1 1. Introducción

El presente informe desarrolla un análisis descriptivo y exploratorio de la información comercial y financiera de Adidas. El propósito es comprender el comportamiento de las ventas, las unidades vendidas y la rentabilidad, comparando diferentes regiones, productos, distribuidores y métodos de venta.

El análisis busca identificar patrones, diferencias entre segmentos, relaciones entre variables y posibles valores atípicos que puedan ser relevantes para la toma de decisiones. Las conclusiones se basan en los datos disponibles y se interpretan desde una perspectiva descriptiva y diagnóstica.

2 2. Descripción de la base de datos

La base contiene información sobre distribuidores, regiones, estados, ciudades, productos, precio por unidad, unidades vendidas, ventas totales, utilidad operativa, margen operativo y método de venta.

cat("Número de filas:", nrow(datos), "\n")

## Número de filas: 9648

cat("Número de columnas:", ncol(datos))

## Número de columnas: 11

str(datos)

## tibble [9,648 × 11] (S3: tbl_df/tbl/data.frame)
##  $ distribuidor      : chr [1:9648] "Foot Locker" "Foot Locker" "Foot Locker" "Foot Locker" ...
##  $ region            : chr [1:9648] "Northeast" "Northeast" "Northeast" "Northeast" ...
##  $ estado            : chr [1:9648] "New York" "New York" "New York" "New York" ...
##  $ ciudad            : chr [1:9648] "New York" "New York" "New York" "New York" ...
##  $ producto          : chr [1:9648] "Men's Street Footwear" "Men's Athletic Footwear" "Women's Street Footwear" "Women's Athletic Footwear" ...
##  $ precio_unidad     : num [1:9648] 50 50 40 45 60 50 50 50 40 45 ...
##  $ unidades_vendidas : num [1:9648] 1200 1000 1000 850 900 1000 1250 900 950 825 ...
##  $ ventas_total      : num [1:9648] 60000 50000 40000 38250 54000 ...
##  $ utilidad_operativa: num [1:9648] 30000 15000 14000 13388 16200 ...
##  $ margen_operativo  : num [1:9648] 0.5 0.3 0.35 0.35 0.3 0.25 0.5 0.3 0.35 0.35 ...
##  $ metodo_venta      : chr [1:9648] "In-store" "In-store" "In-store" "In-store" ...

2.1 Valores faltantes y duplicados

faltantes <- data.frame(
  variable = names(datos),
  faltantes = sapply(datos, function(x) sum(is.na(x)))
)

kable(faltantes, caption = "Valores faltantes por variable")

Valores faltantes por variable
	variable	faltantes
distribuidor	distribuidor	0
region	region	0
estado	estado	0
ciudad	ciudad	0
producto	producto	0
precio_unidad	precio_unidad	0
unidades_vendidas	unidades_vendidas	0
ventas_total	ventas_total	0
utilidad_operativa	utilidad_operativa	0
margen_operativo	margen_operativo	0
metodo_venta	metodo_venta	0

duplicados <- sum(duplicated(datos))
duplicados

## [1] 262

La base no presenta valores faltantes si el resultado anterior es cero en todas las variables. En cuanto a los registros duplicados exactos, estos deben ser revisados antes de eliminarlos, ya que un duplicado técnico no necesariamente significa que el registro sea incorrecto.

3 3. Estadísticas descriptivas generales

estadisticas <- datos %>%
  summarise(
    precio_promedio = mean(precio_unidad, na.rm = TRUE),
    precio_mediana = median(precio_unidad, na.rm = TRUE),
    precio_sd = sd(precio_unidad, na.rm = TRUE),

    unidades_promedio = mean(unidades_vendidas, na.rm = TRUE),
    unidades_mediana = median(unidades_vendidas, na.rm = TRUE),
    unidades_sd = sd(unidades_vendidas, na.rm = TRUE),

