CASO 1 - Analitica descriptiva Adidas
Mariana torres y Laura Sofia Macias
2026-09-25
Introducción
Adidas es una reconocida compañía multinacional alemana fundada en 1949 por Adolf “Adi” Dassler, consolidada hoy en día como uno de los líderes mundiales en el diseño y fabricación de calzado, ropa y accesorios deportivos y de moda urbana. La marca, cuyo nombre surge de la combinación del apodo de su fundador (“Adi”) y las primeras letras de su apellido (“Das”), es famosa globalmente por su icónico logotipo de las tres tiras y su fuerte presencia en disciplinas como el fútbol, el running y el baloncesto. Más allá de su enfoque en el alto rendimiento atlético, Adidas ha logrado un impacto masivo en la cultura popular y el estilo de vida contemporáneo a través de su línea Originals y colaboraciones con diseñadores de renombre, manteniendo un constante compromiso con la innovación tecnológica, el confort y la sostenibilidad en la industria textil global.
Análisis exploratorio
El análisis exploratorio de datos (EDA) permite comprender el comportamiento de las ventas y la rentabilidad de Adidas. A través de este análisis, se busca identificar patrones, comparar el desempeño de los productos, regiones y métodos de venta, y evaluar la distribución de las principales variables financieras.
Para ello, se utilizaron estadísticas descriptivas y visualizaciones que permiten analizar las ventas totales, las unidades vendidas, la utilidad operativa y el margen operativo. Estos resultados facilitan la identificación de diferencias entre segmentos y la interpretación del desempeño comercial y financiero de la empresa.
PASO 1. Instalar y cargar librerias
# Cargar librerías necesarias
library(readxl)
library(dplyr)
library(ggplot2)
library(plotly)
library(knitr)
library(kableExtra)
library(tidyr)
library(RecordLinkage)
library(leaflet)
library(htmltools)PASO 2: Filtar o seleccionar la información que necesito
Se realiza una exploración de la base de datos de Adidas con el propósito de identificar las variables relevantes para el análisis de las ventas y la rentabilidad.
Se tienen en cuenta variables como el producto, la región, la ciudad, el distribuidor, el precio por unidad, las unidades vendidas, las ventas totales, la utilidad operativa, el margen operativo y el método de venta.
El objetivo es organizar la información para realizar comparaciones entre los diferentes segmentos comerciales y financieros de la empresa.
library(readxl)
datos<- read_excel("~/Downloads/DatosCaso1 (1).xlsx")
# Exploración y preparación de la base de datos de Adidas
id=1:dim(datos)[1]
datos=data.frame(id,datos)
#Filtro
require(RecordLinkage)
# Carga y organización de los datos de Adidas
# Preparación de los datos para el análisis descriptivo
# Extrae solo esas filas y las guarda en datos_sub.
# Selección de variables relevantes para Adidas
datos_sub <- datos %>%
select(
distribuidor,
region,
estado,
ciudad,
producto,
precio_unidad,
unidades_vendidas,
ventas_total,
utilidad_operativa,
margen_operativo,
metodo_venta
)
# Mostrar las primeras filas
head(datos_sub)| distribuidor | region | estado | ciudad | producto | precio_unidad | unidades_vendidas | ventas_total | utilidad_operativa | margen_operativo | metodo_venta |
|---|---|---|---|---|---|---|---|---|---|---|
| Foot Locker | Northeast | New York | New York | Men’s Street Footwear | 50 | 1200 | 60000 | 30000.0 | 0.50 | In-store |
| Foot Locker | Northeast | New York | New York | Men’s Athletic Footwear | 50 | 1000 | 50000 | 15000.0 | 0.30 | In-store |
| Foot Locker | Northeast | New York | New York | Women’s Street Footwear | 40 | 1000 | 40000 | 14000.0 | 0.35 | In-store |
| Foot Locker | Northeast | New York | New York | Women’s Athletic Footwear | 45 | 850 | 38250 | 13387.5 | 0.35 | In-store |
| Foot Locker | Northeast | New York | New York | Men’s Apparel | 60 | 900 | 54000 | 16200.0 | 0.30 | In-store |
| Foot Locker | Northeast | New York | New York | Women’s Apparel | 50 | 1000 | 50000 | 12500.0 | 0.25 | In-store |
Ahora obtenemos los nombres exactos de las variables que tenemos en la base de datos
library(readxl)
library(tidyverse)
# Cargar la base de datos de Adidas
datos <- read_excel("~/Downloads/DatosCaso1 (1).xlsx")
# Mostrar los nombres de las columnas
names(datos)## [1] "distribuidor" "region" "estado"
## [4] "ciudad" "producto" "precio_unidad"
## [7] "unidades_vendidas" "ventas_total" "utilidad_operativa"
## [10] "margen_operativo" "metodo_venta"# Comparación de precios por producto
library(dplyr)
library(dplyr)
comparacion_producto <- datos_sub %>%
group_by(producto) %>%
summarise(
precio_promedio = mean(precio_unidad, na.rm = TRUE),
precio_minimo = min(precio_unidad, na.rm = TRUE),
precio_maximo = max(precio_unidad, na.rm = TRUE),
cantidad = n()
)
comparacion_producto| producto | precio_promedio | precio_minimo | precio_maximo | cantidad |
