1 1. Introducción

Este informe presenta un Análisis Exploratorio de Datos (EDA) de la información comercial y financiera de Adidas. El propósito es describir el comportamiento de las ventas, las unidades vendidas y la rentabilidad, comparar segmentos y detectar patrones, relaciones y posibles valores atípicos.

El análisis se mantiene en el alcance solicitado para el caso: descriptivo, exploratorio y diagnóstico. Las recomendaciones finales corresponden a una primera aproximación de analítica prescriptiva y se formulan como acciones sugeridas a partir de los patrones observados, no como relaciones causales.

El EDA permite resumir las características principales del conjunto de datos y detectar errores, patrones, valores atípicos y relaciones entre variables. Este enfoque coincide con el material del curso sobre análisis exploratorio de datos.

2 2. Entendimiento y diagnóstico inicial de los datos

El archivo contiene 9648 registros y 12 variables.

Las variables disponibles son:

Categóricas: distribuidor, región, estado, ciudad, producto y método de venta.
Cuantitativas: precio por unidad, unidades vendidas, ventas totales, utilidad operativa y margen operativo.

De acuerdo con el material del curso, las variables cualitativas se expresan mediante categorías, mientras que las cuantitativas permiten realizar operaciones matemáticas. La identificación correcta del tipo de variable es necesaria para seleccionar tablas, estadísticas y gráficos adecuados.

2.1 2.1. Calidad de los datos

calidad <- tibble(
  Indicador = c(
    "Número de registros",
    "Número de variables",
    "Valores faltantes",
    "Filas duplicadas exactas",
    "Registros donde ventas = precio × unidades"
  ),
  Resultado = c(
    nrow(datos),
    ncol(datos),
    sum(is.na(datos)),
    sum(duplicated(datos)),
    sum(abs(datos$ventas_total - datos$ventas_calculadas) < 1e-8)
  )
)

kable(calidad, caption = "Diagnóstico inicial de la base")

Diagnóstico inicial de la base
Indicador	Resultado
Número de registros	9648
Número de variables	12
Valores faltantes	0
Filas duplicadas exactas	262
Registros donde ventas = precio × unidades	9648

2.1.1 Interpretación

No se identifican valores faltantes en la base. Se encuentran 262 filas exactamente duplicadas. No se eliminan automáticamente, porque un registro duplicado puede representar una repetición legítima en una base transaccional o agregada; antes de depurarlo debe conocerse la lógica de generación de la base.

Además, las 9648 observaciones cumplen exactamente la identidad:

Ventas totales = Precio por unidad × Unidades vendidas.

Esto constituye una validación interna importante de consistencia de las variables financieras.

3 3. Estadística descriptiva

El material del curso señala que los indicadores de centralidad resumen el conjunto de observaciones mediante valores como media, mediana y moda, mientras que los indicadores de variabilidad permiten evaluar qué tan representativo es el promedio.

3.1 3.1. Medidas de tendencia central y variabilidad

variables_num <- datos %>%
  select(precio_unidad, unidades_vendidas, ventas_total,
         utilidad_operativa, margen_operativo)

tabla_descriptiva <- bind_rows(
  `Precio por unidad` = resumen_numerico(datos$precio_unidad),
  `Unidades vendidas` = resumen_numerico(datos$unidades_vendidas),
  `Ventas totales` = resumen_numerico(datos$ventas_total),
  `Utilidad operativa` = resumen_numerico(datos$utilidad_operativa),
  `Margen operativo` = resumen_numerico(datos$margen_operativo),
  .id = "Variable"
)

tabla_descriptiva <- tabla_descriptiva %>%
  mutate(
    Media = round(Media, 2),
    Mediana = round(Mediana, 2),
    Desv_Estandar = round(Desv_Estandar, 2),
    Minimo = round(Minimo, 2),
    Maximo = round(Maximo, 2),
    Rango = round(Rango, 2),
    CV = round(CV, 3)
  )

kable(tabla_descriptiva, caption = "Medidas descriptivas de las variables cuantitativas")

