Analisis de ventas en Estados Unidos de la empresa Adidas

Introducción

Adidas es una empresa multinacional fundada el 18 de agosto de 1949 por Adolf Dassler en Alemania, dedicada al diseño y comercialización de calzado, ropa y accesorios deportivos. Con el paso de los años, se ha consolidado como una de las marcas más reconocidas del sector deportivo a nivel mundial.

En este trabajo analizaremos el comportamiento de las ventas de Adidas en Estados Unidos, teniendo en cuenta variables como el tipo de producto, la región, el distribuidor y el método de venta. Para ello, utilizaremos RStudio, una herramienta que nos permitirá organizar la información, realizar cálculos estadísticos y representar los resultados mediante gráficos.

El objetivo principal es identificar cuáles productos, regiones y canales comerciales presentan mejores resultados en ventas y rentabilidad, así como aquellos que podrían tener oportunidades de mejora. A partir de estos resultados, buscamos plantear recomendaciones que puedan servir como apoyo para la toma de decisiones comerciales y financieras de la empresa.

Resumen ejecutivo

El presente trabajo tiene como objetivo analizar el comportamiento de las ventas de Adidas en Estados Unidos, considerando variables como los productos comercializados, las regiones, los distribuidores y los métodos de venta. Para ello, realizamos un análisis exploratorio de los datos mediante RStudio, buscando identificar diferencias en las ventas, la utilidad operativa y los márgenes de rentabilidad.

A partir del análisis, encontramos que Men’s Street Footwear es la categoría que genera la mayor utilidad operativa, con aproximadamente $11,63 millones, mientras que Women’s Athletic Footwear presenta la menor utilidad acumulada, con cerca de $5,58 millones.

En cuanto al comportamiento regional, identificamos que West tiene una participación importante en las ventas y utilidades. Por su parte, Southeast presenta una de las medianas más altas de unidades vendidas por registro. Sin embargo, observamos que mayores volúmenes de ventas no necesariamente se traducen en mejores márgenes operativos.

Respecto a los canales comerciales, encontramos que Online presenta los mejores resultados acumulados, con ventas aproximadas de $44,97 millones, una utilidad operativa cercana a $19,55 millones y un margen operativo del 43,48 %, superior al de las tiendas físicas y Outlet.

Con base en estos resultados, consideramos que Adidas podría evaluar estrategias para fortalecer su canal Online, analizar las prácticas comerciales de las regiones con mejores resultados y revisar los factores que afectan la rentabilidad de determinados productos.

Finalmente, concluimos que el análisis de las ventas debe complementarse con indicadores de rentabilidad para apoyar la toma de decisiones comerciales y financieras. No obstante, sería necesario contar con información adicional sobre costos, descuentos y condiciones comerciales antes de implementar las estrategias propuestas.

Datos y preparación

El análisis se realiza a partir de una base de datos de ventas de Adidas en Estados Unidos. Para estudiar su comportamiento, tenemos en cuenta variables como la región, el estado, la ciudad, el distribuidor, el tipo de producto y el método de venta. También analizamos información numérica como las unidades vendidas, el precio por unidad, las ventas totales, la utilidad operativa y el margen operativo.

Inicialmente, la base de datos contiene 9.648 registros. Al revisar la información, encontramos que no existen valores faltantes en las variables analizadas. Sin embargo, identificamos cuatro registros que presentan cero unidades vendidas, cero ventas y cero utilidad operativa, pero tienen un margen operativo diferente de cero.

Consideramos que estos cuatro registros presentan una inconsistencia, ya que no es posible calcular un margen operativo cuando las ventas son iguales a cero. Por esta razón, decidimos excluirlos del análisis, conservando la base original y trabajando con un total de 9.644 registros.

Con esta revisión buscamos que los resultados sean más confiables y que las conclusiones estén basadas en información consistente.