|---|---|---|---|---|
| Men’s Apparel | 50.32192 | 16 | 95 | 1606 |
| Men’s Athletic Footwear | 43.77950 | 11 | 95 | 1610 |
| Men’s Street Footwear | 44.23665 | 7 | 95 | 1610 |
| Women’s Apparel | 51.60075 | 14 | 110 | 1608 |
| Women’s Athletic Footwear | 41.11270 | 7 | 90 | 1606 |
| Women’s Street Footwear | 40.25249 | 7 | 95 | 1608 |
## Registros totales de la base de datos de AdidasIndicadores de tendencia central
## Se calculan los indicadores de tendencia central
## de las principales variables de Adidas:
## precio por unidad, unidades vendidas,
## ventas totales, utilidad operativa y margen operativo.
## Los resultados se organizan en una tabla.
#na.rm: ignora valores faltantes (NA) para evitar errores en el cálculo.
# INDICADORES DE TENDENCIA CENTRAL DE ADIDAS
# Promedio de las variables principales
promedio_precio = mean(datos$precio_unidad, na.rm = TRUE)
promedio_unidades = mean(datos$unidades_vendidas, na.rm = TRUE)
promedio_ventas = mean(datos$ventas_total, na.rm = TRUE)
promedio_utilidad = mean(datos$utilidad_operativa, na.rm = TRUE)
promedio_margen = mean(datos$margen_operativo, na.rm = TRUE)
# Mediana de las variables principales
mediana_precio = median(datos$precio_unidad, na.rm = TRUE)
mediana_unidades = median(datos$unidades_vendidas, na.rm = TRUE)
mediana_ventas = median(datos$ventas_total, na.rm = TRUE)
mediana_utilidad = median(datos$utilidad_operativa, na.rm = TRUE)
mediana_margen = median(datos$margen_operativo, na.rm = TRUE)
# Crear tabla de resultados
resultado_prom = data.frame(
Variable = c(
"Precio por unidad",
"Unidades vendidas",
"Ventas totales",
"Utilidad operativa",
"Margen operativo"
),
Promedio = c(
promedio_precio,
promedio_unidades,
promedio_ventas,
promedio_utilidad,
promedio_margen
),
Mediana = c(
mediana_precio,
mediana_unidades,
mediana_ventas,
mediana_utilidad,
mediana_margen
)
)
# Mostrar resultados
resultado_prom| Variable | Promedio | Mediana |
|---|---|---|
| Precio por unidad | 4.521663e+01 | 45.00 |
| Unidades vendidas | 2.569300e+02 | 176.00 |
| Ventas totales | 1.245508e+04 | 7803.50 |
| Utilidad operativa | 4.894794e+03 | 3262.98 |
| Margen operativo | 4.229913e-01 | 0.41 |
## **Mediana de las variables de Adidas**
# Calcular la mediana de las variables principales
# Calcular la mediana de las variables principales
mediana_precio <- median(datos$precio_unidad, na.rm = TRUE)
mediana_unidades <- median(datos$unidades_vendidas, na.rm = TRUE)
mediana_ventas <- median(datos$ventas_total, na.rm = TRUE)
mediana_utilidad <- median(datos$utilidad_operativa, na.rm = TRUE)
mediana_margen <- median(datos$margen_operativo, na.rm = TRUE)### Indicadores de centralidad y variabilidad del precio por unidad de Adidas
# Indicadores del precio por unidad de Adidas
promedio_precio <- mean(datos$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)
# Crear tabla de resultados
indic_precio <- data.frame(
Promedio = promedio_precio,
Mediana = mediana_precio,
Minimo = minimo_precio,
Maximo = maximo_precio,
Desviacion_Estandar = desvest_precio
)
indic_precio| Promedio | Mediana | Minimo | Maximo | Desviacion_Estandar |
|---|---|---|---|---|
| 45.21663 | 45 | 7 | 110 | 14.7054 |
## Indicadores de centralidad y variabilidad para las unidades vendidas de Adidas
# Indicadores de las unidades vendidas de Adidas
promedio_unidades <- mean(datos$unidades_vendidas, na.rm = TRUE)
mediana_unidades <- median(datos$unidades_vendidas, na.rm = TRUE)
minimo_unidades <- min(datos$unidades_vendidas, na.rm = TRUE)
maximo_unidades <- max(datos$unidades_vendidas, na.rm = TRUE)
desvest_unidades <- sd(datos$unidades_vendidas, na.rm = TRUE)
# Crear tabla de resultados
indic_unidades <- data.frame(
Promedio = promedio_unidades,
Mediana = mediana_unidades,
Minimo = minimo_unidades,
Maximo = maximo_unidades,
Desviacion_Estandar = desvest_unidades
)
indic_unidades| Promedio | Mediana | Minimo | Maximo | Desviacion_Estandar |
|---|---|---|---|---|
| 256.93 | 176 | 0 | 1275 | 214.252 |
Tabla 1. Precio promedio por unidad según producto
aggregate(precio_unidad ~ producto,
data = datos,
FUN = mean)| producto | precio_unidad |
|---|---|
| Men’s Apparel | 50.32192 |
| Men’s Athletic Footwear | 43.77950 |
| Men’s Street Footwear | 44.23665 |
| Women’s Apparel | 51.60075 |
| Women’s Athletic Footwear | 41.11270 |
| Women’s Street Footwear | 40.25249 |
Análisis Tabla 1.
