} \rightarrow \text{implicación} \]

La base fue construida para que existan comportamientos reales, valores extremos válidos, datos faltantes y algunas inconsistencias. Por tanto, un valor raro no se elimina automáticamente. Primero se investiga.

Clave docente. La solución usa resultados calculados directamente sobre la base. Los textos con código en línea se actualizarán al tejer el documento, evitando escribir a mano cifras que puedan cambiar si se genera otra versión de la base.

1. Cargar y reconocer la base

1.1 Lectura eficiente

Con más de diez millones de registros conviene trabajar con data.table. Si se dispone del archivo .rds, esa será la ruta recomendada.

ruta_rds <- "Business_Data_Lab.rds"
ruta_csv <- "Business_Data_Lab.csv"

if (file.exists(ruta_rds)) {
  ventas <- readRDS(ruta_rds)
  setDT(ventas)
} else if (file.exists(ruta_csv)) {
  ventas <- fread(ruta_csv)
} else {
  stop("Ubique Business_Data_Lab.rds o Business_Data_Lab.csv en la carpeta de trabajo.")
}

dim(ventas)

## [1] 1438729      27

La primera comprobación no es calcular la media: es preguntar qué tenemos.

str(ventas)

## Classes 'data.table' and 'data.frame':   1438729 obs. of  27 variables:
##  $ fila               : int  1 2 3 4 5 6 7 8 9 10 ...
##  $ id_transaccion     : chr  "TX000664995" "TX000717907" "TX000215251" "TX000264893" ...
##  $ fecha              : Date, format: "2026-05-25" "2025-04-17" ...
##  $ anio               : int  2026 2025 2025 2023 2024 2023 2024 2025 2024 2025 ...
##  $ mes                : int  5 4 1 8 1 11 7 11 6 3 ...
##  $ trimestre          : chr  "T2" "T2" "T1" "T3" ...
##  $ dia_semana         : chr  "lunes" "jueves" "domingo" "martes" ...
##  $ fin_semana         : chr  "No" "No" "Sí" "No" ...
##  $ id_cliente         : chr  "CL0224227" "CL0474181" "CL0814355" "CL0346415" ...
##  $ tipo_cliente       : chr  "Persona" "Persona" "Persona" "Persona" ...
##  $ ciudad             : chr  "Medellín" "Cali" "Bogotá" "Cali" ...
##  $ region             : chr  "Andina" "Occidente" "Centro" "Occidente" ...
##  $ canal              : chr  "Página web" "Marketplace" "Página web" "App" ...
##  $ categoria          : chr  "Hogar" "Hogar" "Accesorios" "Deportes" ...
##  $ producto           : chr  "Mesa auxiliar" "Lámpara" "Morral" "Colchoneta" ...
##  $ unidades           : int  2 2 1 4 8 3 4 7 2 5 ...
##  $ precio_unitario    : num  228800 84100 77900 76400 249700 ...
##  $ descuento          : num  0 0.3 0.1 0.15 0 0.4 0.1 0.05 0 0.3 ...
##  $ precio_final       : num  228800 58870 70110 64940 249700 ...
##  $ ingreso            : num  503400 117700 61700 259800 1757900 ...
##  $ costo              : num  319200 102090 34600 166000 1144700 ...
##  $ utilidad           : num  184200 15610 27100 93800 613200 ...
##  $ margen_pct         : num  36.6 13.3 43.9 36.1 34.9 ...
##  $ tiempo_entrega_dias: int  2 10 5 2 5 5 0 5 13 5 ...
##  $ satisfaccion       : num  NA 3.9 NA 4.9 4.6 4.3 NA 5 3.9 4.9 ...
##  $ devolucion         : chr  "No" "Sí" "No" "No" ...
##  $ estado_operacion   : chr  "Completada" "Completada" "Completada" "Completada" ...
##  - attr(*, ".internal.selfref")=<externalptr>

head(ventas, 5)

tail(ventas, 5)

La base contiene 1.438.729 registros y 27 variables. El periodo observado va desde 01/01/2023 hasta 30/06/2026.

1.2 ¿Qué representa cada fila?

Cada fila representa un registro de una operación o transacción comercial. El identificador id_transaccion intenta identificar esa operación, aunque posteriormente comprobaremos si el identificador es siempre único.

Unidad de observación

La unidad de observación es una operación comercial registrada.

No es el cliente. Un mismo cliente puede aparecer varias veces porque puede realizar varias compras.

Población de interés

Si el objetivo es describir el comportamiento del negocio durante el periodo contenido en la base, la población de interés puede formularse como:

Todas las operaciones registradas por la empresa entre la fecha inicial y final contenidas en el sistema analizado.

Esto es distinto de afirmar que la base representa todas las ventas posibles de la empresa en el futuro.

2. Fase 1 — Conozca los datos

2.1 Diccionario y clasificación de variables

diccionario <- data.table(
  variable = c(
    "fila", "id_transaccion", "fecha", "anio", "mes", "trimestre",
    "dia_semana", "fin_semana", "id_cliente", "tipo_cliente", "ciudad",
    "region", "canal", "categoria", "producto", "unidades", "precio_unitario",
    "descuento", "precio_final", "ingreso", "costo", "utilidad", "margen_pct",
    "tiempo_entrega_dias", "satisfaccion", "devolucion", "estado_operacion"
  ),
  naturaleza = c(
    "Identificador", "Cualitativa", "Temporal", "Cuantitativa", "Cuantitativa", "Cualitativa",
    "Cualitativa", "Cualitativa", "Cualitativa", "Cualitativa", "Cualitativa",
    "Cualitativa", "Cualitativa", "Cualitativa", "Cualitativa", "Cuantitativa", "Cuantitativa",
    "Cuantitativa", "Cuantitativa", "Cuantitativa", "Cuantitativa", "Cuantitativa", "Cuantitativa",
    "Cuantitativa", "Cuantitativa ordinal", "Cualitativa", "Cualitativa"
  ),
  subtipo = c(
    "Discreto", "Nominal", "Fecha", "Discreto", "Discreto", "Nominal",
    "Nominal", "Nominal", "Nominal", "Nominal", "Nominal",
    "Nominal", "Nominal", "Nominal", "Nominal", "Discreto", "Continua",
    "Continua", "Continua", "Continua", "Continua", "Continua", "Continua",
    "Discreta", "Discreta/ordinal", "Nominal", "Nominal"
  ),
  escala = c(
    "Nominal", "Nominal", "Intervalo temporal", "Intervalo", "Ordinal/temporal", "Ordinal",
    "Nominal", "Nominal", "Nominal", "Nominal", "Nominal",
    "Nominal", "Nominal", "Nominal", "Nominal", "Razón", "Razón",
    "Razón*", "Razón", "Razón", "Razón", "Razón**", "Razón***",
    "Razón", "Ordinal", "Nominal", "Nominal"
  ),
  unidad = c(
    "registro", "código", "día", "año", "mes", "trimestre",
    "categoría", "categoría", "código", "categoría", "categoría",
    "categoría", "categoría", "categoría", "categoría", "unidades", "COP/unidad",
    "proporción", "COP/unidad", "COP", "COP", "COP", "%",
    "días", "puntos (1–5)", "categoría", "categoría"
  )
)

kable(diccionario, align = "lllll")

