1 Introducción y enfoque analítico

Este informe analiza el desempeño comercial y financiero de ADIDAS desde una perspectiva descriptiva, exploratoria y diagnóstica. Además de responder las preguntas orientadoras del caso, se incorporan preguntas de negocio que permiten profundizar en cinco dimensiones: escala, rentabilidad, concentración, combinaciones estratégicas y relación entre precio, volumen y margen.

La pregunta central es: ¿dónde está el volumen de negocio y, sobre todo, dónde se convierte ese volumen en utilidad?

La base no contiene una variable temporal. Por tanto, no se calculan tasas de crecimiento interperiodo, ya que hacerlo requeriría información que no está disponible.

2 Carga y diagnóstico de datos

ruta_excel <- "C:/Users/Usuario/Desktop/ANALÍT. DE DATOS PARA LA TOMA DE DECISONES/DatosCaso1.xlsx"
datos <- read_excel(ruta_excel)

n_filas <- nrow(datos)
n_columnas <- ncol(datos)

diagnostico <- tibble(
  indicador = c(
    "Filas", "Variables", "Celdas faltantes",
    "Duplicados exactos", "Registros con ventas = 0", "Registros con unidades = 0"
  ),
  valor = c(
    n_filas, n_columnas, sum(is.na(datos)),
    sum(duplicated(datos)),
    sum(datos$ventas_total == 0, na.rm = TRUE),
    sum(datos$unidades_vendidas == 0, na.rm = TRUE)
  )
)

kable(diagnostico, caption = "Diagnóstico básico de la información")

Diagnóstico básico de la información
indicador	valor
Filas	9648
Variables	11
Celdas faltantes	0
Duplicados exactos	262
Registros con ventas = 0	4
Registros con unidades = 0	4

consistencia <- tibble(
  prueba = c(
    "Ventas = precio × unidades",
    "Utilidad = ventas × margen"
  ),
  registros_inconsistentes = c(
    sum(abs(datos$precio_unidad * datos$unidades_vendidas - datos$ventas_total) > 1e-8),
    sum(abs(datos$ventas_total * datos$margen_operativo - datos$utilidad_operativa) > 1e-8)
  )
)
kable(consistencia, caption = "Pruebas de consistencia aritmética")

Pruebas de consistencia aritmética
prueba	registros_inconsistentes
Ventas = precio × unidades	0
Utilidad = ventas × margen	0

La base contiene 9648 registros y 11 variables. Se detectan 262 duplicados exactos y 4 registros con ventas y unidades iguales a cero. Estas observaciones no deben eliminarse automáticamente: primero debe conocerse su significado dentro del proceso de captura.

3 Indicadores generales

total_ventas <- sum(datos$ventas_total, na.rm = TRUE)
total_unidades <- sum(datos$unidades_vendidas, na.rm = TRUE)
total_utilidad <- sum(datos$utilidad_operativa, na.rm = TRUE)
margen_ponderado <- total_utilidad / total_ventas
margen_promedio <- mean(datos$margen_operativo, na.rm = TRUE)
precio_efectivo <- total_ventas / total_unidades

kpis <- tibble(
  Indicador = c(
    "Ventas totales", "Unidades vendidas", "Utilidad operativa",
    "Margen operativo ponderado", "Margen operativo promedio simple",
    "Precio efectivo promedio por unidad"
  ),
  Valor = c(
    dollar(total_ventas, prefix = "USD ", big.mark = ".", decimal.mark = ",", accuracy = 1),
    number(total_unidades, big.mark = ".", decimal.mark = ",", accuracy = 1),
    dollar(total_utilidad, prefix = "USD ", big.mark = ".", decimal.mark = ",", accuracy = 1),
    percent(margen_ponderado, accuracy = 0.1, decimal.mark = ","),
    percent(margen_promedio, accuracy = 0.1, decimal.mark = ","),
    dollar(precio_efectivo, prefix = "USD ", accuracy = 0.01)
  )
)
kable(kpis, caption = "Indicadores consolidados")

Indicadores consolidados
Indicador	Valor
Ventas totales	USD 120.166.650
Unidades vendidas	2.478.861
Utilidad operativa	USD 47.224.968
Margen operativo ponderado	39,3%
Margen operativo promedio simple	42,3%
Precio efectivo promedio por unidad	USD 48.48

El negocio registra aproximadamente USD 120,2 millones en ventas, 2,48 millones de unidades y USD 47,2 millones de utilidad operativa. El margen ponderado por ventas es 39,3%, frente a un margen promedio simple de 42,3%. Para la lectura financiera agregada se prioriza el margen ponderado, porque incorpora el peso económico de cada observación.