La tabla muestra diferencias en el precio promedio por unidad entre los seis productos analizados.
- Women’s Apparel presenta el precio promedio más alto, con 51.60.
- Men’s Apparel presenta un precio promedio de 50.32.
- Men’s Street Footwear y Men’s Athletic Footwear presentan valores similares, con 44.24 y 43.78, respectivamente.
- Women’s Athletic Footwear presenta un promedio de 41.11.
- Women’s Street Footwear presenta el precio promedio más bajo, con 40.25.
Conclusión: Se observan diferencias en los niveles de precio entre las categorías de productos, destacándose Women’s Apparel por presentar el mayor precio promedio y Women’s Street Footwear por presentar el menor.
Tabla 2. Estadísticos descriptivos de las principales variables
summary(datos[, c("precio_unidad",
"unidades_vendidas",
"ventas_total",
"utilidad_operativa",
"margen_operativo")])## precio_unidad unidades_vendidas ventas_total utilidad_operativa
## Min. : 7.00 Min. : 0.0 Min. : 0 Min. : 0
## 1st Qu.: 35.00 1st Qu.: 106.0 1st Qu.: 4065 1st Qu.: 1753
## Median : 45.00 Median : 176.0 Median : 7804 Median : 3263
## Mean : 45.22 Mean : 256.9 Mean :12455 Mean : 4895
## 3rd Qu.: 55.00 3rd Qu.: 350.0 3rd Qu.:15864 3rd Qu.: 6192
## Max. :110.00 Max. :1275.0 Max. :82500 Max. :39000
## margen_operativo
## Min. :0.100
## 1st Qu.:0.350
## Median :0.410
## Mean :0.423
## 3rd Qu.:0.490
## Max. :0.800Análisis Tabla 2.
La tabla presenta los principales estadísticos descriptivos de las variables analizadas. El precio por unidad tiene un promedio de 45.22 y una mediana de 45, con valores entre 7 y 110.
Las unidades vendidas presentan un promedio de 256.9 y una mediana de 176, con un rango entre 0 y 1,275 unidades, lo que evidencia una importante dispersión en los volúmenes de venta.
Las ventas totales tienen un promedio de 12,455 y una mediana de 7,804, mientras que la utilidad operativa presenta un promedio de 4,895 y una mediana de 3,263. En ambas variables, el promedio es superior a la mediana, debido a la presencia de valores altos.
Finalmente, el margen operativo presenta un promedio de 0.423 (42.3%) y una mediana de 0.410 (41.0%), con valores entre 0.10 y 0.80.
Conclusión: Las variables analizadas presentan diferentes niveles de dispersión. Las unidades vendidas, las ventas totales y la utilidad operativa muestran diferencias importantes entre sus valores centrales y máximos, mientras que el margen operativo se concentra alrededor del 42%.
Tabla 3. Utilidad operativa promedio según producto
aggregate(utilidad_operativa ~ producto,
data = datos,
FUN = mean)| producto | utilidad_operativa |
|---|---|
| Men’s Apparel | 3973.478 |
| Men’s Athletic Footwear | 4619.538 |
| Men’s Street Footwear | 7223.010 |
| Women’s Apparel | 6023.147 |
| Women’s Athletic Footwear | 3485.568 |
| Women’s Street Footwear | 4038.568 |
Análisis Tabla 3.
La tabla muestra diferencias en la utilidad operativa promedio entre los seis productos analizados. Men’s Street Footwear presenta la utilidad operativa promedio más alta, con 7,223.01, seguido de Women’s Apparel, con 6,023.15.
Por otro lado, Women’s Athletic Footwear presenta la utilidad operativa promedio más baja, con 3,485.57. Los demás productos presentan valores intermedios.
Conclusión: Se observan diferencias en la utilidad operativa promedio según el producto, destacándose Men’s Street Footwear por presentar el mayor valor dentro de las categorías analizadas.
Representación gráfica
Histograma
Ahora creamos histogramas de las principales variables de Adidas para analizar la distribución de los datos e identificar patrones en las ventas y el precio por unidad.
# Crear y mostrar el histograma del precio por unidad de Adidas
# Histograma interactivo del precio por unidad
library(ggplot2)
library(plotly)
grafico_precio <- ggplot(datos, aes(x = precio_unidad)) +
geom_histogram(
binwidth = 10,
fill = "steelblue",
color = "black",
alpha = 0.6
) +
labs(
title = "Distribución del precio por unidad de Adidas",
x = "Precio por unidad",
y = "Frecuencia"
) +
theme_minimal()
ggplotly(grafico_precio)Interpretación Figura 1
La Figura 1 muestra la distribución del precio por unidad de los productos de Adidas. El histograma permite observar cómo se concentran los precios y qué tan dispersos se encuentran dentro de la base de datos.
