Introducción

En un entorno altamente competitivo donde la consolidación del comercio electrónico y la eficiencia de los canales exigen decisiones basadas en datos, este informe analiza 9,648 registros históricos de ventas de Adidas en Estados Unidos. Mediante técnicas de analítica descriptiva y exploratoria en R, se diagnostica el comportamiento de los ingresos, volúmenes comercializados, márgenes y rentabilidad operativa por producto, región y canal de distribución

Análisis exploratorio

El análisis exploratorio de datos (EDA) es un paso clave para comprender la información comercial y financiera de Adidas, identificar patrones y evaluar la distribución de las variables.

# Cargar librerías necesarias
library(readxl)
library(dplyr)
library(ggplot2)
library(plotly)
library(knitr)
library(kableExtra)
library(tidyr)
library(tidyverse)
library(scales)
library(corrplot)

# Cargar datos desde el archivo Excel
datos <- read_excel ("DatosCaso1.xlsx",, 
    col_types = c("text", "text", "text", 
        "text", "text", "numeric", "numeric", 
        "numeric", "numeric", "numeric", 
        "text"))

# Verificación de dimensiones e inspección inicial
dim(datos)

## [1] 9648   11

head(datos)

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

# Limpieza de duplicados y estructuración de variables
datos <- datos %>% distinct()

# Convertir variables cualitativas a factores
datos <- datos %>%
  mutate(
    distribuidor = as.factor(distribuidor),
    region = as.factor(region),
    estado = as.factor(estado),
    ciudad = as.factor(ciudad),
    producto = as.factor(producto),
    metodo_venta = as.factor(metodo_venta)
  )

Indicadores de centralidad y dispersion

# Resumen estadístico general de variables cuantitativas
resumen_general <- datos %>%
  summarise(
    Registros = n(),
    Precio_Promedio = mean(precio_unidad, na.rm = TRUE),
    Precio_Mediana = median(precio_unidad, na.rm = TRUE),
    Unidades_Promedio = mean(unidades_vendidas, na.rm = TRUE),
    Unidades_Mediana = median(unidades_vendidas, na.rm = TRUE),
    Ventas_Promedio = mean(ventas_total, na.rm = TRUE),
    Ventas_Mediana = median(ventas_total, na.rm = TRUE),
    Utilidad_Promedio = mean(utilidad_operativa, na.rm = TRUE),
    Utilidad_Mediana = median(utilidad_operativa, na.rm = TRUE),
    Margen_Promedio = mean(margen_operativo, na.rm = TRUE)
  )

resumen_general

Registros	Precio_Promedio	Precio_Mediana	Unidades_Promedio	Unidades_Mediana	Ventas_Promedio	Ventas_Mediana	Utilidad_Promedio	Utilidad_Mediana	Margen_Promedio
9386	45.13222	45	251.8805	175	12184.2	7616	4817.29	3201.87	0.4249659

# Totales consolidados de la operación financiera
resumen_totales <- datos %>%
  summarise(
    Ventas_Totales = sum(ventas_total, na.rm = TRUE),
    Unidades_Totales = sum(unidades_vendidas, na.rm = TRUE),
    Utilidad_Total = sum(utilidad_operativa, na.rm = TRUE),
    Margen_Ponderado = sum(utilidad_operativa, na.rm = TRUE) / sum(ventas_total, na.rm = TRUE)
  )

resumen_totales

Ventas_Totales	Unidades_Totales	Utilidad_Total	Margen_Ponderado
114360940	2364150	45215084	0.3953717

Desempeño y Participación por Producto

ventas_producto <- datos %>%
  group_by(producto) %>%
  summarise(
    ventas_totales = 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),
    .groups = "drop"
  ) %>%
  mutate(participacion = ventas_totales / sum(ventas_totales)) %>%
  arrange(desc(ventas_totales))

ventas_producto

producto	ventas_totales	unidades	utilidad	margen_promedio	participacion
Men’s Street Footwear	26857769	577095	11299921	0.4468916	0.2348509
Women’s Apparel	22828659	415663	9359505	0.4436033	0.1996194
Men’s Athletic Footwear	19282616	409860	7017698	0.4049968	0.1686119
Women’s Street Footwear	16076592	368495	6102320	0.4122444	0.1405776
Men’s Apparel	15667757	290958	6069599	0.4145344	0.1370027
Women’s Athletic Footwear	13647547	302079	5366042	0.4270774	0.1193375