    ventas_promedio = mean(ventas_total, na.rm = TRUE),
    ventas_mediana = median(ventas_total, na.rm = TRUE),
    ventas_sd = sd(ventas_total, na.rm = TRUE),

    utilidad_promedio = mean(utilidad_operativa, na.rm = TRUE),
    utilidad_mediana = median(utilidad_operativa, na.rm = TRUE),
    utilidad_sd = sd(utilidad_operativa, na.rm = TRUE),

    margen_promedio = mean(margen_operativo, na.rm = TRUE),
    margen_mediana = median(margen_operativo, na.rm = TRUE),
    margen_sd = sd(margen_operativo, na.rm = TRUE)
  )

kable(round(estadisticas, 2), caption = "Estadísticas descriptivas principales")

Estadísticas descriptivas principales
precio_promedio	precio_mediana	precio_sd	unidades_promedio	unidades_mediana	unidades_sd	ventas_promedio	ventas_mediana	ventas_sd	utilidad_promedio	utilidad_mediana	utilidad_sd	margen_promedio	margen_mediana	margen_sd
45.22	45	14.71	256.93	176	214.25	12455.08	7803.5	12716.39	4894.79	3262.98	4866.46	0.42	0.41	0.1

3.1 Interpretación

El precio por unidad presenta una media de 45.22 y una mediana de 45. Las unidades vendidas presentan una media de 256.93 y una mediana de 176, lo que permite observar la diferencia entre el comportamiento promedio y el valor central.

Las ventas totales tienen una media de $12,455.08 y una mediana de $7,803.50. La utilidad operativa presenta una media de $4,894.79.

El margen operativo promedio es de 42.3%, mientras que la desviación estándar es de 9.7%. Esto permite evaluar la dispersión de la rentabilidad entre observaciones.

4 4. Desempeño de ventas

4.1 Ventas por región

ventas_region <- datos %>%
  group_by(region) %>%
  summarise(
    ventas = sum(ventas_total, na.rm = TRUE),
    unidades = sum(unidades_vendidas, na.rm = TRUE),
    utilidad = sum(utilidad_operativa, na.rm = TRUE),
    margen_promedio = mean(margen_operativo, na.rm = TRUE)
  ) %>%
  arrange(desc(ventas)) %>%
  mutate(participacion = ventas / sum(ventas))

kable(
  ventas_region %>%
    mutate(
      ventas = dollar(ventas, accuracy = 1),
      utilidad = dollar(utilidad, accuracy = 1),
      participacion = percent(participacion, accuracy = 0.1),
      margen_promedio = percent(margen_promedio, accuracy = 0.1)
    ),
  caption = "Desempeño por región"
)

Desempeño por región
region	ventas	unidades	utilidad	margen_promedio	participacion
West	$36,436,157	686985	$13,017,584	39.7%	30.3%
Northeast	$25,078,267	501279	$9,732,774	41.0%	20.9%
Southeast	$21,374,436	407000	$8,393,059	41.9%	17.8%
South	$20,603,356	492260	$9,221,605	46.7%	17.1%
Midwest	$16,674,434	391337	$6,859,945	43.5%	13.9%

ggplot(ventas_region, aes(x = reorder(region, ventas), y = ventas)) +
  geom_col() +
  coord_flip() +
  scale_y_continuous(labels = dollar_format()) +
  labs(
    title = "Ventas totales por región",
    x = "Región",
    y = "Ventas totales"
  ) +
  theme_minimal()

La región con mayores ventas es West, con una participación de 30.3% del total. La región con menor participación es Midwest, con 13.9%.

