---
title: "Caso 1: Analítica descriptiva y diagnóstica"
subtitle: "Análisis de ventas y rentabilidad de Adidas"
author: "Juan Felipe Arboleda"
date: "Noviembre de 2026"
output:
  html_document:
    toc: true
    toc_float: true
    number_sections: true
    theme: flatly
    df_print: paged
---

# Introducción

Adidas es una empresa reconocida internacionalmente por la comercialización de productos deportivos, incluyendo calzado, ropa y accesorios. Su desempeño comercial depende de diferentes factores relacionados con los productos, los mercados, los distribuidores y los métodos de venta utilizados.

El análisis de las ventas y la rentabilidad resulta fundamental para comprender el comportamiento del negocio, identificar oportunidades comerciales y orientar la toma de decisiones.

En este trabajo se desarrolla un análisis descriptivo y diagnóstico de la información suministrada de Adidas, utilizando herramientas estadísticas y técnicas de visualización de datos en R.

El objetivo principal es identificar los segmentos que concentran las ventas, evaluar sus niveles de rentabilidad y determinar dónde conviene concentrar la atención de la empresa, a partir de evidencia cuantitativa.

La pregunta central que orienta el análisis es:

**¿Dónde conviene concentrar la atención de Adidas y por qué?**

# 1. Comprensión y preparación de los datos

## 1.1 Instalación y carga de librerías


``` r
library(readxl)
library(dplyr)
library(ggplot2)
library(knitr)
library(tidyr)
library(tidyverse)

Las librerías utilizadas permiten importar la base de datos, organizar la información, realizar cálculos estadísticos y construir visualizaciones que faciliten la interpretación de los resultados.

1.2 Carga de la base de datos

datos <- read_excel("DatosCaso1.xlsx", sheet = "Data Sales Adidas")

datos <- as.data.frame(datos)

head(datos)
##   distribuidor    region   estado   ciudad                  producto
## 1  Foot Locker Northeast New York New York     Men's Street Footwear
## 2  Foot Locker Northeast New York New York   Men's Athletic Footwear
## 3  Foot Locker Northeast New York New York   Women's Street Footwear
## 4  Foot Locker Northeast New York New York Women's Athletic Footwear
## 5  Foot Locker Northeast New York New York             Men's Apparel
## 6  Foot Locker Northeast New York New York           Women's Apparel
##   precio_unidad unidades_vendidas ventas_total utilidad_operativa
## 1            50              1200        60000            30000.0
## 2            50              1000        50000            15000.0
## 3            40              1000        40000            14000.0
## 4            45               850        38250            13387.5
## 5            60               900        54000            16200.0
## 6            50              1000        50000            12500.0
##   margen_operativo metodo_venta
## 1             0.50     In-store
## 2             0.30     In-store
## 3             0.35     In-store
## 4             0.35     In-store
## 5             0.30     In-store
## 6             0.25     In-store

La base de datos contiene información relacionada con las ventas de Adidas, incluyendo variables comerciales, geográficas y financieras.

La información permite analizar el comportamiento de las ventas desde diferentes dimensiones, tales como región, ciudad, producto, distribuidor y método de venta.

1.3 Dimensiones de la base

dim(datos)
## [1] 9648   11
colnames(datos)
##  [1] "distribuidor"       "region"             "estado"            
##  [4] "ciudad"             "producto"           "precio_unidad"     
##  [7] "unidades_vendidas"  "ventas_total"       "utilidad_operativa"
## [10] "margen_operativo"   "metodo_venta"
str(datos)
## 'data.frame':    9648 obs. of  11 variables:
##  $ distribuidor      : chr  "Foot Locker" "Foot Locker" "Foot Locker" "Foot Locker" ...
##  $ region            : chr  "Northeast" "Northeast" "Northeast" "Northeast" ...
##  $ estado            : chr  "New York" "New York" "New York" "New York" ...
##  $ ciudad            : chr  "New York" "New York" "New York" "New York" ...
##  $ producto          : chr  "Men's Street Footwear" "Men's Athletic Footwear" "Women's Street Footwear" "Women's Athletic Footwear" ...
##  $ precio_unidad     : num  50 50 40 45 60 50 50 50 40 45 ...
##  $ unidades_vendidas : num  1200 1000 1000 850 900 1000 1250 900 950 825 ...
##  $ ventas_total      : num  60000 50000 40000 38250 54000 ...
##  $ utilidad_operativa: num  30000 15000 14000 13388 16200 ...
##  $ margen_operativo  : num  0.5 0.3 0.35 0.35 0.3 0.25 0.5 0.3 0.35 0.35 ...
##  $ metodo_venta      : chr  "In-store" "In-store" "In-store" "In-store" ...

La revisión de las dimensiones permite conocer el número de registros y variables disponibles para el análisis.

La estructura de los datos permite identificar qué variables contienen información numérica y cuáles corresponden a categorías comerciales o geográficas.

Esta clasificación es importante porque las variables numéricas permiten realizar cálculos estadísticos, mientras que las variables categóricas permiten comparar el comportamiento del negocio entre segmentos.

1.4 Identificación de variables

variables <- data.frame(
  Variable = names(datos),
  Tipo = sapply(datos, class)
)

kable(variables)
Variable Tipo
distribuidor distribuidor character
region region character
estado estado character
ciudad ciudad character
producto producto character
precio_unidad precio_unidad numeric
unidades_vendidas unidades_vendidas numeric
ventas_total ventas_total numeric
utilidad_operativa utilidad_operativa numeric
margen_operativo margen_operativo numeric
metodo_venta metodo_venta character

Las variables numéricas permiten analizar precios, volumen de ventas, ingresos, utilidad y margen operativo.

Las variables categóricas permiten segmentar los resultados por región, ciudad, producto, distribuidor y método de venta.

La combinación de ambos tipos de variables permite evaluar no solamente cuánto vende Adidas, sino también dónde vende, qué vende, a través de quién vende y qué tan rentable es cada segmento.

1.5 Valores faltantes

faltantes <- colSums(is.na(datos))

kable(
  data.frame(
    Variable = names(faltantes),
    Valores_faltantes = as.numeric(faltantes)
  )
)
Variable Valores_faltantes
distribuidor 0
region 0
estado 0
ciudad 0
producto 0
precio_unidad 0
unidades_vendidas 0
ventas_total 0
utilidad_operativa 0
margen_operativo 0
metodo_venta 0

La revisión de valores faltantes permite identificar posibles limitaciones en la información disponible.

Los datos incompletos pueden afectar los cálculos estadísticos y las comparaciones entre segmentos.

Por esta razón, antes de realizar el análisis, es importante determinar si las variables utilizadas presentan información faltante y evaluar si esta situación puede afectar los resultados.

1.6 Registros duplicados

duplicados <- sum(duplicated(datos))

duplicados
## [1] 262

La identificación de registros duplicados permite evaluar la calidad de la información.

Sin embargo, los registros duplicados no se eliminan automáticamente, debido a que podrían representar operaciones comerciales legítimas con características similares.

Por lo tanto, los duplicados se documentan como una observación de calidad de datos y se conservan para el análisis principal, hasta contar con información suficiente para determinar su naturaleza.

