Análisis de los 25 retailers más grandes de Estados Unidos

import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns

df = pd.read_csv('largest_us_retailers.csv') df = df.fillna(0) df.head(25)

Companyobject

Walmart US4%

Kroger4%

23 others92%

Salesint64

16592 - 658119

Walmart US

658119

Kroger

115037

Costco

90048

Home Depot

83976

Walgreen Boots

78924

CVS incl. Target

77792

Amazon

71687

Target

71208

Lowe's

60311

Albertsons

56829

I. Preguntas del negocio

1. ¿Cuál es el promedio de ventas sin contar a la compañía dominante?

df = df.sort_values('Sales', ascending=0) np.round(df['Sales'][1:].mean(),decimals=2)

df['scd']=df['Sales'][1:] fig,ax = plt.subplots(figsize=(18,9)) sns.barplot(data=df, x='scd', y='Company') plt.axvline([np.round(df['Sales'][1:].mean(),decimals=2)], color='red') ax.set_title("PROMEDIO DE VENTAS EXCLUYENDO A LA COMPAÑÍA DOMINANTE",backgroundcolor='#565656', fontsize=20, weight='bold',color='white',style='italic',loc='center',pad=30) ax.set_xlabel("Ventas ($ miles)",weight='bold',size=15) ax.set_ylabel("Compañías",weight='bold',size=15) punto,=ax.plot([1], color ="red", linewidth = 8, linestyle ='dotted') ax.legend(handles = [punto], labels = [np.round(df['Sales'][1:].mean(), decimals=2)], title = "Promedio", title_fontsize = '12', loc='center right') plt.show()

Análisis: En el estudio realizado a 25 retailers más grandes de Estados Unidosde, se pudo detectar que el promedio de ventas de las compañías estudiadas es de $ 46602.42, excluyendo a la compañía dominante que en este caso es la compañía "Walmart US", siendo est un caso atípico.

2. ¿Cuánto dinero en ventas generó la mayoría de las compañías?

np.round(df['Sales'][0:].median(),decimals=2)

fig,ax = plt.subplots(figsize=(18,9)) sns.barplot(data=df, x='Sales', y='Company') plt.axvline(np.round(df['Sales'].median(),decimals=2), color='blue') ax.set_title("DINERO EN VENTAS DE LA MAYORÍA DE COMPAÑÍAS",backgroundcolor='#565656', fontsize=20, weight='bold',color='white',style='italic',loc='center',pad=30) ax.set_xlabel("Ventas ($ miles)",weight='bold',size=15) ax.set_ylabel("Compañías",weight='bold',size=15) punto,=ax.plot([1], color ="blue", linewidth = 8, linestyle ='dotted') ax.legend(handles = [punto], labels = [np.round(df['Sales'].median(),decimals=2)], title = "Mediana", title_fontsize = '12', loc='center right') plt.show()

Análisis: La mayoría de las compañías generaron un monto en ventas a lo más $ 34980.00.

3. ¿Cuántas tiendas tiene la mayoría de las compañías?

df = pd.read_csv('largest_us_retailers.csv') df = df.fillna(0) df = df.sort_values('Stores', ascending=0) df['Stores'].median()

fig,ax = plt.subplots(figsize=(18,9)) sns.barplot(data=df, x='Stores', y='Company') plt.axvline(np.round(df['Stores'].median(),decimals=2), color='blue') ax.set_title("N° DE TIENDAS DE LA MAYORÍA DE COMPAÑÍAS",backgroundcolor='#565656', fontsize=20, weight='bold',color='white',style='italic',loc='center',pad=30) ax.set_xlabel("N° de Tiendas",weight='bold',size=15) ax.set_ylabel("Compañías",weight='bold',size=15) punto,=ax.plot([0], color ="blue", linewidth = 8, linestyle ='dotted') ax.legend(handles = [punto], labels = [np.round(df['Stores'].median(),decimals=2)], title = "Mediana", title_fontsize = '12', loc='center right') plt.show()

Análisis: La mayoría de las compañías tienen a lo más 1772 tiendas.

