PASO 1. Cargar librerías

library(readxl)      # Lectura de Excel
library(dplyr)       # Manipulación de datos
library(tidyr)       # Transformación de datos (pivot, etc.)
library(ggplot2)      # Visualizaciones
library(plotly)       # Gráficos interactivos
library(knitr)        # Tablas e imágenes
library(kableExtra)  # Formato de tablas
library(scales)       # Formato de ejes ($, %)
library(corrplot)     # Matriz de correlación

PASO 2. Cargar y explorar los datos

DatosCaso1_1_ <- read_excel("~/Jave Universidad COL/Semestre 2026-2/Analisis de Datos de Toma de Decisiones/Archivos R/DatosCaso1 (1).xlsx")
View(DatosCaso1_1_)

df <- DatosCaso1_1_

head(df)
## # 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(df)
## [1] 9648   11
names(df)
##  [1] "distribuidor"       "region"             "estado"            
##  [4] "ciudad"             "producto"           "precio_unidad"     
##  [7] "unidades_vendidas"  "ventas_total"       "utilidad_operativa"
## [10] "margen_operativo"   "metodo_venta"

PASO 3. Indicadores estadísticos básicos

Medidas de tendencia central y de variabilidad de las cinco variables numéricas clave.

variables_numericas <- df %>%
  select(precio_unidad,
         unidades_vendidas,
         ventas_total,
         utilidad_operativa,
         margen_operativo)
indicadores <- data.frame(
  Variable = names(variables_numericas),
  Media = round(sapply(variables_numericas, mean), 2),
  Mediana = round(sapply(variables_numericas, median), 2),
  Desviacion_Estandar = round(sapply(variables_numericas, sd), 2),
  Minimo = sapply(variables_numericas, min),
  Maximo = sapply(variables_numericas, max),
  CV_pct = round(sapply(variables_numericas, function(x) sd(x) / mean(x) * 100), 2)
)

kable(indicadores, row.names = FALSE,
      caption = "Indicadores estadísticos básicos (CV% = coeficiente de variación)") %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"), full_width = FALSE)
Indicadores estadísticos básicos (CV% = coeficiente de variación)
Variable Media Mediana Desviacion_Estandar Minimo Maximo CV_pct
precio_unidad 45.22 45.00 14.71 7.0 110.0 32.52
unidades_vendidas 256.93 176.00 214.25 0.0 1275.0 83.39
ventas_total 12455.08 7803.50 12716.39 0.0 82500.0 102.10
utilidad_operativa 4894.79 3262.98 4866.46 0.0 39000.0 99.42
margen_operativo 0.42 0.41 0.10 0.1 0.8 22.98

PASO 4. Análisis de variables categóricas

table(df$region)
## 
##   Midwest Northeast     South Southeast      West 
##      1872      2376      1728      1224      2448
table(df$ciudad)
## 
##         Albany    Albuquerque      Anchorage        Atlanta      Baltimore 
##            144            216            144            216            144 
##       Billings     Birmingham          Boise         Boston     Burlington 
##            144            216            216            216            216 
##     Charleston      Charlotte       Cheyenne        Chicago       Columbus 
##            288            144            144            144            144 
##         Dallas         Denver     Des Moines        Detroit          Fargo 
##            216            144            144            144            144 
##       Hartford       Honolulu        Houston   Indianapolis        Jackson 
##            216            144            216            144            216 
##      Knoxville      Las Vegas    Little Rock    Los Angeles     Louisville 
##            216            216            216            216            144 
##     Manchester          Miami      Milwaukee    Minneapolis    New Orleans 
##            216            144            144            144            216 
##       New York         Newark  Oklahoma City          Omaha        Orlando 
##            216            144            216            144            216 
##   Philadelphia        Phoenix       Portland     Providence       Richmond 
##            216            216            360            216            216 
## Salt Lake City  San Francisco        Seattle    Sioux Falls      St. Louis 
##            216            216            144            144            144 
##        Wichita     Wilmington 
##            144            144
table(df$metodo_venta)
## 
## In-store   Online   Outlet 
##     1740     4889     3019
table(df$producto)
## 
##             Men's Apparel   Men's Athletic Footwear     Men's Street Footwear 
##                      1606                      1610                      1610 
##           Women's Apparel Women's Athletic Footwear   Women's Street Footwear 
##                      1608                      1606                      1608
p_region <- ggplot(df, aes(x = region)) +
  geom_bar(fill = "#1D1D2C", color = "#E63946") +
  labs(title = "Cantidad de registros por región",
       x = "Región", y = "Cantidad de registros") +
  scale_y_continuous(labels = scales::comma) +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