1.7 Revisión de coherencia de las variables

datos <- datos %>%
  mutate(
    Diferencia_ventas = ventas_total -
      (precio_unidad * unidades_vendidas),

    Diferencia_utilidad = utilidad_operativa -
      (ventas_total * margen_operativo)
  )

resumen_coherencia <- datos %>%
  summarise(
    Registros = n(),

    Diferencias_ventas = sum(
      abs(Diferencia_ventas) > 0.01,
      na.rm = TRUE
    ),

    Diferencias_utilidad = sum(
      abs(Diferencia_utilidad) > 0.01,
      na.rm = TRUE
    ),

    Ventas_cero = sum(
      ventas_total == 0,
      na.rm = TRUE
    ),

    Unidades_cero = sum(
      unidades_vendidas == 0,
      na.rm = TRUE
    ),

    Valores_negativos_ventas = sum(
      ventas_total < 0,
      na.rm = TRUE
    ),

    Valores_negativos_utilidad = sum(
      utilidad_operativa < 0,
      na.rm = TRUE
    )
  )

kable(resumen_coherencia)
Registros Diferencias_ventas Diferencias_utilidad Ventas_cero Unidades_cero Valores_negativos_ventas Valores_negativos_utilidad
9648 0 0 4 4 0 0

La revisión de coherencia permite verificar si las variables financieras presentan relaciones matemáticas consistentes.

En particular, las ventas totales deberían corresponder aproximadamente al precio unitario multiplicado por las unidades vendidas.

De igual manera, la utilidad operativa debería guardar relación con las ventas y el margen operativo.

Las diferencias identificadas pueden indicar inconsistencias en los registros, errores de cálculo o situaciones que requieren una revisión adicional.

Esta validación es importante porque la confiabilidad de las conclusiones depende de la calidad de la información utilizada.

1.8 Valores atípicos

summary(datos$ventas_total)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##       0    4065    7804   12455   15864   82500
summary(datos$unidades_vendidas)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##     0.0   106.0   176.0   256.9   350.0  1275.0
summary(datos$precio_unidad)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    7.00   35.00   45.00   45.22   55.00  110.00

Los valores extremos pueden representar operaciones comerciales de gran magnitud, productos con precios particulares o registros que se diferencian significativamente del comportamiento habitual.

La presencia de valores atípicos no implica necesariamente que los registros sean incorrectos.

Por esta razón, no se eliminan automáticamente. Su comportamiento se analiza mediante estadísticas descriptivas y gráficos, con el propósito de determinar si representan características relevantes del negocio.

2. Análisis exploratorio

El análisis exploratorio permite comprender el comportamiento general de las ventas y la rentabilidad de Adidas.

A través de estadísticas descriptivas y visualizaciones, se busca identificar patrones, diferencias entre segmentos, concentración comercial y posibles relaciones entre las variables.

La exploración constituye la base para el diagnóstico posterior, debido a que permite identificar los segmentos que merecen una mayor atención desde una perspectiva comercial y financiera.

2.1 Estadísticas descriptivas

resumen <- datos %>%
  select(
    precio_unidad,
    unidades_vendidas,
    ventas_total,
    utilidad_operativa,
    margen_operativo
  ) %>%
  summary()

resumen
##  precio_unidad    unidades_vendidas  ventas_total   utilidad_operativa
##  Min.   :  7.00   Min.   :   0.0    Min.   :    0   Min.   :    0     
##  1st Qu.: 35.00   1st Qu.: 106.0    1st Qu.: 4065   1st Qu.: 1753     
##  Median : 45.00   Median : 176.0    Median : 7804   Median : 3263     
##  Mean   : 45.22   Mean   : 256.9    Mean   :12455   Mean   : 4895     
##  3rd Qu.: 55.00   3rd Qu.: 350.0    3rd Qu.:15864   3rd Qu.: 6192     
##  Max.   :110.00   Max.   :1275.0    Max.   :82500   Max.   :39000     
##  margen_operativo
##  Min.   :0.100   
##  1st Qu.:0.350   
##  Median :0.410   
##  Mean   :0.423   
##  3rd Qu.:0.490   
##  Max.   :0.800

Las estadísticas descriptivas permiten comprender las características generales de las variables numéricas.

El mínimo y máximo muestran el rango observado, mientras que los cuartiles permiten comprender cómo se distribuyen los registros.

La media representa el promedio de las observaciones, mientras que la mediana identifica el valor central de la distribución.

La diferencia entre la media y la mediana es especialmente importante cuando existen valores extremos. Si la media es superior a la mediana, puede indicar que algunos registros de magnitud elevada están incrementando el promedio.

Desde una perspectiva empresarial, esta situación significa que el comportamiento típico de las operaciones podría ser inferior al valor promedio observado.

Por su parte, la desviación estándar permite evaluar la variabilidad de las observaciones. Una desviación elevada indica que los registros presentan diferencias importantes entre sí.

Esto resulta relevante para Adidas, debido a que las ventas pueden estar distribuidas entre operaciones de diferentes magnitudes, productos y mercados.

2.2 Medidas de centralidad y dispersión

estadisticas <- datos %>%
  summarise(
    Precio_promedio = mean(precio_unidad, na.rm = TRUE),
    Precio_mediano = median(precio_unidad, na.rm = TRUE),
    Precio_desviacion = sd(precio_unidad, na.rm = TRUE),

    Unidades_promedio = mean(unidades_vendidas, na.rm = TRUE),
    Unidades_mediana = median(unidades_vendidas, na.rm = TRUE),
    Unidades_desviacion = sd(unidades_vendidas, na.rm = TRUE),

    Ventas_promedio = mean(ventas_total, na.rm = TRUE),
    Ventas_mediana = median(ventas_total, na.rm = TRUE),
    Ventas_desviacion = sd(ventas_total, na.rm = TRUE),

    Utilidad_promedio = mean(utilidad_operativa, na.rm = TRUE),
    Utilidad_mediana = median(utilidad_operativa, na.rm = TRUE),
    Utilidad_desviacion = sd(utilidad_operativa, na.rm = TRUE)
  )

kable(estadisticas, digits = 2)
Precio_promedio Precio_mediano Precio_desviacion Unidades_promedio Unidades_mediana Unidades_desviacion Ventas_promedio Ventas_mediana Ventas_desviacion Utilidad_promedio Utilidad_mediana Utilidad_desviacion
45.22 45 14.71 256.93 176 214.25 12455.08 7803.5 12716.39 4894.79 3262.98 4866.46

Las medidas de centralidad permiten identificar valores representativos de las variables, mientras que las medidas de dispersión permiten evaluar qué tan diferentes son las observaciones entre sí.

La comparación entre promedio y mediana permite identificar posibles asimetrías en la distribución de ventas, unidades y utilidad.

Una diferencia considerable entre ambas medidas puede indicar que existen registros de magnitud elevada que influyen en el promedio.

La desviación estándar permite comprender si Adidas presenta operaciones relativamente homogéneas o si existen diferencias importantes entre los registros.

Esta información es relevante para interpretar correctamente los resultados agregados, debido a que un promedio puede ocultar diferencias importantes entre segmentos comerciales.