Librerias

# Cargar librerías necesarias para el análisis
library(readxl)
library(dplyr)
library(ggplot2)
library(plotly)
library(knitr)
library(tidyr)
library(scales)

Importación y limpieza de datos

datos<- read_excel("Datoscaso1.xlsx", 
    col_types = c("text", "text", "text", 
        "text", "text", "numeric", "numeric", 
        "numeric", "numeric", "numeric", 
        "text"))


# Crear un identificador único para cada registro
datos <- datos %>%
  mutate(id = row_number(), .before = 1)

# REVISIÓN DE CALIDAD DE LOS DATOS

# Cantidad total de registros
total_registros <- nrow(datos)

# Valores faltantes por variable
valores_faltantes <- colSums(is.na(datos))

# Identificar registros comerciales duplicados
registros_duplicados <- sum(
  duplicated(
    datos %>%
      select(-any_of(c("id", "id.1")))
  )
)

# Identificar registros con cero unidades vendidas
registros_cero <- datos %>%
  filter(unidades_vendidas == 0) %>%
  select(id, producto, region, unidades_vendidas,
         ventas_total, utilidad_operativa, margen_operativo)

# Excluir registros con cero unidades vendidas
datos_filtrados <- datos %>%
  filter(unidades_vendidas != 0)

# Cantidad de registros después del filtro
total_filtrados <- nrow(datos_filtrados)

# Tabla resumen de calidad de datos

tabla_calidad <- data.frame(
  Indicador = c(
    "Registros originales",
    "Valores faltantes",
    "Registros comerciales duplicados",
    "Registros excluidos",
    "Registros finales"
  ),
  Resultado = c(
    nrow(datos),
    sum(is.na(datos)),
    sum(duplicated(datos %>%
      select(-any_of(c("id", "id.1"))))),
    nrow(datos) - nrow(datos_filtrados),
    nrow(datos_filtrados)
  )
)

knitr::kable(
  tabla_calidad,
  caption = "Tabla 1. Resumen de calidad de datos",
  col.names = c("Indicador", "Resultado"),
  align = c("l", "r")
)

Tabla 1. Resumen de calidad de datos

Indicador	Resultado
Registros originales	9648
Valores faltantes	0
Registros comerciales duplicados	262
Registros excluidos	4
Registros finales	9644

Revisión de registros duplicados

Durante la revisión de la base de datos encontramos 262 registros que coinciden en todas las variables comerciales analizadas, sin tener en cuenta el identificador de cada fila.

Aunque estos registros presentan la misma información, no podemos asegurar que sean errores, ya que podrían corresponder a ventas diferentes con características iguales.

Por esta razón, decidimos conservarlos en el análisis y eliminar únicamente los cuatro registros que presentaban inconsistencias entre las unidades vendidas, las ventas totales y el margen operativo.

Análisis exploratorio

# Resumen estadístico de las variables numéricas

resumen <- datos_filtrados %>%
  select(precio_unidad, unidades_vendidas,
         ventas_total, utilidad_operativa,
         margen_operativo) %>%
  summarise(across(
    everything(),
    list(
      Minimo = ~min(.x, na.rm = TRUE),
      Promedio = ~mean(.x, na.rm = TRUE),
      Mediana = ~median(.x, na.rm = TRUE),
      Maximo = ~max(.x, na.rm = TRUE),
      Desviacion = ~sd(.x, na.rm = TRUE)
    )
  )) %>%
  tidyr::pivot_longer(
    cols = everything(),
    names_to = c("Variable", ".value"),
    names_pattern = "^(.*)_(Minimo|Promedio|Mediana|Maximo|Desviacion)$"
  )


# Mejorar la presentación de la tabla estadística
resumen_formato <- resumen

# Convertir el margen operativo a porcentaje
resumen_formato <- resumen_formato %>%
  mutate(across(
    c(Minimo, Promedio, Mediana, Maximo, Desviacion),
    ~ if_else(Variable == "margen_operativo", .x * 100, .x)
  )) %>%
  mutate(across(
    c(Minimo, Promedio, Mediana, Maximo, Desviacion),
    ~ if_else(
      Variable == "margen_operativo",
      paste0(round(.x, 2), " %"),
      format(round(.x, 2), big.mark = ",",
             scientific = FALSE, trim = TRUE)
    )
  ))

knitr::kable(
  resumen_formato,
  col.names = c(
    "Variable", "Mínimo", "Promedio",
    "Mediana", "Máximo", "Desviación estándar"
  ),
  caption = "Tabla 2. Resumen estadístico de las variables de Adidas",
  align = c("l", "r", "r", "r", "r", "r")
)

