Análisis para la toma de decisiones

Caso Comercializadora

Nombre Gilbert Jothan Ruiz Ramos

Matrícula A01748435

Entendimiento del problema

In-E es una empresa que surgió de un emprendimiento y actualmente ofrece servicios de consultoría en
temas digitales para para empresas pequeñas y medianas que tienen el interés de comenzar un proceso
de transformación digital y aprovechar el uso de la tecnología para incrementar su desarrollo.
In-E te ha contratado como parte del equipo analítico de negocios responsable de desarrollar y presentar
una solución de proyecto para este nuevo cliente: Comercializadora Deportiva.
El objetivo es realizar ciertos análisis: 1) identificar cómo la inversión en publicidad y demostradoras ha
impactado a las ventas, 2) realizar el pronóstico de las ventas, 3) realizar un modelo de optimización para
seleccionar una serie de productos que maximice la utilidad.
Decisión: Optimización

Decisión: Explicación

Decisión: Pronóstico
Año Mes Ventas Publicidad Demostradoras
2018 Ene 3.7 0.444 333
2018 Feb 7.3 0.949 415
2018 Mar 2.3 0.322 349
2018 Abr 5.6 0.84 341
2018 May 6.5 0.78 381
2018 Jun 4.5 0.54 392
2018 Jul 5.5 0.66 351
2018 Ago 6.1 0.793 390
2018 Sep 5.4 0.756 388
2018 Oct 5.8 0.754 383
2018 Nov 6.4 0.768 384
2018 Dic 8.3 1.162 413
2019 Ene 3.4 0.408 365
2019 Feb 7.5 0.975 357
2019 Mar 2.6 0.364 374
2019 Abr 5.9 0.885 350
2019 May 6.6 0.858 398
2019 Jun 4.8 0.576 361
2019 Jul 5.8 0.696 379
2019 Ago 6.6 0.891 318
2019 Sep 6.1 0.8784 363
2019 Oct 5.4 0.702 363
2019 Nov 6.9 0.966 307
2019 Dic 8.8 1.232 432
 Finalmente se pretende desarrollar un modelo de optimización
productos que maximice la utilidad considerando el presupuest
Decisión: optimización del proveedor para mantener un precio competitivo. El presupu
De este presupuesto no se debe utilizar más de 30000 pesos en
productos Nike.

Utilidad por Costo por Piezas mínimas

Producto
producto (pesos) producto (pesos) a pedir

Adidas A 190 120 100 Presupuesto total (pesos)

Adidas B 120 110 100 Presupuesto máximo del total p
Nike A 180 130 100 Presupuesto máximo del total p
Nike B 140 150 150
Puma A 100 90 100
Puma B 200 115 150

Variables de decisión Adidas A Adidas B Nike A Nike B Puma A

Función objetivo 190 120 180 140 100

Solución 157 100 521 150 100

Restricciones
Presupuesto 120 110 130 150 90
Pres. Máx Adidas 120 110
Pres.Máx Puma 90
Min. Pz Adidas A 1
Min. Pz Adidas B 1
Min. Pz Nike A 1
Min. Pz Nike B 1
Min. Pz Puma A 1
Min. Pz Puma B
lar un modelo de optimización para realzar la orden de compra de un grupo de
ad considerando el presupuesto, costo del producto y las cantidades mínimas por parte
precio competitivo. El presupuesto total para realizar la compra es de 150000 pesos.
utilizar más de 30000 pesos en productos Adidas y tampoco más de 30000 pesos en

resupuesto total (pesos) 150000

resupuesto máximo del total p 30000
resupuesto máximo del total p 30000

Puma B
Máximizar
200 $ 203,010 Utilidad
182

Referencia Restricción
115 150000 <= $ 150,000
29840 <= $ 30,000
115 29930 <= $ 30,000
157 >= 100 piezas
100 >= 100 piezas
521 >= 100 piezas
150 >= 150 piezas
100 >= 100 piezas
1 182 >= 150 piezas
 Decisión: explicación
Se ha llevado el registro de las ventas de 2018 y 2019, años donde se ha in
demostradoras (personas que promocionan el producto y tratan de atraer
Se pretende desarrollar un modelo que explique si ha tenido un impacto la
datos. A continuación se describen las variables:
Variable