4.2 Ventas por producto

ventas_producto <- datos %>%
  group_by(producto) %>%
  summarise(
    ventas = sum(ventas_total, na.rm = TRUE),
    unidades = sum(unidades_vendidas, na.rm = TRUE),
    utilidad = sum(utilidad_operativa, na.rm = TRUE),
    margen_promedio = mean(margen_operativo, na.rm = TRUE)
  ) %>%
  arrange(desc(ventas)) %>%
  mutate(participacion = ventas / sum(ventas))

kable(
  ventas_producto %>%
    mutate(
      ventas = dollar(ventas, accuracy = 1),
      utilidad = dollar(utilidad, accuracy = 1),
      participacion = percent(participacion, accuracy = 0.1),
      margen_promedio = percent(margen_promedio, accuracy = 0.1)
    ),
  caption = "Desempeño por producto"
)

Desempeño por producto
producto	ventas	unidades	utilidad	margen_promedio	participacion
Men’s Street Footwear	$27,680,769	593320	$11,629,046	44.6%	23.0%
Women’s Apparel	$23,870,985	433827	$9,685,221	44.1%	19.9%
Men’s Athletic Footwear	$20,577,180	435526	$7,437,457	40.3%	17.1%
Women’s Street Footwear	$17,201,563	392269	$6,494,017	41.0%	14.3%
Men’s Apparel	$16,520,632	306683	$6,381,405	41.3%	13.7%
Women’s Athletic Footwear	$14,315,521	317236	$5,597,822	42.4%	11.9%

ggplot(ventas_producto, aes(x = reorder(producto, ventas), y = ventas)) +
  geom_col() +
  coord_flip() +
  scale_y_continuous(labels = dollar_format()) +
  labs(
    title = "Ventas totales por producto",
    x = "Producto",
    y = "Ventas totales"
  ) +
  theme_minimal()

El producto con mayor participación en las ventas es Men’s Street Footwear, con 23.0% del total.

5 5. Análisis por distribuidor

ventas_distribuidor <- datos %>%
  group_by(distribuidor) %>%
  summarise(
    ventas = sum(ventas_total, na.rm = TRUE),
    unidades = sum(unidades_vendidas, na.rm = TRUE),
    utilidad = sum(utilidad_operativa, na.rm = TRUE),
    margen_promedio = mean(margen_operativo, na.rm = TRUE)
  ) %>%
  arrange(desc(ventas)) %>%
  mutate(participacion = ventas / sum(ventas))

kable(
  ventas_distribuidor %>%
    mutate(
      ventas = dollar(ventas, accuracy = 1),
      utilidad = dollar(utilidad, accuracy = 1),
      participacion = percent(participacion, accuracy = 0.1),
      margen_promedio = percent(margen_promedio, accuracy = 0.1)
    ),
  caption = "Desempeño por distribuidor"
)

Desempeño por distribuidor
distribuidor	ventas	unidades	utilidad	margen_promedio	participacion
West Gear	$32,409,558	625262	$12,196,891	41.8%	27.0%
Foot Locker	$29,024,945	604369	$11,317,027	41.8%	24.2%
Sports Direct	$24,616,622	557640	$10,641,609	44.5%	20.5%
Kohl’s	$13,512,453	287375	$5,182,260	41.9%	11.2%
Walmart	$10,506,085	206225	$3,902,749	40.7%	8.7%
Amazon	$10,096,987	197990	$3,984,432	41.8%	8.4%

ggplot(ventas_distribuidor, aes(x = reorder(distribuidor, ventas), y = ventas)) +
  geom_col() +
  coord_flip() +
  scale_y_continuous(labels = dollar_format()) +
  labs(
    title = "Ventas por distribuidor",
    x = "Distribuidor",
    y = "Ventas totales"
  ) +
  theme_minimal()

El distribuidor con mayor volumen de ventas es West Gear. Sin embargo, el volumen de ventas no debe interpretarse automáticamente como mayor rentabilidad, por lo que también se compara la utilidad y el margen.