2.3 Indicadores generales del negocio

ventas_totales <- sum(datos$ventas_total, na.rm = TRUE)

unidades_totales <- sum(datos$unidades_vendidas, na.rm = TRUE)

utilidad_total <- sum(datos$utilidad_operativa, na.rm = TRUE)

margen_general <- utilidad_total / ventas_totales * 100

indicadores <- data.frame(
  Indicador = c(
    "Ventas totales",
    "Unidades vendidas",
    "Utilidad operativa",
    "Margen operativo agregado"
  ),
  Resultado = c(
    ventas_totales,
    unidades_totales,
    utilidad_total,
    margen_general
  )
)

kable(indicadores, digits = 2)
Indicador Resultado
Ventas totales 120166650.0
Unidades vendidas 2478861.0
Utilidad operativa 47224967.7
Margen operativo agregado 39.3

Los indicadores generales permiten establecer una visión consolidada del desempeño comercial y financiero de Adidas.

Las ventas totales representan el valor económico generado por la comercialización de los productos.

Las unidades vendidas permiten comprender el volumen físico de la actividad comercial.

La utilidad operativa representa el resultado generado por la operación, mientras que el margen operativo permite evaluar qué proporción de las ventas se convierte en utilidad operativa.

La combinación de estos indicadores resulta fundamental para la toma de decisiones.

Un aumento en las ventas puede representar una expansión comercial, pero su impacto financiero depende de la capacidad de generar utilidad.

Por esta razón, el análisis debe considerar simultáneamente el volumen comercial y la rentabilidad.

El margen operativo agregado se calcula dividiendo la utilidad operativa total entre las ventas totales. Este indicador es más representativo que el promedio simple de los márgenes individuales, debido a que considera el peso relativo de cada registro en las ventas totales.

2.4 Análisis de ventas por región

analisis_region <- datos %>%
  group_by(region) %>%
  summarise(
    Ventas = sum(ventas_total, na.rm = TRUE),
    Unidades = sum(unidades_vendidas, na.rm = TRUE),
    Utilidad = sum(utilidad_operativa, na.rm = TRUE),
    .groups = "drop"
  ) %>%
  mutate(
    Participacion = Ventas / sum(Ventas) * 100,
    Margen = Utilidad / Ventas * 100
  ) %>%
  arrange(desc(Ventas))

kable(analisis_region, digits = 2)
region Ventas Unidades Utilidad Participacion Margen
West 36436157 686985 13017584 30.32 35.73
Northeast 25078267 501279 9732774 20.87 38.81
Southeast 21374436 407000 8393059 17.79 39.27
South 20603356 492260 9221605 17.15 44.76
Midwest 16674434 391337 6859945 13.88 41.14

La distribución de ventas por región permite identificar dónde se concentra la actividad comercial de Adidas y qué mercados tienen mayor importancia dentro de la estructura de ingresos.

La concentración de ventas en determinadas regiones puede representar una fortaleza comercial, debido a que evidencia mercados donde Adidas ha logrado una mayor presencia y capacidad de generación de ingresos.

Sin embargo, también implica que el desempeño global de la empresa puede depender en mayor medida del comportamiento de dichos mercados.

Desde una perspectiva estratégica, esta información permite orientar la asignación de recursos comerciales, evaluar la importancia relativa de cada región y establecer prioridades para el desarrollo de mercados.

No obstante, una región con mayores ventas no necesariamente es la más rentable. Por esta razón, el volumen comercial debe complementarse con el análisis de utilidad operativa y margen operativo.

Figura 1. Ventas totales por región

ggplot(
  analisis_region,
  aes(x = reorder(region, Ventas), y = Ventas)
) +
  geom_col(fill = "skyblue") +
  coord_flip() +
  labs(
    title = "Figura 1. Ventas totales por región",
    x = "Región",
    y = "Ventas"
  ) +
  theme_minimal()

La Figura 1 permite visualizar de manera comparativa la importancia comercial de cada región.

Las diferencias en las barras representan diferencias en la magnitud de las ventas, lo que permite identificar mercados con mayor contribución a los ingresos.

Una región con una participación elevada puede representar un mercado estratégico para Adidas, debido a que una parte importante de los resultados comerciales depende de su desempeño.

Sin embargo, esta concentración debe evaluarse junto con la rentabilidad, debido a que un mayor volumen de ventas no garantiza una mayor eficiencia financiera.

La pregunta empresarial que surge de esta gráfica es:

¿En qué mercados Adidas tiene una mayor exposición comercial y cuáles regiones son fundamentales para sostener sus ingresos?

Figura 2. Margen operativo por región

ggplot(
  analisis_region,
  aes(x = reorder(region, Margen), y = Margen)
) +
  geom_col(fill = "darkgreen") +
  coord_flip() +
  labs(
    title = "Figura 2. Margen operativo por región",
    x = "Región",
    y = "Margen operativo (%)"
  ) +
  theme_minimal()

El margen operativo por región permite comparar la eficiencia financiera de los diferentes mercados, independientemente de su tamaño comercial.

Esta comparación resulta especialmente importante porque una región puede generar un volumen elevado de ventas, pero convertir una proporción menor de esos ingresos en utilidad operativa.

Por el contrario, una región con menor volumen comercial puede presentar una mayor eficiencia relativa y generar un porcentaje superior de utilidad sobre sus ventas.

Las diferencias observadas entre regiones pueden estar relacionadas con factores como la composición de productos comercializados, las condiciones de precios, los descuentos, los costos logísticos o las características particulares de cada mercado.

Desde una perspectiva diagnóstica, las regiones con menores márgenes representan áreas que merecen una revisión más profunda.

La información disponible permite identificar las diferencias de rentabilidad, pero no establecer directamente cuál es el factor que las origina.

La pregunta empresarial que surge de esta gráfica es:

¿Dónde está generando Adidas una mayor rentabilidad relativa y en qué mercados podría existir una oportunidad de mejorar la eficiencia comercial?

2.5 Análisis de ventas por método de venta

analisis_metodo <- datos %>%
  group_by(metodo_venta) %>%
  summarise(
    Ventas = sum(ventas_total, na.rm = TRUE),
    Unidades = sum(unidades_vendidas, na.rm = TRUE),
    Utilidad = sum(utilidad_operativa, na.rm = TRUE),
    .groups = "drop"
  ) %>%
  mutate(
    Participacion = Ventas / sum(Ventas) * 100,
    Margen = Utilidad / Ventas * 100
  ) %>%
  arrange(desc(Ventas))

kable(analisis_metodo, digits = 2)
metodo_venta Ventas Unidades Utilidad Participacion Margen
Online 44965657 939093 19552538 37.42 43.48
Outlet 39536618 849778 14913301 32.90 37.72
In-store 35664375 689990 12759129 29.68 35.78

La distribución de ventas por método de venta permite comprender cómo se encuentran distribuidos los ingresos comerciales de Adidas entre los diferentes canales utilizados para comercializar sus productos.

La participación de cada método permite identificar cuáles canales tienen mayor importancia dentro de la estructura comercial.

Un canal con una participación elevada puede representar una fuente importante de ingresos y, por lo tanto, requerir una mayor atención en términos de gestión, seguimiento y asignación de recursos.

Desde una perspectiva comercial, la concentración de ventas en determinados canales puede indicar que Adidas ha desarrollado una mayor capacidad de comercialización a través de estos medios.

Sin embargo, una alta participación en ventas no necesariamente significa que el canal sea el más eficiente financieramente.

