Integrantes: Juan Leal, Daniel Martínez y Sebastián Pérez
Video de sustentación ejecutiva: https://javerianacaliedu-my.sharepoint.com/:f:/g/personal/sperez510_javerianacali_edu_co/IgD7zL5-cAbGQr5b-etXjZ-BAc0iK_BnUayHL3DZ-25Sl-g?e=ZofM82
Fuente de datos: DatosCaso1.xlsx, hoja Data Sales Adidas (suministrada por la docente).

# ---------------------------------------------------------------
# Librerías utilizadas (todas disponibles en CRAN)
# ---------------------------------------------------------------
# Si falta alguna, instalar una sola vez desde la consola de RStudio:
# install.packages(c("readxl","dplyr","tidyr","ggplot2","plotly","knitr","kableExtra","scales"))
library(readxl)      # lectura del archivo Excel
library(dplyr)       # transformación de datos
library(tidyr)       # reestructuración (pivot_longer / pivot_wider)
library(ggplot2)     # gramática de gráficos
library(plotly)      # interactividad (ggplotly)
library(knitr)       # tablas con kable()
library(kableExtra)  # formato de tablas
library(scales)      # formatos de ejes (%, separadores de miles)
# ---------------------------------------------------------------
# Funciones auxiliares: formato numérico en español y estilo común
# ---------------------------------------------------------------

# Números con punto de miles y coma decimal
fn  <- function(x, d = 0) formatC(x, format = "f", digits = d, big.mark = ".", decimal.mark = ",")
fm  <- function(x, d = 2) paste0(fn(x / 1e6, d), " M u.m.")   # millones de unidades monetarias
fp  <- function(x, d = 1) paste0(fn(x * 100, d), " %")         # porcentaje
fpp <- function(x, d = 1) paste0(fn(x * 100, d), " pp")        # puntos porcentuales

# Paleta sobria: un color base, un gris de contexto, un color positivo y uno de alerta
col_base <- "#1F2A44"; col_gris <- "#B8C0CC"; col_pos <- "#0F766E"; col_neg <- "#B42318"
col_region <- c(West = "#B42318", South = "#0F766E", Northeast = "#1F2A44",
                Midwest = "#6B7A90", Southeast = "#C9A227")

# Tema gráfico común
tema <- theme_minimal(base_size = 12) +
  theme(plot.title = element_text(face = "bold", size = 13, color = col_base),
        panel.grid.minor = element_blank(),
        legend.position = "bottom",
        strip.text = element_text(face = "bold", color = col_base))

# Convierte un ggplot en gráfico interactivo con título + subtítulo + fuente
interactivo <- function(p, subtitulo = NULL, tooltip = "text", alto = NULL, leyenda = TRUE) {
  g <- ggplotly(p, tooltip = tooltip, height = alto)
  sub <- paste0(c(subtitulo, "Fuente: DatosCaso1.xlsx, cálculos propios en R"), collapse = " · ")
  titulo <- paste0("<b>", p$labels$title, "</b><br><sup>", sub, "</sup>")
  g %>% layout(title = list(text = titulo, x = 0.01, xanchor = "left", font = list(size = 15)),
               margin = list(t = 85), showlegend = leyenda) %>%
    config(displaylogo = FALSE)
}

# Tabla con estilo uniforme
tabla <- function(df, titulo, ...) {
  kable(df, caption = titulo, align = c("l", rep("r", ncol(df) - 1)), ...) %>%
    kable_styling(bootstrap_options = c("striped", "hover", "condensed"),
                  full_width = FALSE, position = "center")
}

# Resumen financiero de cualquier segmento (una o varias dimensiones)
# El margen SIEMPRE es agregado: utilidad total / ventas totales (no el promedio simple)
resumen_seg <- function(df, ...) {
  df %>%
    group_by(...) %>%
    summarise(registros = n(),
              ventas    = sum(ventas_total),
              utilidad  = sum(utilidad_operativa),
              unidades  = sum(unidades_vendidas),
              .groups = "drop") %>%
    mutate(costo_operativo = ventas - utilidad,                  # costos y gastos operativos implícitos
           margen          = utilidad / ventas,                  # margen operativo agregado
           part_ventas     = ventas / sum(ventas),               # participación en ventas
           part_utilidad   = utilidad / sum(utilidad),           # participación en utilidad
           indice_relativo = part_utilidad / part_ventas,        # >1: aporta más utilidad que ventas
           precio_medio    = ventas / unidades,                  # precio medio ponderado
           utilidad_unidad = utilidad / unidades,                # utilidad operativa por unidad
           rend_costo      = utilidad / costo_operativo)         # utilidad por u.m. de costo operativo
}

1 Resumen ejecutivo

Adidas necesita decidir dónde concentrar su atención comercial y financiera en el mercado de EE. UU. que representa la base (9.648 registros, sin fecha). Las ventas suman 120,17 M u.m. y la utilidad operativa 47,22 M u.m., con un margen operativo agregado de 39,3 %. Encontramos tres hechos. (1) El volumen no se traduce en rentabilidad: la región West concentra el 30,3 % de las ventas, pero tiene el margen más bajo (35,7 %). Esa brecha se mantiene aunque se iguale la mezcla de productos y canales, así que es un problema de tasa (precios, descuentos o costos) y no de composición. (2) El canal Online genera el 41,4 % de la utilidad con el 37,4 % de las ventas, y su ventaja de margen se repite en casi todas las combinaciones región × producto. (3) El volumen por registro se asocia con un margen menor dentro de cada producto y región, lo que apunta a descuentos por volumen. Esto último es una hipótesis que hay que validar. Proponemos al comité un plan de recuperación de margen en West, enfocado en el minorista West Gear y en las celdas producto-canal más débiles, y un piloto Online en Northeast, donde el canal tiene el mayor margen del país y la menor participación. Antes de escalar, se requiere completar la información de fecha, costos y descuentos.

2 Contexto, pregunta y alcance

  • Pregunta del comité: ¿qué combinación de región, canal, minorista y producto merece atención prioritaria, y por qué?
  • Alcance: las conclusiones se limitan al mercado y al periodo que representa la base: 5 regiones y 50 estados de EE. UU. La base no tiene fecha, así que no se analizan tendencias ni crecimiento y no se usan gráficos temporales.
  • Moneda: no está especificada; se reporta en unidades monetarias (u.m.).
  • Enfoque: descriptivo y diagnóstico. Separamos explícitamente hallazgos comprobados (lo que muestran los datos), hipótesis (explicaciones plausibles que no se pueden demostrar con esta base) y recomendaciones.

3 Datos y preparación

3.1 Carga y unidad de observación

# Lectura con tipos de columna explícitos (evita que R adivine mal)
datos0 <- read_excel("DatosCaso1.xlsx", sheet = "Data Sales Adidas",
                     col_types = c("text", "text", "text", "text", "text",
                                   "numeric", "numeric", "numeric", "numeric", "numeric", "text"))

# Eliminación de filas totalmente vacías (si existieran)
filas_vacias <- sum(rowSums(is.na(datos0)) == ncol(datos0))
datos <- datos0 %>% filter(!if_all(everything(), is.na))

dim(datos)
## [1] 9648   11

Cada fila es un registro comercial: la venta de un producto, por un minorista, en una ciudad y con un método de venta, con su precio, unidades, ventas, utilidad y margen. La base no declara la granularidad (no hay fecha ni identificador), por lo que no se puede asegurar que cada fila sea una transacción individual. La lectura arrojó 9.648 registros y 11 variables. Las filas vacías al final de la hoja se descartan automáticamente al leerla (filas vacías eliminadas después de la lectura: 0).

