Skip to content

Update README.md #1

New issue

Have a question about this project? Sign up for a free GitHub account to open an issue and contact its maintainers and the community.

Sign up for GitHub

By clicking “Sign up for GitHub”, you agree to our terms of service and privacy statement. We’ll occasionally send you account related emails.

Already on GitHub? Sign in to your account

Open
luceldasilva wants to merge 1 commit into
base: main
Choose a base branch
from
Open

Update README.md #1

Changes from all commits
Commits
Show all changes
1 commit
Select commit
File filter

Filter by extension

Filter by extension
Conversations
Failed to load comments.
Loading
Jump to
Jump to file
Failed to load files.
Loading
Diff view
Diff view
137 changes: 57 additions & 80 deletions README.md
View file
Open in desktop
Original file line number Diff line number Diff line change
@@ -1,22 +1,9 @@


<h1>ANÁLISIS DE DATOS EN LA TIENDA DE MODA ONLINE-Store_Sales_Analysis_SQL</h1>
# ANÁLISIS DE DATOS EN LA TIENDA DE MODA ONLINE
![Python](https://img.shields.io/badge/python-3670A0?style=for-the-badge&logo=python&logoColor=ffdd54) ![Pandas](https://img.shields.io/badge/pandas-%23150458.svg?style=for-the-badge&logo=pandas&logoColor=white) ![NumPy](https://img.shields.io/badge/numpy-%23013243.svg?style=for-the-badge&logo=numpy&logoColor=white) ![Matplotlib](https://img.shields.io/badge/Matplotlib-%23ffffff.svg?style=for-the-badge&logo=Matplotlib&logoColor=black)

> [!NOTE]
> Este proyecto está diseñado para realizar un análisis exhaustivo de los datos de una destacada tienda online en Brasil. Nuestro objetivo es responder a preguntas críticas de negocio, explorar profundamente el comportamiento del mercado y proporcionar insights estratégicos que apoyen el crecimiento y la optimización de la empresa. A través de un enfoque analítico riguroso, buscamos identificar oportunidades, optimizar operaciones y fortalecer la posición de la tienda en su sector competitivo. Este análisis no solo clarificará los desafíos actuales sino que también guiará las decisiones empresariales hacia resultados tangibles y mejoras sostenibles.

Preguntas solictadas por la empresa a responder
1. ¿Cual es el Top 5 productos más vendidos históricamente?

2. ¿Cual es la evolución histórica de las ingresos netos?

3. ¿Cuáles son los ingresos netos por vendedor por año?

4. ¿Cuáles son las ciudades que proporcionan mayores ingresos netos?

5. ¿Existe otro insight que puedas proporcionar?
> . <br>

> [!CAUTION]
> Utilizar con fines educativos :octocat:

Expand All @@ -28,60 +15,7 @@ Ante la necesidad imperativa de prever y optimizar el gasto de los usuarios, una
El objetivo es proporcionar un entendimiento profundo que permita a la empresa no solo anticipar las tendencias futuras, sino también implementar estrategias efectivas para maximizar los beneficios y mejorar la satisfacción del cliente. A través de este análisis, buscamos identificar patrones clave, detectar oportunidades de crecimiento y ofrecer recomendaciones basadas en datos que guíen a la empresa hacia decisiones estratégicas acertadas en su competitivo entorno de mercado.
</td></tr></table>

<h2>Stack de tecnologías</h2>

![Python](https://img.shields.io/badge/python-3670A0?style=for-the-badge&logo=python&logoColor=ffdd54) ![Pandas](https://img.shields.io/badge/pandas-%23150458.svg?style=for-the-badge&logo=pandas&logoColor=white) ![NumPy](https://img.shields.io/badge/numpy-%23013243.svg?style=for-the-badge&logo=numpy&logoColor=white) ![Matplotlib](https://img.shields.io/badge/Matplotlib-%23ffffff.svg?style=for-the-badge&logo=Matplotlib&logoColor=black)

![scikit-learn](https://img.shields.io/badge/scikit--learn-%23F7931E.svg?style=for-the-badge&logo=scikit-learn&logoColor=white)

<h2>Configuración del ambiente</h2>

> [!IMPORTANT]
> Se requiere importar las siguientes tecnologías librerías para poder trabajar con el proyecto
> ```
>import geobr
>import pandas as pd
>import numpy as np
>import matplotlib.pyplot as plt
>import seaborn as sns
>from matplotlib.patches import FancyBboxPatch
>from matplotlib.offsetbox import OffsetImage, AnnotationBbox
>import matplotlib.dates as mdates
>from matplotlib.ticker import FuncFormatter
>import matplotlib.ticker as ticker
>import geopandas as gpd
>from matplotlib.patheffects import withStroke
>import requests
>from io import BytesIO
>import matplotlib.pyplot as plt
>from matplotlib.offsetbox import OffsetImage, AnnotationBbox
>from io import BytesIO
>from sqlalchemy import create_engine, MetaData, Table, inspect, text
> ```