Medidas descriptivas de las variables cuantitativas
Variable	Media	Mediana	Desv_Estandar	Minimo	Maximo	Rango	CV
Precio por unidad	45.22	45.00	14.71	7.0	110.0	103.0	0.325
Unidades vendidas	256.93	176.00	214.25	0.0	1275.0	1275.0	0.834
Ventas totales	12455.08	7803.50	12716.39	0.0	82500.0	82500.0	1.021
Utilidad operativa	4894.79	3262.98	4866.46	0.0	39000.0	39000.0	0.994
Margen operativo	0.42	0.41	0.10	0.1	0.8	0.7	0.230

3.1.1 Resultados clave

El precio unitario promedio es de aproximadamente 45,22, con una mediana de 45,00.
Las unidades vendidas presentan una media de aproximadamente 256,93, pero una mediana de 176, señal de una distribución con observaciones de volumen elevado.
Las ventas totales tienen una media de aproximadamente 12.455,08, mientras que la mediana es 7.803,50.
La utilidad operativa tiene una media cercana a 4.894,79 y una mediana de 3.262,98.
El margen operativo promedio simple es aproximadamente 42,30%, con una desviación estándar cercana a 9,72 puntos porcentuales.

La diferencia entre media y mediana en ventas y unidades indica que el promedio debe interpretarse con cautela: existen registros de magnitud considerablemente superior al comportamiento central.

3.2 3.2. Margen operativo: promedio simple vs. margen ponderado

Para una lectura financiera agregada es útil comparar el promedio simple del margen con el margen calculado sobre el total de ventas:

margen_simple <- mean(datos$margen_operativo)
margen_ponderado <- sum(datos$utilidad_operativa) / sum(datos$ventas_total)

tabla_margen <- tibble(
  Medida = c("Margen operativo promedio simple",
             "Margen operativo ponderado por ventas"),
  Valor = c(margen_simple, margen_ponderado)
) %>%
  mutate(Valor = percent(Valor, accuracy = 0.1))

kable(tabla_margen, caption = "Comparación de indicadores de margen")

Comparación de indicadores de margen
Medida	Valor
Margen operativo promedio simple	42.3%
Margen operativo ponderado por ventas	39.3%

3.2.1 Interpretación financiera

El margen promedio simple es cercano al 42,3%, mientras que el margen ponderado por ventas es aproximadamente 39,3%. La diferencia muestra que no todas las observaciones tienen el mismo peso económico.

Para evaluar el desempeño global de Adidas, el margen ponderado por ventas es más representativo, porque incorpora el tamaño de cada operación. Esto evita que una observación pequeña tenga la misma influencia que una observación con ventas muy superiores.

4 4. Distribución de las ventas y unidades

4.1 4.1. Histograma de ventas

ggplot(datos, aes(x = ventas_total)) +
  geom_histogram(bins = 35, fill = "steelblue", color = "white") +
  scale_x_continuous(labels = comma) +
  labs(
    title = "Distribución de las ventas totales",
    x = "Ventas totales",
    y = "Frecuencia"
  ) +
  theme_minimal()

4.1.1 Interpretación

La distribución de ventas presenta una concentración importante en valores relativamente bajos y una cola hacia valores altos. Esto es consistente con la diferencia entre media y mediana y con el coeficiente de variación superior a 1.

Por lo tanto, las ventas muestran alta dispersión y el promedio por sí solo no describe completamente el comportamiento de las observaciones.

