Ventas de una Tienda

 Rendimiento de la Tienda la Inteligente

Introducción 

Consideremos un Comercio que en un principio realizaba ventas mensuales de 100 electrodomésticos los cuales pueden ser apreciables en el siguiente Dataset. https://drive.google.com/file/d/1Mt6RH4GgyVhYBBZxoeB_p3Cny-RFdabm/view?usp=drive_link

Si de todas las ventas la ganancia total de la tienda fue del 30 % de toda la ganancia durante un año. Pero debido a un incendio se quemó toda la mercadería

Problema

Considerando la perdida, realice un análisis de mercadeo en el que se observe las ventas en cada mes e indique en que tiempo se podrá recuperar todo lo perdido.

Análisis

Primero veremos cómo es el comportamiento de la venta del primer mes, para ello realizaremos un pequeño análisis estadístico, para ello utilizaremos el siguiente código:

import matplotlib.pyplot as plt

import seaborn as sns

# Estadísticas descriptivas

descripcion = df.describe()

# Crear gráficas

plt.figure(figsize=(15, 10))

# Gráfica de distribución de precios

plt.subplot(2, 2, 1)

sns.histplot(df['Precio'], bins=30, kde=True)

plt.title('Distribución de Precios de Electrodomésticos')

plt.xlabel('Precio')

plt.ylabel('Frecuencia')

# Gráfica de ventas por categoría de precio

plt.subplot(2, 2, 2)

categorias_precios = ['< 500', '501 - 1300', '1301 - 2000']

ventas_por_categoria = [

    df[df['Precio'] < 500]['Unidades Vendidas'].sum(),

    df[(df['Precio'] >= 501) & (df['Precio'] <= 1300)]['Unidades Vendidas'].sum(),

    df[df['Precio'] > 1300]['Unidades Vendidas'].sum()

]

plt.bar(categorias_precios, ventas_por_categoria, color=['blue', 'orange', 'green'])

plt.title('Ventas por Categoría de Precio')

plt.xlabel('Categoría de Precio')

plt.ylabel('Unidades Vendidas')

# Gráfica de relación entre precio y ganancia por unidad

plt.subplot(2, 2, 3)

sns.scatterplot(x='Precio', y='Ganancia por Unidad', data=df)

plt.title('Relación entre Precio y Ganancia por Unidad')

plt.xlabel('Precio')

plt.ylabel('Ganancia por Unidad')

plt.tight_layout()

plt.show()

# Retornando las estadísticas descriptivas

descripcion

Estadísticas Descriptivas

• Precio:
  • Promedio: 934.78
  • Desviación Estándar: 574.46
  • Mínimo: 104.00
  • Máximo: 1988.00
• Unidades Vendidas:
  • Promedio: 183.5
  • Desviación Estándar: 102.75
  • Mínimo: 50
  • Máximo: 300
• Ganancia por Unidad:
  • Promedio: 230.17
  • Desviación Estándar: 196.80
  • Mínimo: 10.40
  • Máximo: 596.40
• Costo por Unidad:
  • Promedio: 704.62
  • Desviación Estándar: 382.69
  • Mínimo: 93.60
  • Máximo: 1391.60

Ahora realizaremos un análisis considerando que para poder subsanar el problema tuvimos que realizar un préstamo del banco, además consideraremos que las ventas fueron cambiando segun el siguiente modelo:

Ventas=Ventas en Enero×(0.01×n), donde

n es el número del mes (comenzando con 2 para febrero, 3 para marzo, y así sucesivamente hasta 12 para diciembre).

Para ello realizaremos un nuevo dataset (https://drive.google.com/file/d/1sK8-fCjzRd7-YgGo_Pu2qrH-_4STVqUM/view?usp=drive_link) utilizando el siguiente código:

# Calcular el monto total del préstamo basado en el costo inicial de toda la mercancía

monto_prestamo = df['Costo por Unidad'] * df['Unidades Vendidas']

monto_prestamo_total = monto_prestamo.sum()

# Estimar las ventas anuales para el próximo año (asumiendo que son constantes como en enero)

ventas_anuales = df['Unidades Vendidas'] * 12  # Ventas por 12 meses

# Calcular las ganancias anuales

ganancias_anuales = df['Ganancia por Unidad'] * ventas_anuales

# Total de ganancias anuales

ganancias_anuales_total = ganancias_anuales.sum()