6 6. Análisis por método de venta

ventas_metodo <- datos %>%
  group_by(metodo_venta) %>%
  summarise(
    ventas = sum(ventas_total, na.rm = TRUE),
    unidades = sum(unidades_vendidas, na.rm = TRUE),
    utilidad = sum(utilidad_operativa, na.rm = TRUE),
    margen_promedio = mean(margen_operativo, na.rm = TRUE)
  ) %>%
  arrange(desc(ventas)) %>%
  mutate(participacion = ventas / sum(ventas))

kable(
  ventas_metodo %>%
    mutate(
      ventas = dollar(ventas, accuracy = 1),
      utilidad = dollar(utilidad, accuracy = 1),
      participacion = percent(participacion, accuracy = 0.1),
      margen_promedio = percent(margen_promedio, accuracy = 0.1)
    ),
  caption = "Desempeño por método de venta"
)

Desempeño por método de venta
metodo_venta	ventas	unidades	utilidad	margen_promedio	participacion
Online	$44,965,657	939093	$19,552,538	46.4%	37.4%
Outlet	$39,536,618	849778	$14,913,301	39.5%	32.9%
In-store	$35,664,375	689990	$12,759,129	35.6%	29.7%

ggplot(ventas_metodo, aes(x = metodo_venta, y = ventas)) +
  geom_col() +
  scale_y_continuous(labels = dollar_format()) +
  labs(
    title = "Ventas según método de venta",
    x = "Método de venta",
    y = "Ventas totales"
  ) +
  theme_minimal()

El método con mayor participación en las ventas es Online, con 37.4% del total.

7 7. Rentabilidad

7.1 Utilidad operativa por producto

utilidad_producto <- datos %>%
  group_by(producto) %>%
  summarise(
    utilidad = sum(utilidad_operativa, na.rm = TRUE),
    margen_promedio = mean(margen_operativo, na.rm = TRUE)
  ) %>%
  arrange(desc(utilidad))

kable(
  utilidad_producto %>%
    mutate(
      utilidad = dollar(utilidad, accuracy = 1),
      margen_promedio = percent(margen_promedio, accuracy = 0.1)
    ),
  caption = "Rentabilidad por producto"
)

Rentabilidad por producto
producto	utilidad	margen_promedio
Men’s Street Footwear	$11,629,046	44.6%
Women’s Apparel	$9,685,221	44.1%
Men’s Athletic Footwear	$7,437,457	40.3%
Women’s Street Footwear	$6,494,017	41.0%
Men’s Apparel	$6,381,405	41.3%
Women’s Athletic Footwear	$5,597,822	42.4%

ggplot(utilidad_producto, aes(x = reorder(producto, utilidad), y = utilidad)) +
  geom_col() +
  coord_flip() +
  scale_y_continuous(labels = dollar_format()) +
  labs(
    title = "Utilidad operativa por producto",
    x = "Producto",
    y = "Utilidad operativa"
  ) +
  theme_minimal()

8 8. Relación entre ventas y utilidad

ggplot(datos, aes(x = ventas_total, y = utilidad_operativa)) +
  geom_point(alpha = 0.35) +
  geom_smooth(method = "lm", se = FALSE) +
  scale_x_continuous(labels = dollar_format()) +
  scale_y_continuous(labels = dollar_format()) +
  labs(
    title = "Relación entre ventas y utilidad operativa",
    x = "Ventas totales",
    y = "Utilidad operativa"
  ) +
  theme_minimal()

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

cor_ventas_utilidad

## [1] 0.9353717

La correlación entre ventas totales y utilidad operativa es 0.935. Este resultado indica una asociación lineal positiva entre ambas variables en la base analizada. La correlación describe asociación y no demuestra por sí misma una relación causal.

9 9. Relación entre precio y unidades vendidas

ggplot(datos, aes(x = precio_unidad, y = unidades_vendidas)) +
  geom_point(alpha = 0.35) +
  geom_smooth(method = "lm", se = FALSE) +
  labs(
    title = "Relación entre precio por unidad y unidades vendidas",
    x = "Precio por unidad",
    y = "Unidades vendidas"
  ) +
  theme_minimal()

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

cor_precio_unidades

## [1] 0.2658685

La correlación entre precio y unidades vendidas es 0.266. En esta base se observa una asociación positiva. Este resultado debe interpretarse con cautela: no permite afirmar que aumentar el precio cause un aumento en las unidades vendidas, ya que pueden existir otras variables que expliquen simultáneamente ambas medidas.