Distribución de precios:
Los precios por unidad se encuentran entre aproximadamente 7 y 110. Sin embargo, la mayor concentración de observaciones se encuentra entre 30 y 60.
El intervalo con mayor frecuencia es el de 40 a 50, seguido por los intervalos de 50 a 60 y 30 a 40. Esto indica que una parte importante de los productos registrados se encuentra alrededor de estos niveles de precio.
Concentración:
La distribución presenta una concentración clara alrededor de los precios medios. A partir de aproximadamente 60, la frecuencia comienza a disminuir considerablemente.
Los precios entre 70 y 100 presentan muchas menos observaciones que los rangos centrales, mientras que los valores superiores a 100 son poco frecuentes.
Dispersión y rango:
El precio promedio es aproximadamente 45,22, mientras que la mediana es 45. Esto muestra que el centro de la distribución se encuentra alrededor de 45 unidades monetarias.
La desviación estándar es aproximadamente 14,71, lo que evidencia una variación considerable entre los precios de los diferentes productos.
Valores extremos:
Se observan pocos productos con precios cercanos a 100–110, mientras que también existen algunos precios muy bajos, cercanos a 7–10. Estos valores son poco frecuentes dentro de la base.
Conclusión de la Figura 1
En general, los precios de los productos de Adidas se concentran principalmente entre 30 y 60, con un punto central cercano a 45. La frecuencia disminuye a medida que los precios se alejan de este rango, especialmente en los valores superiores a 70.
# Crear y mostrar el histograma interactivo
ggplotly(
ggplot(datos, aes(x = unidades_vendidas)) +
geom_histogram(
binwidth = 100,
fill = "steelblue",
color = "black",
alpha = 0.6
) +
labs(
title = "Figura 2. Histograma de unidades vendidas de Adidas",
x = "Unidades vendidas",
y = "Frecuencia"
) +
theme_minimal()
)Interpretación Figura 2.
La Figura 2 muestra la distribución de las unidades vendidas de los productos de Adidas. El histograma permite observar cómo se concentran las cantidades vendidas y qué tan dispersos se encuentran los datos.
Distribución de las unidades vendidas:
La mayor concentración de observaciones se encuentra entre 100 y 200 unidades vendidas, siendo este el intervalo con mayor frecuencia. También se observa una cantidad importante de registros entre 0 y 100 unidades.
A partir de las 200 unidades, la frecuencia comienza a disminuir progresivamente. Esto indica que los registros con mayores volúmenes de ventas son cada vez menos frecuentes.
Concentración y agrupaciones:
El principal grupo de datos se concentra entre 0 y 300 unidades vendidas, donde se encuentra una gran parte de las observaciones.
Después de las 300 unidades, la frecuencia disminuye, aunque todavía se encuentran registros entre 400 y 800 unidades.
Dispersión y rango:
Las unidades vendidas van desde 0 hasta 1.275 unidades. La diferencia entre estos valores muestra una variabilidad considerable en el volumen de ventas de los diferentes registros de Adidas.
La distribución presenta una asimetría hacia la derecha, debido a que existen algunos registros con cantidades vendidas considerablemente mayores que la mayoría de las observaciones.
Valores altos:
Se observan pocos registros por encima de 1.000 unidades vendidas, llegando algunos hasta aproximadamente 1.275 unidades. Estos valores son poco frecuentes en comparación con la concentración principal de los datos.
Conclusión:
La distribución muestra que las unidades vendidas se concentran principalmente en niveles bajos y medios, especialmente entre 0 y 300 unidades, mientras que los volúmenes superiores son menos frecuentes. Esto evidencia diferencias en el volumen de ventas entre los distintos registros de productos de Adidas.
hist(datos$unidades_vendidas,
breaks = 12,
main = "figura 3.Distribución de las unidades vendidas",
xlab = "Unidades vendidas",
ylab = "Frecuencia",
col = "steelblue",
border = "black")
Interpretación Figura 3.
La Figura 3 muestra la distribución de las unidades vendidas de los productos de Adidas. El histograma permite observar cómo se concentran las cantidades vendidas y qué tan dispersos se encuentran los datos.
Distribución de las unidades vendidas:
La mayor concentración de observaciones se encuentra entre 100 y 200 unidades vendidas, siendo este el intervalo con mayor frecuencia. También se observa una cantidad importante de registros entre 0 y 100 unidades.
A partir de las 200 unidades, la frecuencia comienza a disminuir progresivamente. Esto indica que los registros con mayores volúmenes de ventas son cada vez menos frecuentes.
Concentración y agrupaciones:
El principal grupo de datos se concentra entre 0 y 300 unidades vendidas, donde se encuentra una gran parte de las observaciones.
Después de las 300 unidades, la frecuencia disminuye, aunque todavía se encuentran registros entre 400 y 800 unidades.
Dispersión y rango:
Las unidades vendidas van desde 0 hasta 1.275 unidades. La diferencia entre estos valores muestra una variabilidad considerable en el volumen de ventas de los diferentes registros de Adidas.
