Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Evidencia Comercializadora
Evidencia Comercializadora
Caso Comercializadora
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.
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
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
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
Descripción
Ventas mensuales en millones de pesos
Inversión en publicidad en millones de pesos
Número de demostradoras activas por mes
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
icidad) + 0.643
e regresión (publicidad):
a la publicidad, en promedio, incrementa en
o de regresión a partir
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