Por esta razón, la participación comercial debe analizarse conjuntamente con el margen operativo.

Figura 3. Ventas por método de venta

ggplot(
  analisis_metodo,
  aes(x = reorder(metodo_venta, Ventas), y = Ventas)
) +
  geom_col(fill = "skyblue") +
  coord_flip() +
  labs(
    title = "Figura 3. Ventas por método de venta",
    x = "Método de venta",
    y = "Ventas"
  ) +
  theme_minimal()

La Figura 3 permite identificar el método de venta que concentra la mayor actividad comercial.

La participación de cada método permite evaluar la importancia relativa de los canales utilizados por Adidas.

Una mayor participación comercial puede representar una oportunidad para fortalecer la estrategia de ventas, siempre que el canal también presente niveles adecuados de rentabilidad.

La pregunta empresarial que surge de esta gráfica es:

¿Qué canales representan la principal fuente de ingresos para Adidas y qué importancia tienen dentro de su estrategia comercial?

Figura 4. Margen operativo por método de venta

ggplot(
  analisis_metodo,
  aes(x = reorder(metodo_venta, Margen), y = Margen)
) +
  geom_col(fill = "darkgreen") +
  coord_flip() +
  labs(
    title = "Figura 4. Margen operativo por método de venta",
    x = "Método de venta",
    y = "Margen operativo (%)"
  ) +
  theme_minimal()

El margen operativo por método de venta permite evaluar la rentabilidad relativa de los diferentes canales comerciales.

Esta comparación es importante porque cada método de venta puede presentar características diferentes relacionadas con costos de operación, distribución, descuentos, estructura comercial y comportamiento de los clientes.

Un canal con mayor margen operativo indica que, proporcionalmente, una mayor parte de sus ventas se convierte en utilidad operativa.

Sin embargo, esto no significa necesariamente que sea el canal que genera la mayor utilidad absoluta, debido a que su volumen de ventas también debe ser considerado.

Desde el punto de vista de la gestión comercial, esta información permite identificar canales que podrían representar oportunidades para fortalecer la rentabilidad y canales que requieren una revisión de sus condiciones comerciales.

La pregunta empresarial que surge de esta gráfica es:

¿Adidas está generando la misma eficiencia financiera en todos sus canales de venta o existen diferencias que merecen una revisión estratégica?

2.6 Análisis de ventas por producto

analisis_producto <- datos %>%
  group_by(producto) %>%
  summarise(
    Ventas = sum(ventas_total, na.rm = TRUE),
    Unidades = sum(unidades_vendidas, na.rm = TRUE),
    Utilidad = sum(utilidad_operativa, na.rm = TRUE),
    .groups = "drop"
  ) %>%
  mutate(
    Participacion = Ventas / sum(Ventas) * 100,
    Margen = Utilidad / Ventas * 100
  ) %>%
  arrange(desc(Ventas))

kable(analisis_producto, digits = 2)
producto Ventas Unidades Utilidad Participacion Margen
Men’s Street Footwear 27680769 593320 11629046 23.04 42.01
Women’s Apparel 23870985 433827 9685221 19.86 40.57
Men’s Athletic Footwear 20577180 435526 7437457 17.12 36.14
Women’s Street Footwear 17201563 392269 6494017 14.31 37.75
Men’s Apparel 16520632 306683 6381405 13.75 38.63
Women’s Athletic Footwear 14315521 317236 5597822 11.91 39.10

El análisis de ventas por producto permite identificar las categorías que tienen una mayor contribución comercial de Adidas.

La distribución de las ventas entre productos permite comprender qué categorías representan una mayor proporción de los ingresos y cuáles tienen una participación relativamente menor.

Los productos con mayor volumen comercial pueden representar una fortaleza para la empresa, debido a que evidencian una mayor presencia dentro de la estructura de ventas.

Esta información puede orientar decisiones relacionadas con la planificación comercial, la disponibilidad de productos y la asignación de recursos.

Sin embargo, el volumen de ventas no es suficiente para determinar la conveniencia financiera de un producto.

Es necesario evaluar también su utilidad operativa y margen, debido a que productos con diferentes niveles de ventas pueden presentar diferencias importantes en rentabilidad.

Figura 5. Ventas por producto

ggplot(
  analisis_producto,
  aes(x = reorder(producto, Ventas), y = Ventas)
) +
  geom_col(fill = "skyblue") +
  coord_flip() +
  labs(
    title = "Figura 5. Ventas por producto",
    x = "Producto",
    y = "Ventas"
  ) +
  theme_minimal()

La Figura 5 permite identificar los productos que generan una mayor contribución comercial.

Los productos de mayor volumen pueden representar una oportunidad para fortalecer las estrategias comerciales y de distribución.

Sin embargo, la importancia de cada producto debe evaluarse considerando también su margen operativo y su contribución a la utilidad.

La pregunta empresarial que surge de esta gráfica es:

¿Qué categorías de productos concentran los ingresos de Adidas y qué productos representan una mayor importancia dentro del portafolio comercial?

Figura 6. Margen operativo por producto

ggplot(
  analisis_producto,
  aes(x = reorder(producto, Margen), y = Margen)
) +
  geom_col(fill = "darkgreen") +
  coord_flip() +
  labs(
    title = "Figura 6. Margen operativo por producto",
    x = "Producto",
    y = "Margen operativo (%)"
  ) +
  theme_minimal()

El margen operativo por producto permite evaluar la rentabilidad relativa de las diferentes categorías comercializadas por Adidas.

Esta comparación permite identificar productos que, proporcionalmente, generan una mayor utilidad operativa sobre sus ventas, así como productos que presentan menores niveles de rentabilidad.

La diferencia entre el producto con mayores ventas y el producto con mayor margen puede representar una oportunidad estratégica para la empresa.

En algunos casos, los productos de mayor volumen pueden tener una rentabilidad porcentual inferior a la de otras categorías.

Desde una perspectiva financiera, esta información permite evaluar la composición del portafolio y establecer estrategias diferenciadas para los productos.

La pregunta empresarial que surge de esta gráfica es:

¿Los productos que más vende Adidas son también los productos que presentan una mayor rentabilidad porcentual?

2.7 Análisis de ventas por distribuidor

analisis_distribuidor <- datos %>%
  group_by(distribuidor) %>%
  summarise(
    Ventas = sum(ventas_total, na.rm = TRUE),
    Unidades = sum(unidades_vendidas, na.rm = TRUE),
    Utilidad = sum(utilidad_operativa, na.rm = TRUE),
    .groups = "drop"
  ) %>%
  mutate(
    Participacion = Ventas / sum(Ventas) * 100,
    Margen = Utilidad / Ventas * 100
  ) %>%
  arrange(desc(Ventas))

kable(analisis_distribuidor, digits = 2)
distribuidor Ventas Unidades Utilidad Participacion Margen
West Gear 32409558 625262 12196891 26.97 37.63
Foot Locker 29024945 604369 11317027 24.15 38.99
Sports Direct 24616622 557640 10641609 20.49 43.23
Kohl’s 13512453 287375 5182260 11.24 38.35
Walmart 10506085 206225 3902749 8.74 37.15
Amazon 10096987 197990 3984432 8.40 39.46

El análisis de ventas por distribuidor permite identificar la importancia comercial de cada cliente o intermediario dentro de la estructura de ingresos de Adidas.