ggplotly(p_region)
ggplot(df, aes(x = metodo_venta)) +
  geom_bar(fill = "#E63946", color = "#1D1D2C") +
  labs(title = "Registros según método de venta",
       x = "Método de venta", y = "Cantidad de registros") +
  scale_y_continuous(labels = scales::comma) +
  theme_minimal()

PASO 5. Distribución de las variables numéricas

Histogramas de las cinco variables numéricas (cada uno se muestra por separado para verlos con mayor detalle).

g1 <- ggplot(df, aes(x = precio_unidad)) +
  geom_histogram(bins = 30, fill = "#2EC4B6") +
  labs(title = "Distribución del precio por unidad", x = "Precio por unidad", y = "Frecuencia") +
  scale_x_continuous(labels = scales::dollar) +
  theme_minimal()

g2 <- ggplot(df, aes(x = unidades_vendidas)) +
  geom_histogram(bins = 30, fill = "#F4A261") +
  labs(title = "Distribución de unidades vendidas", x = "Unidades vendidas", y = "Frecuencia") +
  scale_x_continuous(labels = scales::comma) +
  theme_minimal()

g3 <- ggplot(df, aes(x = ventas_total)) +
  geom_histogram(bins = 30, fill = "#E63946") +
  labs(title = "Distribución de ventas totales", x = "Ventas totales", y = "Frecuencia") +
  scale_x_continuous(labels = scales::dollar) +
  theme_minimal()

g4 <- ggplot(df, aes(x = utilidad_operativa)) +
  geom_histogram(bins = 30, fill = "#1D1D2C") +
  labs(title = "Distribución de la utilidad operativa", x = "Utilidad operativa", y = "Frecuencia") +
  scale_x_continuous(labels = scales::dollar) +
  theme_minimal()

g5 <- ggplot(df, aes(x = margen_operativo)) +
  geom_histogram(bins = 30, fill = "#8D99AE") +
  labs(title = "Distribución del margen operativo", x = "Margen operativo", y = "Frecuencia") +
  scale_x_continuous(labels = scales::percent) +
  theme_minimal()

g1

g2

g3

g4

g5

Diagramas de caja de las mismas cinco variables, útiles para detectar valores atípicos.

b1 <- ggplot(df, aes(y = precio_unidad)) + geom_boxplot(fill = "#2EC4B6", color = "#1D1D2C") +
  labs(title = "Precio por unidad", y = "Precio") +
  scale_y_continuous(labels = scales::dollar) + theme_minimal()

b2 <- ggplot(df, aes(y = unidades_vendidas)) + geom_boxplot(fill = "#F4A261", color = "#1D1D2C") +
  labs(title = "Unidades vendidas", y = "Unidades") +
  scale_y_continuous(labels = scales::comma) + theme_minimal()

b3 <- ggplot(df, aes(y = ventas_total)) + geom_boxplot(fill = "#E63946", color = "#1D1D2C") +
  labs(title = "Ventas totales", y = "Ventas") +
  scale_y_continuous(labels = scales::dollar) + theme_minimal()

b4 <- ggplot(df, aes(y = utilidad_operativa)) + geom_boxplot(fill = "#1D1D2C", color = "#E63946") +
  labs(title = "Utilidad operativa", y = "Utilidad") +
  scale_y_continuous(labels = scales::dollar) + theme_minimal()

b5 <- ggplot(df, aes(y = margen_operativo)) + geom_boxplot(fill = "#8D99AE", color = "#1D1D2C") +
  labs(title = "Margen operativo", y = "Margen") +
  scale_y_continuous(labels = scales::percent) + theme_minimal()