Tabla 2. Resumen estadístico de las variables de Adidas

Variable	Mínimo	Promedio	Mediana	Máximo	Desviación estándar
precio_unidad	7.0	45.22	45	110	14.71
unidades_vendidas	6.0	257.04	176	1,275	214.23
ventas_total	160.0	12,460.25	7,812	82,500	12,716.50
utilidad_operativa	75.2	4,896.82	3,264	39,000	4,866.45
margen_operativo	10 %	42.3 %	41 %	80 %	9.72 %

# Indicadores financieros generales de Adidas

indicadores <- datos_filtrados %>%
  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)
  ) %>%
  mutate(
    margen_operativo = if_else(
      ventas_totales > 0,
      utilidad_total / ventas_totales * 100,
      NA_real_
    )
  )

tabla_indicadores <- data.frame(
  Indicador = c(
    "Ventas totales",
    "Unidades vendidas",
    "Utilidad operativa",
    "Margen operativo"
  ),
  Resultado = c(
    paste0("$", format(round(indicadores$ventas_totales, 0),
                       big.mark = ",", scientific = FALSE)),
    format(round(indicadores$unidades_totales, 0),
           big.mark = ",", scientific = FALSE),
    paste0("$", format(round(indicadores$utilidad_total, 0),
                       big.mark = ",", scientific = FALSE)),
    paste0(round(indicadores$margen_operativo, 2), "%")
  )
)

knitr::kable(
  tabla_indicadores,
  col.names = c("Indicador financiero", "Resultado"),
 caption = "Tabla 3. Indicadores financieros generales de Adidas",
  align = c("l", "r")
)

Tabla 3. Indicadores financieros generales de Adidas

Indicador financiero	Resultado
Ventas totales	$120,166,650
Unidades vendidas	2,478,861
Utilidad operativa	$47,224,968
Margen operativo	39.3%

library(dplyr)
library(tidyr)

tabla_tidy <- datos_filtrados %>%
  group_by(producto, region) %>%
  summarise(utilidad_operativa = sum(utilidad_operativa, na.rm = TRUE), .groups = "drop") %>%
  pivot_wider(names_from = region, values_from = utilidad_operativa, values_fill = 0)

knitr::kable(
  tabla_tidy,
  format = "html",
  digits = 0,
  format.args = list(big.mark = ","),
  col.names = c(
    "Producto", "Midwest", "Northeast",
    "South", "Southeast", "West"
  ),
  caption = "Tabla 4. Utilidad operativa por producto y región",
  align = c("l", "r", "r", "r", "r", "r"),
  table.attr = 'style="width:100%; border-collapse:separate; border-spacing:12px 6px;"'
)

Tabla 4. Utilidad operativa por producto y región

Producto	Midwest	Northeast	South	Southeast	West
Men’s Apparel	937,479	1,183,786	1,102,713	1,147,872	2,009,555
Men’s Athletic Footwear	970,071	1,474,713	1,504,995	1,333,467	2,154,211
Men’s Street Footwear	1,948,621	3,030,663	1,738,372	2,003,886	2,907,503
Women’s Apparel	1,585,772	1,917,008	2,199,137	1,887,045	2,096,258
Women’s Athletic Footwear	659,187	976,505	1,277,839	976,673	1,707,618
Women’s Street Footwear	758,815	1,150,097	1,398,549	1,044,117	2,142,439

library(dplyr)
library(tidyr)
library(ggplot2)
library(scales)

tabla_tidy %>%
  pivot_longer(
    cols = -producto,
    names_to = "region",
    values_to = "utilidad_operativa"
  ) %>%
  ggplot(aes(x = producto,
             y = utilidad_operativa,
             fill = region)) +
  geom_col(position = "stack", width = 0.7) +
  coord_flip() +
 scale_y_continuous(
  labels = scales::label_dollar(scale = 1e-6, suffix = " M"),
  breaks = seq(0, 12000000, by = 3000000),
  expand = expansion(mult = c(0, 0.05))
)+

  labs(
    title = "Gráfico 1. Utilidad operativa por producto y región",
    subtitle = "Participación de cada región en la utilidad por producto",
    x = "Producto",
    y = "Utilidad operativa ($)",
    fill = "Región"
  ) +
  theme_minimal() +
  theme(
    plot.title = element_text(face = "bold", size = 12),
    plot.subtitle = element_text(size = 10),
    legend.position = "bottom",
    panel.grid.major.y = element_blank()
  )