La distribución de las ventas permite observar si los ingresos se encuentran relativamente diversificados entre distribuidores o si existe una concentración importante en un grupo reducido de clientes.

Cuando una proporción significativa de las ventas depende de pocos distribuidores, estos adquieren una importancia estratégica para la empresa.

Esta concentración puede representar una ventaja debido a que permite focalizar los esfuerzos comerciales en clientes de gran importancia.

Sin embargo, también puede generar exposición ante cambios en las condiciones comerciales, reducción de pedidos o pérdida de relaciones comerciales estratégicas.

Desde el punto de vista gerencial, este análisis permite identificar los distribuidores que deben recibir una mayor atención y evaluar la conveniencia de fortalecer la diversificación comercial.

Figura 7. Ventas por distribuidor

ggplot(
  analisis_distribuidor,
  aes(x = reorder(distribuidor, Ventas), y = Ventas)
) +
  geom_col(fill = "skyblue") +
  coord_flip() +
  labs(
    title = "Figura 7. Ventas por distribuidor",
    x = "Distribuidor",
    y = "Ventas"
  ) +
  theme_minimal()

La Figura 7 permite identificar los distribuidores que concentran una mayor participación comercial.

La concentración de ventas en determinados distribuidores puede representar una fortaleza, debido a que permite focalizar los esfuerzos comerciales.

Sin embargo, también puede representar una dependencia comercial, por lo que es importante evaluar simultáneamente la rentabilidad y la participación de cada distribuidor.

La pregunta empresarial que surge de esta gráfica es:

¿Adidas depende comercialmente de un grupo reducido de distribuidores o sus ingresos se encuentran distribuidos de manera relativamente equilibrada?

Figura 8. Margen operativo por distribuidor

ggplot(
  analisis_distribuidor,
  aes(x = reorder(distribuidor, Margen), y = Margen)
) +
  geom_col(fill = "darkgreen") +
  coord_flip() +
  labs(
    title = "Figura 8. Margen operativo por distribuidor",
    x = "Distribuidor",
    y = "Margen operativo (%)"
  ) +
  theme_minimal()

El margen operativo por distribuidor permite evaluar la rentabilidad relativa de las relaciones comerciales establecidas con los diferentes distribuidores.

Esta comparación permite identificar distribuidores que generan una mayor proporción de utilidad sobre sus ventas y aquellos que presentan menores niveles de rentabilidad.

La diferencia entre distribuidores puede estar relacionada con factores como condiciones comerciales, descuentos, precios, composición de productos vendidos, volumen de pedidos o costos asociados a la operación.

Un distribuidor con una elevada participación en ventas y un margen inferior al de otros distribuidores puede representar una oportunidad para revisar las condiciones comerciales de la relación.

Sin embargo, la rentabilidad de un distribuidor no debe analizarse exclusivamente desde el margen porcentual.

También es necesario considerar la utilidad absoluta que genera y su importancia estratégica dentro del negocio.

La pregunta empresarial que surge de esta gráfica es:

¿Qué distribuidores contribuyen de manera más eficiente a la rentabilidad de Adidas y cuáles podrían requerir una revisión de sus condiciones comerciales?

2.8 Distribución de las ventas

Figura 9. Boxplot de ventas totales

ggplot(
  datos,
  aes(y = ventas_total)
) +
  geom_boxplot(
    fill = "lightblue",
    color = "black",
    outlier.colour = "red",
    outlier.shape = 16
  ) +
  labs(
    title = "Figura 9. Boxplot de ventas totales",
    y = "Ventas totales"
  ) +
  theme_minimal()

El boxplot permite analizar la distribución de las ventas e identificar la concentración de los registros alrededor de la mediana, así como la presencia de valores extremos.

La mediana representa el valor central de las ventas cuando los registros se ordenan de menor a mayor.

El rango intercuartílico permite observar la dispersión de la mitad central de las observaciones.

La presencia de valores extremos puede indicar que existen registros con ventas significativamente superiores al comportamiento habitual.

Desde una perspectiva comercial, estos registros pueden representar operaciones de gran volumen, productos con mayor demanda o características particulares de determinados segmentos.

Por lo tanto, los valores extremos no deben considerarse automáticamente errores.

Su importancia radica en que pueden influir considerablemente en los resultados agregados y en la interpretación del promedio de ventas.

El análisis de esta distribución permite comprender si el negocio presenta un comportamiento relativamente homogéneo o si una parte de las operaciones concentra valores elevados.

La pregunta empresarial que surge de esta gráfica es:

¿Las ventas de Adidas presentan un comportamiento relativamente uniforme o existen operaciones que concentran valores significativamente superiores al resto?

Figura 10. Boxplot de unidades vendidas

ggplot(
  datos,
  aes(y = unidades_vendidas)
) +
  geom_boxplot(
    fill = "lightgreen",
    color = "black",
    outlier.colour = "red",
    outlier.shape = 16
  ) +
  labs(
    title = "Figura 10. Boxplot de unidades vendidas",
    y = "Unidades vendidas"
  ) +
  theme_minimal()

El boxplot de unidades vendidas permite analizar la distribución del volumen comercializado por registro.

La mediana permite identificar el volumen central de unidades vendidas, mientras que el rango intercuartílico muestra la variabilidad de la mitad central de las observaciones.

La presencia de valores extremos puede indicar registros con volúmenes de comercialización considerablemente superiores al comportamiento habitual.

Estos registros pueden estar relacionados con productos de alta demanda, pedidos de mayor volumen o características particulares de los distribuidores y mercados.

Desde el punto de vista comercial, esta información resulta relevante para comprender la variabilidad del volumen de ventas y evaluar si las operaciones de Adidas presentan características relativamente homogéneas o si existen diferencias importantes entre los registros.

La identificación de estos valores permite orientar análisis posteriores sobre los productos, distribuidores y regiones que generan los mayores volúmenes comerciales.

La pregunta empresarial que surge de esta gráfica es:

¿El volumen de ventas de Adidas se encuentra distribuido de manera uniforme o existen registros que representan operaciones de gran escala?

2.9 Relación entre variables

Correlación entre precio y unidades vendidas

cor_precio_unidades <- cor(
  datos$precio_unidad,
  datos$unidades_vendidas,
  use = "complete.obs"
)

cor_precio_unidades
## [1] 0.2658685

Figura 11. Relación entre precio y unidades vendidas

ggplot(
  datos,
  aes(x = precio_unidad, y = unidades_vendidas)
) +
  geom_point(color = "skyblue", alpha = 0.7) +
  geom_smooth(method = "lm", color = "grey", se = TRUE) +
  labs(
    title = paste(
      "Figura 11. Relación entre precio y unidades vendidas",
      "\nCorrelación:",
      round(cor_precio_unidades, 2)
    ),
    x = "Precio por unidad",
    y = "Unidades vendidas"
  ) +
  theme_minimal()
## `geom_smooth()` using formula = 'y ~ x'

El gráfico de dispersión permite explorar la relación entre el precio unitario y las unidades vendidas.

Cada punto representa un registro de la base de datos y permite observar cómo se comporta el volumen comercializado frente a diferentes niveles de precio.