Ventas Publicidad Demostradoras Variable Descripción

3.7 0.444 333 Ventas Ventas mensuales en millo
7.3 0.949 415 Publicidad Inversión en publicidad en m
2.3 0.322 349 Demostradoras Número de demostradoras
5.6 0.84 341
6.5 0.78 381 Resumen
4.5 0.54 392
5.5 0.66 351 Estadísticas de la regresión
6.1 0.793 390 Coeficiente de correlación múltiple
5.4 0.756 388 Coeficiente de determinación R^2
5.8 0.754 383 R^2 ajustado
6.4 0.768 384 Error típico
8.3 1.162 413 Observaciones
3.4 0.408 365
7.5 0.975 357 ANÁLISIS DE VARIANZA
2.6 0.364 374 Grados de liber
5.9 0.885 350 Regresión
6.6 0.858 398 Residuos
4.8 0.576 361 Total
5.8 0.696 379
6.6 0.891 318
6.1 0.8784 363 Intercepción
5.4 0.702 363 Publicidad
6.9 0.966 307 Demostradoras
8.8 1.232 432 Ecuación de regresión:
Predicción ventas = 6.722 (p
Resumen

Estadísticas de la regresión
Coeficiente de correlación múltiple
Coeficiente de determinación R^2
R^2 ajustado
Error típico
Observaciones
ANÁLISIS DE VARIANZA
Grados de liber
Regresión
Residuos
Total

Intercepción
Publicidad

Ecuación de regresión:
Predicción ventas = 6.722 (publicidad) + 0.643

Interpretación del coeficiente de regresión (publicidad):

Por cada unidad que incrementa la publicidad, en promed
6.722 unidades las ventas.
 2019, años donde se ha invertido en una campaña de publicidad para atraer clientes, pero también se ha contratado
producto y tratan de atraer la atención del cliente hacia los productos de la tienda)
e si ha tenido un impacto la publicidad y las demostradoras en las ventas durante los dos años que se lleva registrando los
:

Descripción
Ventas mensuales en millones de pesos
Inversión en publicidad en millones de pesos
Número de demostradoras activas por mes

El 94% de la variabilidad de las ventas se explica por el modelo de regresión a partir

a regresión de la inversión en publicidad y las demostradoras.
0.97371470402
0.94812032483
0.94317940338
0.38384132146 El modelo de regresión para predecir tendrá un margen de error de .38 millones de
24 pesos.

Grados de libertadSuma de cuadradosPromedio de los cuadrados F Valor crítico de F

2 56.5443159721308 28.2721579860654 191.891398268 3.2171484892E-14 El modelo de regresión
21 3.0940173612026 0.147334160057267
23 59.6383333333334

Coeficientes Error típico Estadístico t Probabilidad

-0.63224803357 0.99103149769289 -0.637969665988983 0.53038924556 El coeficiente de publicida
6.57192499597 0.36195128920531 18.1569321396701 2.5685558E-14
Las demostradoras no son
0.00375479476 0.00280401548024 1.33907775712275 0.19486058592 significativos.
cuación de regresión:
redicción ventas = 6.722 (publicidad) + 0.003 (demostradoras) - 0.632

a regresión
0.97143732143
0.94369046947 El 94% de la variabilidad de las ventas sse aplica por el modelo de regresión a partir de
0.94113094535 la inversion en publicidad.
0.39069905598 El modelo de regresesión para predecir tendrá un margen de error de .39 imllones de
24 pesos
 El modelo de regresesión para predecir tendrá un margen de error de .39 imllones de
pesos

Grados de libertadSuma de cuadradosPromedio de los cuadrados F Valor crítico de F

1 56.2801267817371 56.2801267817371 368.697627789 3.1167912293E-15 El modelo de regre
22 3.35820655159626 0.152645752345285
23 59.6383333333334

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%

0.64372415386 0.27721641986999 2.32209965832131 0.02987674375 0.06881248671202 1.21863582
6.72278318556 0.35011759251765 19.2015006650199 3.1167912E-15 5.99668373984107 7.44888263

icidad) + 0.643

e regresión (publicidad):
a la publicidad, en promedio, incrementa en
o de regresión a partir

ror de .38 millones de

El modelo de regresión es estadisticamente significativo.

El coeficiente de publicidad es significativo.

