1️⃣ Introducción
En este trabajo se realizó un análisis exploratorio de datos (EDA) sobre un conjunto de archivos CSV correspondientes a ventas registradas durante distintos meses.
El objetivo principal fue:
- Unificar los datos mensuales
- Limpiar y transformar la información
- Extraer métricas relevantes
- Detectar patrones de comportamiento en ventas
- Visualizar tendencias temporales y geográficas
2️⃣ Preparación y Limpieza de Datos
🔹 Unificación de archivos
Se combinaron múltiples archivos CSV en un único DataFrame consolidado, permitiendo un análisis global de todas las ventas.
🔹 Cálculo de métricas
Se creó una nueva columna:
Total de Venta = Cantidad × Precio Unitario
Esto permitió analizar ingresos totales.
🔹 Limpieza realizada
- Eliminación de filas nulas
- Eliminación de registros incorrectos
- Conversión de columnas a tipos numéricos
Extracción de nuevas variables:
3️⃣ Análisis Exploratorio
3.1 Ventas por Mes
Se analizó la facturación mensual para identificar el mes con mayor volumen de ventas y el de menor desempeño.
Resultado observado:
- Existe una clara variación mensual.
- Algunos meses muestran picos importantes de facturación (posiblemente vinculados a estacionalidad o fechas comerciales).
- Esto indica un comportamiento estacional en las ventas.
3.2 Ventas por Hora
Se estudió la cantidad de órdenes por franja horaria.
Resultado clave:
Los picos de ventas se producen alrededor de:
Esto sugiere que los clientes realizan más compras durante el mediodía y en horario posterior al trabajo.
Implicancia comercial:
Podría optimizarse publicidad o promociones en esos horarios.
3.3 Ventas por Ciudad
Se analizaron las ventas agrupadas por ciudad.
Observaciones:
Algunas ciudades concentran significativamente mayor volumen de ventas. Existe una distribución desigual geográficamente.
Esto puede deberse a:
- Mayor población
- Mayor poder adquisitivo
- Mejor penetración del producto
3.4 Productos Más Vendidos
Se evaluó la cantidad de unidades vendidas por producto.
Resultado:
Se identificaron productos con alta rotación. Algunos productos generan muchas unidades vendidas pero no necesariamente mayor ingreso total. Esto permite distinguir:
3.5 Ventas por Día de la Semana
Se analizó la frecuencia de compras según el día.
Observacion:
Se detectan diferencias entre días laborales y fines de semana. Posible incremento en determinados días estratégicos.
Esto puede ayudar a planificar:
- Campañas promocionales
- Refuerzo de stock
- Recursos operativos
4️⃣ Visualización
Se utilizaron gráficos interactivos (Plotly) para representar:
"La visualización permitió detectar patrones rápidamente y validar hipótesis."
5️⃣ Conclusiones Generales
Del análisis realizado se concluye que:
- 📈 Las ventas presentan estacionalidad mensual.
- 🕛 Existen horarios claramente dominantes (12 hs y 19 hs).
- 🏙 La distribución geográfica no es homogénea.
- 📦 Algunos productos lideran en volumen pero no necesariamente en ingresos.
- 📆 El comportamiento cambia según el día de la semana.
6️⃣ Recomendaciones
En base a los resultados:
- Implementar promociones en horarios pico.
- Analizar campañas específicas en ciudades con menor rendimiento.
- Optimizar inventario según productos de alta rotación.
- Evaluar estrategias para meses de menor facturación.