# Tasa de interés del préstamo

tasa_interes = 0.25

# Calcular el monto total a devolver por el préstamo al final de un año

monto_devolucion = monto_prestamo_total * (1 + tasa_interes)

# Crear un DataFrame para el análisis del próximo año

analisis_proximo_año = pd.DataFrame({

    'Electrodoméstico': df['Electrodoméstico'],

    'Ventas Anuales': ventas_anuales,

    'Ganancias Anuales': ganancias_anuales

})

# Estimar el tiempo de recuperación en años

# Se considera la ganancia neta (ganancias - interés del préstamo)

ganancia_neta_anual = ganancias_anuales_total - (monto_prestamo_total * tasa_interes)

tiempo_recuperacion = monto_devolucion / ganancia_neta_anual if ganancia_neta_anual > 0 else "Indefinido"

monto_prestamo_total, ganancias_anuales_total, monto_devolucion, tiempo_recuperacion, analisis_proximo_año.head()

Ahora realizaremos un análisis estadístico:

• Ventas Anuales:
  • Promedio: 2,202 unidades
  • Desviación Estándar: 1,233.05 unidades
  • Mínimo: 600 unidades
  • Máximo: 3,600 unidades
• Ganancias Anuales:
  • Promedio: $275,059.80
  • Desviación Estándar: $146,255.39
  • Mínimo: $37,440
  • Máximo: $613,920

Observaciones de las Gráficas

1. Distribución de Ventas Anuales: La gráfica muestra una distribución bimodal, indicando que hay dos grupos principales de electrodomésticos en términos de ventas anuales: uno con ventas menores y otro con ventas mayores.

2. Distribución de Ganancias Anuales: Similar a la distribución de ventas, la gráfica de ganancias muestra también una distribución bimodal. Esto sugiere que hay una correlación directa entre las ventas y las ganancias anuales.

Conclusión 

1. Análisis de Ventas Iniciales:

   • Se generó un conjunto de datos detallado para una tienda de electrodomésticos, incluyendo precios, unidades vendidas, y ganancias por electrodoméstico.
   • Los electrodomésticos se agruparon en tres categorías de precios, con distintas unidades vendidas y márgenes de ganancia.
   • Se observó que los electrodomésticos más económicos tenían mayor volumen de ventas, mientras que los más caros generaban mayores ganancias por unidad.

2. Tendencia de Ventas Mensuales:

   • Se proyectó una disminución en las ventas a lo largo del año, siguiendo la fórmula $\text{Ventas}=\text{Ventas en Enero}\times (0.01\times �)$.
   • Esto reflejó una disminución estacional y constante en la demanda de electrodomésticos a lo largo del año.

3. Impacto del Incidente y Préstamo:

   • Tras un incidente que resultó en la pérdida de toda la mercancía, se calculó un préstamo necesario para reponer el inventario, con una tasa de interés del 25% anual.
   • Se estimó que el negocio podría recuperarse financieramente en aproximadamente 5.6 meses, asumiendo que las ventas se mantienen constantes y que todas las ganancias se destinan a pagar el préstamo.

4. Proyección de Ventas vs Deuda Acumulada:

   • La proyección mostró que, bajo las condiciones actuales, el negocio sería capaz de pagar completamente el préstamo en el primer año.
   • Las ventas anuales constantes y las altas ganancias indicaron una fuerte posición financiera para la recuperación y el crecimiento continuo del negocio.

Anexos

1. Creación de datos

Para poder realizar este problema se crearon datos ficticios de las ventas de una tienda, para ello se escribió el siguiente promt, el cual fue verificado en colab:

"Necesito realizar un estudio de campo de las ventas de una tienda de electrodomésticos, la información que tengo es que la misma tiene 100 electrodomésticos (podrías tu decidir cuales), los precios deben oscilar entre 100 y 2000 pesos, los electrodomésticos que cuestan menos de 500 son los que se venden una cantidad de 300 unidades, los que oscilan entre 501 y 1300 se vende 200 unidades y los que cuestan entre 1301 y 2000 se vende 50 unidades, las ganancias de los que cuentan menos de 500 es del 10%, los de 501 y 1300 un 20% y los de 1301 y 2000 un 30%. Si de todas las ventas la ganancia total de la tienda es el 30 % de toda la ganancia. podrías por favor ayudarme en generar un data set con los electrodomésticos, los precios de las unidades, los costos de cada unidad, la venta de cada unidad, la ganancia de cada unidad."