Interpretación del Gráfico 1

Al analizar la utilidad operativa por producto y región, encontramos que Men’s Street Footwear es el producto que más utilidad genera para Adidas, con aproximadamente $11,63 millones. Dentro de esta categoría, la región Northeast presenta el mayor aporte, con cerca de $3,03 millones.

Por otro lado, Women’s Athletic Footwear registra la menor utilidad operativa total, con aproximadamente $5,58 millones. Esto nos muestra que existen diferencias importantes en los resultados económicos de cada línea de producto.

También observamos que la región West tiene una participación importante en varias categorías, especialmente en Men’s Street Footwear y Men’s Athletic Footwear.

En general, estos resultados nos permiten identificar cuáles productos generan mayores utilidades y en qué regiones se concentran. Esta información puede servir como punto de partida para revisar las estrategias comerciales de Adidas y encontrar oportunidades de mejora en las categorías con menores resultados.

tabla_tidy2 <- datos_filtrados %>%
  group_by(producto, distribuidor) %>%
  summarise(utilidad_operativa = sum(utilidad_operativa, na.rm = TRUE), .groups = "drop") %>%
  pivot_wider(names_from = distribuidor, values_from = utilidad_operativa, values_fill = 0)

knitr::kable(
  tabla_tidy2,
  format = "html",
  digits = 0,
  format.args = list(big.mark = ","),
  caption = "Tabla 5. Utilidad operativa por producto y distribuidor",
  align = "lrrrrrr",
  table.attr = 'style="width:100%; border-collapse:separate; border-spacing:10px 6px;"'
)

Tabla 5. Utilidad operativa por producto y distribuidor

producto	Amazon	Foot Locker	Kohl’s	Sports Direct	Walmart	West Gear
Men’s Apparel	467,531	1,399,548	833,831	1,255,208	489,147	1,936,139
Men’s Athletic Footwear	628,624	1,758,959	815,081	1,718,985	610,214	1,905,594
Men’s Street Footwear	1,201,388	3,207,304	1,278,816	2,233,092	819,371	2,889,074
Women’s Apparel	857,797	2,363,433	796,022	2,534,198	950,476	2,183,295
Women’s Athletic Footwear	375,276	1,206,270	647,706	1,400,646	489,440	1,478,484
Women’s Street Footwear	453,816	1,381,513	810,804	1,499,479	544,100	1,804,305

tabla_tidy2 %>%
  pivot_longer(
    cols = -producto,
    names_to = "distribuidor",
    values_to = "utilidad_operativa"
  ) %>%
  ggplot(aes(x = producto,
             y = utilidad_operativa,
             fill = distribuidor)) +
  geom_col(position = "stack", width = 0.7) +
  coord_flip() +
  scale_y_continuous(
    labels = scales::label_dollar(
      scale = 1e-6, suffix = " M"
    ),
    breaks = seq(0, 12000000, by = 3000000),
    expand = expansion(mult = c(0, 0.05))
  ) +
  labs(
    title = "Gráfico 2. Utilidad operativa por producto y distribuidor",
    subtitle = "Participación de cada distribuidor en la utilidad por producto",
    x = "Producto",
    y = "Utilidad operativa ($)",
    fill = "Distribuidor"
  ) +
  theme_minimal() +
  theme(
    plot.title = element_text(face = "bold", size = 12),
    plot.subtitle = element_text(size = 10),
    legend.position = "bottom",
    panel.grid.major.y = element_blank()
  )

Interpretación del Gráfico 2

Al analizar la utilidad operativa por producto y distribuidor, encontramos que West Gear es el distribuidor que genera la mayor utilidad operativa para Adidas, mientras que Walmart presenta la menor contribución.