variable	naturaleza	subtipo	escala	unidad
fila	Identificador	Discreto	Nominal	registro
id_transaccion	Cualitativa	Nominal	Nominal	código
fecha	Temporal	Fecha	Intervalo temporal	día
anio	Cuantitativa	Discreto	Intervalo	año
mes	Cuantitativa	Discreto	Ordinal/temporal	mes
trimestre	Cualitativa	Nominal	Ordinal	trimestre
dia_semana	Cualitativa	Nominal	Nominal	categoría
fin_semana	Cualitativa	Nominal	Nominal	categoría
id_cliente	Cualitativa	Nominal	Nominal	código
tipo_cliente	Cualitativa	Nominal	Nominal	categoría
ciudad	Cualitativa	Nominal	Nominal	categoría
region	Cualitativa	Nominal	Nominal	categoría
canal	Cualitativa	Nominal	Nominal	categoría
categoria	Cualitativa	Nominal	Nominal	categoría
producto	Cualitativa	Nominal	Nominal	categoría
unidades	Cuantitativa	Discreto	Razón	unidades
precio_unitario	Cuantitativa	Continua	Razón	COP/unidad
descuento	Cuantitativa	Continua	Razón*	proporción
precio_final	Cuantitativa	Continua	Razón	COP/unidad
ingreso	Cuantitativa	Continua	Razón	COP
costo	Cuantitativa	Continua	Razón	COP
utilidad	Cuantitativa	Continua	Razón**	COP
margen_pct	Cuantitativa	Continua	Razón***	%
tiempo_entrega_dias	Cuantitativa	Discreta	Razón	días
satisfaccion	Cuantitativa ordinal	Discreta/ordinal	Ordinal	puntos (1–5)
devolucion	Cualitativa	Nominal	Nominal	categoría
estado_operacion	Cualitativa	Nominal	Nominal	categoría

* El descuento se expresa como proporción. Un 0,20 representa 20 %.

** La utilidad puede ser negativa. Conceptualmente sigue siendo una magnitud monetaria con cero significativo, aunque esto obliga a tener cuidado con cocientes.

*** El margen porcentual es una razón derivada. Compararlo es útil, pero no debe confundirse con una variable monetaria aditiva.

Punto conceptual importante. Que anio esté guardado como número no significa que tenga sentido promediar años. El tipo de almacenamiento de R y la naturaleza estadística de una variable no son la misma cosa.

2.2 Datos faltantes

faltantes <- data.table(
  variable = names(ventas),
  n_faltantes = vapply(ventas, function(x) sum(is.na(x)), numeric(1))
)
faltantes[, porcentaje := n_faltantes / nrow(ventas)]
faltantes <- faltantes[n_faltantes > 0][order(-n_faltantes)]

faltantes[, .(
  variable,
  n_faltantes = fmt_n(n_faltantes),
  porcentaje = fmt_p(porcentaje, 2)
)] |> kable()

variable	n_faltantes	porcentaje
satisfaccion	297.453	20,67%
tiempo_entrega_dias	8.632	0,60%

La pregunta correcta no es únicamente “¿cuántos NA hay?”, sino “¿faltan de la misma manera en todos los grupos?”.

na_satisfaccion_canal <- ventas[, .(
  operaciones = .N,
  sin_satisfaccion = sum(is.na(satisfaccion)),
  porcentaje_sin_satisfaccion = mean(is.na(satisfaccion))
), by = canal][order(-porcentaje_sin_satisfaccion)]

na_satisfaccion_canal[, .(
  canal,
  operaciones = fmt_n(operaciones),
  sin_satisfaccion = fmt_n(sin_satisfaccion),
  porcentaje = fmt_p(porcentaje_sin_satisfaccion, 1)
)] |> kable()

canal	operaciones	sin_satisfaccion	porcentaje
Tienda física	489.517	254.907	52,1%
Página web	387.791	17.552	4,5%
Marketplace	172.274	7.690	4,5%
App	288.641	12.853	4,5%
Venta telefónica	100.506	4.451	4,4%

Interpretación. Si el porcentaje de satisfacción faltante cambia fuertemente por canal, no es razonable asumir de entrada que los faltantes son completamente aleatorios. En consecuencia, comparar promedios de satisfacción sin mencionar la cobertura de respuesta puede producir una lectura incompleta.

2.3 ¿El identificador de transacción es único?

ids_repetidos <- ventas[, .N, by = id_transaccion][N > 1]

data.table(
  ids_repetidos = nrow(ids_repetidos),
  registros_involucrados = sum(ids_repetidos$N),
  exceso_sobre_un_id = sum(ids_repetidos$N - 1L)
) |> kable()

ids_repetidos	registros_involucrados	exceso_sobre_un_id
1248	2496	1248

Encontrar un ID repetido no autoriza a ejecutar unique(ventas) sin mirar. Dos filas con el mismo identificador podrían diferir en otros campos. Primero se inspeccionan.

ventas[id_transaccion %chin% head(ids_repetidos$id_transaccion, 5)][order(id_transaccion, fila)]

2.4 Reglas de validación: imposible, sospechoso y atípico

Separaremos tres conceptos:

Imposible/inconsistente por definición: por ejemplo, satisfacción fuera de 1–5 o tiempo de entrega negativo.
Sospechoso: muy raro, pero requiere contexto antes de declararlo error.
Atípico válido: observación extrema que sí puede representar una operación real, como una compra corporativa grande.

reglas <- ventas[, .(
  descuento_fuera_rango = sum(descuento < 0 | descuento > 0.50, na.rm = TRUE),
  entrega_negativa = sum(tiempo_entrega_dias < 0, na.rm = TRUE),
  satisfaccion_fuera_escala = sum(satisfaccion < 1 | satisfaccion > 5, na.rm = TRUE),
  precio_muy_bajo = sum(precio_unitario < 5000, na.rm = TRUE),
  entrega_mayor_30 = sum(tiempo_entrega_dias > 30, na.rm = TRUE)
)]

t(reglas)

##                           [,1]
## descuento_fuera_rango      310
## entrega_negativa           164
## satisfaccion_fuera_escala  215
## precio_muy_bajo            650
## entrega_mayor_30           303

Los dos últimos criterios son banderas de revisión, no pruebas de error. Un precio bajo o una entrega de 45 días pueden ser posibles en el mundo real. En cambio, una satisfacción de 10 en una escala 1–5 contradice la definición de la variable.