4. ¿La cantidad de tiendas está relacionada con la cantidad de ventas? Es decir, ¿si una empresa tiene más tiendas tendrá más dinero de ventas?

df = pd.read_csv('largest_us_retailers.csv') df = df.fillna(0) df = df.sort_values('Stores', ascending=0) df['Category'] = df['Category'].replace(['Electronic/Mail Order', 0],'Online')

fig,ax = plt.subplots(figsize=(18,9)) sns.scatterplot(data=df, x = 'Stores', y = 'Sales', hue = 'Category') ax.set_title("RELACIÓN ENTRE CANTIDAD DE TIENDAS CON VENTAS DE COMPAÑÍAS",backgroundcolor='#565656', fontsize=20, weight='bold',color='white',style='italic',loc='center',pad=30) ax.set_xlabel("N° de Tiendas",weight='bold',size=15) ax.set_ylabel("Ventas",weight='bold',size=15) ax.legend(title = "Categorías", title_fontsize = '12', loc='upper right') plt.show()

*No necesariamente el hecho de que una compañía determinada tengan más tiendas, hará que tenga mas dinero en ventas; ya que influyen muchos factores internos y externos.

5. ¿Cuál es el rango que existe entre las ventas?

df = pd.read_csv('largest_us_retailers.csv') df = df.fillna(0) df = df.sort_values('Sales', ascending=0) r = np.round(df['Sales'].max(),decimals=2) - np.round(df['Sales'].min(),decimals=2) r

df['scd']=df['Sales'][0:] fig,ax = plt.subplots(figsize=(18,9)) sns.barplot(data=df, x='scd', y='Company') plt.axvspan(16592, 658119, color='orange', alpha=0.2) ax.set_title("PROMEDIO DE VENTAS EXCLUYENDO A LA COMPAÑÍA DOMINANTE",backgroundcolor='#565656', fontsize=20, weight='bold',color='white',style='italic',loc='center',pad=30) ax.set_xlabel("Ventas ($ miles)",weight='bold',size=15) ax.set_ylabel("Compañías",weight='bold',size=15) ax.text(300000,12.8, 'Rango máximo: $ 641527', style='italic') plt.show()

*El rango máximo que existe entre las ventas es de $ 641527.

6. ¿Cuáles son las 5 empresas que más tiendas físicas tienen? ¿Cuáles de ellas están dentro de las 5 empresas que más ventas tuvieron?

df_stores = df.sort_values('Stores',ascending=0) df_stores = df_stores.iloc[:5, :] df_stores

Companyobject

Salesint64

Dollar Tree

21464

Dollar General

22234

CVS incl. Target

77792

Walgreen Boots

78924

Walmart US

658119

df_sales = df.sort_values('Sales',ascending=0) df_sales = df_sales.iloc[:5, :] df_sales

Companyobject

Salesint64

Walmart US

658119

Kroger

115037

Costco

90048

Home Depot

83976

Walgreen Boots

78924

fig, ax = plt.subplots(1,2,figsize = (18,8)) sns.barplot(data = df_stores, x = 'Company', y = 'Stores', ax = ax[0]) ax[0].set_title('TOP 5 DE COMPAÑÍAS CON MÁS TIENDAS', backgroundcolor='#565656', fontsize=16, weight='bold',color='white',style='italic',loc='center',pad=30) ax[0].set_xticklabels(ax[0].get_xticklabels(),rotation = 90) ax[0].set_ylabel("N° de Tiendas",weight='bold',size=12) ax[0].set_xlabel("Compañías",weight='bold',size=12) sns.barplot(data = df_sales, x = 'Company', y = 'Sales', ax = ax[1]) ax[1].set_title('TOP 5 DE COMAÑÍAS CON MÁS VENTAS', backgroundcolor='#565656', fontsize=16, weight='bold',color='white',style='italic',loc='center',pad=30) ax[1].set_xticklabels(ax[1].get_xticklabels(),rotation = 90) ax[1].set_ylabel("Ventas ($ miles)",weight='bold',size=12) ax[1].set_xlabel("Compañías",weight='bold',size=12) plt.show()

*Se puede observar en el gráfico izquierdo, que las 5 empresas con más N° de tiendas físicas son: Dollar Tree, Dollar General, CVS incl. Target, Walgreen Boots y Walmart US. A su vez al observar el gráfico derecho podemos deducir que las únicas empresas que se encuentran dentro del top 5 de empresas con más ventas es Walmart US y Walgreen Boots.