La distribución presenta una asimetría positiva, debido a que existen algunos registros con cantidades vendidas considerablemente mayores que la mayoría de las observaciones.
Valores altos:
Se observan pocos registros por encima de 1.000 unidades vendidas, llegando algunos hasta aproximadamente 1.275 unidades. Estos valores son poco frecuentes en comparación con la concentración principal de los datos.
Conclusión:
La distribución muestra que las unidades vendidas se concentran principalmente en niveles bajos y medios, especialmente entre 0 y 300 unidades, mientras que los volúmenes superiores son menos frecuentes. Esto evidencia diferencias en el volumen de ventas entre los distintos registros de productos de Adidas.
Boxplot
Ahora creamos el boxplot del precio por unidad de los productos de Adidas para analizar la distribución, dispersión y posibles valores atípicos.
# Crear y mostrar el boxplot interactivo del precio por unidad
ggplotly(
ggplot(datos, aes(y = precio_unidad)) +
geom_boxplot(
fill = "steelblue",
color = "black",
outlier.colour = "red",
outlier.shape = 16,
outlier.size = 3
) +
labs(
title = "Figura 4. Boxplot del precio por unidad de Adidas",
y = "Precio por unidad"
) +
theme_minimal()
)Interpretación Figura 4 - Boxplot
La Figura 3 muestra la distribución del precio por unidad de los productos de Adidas. El boxplot permite analizar la mediana, los cuartiles, la dispersión y los valores atípicos presentes en los datos.
Mediana:
La mediana del precio por unidad es de 45. Esto significa que el 50% de los productos presenta un precio por unidad menor o igual a 45, mientras que el otro 50% presenta un precio mayor o igual a este valor.
Rango Intercuartílico (IQR):
El primer cuartil (Q1) es 35 y el tercer cuartil (Q3) es 55. Por lo tanto, el 50% central de los precios por unidad se encuentra entre 35 y 55.
El rango intercuartílico es de 20 unidades (55 - 35), lo que representa la dispersión de la mitad central de los precios.
Bigotes y rango de los datos:
El bigote inferior llega hasta aproximadamente 7, mientras que el bigote superior llega hasta 85. Estos representan los valores extremos que se encuentran dentro del rango esperado según el criterio del boxplot.
El valor máximo observado es 110, pero este se encuentra por encima del bigote superior.
Valores atípicos:
Se observan varios valores atípicos por encima de 85, llegando hasta aproximadamente 110. Estos puntos indican que existen productos con precios por unidad considerablemente superiores al comportamiento de la mayoría de los productos.
No se observan valores atípicos por debajo del bigote inferior.
Distribución:
La distribución presenta una asimetría hacia la derecha, debido a la presencia de numerosos valores atípicos en la parte superior. La mayor concentración de precios se encuentra entre 35 y 55, mientras que algunos productos alcanzan precios considerablemente mayores.
Conclusión:
En general, el precio por unidad de Adidas presenta una mediana de 45 y una concentración del 50% central de los datos entre 35 y 55. Sin embargo, la presencia de varios valores atípicos entre aproximadamente 85 y 110 evidencia una mayor variabilidad en los precios altos y una distribución con asimetría hacia la derecha.
# Crear y mostrar el boxplot interactivo de las unidades vendidas
ggplotly(
ggplot(datos, aes(y = unidades_vendidas)) +
geom_boxplot(
fill = "steelblue",
color = "black",
outlier.colour = "red",
outlier.shape = 16,
outlier.size = 3
) +
labs(
title = "Figura 5. Boxplot de las unidades vendidas de Adidas",
y = "Unidades vendidas"
) +
theme_minimal()
)Interpretación Figura 5 - Boxplot
La Figura 4 muestra la distribución de las unidades vendidas de los productos de Adidas. El boxplot permite analizar la mediana, los cuartiles, la dispersión y los valores atípicos presentes en los datos.
Mediana:
La mediana de las unidades vendidas es de 176 unidades. Esto significa que el 50% de los registros presenta ventas menores o iguales a 176 unidades, mientras que el otro 50% presenta ventas mayores o iguales a este valor.
Rango Intercuartílico (IQR):
El primer cuartil (Q1) es de 106 unidades y el tercer cuartil (Q3) es de 350 unidades. Por lo tanto, el 50% central de las unidades vendidas se encuentra entre 106 y 350 unidades.
El rango intercuartílico es de 244 unidades (350 - 106), lo que indica una dispersión considerable en la cantidad de unidades vendidas dentro del 50% central de los datos.
Bigotes y rango de los datos:
El bigote inferior llega hasta 0 unidades, mientras que el bigote superior llega hasta 700 unidades. Estos representan los valores extremos que se encuentran dentro del rango esperado según el criterio del boxplot.
El valor máximo observado es de 1.275 unidades, pero se encuentra por encima del bigote superior.
Valores atípicos:
Se observan numerosos valores atípicos por encima de 700 unidades, llegando hasta 1.275 unidades. Estos puntos representan registros con niveles de ventas considerablemente superiores al comportamiento de la mayoría de los datos.
No se observan valores atípicos por debajo del bigote inferior.