2.5 Consistencia entre variables relacionadas

Hay variables que deberían guardar relaciones lógicas. Por ejemplo, ciudad y región; también precio_final debería estar relacionado con precio y descuento.

ventas[, .N, by = .(ciudad, region)][order(ciudad, -N)] |> head(30) |> kable()

ciudad	region	N
Barranquila	Centro	37
Barranquila	Andina	24
Barranquila	Occidente	19
Barranquila	Caribe	16
Barranquila	Oriente	7
Barranquilla	Caribe	129256
Bogota	Andina	31
Bogota	Centro	21
Bogota	Caribe	17
Bogota	Occidente	16
Bogota	Oriente	9
Bogotá	Centro	432324
Bucaramanga	Oriente	100824
Cali	Occidente	187132
Cali	Centro	26
Cali	Andina	22
Cali	Caribe	15
Cali	Oriente	11
Cali	Occidente	9
Cartagena	Caribe	101038
Ibagué	Occidente	71698
MEDELLIN	Centro	38
MEDELLIN	Andina	22
MEDELLIN	Caribe	20
MEDELLIN	Occidente	13
MEDELLIN	Oriente	8
Manizales	Andina	57622
Medellin	Centro	37
Medellin	Andina	28
Medellin	Occidente	21

ventas[, precio_final_teorico := precio_unitario * (1 - descuento)]
ventas[, diferencia_precio := precio_final - precio_final_teorico]

resumen_consistencia_precio <- ventas[, .(
  n = .N,
  diferencia_mediana = median(abs(diferencia_precio), na.rm = TRUE),
  p99_diferencia = quantile(abs(diferencia_precio), .99, na.rm = TRUE),
  casos_diferencia_mayor_1000 = sum(abs(diferencia_precio) > 1000, na.rm = TRUE)
)]

resumen_consistencia_precio |> kable()

n	diferencia_mediana	p99_diferencia	casos_diferencia_mayor_1000
1438729	0	0	1380

ventas[, c("precio_final_teorico", "diferencia_precio") := NULL]

Lectura empresarial. Cuando una variable derivada no coincide con sus componentes, no basta con corregirla silenciosamente: habría que conocer cuál campo es la fuente oficial. En este laboratorio lo documentamos como una inconsistencia potencial.

2.6 ¿Qué variables son especialmente importantes?

Para una primera radiografía del negocio seleccionamos:

ingreso: tamaño monetario de la operación;
utilidad y margen_pct: resultado económico, no solo volumen;
unidades: tamaño físico de la operación;
descuento: intensidad promocional;
canal, categoria, ciudad, tipo_cliente: segmentación;
tiempo_entrega_dias: desempeño operativo;
satisfaccion y devolucion: experiencia posterior a la operación;
estado_operacion: define si la transacción puede interpretarse como venta completada.

3. Definir la base analítica antes de calcular

No todas las preguntas necesitan exactamente las mismas filas. Para estudiar el desempeño comercial principal usaremos operaciones completadas y conservaremos aparte las banderas de calidad.

ventas[, flag_imposible :=
  (!is.na(descuento) & (descuento < 0 | descuento > 0.50)) |
  (!is.na(tiempo_entrega_dias) & tiempo_entrega_dias < 0) |
  (!is.na(satisfaccion) & (satisfaccion < 1 | satisfaccion > 5))
]

ventas[, flag_sospechoso :=
  (!is.na(precio_unitario) & precio_unitario < 5000) |
  (!is.na(tiempo_entrega_dias) & tiempo_entrega_dias > 30)
]

ventas[, flag_analitica := estado_operacion == "Completada" & flag_imposible == FALSE]

n_completadas <- ventas[estado_operacion == "Completada", .N]
n_analitica <- ventas[flag_analitica == TRUE, .N]

data.table(
  conjunto = c("Base original", "Completadas", "Completadas sin inconsistencias imposibles"),
  registros = c(nrow(ventas), n_completadas, n_analitica),
  porcentaje_base = c(1, n_completadas/nrow(ventas), n_analitica/nrow(ventas))
)[, .(
  conjunto,
  registros = fmt_n(registros),
  porcentaje_base = fmt_p(porcentaje_base, 2)
)] |> kable()

conjunto	registros	porcentaje_base
Base original	1.438.729	100,00%
Completadas	1.388.183	96,49%
Completadas sin inconsistencias imposibles	1.387.525	96,44%

No eliminamos los casos flag_sospechoso de forma automática. Precisamente queremos conservar la posibilidad de que una operación rara sea real. Sí excluimos de la base principal los valores que contradicen las reglas explícitas de medición.

4. Fase 2 — Radiografía del negocio

4.1 ¿Cómo se distribuye el ingreso por operación?

El ingreso suele presentar cola derecha: muchas operaciones relativamente pequeñas y pocas de gran tamaño. Con más de diez millones de filas, para visualizar no necesitamos dibujar diez millones de puntos; una muestra grande es suficiente para el gráfico, mientras que los estadísticos se calculan sobre toda la base.

res_ingreso <- ventas[flag_analitica == TRUE, .(
  n = .N,
  media = mean(ingreso, na.rm = TRUE),
  mediana = median(ingreso, na.rm = TRUE),
  desviacion = sd(ingreso, na.rm = TRUE),
  minimo = min(ingreso, na.rm = TRUE),
  q1 = quantile(ingreso, .25, na.rm = TRUE),
  q3 = quantile(ingreso, .75, na.rm = TRUE),
  p90 = quantile(ingreso, .90, na.rm = TRUE),
  p95 = quantile(ingreso, .95, na.rm = TRUE),
  p99 = quantile(ingreso, .99, na.rm = TRUE),
  maximo = max(ingreso, na.rm = TRUE)
)]

res_ingreso[, ric := q3 - q1]
res_ingreso[, cv := desviacion / media]

# Moda del valor observado. Como el ingreso está redondeado, puede haber
# muchos empates; por eso su interpretación es secundaria frente a la mediana.
tabla_moda_ingreso <- ventas[flag_analitica == TRUE, .N, by = ingreso][order(-N)]
moda_ingreso <- tabla_moda_ingreso$ingreso[1]
frecuencia_moda <- tabla_moda_ingreso$N[1]

res_ingreso[, .(
  n = fmt_n(n),
  media = fmt_money(media),
  mediana = fmt_money(mediana),
  q1 = fmt_money(q1),
  q3 = fmt_money(q3),
  RIC = fmt_money(ric),
  desviacion = fmt_money(desviacion),
  CV = fmt_p(cv, 1),
  P95 = fmt_money(p95),
  P99 = fmt_money(p99),
  maximo = fmt_money(maximo)
)] |> kable()

n	media	mediana	q1	q3	RIC	desviacion	CV	P95	P99	maximo
1.387.525	$1.312.190	$567.000	$299.200	$1.113.000	$813.800	$6.602.285	503,2%	$3.126.700	$8.725.780	$749.038.400

El valor modal observado es $410.400 y aparece 272 veces. En una variable monetaria casi continua, la moda depende mucho del nivel de redondeo; por eso suele ser menos informativa que la mediana o los cuartiles para describir una operación típica.

Interpretación de las medidas

Media: ingreso promedio por operación; es sensible a compras excepcionalmente grandes.
Mediana: deja 50 % de las operaciones por debajo y 50 % por encima; suele describir mejor una operación típica cuando hay asimetría fuerte.
Desviación estándar: distancia típica respecto de la media, en pesos.
RIC: amplitud del 50 % central; es robusta ante extremos.
CV: dispersión relativa respecto de la media. Es útil para comparar grupos con escalas distintas siempre que la media sea positiva y tenga sentido.

set.seed(2608)
idx_analitica <- which(ventas$flag_analitica)
idx_plot <- sample(idx_analitica, min(length(idx_analitica), 250000L))
muestra_plot <- ventas[idx_plot]
p99_ingreso <- res_ingreso$p99

ggplot(muestra_plot[ingreso <= p99_ingreso], aes(ingreso)) +
  geom_histogram(bins = 60, fill = azul, color = "white", linewidth = 0.2) +
  scale_x_continuous(labels = label_number(big.mark = ".", decimal.mark = ",")) +
  labs(
    title = "Distribución del ingreso por operación",
    subtitle = "Visualización hasta el percentil 99; el 1 % superior se excluye solo del gráfico",
    x = "Ingreso por operación (COP)", y = "Frecuencia"
  ) +
  theme_minimal(base_size = 12)

No se eliminaron los valores superiores al P99 de los cálculos: únicamente se acotó el gráfico para poder ver la masa principal.