b1

b2

b3

b4

b5

PASO 6. Comparación de ventas por categoría

ventas_region <- df %>%
  group_by(region) %>%
  summarise(
    ventas_totales = sum(ventas_total, na.rm = TRUE),
    utilidad_total = sum(utilidad_operativa, na.rm = TRUE),
    unidades = sum(unidades_vendidas, na.rm = TRUE),
    margen_prom = mean(margen_operativo, na.rm = TRUE)
  ) %>%
  arrange(desc(ventas_totales))

kable(ventas_region, caption = "Ventas, utilidad y margen promedio por región") %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"), full_width = FALSE)
Ventas, utilidad y margen promedio por región
region ventas_totales utilidad_total unidades margen_prom
West 36436157 13017584 686985 0.3966912
Northeast 25078267 9732774 501279 0.4104503
Southeast 21374436 8393059 407000 0.4191667
South 20603356 9221605 492260 0.4668981
Midwest 16674434 6859945 391337 0.4352724 
p_ventas_region <- ggplot(ventas_region, aes(x = reorder(region, -ventas_totales), y = ventas_totales)) +
  geom_col(fill = "#1D1D2C") +
  labs(title = "Ventas totales por región", x = "Región", y = "Ventas totales") +
  scale_y_continuous(labels = scales::dollar) +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

ggplotly(p_ventas_region)
ventas_metodo <- df %>%
  group_by(metodo_venta) %>%
  summarise(
    ventas_totales = sum(ventas_total, na.rm = TRUE),
    utilidad_total = sum(utilidad_operativa, na.rm = TRUE),
    margen_prom = mean(margen_operativo, na.rm = TRUE)
  ) %>%
  arrange(desc(ventas_totales))

kable(ventas_metodo, caption = "Ventas, utilidad y margen promedio por método de venta") %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"), full_width = FALSE)
Ventas, utilidad y margen promedio por método de venta
metodo_venta ventas_totales utilidad_total margen_prom
Online 44965657 19552538 0.4641522
Outlet 39536618 14913301 0.3948758
In-store 35664375 12759129 0.3561207 
ggplot(ventas_metodo, aes(x = reorder(metodo_venta, -ventas_totales), y = ventas_totales)) +
  geom_col(fill = "#E63946") +
  labs(title = "Ventas totales por método de venta", x = "Método de venta", y = "Ventas totales") +
  scale_y_continuous(labels = scales::dollar) +
  theme_minimal()

Ventas totales por región y método de venta combinados (combinación producto+método que sugiere la guía, aplicada aquí a región+método):

ventas_region_metodo <- df %>%
  group_by(region, metodo_venta) %>%
  summarise(ventas_totales = sum(ventas_total, na.rm = TRUE), .groups = "drop")

# Tabla cruzada región x método (una fila por región, una columna por método)
tabla_region_metodo <- ventas_region_metodo %>%
  pivot_wider(names_from = metodo_venta, values_from = ventas_totales)

kable(tabla_region_metodo, caption = "Tabla cruzada: ventas totales por región y método de venta") %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"), full_width = FALSE)
Tabla cruzada: ventas totales por región y método de venta
region In-store Online Outlet
Midwest 5955400 7119734 3599300
Northeast 11595075 4626777 8856415
South 339375 9201010 11062971
Southeast 7236125 12067160 2071151
West 10538400 11950976 13946781 
ggplot(ventas_region_metodo, aes(x = region, y = ventas_totales, fill = metodo_venta)) +
  geom_col(position = "dodge") +
  labs(title = "Ventas totales por región y método de venta",
       x = "Región", y = "Ventas totales", fill = "Método de venta") +
  scale_fill_manual(values = c("In-store" = "#F4A261", "Online" = "#E63946", "Outlet" = "#2EC4B6")) +
  scale_y_continuous(labels = scales::dollar) +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

PASO 7. Análisis de correlación

La correlación de Pearson permite observar la intensidad y dirección de la relación lineal entre dos variables numéricas. Este análisis no demuestra causalidad.