4 Producto: ¿quién aporta volumen y quién aporta valor?

producto <- datos %>%
  group_by(producto) %>%
  summarise(
    unidades = sum(unidades_vendidas),
    ventas = sum(ventas_total),
    utilidad = sum(utilidad_operativa),
    margen = utilidad / ventas,
    .groups = "drop"
  ) %>%
  mutate(
    participacion_ventas = ventas / total_ventas,
    participacion_utilidad = utilidad / total_utilidad,
    brecha_pp = (participacion_utilidad - participacion_ventas) * 100
  ) %>%
  arrange(desc(ventas))

kable(
  producto %>% mutate(
    ventas = dollar(ventas, prefix = "USD ", accuracy = 1),
    utilidad = dollar(utilidad, prefix = "USD ", accuracy = 1),
    margen = percent(margen, accuracy = 0.1),
    participacion_ventas = percent(participacion_ventas, accuracy = 0.1),
    participacion_utilidad = percent(participacion_utilidad, accuracy = 0.1),
    brecha_pp = paste0(number(brecha_pp, accuracy = 0.1), " pp")
  ) %>% select(producto, unidades, ventas, utilidad, margen,
              participacion_ventas, participacion_utilidad, brecha_pp),
  caption = "Desempeño por producto"
)

Desempeño por producto
producto	unidades	ventas	utilidad	margen	participacion_ventas	participacion_utilidad	brecha_pp
Men’s Street Footwear	593320	USD 27,680,769	USD 11,629,046	42.0%	23.0%	24.6%	1.6 pp
Women’s Apparel	433827	USD 23,870,985	USD 9,685,221	40.6%	19.9%	20.5%	0.6 pp
Men’s Athletic Footwear	435526	USD 20,577,180	USD 7,437,457	36.1%	17.1%	15.7%	-1.4 pp
Women’s Street Footwear	392269	USD 17,201,563	USD 6,494,017	37.8%	14.3%	13.8%	-0.6 pp
Men’s Apparel	306683	USD 16,520,632	USD 6,381,405	38.6%	13.7%	13.5%	-0.2 pp
Women’s Athletic Footwear	317236	USD 14,315,521	USD 5,597,822	39.1%	11.9%	11.9%	-0.1 pp

producto_plot <- producto %>%
  select(producto, participacion_ventas, participacion_utilidad) %>%
  pivot_longer(-producto, names_to = "indicador", values_to = "participacion") %>%
  mutate(indicador = recode(
    indicador,
    participacion_ventas = "Participación en ventas",
    participacion_utilidad = "Participación en utilidad"
  ))

ggplot(producto_plot,
       aes(x = reorder(producto, participacion), y = participacion, fill = indicador)) +
  geom_col(position = position_dodge(width = 0.72), width = 0.65) +
  geom_text(aes(label = percent(participacion, accuracy = 0.1)),
            position = position_dodge(width = 0.72), hjust = -0.08, size = 3.2) +
  coord_flip() +
  scale_fill_manual(values = c("Participación en ventas" = col_blue,
                               "Participación en utilidad" = col_teal)) +
  scale_y_continuous(labels = percent_format(accuracy = 1), expand = expansion(mult = c(0, 0.12))) +
  labs(
    title = "Aporte de cada producto a ventas y utilidad",
    subtitle = "La brecha entre ambas participaciones muestra diferencias en conversión económica",
    x = NULL, y = "Participación (%)", fill = NULL, caption = fuente
  ) +
  theme_minimal(base_size = 12) +
  theme(legend.position = "bottom", panel.grid.major.y = element_blank())

Hallazgo: Men’s Street Footwear concentra 23,0% de las ventas y 24,6% de la utilidad, mientras Men’s Athletic Footwear aporta 17,1% de las ventas y 15,7% de la utilidad. Por tanto, el desempeño de una categoría no debe juzgarse solo por facturación.