# Diccionario de variables
diccionario <- tibble::tibble(
  Variable    = names(datos),
  Tipo        = c(rep("Categórica", 5), rep("Numérica", 5), "Categórica"),
  `Descripción` = c("Minorista que vende el producto", "Región de EE. UU.", "Estado",
                  "Ciudad", "Categoría de producto (6)", "Precio por unidad (u.m.)",
                  "Unidades vendidas", "Ventas = precio × unidades (u.m.)",
                  "Utilidad operativa (u.m.)", "Margen operativo del registro (proporción)",
                  "Canal: In-store, Online, Outlet"),
  `Valores distintos` = sapply(datos, function(x) length(unique(x)))
)
tabla(diccionario, "Tabla 1. Diccionario de variables")
Tabla 1. Diccionario de variables
Variable Tipo Descripción Valores distintos
distribuidor Categórica Minorista que vende el producto 6
region Categórica Región de EE. UU. 5
estado Categórica Estado 50
ciudad Categórica Ciudad 52
producto Categórica Categoría de producto (6) 6
precio_unidad Numérica Precio por unidad (u.m.) 146
unidades_vendidas Numérica Unidades vendidas 361
ventas_total Numérica Ventas = precio × unidades (u.m.) 3481
utilidad_operativa Numérica Utilidad operativa (u.m.) 6494
margen_operativo Numérica Margen operativo del registro (proporción) 127
metodo_venta Categórica Canal: In-store, Online, Outlet 3

3.2 Calidad de los datos

# Revisión de calidad: faltantes, duplicados, ceros, coherencia aritmética y atípicos
q   <- quantile(datos$ventas_total, c(0.25, 0.75))
lim <- q[2] + 1.5 * diff(q)                                   # límite superior de Tukey (1,5 × RIC)

chequeos <- tibble::tibble(
  `Revisión` = c("Valores faltantes (todas las columnas)",
               "Filas duplicadas exactas",
               "Registros con ventas = 0 (margen no definido)",
               "Registros donde precio × unidades ≠ ventas",
               "Registros donde ventas × margen ≠ utilidad (tolerancia 1 u.m.)",
               "Registros con margen fuera de [0, 1]",
               "Atípicos de ventas por registro (> Q3 + 1,5 × RIC)"),
  Resultado = c(sum(is.na(datos)),
                sum(duplicated(datos)),
                sum(datos$ventas_total == 0),
                sum(abs(datos$precio_unidad * datos$unidades_vendidas - datos$ventas_total) > 1),
                sum(abs(datos$ventas_total * datos$margen_operativo - datos$utilidad_operativa) > 1),
                sum(datos$margen_operativo < 0 | datos$margen_operativo > 1),
                sum(datos$ventas_total > lim))
)
tabla(chequeos, "Tabla 2. Chequeos de calidad de la base")
Tabla 2. Chequeos de calidad de la base
Revisión Resultado
Valores faltantes (todas las columnas) 0
Filas duplicadas exactas 262
Registros con ventas = 0 (margen no definido) 4
Registros donde precio × unidades ≠ ventas 0
Registros donde ventas × margen ≠ utilidad (tolerancia 1 u.m.) 0
Registros con margen fuera de [0, 1] 0
Atípicos de ventas por registro (> Q3 + 1,5 × RIC) 799
n_dup  <- sum(duplicated(datos))
n_cero <- sum(datos$ventas_total == 0)
n_atip <- sum(datos$ventas_total > lim)
part_atip <- sum(datos$ventas_total[datos$ventas_total > lim]) / sum(datos$ventas_total)

Decisiones de preparación (documentadas, sin eliminar observaciones sin justificación):

  • Faltantes: no hay. Coherencia: se cumplen las identidades precio × unidades = ventas y ventas × margen = utilidad, así que las variables son consistentes entre sí.
  • 262 duplicados exactos: sin fecha ni ID no se puede saber si son errores o ventas repetidas legítimas. Se conservan en el escenario base y se verifica con un análisis de sensibilidad (Tabla 3) que no cambian las conclusiones.
  • 4 registros con ventas = 0: se conservan en los totales (no aportan ventas ni utilidad). El margen agregado no se ve afectado porque se calcula como Σ utilidad / Σ ventas.
  • 799 atípicos de ventas (30,4 % de las ventas totales): se conservan. Son registros de alto volumen coherentes aritméticamente y explican una parte material del negocio; eliminarlos sesgaría el análisis.
  • Margen: se usa siempre el margen agregado (utilidad total / ventas totales × 100) y no el promedio simple de los márgenes por registro.
# Sensibilidad: ¿cambian los indicadores clave si se eliminan los duplicados?
kpis <- function(df) {
  r <- resumen_seg(df, region)
  c(Ventas = sum(df$ventas_total), Utilidad = sum(df$utilidad_operativa),
    Margen = sum(df$utilidad_operativa) / sum(df$ventas_total),
    `Part. ventas West` = r$part_ventas[r$region == "West"],
    `Margen West` = r$margen[r$region == "West"],
    `Margen Online` = resumen_seg(df, metodo_venta) %>% filter(metodo_venta == "Online") %>% pull(margen))
}
k1 <- kpis(datos); k2 <- kpis(distinct(datos))
sens <- tibble::tibble(
  Indicador = names(k1),
  `Con duplicados (base)` = c(fm(k1[1]), fm(k1[2]), fp(k1[3]), fp(k1[4]), fp(k1[5]), fp(k1[6])),
  `Sin duplicados`        = c(fm(k2[1]), fm(k2[2]), fp(k2[3]), fp(k2[4]), fp(k2[5]), fp(k2[6])),
  Diferencia = c(fm(k2[1] - k1[1]), fm(k2[2] - k1[2]), fpp(k2[3] - k1[3]),
                 fpp(k2[4] - k1[4]), fpp(k2[5] - k1[5]), fpp(k2[6] - k1[6])))
tabla(sens, "Tabla 3. Sensibilidad de los indicadores clave a los duplicados")
Tabla 3. Sensibilidad de los indicadores clave a los duplicados
Indicador Con duplicados (base) Sin duplicados Diferencia
Ventas 120,17 M u.m. 114,36 M u.m. -5,81 M u.m.
Utilidad 47,22 M u.m. 45,22 M u.m. -2,01 M u.m.
Margen 39,3 % 39,5 % 0,2 pp
Part. ventas West 30,3 % 30,1 % -0,2 pp
Margen West 35,7 % 35,9 % 0,2 pp
Margen Online 43,5 % 43,7 % 0,2 pp

Al eliminar los duplicados, el margen total cambia apenas 0,24 pp y el orden de regiones y canales se mantiene. Las conclusiones son robustas a esta decisión.

4 Análisis exploratorio

4.1 Indicadores generales

media_simple <- mean(datos$margen_operativo[datos$ventas_total > 0])
kpi_tab <- tibble::tibble(
  Indicador = c("Ventas totales", "Utilidad operativa total", "Costo y gasto operativo implícito (ventas − utilidad)",
                "Unidades vendidas", "Margen operativo agregado (Σ utilidad / Σ ventas)",
                "Promedio simple de márgenes por registro (referencia, NO usar)",
                "Precio medio ponderado (Σ ventas / Σ unidades)", "Utilidad operativa por unidad",
                "Utilidad por u.m. de costo operativo"),
  Valor = c(fm(tot$ventas), fm(tot$utilidad), fm(tot$costo_operativo), fn(tot$unidades),
            fp(tot$margen, 2), fp(media_simple, 2), paste0(fn(tot$precio_medio, 2), " u.m."),
            paste0(fn(tot$utilidad_unidad, 2), " u.m."), fn(tot$rend_costo, 3)))
tabla(kpi_tab, "Tabla 4. Indicadores generales del negocio")
Tabla 4. Indicadores generales del negocio
Indicador Valor
Ventas totales 120,17 M u.m.
Utilidad operativa total 47,22 M u.m.
Costo y gasto operativo implícito (ventas − utilidad) 72,94 M u.m.
Unidades vendidas 2.478.861
Margen operativo agregado (Σ utilidad / Σ ventas) 39,30 %
Promedio simple de márgenes por registro (referencia, NO usar) 42,30 %
Precio medio ponderado (Σ ventas / Σ unidades) 48,48 u.m.
Utilidad operativa por unidad 19,05 u.m.
Utilidad por u.m. de costo operativo 0,647

¿Por qué el margen agregado (39,30 %) es menor que el promedio simple (42,30 %)? Porque los registros de mayor venta tienen márgenes más bajos. El promedio simple le da el mismo peso a una venta de 160 u.m. que a una de 82.500 u.m. y sobrestima la rentabilidad real en 3,0 pp. Por cada u.m. de costo operativo, el negocio genera 0,65 u.m. de utilidad operativa.

