2. Resumen Ejecutivo.Rmd

---
title: "Principales Hallazgos"
author: "Yulia Campos, César Padilla, Fabrizio Castillo"
date: "2024-10-12"
output: html_document
---

```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE)
```
En este informe se detalla los resultados obtenidos del análisis de la base de datos brindada por el taller mecánico en la cual se encuentran 10542 registros de boletas y facturas emitidas durante los meses de julio, agosto y setiembre.

La base de datos tendrá el nombre de "data" para ejecutar los códigos en R. En esta base de datos se presentan 42 variables y a continuación se detalla el análisis realizado:


## Resumen de ventas totales

En este apartado se agrupó los datos por la columna SEDE y luego por la columna MONEDA para luego obtener la sumatoria del precio total de la factura por sede y por tipo de moneda. A continuación se muestra los resultados obtenidos en RStudio y el gráfico de barras correspondiente:


```{r, echo=FALSE, include=FALSE}
library(tidyverse)
library(lubridate)
library(scales)
library(readr)
library(dplyr)
library(ggplot2)
data <- read.csv(file.choose(), sep = "|", header = TRUE, stringsAsFactors = FALSE)
```

```{r}
ventas_totales <- data %>%
  group_by(SEDE, MONEDA) %>%
  summarise(ventas_total = sum(PRECIO_TOTAL_FACTURA, na.rm = TRUE))

print(ventas_totales)
```

```{r, echo=FALSE}
ventas_totales %>%
  ggplot(aes(x = SEDE, y = ventas_total, fill = MONEDA)) +
  geom_bar(stat = "identity", position = "dodge") +
  labs(title = "Ventas Totales por Sede",
       x = "Sede", y = "Ventas Totales") +
  scale_y_continuous(labels = dollar) +
  theme_minimal()
```

Como se puede observar, el local de Los Olivos es en donde se presenta la mayor cantidad de ventas totales, tanto en soles (4196858) como dólares (6750071).

## Resumen de descuentos aplicados

Se realiza una agrupación de los datos por sede y por moneda para luego analizar el total de descuentos realizados por moneda en cada una de los locales. El resultado brindado por RStudio y el gráfico de barras se muestran en las siguientes líneas:

```{r}
descuentos <- data %>%
  group_by(SEDE, MONEDA) %>%
  summarise(descuento_total = sum(DSCTO_TOTAL_SOLES + DSCTO_TOTAL_DOLARES, na.rm = TRUE))

print(descuentos)
```

```{r, echo=FALSE}
descuentos %>%
  ggplot(aes(x = SEDE, y = descuento_total, fill = MONEDA)) +
  geom_bar(stat = "identity", position = "dodge") +
  labs(title = "Descuentos por Sede",
       x = "Sede", y = "Total de Descuentos") +
  scale_y_continuous(labels = dollar) +
  theme_minimal()
```

Del gráfico se puede concluir que la sede que realizó una mayor cantidad de descuentos en soles fue la sede de Los Olivos con un total de 150106 soles de descuento. En cuanto a dólares, la sede de Surquillo realizó la mayor cantidad de descuentos con un valor de 789191 dólares de descuento.


## Resumen por tipo de servicio

Los datos son agrupados por tipo de servicio para obtener que servicio fue el que se brindó con mayor frecuencia en los últimos tres meses. Seguidamente se aprecia el código empleado en RStudio para la obtención de lo descrito y el gráfico de pastel obtenido.

```{r}
tipo_servicio <- data %>%
  group_by(TIPO_SERVICIO) %>%
  summarise(total_servicio = sum(PRECIO_TOTAL_SOLES + PRECIO_TOTAL_DOLARES, na.rm = TRUE))

print(tipo_servicio)
```

```{r, echo=FALSE}
tipo_servicio %>%
  ggplot(aes(x = "", y = total_servicio, fill = TIPO_SERVICIO)) +
  geom_bar(stat = "identity", width = 1) +
  coord_polar("y") +
  labs(title = "Distribución de Tipos de Servicio") +
  theme_void()
```

De acuerdo al gráfico de pastel, se observa que durante el último trimestre, más del 50% de servicios brindados fueron del tipo Insumos y el de menor proporción fue el de tipo Servicios Terceros