10 10. Variables asociadas con la utilidad

correlaciones <- datos %>%
  select(
    precio_unidad,
    unidades_vendidas,
    ventas_total,
    utilidad_operativa,
    margen_operativo
  ) %>%
  cor(use = "complete.obs")

kable(round(correlaciones, 3), caption = "Matriz de correlaciones")

Matriz de correlaciones
	precio_unidad	unidades_vendidas	ventas_total	utilidad_operativa	margen_operativo
precio_unidad	1.000	0.266	0.540	0.504	-0.137
unidades_vendidas	0.266	1.000	0.919	0.872	-0.305
ventas_total	0.540	0.919	1.000	0.935	-0.302
utilidad_operativa	0.504	0.872	0.935	1.000	-0.047
margen_operativo	-0.137	-0.305	-0.302	-0.047	1.000

Para facilitar la interpretación, las correlaciones deben analizarse por magnitud y signo. Las asociaciones más fuertes con la utilidad operativa permiten identificar qué variables están más relacionadas con el resultado financiero dentro de la base, sin interpretar estas asociaciones como relaciones causales.

11 11. Valores atípicos y variabilidad

ggplot(datos, aes(y = ventas_total)) +
  geom_boxplot() +
  scale_y_continuous(labels = dollar_format()) +
  labs(
    title = "Distribución y posibles valores atípicos de las ventas",
    y = "Ventas totales"
  ) +
  theme_minimal()

ggplot(datos, aes(y = margen_operativo)) +
  geom_boxplot() +
  scale_y_continuous(labels = percent_format()) +
  labs(
    title = "Distribución del margen operativo",
    y = "Margen operativo"
  ) +
  theme_minimal()

11.1 Identificación mediante regla del IQR

outliers <- datos %>%
  summarise(
    precio = sum(precio_unidad < quantile(precio_unidad, .25) -
                   1.5 * IQR(precio_unidad) |
                   precio_unidad > quantile(precio_unidad, .75) +
                   1.5 * IQR(precio_unidad)),

    unidades = sum(unidades_vendidas < quantile(unidades_vendidas, .25) -
                     1.5 * IQR(unidades_vendidas) |
                     unidades_vendidas > quantile(unidades_vendidas, .75) +
                     1.5 * IQR(unidades_vendidas)),

    ventas = sum(ventas_total < quantile(ventas_total, .25) -
                   1.5 * IQR(ventas_total) |
                   ventas_total > quantile(ventas_total, .75) +
                   1.5 * IQR(ventas_total)),

    utilidad = sum(utilidad_operativa < quantile(utilidad_operativa, .25) -
                     1.5 * IQR(utilidad_operativa) |
                     utilidad_operativa > quantile(utilidad_operativa, .75) +
                     1.5 * IQR(utilidad_operativa)),

    margen = sum(margen_operativo < quantile(margen_operativo, .25) -
                   1.5 * IQR(margen_operativo) |
                   margen_operativo > quantile(margen_operativo, .75) +
                   1.5 * IQR(margen_operativo))
  )

kable(outliers, caption = "Número de observaciones identificadas como atípicas mediante IQR")

Número de observaciones identificadas como atípicas mediante IQR
precio	unidades	ventas	utilidad	margen
104	508	799	694	63

Los valores atípicos no deben eliminarse automáticamente. En un análisis comercial, una observación extrema puede representar una operación real de gran volumen y, por tanto, contener información importante para la toma de decisiones.