La línea de tendencia facilita identificar la dirección general de la relación entre las variables.

Una pendiente negativa podría indicar que, en los registros analizados, los mayores precios se encuentran asociados con menores volúmenes vendidos.

Por el contrario, una pendiente positiva podría indicar una asociación en sentido contrario.

La intensidad de la relación puede complementarse mediante el coeficiente de correlación, el cual permite evaluar qué tan fuerte es la asociación lineal entre las variables.

Sin embargo, esta relación debe interpretarse con cautela.

El precio y las unidades vendidas pueden estar influenciados por factores como el tipo de producto, la región, el distribuidor y el método de venta.

Por lo tanto, el gráfico permite identificar una asociación estadística, pero no demuestra que los cambios en el precio sean la causa directa de los cambios en las unidades vendidas.

La pregunta empresarial que surge de esta gráfica es:

¿Existe una asociación entre los precios de los productos y el volumen comercializado, y qué información adicional sería necesaria para comprender esta relación?

Correlación entre ventas y utilidad operativa

cor_ventas_utilidad <- cor(
  datos$ventas_total,
  datos$utilidad_operativa,
  use = "complete.obs"
)

cor_ventas_utilidad
## [1] 0.9353717

Figura 12. Relación entre ventas y utilidad operativa

ggplot(
  datos,
  aes(x = ventas_total, y = utilidad_operativa)
) +
  geom_point(color = "skyblue", alpha = 0.7) +
  geom_smooth(method = "lm", color = "grey", se = TRUE) +
  labs(
    title = paste(
      "Figura 12. Relación entre ventas y utilidad operativa",
      "\nCorrelación:",
      round(cor_ventas_utilidad, 2)
    ),
    x = "Ventas totales",
    y = "Utilidad operativa"
  ) +
  theme_minimal()
## `geom_smooth()` using formula = 'y ~ x'

El gráfico de dispersión permite explorar la relación entre el volumen de ventas y la utilidad operativa generada por los registros de Adidas.

La relación entre ambas variables es relevante desde una perspectiva financiera, debido a que permite evaluar si los registros con mayores ventas también tienden a generar mayores niveles de utilidad.

Una asociación positiva indicaría que los registros con mayores ventas tienden a presentar mayores utilidades operativas.

Sin embargo, esta relación no necesariamente implica que la rentabilidad porcentual sea superior.

La utilidad operativa depende tanto del volumen comercial como del margen generado.

Por esta razón, pueden existir registros con ventas elevadas y utilidad importante, pero con márgenes porcentuales inferiores a otros registros de menor volumen.

Este análisis permite comprender la relación entre crecimiento comercial y generación de utilidad, aunque no reemplaza la comparación de márgenes entre segmentos.

Desde el punto de vista empresarial, el objetivo no debería ser únicamente aumentar las ventas, sino fortalecer la capacidad de convertir esas ventas en utilidad operativa.

La pregunta empresarial que surge de esta gráfica es:

¿El crecimiento del volumen comercial está asociado con una mayor generación de utilidad operativa?

2.10 Concentración de ventas por distribuidor

concentracion <- analisis_distribuidor %>%
  arrange(desc(Ventas)) %>%
  mutate(
    Participacion_acumulada = cumsum(Participacion)
  )

kable(concentracion, digits = 2)
distribuidor Ventas Unidades Utilidad Participacion Margen Participacion_acumulada
West Gear 32409558 625262 12196891 26.97 37.63 26.97
Foot Locker 29024945 604369 11317027 24.15 38.99 51.12
Sports Direct 24616622 557640 10641609 20.49 43.23 71.61
Kohl’s 13512453 287375 5182260 11.24 38.35 82.85
Walmart 10506085 206225 3902749 8.74 37.15 91.60
Amazon 10096987 197990 3984432 8.40 39.46 100.00

El análisis de concentración permite evaluar qué proporción de las ventas totales se encuentra representada por los principales distribuidores.

La participación acumulada permite observar cómo se incrementa la concentración comercial a medida que se incorporan distribuidores de mayor volumen.

Este análisis resulta relevante porque permite identificar el nivel de dependencia comercial de Adidas frente a sus principales clientes.

Una elevada concentración puede facilitar la gestión comercial y fortalecer las relaciones con clientes estratégicos.

Sin embargo, también puede representar un riesgo si la empresa depende significativamente de un número reducido de distribuidores.

Desde una perspectiva estratégica, la empresa debe buscar un equilibrio entre fortalecer las relaciones con los distribuidores de mayor importancia y desarrollar oportunidades comerciales que permitan reducir la dependencia de clientes específicos.

La concentración comercial debe evaluarse conjuntamente con la rentabilidad de los distribuidores, debido a que un cliente con una elevada participación en ventas no necesariamente genera el mayor margen operativo.

2.11 Análisis de ventas por ciudad

analisis_ciudad <- datos %>%
  group_by(ciudad, region) %>%
  summarise(
    Ventas = sum(ventas_total, na.rm = TRUE),
    Unidades = sum(unidades_vendidas, na.rm = TRUE),
    Utilidad = sum(utilidad_operativa, na.rm = TRUE),
    .groups = "drop"
  ) %>%
  mutate(
    Participacion = Ventas / sum(Ventas) * 100,
    Margen = Utilidad / Ventas * 100
  ) %>%
  arrange(desc(Ventas))

kable(head(analisis_ciudad, 10), digits = 2)
ciudad region Ventas Unidades Utilidad Participacion Margen
New York Northeast 5676160 111954 2114664.4 4.72 37.26
San Francisco West 4929220 86900 1581993.3 4.10 32.09
Orlando Southeast 3946476 60295 1342206.6 3.28 34.01
Miami Southeast 3874113 73135 1579387.9 3.22 40.77
Los Angeles West 3651288 76384 1378158.3 3.04 37.74
Houston South 3629632 90322 1494772.3 3.02 41.18
Charleston Southeast 3593112 72610 1469157.6 2.99 40.89
New Orleans South 3377031 57615 1424389.7 2.81 42.18
Seattle West 3222093 46611 927709.4 2.68 28.79
Richmond Southeast 3074415 52969 1174799.4 2.56 38.21

El análisis por ciudad permite identificar los mercados geográficos que concentran la mayor actividad comercial.

Esta información complementa el análisis regional, debido a que permite identificar mercados específicos que pueden estar impulsando los resultados de una región.

La concentración de ventas en determinadas ciudades puede representar una oportunidad para fortalecer las estrategias comerciales, mejorar la disponibilidad de productos y focalizar los recursos en mercados de mayor importancia.

Sin embargo, las diferencias de ventas entre ciudades no necesariamente reflejan diferencias en la demanda de los consumidores.

También pueden estar relacionadas con la cantidad de distribuidores presentes, la cobertura comercial, la disponibilidad de productos o las características de los mercados.

Por lo tanto, las ciudades de mayor volumen deben considerarse mercados prioritarios para análisis posteriores, pero se requiere información adicional para determinar las causas de su desempeño.

Figura 13. Top 10 ciudades por ventas

top_ciudades <- analisis_ciudad %>%
  arrange(desc(Ventas)) %>%
  slice_head(n = 10)

ggplot(
  top_ciudades,
  aes(x = reorder(ciudad, Ventas), y = Ventas)
) +
  geom_col(fill = "skyblue") +
  coord_flip() +
  labs(
    title = "Figura 13. Top 10 ciudades por ventas",
    x = "Ciudad",
    y = "Ventas"
  ) +
  theme_minimal()

La Figura 13 permite identificar las ciudades que presentan mayor contribución comercial.

