Análisis del rendimiento y optmización de la rentabilidad

Una empresa de retail necesita entender qué factores están impulsando sus ventas y su rentabilidad. Aunque las ventas parecen estables, existen diferencias importantes entre categorías, regiones y productos que afectan el profit final.

El objetivo del análisis es identificar oportunidades para mejorar la rentabilidad y apoyar la toma de decisiones estratégicas.

Problemas potenciales:

• Productos con altas ventas pero bajo profit

• Regiones con rendimiento desigual

• Categorías con margen bajo

Contexto del negocio

Objetivos del projecto

• Analizar el desempeño de ventas y profit por categoría y producto

• Identificar relación entre ventas y rentabilidad

• Detectar patrones regionales

• Crear un dashboard interactivo para toma de decisiones con los siguientes KPIs principales:

1. Total Sales

2. Total Profit

3. Profit Ratio

4. Sales by Category

5. Sales vs Profit relationship

Metodología de análisis

1. Data Preparation (Python)

• Procesamiento del dataset usando Python y Pandas

• Tareas realizadas:

• limpieza de datos

• exploración estadística

• verificación de valores nulos

• análisis descriptivo

• Ejemplo de métricas exploradas:

• Count: 3500 registros

• Mean Sales: 4.93

• Std Dev: 2.57

• Min: 1

• Max: 9

Esto permitió entender la distribución de los datos antes del análisis visual.

2. Data Analysis (SQL / Python)

• Se analizaron patrones clave:

• ventas por categoría

• relación entre ventas y profit

• distribución por producto

• análisis regional

• Esto permitió detectar:

• productos con alto revenue pero bajo margen

• diferencias entre categorías

3. Visualizaciones (Tableau)

• Sales by Category

Identifica qué categorías generan más revenue.

• Sales vs Profit Scatter Plot

Permite detectar productos rentables vs no rentables.

• Sales by Region

Compara desempeño geográfico.

• Profit Distribution

Analiza variabilidad de márgenes.

• Top Products by Sales

• Dashboard Ejecutivo (Tableau)

El dashboard incluye:

• KPIs

• Total Sales

• Total Profit

• Average Sales

• Number of Orders

Visualizaciones:

• Sales by Category

• Sales vs Profit

• Regional Performance

• Product Performance

Filtros interactivos:

• Year

• Region

• Category

Esto permite a los usuarios explorar el desempeño de ventas dinámicamente.

Principales descubrimientos

• Algunas categorías generan alto volumen de ventas pero menor rentabilidad.

• Existe una relación positiva entre sales y profit, pero con variaciones por producto.

• Ciertas regiones muestran mayor consistencia en ventas.

• Un pequeño grupo de productos representa una parte significativa del revenue.

Impacto de negocio

Este análisis permite a la empresa:

1. Identificar productos estratégicos

2. Detectar categorías con bajo margen

3. Optimizar decisiones de inventario

4. Priorizar regiones con mayor potencial

Herramientas usadas

Python:

• Pandas

• Exploratory Data Analysis

SQL:

• consultas analíticas

• agregaciones

Tableau:

• dashboards interactivos

• storytelling visual

Lecciones aprendidas

1. El análisis exploratorio ayuda a entender el comportamiento del dataset

2. La visualización facilita comunicar insights complejos

3. Los dashboards permiten democratizar el acceso a los datos

Proximos pasos

Posibles mejoras:

1. análisis predictivo de ventas

2. clustering de clientes

3. forecasting con Python

4. optimización de inventario

Flujo de trabajo técnico completo

En esta última parte se encuentra a detalle la parte técnica desde la obtención de datos en Kaggle hasta su limpieza con Power Query, modelado en Power Pivot, uso de DAX, Time Intelligence hasta la entrega del dashboard. En el siguiente enlace será redirigido al repositorio GitHub.