4.2 4.2. Boxplot de ventas

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

4.2.1 Diagnóstico de valores atípicos

q1 <- quantile(datos$ventas_total, 0.25, na.rm = TRUE)
q3 <- quantile(datos$ventas_total, 0.75, na.rm = TRUE)
iqr_ventas <- IQR(datos$ventas_total, na.rm = TRUE)
lim_inf <- q1 - 1.5 * iqr_ventas
lim_sup <- q3 + 1.5 * iqr_ventas

outliers_ventas <- sum(
  datos$ventas_total < lim_inf | datos$ventas_total > lim_sup
)

tibble(
  Q1 = q1,
  Q3 = q3,
  IQR = iqr_ventas,
  Limite_inferior = lim_inf,
  Limite_superior = lim_sup,
  Valores_atipicos = outliers_ventas
) %>%
  mutate(across(everything(), ~ round(.x, 2))) %>%
  kable(caption = "Diagnóstico de valores atípicos en ventas")

Diagnóstico de valores atípicos en ventas
Q1	Q3	IQR	Limite_inferior	Limite_superior	Valores_atipicos
4065.25	15864.5	11799.25	-13633.62	33563.38	799

Se detectan 799 observaciones potencialmente atípicas en ventas mediante la regla de 1,5 × IQR. Esto no significa que sean errores. En un contexto comercial pueden representar operaciones de alto volumen y, por tanto, deben investigarse antes de excluirse.

5 5. Desempeño por región

region_resumen <- datos %>%
  group_by(region) %>%
  summarise(
    Registros = n(),
    Ventas = sum(ventas_total),
    Unidades = sum(unidades_vendidas),
    Utilidad = sum(utilidad_operativa),
    Margen = Utilidad / Ventas,
    .groups = "drop"
  ) %>%
  mutate(
    Participacion_ventas = Ventas / sum(Ventas)
  ) %>%
  arrange(desc(Ventas))

kable(
  region_resumen %>%
    mutate(
      Ventas = comma(Ventas),
      Unidades = comma(Unidades),
      Utilidad = comma(Utilidad),
      Margen = percent(Margen, accuracy = 0.1),
      Participacion_ventas = percent(Participacion_ventas, accuracy = 0.1)
    ),
  caption = "Desempeño comercial y financiero por región"
)

Desempeño comercial y financiero por región
region	Registros	Ventas	Unidades	Utilidad	Margen	Participacion_ventas
West	2448	36,436,157	686,985	13,017,584	35.7%	30.3%
Northeast	2376	25,078,267	501,279	9,732,774	38.8%	20.9%
Southeast	1224	21,374,436	407,000	8,393,059	39.3%	17.8%
South	1728	20,603,356	492,260	9,221,605	44.8%	17.1%
Midwest	1872	16,674,434	391,337	6,859,945	41.1%	13.9%

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

5.0.1 Hallazgo regional

La región West concentra la mayor participación de ventas, con aproximadamente 30,3% del total, y genera la mayor utilidad absoluta. Sin embargo, su margen ponderado es cercano a 35,7%, inferior al de regiones como South, que presenta un margen aproximado de 44,8%.

Esto revela una diferencia importante entre escala y rentabilidad:

West: líder en volumen.
South: menor volumen que West, pero mejor eficiencia de margen.

La decisión gerencial no debería limitarse a invertir donde se vende más; también debe considerar dónde se obtiene una mejor conversión de ventas en utilidad.

6 6. Desempeño por producto

producto_resumen <- datos %>%
  group_by(producto) %>%
  summarise(
    Ventas = sum(ventas_total),
    Unidades = sum(unidades_vendidas),
    Utilidad = sum(utilidad_operativa),
    Margen = Utilidad / Ventas,
    .groups = "drop"
  ) %>%
  mutate(Participacion = Ventas / sum(Ventas)) %>%
  arrange(desc(Ventas))

kable(
  producto_resumen %>%
    mutate(
      Ventas = comma(Ventas),
      Unidades = comma(Unidades),
      Utilidad = comma(Utilidad),
      Margen = percent(Margen, accuracy = 0.1),
      Participacion = percent(Participacion, accuracy = 0.1)
    ),
  caption = "Desempeño por producto"
)

