Dentro del presente informe se analiza la rentabilidad de Adidas con información y proposito netamente academico, usando la herramienta R.

Adidas en el mercado

Adidas nace oficialmente en 1949. Durante los años 50 la empresa empieza a trabajar en grandes avances tecnológicos con la creación de equipo innovador para atletas de clase mundial. Desde entonces a día de hoy, Adidas avanza con el desarrollo y la evolución de los modelos y las tecnologías lo que le ha permitido mantenerse y expandir su mercado (tomado de: https://www.adidas.co/blog/392942-la-historia-de-adidas-desde-1949-hasta-hoy).

Una plaza de mercado importante para Adidas es Estados Unidos, por ende, dentro del presente analisis se toma información de referencia en EEUU. Para esto se cuenta con información de productos ofertados con su respectivo precio, precio, ventas totales, costos operativos totales, margen operativo y clasificado por Región, Estado, Cuidad y distribuidor. Adicional a ello, se tiene en cuenta tambien el metodo usado para llegar al cliente final, sea en tienda fisica, online y outlet.

Análisis exploratorio

Para la elaboración del presente informe, fue necesario la instalación y carga de algunas librerias, entre ellas las siguientes:

# Cargar librerías necesarias
library(readxl)
library(dplyr)
library(ggplot2)
library(plotly)
library(knitr)
library(kableExtra)
library(tidyr)
library(RecordLinkage)
library(leaflet)
library(htmltools)

Cabe resaltar que de la base de datos suminitrada manualmente se quita las lineas donde las unidades vendidas son cero con el claro proposito de no distorcionar el promedio de las demas variables.

A continuación se ejecuta el comando para llamar los datos disponibles para el analisis, así:

library(readxl)
datos<-read_excel("C:/Users/aleja/Downloads/Fernanda Arteaga/Analitica de datos/I Evaluación/DatosSub.xlsx")
View(datos)


#Generar una secuencia de números desde 1 hasta el número total de filas y grega esta secuencia a la tabla como una nueva columna.

id=1:dim(datos)[1]
datos=data.frame(id,datos)

Se obtiene los nombres exactos de las variables que tenemos en la base de datos:

library(dplyr)
names(datos)
##  [1] "id"                 "distribuidor"       "region"            
##  [4] "estado"             "ciudad"             "Genero"            
##  [7] "producto"           "precio_unidad"      "unidades_vendidas" 
## [10] "ventas_total"       "utilidad_operativa" "margen_operativo"  
## [13] "metodo_venta"       "costo_opera"
##Cantidad de columnas relacionadas al analisis de rentabilidad de Adidas" 
length(datos)
## [1] 14

Indicadores de centralidad

A continuación realizamos el calculo de indicadores de centralidad de las variables numericas de estudio:

## Se calcula el promedio de cada una de las variables numericas:

#na.rm:  ignora valores faltantes (NA) para evitar errores en el cálculo.

cantidad_ofertas= length(datos$unidades_vendidas)
promedio_uni_ventas= mean(datos$unidades_vendidas,na.rm=TRUE)
promedio_precio= mean(datos$precio_unidad,na.rm=TRUE)
promedio_ventas= mean(datos$ventas_total,na.rm =TRUE)
promedio_margen= mean(datos$margen_operativo,na.rm=TRUE)
promedio_costo= mean(datos$costo_opera,na.rm=TRUE)

indic_areacon=data.frame(cantidad_ofertas,promedio_uni_ventas,promedio_precio,promedio_ventas,promedio_margen,promedio_costo)
indic_areacon
cantidad_ofertas promedio_uni_ventas promedio_precio promedio_ventas promedio_margen promedio_costo
9644 257.0366 45.22242 12460.25 0.4229718 7563.426 
## Se calcula la mediana del precio y el margen operativo se colocan los datos en una tabla o dataframe

cantidad_ofertas= length(datos$unidades_vendidas)
mediana_uni_ventas= median(datos$unidades_vendidas,na.rm=TRUE)
mediana_precio= median(datos$precio_unidad,na.rm=TRUE)
mediana_ventas= median(datos$ventas_total,na.rm =TRUE)
mediana_margen= median(datos$margen_operativo,na.rm=TRUE)
mediana_costo= median(datos$costo_opera,na.rm=TRUE)

indic_areacon=data.frame(cantidad_ofertas,mediana_precio,mediana_ventas,mediana_margen,mediana_costo)
indic_areacon
cantidad_ofertas mediana_precio mediana_ventas mediana_margen mediana_costo
9644 45 7812 0.41 4252.855

De esta manera y de acuerdo a los indicadores de centralidad encontramos que las variables estudiadas y con una cantidad vendida de 9.644 unidades de zapatos, el precio promedio de estos es 45.22 generando un margen operativo promedio de 0,4229718 valores similares a la mediana. Este resultado permite inferir que los datos de precio y margen son equilibrados, por tanto, no hay asimetria importante en los datos estudiados.