4.2 ¿Media y mediana cuentan la misma historia?

razon_media_mediana <- res_ingreso$media / res_ingreso$mediana

data.table(
  medida = c("Media", "Mediana", "Media / mediana"),
  valor = c(fmt_money(res_ingreso$media), fmt_money(res_ingreso$mediana), fmt_num(razon_media_mediana, 2))
) |> kable()

medida	valor
Media	$1.312.190
Mediana	$567.000
Media / mediana	2,31

Si la media resulta claramente mayor que la mediana, existe evidencia descriptiva compatible con una cola derecha: unas pocas operaciones grandes empujan la media hacia arriba.

Conclusión recomendada. Para comunicar la “operación típica”, la mediana es más defendible que la media cuando la distribución está fuertemente sesgada. La media sigue siendo relevante para planeación financiera agregada; no se reemplaza, se interpreta con otra finalidad.

4.3 El 50 % central y la regla de 1,5 RIC

li <- res_ingreso$q1 - 1.5 * res_ingreso$ric
ls <- res_ingreso$q3 + 1.5 * res_ingreso$ric

res_outliers <- ventas[flag_analitica == TRUE, .(
  inferiores = sum(ingreso < li, na.rm = TRUE),
  superiores = sum(ingreso > ls, na.rm = TRUE),
  proporcion_superiores = mean(ingreso > ls, na.rm = TRUE)
)]

data.table(
  concepto = c("Q1", "Q3", "RIC", "Límite inferior", "Límite superior", "% sobre límite superior"),
  valor = c(fmt_money(res_ingreso$q1), fmt_money(res_ingreso$q3), fmt_money(res_ingreso$ric),
            fmt_money(li), fmt_money(ls), fmt_p(res_outliers$proporcion_superiores, 2))
) |> kable()

concepto	valor
Q1	$299.200
Q3	$1.113.000
RIC	$813.800 \| \|Límite inferior \|$-921.500
Límite superior	$2.333.700
% sobre límite superior	8,33%

La regla de Tukey identifica observaciones alejadas del cuerpo central. No demuestra que sean errores. En un negocio con clientes empresariales y mayoristas, una compra grande puede ser precisamente una transacción valiosa.

ventas[flag_analitica == TRUE][order(-ingreso), .(
  id_transaccion, fecha, tipo_cliente, ciudad, canal, categoria,
  unidades, ingreso, utilidad, margen_pct
)][1:15] |> kable()

id_transaccion	fecha	tipo_cliente	ciudad	canal	categoria	unidades	ingreso	utilidad	margen_pct
TX000847695	2024-03-23	Empresa	Cali	Tienda física	Tecnología	292	749038400	188826900	25.21
TX001221185	2025-05-25	Empresa	Villavicencio	App	Tecnología	316	651339200	112589500	17.29
TX000729995	2025-05-06	Empresa	Bogotá	Tienda física	Tecnología	348	625528300	167959200	26.85
TX001215981	2025-05-19	Empresa	Medellín	App	Tecnología	351	586905300	96565200	16.45
TX000384968	2023-08-21	Empresa	Medellín	Marketplace	Tecnología	409	571013100	122544400	21.46
TX001183559	2024-03-16	Empresa	Barranquilla	Tienda física	Tecnología	393	538889500	148486900	27.55
TX001256018	2024-07-15	Empresa	Bogotá	Tienda física	Oficina	440	497904000	144764300	29.07
TX000581214	2025-06-15	Empresa	Bogotá	Página web	Tecnología	434	497719900	88257900	17.73
TX000507195	2025-10-14	Empresa	Bogotá	App	Tecnología	417	496480200	154977700	31.22
TX000202173	2026-02-21	Empresa	Barranquilla	App	Tecnología	300	494304000	126529800	25.60
TX000614510	2025-12-26	Empresa	Barranquilla	Tienda física	Tecnología	404	487771400	69170700	14.18
TX001070891	2026-04-01	Empresa	Bogotá	Página web	Tecnología	404	486383700	125589500	25.82
TX000051253	2025-06-26	Empresa	Bogotá	Página web	Tecnología	356	483464000	101910800	21.08
TX000651814	2025-05-19	Empresa	Ibagué	App	Tecnología	402	478983000	152980000	31.94
TX001373749	2024-02-13	Empresa	Cartagena	Marketplace	Tecnología	446	471903700	142453500	30.19

4.4 Forma: asimetría y curtosis

Calculamos manualmente los momentos estandarizados para no añadir otro paquete.

momento_forma <- function(x) {
  x <- x[is.finite(x)]
  m <- mean(x)
  s <- sd(x)
  c(
    asimetria = mean((x - m)^3) / s^3,
    curtosis_exceso = mean((x - m)^4) / s^4 - 3
  )
}

# Para evitar crear vectores auxiliares gigantes, una muestra amplia basta
# para describir la forma; media/mediana/cuartiles anteriores sí usan la base completa.
set.seed(2608)
idx_forma <- sample(idx_analitica, min(length(idx_analitica), 1000000L))
forma_muestra <- ventas[idx_forma, ingreso]
forma <- momento_forma(forma_muestra)

data.table(
  medida = c("Asimetría", "Exceso de curtosis"),
  valor = fmt_num(unname(forma), 2)
) |> kable()

medida	valor
Asimetría	29,17
Exceso de curtosis	1375,47

Una asimetría positiva confirma cola derecha. Una curtosis elevada indica mayor peso de valores alejados del centro que en una distribución normal. Ninguna de estas medidas, por sí sola, decide que los datos estén “mal”.

5. Fase 2.2 — Mire más allá del promedio

Buscaremos dos segmentos con ingresos medios relativamente parecidos, pero distinta dispersión. En vez de elegirlos a ojo, podemos pedirle a R que examine todas las ciudades.

res_ciudad <- ventas[flag_analitica == TRUE, .(
  n = .N,
  media = mean(ingreso, na.rm = TRUE),
  mediana = median(ingreso, na.rm = TRUE),
  sd = sd(ingreso, na.rm = TRUE),
  q1 = quantile(ingreso, .25, na.rm = TRUE),
  q3 = quantile(ingreso, .75, na.rm = TRUE),
  p95 = quantile(ingreso, .95, na.rm = TRUE)
), by = ciudad]

res_ciudad[, `:=`(
  ric = q3 - q1,
  cv = sd / media
)]

res_ciudad[order(media), .(
  ciudad, n = fmt_n(n), media = fmt_money(media), mediana = fmt_money(mediana),
  sd = fmt_money(sd), CV = fmt_p(cv, 1), RIC = fmt_money(ric)
)] |> kable()