4.2 ¿Cómo se distribuyen las ventas por registro?

med_v <- median(datos$ventas_total); mea_v <- mean(datos$ventas_total)

p1 <- ggplot(filter(datos, ventas_total > 0),
             aes(x = ventas_total)) +
  geom_histogram(aes(text = after_stat(paste0("Registros: ", count))),
                 bins = 45, fill = col_base, color = "white", alpha = 0.9) +
  geom_vline(xintercept = med_v, color = col_pos, linewidth = 1) +
  geom_vline(xintercept = mea_v, color = col_neg, linewidth = 1, linetype = "dashed") +
  annotate("text", x = med_v / 1.5, y = 860, label = paste0("Mediana\n", fn(med_v)), color = col_pos, size = 3.6) +
  annotate("text", x = mea_v * 1.5, y = 860, label = paste0("Media\n", fn(mea_v)), color = col_neg, size = 3.6) +
  scale_x_log10(labels = label_number(big.mark = ".", decimal.mark = ",")) +
  labs(title = "Figura 1. La mayoría de registros son pequeños; pocos registros grandes elevan la media",
       x = "Ventas por registro (u.m., escala logarítmica)", y = "Número de registros") +
  tema
interactivo(p1, paste0("Distribución de ventas por registro · n = ", fn(sum(datos$ventas_total > 0)),
                       " (se omiten ", n_cero, " registros con ventas = 0 por la escala logarítmica)"))

Lectura: la distribución tiene una fuerte asimetría a la derecha. La media (12.455 u.m.) es 1,6 veces la mediana (7.804 u.m.). Se usa escala logarítmica para que los registros pequeños y los grandes se vean en el mismo gráfico. Implicación: la media no describe al registro típico, así que se reporta la mediana. Los 799 registros atípicos aportan el 30,4 % de las ventas: son pocas operaciones grandes que pesan mucho en el resultado, y en el diagnóstico (Figura 10) se verifica si se venden con menor margen.

4.3 ¿Dónde es inestable la rentabilidad?

# Datos en formato largo para comparar la dispersión del margen por canal y por producto
largo <- datos %>% filter(ventas_total > 0) %>%
  select(margen_operativo, Canal = metodo_venta, Producto = producto) %>%
  pivot_longer(c(Canal, Producto), names_to = "dimension", values_to = "grupo")

# Margen agregado de cada grupo (para contrastar con la mediana del boxplot)
agregado <- bind_rows(
  resumen_seg(datos, grupo = metodo_venta) %>% mutate(dimension = "Canal"),
  resumen_seg(datos, grupo = producto) %>% mutate(dimension = "Producto"))

p2 <- ggplot(largo, aes(x = grupo, y = margen_operativo)) +
  geom_boxplot(fill = "#DCE3EC", color = col_base, outlier.color = col_neg,
               outlier.size = 1, outlier.alpha = 0.5) +
  geom_point(data = agregado, aes(y = margen,
             text = paste0(grupo, "<br>Margen agregado: ", fp(margen))),
             shape = 18, size = 4, color = col_neg) +
  geom_hline(yintercept = tot$margen, linetype = "dotted", color = "grey40") +
  facet_wrap(~dimension, scales = "free_x") +
  scale_y_continuous(labels = label_percent(decimal.mark = ",")) +
  scale_x_discrete(labels = label_wrap(12)) +
  labs(title = "Figura 2. Online tiene el margen típico más alto; Outlet, la mayor dispersión",
       x = NULL, y = "Margen operativo por registro") +
  tema
interactivo(p2, "Caja = rango intercuartil · línea = mediana · rombo rojo = margen agregado del grupo · punteada = margen total")
cv <- datos %>% filter(ventas_total > 0) %>% group_by(metodo_venta) %>%
  summarise(mediana = median(margen_operativo), cv = sd(margen_operativo) / mean(margen_operativo))

Lectura: la mediana del margen en Online es 47 %, frente a 35 % en tienda física (In-store). Outlet tiene el mayor coeficiente de variación (23,4 %), es decir, la rentabilidad menos predecible. En casi todos los grupos el rombo rojo (margen agregado) queda por debajo de la mediana, porque las ventas grandes se hacen con margen menor. La excepción es In-store, donde el volumen no castiga el margen; la Figura 10 lo confirma. Implicación: para el comité, la variabilidad de Outlet es un riesgo de rentabilidad, y la ventaja de Online se ve en toda la distribución, no solo en el promedio.

4.4 ¿Qué tan concentradas están las ventas?

ciu <- resumen_seg(datos, ciudad) %>% arrange(desc(ventas)) %>%
  mutate(rango = row_number(), acumulado = cumsum(ventas) / sum(ventas),
         igualdad = rango / n())
n50 <- which(ciu$acumulado >= 0.5)[1]; n80 <- which(ciu$acumulado >= 0.8)[1]

p3 <- ggplot(ciu, aes(x = rango)) +
  geom_line(aes(y = igualdad), linetype = "dashed", color = col_gris) +
  geom_line(aes(y = acumulado), color = col_base, linewidth = 1) +
  geom_point(aes(y = acumulado, text = paste0(rango, ". ", ciudad, "<br>Ventas: ", fm(ventas),
                                              "<br>Acumulado: ", fp(acumulado))),
             color = col_base, size = 1.8) +
  geom_hline(yintercept = c(0.5, 0.8), color = col_neg, linetype = "dotted") +
  annotate("text", x = n50 + 7, y = 0.45, label = paste0(n50, " ciudades = 50 %"), color = col_neg, size = 3.6) +
  annotate("text", x = n80 + 7, y = 0.75, label = paste0(n80, " ciudades = 80 %"), color = col_neg, size = 3.6) +
  scale_y_continuous(labels = label_percent(), limits = c(0, 1)) +
  labs(title = "Figura 3. Las ventas están repartidas entre ciudades; el riesgo está en los minoristas",
       x = "Ciudades ordenadas de mayor a menor venta", y = "% acumulado de las ventas") +
  tema
interactivo(p3, "Curva de Pareto de 52 ciudades · línea gris = reparto perfectamente igual")
# Índice de Herfindahl-Hirschman (HHI): suma de participaciones al cuadrado (en %)
hhi <- function(x) sum((x / sum(x) * 100)^2)
dis <- resumen_seg(datos, distribuidor) %>% arrange(desc(ventas))
hhi_tab <- tibble::tibble(
  `Dimensión` = c("Minorista (6)", "Ciudad (52)", "Región (5)"),
  HHI = c(hhi(dis$ventas), hhi(ciu$ventas), hhi(reg$ventas)),
  `HHI si el reparto fuera igual` = c(10000/6, 10000/52, 10000/5),
  Lectura = c("Concentración moderada (1.500–2.500)", "Baja concentración", "Reparto cercano al igual")) %>%
  mutate(across(2:3, ~fn(.x)))
tabla(hhi_tab, "Tabla 5. Concentración de ventas (índice Herfindahl-Hirschman)")
Tabla 5. Concentración de ventas (índice Herfindahl-Hirschman)
Dimensión HHI HHI si el reparto fuera igual Lectura
Minorista (6) 2.004 1.667 Concentración moderada (1.500–2.500)
Ciudad (52) 240 192 Baja concentración
Región (5) 2.158 2.000 Reparto cercano al igual
top2 <- sum(dis$part_ventas[1:2])

Lectura: para llegar al 80 % de las ventas hacen falta 32 de las 52 ciudades, así que no hay dependencia de pocas ciudades. La concentración está en los minoristas: West Gear y Foot Locker suman el 51,1 % de las ventas (HHI = 2.004, concentración moderada). Implicación: el poder de negociación de dos minoristas afecta la mitad del negocio. Una acción comercial con ellos tiene mucho alcance, y también representa un riesgo de dependencia.

