# Introducción

El presente informe tiene como objetivo realizar un análisis descriptivo y exploratorio de los datos comerciales y financieros de Adidas.

El análisis busca comprender el comportamiento de las ventas, las unidades vendidas y la rentabilidad de la empresa, considerando variables como la región, el producto, el distribuidor y el método de venta.

A partir de los resultados obtenidos, se identificarán patrones relevantes que permitan formular recomendaciones para la toma de decisiones empresariales.

Metodología

Para el desarrollo del análisis se utilizó el lenguaje de programación R y la herramienta RStudio.

La base de datos contiene información sobre las ventas y el desempeño financiero de diferentes productos de Adidas.

Se aplicaron las siguientes técnicas:

El análisis se realizó a partir de las variables de precio por unidad, unidades vendidas, ventas totales, utilidad operativa y margen operativo.

library(readxl)
datos <- read_excel("~/Downloads/DatosCaso1.xlsx")
head(datos)
## # A tibble: 6 × 11
##   distribuidor region    estado  ciudad producto precio_unidad unidades_vendidas
##   <chr>        <chr>     <chr>   <chr>  <chr>            <dbl>             <dbl>
## 1 Foot Locker  Northeast New Yo… New Y… Men's S…            50              1200
## 2 Foot Locker  Northeast New Yo… New Y… Men's A…            50              1000
## 3 Foot Locker  Northeast New Yo… New Y… Women's…            40              1000
## 4 Foot Locker  Northeast New Yo… New Y… Women's…            45               850
## 5 Foot Locker  Northeast New Yo… New Y… Men's A…            60               900
## 6 Foot Locker  Northeast New Yo… New Y… Women's…            50              1000
## # ℹ 4 more variables: ventas_total <dbl>, utilidad_operativa <dbl>,
## #   margen_operativo <dbl>, metodo_venta <chr>
dim(datos)
## [1] 9648   11
names(datos)
##  [1] "distribuidor"       "region"             "estado"            
##  [4] "ciudad"             "producto"           "precio_unidad"     
##  [7] "unidades_vendidas"  "ventas_total"       "utilidad_operativa"
## [10] "margen_operativo"   "metodo_venta"
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" ...
colSums(is.na(datos))
##       distribuidor             region             estado             ciudad 
##                  0                  0                  0                  0 
##           producto      precio_unidad  unidades_vendidas       ventas_total 
##                  0                  0                  0                  0 
## utilidad_operativa   margen_operativo       metodo_venta 
##                  0                  0                  0

Análisis descriptivo

Estadísticas generales

En esta sección se presentan las principales estadísticas descriptivas de las variables numéricas de la base de datos.

Se analizarán la media, la mediana y la desviación estándar para comprender el comportamiento de las variables comerciales y financieras.

estadisticas_generales <- datos %>%
  summarise(
    promedio_precio = mean(precio_unidad, na.rm = TRUE),
    mediana_precio = median(precio_unidad, na.rm = TRUE),
    desviacion_precio = sd(precio_unidad, na.rm = TRUE),

    promedio_unidades = mean(unidades_vendidas, na.rm = TRUE),
    mediana_unidades = median(unidades_vendidas, na.rm = TRUE),
    desviacion_unidades = sd(unidades_vendidas, na.rm = TRUE),

    promedio_ventas = mean(ventas_total, na.rm = TRUE),
    mediana_ventas = median(ventas_total, na.rm = TRUE),
    desviacion_ventas = sd(ventas_total, na.rm = TRUE),

    promedio_utilidad = mean(utilidad_operativa, na.rm = TRUE),
    mediana_utilidad = median(utilidad_operativa, na.rm = TRUE),
    desviacion_utilidad = sd(utilidad_operativa, na.rm = TRUE),

    promedio_margen = mean(margen_operativo, na.rm = TRUE),
    mediana_margen = median(margen_operativo, na.rm = TRUE),
    desviacion_margen = sd(margen_operativo, na.rm = TRUE)
  )

kable(estadisticas_generales, digits = 2)
promedio_precio mediana_precio desviacion_precio promedio_unidades mediana_unidades desviacion_unidades promedio_ventas mediana_ventas desviacion_ventas promedio_utilidad mediana_utilidad desviacion_utilidad promedio_margen mediana_margen desviacion_margen
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

Interpretación

La tabla permite identificar los valores promedio, medianos y la variabilidad de las principales variables analizadas.

La interpretación específica se realizará considerando los resultados obtenidos en la base de datos.

Análisis de ventas

En esta sección se analizarán las ventas totales y las unidades vendidas, considerando las diferencias entre regiones, productos y distribuidores.