Desempeño por producto
producto	Ventas	Unidades	Utilidad	Margen	Participacion
Men’s Street Footwear	27,680,769	593,320	11,629,046	42.0%	23.0%
Women’s Apparel	23,870,985	433,827	9,685,221	40.6%	19.9%
Men’s Athletic Footwear	20,577,180	435,526	7,437,457	36.1%	17.1%
Women’s Street Footwear	17,201,563	392,269	6,494,017	37.8%	14.3%
Men’s Apparel	16,520,632	306,683	6,381,405	38.6%	13.7%
Women’s Athletic Footwear	14,315,521	317,236	5,597,822	39.1%	11.9%

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

6.0.1 Hallazgo de producto

Men’s Street Footwear es la línea con mayor volumen de ventas, aproximadamente 23,0% del total, y también genera la mayor utilidad absoluta.

Además, presenta un margen ponderado aproximado de 42,0%, superior al margen de Men’s Athletic Footwear, cercano a 36,1%.

Por tanto, Men’s Street Footwear puede considerarse una línea estratégica por combinar escala, volumen y rentabilidad.

7 7. Desempeño por distribuidor

dist_resumen <- datos %>%
  group_by(distribuidor) %>%
  summarise(
    Ventas = sum(ventas_total),
    Unidades = sum(unidades_vendidas),
    Utilidad = sum(utilidad_operativa),
    Margen = Utilidad / Ventas,
    .groups = "drop"
  ) %>%
  mutate(Participacion = Ventas / sum(Ventas)) %>%
  arrange(desc(Ventas))

kable(
  dist_resumen %>%
    mutate(
      Ventas = comma(Ventas),
      Unidades = comma(Unidades),
      Utilidad = comma(Utilidad),
      Margen = percent(Margen, accuracy = 0.1),
      Participacion = percent(Participacion, accuracy = 0.1)
    ),
  caption = "Desempeño por distribuidor"
)

Desempeño por distribuidor
distribuidor	Ventas	Unidades	Utilidad	Margen	Participacion
West Gear	32,409,558	625,262	12,196,891	37.6%	27.0%
Foot Locker	29,024,945	604,369	11,317,027	39.0%	24.2%
Sports Direct	24,616,622	557,640	10,641,609	43.2%	20.5%
Kohl’s	13,512,453	287,375	5,182,260	38.4%	11.2%
Walmart	10,506,085	206,225	3,902,749	37.1%	8.7%
Amazon	10,096,987	197,990	3,984,432	39.5%	8.4%

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

7.0.1 Hallazgo por distribuidor

West Gear lidera en ventas, con aproximadamente 27,0% del total, seguido por Foot Locker con 24,2%.

Sin embargo, Sports Direct muestra un desempeño especialmente atractivo desde la perspectiva de margen, con aproximadamente 43,2%, superior al de West Gear.

Esto sugiere que el canal con mayor volumen no necesariamente es el más eficiente en términos de rentabilidad.

8 8. Desempeño por método de venta

metodo_resumen <- datos %>%
  group_by(metodo_venta) %>%
  summarise(
    Ventas = sum(ventas_total),
    Unidades = sum(unidades_vendidas),
    Utilidad = sum(utilidad_operativa),
    Margen = Utilidad / Ventas,
    .groups = "drop"
  ) %>%
  mutate(Participacion = Ventas / sum(Ventas)) %>%
  arrange(desc(Ventas))

kable(
  metodo_resumen %>%
    mutate(
      Ventas = comma(Ventas),
      Unidades = comma(Unidades),
      Utilidad = comma(Utilidad),
      Margen = percent(Margen, accuracy = 0.1),
      Participacion = percent(Participacion, accuracy = 0.1)
    ),
  caption = "Desempeño por método de venta"
)