5 Diagnóstico y hallazgos

5.1 Hallazgo 1 · Vender más no significa ganar más

¿Los segmentos que más venden son también los que más utilidad generan?

# Participación en ventas vs participación en utilidad para las 4 dimensiones del negocio
dims <- bind_rows(
  resumen_seg(datos, segmento = region)       %>% mutate(dimension = "Región"),
  resumen_seg(datos, segmento = metodo_venta) %>% mutate(dimension = "Canal"),
  resumen_seg(datos, segmento = distribuidor) %>% mutate(dimension = "Minorista"),
  resumen_seg(datos, segmento = producto)     %>% mutate(dimension = "Producto")) %>%
  mutate(dimension = factor(dimension, c("Región", "Canal", "Minorista", "Producto")),
         segmento  = reorder(segmento, part_ventas),
         balance   = ifelse(part_utilidad >= part_ventas, "Aporta más utilidad que ventas",
                                                          "Aporta menos utilidad que ventas"),
         tip = paste0("<b>", segmento, "</b><br>% ventas: ", fp(part_ventas), "<br>% utilidad: ",
                      fp(part_utilidad), "<br>Margen: ", fp(margen), "<br>Índice relativo: ",
                      fn(indice_relativo, 2)))

p4 <- ggplot(dims, aes(y = segmento)) +
  geom_segment(aes(x = part_ventas, xend = part_utilidad, yend = segmento, color = balance),
               linewidth = 1.6) +
  geom_point(aes(x = part_ventas, text = tip), color = col_gris, size = 3.5) +
  geom_point(aes(x = part_utilidad, color = balance, text = tip), size = 3.5) +
  facet_wrap(~dimension, scales = "free", ncol = 1) +
  scale_color_manual(values = c("Aporta más utilidad que ventas" = col_pos,
                                "Aporta menos utilidad que ventas" = col_neg), name = NULL) +
  scale_x_continuous(labels = label_percent(accuracy = 1)) +
  labs(title = "Figura 4. West y el canal In-store pesan más en ventas que en utilidad",
       x = "Participación sobre el total (gris = ventas · color = utilidad)", y = NULL) +
  tema
interactivo(p4, "Cada línea va de la participación en ventas (gris) a la participación en utilidad (color)", alto = 900) %>%
  layout(margin = list(t = 85, l = 175))
# Indicadores financieros derivados por segmento (la base no permite ROI/ROE: ver Limitaciones)
ind <- dims %>% arrange(dimension, desc(ventas)) %>%
  transmute(Segmento = as.character(segmento),
            `Ventas` = fm(ventas), `% ventas` = fp(part_ventas), `% utilidad` = fp(part_utilidad),
            `Margen agregado` = fp(margen), `Índice relativo` = fn(indice_relativo, 2),
            `Precio medio (u.m.)` = fn(precio_medio, 2), `Utilidad / unidad (u.m.)` = fn(utilidad_unidad, 2),
            `Utilidad / costo oper.` = fn(rend_costo, 3))
tabla(ind, "Tabla 6. Indicadores financieros derivados por segmento") %>%
  pack_rows(index = table(dims$dimension)[levels(dims$dimension)]) %>%
  footnote(general = "Índice relativo = % utilidad / % ventas (>1 aporta más utilidad que ventas). Utilidad / costo oper. = utilidad / (ventas − utilidad); NO es ROI.")
Tabla 6. Indicadores financieros derivados por segmento
Segmento Ventas % ventas % utilidad Margen agregado Índice relativo Precio medio (u.m.) Utilidad / unidad (u.m.) Utilidad / costo oper.
Región
West 36,44 M u.m. 30,3 % 27,6 % 35,7 % 0,91 53,04 18,95 0,556
Northeast 25,08 M u.m. 20,9 % 20,6 % 38,8 % 0,99 50,03 19,42 0,634
Southeast 21,37 M u.m. 17,8 % 17,8 % 39,3 % 1,00 52,52 20,62 0,647
South 20,60 M u.m. 17,1 % 19,5 % 44,8 % 1,14 41,85 18,73 0,810
Midwest 16,67 M u.m. 13,9 % 14,5 % 41,1 % 1,05 42,61 17,53 0,699
Canal
Online 44,97 M u.m. 37,4 % 41,4 % 43,5 % 1,11 47,88 20,82 0,769
Outlet 39,54 M u.m. 32,9 % 31,6 % 37,7 % 0,96 46,53 17,55 0,606
In-store 35,66 M u.m. 29,7 % 27,0 % 35,8 % 0,91 51,69 18,49 0,557
Minorista
West Gear 32,41 M u.m. 27,0 % 25,8 % 37,6 % 0,96 51,83 19,51 0,603
Foot Locker 29,02 M u.m. 24,2 % 24,0 % 39,0 % 0,99 48,03 18,73 0,639
Sports Direct 24,62 M u.m. 20,5 % 22,5 % 43,2 % 1,10 44,14 19,08 0,761
Kohl’s 13,51 M u.m. 11,2 % 11,0 % 38,4 % 0,98 47,02 18,03 0,622
Walmart 10,51 M u.m. 8,7 % 8,3 % 37,1 % 0,95 50,94 18,92 0,591
Amazon 10,10 M u.m. 8,4 % 8,4 % 39,5 % 1,00 51,00 20,12 0,652
Producto
Men’s Street Footwear 27,68 M u.m. 23,0 % 24,6 % 42,0 % 1,07 46,65 19,60 0,724
Women’s Apparel 23,87 M u.m. 19,9 % 20,5 % 40,6 % 1,03 55,02 22,33 0,683
Men’s Athletic Footwear 20,58 M u.m. 17,1 % 15,7 % 36,1 % 0,92 47,25 17,08 0,566
Women’s Street Footwear 17,20 M u.m. 14,3 % 13,8 % 37,8 % 0,96 43,85 16,56 0,606
Men’s Apparel 16,52 M u.m. 13,7 % 13,5 % 38,6 % 0,98 53,87 20,81 0,629
Women’s Athletic Footwear 14,32 M u.m. 11,9 % 11,9 % 39,1 % 1,00 45,13 17,65 0,642
Note:
Índice relativo = % utilidad / % ventas (>1 aporta más utilidad que ventas). Utilidad / costo oper. = utilidad / (ventas − utilidad); NO es ROI.
instore <- can %>% filter(metodo_venta == "In-store")

Evidencia: West es la región que más vende (30,3 % de las ventas), pero solo aporta el 27,6 % de la utilidad (índice 0,91). Con In-store pasa lo mismo: 29,7 % de las ventas y 27,0 % de la utilidad. Online es el caso contrario (índice 1,11). Interpretación: cada u.m. vendida en West deja menos utilidad que el promedio. Por cada u.m. de costo operativo, West genera 0,56 u.m. de utilidad, frente a 0,65 del total de la empresa. Implicación: medir el desempeño solo por ventas lleva a premiar segmentos que destruyen margen relativo. El comité debería seguir utilidad y margen, no solo facturación.