<h2>Obtención de datos</h2>

En este apartado desargaremos los datos con los cuales trabajaremos

<h3>Cargando las bases de datos</h3>
<br>
<p> df_itens_pedidos = pd.read_csv('https://raw.githubusercontent.com/ElProfeAlejo/Bootcamp_Databases/main/itens_pedidos.csv')

![image](https://github.com/Xavieroc93/-Store_Sales_Analysis_SQL_FINAL./assets/93497146/50e314e0-a2c3-4ba7-b9ce-9cd58be75666)

<p> df_pedidos = pd.read_csv('https://raw.githubusercontent.com/ElProfeAlejo/Bootcamp_Databases/main/pedidos.csv')

![image](https://github.com/Xavieroc93/-Store_Sales_Analysis_SQL_FINAL./assets/93497146/e236b252-ca59-4c77-bf70-0ab10e1ac915)

<p>df_productos = pd.read_csv('https://raw.githubusercontent.com/ElProfeAlejo/Bootcamp_Databases/main/productos.csv')

![image](https://github.com/Xavieroc93/-Store_Sales_Analysis_SQL_FINAL./assets/93497146/1f32c945-ead8-4793-8242-69a126194dc3)

<p> df_vendedores = pd.read_csv('https://raw.githubusercontent.com/ElProfeAlejo/Bootcamp_Databases/main/vendedores.csv')</p>

![image](https://github.com/Xavieroc93/-Store_Sales_Analysis_SQL_FINAL./assets/93497146/198e2636-a8f5-4354-ac73-2af5a590763e)

<h3>Tratamiento de datos</h3>
## Tratamiento de datos

Después de convertir todo a un DataFrame se tuvo que tratar los datos:

Expand Down Expand Up @@ -243,7 +177,7 @@ Mejora Logística: Explorar opciones para reducir los costos de envío en las á

Se ha observado que tanto la tabla df_itens_pedidos como la tabla df_pedidos comparten las columnas "pedido_id", "producto_id" y "total". Por lo tanto, surge la necesidad de simplificar estas tablas combinándolas en una sola tabla para mejorar la eficiencia y la gestión de los datos.

Razones
### Razones

Reducción de redundancia: Al combinar las tablas, evitamos duplicar información y reducimos la redundancia de datos. Esto conduce a un uso más eficiente del espacio de almacenamiento.
Facilita la gestión de datos: Al tener una sola tabla que contenga toda la información relevante, la gestión de datos se simplifica. Ya no es necesario realizar un seguimiento de múltiples tablas separadas para acceder a la información completa sobre los pedidos y los productos.
Expand All @@ -255,38 +189,81 @@ Mejora del rendimiento de consultas: Al reducir el número de tablas involucrada
<p>Al almacenar tanto la fecha como la hora de cada transacción, obtienes una granularidad de datos que permite análisis más detallados, como identificar picos de venta por hora o evaluar la eficiencia de la logística y entrega. Esta precisión puede ser crucial para optimizar operaciones, entender el comportamiento del consumidor y tomar decisiones informadas

> <p> id_recibo: Usar INT es adecuado para un identificador que no será la clave primaria
> <p> producto_id NOT NULL y vendedor_id: Establecer como NOT NULL asegura que cada transacción debe estar asociada con un producto y un vendedor, manteniendola integridad de los datos. *pedido_id INT PRIMARY KEY:Designado como PRIMARY KEY asegura unicidad y optimiza las búsquedas y relaciones. *cantidad,
> <p> producto_id NOT NULL y `vendedor_id`: Establecer como NOT NULL asegura que cada transacción debe estar asociada con un producto y un vendedor, manteniendola integridad de los datos.
> <p> pedido_id INT PRIMARY KEY: Designado como PRIMARY KEY asegura unicidad y optimiza las búsquedas y relaciones. *cantidad,
> <p> valor_unitario, valor_total, costo_envio: Elegir DECIMAL(10,2) para valores monetarios proporciona precisión en cálculos financieros. *ciudad CHAR(5): Asumiendo que el código de ciudad siempre tiene 5 caracteres, CHAR(5) es eficiente en términos de almacenamiento, al tener longitud fija.</p>

<h4>2. Creación de la Tabla producto </h4>

> <p> producto VARCHAR NOT NULL:. Asumir datos siempre presentes con NOT NULL es crucial para la integridad.
> <p> precio DECIMAL(10,2) NOT NULL: Asegura precisión en el almacenamiento de precios.
> <p> marca VARCHAR, condicion VARCHAR(28): Se recomienda especificar una longitud máxima para VARCHAR, basada en la longitud esperada más común para estos campos.