En cuanto a los productos, Men’s Street Footwear registra la mayor utilidad operativa, con aproximadamente $11,63 millones, seguido de Women’s Apparel, con aproximadamente $9,68 millones. Por el contrario, Women’s Athletic Footwear presenta el resultado más bajo, con cerca de $5,58 millones.

Estos resultados evidencian diferencias importantes en el desempeño comercial de los distribuidores y las categorías de productos. Por esta razón, Adidas podría evaluar estrategias para fortalecer los canales con mejores resultados e identificar oportunidades de mejora en aquellos que generan menores utilidades.

Diagnóstico y hallazgos

library(ggplot2)
library(plotly)

ggplotly(
ggplot(datos_filtrados, aes(x = region, y = unidades_vendidas, fill = region)) +
  geom_boxplot(alpha = 0.8, show.legend = FALSE) +
  labs(
    title = "Grafico 3. Distribución de Unidades Vendidas por Región",
    x = "Región",
    y = "Unidades Vendidas"
  ) +
  theme_minimal()
)

Interpretación del Gráfico 3

El Gráfico 3 presenta la distribución de las unidades vendidas de Adidas en las cinco regiones analizadas, permitiendo identificar diferencias en los volúmenes de venta y en la dispersión de los datos.

Observamos que la región Southeast presenta una de las medianas más altas y una mayor dispersión en las unidades vendidas. Esto indica que los volúmenes de venta por registro son más variables en esta región.

Por otro lado, las regiones Midwest y Northeast presentan medianas más bajas. Sin embargo, Northeast registra numerosos valores atípicos, algunos superiores a las 1.200 unidades, lo que evidencia operaciones con volúmenes de venta considerablemente mayores a los habituales.

En general, este análisis nos permite identificar diferencias en el comportamiento de las ventas entre regiones. Estos resultados pueden servir como punto de partida para evaluar las estrategias comerciales y reconocer oportunidades de mejora en la distribución y comercialización de los productos.

library(readxl)
library(dplyr)
library(ggplot2)
library(scales)

resumen_calor <- datos_filtrados %>%
  group_by(producto, region) %>%
  summarise(total = sum(ventas_total, na.rm = TRUE), .groups = "drop")

ggplot(resumen_calor, aes(x = region, y = producto, fill = total)) +
  geom_tile(color = "white", linewidth = 0.8) + # Dibuja los cuadros con borde blanco
  geom_text(aes(label = dollar(round(total, 0))), color = "black", size = 3.5) + # Muestra el valor dentro de cada cuadro
  scale_fill_gradient(low = "#FFF5EB", high = "#D94801", labels = label_dollar()) + # Escala de color naranja
  labs(
    title = "Grafico 4. Mapa de Calor: ventas totales por Producto y Región",
    x = "Región",
    y = "Producto",
    fill = "Ventas totales"
  ) +
  theme_minimal() +
  theme(
    panel.grid = element_blank(), # Elimina la cuadrícula de fondo
    axis.text.x = element_text(face = "bold"),
    axis.text.y = element_text(face = "bold")
  )

resumen_calor <- datos_filtrados %>%
  group_by(producto, region) %>%
  summarise(
    ventas = sum(ventas_total, na.rm = TRUE),
    utilidad = sum(utilidad_operativa, na.rm = TRUE),
    .groups = "drop"
  ) %>%
  mutate(
    margen = if_else(
      ventas > 0,
      utilidad / ventas * 100,
      NA_real_
    )
  )

ggplot(resumen_calor, aes(x = region, y = producto, fill = margen)) +
  geom_tile(color = "white", linewidth = 0.8) +
  geom_text(aes(label = paste0(round(margen, 1), "%")),
            color = "black", size = 3.5) +
  scale_fill_gradient(low = "#FFF5EB", high = "#D94801",
                      name = "Margen (%)") +
  labs(
    title = "Gráfico 5. Margen operativo por Producto y Región",
    x = "Región",
    y = "Producto"
  ) +
  theme_minimal()

Interpretación de los Gráficos 4 y 5

Al comparar las ventas totales y el margen operativo de Adidas por producto y región, observamos que los productos con mayores ventas no necesariamente presentan los mejores márgenes de rentabilidad.