5.2 Hallazgo 2 · La brecha de West es de tasa, no de mezcla

¿Qué combinaciones minorista × región explican el problema?

mr <- resumen_seg(datos, distribuidor, region) %>%
  mutate(tip = paste0("<b>", distribuidor, " · ", region, "</b><br>Ventas: ", fm(ventas),
                      "<br>Margen: ", fp(margen), "<br>Utilidad: ", fm(utilidad)),
         etiqueta = ifelse(ventas > 8.5e6 | margen < 0.30 | margen > 0.47,
                           paste(distribuidor, region, sep = " · "), ""),
         arriba = margen >= tot$margen)
med_vent <- median(mr$ventas)

p5 <- ggplot(mr, aes(x = ventas / 1e6, y = margen)) +
  geom_hline(yintercept = tot$margen, linetype = "dashed", color = "grey50") +
  geom_vline(xintercept = med_vent / 1e6, linetype = "dashed", color = "grey50") +
  geom_point(aes(size = utilidad, color = region, text = tip), alpha = 0.8) +
  geom_text(data = filter(mr, arriba),  aes(label = etiqueta), size = 3.2, nudge_y = 0.016, color = "grey20") +
  geom_text(data = filter(mr, !arriba), aes(label = etiqueta), size = 3.2, nudge_y = -0.016, color = "grey20") +
  annotate("text", x = 16, y = 0.51, label = "Alto volumen · alto margen", color = col_pos, size = 3.5) +
  annotate("text", x = 16, y = 0.265, label = "Alto volumen · bajo margen<br>(recuperar margen)", color = col_neg, size = 3.5) +
  annotate("text", x = 2.2, y = 0.505, label = "Bajo volumen · alto margen<br>(potencial de crecimiento)", color = col_pos, size = 3.5) +
  scale_color_manual(values = col_region, name = "Región") +
  scale_size_continuous(range = c(2, 16), guide = "none") +
  scale_x_continuous(labels = label_number(suffix = " M", decimal.mark = ","), limits = c(0, 21)) +
  scale_y_continuous(labels = label_percent(accuracy = 1), limits = c(0.24, 0.52)) +
  labs(title = "Figura 5. West Gear en West: la mayor combinación del negocio, con margen bajo el promedio",
       x = "Ventas (millones de u.m.)", y = "Margen operativo agregado") +
  tema
interactivo(p5, "Cada burbuja = minorista × región · tamaño = utilidad · líneas = margen total y mediana de ventas")
wgw <- mr %>% filter(distribuidor == "West Gear", region == "West")
wal_w <- mr %>% filter(distribuidor == "Walmart", region == "West")

Lectura: la combinación más grande de todo el negocio es West Gear en West: 18,70 M u.m. (15,6 % de las ventas totales), con un margen de 35,3 %, 4,0 pp por debajo del total. Walmart en West tiene el margen más bajo de todas las combinaciones (27,3 %), aunque con poco volumen. Implicación: una mejora pequeña de margen en West Gear-West vale más que una grande en un segmento marginal.

¿La brecha de West aparece en todos los productos o solo en algunos?

rp <- resumen_seg(datos, region, producto) %>%
  mutate(desvio = margen - tot$margen,
         tip = paste0("<b>", producto, " · ", region, "</b><br>Margen: ", fp(margen),
                      "<br>Ventas: ", fm(ventas), "<br>Desvío vs total: ", fpp(desvio)))
orden_reg <- reg %>% arrange(margen) %>% pull(region)

p6 <- ggplot(rp, aes(x = factor(region, orden_reg), y = producto, fill = desvio)) +
  geom_tile(aes(text = tip), color = "white", linewidth = 1) +
  geom_text(aes(label = fp(margen)), size = 3.6,
            color = ifelse(abs(rp$desvio) > 0.07, "white", "grey15")) +
  scale_fill_gradient2(low = col_neg, mid = "#F7F7F7", high = col_pos, midpoint = 0,
                       labels = label_number(scale = 100, suffix = " pp", decimal.mark = ","),
                       name = "Desvío vs margen total") +
  labs(title = "Figura 6. En West, la ropa de mujer y el calzado deportivo de hombre son las celdas más débiles",
       x = "Región (ordenada de menor a mayor margen)", y = NULL) +
  tema + theme(panel.grid = element_blank(), legend.key.width = unit(1.6, "cm"))
interactivo(p6, paste0("Margen operativo agregado por región × producto · color = desvío frente al margen total (", fp(tot$margen), ")"))
wa  <- rp %>% filter(producto == "Women's Apparel")
maw <- rp %>% filter(producto == "Men's Athletic Footwear", region == "West")

Lectura: la ropa de mujer (Women’s Apparel) muestra el mayor contraste regional: 29,8 % en West frente a 52,1 % en South, es decir, 22,3 pp de diferencia en el mismo producto. El calzado deportivo de hombre en West (31,9 %) también está muy por debajo del total. Implicación: el plan para West puede focalizarse en dos categorías en lugar de intervenir toda la región.

¿West gana menos porque vende por canales de bajo margen? (explicación alternativa)

rc <- resumen_seg(datos, region, metodo_venta) %>% group_by(region) %>%
  mutate(part_region = ventas / sum(ventas)) %>% ungroup() %>%
  left_join(reg %>% select(region, margen_region = margen), by = "region") %>%
  mutate(region_lab = paste0(region, " (", fp(margen_region), ")"),
         tip = paste0("<b>", region, " · ", metodo_venta, "</b><br>% de las ventas de la región: ",
                      fp(part_region), "<br>Margen del canal en la región: ", fp(margen)))
orden_lab <- rc %>% distinct(region_lab, margen_region) %>% arrange(margen_region) %>% pull(region_lab)

p7 <- ggplot(rc, aes(y = factor(region_lab, orden_lab), x = part_region, fill = metodo_venta)) +
  geom_col(aes(text = tip), width = 0.7, color = "white") +
  geom_text(aes(label = ifelse(part_region > 0.06, paste0(fp(part_region, 0), "\nm: ", fp(margen, 0)), "")),
            position = position_stack(vjust = 0.5), size = 3, color = "white") +
  scale_fill_manual(values = c("In-store" = "#6B7A90", "Online" = col_pos, "Outlet" = col_base), name = "Canal") +
  scale_x_continuous(labels = label_percent()) +
  labs(title = "Figura 7. West tiene el margen más bajo de su canal en los tres canales",
       x = "Mezcla de ventas por canal dentro de cada región (m = margen del canal)",
       y = "Región (margen agregado)") +
  tema
interactivo(p7, "Barras al 100 %: composición de ventas por canal · etiqueta = participación y margen del canal en esa región")
min_canal <- rc %>% group_by(metodo_venta) %>% slice_min(margen, n = 1)
west_min  <- sum(min_canal$region == "West")
ne_on <- rc %>% filter(region == "Northeast", metodo_venta == "Online")
ne_in <- rc %>% filter(region == "Northeast", metodo_venta == "In-store")

Lectura: la mezcla de canales de West no es atípica. Lo decisivo es que West tiene el margen más bajo en 3 de los 3 canales, así que el problema lo arrastra a donde venda. Hay un segundo dato estratégico: en Northeast, Online tiene un margen de 48,6 %, el más alto de todas las combinaciones región × canal, pero solo pesa 18,4 % de las ventas de la región. Implicación: en Northeast hay un espacio claro para crecer en el canal más rentable.

Si todas las regiones y canales tuvieran la misma mezcla, ¿se mantienen las brechas?