ciudad	n	media	mediana	sd	CV	RIC
bogota	101	$ 735.301	$516.000 \|$ 686.342	93,3%	$646.000 \| \|Medellin \|103 \|$ 938.197	$573.500 \|$ 1.091.181
Cali	78	$1.035.896	$657.200 \|$ 1.460.068	140,9%	$794.925
MEDELLIN	99	$1.205.097	$499.400 \|$ 5.130.259	425,7%	$705.950
Ibagué	69.173	$1.226.077	$539.900 \|$ 5.903.130	481,5%	$771.600
Villavicencio	55.484	$1.244.142	$534.950 \|$ 6.545.201	526,1%	$764.400
Pereira	69.165	$1.248.170	$534.700 \|$ 6.344.506	508,3%	$763.900
Manizales	55.505	$1.249.565	$489.500 \|$ 6.119.759	489,8%	$777.800
Bucaramanga	97.203	$1.259.383	$551.000 \|$ 6.279.612	498,6%	$782.900
Cali	180.448	$1.275.325	$560.500 \|$ 6.298.317	493,9%	$802.600
Medellín	220.897	$1.318.239	$579.000 \|$ 6.610.988	501,5%	$826.800
Barranquilla	124.728	$1.344.734	$572.450 \|$ 7.183.550	534,2%	$820.125
Bogotá	416.917	$1.358.259	$587.500 \|$ 6.757.560	497,5%	$839.600
Cartagena	97.433	$1.358.585	$580.100 \|$ 6.870.137	505,7%	$826.700
Bogota	92	$2.689.708	$705.150	$12.720.633	472,9%	$848.825
Barranquila	99	$4.347.236	$645.900	$30.607.440	704,1%	$758.800

Como la base contiene algunas etiquetas de ciudad inconsistentes, primero conviene distinguir comparaciones sustantivas de errores de escritura. Para ilustrar el fenómeno sembrado en la base, contrastaremos Pereira y Manizales.

comp_pm <- res_ciudad[ciudad %chin% c("Pereira", "Manizales")]

comp_pm[, .(
  ciudad,
  n = fmt_n(n),
  media = fmt_money(media),
  mediana = fmt_money(mediana),
  desviacion = fmt_money(sd),
  CV = fmt_p(cv, 1),
  RIC = fmt_money(ric),
  P95 = fmt_money(p95)
)] |> kable()

ciudad	n	media	mediana	desviacion	CV	RIC	P95
Manizales	55.505	$1.249.565	$489.500	$6.119.759	489,8%	$777.800	$3.159.880
Pereira	69.165	$1.248.170	$534.700	$6.344.506	508,3%	$763.900	$2.942.460

ggplot(muestra_plot[ciudad %chin% c("Pereira", "Manizales")],
       aes(x = ciudad, y = ingreso, fill = ciudad)) +
  geom_boxplot(outlier.alpha = 0.10, show.legend = FALSE) +
  coord_cartesian(ylim = c(0, p99_ingreso)) +
  scale_fill_manual(values = c("Manizales" = "#7EA6D8", "Pereira" = "#2E75B6")) +
  scale_y_continuous(labels = label_number(big.mark = ".", decimal.mark = ",")) +
  labs(title = "Mismo promedio no significa mismo comportamiento",
       subtitle = "Comparación de dispersión entre Pereira y Manizales",
       x = NULL, y = "Ingreso por operación (COP)") +
  theme_minimal(base_size = 12)

Interpretación. Una ciudad puede tener un ingreso medio atractivo y, sin embargo, mostrar menor estabilidad. La gerencia no debería usar únicamente el promedio para caracterizar la operación territorial.

6. Fase 3 — ¿Todos los segmentos se comportan igual?

6.1 ¿Qué segmentos concentran las operaciones?

segmentos_categoria <- ventas[flag_analitica == TRUE, .(
  operaciones = .N,
  ingreso_total = sum(ingreso, na.rm = TRUE),
  utilidad_total = sum(utilidad, na.rm = TRUE),
  ingreso_medio = mean(ingreso, na.rm = TRUE),
  mediana_ingreso = median(ingreso, na.rm = TRUE),
  sd_ingreso = sd(ingreso, na.rm = TRUE)
), by = categoria]

segmentos_categoria[, `:=`(
  participacion_operaciones = operaciones / sum(operaciones),
  participacion_ingreso = ingreso_total / sum(ingreso_total),
  margen_sobre_ingreso = utilidad_total / ingreso_total,
  cv_ingreso = sd_ingreso / ingreso_medio
)]

segmentos_categoria[order(-ingreso_total), .(
  categoria,
  operaciones = fmt_n(operaciones),
  `% operaciones` = fmt_p(participacion_operaciones, 1),
  ingreso_total = fmt_money(ingreso_total),
  `% ingreso` = fmt_p(participacion_ingreso, 1),
  ingreso_medio = fmt_money(ingreso_medio),
  mediana = fmt_money(mediana_ingreso),
  CV = fmt_p(cv_ingreso, 1),
  margen = fmt_p(margen_sobre_ingreso, 1)
)] |> kable()

categoria	operaciones	% operaciones	ingreso_total	% ingreso	ingreso_medio	mediana	CV	margen
Tecnología	277.265	20,0%	$696.967.050.100	38,3%	$2.513.722	$1.224.400	446,2%	16,5%
Oficina	194.339	14,0%	$273.191.209.400	15,0%	$1.405.746 \|$ 708.400	436,7%	28,3%
Electrodomésticos	139.307	10,0%	$261.974.056.600	14,4%	$1.880.552 \|$ 965.300	433,2%	24,1%
Hogar	250.112	18,0%	$233.025.021.900 \|12,8% \|$ 931.683	$ 481.500	422,4%	29,8%
Cuidado personal	166.252	12,0%	$132.792.273.900 \|7,3% \|$ 798.741	$ 417.850	424,1%	32,6%
Accesorios	207.744	15,0%	$118.549.533.400 \|6,5% \|$ 570.652	$ 290.100	432,8%	38,0%
Deportes	152.506	11,0%	$104.196.976.700 \|5,7% \|$ 683.232	$ 354.000	424,4%	33,4%

Esta tabla permite separar cuatro preguntas que suelen confundirse:

¿Quién tiene más operaciones?
¿Quién genera más ingresos totales?
¿Quién tiene operaciones típicas de mayor valor?
¿Quién convierte mejor el ingreso en utilidad?

El ganador no tiene por qué ser el mismo en las cuatro.

6.2 Ventas altas no equivalen a rentabilidad alta

plot_cat <- copy(segmentos_categoria)

ggplot(plot_cat, aes(x = ingreso_total, y = margen_sobre_ingreso, label = categoria)) +
  geom_point(size = 4, color = azul) +
  geom_text(vjust = -0.8, size = 3.6, check_overlap = TRUE) +
  scale_x_continuous(labels = label_number(big.mark = ".", decimal.mark = ",", scale_cut = cut_short_scale())) +
  scale_y_continuous(labels = label_percent(accuracy = 1)) +
  labs(
    title = "Volumen de ingresos y margen no son la misma cosa",
    x = "Ingreso total", y = "Utilidad / ingreso"
  ) +
  theme_minimal(base_size = 12)

Lectura gerencial. Un segmento puede liderar en facturación y no hacerlo en margen. Decidir únicamente con base en ventas puede premiar volumen que deja poco resultado económico.