Distribución:
La distribución presenta una asimetría hacia la derecha, debido a la gran cantidad de valores atípicos ubicados por encima del bigote superior. La mayor concentración de las unidades vendidas se encuentra entre 106 y 350 unidades, mientras que algunos registros presentan niveles de ventas mucho más altos.
Conclusión:
En general, las unidades vendidas de Adidas presentan una alta variabilidad. La mediana es de 176 unidades y el 50% central de los datos se encuentra entre 106 y 350 unidades. Además, la presencia de numerosos valores atípicos entre 700 y 1.275 unidades indica que algunos registros tienen volúmenes de ventas considerablemente superiores al comportamiento habitual.``
Opción 2
# Gráfico interactivo con correlación entre precio y unidades vendidas
g2 <- ggplot(
datos,
aes(x = unidades_vendidas, y = precio_unidad)
) +
geom_point(color = "steelblue", alpha = 0.8, size = 2) +
geom_smooth(method = "loess", color = "grey", se = TRUE) +
labs(
title = paste(
"Figura 6. Relación entre unidades vendidas y precio por unidad\nCoef. de correlación:",
round(cor(datos$unidades_vendidas, datos$precio_unidad, use = "complete.obs"), 2)
),
x = "Unidades vendidas",
y = "Precio por unidad",
caption = "Fuente: Datos de Adidas"
) +
theme_minimal()
ggplotly(g2)Interpretación Figura 6
La Figura 5 muestra la relación entre las unidades vendidas y el precio por unidad de los productos de Adidas. El gráfico de dispersión permite observar si existe una relación entre ambas variables y analizar la tendencia general de los datos.
Tendencia general:
Se observa una tendencia positiva entre las unidades vendidas y el precio por unidad. La línea de tendencia presenta una pendiente ascendente, lo que indica que, en general, a medida que aumentan las unidades vendidas, también se observa una ligera tendencia a que aumente el precio por unidad.
Coeficiente de correlación:
El coeficiente de correlación es de 0.27. Este valor indica una relación positiva débil entre las unidades vendidas y el precio por unidad.
Esto significa que existe cierta relación entre las variables, pero esta no es suficientemente fuerte como para afirmar que un aumento en las unidades vendidas implique necesariamente un aumento en el precio por unidad.
Distribución de los datos:
La mayoría de los registros se concentra en la zona de precios aproximadamente entre 20 y 60 y en niveles de unidades vendidas inferiores a 500. También se observan registros con más de 500 unidades vendidas, aunque estos son menos frecuentes.
A medida que aumentan las unidades vendidas, los puntos presentan una dispersión considerable en los precios. Esto indica que productos con cantidades similares de unidades vendidas pueden presentar diferentes precios por unidad.
Dispersión:
Los puntos se encuentran bastante dispersos alrededor de la línea de tendencia. Por esta razón, aunque la tendencia general es positiva, las unidades vendidas explican solamente una parte de las diferencias observadas en el precio por unidad.
Conclusión:
En general, la Figura 5 muestra una relación positiva débil entre las unidades vendidas y el precio por unidad, con un coeficiente de correlación de 0.27. La relación existe, pero es limitada, por lo que el precio por unidad no parece estar fuertemente determinado por la cantidad de unidades vendidas.
Figura 7. Precio promedio por unidad según producto
plot(datos$ventas_total,
datos$utilidad_operativa,
main = " Figura 7 Relación entre ventas totales y utilidad operativa",
xlab = "Ventas totales",
ylab = "Utilidad operativa",
pch = 19)
Interpretación del gráfico.
El gráfico permite comparar el precio promedio por unidad entre los seis productos analizados. Women’s Apparel presenta el precio promedio más alto, con 51.60, seguido de Men’s Apparel, con 50.32. Por otro lado, Women’s Street Footwear presenta el menor precio promedio, con 40.25.
Los demás productos presentan precios promedio intermedios, entre 41.11 y 44.24. En general, se observan diferencias moderadas entre las categorías, aunque los precios de la mayoría de los productos se encuentran en un rango relativamente cercano.
Conclusión: Women’s Apparel y Men’s Apparel presentan los precios promedio más altos, mientras que Women’s Street Footwear presenta el menor.
Figura 8. Utilidad operativa promedio según producto
par(mar = c(5, 12, 4, 2))
utilidad_producto <- aggregate(utilidad_operativa ~ producto,
data = datos,
FUN = mean)
barplot(utilidad_producto$utilidad_operativa,
names.arg = utilidad_producto$producto,
horiz = TRUE,
main = " Figura 8 Utilidad operativa promedio según producto",
xlab = "Utilidad operativa promedio",
col = "steelblue",
border = "black",
las = 1,
cex.names = 0.8)
Interpretación del gráfico.
El gráfico muestra diferencias en la utilidad operativa promedio entre los seis productos analizados. Men’s Street Footwear presenta la utilidad operativa promedio más alta, con 7,223.01, seguido de Women’s Apparel, con 6,023.15.
Por otro lado, Women’s Athletic Footwear presenta la utilidad operativa promedio más baja, con 3,485.57. Men’s Apparel, Men’s Athletic Footwear y Women’s Street Footwear presentan valores intermedios.