Desempeño por método de venta
metodo_venta	Ventas	Unidades	Utilidad	Margen	Participacion
Online	44,965,657	939,093	19,552,538	43.5%	37.4%
Outlet	39,536,618	849,778	14,913,301	37.7%	32.9%
In-store	35,664,375	689,990	12,759,129	35.8%	29.7%

ggplot(metodo_resumen, aes(x = metodo_venta, y = Margen)) +
  geom_col() +
  scale_y_continuous(labels = percent_format(accuracy = 1)) +
  labs(
    title = "Margen ponderado por método de venta",
    x = "Método de venta",
    y = "Margen"
  ) +
  theme_minimal()

8.0.1 Hallazgo por método

El canal Online concentra aproximadamente 37,4% de las ventas y presenta el mayor margen ponderado, cercano a 43,5%.

El canal In-store representa aproximadamente 29,7% de las ventas, pero tiene el menor margen, cercano a 35,8%.

Por ello, Online aparece como el método con el mejor equilibrio observado entre participación de ventas y rentabilidad.

9 9. Relación entre variables

El material del curso indica que la correlación permite evaluar la relación entre dos variables y que su coeficiente se encuentra entre -1 y 1. Un valor positivo indica una relación directa y uno negativo una relación inversa.

9.1 9.1. Matriz de correlación

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

round(matriz_cor, 3) %>%
  kable(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

9.1.1 Interpretación

Las relaciones más importantes son:

Ventas totales – utilidad operativa: r ≈ 0,935. Es una relación positiva muy fuerte.
Unidades vendidas – ventas totales: r ≈ 0,919. A mayor volumen vendido, mayores ventas totales.
Unidades vendidas – utilidad operativa: r ≈ 0,872. El volumen vendido presenta una fuerte asociación positiva con la utilidad.
Precio unitario – unidades vendidas: r ≈ 0,266. La relación es positiva pero débil.
Precio unitario – margen operativo: r ≈ -0,137. La relación es negativa y débil.

Estas correlaciones describen asociación, no causalidad. Por ejemplo, el resultado no permite afirmar que aumentar el precio necesariamente aumentará las unidades vendidas.

9.2 9.2. Ventas vs. utilidad

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

9.2.1 Hallazgo

La relación entre ventas y utilidad es muy fuerte y positiva. Esto es coherente con la estructura de la base: las operaciones con mayores ventas tienden a generar mayor utilidad.

Para la gestión, esto indica que incrementar ventas en segmentos rentables puede ser más atractivo que perseguir volumen sin considerar el margen.

9.3 9.3. Precio vs. unidades vendidas

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

9.3.1 Hallazgo

La correlación observada es aproximadamente 0,266, por lo que en esta base existe una asociación positiva débil entre precio y unidades vendidas.

Esto no respalda la idea de que los precios más altos impliquen automáticamente menor volumen. La relación observada puede estar influenciada por producto, región, distribuidor y método de venta. Por tanto, cualquier decisión de pricing debería analizarse por segmento y no únicamente con el comportamiento agregado.

10 10. Combinaciones estratégicas

10.1 10.1. Producto + método de venta

combo_pm <- datos %>%
  group_by(producto, metodo_venta) %>%
  summarise(
    Ventas = sum(ventas_total),
    Utilidad = sum(utilidad_operativa),
    Unidades = sum(unidades_vendidas),
    Margen = Utilidad / Ventas,
    .groups = "drop"
  ) %>%
  arrange(desc(Ventas))

kable(
  combo_pm %>%
    mutate(
      Ventas = comma(Ventas),
      Utilidad = comma(Utilidad),
      Unidades = comma(Unidades),
      Margen = percent(Margen, accuracy = 0.1)
    ),
  caption = "Combinación producto + método de venta"
)