# Margen estandarizado: cada segmento se evalúa con los pesos de ventas de la empresa total
# Regiones: pesos comunes producto × canal  ·  Canales: pesos comunes región × producto
w_reg <- resumen_seg(datos, producto, metodo_venta) %>% transmute(producto, metodo_venta, w = part_ventas)
std_reg <- resumen_seg(datos, region, producto, metodo_venta) %>%
  inner_join(w_reg, by = c("producto", "metodo_venta")) %>%
  group_by(segmento = region) %>% summarise(estandarizado = sum(margen * w) / sum(w)) %>%
  left_join(reg %>% select(segmento = region, observado = margen), by = "segmento") %>%
  mutate(dimension = "Región (pesos comunes producto × canal)")

w_can <- resumen_seg(datos, region, producto) %>% transmute(region, producto, w = part_ventas)
std_can <- resumen_seg(datos, metodo_venta, region, producto) %>%
  inner_join(w_can, by = c("region", "producto")) %>%
  group_by(segmento = metodo_venta) %>% summarise(estandarizado = sum(margen * w) / sum(w)) %>%
  left_join(can %>% select(segmento = metodo_venta, observado = margen), by = "segmento") %>%
  mutate(dimension = "Canal (pesos comunes región × producto)")

std <- bind_rows(std_reg, std_can) %>%
  mutate(segmento = reorder(segmento, estandarizado),
         tip = paste0("<b>", segmento, "</b><br>Observado: ", fp(observado),
                      "<br>Con mezcla común: ", fp(estandarizado)))
std_l <- std %>% pivot_longer(c(observado, estandarizado), names_to = "medida", values_to = "valor") %>%
  mutate(medida = recode(medida, observado = "Margen observado", estandarizado = "Margen con mezcla común"))

p8 <- ggplot(std, aes(y = segmento)) +
  geom_vline(xintercept = tot$margen, linetype = "dotted", color = "grey40") +
  geom_segment(aes(x = observado, xend = estandarizado, yend = segmento), color = col_gris, linewidth = 1.2) +
  geom_point(data = std_l, aes(x = valor, color = medida, shape = medida, text = tip), size = 4) +
  facet_wrap(~dimension, scales = "free_y", ncol = 1) +
  scale_color_manual(values = c("Margen observado" = col_base, "Margen con mezcla común" = col_neg), name = NULL) +
  scale_shape_manual(values = c("Margen observado" = 16, "Margen con mezcla común" = 18), name = NULL) +
  scale_x_continuous(labels = label_percent(accuracy = 1), breaks = seq(0.34, 0.48, 0.02)) +
  labs(title = "Figura 8. Las brechas se mantienen al igualar la mezcla: son diferencias de tasa",
       x = "Margen operativo agregado", y = NULL) +
  tema
interactivo(p8, "Si el punto rojo queda cerca del azul, la composición NO explica la brecha · punteada = margen total")
x_oi <- resumen_seg(datos, region, producto, metodo_venta) %>%
  select(region, producto, metodo_venta, margen) %>%
  pivot_wider(names_from = metodo_venta, values_from = margen)
gana_on <- sum(x_oi$Online > x_oi$`In-store`, na.rm = TRUE)
comp_on <- sum(!is.na(x_oi$Online) & !is.na(x_oi$`In-store`))
sw <- std_reg %>% filter(segmento == "West"); ss <- std_reg %>% filter(segmento == "South")
so <- std_can %>% filter(segmento == "Online"); si <- std_can %>% filter(segmento == "In-store")
sn <- std_reg %>% filter(segmento == "Northeast")

Evidencia: con la mezcla de productos y canales de la empresa, West pasaría de 35,7 % a solo 36,2 %, y la brecha con South seguiría en 7,1 pp. Online mantiene 7,8 pp de ventaja sobre In-store con la misma mezcla región × producto, y supera a In-store en 29 de 30 combinaciones región × producto comparables. Excepción: Northeast pasaría de 38,8 % a 40,8 % con la mezcla común; su margen bajo sí se explica por la composición (vende mucho por In-store y poco por Online). Esto refuerza la acción 2. Interpretación: en West y en los canales, las diferencias no se explican por qué se vende, sino por cómo se vende: precios, descuentos, condiciones con el minorista o costos. Esto es un hallazgo comprobado sobre la base. La causa concreta sigue siendo una hipótesis. Hipótesis alternativas que la base no permite descartar: (a) costos logísticos o de arriendo más altos en la costa oeste; (b) condiciones comerciales de West Gear (descuentos o rebates); (c) promociones concentradas en un periodo, que no se puede verificar porque no hay fecha. Para validarlas se necesita: costos por región, condiciones contractuales por minorista y fecha de cada registro.

5.3 Hallazgo 3 · El volumen por registro se asocia con un margen menor

¿Cómo se relacionan precio, volumen y rentabilidad?

vars <- datos %>% select(`Precio unidad` = precio_unidad, `Unidades` = unidades_vendidas,
                         `Ventas` = ventas_total, `Utilidad` = utilidad_operativa, `Margen` = margen_operativo)
cm <- cor(vars)
cm_l <- as.data.frame(as.table(cm)) %>% setNames(c("v1", "v2", "r")) %>%
  mutate(v1 = factor(v1, colnames(cm)), v2 = factor(v2, rev(colnames(cm))))

p9 <- ggplot(cm_l, aes(v1, v2, fill = r)) +
  geom_tile(aes(text = paste0(v1, " vs ", v2, "<br>r = ", fn(r, 2))), color = "white") +
  geom_text(aes(label = fn(r, 2)), size = 4, color = ifelse(abs(cm_l$r) > 0.6, "white", "grey15")) +
  scale_fill_gradient2(low = col_neg, mid = "white", high = col_base, limits = c(-1, 1), name = "r de Pearson") +
  labs(title = "Figura 9. A más unidades por registro, menor margen (r negativo)", x = NULL, y = NULL) +
  tema + theme(panel.grid = element_blank())
interactivo(p9, paste0("Matriz de correlación de Pearson entre variables numéricas · n = ", fn(nrow(datos)), " registros"))

¿La relación volumen–margen del total se mantiene dentro de cada canal?

r_can <- datos %>% group_by(metodo_venta) %>%
  summarise(r = cor(unidades_vendidas, margen_operativo)) %>%
  mutate(canal_lab = paste0(metodo_venta, " (r = ", fn(r, 2), ")"))
r_prod <- datos %>% group_by(producto) %>% summarise(r = cor(unidades_vendidas, margen_operativo))
r_reg  <- datos %>% group_by(region) %>% summarise(r = cor(unidades_vendidas, margen_operativo))
d10 <- datos %>% left_join(r_can, by = "metodo_venta")

set.seed(123)   # para que el jitter sea reproducible
p10 <- ggplot(d10, aes(x = unidades_vendidas, y = margen_operativo)) +
  geom_jitter(aes(text = paste0(distribuidor, " · ", ciudad, "<br>", producto,
                                "<br>Unidades: ", unidades_vendidas, "<br>Margen: ", fp(margen_operativo))),
              alpha = 0.12, size = 0.8, width = 0, height = 0.004, color = col_base) +
  geom_smooth(method = "lm", se = TRUE, color = col_neg, fill = col_neg, alpha = 0.2) +
  facet_wrap(~canal_lab) +
  scale_y_continuous(labels = label_percent(accuracy = 1)) +
  scale_x_continuous(labels = label_number(big.mark = ".", decimal.mark = ",")) +
  labs(title = "Figura 10. La relación negativa se concentra en Online; en In-store se invierte",
       x = "Unidades vendidas por registro", y = "Margen operativo") +
  tema
interactivo(p10, "Cada punto = un registro · línea roja = tendencia lineal con intervalo de confianza del 95 %")
r_total <- cor(datos$unidades_vendidas, datos$margen_operativo)

Evidencia: en el total, unidades y margen tienen una correlación de r = -0,31. Al separar por producto la relación negativa se mantiene, e incluso se fortalece (r entre -0,52 y -0,23). También se mantiene en las 5 regiones (entre -0,39 y -0,27). Por canal, en cambio, cambia: en Online es -0,34 y en In-store se vuelve positiva (0,13). Interpretación (hipótesis): los pedidos grandes por canales digitales y de outlet parecen venderse con descuento por volumen, mientras que en tienda física el volumen no castiga el margen. Correlación no es causalidad: puede haber factores no observados, como el tipo de cliente o promociones. Implicación: la política de descuentos por volumen en Online y Outlet es una palanca de margen que vale la pena auditar. El precio por sí solo casi no se relaciona con el margen (r = -0,14), por lo que subir precios no es, según esta evidencia, la palanca principal.