### Indicadores de centralidad y variabilidad para la variable "precio"

promedio_precio=mean(datos$precio_unidad,na.rm = TRUE)
mediana_precio=median(datos$precio_unidad,na.rm = TRUE)
minimo_precio=min(datos$precio_unidad,na.rm = TRUE)
maximo_precio=max(datos$precio_unidad,na.rm = TRUE)
desvest_precio=sd(datos$precio_unidad,na.rm = TRUE)

indic_areacon=data.frame(promedio_precio,mediana_precio,minimo_precio,maximo_precio,desvest_precio)
indic_areacon
promedio_precio mediana_precio minimo_precio maximo_precio desvest_precio
45.22242 45 7 110 14.70557 
## Indicadores de centralidad y variabilidad para la variable "Margen Operativo"

promedio_margen=mean(datos$margen_operativo,na.rm =TRUE)
mediana_margen=median(datos$margen_operativo,na.rm =TRUE)
minimo_margen=min(datos$margen_operativo,na.rm =TRUE)
maximo_margen=max(datos$margen_operativo,na.rm =TRUE)
desvest_margen=sd(datos$margen_operativo,na.rm =TRUE)

indic_areacon=data.frame(promedio_margen,mediana_margen,minimo_margen,maximo_margen,desvest_margen)
indic_areacon
promedio_margen mediana_margen minimo_margen maximo_margen desvest_margen
0.4229718 0.41 0.1 0.8 0.0972023

Al realizar el calculo de los indicadores de centralidad y variabilidad para el precio y el margen operativo se encontro lo sigueinte:

Precio: el precio promedio de los productos de zapatos es 45,22, con una mediana de 45, lo que evidencia una distribución relativamente centrada alrededor de estos valores. Los precios registrados presentan un mínimo de 7 y un máximo de 110,adicional la desviación estándar de 14,71 indica una dispersión moderada de los precios respecto a su valor promedio.

Margen operativo: presenta un promedio de 42,3%, con una mediana de 41%. Los valores observados oscilan entre un mínimo de 10% y un máximo de 80%. La desviación estándar de 9,72% indica una dispersión moderada de los márgenes alrededor de su valor promedio

A continuacuón se hace representación gráfica de la información disponible:

Representación gráfica Margen operativo Vs otras variables

Histograma

Creamos un histograma de las ventas vs el genero con el proposito de evaluar, cual es el genero de mayor compra en el mecado de Adidas :

colnames(datos)  # Muestra los nombres de las columnas
##  [1] "id"                 "distribuidor"       "region"            
##  [4] "estado"             "ciudad"             "Genero"            
##  [7] "producto"           "precio_unidad"      "unidades_vendidas" 
## [10] "ventas_total"       "utilidad_operativa" "margen_operativo"  
## [13] "metodo_venta"       "costo_opera"
str(datos)       # Muestra la estructura del dataframe
## 'data.frame':    9644 obs. of  14 variables:
##  $ id                : int  1 2 3 4 5 6 7 8 9 10 ...
##  $ distribuidor      : chr  "Foot Locker" "Foot Locker" "Foot Locker" "Foot Locker" ...
##  $ region            : chr  "Northeast" "Northeast" "Northeast" "Northeast" ...
##  $ estado            : chr  "New York" "New York" "New York" "New York" ...
##  $ ciudad            : chr  "New York" "New York" "New York" "New York" ...
##  $ Genero            : chr  "Men" "Men" "Women" "Women" ...
##  $ producto          : chr  "Men's Street Footwear" "Men's Athletic Footwear" "Women's Street Footwear" "Women's Athletic Footwear" ...
##  $ precio_unidad     : num  50 50 40 45 60 50 50 50 40 45 ...
##  $ unidades_vendidas : num  1200 1000 1000 850 900 1000 1250 900 950 825 ...
##  $ ventas_total      : num  60000 50000 40000 38250 54000 ...
##  $ utilidad_operativa: num  30000 15000 14000 13388 16200 ...
##  $ margen_operativo  : num  0.5 0.3 0.35 0.35 0.3 0.25 0.5 0.3 0.35 0.35 ...
##  $ metodo_venta      : chr  "In-store" "In-store" "In-store" "In-store" ...
##  $ costo_opera       : num  30000 35000 26000 24863 37800 ...
# Crear y mostrar el histograma interactivo
ggplot(datos, aes(x=Genero, y=ventas_total)) +
  stat_summary(fun=mean,geom="bar")+
    labs(title="Figura 1. Ventas totales por Genero",
         x="Genero", 
         y="ventas") +
    theme_minimal()+
  theme(axis.text.x = element_text(angle=45,hjust = 1))