Combinación producto + método de venta
producto	metodo_venta	Ventas	Utilidad	Unidades	Margen
Men’s Street Footwear	Online	10,365,158	4,715,551	225,121	45.5%
Women’s Apparel	Online	8,966,155	4,104,331	163,937	45.8%
Men’s Street Footwear	In-store	8,885,200	3,486,710	176,030	39.2%
Men’s Street Footwear	Outlet	8,430,411	3,426,785	192,169	40.6%
Women’s Apparel	Outlet	7,879,955	2,952,377	149,390	37.5%
Men’s Athletic Footwear	Online	7,625,859	3,143,928	163,855	41.2%
Women’s Apparel	In-store	7,024,875	2,628,512	120,500	37.4%
Men’s Athletic Footwear	Outlet	7,016,446	2,323,292	154,521	33.1%
Men’s Apparel	Online	6,334,120	2,626,915	117,766	41.5%
Women’s Street Footwear	Online	6,303,273	2,634,900	147,659	41.8%
Women’s Street Footwear	Outlet	6,063,365	2,289,761	139,125	37.8%
Men’s Athletic Footwear	In-store	5,934,875	1,970,238	117,150	33.2%
Women’s Athletic Footwear	Online	5,371,092	2,326,915	120,755	43.3%
Men’s Apparel	Outlet	5,254,012	2,007,041	103,542	38.2%
Men’s Apparel	In-store	4,932,500	1,747,450	85,375	35.4%
Women’s Athletic Footwear	Outlet	4,892,429	1,914,045	111,031	39.1%
Women’s Street Footwear	In-store	4,834,925	1,569,356	105,485	32.5%
Women’s Athletic Footwear	In-store	4,052,000	1,356,862	85,450	33.5%

10.1.1 Hallazgo

La combinación Men’s Street Footwear + Online es la de mayor venta entre las combinaciones producto–método, con aproximadamente 8,6% del total de ventas y un margen cercano al 45,5%.

También destaca Women’s Apparel + Online, con aproximadamente 7,5% de las ventas totales y un margen cercano al 45,8%.

Estas combinaciones son candidatas para estrategias de crecimiento digital y priorización de inventario, siempre considerando la disponibilidad y la rentabilidad.

10.2 10.2. Producto + región

combo_pr <- datos %>%
  group_by(producto, region) %>%
  summarise(
    Ventas = sum(ventas_total),
    Utilidad = sum(utilidad_operativa),
    Unidades = sum(unidades_vendidas),
    Margen = Utilidad / Ventas,
    .groups = "drop"
  ) %>%
  arrange(desc(Ventas))

kable(
  combo_pr %>%
    slice_head(n = 10) %>%
    mutate(
      Ventas = comma(Ventas),
      Utilidad = comma(Utilidad),
      Unidades = comma(Unidades),
      Margen = percent(Margen, accuracy = 0.1)
    ),
  caption = "Top 10 combinaciones producto + región por ventas"
)

Top 10 combinaciones producto + región por ventas
producto	region	Ventas	Utilidad	Unidades	Margen
Men’s Street Footwear	West	7,389,988	2,907,503	150,795	39.3%
Women’s Apparel	West	7,038,046	2,096,258	116,765	29.8%
Men’s Street Footwear	Northeast	6,841,324	3,030,663	134,252	44.3%
Men’s Athletic Footwear	West	6,761,339	2,154,211	127,724	31.9%
Women’s Street Footwear	West	5,748,586	2,142,439	113,705	37.3%
Women’s Apparel	Northeast	5,045,208	1,917,008	90,048	38.0%
Men’s Apparel	West	4,827,378	2,009,555	84,322	41.6%
Men’s Street Footwear	Midwest	4,707,360	1,948,621	109,861	41.4%
Men’s Street Footwear	Southeast	4,693,836	2,003,886	91,867	42.7%
Women’s Athletic Footwear	West	4,670,820	1,707,618	93,674	36.6%

11 11. Principales hallazgos

Los hallazgos centrales del análisis son:

