Este proyecto presenta un análisis detallado de los datos de cuatro tiendas con el fin de evaluar su rendimiento en áreas clave como ventas, categorías, calificaciones y logística. Se incluyen visualizaciones con gráficos de barras y de pastel para facilitar la interpretación.
Se cargan y procesan los datos de ventas y productos de cada tienda. Se consolidan para permitir análisis comparativos. Las variables clave incluyen:
- Ingresos
- Categorías de productos
- Calificaciones
- Costos de envío
Se calcula el ingreso total por tienda y se representa mediante un gráfico de barras:
-
Se visualiza cuál tienda genera más ingresos.
-
Se identifican posibles oportunidades de mejora en las tiendas con menor facturación.
📉 Gráfico: Analisis ingresos totales de cada tienda (barplot con Seaborn)
Se analiza qué categorías de productos tienen más ventas por tienda:
- Se utiliza
value_counts()para agrupar y contar. - Ideal para decisiones de stock o promociones.
📊 Grafico: Gráfico pastel para distribución de categorías (barplot con Seaborn)
Se calcula el promedio de calificaciones dadas por los clientes a los productos de cada tienda:
- Muestra cómo perciben los clientes la calidad.
- Tiendas con baja calificación podrían necesitar mejoras en servicio o productos.
Se identifican los productos con mayor y menor volumen de ventas en cada tienda:
- Se muestran rankings o listas ordenadas.
- Esta información es clave para ajustes en inventario.
Se evalúan los costos promedio de envío por tienda, visualizados en un gráfico de pastel:
- Útil para entender el impacto logístico.
- Tiendas con altos costos pueden optimizar sus métodos de entrega.
📈 Gráfico: Costo Promedio de Envío por Tienda (plt.pie())
El análisis permite comparar y tomar decisiones estratégicas como:
- Optimización de envíos
- Potenciar categorías más rentables
- Mejora del servicio al cliente en tiendas con menor calificación
- Python
- Pandas
- Seaborn
- Matplotlib