Las demostradoras no son un elemento important, no son

significativos.
El modelo de regresión es estadisticamente significativo

El coeficiente de publicidad es significativo.

Inferior 95.0%
Superior 95.0%
0.06881249 1.21863582
5.99668374 7.44888263
 Adicionalmente, se quiere analizar el comportamiento de ventas de 2018
Decisión: pronóstico
un modelo de pronóstico mensual para el 2020. Generar 3 modelos y se

Año Mes Ventas n=2 error error^2

2018 Ene 3.7
Feb 7.3
Mar 2.3 5.5 3.2 10.24
Abr 5.6 4.8 -0.8 0.64
May 6.5 3.95 -2.55 6.5025
Jun 4.5 6.05 1.55 2.4025
Jul 5.5 5.5 0 0
Ago 6.1 5 -1.1 1.21
Sep 5.4 5.8 0.4 0.16
Oct 5.8 5.75 -0.05 0.0025
Nov 6.4 5.6 -0.8 0.64
Dic 8.3 6.1 -2.2 4.84
2019 Ene 3.4 7.35 3.95 15.6025
Feb 7.5 5.85 -1.65 2.7225
Mar 2.6 5.45 2.85 8.1225
Abr 5.9 5.05 -0.85 0.7225
May 6.6 4.25 -2.35 5.5225
Jun 4.8 6.25 1.45 2.1025
Jul 5.8 5.7 -0.1 0.01
Ago 6.6 5.3 -1.3 1.69
Sep 6.1 6.2 0.1 0.01
Oct 5.4 6.35 0.95 0.9025
Nov 6.9 5.75 -1.15 1.3225
Dic 8.8 6.15 -2.65 7.0225
2020 Ene
Feb
Mar ECM 3.290
Abr RSME 1.81
May
Jun
Jul
Ago
Sep
Oct
Nov
Dic
mportamiento de ventas de 2018 y 2019. El objetivo es desarrollar
l 2020. Generar 3 modelos y seleccionar el de mejor ajuste.

alfa 0.209
S. exp error error^2 Escala de Tiempo SET
3.7 0 0 1
3.70000 -3.6 12.96 2 10
4.45240 2.1524 4.63282576 3
9
4.00255 -1.5974516 2.55185161434 4
4.33642 -2.16358422 4.68109665799 5 8
4.78860 0.28860489 0.08329277991 6
7
4.72829 -0.77171354 0.59554178103 7
4.88957 -1.21042541 1.46512966509 8 6
5.14255 -0.2574465 0.06627869865 9
5
5.19636 -0.60364018 0.36438146554 10
5.32252 -1.07747938 1.16096181752 11 4
5.54771 -2.75228619 7.57507927581 12
3
6.12294 2.72294162 7.41441108289 13
5.55385 -1.94615318 3.78751218491 14 2
5.96059 3.36059284 11.2935842207 15
1
5.25823 -0.64177107 0.41187010037 16
5.39236 -1.20764091 1.45839657407 17 0

Feb
Mar
Abr
Ene
5.64476 0.84475604 0.7136127638 18
5.46820 -0.33179797 0.11008989549 19
5.53755 -1.0624522 1.12880467168 20
5.75960 -0.34039969 0.11587194767 21
5.83074 0.43074385 0.18554026147 22
5.74072 -1.15928162 1.34393386812 23
5.98301 -2.81699176 7.93544257169 24 8.8
25 6.7882
26 7.8000
ECM 3.001 27 2.8000
RSME 1.7325 28 6.1000
29 7.0000
30 5.0000
31 6.0000
32 6.6000
33 5.9000
Alfa 0.126 34 6.3000
Beta 0.001 35 6.9000
Gama 2.22044605E-16 36 8.8000

ECM 1.045
RSME 1.0222
 0
1
2
3
4
5
6
7
8
9
10
Ene
Feb
Mar
Abr
May
Jun

2018
Jul
Ago
Sep
Oct
Nov
Dic
Ene
Feb
Mar
Abr
May
Jun

2019
Jul
Chart Title

Ago
Sep
Oct
Nov
Dic
Ene
Feb
Mar
Abr
May
Jun
2020

Jul
Ago
Sep
Oct
Nov
 Mar
Abr
May
Jun

2020
Jul
Ago
Sep
Oct
Nov
Dic