Proyecto de Analisis Exploratorio de datos (EDA) Ventas Mensuales

 Por: Guido Fernandez

Proyecto de Análisis Exploratorio de Datos (EDA) con Pensamiento Computacional

1. Definición del Problema

Supongamos que queremos realizar un análisis exploratorio de datos sobre las ventas mensuales de una tienda ficticia. El objetivo es entender la distribución de las ventas, identificar patrones estacionales y explorar posibles relaciones con otras variables ficticias.

2. Generación de Datos Ficticios

Generaremos datos ficticios de ventas mensuales y otras variables relacionadas.

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

import seaborn as sns

# Generar datos ficticios

np.random.seed(42)

meses = pd.date_range(start='2022-01-01', end='2023-12-01', freq='M')

ventas = np.random.normal(loc=50000, scale=10000, size=len(meses))

gastos = np.random.normal(loc=15000, scale=5000, size=len(meses))

publicidad = np.random.normal(loc=8000, scale=2000, size=len(meses))

# Crear DataFrame

df = pd.DataFrame({

    'Mes': meses,

    'Ventas': ventas,

    'Gastos': gastos,

    'Publicidad': publicidad

})

3. Análisis Exploratorio de Datos

Realizaremos un análisis exploratorio de datos para entender la distribución y las relaciones entre las variables.

# Visualización de las ventas a lo largo del tiempo

plt.figure(figsize=(12, 6))

sns.lineplot(x='Mes', y='Ventas', data=df, marker='o', label='Ventas')

plt.title('Ventas Mensuales a lo largo del Tiempo')

plt.xlabel('Mes')

plt.ylabel('Ventas')

plt.xticks(rotation=45)

plt.legend()

plt.show()

# Visualización de la distribución de las ventas

plt.figure(figsize=(10, 6))

sns.histplot(df['Ventas'], bins=20, kde=True, color='skyblue')

plt.title('Distribución de Ventas Mensuales')

plt.xlabel('Ventas')

plt.ylabel('Frecuencia')

plt.show()

# Relación entre ventas y gastos

plt.figure(figsize=(10, 6))

sns.scatterplot(x='Gastos', y='Ventas', data=df, color='coral')

plt.title('Relación entre Gastos y Ventas')

plt.xlabel('Gastos')

plt.ylabel('Ventas')

plt.show()

4. Estadísticas Descriptivas y ANALISIS

Calculemos estadísticas descriptivas para comprender mejor las variables.

# Estadísticas descriptivas

estadisticas_ventas = df['Ventas'].describe()

estadisticas_gastos = df['Gastos'].describe()

estadisticas_publicidad = df['Publicidad'].describe()

# Imprimir estadísticas

print("Estadísticas de Ventas:")

print(estadisticas_ventas)

print("\nEstadísticas de Gastos:")

print(estadisticas_gastos)

print("\nEstadísticas de Publicidad:")

print(estadisticas_publicidad)

RESULTADOS

Estadísticas de Ventas: count 23.000000 mean 49078.882367 std 9560.053445 min 30867.197553 25% 44841.190424 50% 47742.236995 75% 55196.370983 max 65792.128155 Name: Ventas, dtype: float64 Estadísticas de Gastos: count 23.000000 mean 13188.655153 std 4444.163971 min 5201.649381 25% 9478.238734 50% 13494.481522 75% 15920.573793 max 24261.390923 Name: Gastos, dtype: float64 Estadísticas de Publicidad: count 23.000000 mean 8144.871801 std 1698.889932 min 4473.919689 25% 7060.186991 50% 8648.167939 75% 9743.805942 max 10712.480057 Name: Publicidad, dtype: float64

5. Conclusiones y Recomendaciones

Basándonos en los resultados del análisis exploratorio de datos, podríamos formular conclusiones sobre patrones de ventas, estacionalidad, relaciones con gastos y publicidad, etc.

6. Documentación

Documenta cada paso del proyecto, desde la generación de datos hasta las conclusiones obtenidas. Esto facilitará la comprensión y replicación del análisis.

7. Presentación de Resultados

Crea informes o presentaciones que resuman los resultados del análisis, incluyendo visualizaciones, estadísticas y conclusiones.

Este proyecto básico de EDA puede ser expandido y personalizado según las características específicas de tus datos y los objetivos del análisis exploratorio.