5 Canal de venta: participación y eficiencia económica

canal <- datos %>%
  group_by(metodo_venta) %>%
  summarise(
    unidades = sum(unidades_vendidas),
    ventas = sum(ventas_total),
    utilidad = sum(utilidad_operativa),
    margen = utilidad / ventas,
    .groups = "drop"
  ) %>%
  mutate(
    participacion_ventas = ventas / total_ventas,
    participacion_utilidad = utilidad / total_utilidad,
    brecha_pp = (participacion_utilidad - participacion_ventas) * 100
  ) %>% arrange(desc(ventas))

kable(canal %>% mutate(
  ventas = dollar(ventas, prefix = "USD ", accuracy = 1),
  utilidad = dollar(utilidad, prefix = "USD ", accuracy = 1),
  margen = percent(margen, accuracy = 0.1),
  participacion_ventas = percent(participacion_ventas, accuracy = 0.1),
  participacion_utilidad = percent(participacion_utilidad, accuracy = 0.1),
  brecha_pp = paste0(number(brecha_pp, accuracy = 0.1), " pp")
), caption = "Desempeño por método de venta")

Desempeño por método de venta
metodo_venta	unidades	ventas	utilidad	margen	participacion_ventas	participacion_utilidad	brecha_pp
Online	939093	USD 44,965,657	USD 19,552,538	43.5%	37.4%	41.4%	4.0 pp
Outlet	849778	USD 39,536,618	USD 14,913,301	37.7%	32.9%	31.6%	-1.3 pp
In-store	689990	USD 35,664,375	USD 12,759,129	35.8%	29.7%	27.0%	-2.7 pp

ggplot(canal, aes(x = "", y = ventas, fill = metodo_venta)) +
  geom_col(width = 1, color = "white") +
  coord_polar(theta = "y") +
  geom_text(aes(label = percent(ventas / sum(ventas), accuracy = 0.1)),
            position = position_stack(vjust = 0.5), color = "white", fontface = "bold", size = 4) +
  scale_fill_manual(values = channel_cols) +
  labs(
    title = "Participación de ventas por canal",
    subtitle = "Online concentra el mayor peso del negocio",
    fill = NULL, caption = fuente
  ) +
  theme_void(base_size = 12) +
  theme(legend.position = "bottom", plot.title = element_text(face = "bold"))

Hallazgo: Online representa 37,4% de las ventas pero 41,4% de la utilidad, con un margen ponderado de 43,5%. La participación de utilidad supera en 4,0 puntos porcentuales su participación de ventas.

6 Cinco visualizaciones estratégicas para la toma de decisiones

6.1 Matriz volumen × margen × utilidad

Esta visualización responde una pregunta adicional: ¿qué combinaciones de producto y canal reúnen simultáneamente escala y rentabilidad? El tamaño de la burbuja incorpora utilidad, para evitar que un segmento pequeño parezca estratégico solo por tener un margen alto.

producto_canal <- datos %>%
  group_by(producto, metodo_venta) %>%
  summarise(
    unidades = sum(unidades_vendidas),
    ventas = sum(ventas_total),
    utilidad = sum(utilidad_operativa),
    margen = utilidad / ventas,
    .groups = "drop"
  )

etiquetas <- producto_canal %>% slice_max(utilidad, n = 8)

ggplot(producto_canal,
       aes(x = ventas / 1e6, y = margen, size = utilidad / 1e6,
           color = metodo_venta)) +
  geom_point(alpha = 0.78) +
  geom_text(data = etiquetas,
            aes(label = paste0(str_sub(producto, 1, 10), " · ", metodo_venta)),
            hjust = 0, nudge_x = 0.12, size = 3.0, check_overlap = TRUE, show.legend = FALSE) +
  geom_hline(yintercept = margen_ponderado, linetype = "dashed", color = col_gray) +
  geom_vline(xintercept = mean(producto_canal$ventas) / 1e6,
             linetype = "dotted", color = col_gray) +
  scale_color_manual(values = channel_cols) +
  scale_y_continuous(labels = percent_format(accuracy = 1)) +
  labs(
    title = "Matriz estratégica: escala, margen y utilidad",
    subtitle = "Arriba del margen global y con mayor tamaño de burbuja se concentran combinaciones de mayor aporte económico",
    x = "Ventas del segmento (USD millones)", y = "Margen operativo",
    size = "Utilidad (USD M)", color = "Canal", caption = fuente
  ) +
  theme_minimal(base_size = 12) +
  theme(legend.position = "right")

Lectura: las combinaciones Online de Men’s Street Footwear y Women’s Apparel aparecen entre las de mayor escala y margen. El valor del gráfico está en identificar segmentos, no únicamente productos aislados.