6.3 Comparación por canal

res_canal <- ventas[flag_analitica == TRUE, .(
  operaciones = .N,
  ingreso_total = sum(ingreso, na.rm = TRUE),
  ingreso_medio = mean(ingreso, na.rm = TRUE),
  utilidad_total = sum(utilidad, na.rm = TRUE),
  margen = sum(utilidad, na.rm = TRUE) / sum(ingreso, na.rm = TRUE),
  devolucion_pct = mean(devolucion == "Sí", na.rm = TRUE),
  entrega_mediana = median(tiempo_entrega_dias, na.rm = TRUE),
  satisfaccion_media = mean(satisfaccion, na.rm = TRUE),
  cobertura_satisfaccion = mean(!is.na(satisfaccion))
), by = canal][order(-ingreso_total)]

res_canal[, .(
  canal,
  operaciones = fmt_n(operaciones),
  ingreso_total = fmt_money(ingreso_total),
  ingreso_medio = fmt_money(ingreso_medio),
  margen = fmt_p(margen, 1),
  devoluciones = fmt_p(devolucion_pct, 1),
  mediana_entrega_dias = fmt_num(entrega_mediana, 1),
  satisfaccion_media = fmt_num(satisfaccion_media, 2),
  cobertura_satisfaccion = fmt_p(cobertura_satisfaccion, 1)
)] |> kable()

canal	operaciones	ingreso_total	ingreso_medio	margen	devoluciones	mediana_entrega_dias	satisfaccion_media	cobertura_satisfaccion
Tienda física	472.147	$625.362.310.600	$1.324.508	25,3%	3,1%	0,0	4,58	47,9%
Página web	374.040	$487.093.600.400	$1.302.250	25,3%	4,1%	4,0	4,40	95,5%
App	278.271	$366.176.524.700	$1.315.899	25,3%	3,8%	4,0	4,46	95,5%
Marketplace	166.071	$214.470.941.100	$1.291.441	19,6%	5,0%	7,0	4,14	95,5%
Venta telefónica	96.996	$127.592.745.200	$1.315.443	25,2%	3,3%	5,0	4,31	95,6%

Aquí la satisfacción se reporta junto con su cobertura. Comparar 4,3 contra 4,4 sin advertir que un canal responde mucho menos sería una interpretación floja.

6.4 ¿Descuentos altos siempre son mejores?

ventas[, tramo_descuento := cut(
  descuento,
  breaks = c(-Inf, 0, .10, .20, .30, Inf),
  labels = c("0%", ">0–10%", ">10–20%", ">20–30%", ">30%"),
  right = TRUE
)]

res_desc <- ventas[flag_analitica == TRUE, .(
  operaciones = .N,
  unidades_media = mean(unidades, na.rm = TRUE),
  ingreso_medio = mean(ingreso, na.rm = TRUE),
  utilidad_media = mean(utilidad, na.rm = TRUE),
  margen = sum(utilidad, na.rm = TRUE) / sum(ingreso, na.rm = TRUE),
  devolucion = mean(devolucion == "Sí", na.rm = TRUE)
), by = tramo_descuento]

res_desc[, .(
  tramo_descuento,
  operaciones = fmt_n(operaciones),
  unidades_media = fmt_num(unidades_media, 2),
  ingreso_medio = fmt_money(ingreso_medio),
  utilidad_media = fmt_money(utilidad_media),
  margen = fmt_p(margen, 1),
  devoluciones = fmt_p(devolucion, 1)
)] |> kable()

tramo_descuento	operaciones	unidades_media	ingreso_medio	utilidad_media	margen	devoluciones
0%	360.718	5,12	$1.312.744	$334.297	25,5%	3,7%
>20–30%	171.044	7,17	$1.342.800	$302.291	22,5%	3,7%
>0–10%	471.940	5,53	$1.320.388	$331.344	25,1%	3,8%
>10–20%	338.336	5,85	$1.260.771	$314.958	25,0%	3,8%
>30%	45.487	9,54	$1.490.091	$288.129	19,3%	4,1%

Si los tramos de descuento alto muestran más unidades pero menor margen, aparece un hallazgo clásico de negocios: mover más producto no implica crear más valor por peso vendido.

No debemos afirmar causalidad. Los datos describen una asociación: otros factores —cliente, categoría, canal, temporada— también cambian entre operaciones.

7. Fase 4 — Investigue el negocio

En esta sección formulamos tres preguntas empresariales propias. La exigencia es que cada una conduzca a una decisión estadística concreta.

7.1 Pregunta 1 — ¿Los canales con entregas más lentas muestran peor experiencia?

Variables

canal, tiempo_entrega_dias, satisfaccion y devolucion.

Análisis

res_entrega <- ventas[flag_analitica == TRUE & !is.na(tiempo_entrega_dias), .(
  operaciones = .N,
  entrega_mediana = median(tiempo_entrega_dias),
  satisfaccion_media = mean(satisfaccion, na.rm = TRUE),
  cobertura_satisfaccion = mean(!is.na(satisfaccion)),
  devolucion_pct = mean(devolucion == "Sí", na.rm = TRUE)
), by = canal][order(entrega_mediana)]

res_entrega[, .(
  canal,
  operaciones = fmt_n(operaciones),
  entrega_mediana,
  satisfaccion_media = fmt_num(satisfaccion_media, 2),
  cobertura_satisfaccion = fmt_p(cobertura_satisfaccion, 1),
  devoluciones = fmt_p(devolucion_pct, 1)
)] |> kable()

canal	operaciones	entrega_mediana	satisfaccion_media	cobertura_satisfaccion	devoluciones
Tienda física	472.147	0	4,58	47,9%	3,1%
Página web	370.609	4	4,40	95,5%	4,1%
App	275.781	4	4,46	95,5%	3,8%
Venta telefónica	96.173	5	4,31	95,6%	3,3%
Marketplace	164.487	7	4,14	95,5%	5,0%

Interpretación

Comparamos posición típica de la entrega con dos indicadores de experiencia. Si los canales más lentos también exhiben satisfacción menor y/o más devoluciones, existe una señal descriptiva coherente para revisar la operación logística.

Lo que NO podemos decir

No podemos concluir, solo con esta tabla, que demorar un día adicional cause una devolución. El análisis es descriptivo.

7.2 Pregunta 2 — ¿Qué categorías combinan escala con rentabilidad?

Variables

categoria, ingreso, utilidad y margen_pct.

Análisis

med_ingreso_cat <- median(segmentos_categoria$ingreso_total)
med_margen_cat <- median(segmentos_categoria$margen_sobre_ingreso)

segmentos_categoria[, cuadrante := fcase(
  ingreso_total >= med_ingreso_cat & margen_sobre_ingreso >= med_margen_cat, "Alto ingreso / Alto margen",
  ingreso_total >= med_ingreso_cat & margen_sobre_ingreso <  med_margen_cat, "Alto ingreso / Bajo margen",
  ingreso_total <  med_ingreso_cat & margen_sobre_ingreso >= med_margen_cat, "Bajo ingreso / Alto margen",
  default = "Bajo ingreso / Bajo margen"
)]

segmentos_categoria[order(-ingreso_total), .(
  categoria,
  ingreso_total = fmt_money(ingreso_total),
  margen = fmt_p(margen_sobre_ingreso, 1),
  cuadrante
)] |> kable()

categoria	ingreso_total	margen	cuadrante
Tecnología	$696.967.050.100	16,5%	Alto ingreso / Bajo margen
Oficina	$273.191.209.400	28,3%	Alto ingreso / Bajo margen
Electrodomésticos	$261.974.056.600	24,1%	Alto ingreso / Bajo margen
Hogar	$233.025.021.900	29,8%	Alto ingreso / Alto margen
Cuidado personal	$132.792.273.900	32,6%	Bajo ingreso / Alto margen
Accesorios	$118.549.533.400	38,0%	Bajo ingreso / Alto margen
Deportes	$104.196.976.700	33,4%	Bajo ingreso / Alto margen

Interpretación

La matriz evita llamar “mejor categoría” a la que simplemente factura más. Una categoría en “alto ingreso / bajo margen” merece una pregunta distinta a una de “bajo ingreso / alto margen”.

