El Sr. Juan, dueño de la cadena Alura Store, necesita identificar la tienda menos eficiente para venderla y reinvertir el capital en un nuevo emprendimiento.
Este proyecto realiza un análisis de datos integral, cruzando métricas de rendimiento económico, reputación, estructura de la demanda y eficiencia logística, con el objetivo de determinar qué tienda presenta menor potencial de mejora y mayor riesgo operativo.
Indicadores evaluados:
- Ingresos totales → Rendimiento económico.
- Calificaciones de clientes → Satisfacción y riesgo reputacional.
- Coste promedio de envío → Eficiencia logística.
- Estructura de ventas y demanda → Análisis de rotación y productos clave.
Resultado esperado:
Una recomendación basada en datos sobre qué tienda debería venderse para maximizar el retorno global del negocio.
El proyecto se desarrolló en Google Colab, garantizando portabilidad, replicabilidad y compatibilidad con entornos educativos o empresariales.
| Librería | Propósito |
|---|---|
Pandas |
Limpieza, manipulación y análisis de datos CSV. |
Folium |
Mapas interactivos para análisis geográfico (uso complementario). |
Desafio_Alura_Store.ipynb: Notebook principal con análisis, visualizaciones e informe.tienda_1.csvatienda_4.csv: Datasets de ventas de cada sucursal.README.md: Documento de presentación y síntesis ejecutiva del proyecto.
| Nº | Gráfico | Título | Métrica Clave |
|---|---|---|---|
| 1 | Rendimiento Económico | La Tienda 4 tiene el Menor Ingreso Total | Ingresos Totales |
| 2 | Reputación del Cliente | La Tienda 1 muestra la Menor Satisfacción del Cliente (3.98) | Calificación Promedio (Riesgo Reputacional) |
| 3 | Estructura de la Demanda | La demanda de Categorías es distinta entre tiendas | Demanda por Categoría |
| 4 | Inventario y Rotación | Productos con mayor y menor demanda por tienda | Productos Top/Flop (Demanda Detallada) |
| 5 | Logística | La Tienda 1 tiene el Costo de Envío Más Alto | Costo Promedio de Envío (Ineficiencia Logística) |
Cada visualización busca ofrecer una lectura clara e inmediata del desempeño general y específico de cada tienda, facilitando la toma de decisiones estratégicas.
- Abre
Desafio_Alura_Store.ipynben Google Colab. - Carga los archivos CSV (
tienda_1.csvatienda_4.csv) en el mismo directorio o en tu Google Drive. - Ejecuta todas las celdas en orden: Entorno de ejecución → Ejecutar todas.
pip install pandas folium(El uso de folium es opcional para los mapas; no afecta las conclusiones principales.)
El análisis integral muestra dos escenarios opuestos:
-
Tienda 1: Presenta la calificación promedio más baja (3.98) y el costo logístico más alto, pero también los mayores ingresos del grupo. Sus problemas son operativos y gestionables, vinculados al servicio y la logística.
-
Tienda 4: Registra la facturación más baja (≈ 9.8 % inferior a la tienda líder), menor rotación de productos y una estructura de demanda desequilibrada, con alta dependencia en pocas categorías. Estas señales reflejan debilidad estructural y bajo potencial de crecimiento.
Motivos estratégicos:
- Bajo potencial de expansión: Demanda limitada y productos con bajo movimiento.
- Estructura poco rentable: Requiere inversión significativa para alcanzar niveles promedio.
- Mayor retorno en retener la Tienda 1: Sus debilidades son internas, no de mercado.
Conclusión ejecutiva: Vender la Tienda 4 libera capital de un activo con retorno decreciente, permitiendo reinvertir en la optimización de la Tienda 1 y consolidar el crecimiento sostenible de Alura Store.
Proyecto desarrollado por Enrique (con asistencia analítica de IA GEM — obsesionada con la claridad visual y los datos bien contados).
Si identificas oportunidades de mejora o nuevas perspectivas de análisis, ¡abre un pull request o un issue! 🚀