# Crear y mostrar el histograma interactivo
ggplot(datos, aes(x=Genero, y=margen_operativo)) +
  stat_summary(fun=mean,geom="bar",position = "dodge")+
    labs(title="Figura 2. Margen operacional por Genero",
         x="Genero", 
         y="Margen Operacional") +
    theme_minimal()+
  theme(axis.text.x = element_text(angle=45,hjust = 1))

Con los resultados obtenidos, se observa que el margen operacional tanto de productos para hombres y mujeres es similares en Adidas, sin embargo, los hombres compraron más de acuerdo a la información analizada.

Adicional a ello y sabiendo que se cuenta con la información de el distribuidor y el metodo de venta, a continuación analizamos mediante grafico de barras cual es el metodo de venta por distribuidor que mayor rentabilidad genera:

# Crear y mostrar el histograma interactivo
ggplot(datos, aes(x=distribuidor, y=margen_operativo, fill = metodo_venta)) +
  stat_summary(fun=mean,geom="bar",position = "dodge")+
    labs(title="Figura 2. Margen operativo por distribuidor y metodo de venta",
         x="Distribuidor", 
         y="Margen_operativo",
          fill="Metdodo_venta")+
    theme_minimal()

📊 De esta manera se encuentra el metodo de venta online es el mayor rentable ubicandose por encima del 0.4 para todos los distribuidores. Seguido se encuentra el metodo de venta outlet y finalmente el in-store.

Método de venta vs margen operacional.

Ahora bien, aunque vemos que el comportamiento del margen operativo versus el metodo de ventas es similar para todos los vendedores, surge la inquietud de como se distribuye el margen operativo segun el metodo de venta de la información disponible. Se tiene entonces el siguiente diagrama de cajas y bigotes (boxplot)

# Crear y mostrar el histograma interactivo
ggplotly(
  ggplot(datos, aes(x=metodo_venta, y= margen_operativo)) +
    geom_boxplot(fill="steelblue", color="black") +
    labs(title="Figura 3. Diagrama de cajas y Bogotes del Metodo de venta Vs. Margen Operativo",
         x="Metodo_venta", 
         y="Margen_operativo") +
    theme_minimal()
)

📊 El diagrama de cajas muestra diferencias en la distribución del margen operativo según el método de venta. El canal Online presenta la mediana más alta, cercana al 48%, seguido del canal Outlet, con aproximadamente 42%, mientras que In-store presenta la menor mediana, cercana al 35%.

De esta manera se tiene que las ventas Online presentan, mayores márgenes operativos, sin embargo y aunque la media y el promedio mostraban una simetria de los datos, esta caja de bigotes permite identificar valores atípicos en los tres métodos de venta, especialmente en Online y Outlet, lo que evidencia la presencia de algunas observaciones con márgenes operativos significativamente superiores o inferiores al comportamiento central.

Margen operativo por genero y metodo de venta

# Crear y mostrar el histograma interactivo
ggplot(datos, aes(x=Genero, y=margen_operativo, fill = metodo_venta)) +
  stat_summary(fun=mean,geom="bar",position = "dodge")+
    labs(title="Figura 4. Margen operativo por genero y metodo de venta",
         x="Genero", 
         y="margen_operativo",
          fill="metdodo_venta")+
    theme_minimal()

📊 Con la figura No. 4 se observa que tanto hombres como mujeres compran en mayor cantidad online, seguido por outlet y en menor cantidad en tiendas fisicas. Este comportamiento esta en linea con el comportamiento de estas variables en su totalidad (sin discriminar hombres y mujeres).

Generalidades de los resultados obtenidos

De manera general se encuentra que con la información disponible para el presente analisis y teniendo en cuenta unicamente la varibles como genero, distribuidor, metodo de venta y margen operacional, el margen operacional promedio por encima del 40% lo que permite inferir que si se cuenta con unos costos extraordinarios y financieros controlados, la utilidad neta de la empresa es buena.

Adicional a ello se encuentra que el canal online como metodo de venta es el que mayor rentabilidad presenta, esto se explica en los menores costos asociados a costos de exhibición, presentando así a Adidas la oportunidad de expandir su mercado con ventas de manera digital.

En esta misma linea, se encontro que tanto hombres como mujeres compran en mayor proporción online, razón por la cual una misma estrategia de fortalecimiento de las ventas online se puede dirigir tanto a hombres como a mujeres, lo que le permite ahorrar en costos de personalización de publicidad.