La concentración de ventas en determinados mercados puede orientar las decisiones relacionadas con la distribución, la estrategia comercial y la asignación de recursos.

La pregunta empresarial que surge de esta gráfica es:

¿Qué mercados geográficos concentran la actividad comercial de Adidas y dónde podría existir una oportunidad de fortalecer su presencia?

3. Diagnóstico

El diagnóstico busca profundizar en los patrones identificados durante el análisis exploratorio.

A diferencia de la etapa descriptiva, esta sección busca comparar segmentos y evaluar posibles explicaciones de los resultados observados.

Las diferencias identificadas deben interpretarse como evidencia de comportamiento comercial, mientras que las posibles causas se plantean como hipótesis que requieren información adicional para ser validadas.

3.1 Hallazgo 1. Concentración comercial en distribuidores

top3_distribuidores <- concentracion %>%
  slice_head(n = 3)

participacion_top3 <- sum(
  top3_distribuidores$Participacion
)

kable(top3_distribuidores, digits = 2)
distribuidor Ventas Unidades Utilidad Participacion Margen Participacion_acumulada
West Gear 32409558 625262 12196891 26.97 37.63 26.97
Foot Locker 29024945 604369 11317027 24.15 38.99 51.12
Sports Direct 24616622 557640 10641609 20.49 43.23 71.61

Los tres principales distribuidores concentran el 71.61% de las ventas totales.

Esta concentración evidencia la importancia de estos distribuidores para el desempeño comercial de Adidas.

Desde una perspectiva estratégica, la concentración puede representar una fortaleza debido a que permite focalizar los esfuerzos comerciales en clientes de gran importancia.

Sin embargo, también puede representar una exposición frente a cambios en las condiciones comerciales, reducción de pedidos o pérdida de alguno de los distribuidores estratégicos.

Por esta razón, se recomienda mantener una gestión comercial prioritaria de los principales distribuidores y evaluar simultáneamente oportunidades de diversificación.

Profundización del hallazgo 1

diagnostico_distribuidores <- analisis_distribuidor %>%
  arrange(desc(Ventas)) %>%
  select(
    distribuidor,
    Ventas,
    Participacion,
    Utilidad,
    Margen
  )

kable(diagnostico_distribuidores, digits = 2)
distribuidor Ventas Participacion Utilidad Margen
West Gear 32409558 26.97 12196891 37.63
Foot Locker 29024945 24.15 11317027 38.99
Sports Direct 24616622 20.49 10641609 43.23
Kohl’s 13512453 11.24 5182260 38.35
Walmart 10506085 8.74 3902749 37.15
Amazon 10096987 8.40 3984432 39.46

La comparación entre distribuidores permite evaluar si los clientes que concentran las mayores ventas también presentan una rentabilidad proporcionalmente elevada.

Esta información permite identificar distribuidores estratégicos desde dos perspectivas:

  • Importancia comercial: participación en las ventas.
  • Importancia financiera: contribución a la utilidad y margen operativo.

Un distribuidor con alta participación comercial y menor margen podría representar una oportunidad para revisar condiciones comerciales.

No obstante, las diferencias observadas no permiten establecer directamente que las condiciones comerciales sean la causa de los resultados.

Para validar esta hipótesis sería necesario contar con información adicional sobre descuentos, costos de distribución, precios negociados y composición de productos vendidos.

3.2 Hallazgo 2. Diferencias de rentabilidad entre regiones

region_mayor_ventas <- analisis_region %>%
  slice_max(Ventas, n = 1)

region_mayor_margen <- analisis_region %>%
  slice_max(Margen, n = 1)

region_menor_margen <- analisis_region %>%
  slice_min(Margen, n = 1)

kable(
  bind_rows(
    region_mayor_ventas,
    region_mayor_margen,
    region_menor_margen
  ),
  digits = 2
)
region Ventas Unidades Utilidad Participacion Margen
West 36436157 686985 13017584 30.32 35.73
South 20603356 492260 9221605 17.15 44.76
West 36436157 686985 13017584 30.32 35.73

Los resultados permiten identificar diferencias entre las regiones con mayor volumen comercial y aquellas con mayor rentabilidad porcentual.

La región con mayores ventas es West, mientras que la región con mayor margen operativo es South.

La región con menor margen operativo es West.

Este resultado evidencia que el volumen comercial y la rentabilidad porcentual no necesariamente presentan el mismo comportamiento.

La empresa debería profundizar en las características comerciales y operativas de las regiones con menores márgenes, evaluando posibles diferencias en precios, costos, productos vendidos y condiciones comerciales.

Profundización del hallazgo 2. Región y producto

region_producto <- datos %>%
  group_by(region, producto) %>%
  summarise(
    Ventas = sum(ventas_total, na.rm = TRUE),
    Unidades = sum(unidades_vendidas, na.rm = TRUE),
    Utilidad = sum(utilidad_operativa, na.rm = TRUE),
    .groups = "drop"
  ) %>%
  mutate(
    Margen = Utilidad / Ventas * 100
  )

kable(region_producto, digits = 2)
region producto Ventas Unidades Utilidad Margen
Midwest Men’s Apparel 2223786 45304 937479.3 42.16
Midwest Men’s Athletic Footwear 2619289 65120 970070.7 37.04
Midwest Men’s Street Footwear 4707360 109861 1948621.5 41.40
Midwest Women’s Apparel 3453008 69435 1585771.9 45.92
Midwest Women’s Athletic Footwear 1673543 44808 659186.7 39.39
Midwest Women’s Street Footwear 1997448 56809 758815.2 37.99
Northeast Men’s Apparel 3475037 62031 1183786.1 34.07
Northeast Men’s Athletic Footwear 3895862 81474 1474713.4 37.85
Northeast Men’s Street Footwear 6841324 134252 3030663.5 44.30
Northeast Women’s Apparel 5045208 90048 1917008.3 38.00
Northeast Women’s Athletic Footwear 2668013 59464 976505.5 36.60
Northeast Women’s Street Footwear 3152823 74010 1150097.2 36.48
South Men’s Apparel 2811194 60641 1102713.3 39.23
South Men’s Athletic Footwear 3647045 90079 1504995.5 41.27
South Men’s Street Footwear 4048261 106545 1738371.9 42.94
South Women’s Apparel 4224937 88740 2199137.0 52.05
South Women’s Athletic Footwear 2629097 63998 1277839.1 48.60
South Women’s Street Footwear 3242822 82257 1398548.5 43.13
Southeast Men’s Apparel 3183237 54385 1147871.7 36.06
Southeast Men’s Athletic Footwear 3653645 71129 1333466.5 36.50
Southeast Men’s Street Footwear 4693836 91867 2003885.7 42.69
Southeast Women’s Apparel 4109786 68839 1887044.9 45.92
Southeast Women’s Athletic Footwear 2674048 55292 976673.4 36.52
Southeast Women’s Street Footwear 3059884 65488 1044116.8 34.12
West Men’s Apparel 4827378 84322 2009554.9 41.63
West Men’s Athletic Footwear 6761339 127724 2154210.9 31.86
West Men’s Street Footwear 7389988 150795 2907503.0 39.34
West Women’s Apparel 7038046 116765 2096258.4 29.78
West Women’s Athletic Footwear 4670820 93674 1707617.8 36.56
West Women’s Street Footwear 5748586 113705 2142439.1 37.27

Este análisis permite observar el comportamiento de los productos dentro de cada región.