<h4>3. Creación de la Tabla vendedores</h4>

>
> <p> Nombre_vendedor VARCHAR(255) NOT NULL: VARCHAR(255) es un estándar de la industria para textos cortos, permitiendo flexibilidad en los nombres sin desperdiciar espacio.</p>
>

<h3> Sugerimos una Base de datos de la siguiente manera:...</h3>

![image](https://github.com/Xavieroc93/-Store_Sales_Analysis_SQL_FINAL./assets/93497146/5c0591f9-632d-4aa1-9936-1dd5fc0556d9)


<h2> RESPONDIENDO LAS PREGUNTAS </h2>
## RESPONDIENDO LAS PREGUNTAS

### 1. ¿Cual es el Top 5 productos más vendidos históricamente?

![](https://i.imgur.com/g5DYZYe.png)

Históricamente el producto más vendido es el producto **Saia Midi
Cinto** con **549** ventas, a pesar de ello el que más ingresos generó
es el producto **Vestido Nude Reta** llegando a los **\$301K**

### 2. ¿Cual es la evolución histórica de las ingresos netos?

![](https://i.imgur.com/JzS2aZa.png)

El análisis de los ingresos netos históricos muestra un valor promedio
de **\$80 mil** de ingresos netos diarios desde el **2020**. También
podemos visualizar en el histórico que el día **24’Nov del
2019**, se reportó un ingreso neto de **\$280 mil** generando por la
venta de algunas marcas famosas.

### 3. ¿Cuáles son los ingresos netos por vendedor por año?

![](https://i.imgur.com/2ctUaAP.png)

<h3> Pregunta 1: ¿Cual es el Top 5 productos más vendidos históricamente? </h3>
Aunque **Paulo** es el mejor vendedor histórico ha mantenido un nivel de
ventas constante, ya que en el año 2020 fue el que menos vendió, sus
demás compañeros crecieron todos sus ingresos netos destacando a **Ana**
y **Daniel** sobrepasando los **\$5M** en el año en cuestión.

![image](https://github.com/Xavieroc93/-Store_Sales_Analysis_SQL_FINAL./assets/93497146/3237efb0-4f73-4568-8763-d8dd112e0cff)
### 4. ¿Cuáles son las ciudades que proporcionan mayores ingresos netos?

![](https://i.imgur.com/bIvV7fg.png)

<h3> Pregunta 2: ¿Cual es la evolución histórica de las ingresos netos? </h3>
Destacando a las ciudades **Alagoas** y **Pernambuco**, con ingresos
netos superiores a **\$1.5M** durante todo el periodo histórico.
Mientras que **Mato Grosso do Sul** y **Acre** ocupan los últimos
lugares de la lista con ingresos netos inferiores a **\$1.2**, donde se
debe mejorar las acciones de ventas.

![image](https://github.com/Xavieroc93/-Store_Sales_Analysis_SQL_FINAL./assets/93497146/6acfa7d7-ba27-4acd-8e76-bb5d7349e9e9)
### 5. ¿Cómo son los márgenes de ganancia con los costos de envío entre los productos?

<h3>Pregunta 3: ¿Cuáles son los ingresos netos por vendedor por año? </h3>
![](https://i.imgur.com/3bXM1NG.png)

![image](https://github.com/Xavieroc93/-Store_Sales_Analysis_SQL_FINAL./assets/93497146/d63ba4ab-512a-4755-996a-e64e1424b199)
Vemos que las carteras son las en total tienen mayor costo de envío, sin
embargo prácticamente como mandan en todos lados tienen un margen de
ganancias estándar del **20%**

<h3> Pregunta 4: ¿Cuáles son las ciudades que proporcionan mayores ingresos netos? </h3>
# Conclusiones finales

![image](https://github.com/Xavieroc93/-Store_Sales_Analysis_SQL_FINAL./assets/93497146/9bcf60ab-f2dc-4e78-83dc-cf069236fecf)
* El analisis de la información precedentemente expuesta refleja importantes observaciones sobre la problemática de negocios y su evolución histórica que permite influir en la toma de decisiones estratégicas, con el objeto de impulsar el rendimiento.
* Se analizó la evolución histórica de las ventas por productos, el comportamiento por vendedor y la distribución geográfica a nivel nacional, lo que permite tener un conocimiento cabal del desarrollo histórico de las ventas y la representatividad asociada a cada vendedor y región del país.
* Con el objeto de impulsar el rendimiento, mejorar la eficiencia y reducir costos se sugiere implementar diversas campañas promocionales como la llevada a cabo el día 24/11 (Black Friday) distribuidas a lo largo del año. Capacitar o fortalecer las competencias de los vendedores menos eficientes. Eliminar la distribución de productos en las regiones menos rentables, fortalecer y sobreponderar la distribución logística en las regiones que representan menores costes de envío y mayor rentabilidad para la empresa.

> [!IMPORTANT]
> Esto fue un proyecto que participamos los miembros del canal del
>
>[![](https://img.shields.io/youtube/channel/subscribers/UCuerQOTskuNkddcT738357g?style=for-the-badge&logo=youtube&label=ElProfeAlejo)](https://www.youtube.com/@ElProfeAlejo)