7.3 Pregunta 3 — ¿Dónde se concentran las operaciones excepcionalmente grandes?

Usaremos un umbral relativo al propio negocio: P99 del ingreso. Esto identifica el 1 % superior sin afirmar que sea un error.

umbral_top1 <- quantile(ventas[flag_analitica == TRUE, ingreso], .99, na.rm = TRUE)

top1 <- ventas[flag_analitica == TRUE & ingreso >= umbral_top1]

res_top1_cliente <- top1[, .N, by = tipo_cliente][, participacion := N / sum(N)][order(-N)]
res_top1_cliente[, .(
  tipo_cliente,
  operaciones_top1 = fmt_n(N),
  participacion = fmt_p(participacion, 1)
)] |> kable()

tipo_cliente	operaciones_top1	participacion
Empresa	9.421	67,9%
Cliente mayorista	2.830	20,4%
Persona	1.625	11,7%

top1[, .N, by = .(tipo_cliente, canal)][order(-N)] |> head(15) |> kable()

tipo_cliente	canal	N
Empresa	Tienda física	3207
Empresa	Página web	2509
Empresa	App	1908
Empresa	Marketplace	1120
Cliente mayorista	Tienda física	1010
Cliente mayorista	Página web	737
Empresa	Venta telefónica	677
Cliente mayorista	App	589
Persona	Tienda física	545
Persona	Página web	450
Persona	App	334
Cliente mayorista	Marketplace	301
Cliente mayorista	Venta telefónica	193
Persona	Marketplace	182
Persona	Venta telefónica	114

Interpretación

Si las operaciones extremas se concentran en empresas o mayoristas, eso apoya la idea de que muchos valores atípicos representan compras reales de gran escala. Eliminarlos de manera automática habría borrado precisamente un comportamiento comercial relevante.

8. Fase 5 — De resultados a hallazgos

La selección final no debe hacerse por cantidad de tablas, sino por relevancia. A continuación se propone una forma de redactar tres hallazgos; las cifras se completan dinámicamente con la base.

Hallazgo 1 — La operación típica no está bien representada por el promedio

Evidencia

La media del ingreso por operación es $1.312.190 y la mediana es $567.000. El percentil 99 alcanza $8.725.780.

Interpretación

La separación entre media y mediana, junto con una cola superior extensa, muestra una distribución asimétrica. Un grupo pequeño de operaciones grandes eleva el promedio.

Implicación para el negocio

Para describir una compra “típica” conviene comunicar mediana y cuartiles; para presupuestos agregados sigue siendo necesario estudiar ingresos totales y promedio. Son preguntas diferentes.

Hallazgo 2 — Facturar más no significa necesariamente ser más rentable

Evidencia

La categoría con mayor ingreso total es Tecnología, con $696.967.050.100 y margen agregado de 16,5%. La categoría con mayor margen agregado es Accesorios, con 38,0%.

Interpretación

Los indicadores de escala y rentabilidad ordenan los segmentos de forma diferente.

Implicación para el negocio

Las decisiones de portafolio no deberían evaluarse exclusivamente por facturación; deben considerar cuánto resultado queda después de costos.

Hallazgo 3 — La calidad de la experiencia debe evaluarse junto con la logística y la cobertura del dato

Evidencia

El canal con mayor mediana de entrega es Marketplace (7,0 días), con devolución de 5,0% y satisfacción media de 4,14. La cobertura de satisfacción en ese canal es 95,5%.

Interpretación

Entrega, devolución y satisfacción ofrecen dimensiones complementarias de la experiencia. Además, la tasa de respuesta de satisfacción cambia la confianza descriptiva con la que debe leerse el promedio.

Implicación para el negocio

Antes de comparar canales solo por satisfacción, conviene revisar cobertura de la encuesta y desempeño logístico.

9. Cinco minutos con la gerencia

Una presentación ejecutiva podría cerrarse así:

La operación típica es bastante menor que lo que sugiere el promedio cuando existen compras corporativas muy grandes. Conviene separar indicadores de operación típica de indicadores de volumen total.
Los líderes en facturación no necesariamente son los líderes en rentabilidad. La gerencia debería revisar conjuntamente ingreso, utilidad y margen antes de priorizar categorías o canales.
La experiencia del cliente está asociada con condiciones operativas distintas entre canales, pero la satisfacción tiene cobertura desigual. La siguiente decisión debería ser revisar logística, devoluciones y mecanismo de captura de satisfacción de manera integrada.

Estas conclusiones son descriptivas. Expresiones como “el descuento causa más ventas” o “la demora causa devoluciones” exceden lo que este análisis permite afirmar.

10. Qué aprendimos metodológicamente

Resolver bien este proyecto implica más que ejecutar mean() y sd():

definir la unidad de observación antes de analizar;
distinguir tipo de variable de tipo de almacenamiento;
estudiar la estructura de los faltantes;
diferenciar valores imposibles, sospechosos y extremos válidos;
elegir la población analítica adecuada para cada pregunta;
preferir medidas robustas cuando la distribución lo exige;
comparar dispersión además de promedios;
separar volumen, rentabilidad y experiencia;
no confundir asociación descriptiva con causalidad;
traducir resultados estadísticos en preguntas de negocio.

11. Anexo docente — Fenómenos que conviene comprobar

Esta sección funciona como lista de control para el profesor. No es necesario entregarla a los estudiantes.

checklist <- data.table(
  fenomeno = c(
    "IDs de transacción repetidos",
    "Satisfacción faltante y desigual por canal",
    "Satisfacción fuera de escala",
    "Tiempos de entrega negativos",
    "Descuentos fuera del rango operativo",
    "Etiquetas inconsistentes de ciudad",
    "Operaciones extremas plausibles",
    "Media de ingreso afectada por cola derecha",
    "Diferencias de dispersión entre ciudades",
    "Diferencia entre ingreso y rentabilidad",
    "Descuentos altos asociados a volumen y presión de margen"
  ),
  idea_clave = c(
    "No deduplicar sin investigar",
    "NA no necesariamente aleatorio",
    "Inconsistencia por definición",
    "Inconsistencia por definición",
    "Validar según regla de negocio",
    "Limpiar etiquetas sin ocultar el hallazgo de calidad",
    "Atípico no equivale a error",
    "Mediana y RIC son esenciales",
    "Mismo centro puede ocultar distinta estabilidad",
    "Facturación y margen responden preguntas distintas",
    "Asociación descriptiva, no causalidad"
  )
)

kable(checklist)

fenomeno	idea_clave
IDs de transacción repetidos	No deduplicar sin investigar
Satisfacción faltante y desigual por canal	NA no necesariamente aleatorio
Satisfacción fuera de escala	Inconsistencia por definición
Tiempos de entrega negativos	Inconsistencia por definición
Descuentos fuera del rango operativo	Validar según regla de negocio
Etiquetas inconsistentes de ciudad	Limpiar etiquetas sin ocultar el hallazgo de calidad
Operaciones extremas plausibles	Atípico no equivale a error
Media de ingreso afectada por cola derecha	Mediana y RIC son esenciales
Diferencias de dispersión entre ciudades	Mismo centro puede ocultar distinta estabilidad
Diferencia entre ingreso y rentabilidad	Facturación y margen responden preguntas distintas
Descuentos altos asociados a volumen y presión de margen	Asociación descriptiva, no causalidad