Ventas totales de la empresa

ventas_totales <- datos %>%
  summarise(
    ventas = sum(ventas_total, na.rm = TRUE),
    unidades = sum(unidades_vendidas, na.rm = TRUE),
    utilidad = sum(utilidad_operativa, na.rm = TRUE)
  )

kable(ventas_totales, digits = 2)
ventas unidades utilidad
120166650 2478861 47224968

Ventas por región

ventas_region <- datos %>%
  group_by(region) %>%
  summarise(
    ventas_totales = sum(ventas_total, na.rm = TRUE),
    unidades_vendidas = sum(unidades_vendidas, na.rm = TRUE)
  ) %>%
  mutate(
    participacion_ventas =
      ventas_totales / sum(ventas_totales) * 100
  ) %>%
  arrange(desc(ventas_totales))

kable(ventas_region, digits = 2)
region ventas_totales unidades_vendidas participacion_ventas
West 36436157 686985 30.32
Northeast 25078267 501279 20.87
Southeast 21374436 407000 17.79
South 20603356 492260 17.15
Midwest 16674434 391337 13.88 
ggplot(ventas_region,
       aes(x = reorder(region, ventas_totales),
           y = ventas_totales)) +
  geom_col() +
  coord_flip() +
  labs(
    title = "Ventas totales por región",
    x = "Región",
    y = "Ventas totales"
  ) +
  theme_minimal()

Ventas por producto

ventas_producto <- datos %>%
  group_by(producto) %>%
  summarise(
    ventas_totales = sum(ventas_total, na.rm = TRUE),
    unidades_vendidas = sum(unidades_vendidas, na.rm = TRUE)
  ) %>%
  mutate(
    participacion_ventas =
      ventas_totales / sum(ventas_totales) * 100
  ) %>%
  arrange(desc(ventas_totales))

kable(ventas_producto, digits = 2)
producto ventas_totales unidades_vendidas participacion_ventas
Men’s Street Footwear 27680769 593320 23.04
Women’s Apparel 23870985 433827 19.86
Men’s Athletic Footwear 20577180 435526 17.12
Women’s Street Footwear 17201563 392269 14.31
Men’s Apparel 16520632 306683 13.75
Women’s Athletic Footwear 14315521 317236 11.91 
ggplot(ventas_producto,
       aes(x = reorder(producto, ventas_totales),
           y = ventas_totales)) +
  geom_col() +
  coord_flip() +
  labs(
    title = "Ventas totales por producto",
    x = "Producto",
    y = "Ventas totales"
  ) +
  theme_minimal()

Ventas por distribuidor

ventas_distribuidor <- datos %>%
  group_by(distribuidor) %>%
  summarise(
    ventas_totales = sum(ventas_total, na.rm = TRUE),
    unidades_vendidas = sum(unidades_vendidas, na.rm = TRUE)
  ) %>%
  arrange(desc(ventas_totales))

kable(ventas_distribuidor, digits = 2)
distribuidor ventas_totales unidades_vendidas
West Gear 32409558 625262
Foot Locker 29024945 604369
Sports Direct 24616622 557640
Kohl’s 13512453 287375
Walmart 10506085 206225
Amazon 10096987 197990

Análisis de rentabilidad

En esta sección se analiza la utilidad operativa y el margen operativo para identificar diferencias en la rentabilidad de los productos.

Rentabilidad general

rentabilidad_general <- datos %>%
  summarise(
    ventas_totales = sum(ventas_total, na.rm = TRUE),
    utilidad_total = sum(utilidad_operativa, na.rm = TRUE),
    margen_promedio = mean(margen_operativo, na.rm = TRUE),
    margen_ponderado =
      utilidad_total / ventas_totales
  )

kable(rentabilidad_general, digits = 4)
ventas_totales utilidad_total margen_promedio margen_ponderado
120166650 47224968 0.423 0.393

Rentabilidad por producto

rentabilidad_producto <- datos %>%
  group_by(producto) %>%
  summarise(
    ventas_totales = sum(ventas_total, na.rm = TRUE),
    utilidad_total = sum(utilidad_operativa, na.rm = TRUE),
    margen_promedio = mean(margen_operativo, na.rm = TRUE)
  ) %>%
  mutate(
    margen_calculado = utilidad_total / ventas_totales
  ) %>%
  arrange(desc(utilidad_total))

kable(rentabilidad_producto, digits = 4)
producto ventas_totales utilidad_total margen_promedio margen_calculado
Men’s Street Footwear 27680769 11629046 0.4461 0.4201
Women’s Apparel 23870985 9685221 0.4413 0.4057
Men’s Athletic Footwear 20577180 7437457 0.4027 0.3614
Women’s Street Footwear 17201563 6494017 0.4102 0.3775
Men’s Apparel 16520632 6381405 0.4132 0.3863
Women’s Athletic Footwear 14315521 5597822 0.4244 0.3910 
ggplot(rentabilidad_producto,
       aes(x = reorder(producto, utilidad_total),
           y = utilidad_total)) +
  geom_col() +
  coord_flip() +
  labs(
    title = "Utilidad operativa por producto",
    x = "Producto",
    y = "Utilidad operativa"
  ) +
  theme_minimal()