5.4 Hallazgo 4 · Qué rinde más por unidad vendida

¿Qué producto deja más utilidad por unidad y por cada u.m. de costo?

prod <- resumen_seg(datos, producto) %>%
  select(producto, `Utilidad por unidad (u.m.)` = utilidad_unidad,
         `Utilidad por u.m. de costo operativo` = rend_costo, part_ventas, precio_medio) %>%
  pivot_longer(2:3, names_to = "indicador", values_to = "valor") %>%
  mutate(indicador = factor(indicador, c("Utilidad por unidad (u.m.)", "Utilidad por u.m. de costo operativo"))) %>%
  group_by(indicador) %>% mutate(destaca = valor == max(valor)) %>% ungroup() %>%
  mutate(producto = reorder(producto, valor),
         tip = paste0("<b>", producto, "</b><br>", indicador, ": ", fn(valor, 2),
                      "<br>Precio medio: ", fn(precio_medio, 2), " u.m.<br>% ventas: ", fp(part_ventas)))

p11 <- ggplot(prod, aes(y = producto, x = valor)) +
  geom_segment(aes(x = 0, xend = valor, yend = producto), color = col_gris, linewidth = 1.2) +
  geom_point(aes(color = destaca, text = tip), size = 4.5) +
  geom_text(data = function(x) filter(x, indicador == "Utilidad por unidad (u.m.)"),
            aes(label = fn(valor, 2)), nudge_x = 2.6, size = 3.5) +
  geom_text(data = function(x) filter(x, indicador != "Utilidad por unidad (u.m.)"),
            aes(label = fn(valor, 2)), nudge_x = 0.09, size = 3.5) +
  facet_wrap(~indicador, scales = "free_x") +
  scale_color_manual(values = c(`TRUE` = col_pos, `FALSE` = col_base), guide = "none") +
  scale_x_continuous(expand = expansion(mult = c(0, 0.25)),
                     labels = function(x) fn(x, ifelse(max(x, na.rm = TRUE) < 5, 2, 0))) +
  labs(title = "Figura 11. La ropa de mujer es la categoría más rentable por unidad", x = NULL, y = NULL) +
  tema + theme(panel.spacing.x = unit(2.5, "lines"))
interactivo(p11, "Indicadores financieros derivados por producto (verde = máximo de cada indicador)", leyenda = FALSE)
pr <- resumen_seg(datos, producto) %>% arrange(desc(utilidad_unidad))
pv <- resumen_seg(datos, producto) %>% arrange(desc(ventas))
pc <- resumen_seg(datos, producto) %>% arrange(desc(rend_costo))

Lectura: Women’s Apparel deja 22,33 u.m. de utilidad por unidad, la cifra más alta, mientras que Men’s Street Footwear lidera en ventas (23,0 %) y también en utilidad por u.m. de costo operativo (0,72). Son dos fortalezas distintas: la ropa de mujer gana más por cada unidad, y el calzado urbano de hombre convierte mejor su costo en utilidad. Implicación: proteger la disponibilidad de la ropa de mujer es prioritario. Al mismo tiempo, esta categoría es la que más margen pierde en West (Figura 6), así que ahí se juntan oportunidad y problema.

6 Recomendaciones

# Escenarios ilustrativos (NO son pronósticos): suponen ventas constantes y sin costos incrementales
esc_A <- west$ventas * 0.02                                   # +2 pp de margen en West
esc_A_foco <- (wgw$ventas) * 0.02                             # parte atribuible a West Gear-West
ne <- reg %>% filter(region == "Northeast")
esc_B <- ne$ventas * 0.05 * (ne_on$margen - ne_in$margen)     # trasladar 5 pp de ventas NE de In-store a Online

wf <- tibble::tibble(
  paso  = c("A. +2 pp de margen en West", "B. Online +5 pp de mezcla en Northeast", "Utilidad incremental total"),
  valor = c(esc_A, esc_B, esc_A + esc_B)) %>%
  mutate(fin = c(cumsum(valor[1:2]), valor[3]), ini = c(0, valor[1], 0),
         tipo = c("Acción", "Acción", "Total"),
         paso = factor(paso, paso),
         tip = paste0("<b>", paso, "</b><br>", fm(valor, 3), "<br>", fp(valor / tot$utilidad, 2), " de la utilidad actual"))

p12 <- ggplot(wf, aes(x = as.numeric(paso))) +
  geom_rect(aes(xmin = as.numeric(paso) - 0.35, xmax = as.numeric(paso) + 0.35,
                ymin = ini / 1e3, ymax = fin / 1e3, fill = tipo, text = tip)) +
  geom_text(aes(y = fin / 1e3, label = paste0("+", fn(valor / 1e3), " mil u.m.")), nudge_y = 45, size = 3.8) +
  scale_fill_manual(values = c("Acción" = col_pos, "Total" = col_base), guide = "none") +
  scale_x_continuous(breaks = 1:3, labels = levels(wf$paso)) +
  scale_y_continuous(labels = label_number(big.mark = "."), expand = expansion(mult = c(0, 0.15))) +
  labs(title = "Figura 12. Escenario ilustrativo: utilidad operativa incremental de las acciones",
       x = NULL, y = "Miles de u.m.") +
  tema
interactivo(p12, "Propuesta, no resultado demostrado · supone ventas constantes, márgenes observados y sin costos incrementales", leyenda = FALSE)

Las cifras de la Figura 12 son escenarios, no pronósticos. Sumarían 0,88 M u.m. (1,86 % de la utilidad actual) bajo los supuestos indicados. No incluyen costos de implementación, canibalización entre canales ni la reacción de los minoristas.