12. Limpieza de objetos auxiliares (opcional)

La solución mantiene una sola tabla grande, ventas, y usa flag_analitica e índices para evitar copias completas innecesarias. Esto es importante con más de diez millones de registros.

sessionInfo()

## R version 4.5.1 (2025-06-13 ucrt)
## Platform: x86_64-w64-mingw32/x64
## Running under: Windows 11 x64 (build 26200)
## 
## Matrix products: default
##   LAPACK version 3.12.1
## 
## locale:
## [1] LC_COLLATE=Spanish_Colombia.utf8  LC_CTYPE=Spanish_Colombia.utf8   
## [3] LC_MONETARY=Spanish_Colombia.utf8 LC_NUMERIC=C                     
## [5] LC_TIME=Spanish_Colombia.utf8    
## 
## time zone: America/Bogota
## tzcode source: internal
## 
## attached base packages:
## [1] stats     graphics  grDevices utils     datasets  methods   base     
## 
## other attached packages:
## [1] knitr_1.50        scales_1.4.0      ggplot2_4.0.0     data.table_1.17.8
## 
## loaded via a namespace (and not attached):
##  [1] vctrs_0.6.5        cli_3.6.5          rlang_1.1.6        xfun_0.52         
##  [5] generics_0.1.4     S7_0.2.0           jsonlite_2.0.0     labeling_0.4.3    
##  [9] glue_1.8.0         htmltools_0.5.8.1  sass_0.4.10        rmarkdown_2.29    
## [13] grid_4.5.1         tibble_3.3.0       evaluate_1.0.4     jquerylib_0.1.4   
## [17] fastmap_1.2.0      yaml_2.3.10        lifecycle_1.0.4    compiler_4.5.1    
## [21] dplyr_1.1.4        RColorBrewer_1.1-3 pkgconfig_2.0.3    rstudioapi_0.17.1 
## [25] farver_2.1.2       digest_0.6.37      R6_2.6.1           tidyselect_1.2.1  
## [29] pillar_1.11.0      magrittr_2.0.3     bslib_0.9.0        withr_3.0.2       
## [33] tools_4.5.1        gtable_0.3.6       cachem_1.1.0

concepto	valor
Q1	$299.200
Q3	$1.113.000
RIC	\(813.800 \| \|Límite inferior \|\)-921.500
Límite superior	$2.333.700
% sobre límite superior	8,33%

ciudad	n	media	mediana	sd	CV	RIC
bogota	101	$ 735.301	\(516.000 \|\) 686.342	93,3%	\(646.000 \| \|Medellin \|103 \|\) 938.197	\(573.500 \|\) 1.091.181
Cali	78	$1.035.896	\(657.200 \|\) 1.460.068	140,9%	$794.925
MEDELLIN	99	$1.205.097	\(499.400 \|\) 5.130.259	425,7%	$705.950
Ibagué	69.173	$1.226.077	\(539.900 \|\) 5.903.130	481,5%	$771.600
Villavicencio	55.484	$1.244.142	\(534.950 \|\) 6.545.201	526,1%	$764.400
Pereira	69.165	$1.248.170	\(534.700 \|\) 6.344.506	508,3%	$763.900
Manizales	55.505	$1.249.565	\(489.500 \|\) 6.119.759	489,8%	$777.800
Bucaramanga	97.203	$1.259.383	\(551.000 \|\) 6.279.612	498,6%	$782.900
Cali	180.448	$1.275.325	\(560.500 \|\) 6.298.317	493,9%	$802.600
Medellín	220.897	$1.318.239	\(579.000 \|\) 6.610.988	501,5%	$826.800
Barranquilla	124.728	$1.344.734	\(572.450 \|\) 7.183.550	534,2%	$820.125
Bogotá	416.917	$1.358.259	\(587.500 \|\) 6.757.560	497,5%	$839.600
Cartagena	97.433	$1.358.585	\(580.100 \|\) 6.870.137	505,7%	$826.700
Bogota	92	$2.689.708	$705.150	$12.720.633	472,9%	$848.825
Barranquila	99	$4.347.236	$645.900	$30.607.440	704,1%	$758.800

Business Data Lab: del dato a la decisión

Solución docente paso a paso — Estadística Aplicada a los Negocios

Guía de análisis

Antes de empezar

1. Cargar y reconocer la base

1.1 Lectura eficiente

1.2 ¿Qué representa cada fila?

Unidad de observación

Población de interés

2. Fase 1 — Conozca los datos

2.1 Diccionario y clasificación de variables

2.2 Datos faltantes

2.3 ¿El identificador de transacción es único?

2.4 Reglas de validación: imposible, sospechoso y atípico

2.5 Consistencia entre variables relacionadas

2.6 ¿Qué variables son especialmente importantes?

3. Definir la base analítica antes de calcular

4. Fase 2 — Radiografía del negocio

4.1 ¿Cómo se distribuye el ingreso por operación?

Interpretación de las medidas

4.2 ¿Media y mediana cuentan la misma historia?

4.3 El 50 % central y la regla de 1,5 RIC

4.4 Forma: asimetría y curtosis

5. Fase 2.2 — Mire más allá del promedio

6. Fase 3 — ¿Todos los segmentos se comportan igual?

6.1 ¿Qué segmentos concentran las operaciones?

6.2 Ventas altas no equivalen a rentabilidad alta

6.3 Comparación por canal

6.4 ¿Descuentos altos siempre son mejores?

7. Fase 4 — Investigue el negocio

7.1 Pregunta 1 — ¿Los canales con entregas más lentas muestran peor experiencia?

Variables

Análisis

Interpretación

Lo que NO podemos decir

7.2 Pregunta 2 — ¿Qué categorías combinan escala con rentabilidad?

Variables

Análisis

Interpretación

7.3 Pregunta 3 — ¿Dónde se concentran las operaciones excepcionalmente grandes?

Interpretación

8. Fase 5 — De resultados a hallazgos

Hallazgo 1 — La operación típica no está bien representada por el promedio

Evidencia

Interpretación

Implicación para el negocio

Hallazgo 2 — Facturar más no significa necesariamente ser más rentable

Evidencia

Interpretación

Implicación para el negocio

Hallazgo 3 — La calidad de la experiencia debe evaluarse junto con la logística y la cobertura del dato

Evidencia

Interpretación

Implicación para el negocio

9. Cinco minutos con la gerencia

10. Qué aprendimos metodológicamente

11. Anexo docente — Fenómenos que conviene comprobar

12. Limpieza de objetos auxiliares (opcional)