12 12. Combinaciones producto + región

producto_region <- datos %>%
  group_by(producto, region) %>%
  summarise(
    ventas = sum(ventas_total, na.rm = TRUE),
    utilidad = sum(utilidad_operativa, na.rm = TRUE),
    margen_promedio = mean(margen_operativo, na.rm = TRUE),
    .groups = "drop"
  ) %>%
  arrange(desc(ventas))

kable(
  head(producto_region, 10) %>%
    mutate(
      ventas = dollar(ventas, accuracy = 1),
      utilidad = dollar(utilidad, accuracy = 1),
      margen_promedio = percent(margen_promedio, accuracy = 0.1)
    ),
  caption = "Diez principales combinaciones producto-región por ventas"
)

Diez principales combinaciones producto-región por ventas
producto	region	ventas	utilidad	margen_promedio
Men’s Street Footwear	West	$7,389,988	$2,907,503	42.5%
Women’s Apparel	West	$7,038,046	$2,096,258	34.5%
Men’s Street Footwear	Northeast	$6,841,324	$3,030,663	46.1%
Men’s Athletic Footwear	West	$6,761,339	$2,154,211	36.7%
Women’s Street Footwear	West	$5,748,586	$2,142,439	40.4%
Women’s Apparel	Northeast	$5,045,208	$1,917,008	41.6%
Men’s Apparel	West	$4,827,378	$2,009,555	43.7%
Men’s Street Footwear	Midwest	$4,707,360	$1,948,621	44.2%
Men’s Street Footwear	Southeast	$4,693,836	$2,003,886	45.3%
Women’s Athletic Footwear	West	$4,670,820	$1,707,618	40.4%

13 13. Combinaciones producto + método de venta

producto_metodo <- datos %>%
  group_by(producto, metodo_venta) %>%
  summarise(
    ventas = sum(ventas_total, na.rm = TRUE),
    utilidad = sum(utilidad_operativa, na.rm = TRUE),
    margen_promedio = mean(margen_operativo, na.rm = TRUE),
    .groups = "drop"
  ) %>%
  arrange(desc(ventas))

kable(
  head(producto_metodo, 10) %>%
    mutate(
      ventas = dollar(ventas, accuracy = 1),
      utilidad = dollar(utilidad, accuracy = 1),
      margen_promedio = percent(margen_promedio, accuracy = 0.1)
    ),
  caption = "Diez principales combinaciones producto-método por ventas"
)

Diez principales combinaciones producto-método por ventas
producto	metodo_venta	ventas	utilidad	margen_promedio
Men’s Street Footwear	Online	$10,365,158	$4,715,551	48.5%
Women’s Apparel	Online	$8,966,155	$4,104,331	48.8%
Men’s Street Footwear	In-store	$8,885,200	$3,486,710	38.4%
Men’s Street Footwear	Outlet	$8,430,411	$3,426,785	41.9%
Women’s Apparel	Outlet	$7,879,955	$2,952,377	40.3%
Men’s Athletic Footwear	Online	$7,625,859	$3,143,928	44.4%
Women’s Apparel	In-store	$7,024,875	$2,628,512	37.7%
Men’s Athletic Footwear	Outlet	$7,016,446	$2,323,292	36.9%
Men’s Apparel	Online	$6,334,120	$2,626,915	45.2%
Women’s Street Footwear	Online	$6,303,273	$2,634,900	45.1%

14 14. Análisis por ciudad

ventas_ciudad <- datos %>%
  group_by(ciudad) %>%
  summarise(
    ventas = sum(ventas_total, na.rm = TRUE),
    utilidad = sum(utilidad_operativa, na.rm = TRUE),
    unidades = sum(unidades_vendidas, na.rm = TRUE)
  ) %>%
  arrange(desc(ventas))

kable(
  head(ventas_ciudad, 10) %>%
    mutate(
      ventas = dollar(ventas, accuracy = 1),
      utilidad = dollar(utilidad, accuracy = 1)
    ),
  caption = "Diez ciudades con mayores ventas"
)