6.2 Brecha de participación: ventas vs. utilidad

brecha <- bind_rows(
  producto %>% transmute(Dimension = "Producto", Segmento = producto,
                         Brecha = (participacion_utilidad - participacion_ventas) * 100),
  datos %>% group_by(region) %>% summarise(ventas = sum(ventas_total), utilidad = sum(utilidad_operativa), .groups = "drop") %>%
    mutate(Dimension = "Región", Segmento = region,
           Brecha = (utilidad / total_utilidad - ventas / total_ventas) * 100) %>% select(Dimension, Segmento, Brecha),
  canal %>% transmute(Dimension = "Canal", Segmento = metodo_venta,
                      Brecha = (participacion_utilidad - participacion_ventas) * 100)
) %>%
  arrange(Brecha) %>%
  mutate(
    etiqueta = paste0(ifelse(abs(Brecha) < 0.05, "", ifelse(Brecha > 0, "+", "")), number(Brecha, accuracy = 0.1), " pp"),
    hjust_label = ifelse(Brecha >= 0, -0.15, 1.15)
  )

ggplot(brecha, aes(x = Brecha, y = reorder(paste(Dimension, Segmento, sep = " · "), Brecha), fill = Dimension)) +
  geom_col(width = 0.7) +
  geom_vline(xintercept = 0, color = col_navy) +
  geom_text(aes(label = etiqueta, hjust = hjust_label), size = 3.0) +
  scale_fill_manual(values = c("Producto" = col_blue, "Región" = col_teal, "Canal" = col_orange)) +
  labs(
    title = "Brecha entre participación en utilidad y participación en ventas",
    subtitle = "Brecha positiva = el segmento aporta más utilidad de la que su peso en ventas sugeriría",
    x = "Diferencia en puntos porcentuales", y = NULL, fill = "Dimensión", caption = fuente
  ) +
  theme_minimal(base_size = 11) +
  theme(legend.position = "bottom", panel.grid.major.y = element_blank())

Hallazgo: Online presenta +4,0 pp y South +2,4 pp, mientras West presenta −2,8 pp. Estas brechas identifican dónde la composición de ventas está generando relativamente más o menos utilidad.

6.3 Pareto de ciudades

ciudad <- datos %>%
  group_by(ciudad) %>%
  summarise(ventas = sum(ventas_total), utilidad = sum(utilidad_operativa), .groups = "drop") %>%
  arrange(desc(ventas)) %>%
  mutate(
    participacion = ventas / total_ventas,
    acumulado = cumsum(participacion)
  )

ciudad_top <- ciudad %>% slice_head(n = 20)

# Se usa una visualización dual simple: barras de participación individual + línea acumulada.
ggplot(ciudad_top, aes(x = reorder(ciudad, -ventas))) +
  geom_col(aes(y = participacion), fill = col_blue, width = 0.72) +
  geom_line(aes(y = acumulado), group = 1, color = col_orange, linewidth = 1.2) +
  geom_point(aes(y = acumulado), color = col_orange, size = 2) +
  geom_hline(yintercept = 0.80, linetype = "dashed", color = col_red) +
  scale_y_continuous(labels = percent_format(accuracy = 1), limits = c(0, 1)) +
  labs(
    title = "Pareto de ventas: principales ciudades",
    subtitle = paste0("Las 20 principales ciudades concentran ", percent(sum(ciudad_top$participacion), accuracy = 0.1), " de las ventas"),
    x = NULL, y = "Participación / acumulado", caption = fuente
  ) +
  theme_minimal(base_size = 11) +
  theme(axis.text.x = element_text(angle = 55, hjust = 1, size = 8),
        panel.grid.major.x = element_blank())

Hallazgo: las 20 principales ciudades concentran cerca de 58,2% de las ventas, lo que sugiere una actividad geográfica relevante pero no totalmente concentrada. Esto reduce la conveniencia de analizar solo el mercado principal y refuerza la necesidad de segmentar por ciudad.