# Figura 1. Ventas totales por línea de producto
grafico_ventas_prod <- ggplotly(
  ggplot(ventas_producto, aes(x = reorder(producto, ventas_totales), y = ventas_totales, fill = producto)) +
    geom_col() +
    coord_flip() +
    scale_y_continuous(labels = dollar_format(prefix = "$")) +
    labs(
      title = "Figura 1. Ventas Totales por Línea de Producto",
      x = "Producto",
      y = "Ventas Totales ($USD)"
    ) +
    theme_minimal() +
    theme(legend.position = "none")
)

grafico_ventas_prod

# Figura 2. Unidades vendidas por línea de producto
grafico_unidades_prod <- ggplotly(
  ggplot(ventas_producto, aes(x = reorder(producto, unidades), y = unidades, fill = producto)) +
    geom_col() +
    coord_flip() +
    scale_y_continuous(labels = comma) +
    labs(
      title = "Figura 2. Unidades Vendidas por Línea de Producto",
      x = "Producto",
      y = "Unidades Vendidas"
    ) +
    theme_minimal() +
    theme(legend.position = "none")
)

grafico_unidades_prod

Análisis Geográfico y Canales de Distribución

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),
    .groups = "drop"
  ) %>%
  arrange(desc(ventas))

grafico_region <- ggplotly(
  ggplot(ventas_region, aes(x = reorder(region, ventas), y = ventas, fill = region)) +
    geom_col() +
    coord_flip() +
    scale_y_continuous(labels = dollar_format(prefix = "$")) +
    labs(
      title = "Figura 3. Ventas Totales por Región Geográfica",
      x = "Región",
      y = "Ventas ($USD)"
    ) +
    theme_minimal() +
    theme(legend.position = "none")
)

grafico_region

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),
    .groups = "drop"
  ) %>%
  arrange(desc(ventas))

grafico_metodo <- ggplotly(
  ggplot(ventas_metodo, aes(x = reorder(metodo_venta, ventas), y = ventas, fill = metodo_venta)) +
    geom_col() +
    scale_y_continuous(labels = dollar_format(prefix = "$")) +
    labs(
      title = "Figura 4. Ventas Totales por Método de Venta",
      x = "Método de Venta",
      y = "Ventas Totales ($USD)"
    ) +
    theme_minimal() +
    theme(legend.position = "none")
)

grafico_metodo

Distribución y Detección de Valores Atípicos

Al evaluar las distribuciones del desempeño financiero mediante gráficos de caja interactivos:

Análisis del Boxplot: La mediana de las ventas totales se sitúa por debajo de la media debido a un sesgo positivo hacia la derecha. Se registran transacciones atípicas de gran volumen (compras al por mayor) que superan los $60,000 USD por registro.

# Figura 5. Boxplot interactivo de ventas totales
ggplotly(
  ggplot(datos, aes(y = ventas_total)) +
    geom_boxplot(fill = "skyblue", color = "black", outlier.colour = "red", outlier.shape = 16, outlier.size = 2) +
    scale_y_continuous(labels = dollar_format(prefix = "$")) +
    labs(
      title = "Figura 5. Boxplot de Distribución de Ventas Totales",
      y = "Ventas Totales ($USD)"
    ) +
    theme_minimal()
)

Distribución y Detección de Valore

Figura 6. Relación entre Ventas y Utilidad Operativa

En la Figura 6 se observa una fuerte correlación positiva entre los ingresos totales y la utilidad operacional, con un coeficiente de correlación de 0.96. Esto indica que a medida que los ingresos aumentan, la utilidad crece prácticamente de forma directa y proporcional.