Conclusión: La utilidad operativa promedio varía entre las categorías de productos, destacándose Men’s Street Footwear por presentar el valor más alto dentro de los productos analizados.
Representación espacial de la información
## Gráfico de ventas por región
library(ggplot2)
library(plotly)
g_region = ggplot(datos, aes(x = region, y = ventas_total)) +
geom_boxplot(fill = "steelblue") +
labs(
title = "Distribución de ventas por región - Adidas",
x = "Región",
y = "Ventas totales"
) +
theme_minimal()
ggplotly(g_region)Análisis por regiones
El gráfico muestra la distribución de las ventas totales de Adidas en cinco regiones: Midwest, Northeast, South, Southeast y West. El boxplot permite comparar la mediana, la dispersión y los valores atípicos de las ventas entre las regiones.
Midwest:
Presenta una mediana de ventas relativamente baja en comparación con las regiones Southeast y West. La mayor parte de los datos se concentra en valores bajos, aunque se observan numerosos valores atípicos por encima del límite superior, llegando hasta aproximadamente 61.875 ventas.
Northeast:
La región Northeast presenta una mediana superior a Midwest y una mayor dispersión de las ventas. Se observan numerosos valores atípicos por encima del límite superior, algunos cercanos a 78.000 ventas, lo que indica la presencia de registros con ventas considerablemente superiores al comportamiento habitual de la región.
South:
La región South presenta una mediana de aproximadamente 6.000 ventas y una dispersión mayor que Midwest y Northeast. El límite superior se encuentra alrededor de 29.250 ventas y también se observan numerosos valores atípicos, con algunos registros que superan las 80.000 ventas.
Southeast:
Southeast presenta una de las medianas más altas del gráfico, aproximadamente 9.625 ventas. Además, tiene una caja más amplia, lo que indica una mayor dispersión en las ventas. Su límite superior se encuentra alrededor de 43.125 ventas y presenta numerosos valores atípicos que llegan hasta aproximadamente 73.500 ventas.
West:
West presenta una mediana de aproximadamente 11.000 ventas, siendo una de las más altas entre las regiones. También muestra una dispersión considerable, con un tercer cuartil cercano a 20.625 ventas. El límite superior se encuentra alrededor de 50.875 ventas y se observan numerosos valores atípicos, con valores que llegan aproximadamente a 73.500 ventas.
Comparación general:
En general, las regiones muestran diferencias importantes en sus niveles de ventas. Midwest presenta los valores centrales más bajos, mientras que West y Southeast muestran las medianas más altas. Southeast también presenta una elevada dispersión, reflejada en el tamaño de su caja.
Además, todas las regiones presentan numerosos valores atípicos por encima de los límites superiores. Esto indica que existen algunos registros con niveles de ventas muy superiores al comportamiento habitual de cada región.
En conjunto, el gráfico evidencia que las ventas de Adidas varían considerablemente entre regiones y que existen observaciones con ventas excepcionalmente altas.
¿Qué tipo de decisiones se podrían tomar de acuerdo con el análisis realizado?
El análisis descriptivo y exploratorio permite identificar patrones en las ventas, precios, rentabilidad, productos, métodos de venta y regiones. A partir de estos resultados, Adidas podría considerar las siguientes decisiones:
1. Decisiones sobre productos
Identificar los productos que generan mayores ventas y utilidad operativa para mantener una oferta adecuada y fortalecer su comercialización. También se pueden analizar los productos con menor desempeño para determinar si requieren ajustes en precio, promoción o disponibilidad.
2. Decisiones de precios
Utilizar la información del precio por unidad junto con las ventas para evaluar diferentes estrategias de precios. El gráfico de dispersión muestra una relación positiva entre precio por unidad y unidades vendidas, con un coeficiente de correlación de 0,27. Esta relación es débil, por lo que el precio no debería analizarse como el único factor que explica el comportamiento de las ventas.
3. Decisiones de inventario
Ajustar la disponibilidad de productos según las unidades vendidas. Los productos y regiones con mayores niveles de ventas pueden requerir una mayor disponibilidad de inventario para responder a la demanda.
4. Decisiones de marketing
Diseñar campañas diferenciadas según el comportamiento de los productos, regiones y métodos de venta. Los segmentos con mayores ventas pueden recibir estrategias de fortalecimiento, mientras que aquellos con menor desempeño pueden requerir acciones promocionales específicas.
5. Decisiones por región
Utilizar las diferencias observadas en las ventas regionales para establecer estrategias comerciales diferenciadas. El boxplot muestra diferencias en las medianas y en la dispersión de las ventas entre Midwest, Northeast, South, Southeast y West. Además, todas las regiones presentan numerosos valores atípicos, lo que evidencia la existencia de registros con ventas considerablemente superiores al comportamiento habitual.
6. Decisiones de rentabilidad
Analizar conjuntamente las ventas, la utilidad operativa y el margen operativo. Un mayor volumen de ventas no necesariamente significa una mayor rentabilidad, por lo que las decisiones deben considerar tanto el nivel de ventas como el margen obtenido.