Diez ciudades con mayores ventas
ciudad	ventas	utilidad	unidades
New York	$5,676,160	$2,114,664	111954
San Francisco	$4,929,220	$1,581,993	86900
Charleston	$4,904,272	$2,024,086	102483
Portland	$4,176,777	$1,575,861	72946
Orlando	$3,946,476	$1,342,207	60295
Miami	$3,874,113	$1,579,388	73135
Los Angeles	$3,651,288	$1,378,158	76384
Houston	$3,629,632	$1,494,772	90322
New Orleans	$3,377,031	$1,424,390	57615
Seattle	$3,222,093	$927,709	46611

15 15. Tasas de crecimiento

La base disponible no contiene una variable de fecha, periodo o año que permita ordenar las observaciones temporalmente. Por esta razón, no es metodológicamente apropiado calcular una tasa de crecimiento temporal con la información disponible. En su lugar, el análisis se concentra en participaciones, diferencias entre segmentos, medidas de tendencia central, variabilidad y relaciones entre variables.

16 16. Principales hallazgos

Las ventas presentan diferencias importantes entre regiones, productos, distribuidores y métodos de venta.
La comparación entre ventas, utilidad y margen muestra que un segmento con mayor volumen de ventas no necesariamente presenta el mayor margen promedio.
El análisis por producto permite identificar cuáles líneas concentran una mayor proporción de las ventas totales.
El método de venta permite observar diferencias tanto en participación de ventas como en rentabilidad.
La correlación entre ventas y utilidad permite evaluar la asociación entre desempeño comercial y resultado operativo.
Los valores atípicos deben investigarse antes de ser eliminados, porque pueden representar operaciones reales de alto volumen.
Las combinaciones producto-región y producto-método permiten identificar concentraciones comerciales que pueden ser relevantes para decisiones posteriores.

17 17. Recomendaciones para Adidas

A partir del análisis descriptivo se pueden plantear las siguientes líneas de acción:

Dar seguimiento a las regiones y productos que concentran una mayor participación de las ventas.
Evaluar conjuntamente ventas, utilidad y margen antes de tomar decisiones de expansión o asignación de recursos.
Analizar los métodos de venta que presentan mejores resultados de rentabilidad y determinar si su comportamiento se mantiene en diferentes productos y regiones.
Revisar las combinaciones producto-región y producto-método con mayores ventas y utilidad para identificar oportunidades de profundización comercial.
Investigar los valores atípicos para determinar si corresponden a operaciones excepcionales, errores de registro o comportamientos comerciales relevantes.
Complementar este análisis con información temporal en futuros periodos para calcular tasas de crecimiento y evaluar tendencias.

Estas recomendaciones corresponden a una primera aproximación prescriptiva basada en el análisis descriptivo. No implican causalidad y deberían complementarse con información adicional antes de ejecutar decisiones comerciales.

18 18. Conclusiones

El análisis exploratorio permite caracterizar el desempeño comercial y financiero de Adidas a partir de sus principales variables cuantitativas y categóricas. La comparación entre regiones, productos, distribuidores y métodos de venta evidencia que el desempeño puede variar considerablemente según el segmento analizado.

Además, la utilización conjunta de medidas de tendencia central, variabilidad, correlaciones y visualizaciones permite obtener una visión más completa que el análisis de una sola métrica. En particular, resulta importante diferenciar entre volumen de ventas y rentabilidad, ya que ambas dimensiones aportan información diferente para la toma de decisiones.

Finalmente, los resultados proporcionan una base para una etapa posterior de analítica prescriptiva, en la cual podrían incorporarse variables temporales, costos adicionales, inventarios y otros factores para evaluar escenarios y decisiones comerciales con mayor profundidad.

Caso 1 - Analítica Descriptiva: Adidas

Daniela Chiquito, Jeronimo Mejia, Juan David Posada

19 de septiembre de 2026