West es el principal motor de ventas. Representa aproximadamente 30,3% de las ventas totales, aunque su margen ponderado es inferior al de otras regiones.
Men’s Street Footwear es el producto líder. Aporta aproximadamente 23,0% de las ventas y presenta un margen cercano al 42,0%.
Online es el método de venta más atractivo en rentabilidad. Representa aproximadamente 37,4% de las ventas y presenta un margen cercano al 43,5%.
Sports Direct tiene un margen superior al líder en ventas. Esto evidencia que volumen y rentabilidad no necesariamente coinciden.
Ventas y utilidad tienen una relación muy fuerte. La correlación es aproximadamente 0,935.
Las unidades vendidas tienen una asociación fuerte con las ventas. La correlación es aproximadamente 0,919.
Precio y volumen no presentan una relación inversa fuerte. La correlación entre precio y unidades es aproximadamente 0,266, por lo que no se observa evidencia descriptiva de que un mayor precio implique necesariamente menores unidades.
Existe alta dispersión en las ventas. El coeficiente de variación es aproximadamente 1,02, y el boxplot identifica numerosos posibles valores atípicos.
El margen global debe analizarse ponderando las ventas. El promedio simple es aproximadamente 42,3%, mientras que el margen ponderado es aproximadamente 39,3%.
Hay 262 filas exactamente duplicadas. No deben eliminarse sin conocer la lógica de construcción de la base.

12 12. Recomendaciones para Adidas

A partir de los patrones descriptivos observados, se plantean las siguientes recomendaciones:

12.0.1 1. Potenciar el canal Online

El canal Online combina la mayor participación de ventas con el mayor margen ponderado. Adidas podría priorizar campañas digitales, disponibilidad de inventario y estrategias de conversión en este canal.

12.0.2 2. Proteger y desarrollar Men’s Street Footwear

Es la categoría líder en ventas y utilidad. Debe considerarse una línea prioritaria para inventario, visibilidad comercial y acciones de crecimiento.

12.0.3 3. Diferenciar la estrategia regional

West debe gestionarse como un mercado de alto volumen, mientras que South merece atención por su mayor margen. La estrategia no debería ser idéntica para todas las regiones.

12.0.4 4. Evaluar distribuidores por rentabilidad y no solo por ventas

West Gear lidera en ventas, pero Sports Direct muestra un margen superior. Adidas debería utilizar una matriz de volumen vs. rentabilidad para decidir dónde concentrar esfuerzos comerciales.

12.0.5 5. Investigar los valores atípicos

Los registros extremos no deben eliminarse automáticamente. Se recomienda revisar si corresponden a grandes pedidos, promociones, temporadas, diferencias de producto o situaciones particulares.

12.0.6 6. Analizar pricing por segmento

La correlación agregada entre precio y unidades es débil y positiva. Por ello, no sería adecuado aplicar una regla general de “subir precio = vender menos”. Se recomienda segmentar por producto, región y método de venta antes de modificar precios.

13 13. Conclusión

El análisis muestra que el desempeño de Adidas no depende únicamente del volumen de ventas. Los resultados evidencian diferencias relevantes entre regiones, productos, distribuidores y métodos de venta.

El principal motor de escala es West, mientras que South presenta una mayor eficiencia de margen. Men’s Street Footwear es la categoría líder y Online se destaca como el método de venta con mejor combinación observada entre participación y rentabilidad.

La fuerte correlación entre ventas y utilidad confirma la importancia del volumen, pero los contrastes de margen muestran que crecer no significa necesariamente crecer de manera igualmente rentable. Por ello, la toma de decisiones debería priorizar segmentos que combinen escala y eficiencia.

Finalmente, el análisis cumple el enfoque descriptivo, exploratorio y diagnóstico solicitado: organiza y resume la información, compara segmentos, identifica posibles valores atípicos y analiza relaciones entre variables. Las recomendaciones propuestas constituyen una primera aproximación prescriptiva basada en los patrones encontrados y deben validarse con información adicional antes de convertirse en decisiones definitivas.

Caso 1. Analítica Descriptiva — Adidas

Briany Perlaza y Lynna Vidales

22/09/2026