6.4 Heatmap región × canal

region_canal <- datos %>%
  group_by(region, metodo_venta) %>%
  summarise(
    ventas = sum(ventas_total),
    utilidad = sum(utilidad_operativa),
    margen = utilidad / ventas,
    .groups = "drop"
  )

ggplot(region_canal, aes(x = metodo_venta, y = region, fill = margen)) +
  geom_tile(color = "white", linewidth = 0.8) +
  geom_text(aes(label = paste0(percent(margen, accuracy = 0.1), "\nUSD ",
                               number(ventas / 1e6, accuracy = 0.1, decimal.mark = ","), " M")),
            size = 3.0, fontface = "bold") +
  scale_fill_gradient(low = "#EAF2FB", high = "#0B4F8A", labels = percent_format(accuracy = 1)) +
  labs(
    title = "Heatmap región × canal: escala y margen",
    subtitle = "El color representa el margen; la etiqueta muestra margen y ventas",
    x = NULL, y = NULL, fill = "Margen", caption = fuente
  ) +
  theme_minimal(base_size = 11) +
  theme(panel.grid = element_blank(), legend.position = "right")

Lectura: el canal cambia de comportamiento según la región. Por ejemplo, Online alcanza 48,6% de margen en Northeast, mientras West presenta márgenes de 32,8% en Outlet y 33,2% en In-store. Esto evidencia que canal y geografía interactúan.

6.5 Precio × margen × volumen

region_producto <- datos %>%
  group_by(region, producto) %>%
  summarise(
    ventas = sum(ventas_total),
    utilidad = sum(utilidad_operativa),
    unidades = sum(unidades_vendidas),
    .groups = "drop"
  ) %>%
  mutate(
    precio_efectivo = ventas / unidades,
    margen = utilidad / ventas
  )

etiquetas_pm <- bind_rows(
  region_producto %>% slice_max(unidades, n = 6),
  region_producto %>% slice_max(margen, n = 3),
  region_producto %>% slice_min(margen, n = 3)
) %>% distinct(region, producto, .keep_all = TRUE)

ggplot(region_producto,
       aes(x = precio_efectivo, y = margen, size = unidades, color = producto)) +
  geom_point(alpha = 0.7) +
  geom_text(data = etiquetas_pm,
            aes(label = paste0(str_sub(region, 1, 3), "-", str_sub(producto, 1, 10))),
            nudge_x = 0.4, nudge_y = 0.002, size = 2.9, check_overlap = TRUE,
            show.legend = FALSE) +
  geom_hline(yintercept = margen_ponderado, linetype = "dashed", color = col_gray) +
  scale_color_manual(values = product_cols) +
  scale_y_continuous(labels = percent_format(accuracy = 1)) +
  labs(
    title = "Precio × margen × volumen",
    subtitle = "Las burbujas muestran que el precio efectivo no explica por sí solo el margen; el volumen también cambia por combinación",
    x = "Precio efectivo por unidad (USD)", y = "Margen operativo",
    size = "Unidades vendidas", color = "Producto", caption = fuente
  ) +
  theme_minimal(base_size = 11) +
  theme(legend.position = "right")

La correlación precio–unidades es 0.266, mientras que la correlación precio–margen es -0.137. Son asociaciones descriptivas y no implican causalidad.

7 Variabilidad del margen

ggplot(datos, aes(x = margen_operativo, y = reorder(producto, margen_operativo, FUN = median), fill = producto)) +
  geom_boxplot(alpha = 0.8, show.legend = FALSE, outlier.alpha = 0.25) +
  geom_vline(xintercept = margen_ponderado, linetype = "dashed", color = col_navy) +
  scale_fill_manual(values = product_cols) +
  scale_x_continuous(labels = percent_format(accuracy = 1)) +
  labs(
    title = "Variabilidad del margen operativo por producto",
    subtitle = "La distribución complementa el promedio y permite distinguir consistencia de dispersión",
    x = "Margen operativo", y = NULL, caption = fuente
  ) +
  theme_minimal(base_size = 11) +
  theme(panel.grid.major.y = element_blank())

8 Distribuidores: lectura complementaria

distribuidor <- datos %>%
  group_by(distribuidor) %>%
  summarise(
    registros = n(),
    ventas = sum(ventas_total),
    utilidad = sum(utilidad_operativa),
    margen = utilidad / ventas,
    participacion_ventas = ventas / total_ventas,
    participacion_utilidad = utilidad / total_utilidad,
    .groups = "drop"
  ) %>% arrange(desc(ventas))

kable(distribuidor %>% mutate(
  ventas = dollar(ventas, prefix = "USD ", accuracy = 1),
  utilidad = dollar(utilidad, prefix = "USD ", accuracy = 1),
  margen = percent(margen, accuracy = 0.1),
  participacion_ventas = percent(participacion_ventas, accuracy = 0.1),
  participacion_utilidad = percent(participacion_utilidad, accuracy = 0.1)
), caption = "Desempeño por distribuidor")