Por ejemplo, en la región West, Men’s Street Footwear registra ventas aproximadas de $7,39 millones, con un margen operativo del 39,3 %. Aunque presenta uno de los mayores volúmenes de ventas, existen otras combinaciones de productos y regiones que alcanzan márgenes superiores.

Por otro lado, la región South presenta resultados interesantes en términos de rentabilidad. Women’s Apparel alcanza un margen operativo del 52,1 %, mientras que Women’s Athletic Footwear registra un 48,6 %. Esto evidencia que algunos productos pueden alcanzar una mayor rentabilidad porcentual, incluso cuando sus ventas son inferiores a las de otras categorías.

También llama la atención el comportamiento de Women’s Apparel en la región West, donde registra ventas aproximadas de $7,04 millones, pero alcanza un margen operativo de apenas el 29,8 %, uno de los más bajos del análisis. Esto demuestra que un mayor nivel de ventas no garantiza un mejor margen de rentabilidad.

A partir de estos resultados, consideramos importante revisar los factores que pueden estar afectando la rentabilidad de determinados productos en West, especialmente aquellos que presentan ventas elevadas y márgenes relativamente bajos. Asimismo, sería conveniente analizar las estrategias comerciales de South para identificar posibles prácticas que contribuyan a sus mejores resultados.

En conclusión, los resultados sugieren que Adidas debería evaluar no solamente el crecimiento de sus ventas, sino también la rentabilidad de cada producto y región. Para comprender las causas de estas diferencias, sería necesario profundizar en variables como los costos, descuentos, precios y condiciones comerciales.

ggplot(datos_filtrados,
       aes(x = unidades_vendidas, fill = metodo_venta)) +
  geom_density(alpha = 0.45, color = "white", linewidth = 0.5) +
  scale_fill_manual(
    values = c(
      "In-store" = "#F28E85",
      "Online" = "#45B97C",
      "Outlet" = "#5689CF"
    )
  ) +
  labs(
    title = "Gráfico 6. Distribución de unidades vendidas por canal",
    subtitle = "Comparación de las cantidades vendidas por registro",
    x = "Unidades vendidas",
    y = "Densidad",
    fill = "Método de venta"
  ) +
  theme_minimal() +
  theme(
    plot.title = element_text(face = "bold", size = 12),
    plot.subtitle = element_text(size = 10),
    legend.position = "bottom"
  )

# Tabla comparativa de los canales de venta

resumen_canales <- datos_filtrados %>%
  group_by(metodo_venta) %>%
  summarise(
    unidades = sum(unidades_vendidas, na.rm = TRUE),
    ventas = sum(ventas_total, na.rm = TRUE),
    utilidad = sum(utilidad_operativa, na.rm = TRUE),
    .groups = "drop"
  ) %>%
  mutate(
    margen = if_else(
      ventas > 0,
      utilidad / ventas * 100,
      NA_real_
    )
  )

knitr::kable(
  resumen_canales,
  digits = 2,
  caption = "Tabla 6. Comparación de ventas y rentabilidad por canal"
)

Tabla 6. Comparación de ventas y rentabilidad por canal

metodo_venta	unidades	ventas	utilidad	margen
In-store	689990	35664375	12759129	35.78
Online	939093	44965657	19552538	43.48
Outlet	849778	39536618	14913301	37.72

Interpretación del Gráfico 6

Al analizar la distribución de las unidades vendidas según el método de venta, encontramos diferencias importantes entre los tres canales comerciales de Adidas. El gráfico muestra que las tiendas físicas (In-store) presentan una distribución más amplia de unidades vendidas por registro, mientras que Online y Outlet concentran una mayor proporción de registros en cantidades relativamente pequeñas.

Sin embargo, al comparar los resultados acumulados de cada canal, encontramos que Online presenta el mejor desempeño comercial y financiero. Este canal registra 939.093 unidades vendidas, ventas aproximadas de $44,97 millones y una utilidad operativa cercana a $19,55 millones.

Además, Online alcanza un margen operativo del 43,48 %, superior al registrado por Outlet (37,72 %) y las tiendas físicas (35,78 %). Esto demuestra que, dentro de los datos analizados, Online no solamente genera mayores ventas, sino que también obtiene una mayor utilidad por cada dólar vendido.