Análisis exploratorio

Comparación por región

La comparación por región permite observar las diferencias en ventas, unidades vendidas y rentabilidad entre los segmentos geográficos de la base de datos.

rentabilidad_region <- datos %>%
  group_by(region) %>%
  summarise(
    ventas_totales = sum(ventas_total, na.rm = TRUE),
    utilidad_total = sum(utilidad_operativa, na.rm = TRUE),
    margen_promedio = mean(margen_operativo, na.rm = TRUE)
  ) %>%
  mutate(
    margen_calculado = utilidad_total / ventas_totales
  ) %>%
  arrange(desc(utilidad_total))

kable(rentabilidad_region, digits = 4)
region ventas_totales utilidad_total margen_promedio margen_calculado
West 36436157 13017584 0.3967 0.3573
Northeast 25078267 9732774 0.4105 0.3881
South 20603356 9221605 0.4669 0.4476
Southeast 21374436 8393059 0.4192 0.3927
Midwest 16674434 6859945 0.4353 0.4114 
ggplot(rentabilidad_region,
       aes(x = reorder(region, utilidad_total),
           y = utilidad_total)) +
  geom_col() +
  coord_flip() +
  labs(
    title = "Utilidad operativa por región",
    x = "Región",
    y = "Utilidad operativa"
  ) +
  theme_minimal()

Comparación por producto

Se compararán las ventas y la utilidad operativa de los diferentes productos para identificar diferencias en el desempeño comercial y financiero.

comparacion_productos <- datos %>%
  group_by(producto) %>%
  summarise(
    ventas_totales = sum(ventas_total, na.rm = TRUE),
    utilidad_total = sum(utilidad_operativa, na.rm = TRUE),
    unidades_vendidas = sum(unidades_vendidas, na.rm = TRUE),
    margen_promedio = mean(margen_operativo, na.rm = TRUE)
  ) %>%
  arrange(desc(ventas_totales))

kable(comparacion_productos, digits = 2)
producto ventas_totales utilidad_total unidades_vendidas margen_promedio
Men’s Street Footwear 27680769 11629046 593320 0.45
Women’s Apparel 23870985 9685221 433827 0.44
Men’s Athletic Footwear 20577180 7437457 435526 0.40
Women’s Street Footwear 17201563 6494017 392269 0.41
Men’s Apparel 16520632 6381405 306683 0.41
Women’s Athletic Footwear 14315521 5597822 317236 0.42

Relación entre variables

Se analizará la relación entre variables comerciales y financieras mediante el coeficiente de correlación y gráficos de dispersión.

Relación entre ventas y utilidad

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

cor_ventas_utilidad
## [1] 0.9353717
ggplot(datos,
       aes(x = ventas_total,
           y = utilidad_operativa)) +
  geom_point(alpha = 0.5) +
  labs(
    title = "Relación entre ventas y utilidad operativa",
    x = "Ventas totales",
    y = "Utilidad operativa"
  ) +
  theme_minimal()

Relación entre precio y unidades vendidas

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

cor_precio_unidades
## [1] 0.2658685
ggplot(datos,
       aes(x = precio_unidad,
           y = unidades_vendidas)) +
  geom_point(alpha = 0.5) +
  labs(
    title = "Relación entre precio y unidades vendidas",
    x = "Precio por unidad",
    y = "Unidades vendidas"
  ) +
  theme_minimal()

Principales hallazgos

En esta sección se presentarán los principales resultados identificados durante el análisis descriptivo y exploratorio.

Los hallazgos se construirán a partir de las estadísticas y visualizaciones obtenidas.

Hallazgo 1: Desempeño de ventas

Se analizará la región, el producto o el distribuidor que presente diferencias relevantes en las ventas totales.

Resultado: Se completará con los valores obtenidos en el análisis.

Hallazgo 2: Rentabilidad

Se comparará la utilidad operativa y el margen operativo entre los productos y las regiones.

Resultado: Se completará con los valores obtenidos en el análisis.

Hallazgo 3: Relación entre variables

Se interpretarán las correlaciones calculadas para determinar las asociaciones lineales observadas.

Resultado: Se completará con los coeficientes de correlación obtenidos.

Recomendaciones

Las recomendaciones se formularán a partir de los hallazgos identificados en el análisis.

Se considerarán aspectos como:

Las recomendaciones deben estar respaldadas por los resultados obtenidos y no únicamente por suposiciones.

Conclusiones

El análisis descriptivo y exploratorio permite comprender el comportamiento de las ventas y la rentabilidad de Adidas a partir de las variables disponibles en la base de datos.

Las conclusiones finales se desarrollarán con base en los principales hallazgos y las comparaciones realizadas entre regiones, productos y otros segmentos.

El análisis proporciona información que puede apoyar la toma de decisiones comerciales y financieras de la empresa.