II. Preguntas opcionales

7. ¿Qué categoría de compañía generó más ventas?

df = pd.read_csv('largest_us_retailers.csv') df = df.fillna(0) df = df.sort_values('Stores', ascending=0) df['Category'] = df['Category'].replace(['Electronic/Mail Order', 0],'Online') df_cat_group = df.groupby(['Category']).agg({'Sales' : 'sum'}) df_cat_group = df_cat_group.reset_index() df_cat_group = df_cat_group.sort_values('Sales',ascending=0) df_cat_group

Categoryobject

Supercenters9.1%

Grocery9.1%

9 others81.8%

Salesint64

25012 - 745919

Supercenters

745919

Grocery

297164

Drug Stores

184202

Home Improvement

144287

Online

109351

Warehouse Club

90048

Warehouse Clubs

56828

Department Stores

45088

Dollar Stores

43698

Electronics

34980

fig, ax = plt.subplots(figsize = (18,8)) sns.barplot(data = df_cat_group, x = 'Category', y = 'Sales') ax.set_title('CATEGORÍAS DE COMPAÑÍAS POR VENTAS', backgroundcolor='#565656', fontsize=16, weight='bold',color='white',style='italic',loc='center',pad=30) ax.set_xticklabels(ax.get_xticklabels(),rotation = 90) ax.set_ylabel("Ventas",weight='bold',size=12) ax.set_xlabel("Categorías",weight='bold',size=12)

*En el gráfico se obaserva todas las categorías de las compañías que generaron más ventas, siendo la categoría de "Supercenters" la que generó más ventas.

8. ¿Cuál es la compañía que en relación con su cantidad de tiendas físicas genera más ventas?

df = pd.read_csv('largest_us_retailers.csv') df = df.fillna(0) df = df.sort_values('Sales', ascending=0) df['Category'] = df['Category'].replace(['Electronic/Mail Order', 0],'Online') df['Sales/Avg. Store_2'] = df['Sales'] / df['Stores'] df

Companyobject

Walmart US4%

Kroger4%

23 others92%

Salesint64

16592 - 658119

Walmart US

658119

Kroger

115037

Costco

90048

Home Depot

83976

Walgreen Boots

78924

CVS incl. Target

77792

Amazon

71687

Target

71208

Lowe's

60311

Albertsons

56829

df_sales_stores = df.sort_values('Sales/Avg. Store_2',ascending=0) df_sales_stores

Companyobject

Amazon4%

Apple incl. Online4%

23 others92%

Salesint64

16592 - 658119

Amazon

71687

Apple incl. Online

37664

Costco

90048

Walmart US

658119

Sam's Club

56828

Meijer

16592

HEB

21384

Home Depot

83976

Target

71208

Ahold

26903

fig, ax = plt.subplots(figsize = (18,8)) sns.barplot(data = df_sales_stores, x = 'Company', y = 'Sales/Avg. Store_2') ax.set_title('COMPAÑÍAS QUE GENERAN MÁS VENTAS EN RELACIÓN CON SU CANTIDAD DE TIENDAS FÍSICAS', backgroundcolor='#565656', fontsize=16, weight='bold',color='white',style='italic',loc='center',pad=30) ax.set_xticklabels(ax.get_xticklabels(),rotation = 90) ax.set_ylabel("Ventas",weight='bold',size=12) ax.set_xlabel("Compañías",weight='bold',size=12)

*Según el gráfico la compañia que genera más ventas en relación con su cantidad de tiendas físicas es Costco con un promedio de 181.92 millones.

9. ¿Cuáles compañías venden de forma exclusivamente online? ¿Sus ventas destacan sobre las que también tienen tiendas físicas?