La comparación permite evaluar si las diferencias de rentabilidad regional podrían estar relacionadas con la composición de los productos vendidos.

Por ejemplo, una región puede presentar un margen inferior debido a una mayor participación de productos con menores márgenes.

Esta explicación constituye una hipótesis diagnóstica que requiere información adicional para ser validada.

Figura 14. Margen operativo por región y producto

ggplot(
  region_producto,
  aes(x = producto, y = Margen, fill = region)
) +
  geom_col(position = "dodge") +
  labs(
    title = "Figura 14. Margen operativo por región y producto",
    x = "Producto",
    y = "Margen operativo (%)",
    fill = "Región"
  ) +
  theme_minimal() +
  theme(
    axis.text.x = element_text(angle = 45, hjust = 1)
  )

La Figura 14 permite comparar el margen de los productos entre las diferentes regiones.

Si los márgenes de productos similares presentan diferencias entre regiones, podría existir una oportunidad para investigar factores regionales como precios, costos logísticos, descuentos o condiciones comerciales.

Si las diferencias disminuyen al comparar productos específicos, la composición del portafolio podría explicar parcialmente las diferencias de margen observadas a nivel regional.

3.3 Hallazgo 3. Diferencias de rentabilidad entre métodos de venta

metodo_mayor_margen <- analisis_metodo %>%
  slice_max(Margen, n = 1)

metodo_menor_margen <- analisis_metodo %>%
  slice_min(Margen, n = 1)

kable(
  bind_rows(
    metodo_mayor_margen,
    metodo_menor_margen
  ),
  digits = 2
)
metodo_venta Ventas Unidades Utilidad Participacion Margen
Online 44965657 939093 19552538 37.42 43.48
In-store 35664375 689990 12759129 29.68 35.78

Los métodos de venta presentan diferencias en sus márgenes operativos.

El método con mayor margen es Online, mientras que el método con menor margen es In-store.

La diferencia de rentabilidad puede estar relacionada con costos de operación, descuentos comerciales, composición de productos o características de los clientes.

La empresa debería evaluar la rentabilidad de cada canal antes de definir estrategias para aumentar su participación comercial.

Profundización del hallazgo 3

comparacion_metodos <- analisis_metodo %>%
  arrange(desc(Margen))

kable(comparacion_metodos, digits = 2)
metodo_venta Ventas Unidades Utilidad Participacion Margen
Online 44965657 939093 19552538 37.42 43.48
Outlet 39536618 849778 14913301 32.90 37.72
In-store 35664375 689990 12759129 29.68 35.78

La comparación entre métodos de venta permite evaluar si el canal de mayor rentabilidad también presenta una participación comercial importante.

El análisis debe considerar conjuntamente las ventas, la utilidad operativa y el margen, debido a que un método con mayor margen porcentual puede generar una utilidad absoluta inferior si su volumen de ventas es reducido.

Esta comparación permite identificar oportunidades para fortalecer los canales más rentables, sin asumir que las diferencias observadas son causadas exclusivamente por el método de venta.

4. Propuesta de acción

A partir de los resultados del análisis, se plantean tres acciones prioritarias.

Acción 1. Fortalecer la gestión de distribuidores estratégicos

Evidencia

Los principales distribuidores concentran una parte importante de las ventas.

Acción propuesta

Implementar un seguimiento periódico a los principales distribuidores, evaluando ventas, utilidad, margen operativo y evolución de pedidos.

Beneficio esperado

Fortalecer las relaciones comerciales con clientes estratégicos y reducir riesgos asociados a la concentración de ventas.

Riesgo o supuesto

La concentración no necesariamente representa un riesgo inmediato. Su impacto depende de la estabilidad de los distribuidores y de las condiciones comerciales.

Área responsable

Dirección Comercial y Finanzas.

Indicadores de seguimiento

  • Participación de los principales distribuidores en ventas.
  • Ventas por distribuidor.
  • Margen operativo por distribuidor.
  • Utilidad operativa por distribuidor.

Acción 2. Revisar las diferencias de rentabilidad regional

Evidencia

Las regiones presentan diferencias en ventas y margen operativo.

Acción propuesta

Analizar precios, costos, productos vendidos, descuentos y condiciones comerciales de las regiones con menores márgenes.

Beneficio esperado

Identificar oportunidades de mejora en la rentabilidad regional.

Riesgo o supuesto

Las diferencias de margen pueden estar relacionadas con la composición del portafolio o condiciones particulares del mercado.

Área responsable

Dirección Comercial y Finanzas.

Indicadores de seguimiento

  • Margen operativo por región.
  • Utilidad operativa por región.
  • Participación de ventas por región.
  • Evolución del margen regional.

Acción 3. Optimizar la combinación de productos y métodos de venta

Evidencia

Los productos y métodos de venta presentan diferencias en volumen comercial y margen operativo.

Acción propuesta

Evaluar las estrategias comerciales de productos y canales con menores márgenes, revisando precios, descuentos, costos asociados y composición de ventas.

Beneficio esperado

Mejorar la combinación comercial de productos y canales, fortaleciendo la utilidad operativa.

Riesgo o supuesto

Un producto o canal de menor margen puede continuar siendo estratégicamente importante por su volumen, posicionamiento o función dentro del portafolio.

Área responsable

Dirección Comercial y Finanzas.

Indicadores de seguimiento

  • Margen operativo por producto.
  • Margen operativo por método de venta.
  • Utilidad operativa por producto.
  • Participación de ventas por producto y canal.

5. Limitaciones del análisis

El análisis presenta las siguientes limitaciones:

6. Conclusiones

El análisis de la base de datos permitió identificar diferencias relevantes en el comportamiento comercial y financiero de Adidas a través de regiones, productos, distribuidores y métodos de venta.

Los resultados muestran la importancia de evaluar conjuntamente las ventas, la utilidad operativa y el margen operativo, debido a que los segmentos de mayor volumen no necesariamente presentan los mayores niveles de rentabilidad porcentual.

La concentración de ventas en determinados distribuidores representa un aspecto relevante para la gestión comercial, mientras que las diferencias regionales, por producto y método de venta ofrecen oportunidades para profundizar en la eficiencia comercial y financiera.

En consecuencia, se recomienda que Adidas concentre su atención en fortalecer la gestión de sus distribuidores estratégicos, revisar las diferencias de rentabilidad entre regiones y optimizar la combinación de productos y métodos de venta.

Estas acciones deberán complementarse con información adicional sobre costos, precios, descuentos, inventarios y características comerciales para validar las hipótesis planteadas y orientar decisiones de mayor precisión.

7. Reproducibilidad

El análisis fue desarrollado en R utilizando los siguientes paquetes:

El código permite reproducir las estadísticas, tablas y visualizaciones incluidas en el documento. ```