acciones <- tibble::tibble(
  Prioridad = c("1", "2", "3"),
  `Acción` = c("Plan de recuperación de margen en West, enfocado en West Gear y en las celdas ropa de mujer y calzado deportivo de hombre",
               "Piloto de crecimiento Online en Northeast (calzado y ropa), con grupo de control",
               "Cerrar brechas de información: fecha, ID de transacción, costos por región y condiciones por minorista"),
  Evidencia = c(paste0("West: ", fp(west$part_ventas), " de las ventas con margen ", fp(west$margen),
                       "; brecha de tasa (Fig. 8); West Gear-West = ", fm(wgw$ventas), " a ", fp(wgw$margen)),
                paste0("Online NE: margen ", fp(ne_on$margen), " con solo ", fp(ne_on$part_region),
                       " de las ventas de NE; Online gana en ", gana_on, "/", comp_on, " celdas"),
                paste0(n_dup, " duplicados sin forma de validarlos; sin fecha ni costos no se puede confirmar la causa de las brechas")),
  `Beneficio esperado (escenario)` = c(paste0("+", fm(esc_A, 2), " por cada +2 pp (", fm(esc_A_foco, 2), " solo en West Gear-West)"),
                                       paste0("+", fm(esc_B, 2), " si 5 pp de las ventas de NE pasan a Online"),
                                       "Decisiones verificables; permite escalar 1 y 2 con evidencia causal"),
  `Riesgo / supuesto` = c("Pérdida de volumen si se reducen descuentos; reacción de West Gear (concentra la cuarta parte de las ventas)",
                          "Canibalización de In-store; costos logísticos y de devoluciones no observados",
                          "Costo y tiempo de integración de sistemas"),
  Responsable = c("Dirección Comercial West + Finanzas", "E-commerce + Comercial Northeast + Finanzas", "Datos / BI + Finanzas"),
  `KPI de seguimiento` = c("Margen agregado West y West Gear-West (meta propuesta: +2 pp)",
                           "Utilidad incremental neta del piloto vs. grupo control; % Online en NE",
                           "% de registros con fecha, ID y costo conciliado"))
tabla(acciones, "Tabla 7. Acciones priorizadas") %>%
  column_spec(2, width = "16em") %>% column_spec(3, width = "14em")
Tabla 7. Acciones priorizadas
Prioridad Acción Evidencia Beneficio esperado (escenario) Riesgo / supuesto Responsable KPI de seguimiento
1 Plan de recuperación de margen en West, enfocado en West Gear y en las celdas ropa de mujer y calzado deportivo de hombre West: 30,3 % de las ventas con margen 35,7 %; brecha de tasa (Fig. 8); West Gear-West = 18,70 M u.m. a 35,3 % +0,73 M u.m. por cada +2 pp (0,37 M u.m. solo en West Gear-West) Pérdida de volumen si se reducen descuentos; reacción de West Gear (concentra la cuarta parte de las ventas) Dirección Comercial West + Finanzas Margen agregado West y West Gear-West (meta propuesta: +2 pp)
2 Piloto de crecimiento Online en Northeast (calzado y ropa), con grupo de control Online NE: margen 48,6 % con solo 18,4 % de las ventas de NE; Online gana en 29/30 celdas +0,15 M u.m. si 5 pp de las ventas de NE pasan a Online Canibalización de In-store; costos logísticos y de devoluciones no observados E-commerce + Comercial Northeast + Finanzas Utilidad incremental neta del piloto vs. grupo control; % Online en NE
3 Cerrar brechas de información: fecha, ID de transacción, costos por región y condiciones por minorista 262 duplicados sin forma de validarlos; sin fecha ni costos no se puede confirmar la causa de las brechas Decisiones verificables; permite escalar 1 y 2 con evidencia causal Costo y tiempo de integración de sistemas Datos / BI + Finanzas % de registros con fecha, ID y costo conciliado

Decisión que se solicita al comité: aprobar (1) el plan de margen en West con meta de seguimiento trimestral y (2) un piloto Online acotado en Northeast, condicionando su escalamiento a que la utilidad incremental se confirme con costos completos (acción 3). Posible objeción: “Si Online tiene el mejor margen, ¿por qué no mover toda la inversión a Online?” Respuesta: la base muestra que el margen observado de Online es mayor, pero no demuestra que siga igual si el canal crece (la relación negativa volumen–margen es más fuerte justamente en Online, Figura 10), ni incluye sus costos logísticos y de devoluciones. Por eso proponemos un piloto con medición, no una reasignación total.

7 Limitaciones e información adicional necesaria

  • Sin fecha: no se pueden medir crecimiento, estacionalidad ni el efecto de promociones. Ninguna conclusión de este informe es temporal.
  • Sin ROI, ROE, ROA ni EBITDA: la base llega solo hasta la utilidad operativa por registro. El ROI y el ROA requieren inversión o activos, el ROE requiere patrimonio y utilidad neta (después de intereses e impuestos) y el EBITDA requiere depreciación y amortización. Para no salir del alcance de los datos, en su lugar se usaron indicadores derivados válidos: margen agregado, utilidad por unidad, utilidad por u.m. de costo operativo, índice relativo y concentración (HHI).
  • Costos no desagregados: el costo operativo implícito (ventas − utilidad) no separa costo de producto, logística, descuentos o arriendo, por lo que la causa de las brechas de margen es una hipótesis.
  • Granularidad desconocida y 262 duplicados: se trataron con un análisis de sensibilidad (Tabla 3), sin impacto material.
  • Correlación no es causalidad: las relaciones de las Figuras 9 y 10 son asociaciones. Los escenarios de la Figura 12 son ilustrativos.
  • Qué podría cambiar la recomendación: que los costos logísticos de Online fueran altos (afectaría la acción 2) o que el margen de West reflejara un periodo promocional puntual (afectaría la acción 1).

8 Anexo: soporte reproducible

  • Fuente: DatosCaso1.xlsx, hoja Data Sales Adidas, suministrada en el curso.
  • Paquetes: readxl, dplyr, tidyr, ggplot2, plotly, knitr, kableExtra, scales.
  • Reproducibilidad: todo el código está en los bloques desplegables (botón Code). Las cifras del texto se calculan en línea desde el código, no se digitan a mano. Para reproducir el informe, el archivo Excel debe estar en la misma carpeta que este .Rmd.
sessionInfo()
## R version 4.6.1 (2026-06-24)
## Platform: aarch64-apple-darwin23
## Running under: macOS Golden Gate 27.2.1
## 
## Matrix products: default
## BLAS:   /Library/Frameworks/R.framework/Versions/4.6/Resources/lib/libRblas.0.dylib 
## LAPACK: /Library/Frameworks/R.framework/Versions/4.6/Resources/lib/libRlapack.dylib;  LAPACK version 3.12.1
## 
## locale:
## [1] en_US.UTF-8/en_US.UTF-8/en_US.UTF-8/C/en_US.UTF-8/en_US.UTF-8
## 
## time zone: America/Bogota
## tzcode source: internal
## 
## attached base packages:
## [1] stats     graphics  grDevices utils     datasets  methods   base     
## 
## other attached packages:
## [1] scales_1.4.0     kableExtra_1.4.1 knitr_1.52       plotly_4.12.1   
## [5] ggplot2_4.0.3    tidyr_1.3.2      dplyr_1.2.1      readxl_1.6.0    
## 
## loaded via a namespace (and not attached):
##  [1] sass_0.4.10         generics_0.1.4      xml2_1.6.0         
##  [4] lattice_0.22-9      stringi_1.8.9       digest_0.6.39      
##  [7] magrittr_2.0.5      evaluate_1.0.5      grid_4.6.1         
## [10] RColorBrewer_1.1-3  fastmap_1.2.0       Matrix_1.7-5       
## [13] cellranger_1.1.0    jsonlite_2.0.0      mgcv_1.9-4         
## [16] httr_1.4.9          purrr_1.2.2         crosstalk_1.2.2    
## [19] viridisLite_0.4.3   textshaping_1.0.5   jquerylib_0.1.4    
## [22] cli_3.6.6           rlang_1.3.0         splines_4.6.1      
## [25] withr_3.0.3         cachem_1.1.0        yaml_2.3.12        
## [28] otel_0.2.0          tools_4.6.1         vctrs_0.7.3        
## [31] R6_2.6.1            lifecycle_1.0.5     stringr_1.6.0      
## [34] htmlwidgets_1.6.4   pkgconfig_2.0.3     pillar_1.11.1      
## [37] bslib_0.12.0        gtable_0.3.6        glue_1.8.1         
## [40] data.table_1.18.6.1 systemfonts_1.3.2   xfun_0.62          
## [43] tibble_3.3.1        tidyselect_1.2.1    rstudioapi_0.19.0  
## [46] farver_2.1.2        nlme_3.1-169        htmltools_0.5.9    
## [49] rmarkdown_2.32      svglite_2.2.2       labeling_0.4.3     
## [52] compiler_4.6.1      S7_0.2.2