Estos resultados permiten identificar al canal Online como una de las principales fortalezas comerciales de Adidas. Aunque las tiendas físicas presentan registros con cantidades vendidas más elevadas, el canal digital logra mejores resultados acumulados en ventas y rentabilidad.

En conclusión, consideramos que Adidas debería evaluar estrategias para fortalecer su canal Online, aprovechando su desempeño favorable. Sin embargo, antes de incrementar las inversiones, sería importante revisar los costos logísticos, los descuentos y el comportamiento de los productos en cada región, con el fin de determinar si este crecimiento puede mantenerse de manera rentable.

Recomendaciones y límites

A partir de los resultados obtenidos en el análisis exploratorio, identificamos algunas oportunidades de mejora que podrían contribuir al fortalecimiento de las estrategias comerciales y financieras de Adidas.

1. Analizar las estrategias comerciales de la región Southeast.

De acuerdo con el Gráfico 3, la región Southeast presenta una de las medianas más altas de unidades vendidas y una dispersión considerable en los registros. Por esta razón, recomendamos analizar las estrategias comerciales implementadas en esta región, como promociones, precios y actividades de venta, para identificar cuáles podrían adaptarse a otras regiones con menores volúmenes de comercialización.

2. Evaluar los factores que afectan la rentabilidad por región.

Los Gráficos 4 y 5 muestran que mayores ventas no necesariamente representan mejores márgenes operativos. Por ejemplo, Women’s Apparel en la región West registra ventas aproximadas de $7,04 millones, pero presenta un margen operativo del 29,8 %. Por lo tanto, recomendamos revisar los costos, descuentos y condiciones comerciales de esta categoría para identificar posibles oportunidades de mejora en su rentabilidad.

3. Fortalecer las estrategias comerciales del canal Online.

Según el Gráfico 6 y la Tabla 6, el canal Online presenta el mayor volumen acumulado de unidades vendidas y el margen operativo más alto, con un 43,48 %. Sin embargo, su distribución muestra una mayor concentración de registros con cantidades vendidas relativamente pequeñas. Por esta razón, recomendamos evaluar estrategias como descuentos por volumen, promociones por compras múltiples o envíos gratuitos a partir de un valor mínimo de compra, buscando incrementar el valor promedio de los pedidos sin afectar negativamente la rentabilidad.

Limitaciones del análisis

Es importante mencionar que este estudio se basa en los datos disponibles de ventas, unidades vendidas, utilidad operativa, productos, regiones y canales comerciales.

Aunque los resultados permiten identificar diferencias en el desempeño comercial y financiero de Adidas, no contamos con información detallada sobre costos logísticos, campañas publicitarias, descuentos específicos ni comportamiento individual de los clientes.

Por lo tanto, las recomendaciones planteadas deben considerarse como oportunidades de mejora que requieren una evaluación adicional antes de su implementación.

Conclusiones

A partir del análisis exploratorio de los datos de Adidas, logramos identificar diferencias importantes en el comportamiento de las ventas, la utilidad operativa y los márgenes de rentabilidad entre productos, regiones y canales de comercialización.

En términos generales, encontramos que Men’s Street Footwear es la categoría que genera la mayor utilidad operativa, mientras que Women’s Athletic Footwear presenta los menores resultados acumulados. Esto evidencia que las diferentes líneas de productos no contribuyen de la misma manera a los resultados financieros de la compañía.

En cuanto al comportamiento regional, identificamos que West presenta una participación importante en las ventas y utilidades, mientras que Southeast registra una de las medianas más altas de unidades vendidas por operación. Sin embargo, observamos que mayores volúmenes de ventas no necesariamente representan mejores márgenes operativos.

Por otra parte, el análisis de los canales de comercialización muestra que Online presenta el mejor desempeño acumulado en ventas y rentabilidad, alcanzando un margen operativo del 43,48 %. Este resultado representa una oportunidad para evaluar estrategias que permitan fortalecer el canal digital.

Finalmente, consideramos que el análisis realizado proporciona información útil para apoyar la toma de decisiones comerciales y financieras de Adidas. No obstante, para formular estrategias más precisas, sería importante complementar estos resultados con información sobre costos, descuentos, logística y comportamiento de los consumidores.