Desempeño por distribuidor
distribuidor	registros	ventas	utilidad	margen	participacion_ventas	participacion_utilidad
West Gear	2374	USD 32,409,558	USD 12,196,891	37.6%	27.0%	25.8%
Foot Locker	2637	USD 29,024,945	USD 11,317,027	39.0%	24.2%	24.0%
Sports Direct	2032	USD 24,616,622	USD 10,641,609	43.2%	20.5%	22.5%
Kohl’s	1030	USD 13,512,453	USD 5,182,260	38.4%	11.2%	11.0%
Walmart	626	USD 10,506,085	USD 3,902,749	37.1%	8.7%	8.3%
Amazon	949	USD 10,096,987	USD 3,984,432	39.5%	8.4%	8.4%

Sports Direct presenta un margen ponderado de aproximadamente 43,2%, por encima de West Gear (37,6%) y Walmart (37,2%). La lectura recomendada es comparar simultáneamente cobertura, escala y rentabilidad, evitando concluir que un distribuidor es “mejor” solo por una métrica.

9 Principales hallazgos

La escala y la rentabilidad no son equivalentes. El margen ponderado del negocio es 39,3%, por debajo del promedio simple de 42,3%.
Men’s Street Footwear es una categoría central: 23,0% de ventas y 24,6% de utilidad.
Online es el canal con mayor contribución relativa a utilidad: 37,4% de ventas frente a 41,4% de utilidad y margen de 43,5%.
West concentra volumen pero presenta menor conversión económica: 30,3% de ventas frente a 27,6% de utilidad y margen de 35,7%.
South muestra una brecha favorable: 17,1% de ventas frente a 19,5% de utilidad y margen de 44,8%.
Las combinaciones importan: Women’s Apparel alcanza 52,1% de margen en South, mientras en West se ubica en 29,8% pese a manejar un mayor nivel de ventas.
El precio no explica por sí solo el desempeño: la correlación precio–unidades es positiva moderada y precio–margen es débilmente negativa.
Existe diversificación geográfica: las 20 ciudades principales reúnen alrededor de 58,2% de las ventas, por lo que el negocio no depende exclusivamente de unas pocas ciudades.
La calidad de datos merece validación: hay 262 duplicados exactos y cuatro registros con ventas/unidades en cero.

10 Recomendaciones prescriptivas basadas en la evidencia

Las siguientes recomendaciones son propuestas de gestión derivadas de patrones descriptivos; no establecen causalidad.

1. Gestionar segmentos por volumen + margen + utilidad. Utilizar una matriz como la sección 6.1 para identificar combinaciones que ameritan protección, profundización o revisión.

2. Investigar qué explica el diferencial del canal Online. Su mayor participación en utilidad frente a ventas sugiere revisar mix de productos, descuentos, costos de operación y estructura comercial. La base disponible no permite identificar cuál de estos factores explica la diferencia.

3. Descomponer West por producto, ciudad y canal antes de actuar sobre volumen. La brecha de utilidad sugiere revisar dónde se origina el menor margen, en lugar de asumir que todo el mercado West presenta el mismo comportamiento.

4. Identificar y estudiar “bolsillos” de alto margen. Casos como Women’s Apparel–South pueden convertirse en hipótesis para investigar qué combinación de precio, producto y canal está asociada con ese resultado.

5. Incorporar controles de calidad de datos antes de decisiones operativas. Validar duplicados y registros de cero ventas/unidades antes de construir indicadores automatizados.

11 11. Conclusión ejecutiva

El principal mensaje del análisis es que ADIDAS no debería evaluar el desempeño únicamente por ventas. Los datos muestran diferencias importantes entre participación de ventas, participación de utilidad y margen según producto, región y canal. El siguiente paso natural es transformar esta lectura descriptiva en un sistema de segmentación que priorice simultáneamente escala, rentabilidad y consistencia.

Para la sustentación de 10 minutos se recomienda concentrarse en cinco gráficos: (1) matriz volumen–margen–utilidad, (2) brecha utilidad–ventas, (3) Pareto de ciudades, (4) heatmap región–canal y (5) precio–margen–volumen, usando la torta de canales como apoyo inicial.

12 12. Fuente

Fuente: elaboración propia a partir de DatosCaso1.xlsx suministrado para el Caso 1 de Analítica Descriptiva.

Caso 1. Analítica Descriptiva – ADIDAS

Santiago Pareja & Juan Camilo Vasquez

25 de septiembre de 2026