matriz_correlacion <- cor(variables_numericas, use = "complete.obs", method = "pearson")

kable(round(matriz_correlacion, 2), caption = "Matriz de correlación de Pearson") %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"), full_width = FALSE)
Matriz de correlación de Pearson
precio_unidad unidades_vendidas ventas_total utilidad_operativa margen_operativo
precio_unidad 1.00 0.27 0.54 0.50 -0.14
unidades_vendidas 0.27 1.00 0.92 0.87 -0.31
ventas_total 0.54 0.92 1.00 0.94 -0.30
utilidad_operativa 0.50 0.87 0.94 1.00 -0.05
margen_operativo -0.14 -0.31 -0.30 -0.05 1.00 
corrplot(matriz_correlacion, method = "color", type = "upper",
         addCoef.col = "black", tl.col = "black", tl.srt = 45,
         col = colorRampPalette(c("#1D1D2C", "white", "#E63946"))(200),
         title = "Matriz de correlación", mar = c(0, 0, 2, 0))

Correlación entre unidades vendidas y ventas totales:

ggplot(df, aes(x = unidades_vendidas, y = ventas_total)) +
  geom_point(alpha = 0.35, color = "#1D1D2C") +
  geom_smooth(method = "lm", se = FALSE, color = "#E63946") +
  labs(title = "Relación entre unidades vendidas y ventas totales",
       x = "Unidades vendidas", y = "Ventas totales") +
  scale_x_continuous(labels = scales::comma) +
  scale_y_continuous(labels = scales::dollar) +
  theme_minimal()

cor.test(df$unidades_vendidas, df$ventas_total, method = "pearson")
## 
##  Pearson's product-moment correlation
## 
## data:  df$unidades_vendidas and df$ventas_total
## t = 229.48, df = 9646, p-value < 2.2e-16
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  0.9161919 0.9223725
## sample estimates:
##       cor 
## 0.9193389

Correlación entre ventas totales y utilidad operativa:

p_vu <- ggplot(df, aes(x = ventas_total, y = utilidad_operativa)) +
  geom_point(alpha = 0.35, color = "#1D1D2C") +
  geom_smooth(method = "lm", se = FALSE, color = "#E63946") +
  labs(title = "Relación entre ventas totales y utilidad operativa",
       x = "Ventas totales", y = "Utilidad operativa") +
  scale_x_continuous(labels = scales::dollar) +
  scale_y_continuous(labels = scales::dollar) +
  theme_minimal()

ggplotly(p_vu)
cor.test(df$ventas_total, df$utilidad_operativa, method = "pearson")
## 
##  Pearson's product-moment correlation
## 
## data:  df$ventas_total and df$utilidad_operativa
## t = 259.76, df = 9646, p-value < 2.2e-16
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  0.9328283 0.9378218
## sample estimates:
##       cor 
## 0.9353717

Correlación entre precio por unidad y unidades vendidas:

p_pu <- ggplot(df, aes(x = precio_unidad, y = unidades_vendidas)) +
  geom_point(alpha = 0.35, color = "#1D1D2C") +
  geom_smooth(method = "lm", se = FALSE, color = "#E63946") +
  labs(title = "Relación entre precio por unidad y unidades vendidas",
       x = "Precio por unidad", y = "Unidades vendidas") +
  scale_x_continuous(labels = scales::dollar) +
  scale_y_continuous(labels = scales::comma) +
  theme_minimal()

ggplotly(p_pu)
cor.test(df$precio_unidad, df$unidades_vendidas, method = "pearson")
## 
##  Pearson's product-moment correlation
## 
## data:  df$precio_unidad and df$unidades_vendidas
## t = 27.087, df = 9646, p-value < 2.2e-16
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  0.2472257 0.2843146
## sample estimates:
##       cor 
## 0.2658685

PASO 8. Conclusiones descriptivas

A partir de los resultados obtenidos, se deben identificar:

  • Las variables con mayor y menor variabilidad.
  • Las regiones o métodos de venta con mayores ventas totales.
  • La distribución de las unidades vendidas, ventas y utilidad operativa.
  • La presencia de posibles valores atípicos mediante los diagramas de cajas.
  • Las relaciones lineales más fuertes y más débiles observadas en la matriz de correlaciones.