Companyobject

Salesint64

Apple incl. Online

37664

Amazon

71687

df = pd.read_csv('largest_us_retailers.csv') df = df.fillna(0) #df = df.sort_values('Stores', ascending=0) df['Category'] = df['Category'].replace(['Electronic/Mail Order', 0],'Online') df_physical_stores = df[df.Category != 'Online'] df_physical_stores = df.sort_values('Category', ascending=0) df_physical_stores

Companyobject

Sam's Club4%

Costco4%

23 others92%

Salesint64

16592 - 658119

Sam's Club

56828

Costco

90048

Walmart US

658119

Target

71208

Meijer

16592

Apple incl. Online

37664

Amazon

71687

Lowe's

60311

Home Depot

83976

Ahold

26903

fig,ax = plt.subplots(figsize=(18,9)) sns.barplot(data=df_physical_stores, x='Sales', y='Company', hue='Category', dodge=False) plt.axhspan(4.5, 6.4, color='yellow', alpha=0.3) ax.set_title("COMPARACIÓN DE VENTAS DE LAS TIENDAS ONLINE ANTE TIENDAS FÍSICAS",backgroundcolor='#565656', fontsize=20, weight='bold',color='white',style='italic',loc='center',pad=30) ax.set_xlabel("Ventas ($ miles)",weight='bold',size=15) ax.set_ylabel("Compañías",weight='bold',size=15) ax.text(300000,5.8, 'Compañías Online', style='italic') plt.show()

*Las compañías que venden exclusivamente online son Amazon y Apple incl. Online, de las cueles sus ventas relativamente no destacan ante las ventas de las tiendas físicas.

III. Tus propias preguntas

10. ¿Qué compañía tiene más N° de tiendas físicas? y ¿Cuál es el rango máximo que existe con la que tiene menos N° de tiendas físicas?

df_stores = df.sort_values('Stores',ascending=0) df_stores = df_stores.iloc[:, :] r = np.round(df['Stores'].max(),decimals=2) - np.round(df['Stores'].min(),decimals=2) r

fig,ax = plt.subplots(figsize = (18,8)) plt.axhspan(231, 14250, color='aquamarine', alpha=0.3) sns.barplot(data = df_stores, x = 'Company', y = 'Stores', ax = ax) ax.set_title('RANGO MÁXIMO ENTRE LAS COMPAÑÍAS CON MÁS Y MENOS N° DE TIENDAS', backgroundcolor='#565656', fontsize=16, weight='bold',color='white',style='italic',loc='center',pad=30) ax.set_xticklabels(ax.get_xticklabels(),rotation = 90) ax.set_ylabel("N° de Tiendas",weight='bold',size=12) ax.set_xlabel("Compañías",weight='bold',size=12) ax.text(11, 7500, 'Rango máximo = 14250', style='italic') plt.show()

*El rango máximo que existe entre las compañías con más N° de tiendas y con menos N° de tiendas es 14250.

11. ¿Qué categoría tiene más compañías?

df = pd

.css-9i38tn{letter-spacing:inherit;-webkit-text-decoration:none;text-decoration:none;}Análisis de los 25 retailers más grandes de Estados Unidos

I. Preguntas del negocio

1. ¿Cuál es el promedio de ventas sin contar a la compañía dominante?

2. ¿Cuánto dinero en ventas generó la mayoría de las compañías?

3. ¿Cuántas tiendas tiene la mayoría de las compañías?

4. ¿La cantidad de tiendas está relacionada con la cantidad de ventas? Es decir, ¿si una empresa tiene más tiendas tendrá más dinero de ventas?

5. ¿Cuál es el rango que existe entre las ventas?

6. ¿Cuáles son las 5 empresas que más tiendas físicas tienen? ¿Cuáles de ellas están dentro de las 5 empresas que más ventas tuvieron?

II. Preguntas opcionales

7. ¿Qué categoría de compañía generó más ventas?

8. ¿Cuál es la compañía que en relación con su cantidad de tiendas físicas genera más ventas?

9. ¿Cuáles compañías venden de forma exclusivamente online? ¿Sus ventas destacan sobre las que también tienen tiendas físicas?

III. Tus propias preguntas

10. ¿Qué compañía tiene más N° de tiendas físicas? y ¿Cuál es el rango máximo que existe con la que tiene menos N° de tiendas físicas?

11. ¿Qué categoría tiene más compañías?

Análisis de los 25 retailers más grandes de Estados Unidos