# Figura 6. Gráfico de dispersión interactivo entre ventas y utilidad
ggplotly(
  ggplot(datos, aes(x = ventas_total, y = utilidad_operativa)) +
    geom_point(color = "lightblue", alpha = 0.6, size = 1.8) +
    geom_smooth(method = "lm", color = "grey30", se = TRUE) +
    scale_x_continuous(labels = dollar_format(prefix = "$")) +
    scale_y_continuous(labels = dollar_format(prefix = "$")) +
    labs(
      title = paste("Figura 6. Relación entre Ventas y Utilidad Operativa\nCoef. de correlación: ", 
                    round(cor(datos$ventas_total, datos$utilidad_operativa, use = "complete.obs"), 2)),
      x = "Ventas Totales ($USD)",
      y = "Utilidad Operativa ($USD)"
    ) +
    theme_minimal()
)

# Cargar librería para matriz de correlación
library(reshape2)

# Selección de variables cuantitativas
variables_numericas <- datos %>%
  select(precio_unidad, unidades_vendidas, ventas_total, utilidad_operativa, margen_operativo)

# Cálculo de la matriz de correlación
matriz_cor <- cor(variables_numericas, use = "complete.obs")

# Renombrar variables para evitar solapamiento de texto
colnames(matriz_cor) <- c("Precio", "Unidades", "Ventas", "Utilidad", "Margen")
rownames(matriz_cor) <- c("Precio", "Unidades", "Ventas", "Utilidad", "Margen")

# Transformación de datos
matriz_melt <- melt(matriz_cor)

# Creación del gráfico de calor
grafico_cor <- ggplot(matriz_melt, aes(Var1, Var2, fill = value)) +
  geom_tile(color = "white") +
  geom_text(aes(label = round(value, 2)), color = "black", size = 3.5) +
  scale_fill_gradient2(low = "#6D9EC1", high = "#E46726", mid = "white", midpoint = 0, limit = c(-1,1)) +
  labs(
    title = "Figura 7. Matriz de Correlación de Variables Cuantitativas",
    x = "", 
    y = "", 
    fill = "Correlación"
  ) +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

# Renderizado interactivo
ggplotly(grafico_cor)

Análisis de Distribuidores (Retailers)

Evaluamos el desempeño en ventas acumuladas según cada distribuidor para identificar los principales socios comerciales de la marca:

ventas_retailer <- 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),
    .groups = "drop"
  ) %>%
  arrange(desc(ventas))

grafico_retailer <- ggplotly(
  ggplot(ventas_retailer, aes(x = reorder(distribuidor, ventas), y = ventas, fill = distribuidor)) +
    geom_col() +
    coord_flip() +
    scale_y_continuous(labels = dollar_format(prefix = "$")) +
    labs(
      title = "Figura 8. Ventas Totales por Distribuidor (Retailer)",
      x = "Distribuidor",
      y = "Ventas Totales ($USD)"
    ) +
    theme_minimal() +
    theme(legend.position = "none")
)

grafico_retailer

Conclusiones y Recomendaciones Prescriptivas

Conclusiones Generales

Relación Ingresos-Utilidad: La correlación entre ventas globales y utilidad operativa alcanza un 0.96, confirmando que la rentabilidad depende directamente del volumen total comercializado.
Distribución del Portafolio: La línea de calzado de calle para hombres (Men’s Street Footwear) lidera la facturación nacional.
Efectividad por Canal: Las tiendas físicas e intermediarios aportan volumen masivo, mientras que el canal en línea (Online) logra el mayor margen operativo relativo por transacción.

Recomendaciones Estratégicas para ADIDAS

Estrategia Omnicanal: Impulsar el canal digital directo para capturar mayor margen en líneas clave, manteniendo alianzas sólidas con minoristas principales (Foot Locker, West Gear) para sostener el volumen.
Gestión de Inventario: Concentrar el abastecimiento en las regiones Oeste y Noreste, focos principales de la demanda comercial.

Analítica Descriptiva y Diagnóstico Comercial: Adidas

Yoan Parra, Sara Orozco, Camila Muñoz