Principales hallazgos
A partir del análisis descriptivo y exploratorio realizado sobre los datos de Adidas, se identificaron los siguientes hallazgos:
1. Desempeño por producto
Men’s Street Footwear presenta las mayores ventas totales, con aproximadamente 27,68 millones, y una utilidad operativa cercana a 11,63 millones. Women’s Apparel ocupa el segundo lugar en ventas, con aproximadamente 23,87 millones.
Estos resultados muestran que el desempeño de Adidas no es uniforme entre las diferentes categorías de productos, por lo que resulta importante analizar las ventas y la rentabilidad de cada línea de manera independiente.
2. Rentabilidad
El margen operativo promedio de la base analizada es aproximadamente 42%. Men’s Street Footwear presenta un margen promedio cercano al 45%, mientras que Men’s Athletic Footwear registra aproximadamente 40%.
Esto evidencia que el producto con mayor volumen de ventas no necesariamente debe evaluarse únicamente por sus ingresos, sino también por la rentabilidad que genera.
3. Desempeño por método de venta
El canal Online concentra aproximadamente 44,97 millones en ventas totales y presenta un margen operativo promedio cercano al 46%. En comparación, el canal In-store registra un margen promedio cercano al 36%.
La diferencia entre ambos canales muestra que el método de venta está asociado con diferencias tanto en el volumen de ventas como en la rentabilidad.
4. Diferencias entre regiones
El análisis por regiones muestra diferencias importantes en la distribución de las ventas.
El boxplot evidencia que West y Southeast presentan medianas de ventas más altas, mientras que Midwest presenta una mediana más baja. Southeast también presenta una dispersión considerable, reflejada en el tamaño de su caja.
Además, se observan numerosos valores atípicos en todas las regiones. Estos registros representan niveles de ventas considerablemente superiores al comportamiento central de cada región.
Por lo tanto, el comportamiento regional no es homogéneo y debe ser considerado al momento de establecer estrategias comerciales.
5. Relación entre precio y unidades vendidas
El gráfico de dispersión muestra una relación positiva entre el precio por unidad y las unidades vendidas, con un coeficiente de correlación de 0,27.
La relación es positiva pero débil, por lo que un aumento del precio no permite explicar por sí solo un aumento en las unidades vendidas. Es necesario considerar otros factores relacionados con el producto, la región y el método de venta.
Conclusiones y posibles recomendaciones para Adidas
Analítica prescriptiva
Conclusiones
El análisis realizado permite identificar diferencias importantes en el desempeño comercial de Adidas según el producto, el método de venta y la región.
Men’s Street Footwear presenta las mayores ventas totales y una utilidad operativa destacada, mientras que Women’s Apparel ocupa el segundo lugar en ventas. Esto evidencia que existen diferencias en el desempeño de las distintas categorías de productos.
En cuanto a los métodos de venta, el canal Online presenta aproximadamente 44,97 millones en ventas totales y un margen operativo promedio cercano al 46%, mientras que el canal In-store presenta un margen aproximado del 36%.
El análisis regional también muestra diferencias en el comportamiento de las ventas. El boxplot evidencia variaciones en las medianas y en la dispersión entre las regiones, además de numerosos valores atípicos que representan registros con niveles de ventas considerablemente superiores al comportamiento habitual.
Finalmente, la relación entre el precio por unidad y las unidades vendidas presenta una correlación positiva de 0,27. Esta relación es débil, por lo que el precio por sí solo no permite explicar el comportamiento de las unidades vendidas.
Posibles recomendaciones para Adidas
1. Fortalecer el canal Online
Adidas podría evaluar estrategias para mantener y fortalecer el canal Online, considerando que presenta aproximadamente 44,97 millones en ventas totales y un margen operativo promedio cercano al 46%.
2. Fortalecer los productos de mayor desempeño
Se recomienda mantener una adecuada disponibilidad de los productos que presentan mayores niveles de ventas y utilidad operativa, especialmente Men’s Street Footwear, que registra aproximadamente 27,68 millones en ventas y 11,63 millones en utilidad operativa.
3. Implementar estrategias diferenciadas por región
Adidas podría adaptar sus estrategias comerciales según el comportamiento de cada región, considerando las diferencias observadas en las medianas, dispersión y valores atípicos de las ventas.
4. Gestionar el inventario según las unidades vendidas
Las diferencias en el volumen de unidades vendidas pueden utilizarse para ajustar la disponibilidad de productos y evitar tanto faltantes como excesos de inventario.
5. Analizar los precios junto con otras variables
Debido a que la correlación entre precio por unidad y unidades vendidas es de 0,27, se recomienda analizar el precio conjuntamente con otras variables como producto, región y método de venta antes de establecer cambios en la estrategia de precios.
6. Evaluar ventas y rentabilidad conjuntamente
Adidas debería considerar tanto las ventas como la utilidad operativa y el margen operativo al evaluar el desempeño de sus productos, regiones y canales. De esta manera, las decisiones no se basarían únicamente en el volumen de ventas.
7. Fortalecer el seguimiento mediante indicadores
Se recomienda realizar un seguimiento periódico de indicadores como ventas totales, unidades vendidas, utilidad operativa y margen operativo para identificar cambios en el desempeño y apoyar futuras decisiones comerciales.