## Cálculo de margen total por sede y moneda

Se agrupa los datos según la sede y el tipo de moneda para luego sumar los márgenes totales de cada observación, obteniendo el margen total en soles y en dólares para cada sede. Este resultado junto a su respectiva gráfica son detallados a continuación:

```{r}
margen_total <- data %>%
  group_by(SEDE, MONEDA) %>%
  summarise(margen_total = sum(MARGEN_TOTAL_SOLES + MARGEN_TOTAL_DOLARES, na.rm = TRUE))

print(margen_total)
```

```{r, echo=FALSE}
margen_total %>%
  ggplot(aes(x = SEDE, y = margen_total, fill = MONEDA)) +
  geom_bar(stat = "identity", position = "dodge") +
  labs(title = "Margen Total de Ganancia por Sede",
       x = "Sede", y = "Margen Total") +
  scale_y_continuous(labels = dollar) +
  theme_minimal()
```

En el gráfico de barras se aprecia lo obtenido en el código R en donde la sede de Los Olivos presenta un mayor margen de ganancias en soles, con una cantidad de 340985 soles y, en cambio, la sede de Surquillo presenta un mayor margen de ganancia en dólares, con una cantidad de 680617 dólares.


## Resumen de kilometraje por marca

Los datos son agrupados según la marca del vehículo para posteriormente calcular el promedio de kilometraje de cada marca de vehículo registrada en la base de datos. Los resultados junto a su respectivo gráfico de barras se aprecian en el siguiente punto:

```{r}
kilometraje_marca <- data %>%
  group_by(MARCA) %>%
  summarise(kilometraje_promedio = mean(KILOMETRAJE, na.rm = TRUE))

print(kilometraje_marca)
```

```{r, echo=FALSE}
kilometraje_marca %>%
  ggplot(aes(x = reorder(MARCA, kilometraje_promedio), y = kilometraje_promedio)) +
  geom_bar(stat = "identity", fill = "darkslategray") +
  labs(title = "Kilometraje Promedio por Marca",
       x = "Marca", y = "Kilometraje Promedio") +
  coord_flip() +
  theme_minimal()
```

Se concluye que la marca que presenta un mayor promedio de kilometraje es MAZDA con un promedio de 50709 km. y la marca CHANGAN es la cual presenta el menor promedio de kilometraje con el promedio de 16098 km.

## Resumen de tipo de trabajo Correctivo por marca

Se agrupan los datos por marca y por tipo de trabajo para luego filtrar los que sean tipo de trabajo igual a Correctivo. Tanto el código empleado como el gráfico obtenido se muestran a continuación:

```{r}
sintesis_marcas_tipoTrabajo = data %>% 
  group_by(MARCA, TIPO_TRABAJO) %>% 
  filter(TIPO_TRABAJO == "CORRECTIVO")

print(sintesis_marcas_tipoTrabajo, na.rm = TRUE)

```

```{r, echo=FALSE}
sintesis_marcas_tipoTrabajo %>%
  ggplot(aes(x = reorder(MARCA, TIPO_TRABAJO), y = TIPO_TRABAJO)) +
  geom_bar(stat = "identity", fill = "purple") +
  labs(title = "Marcas de carro por trabajo correctivo",
       x = "Marca", y = "Cantidad de trabajos correctivos") +
  coord_flip() +
  theme_minimal()
```

Se observa que la marca de autos en la que más se trabajó el tipo Correctivo fue la marca Nissan y en segundo lugar la marca Suzuki, ambas con una gran diferencia respecto a las demás marcas.


## Conclusiones

Del gráfico de Descuentos por sede y Margen total de ganancia por sede, ambos cuantificados por tipo de moneda, observamos que en el local de Los Olivos existe una ingreso mínimo en dólares, a pesar de que las ventas se ofrecen en mayor cantidad en este tipo de moneda. Por ello concluimos que seria adecuado disminuir los descuentos en soles y aumentar los descuentos en dólares, de tal forma que los clientes desistan de efectuar transacciones en esta moneda y se vean inclinados al realizarla en el dólar. Ello debido a que las partes de los vehiculos que se emplean suelen comprarse usando dólares. El obtener un mayor ingreso en esta moneda, equivaldría a incrementar nuestro poder adquisitivo.