🛒 alura-store-challenge

Challenge Data Science – Alura LATAM

📊 Alura Store – Análisis de Ventas con Python

Este proyecto forma parte del Challenge de Datos – Alura LATAM.
El objetivo es ayudar al Sr. Juan a tomar una decisión estratégica: vender una de sus cuatro tiendas virtuales en Colombia. A partir del análisis de ventas, categorías, evaluaciones de clientes, productos más/menos vendidos y costos logísticos, se determina cuál tienda tiene un desempeño inferior.

También se incluye un análisis geográfico adicional (opcional) para mapear la distribución de ventas a través de coordenadas geográficas.

---

🧠 Objetivos del Desafío

Tu jefe te ha pedido responder cinco preguntas clave:

1. 📈 Facturación total por tienda → ¿Cuál tienda vende más?
2. 🗂️ Productos más vendidos por categoría y tienda → ¿Qué se vende mejor en cada una?
3. 🌟 Evaluación promedio de cada tienda → ¿Qué opinan los clientes?
4. 📦 Productos más y menos vendidos → ¿Qué productos tienen mayor o menor salida?
5. 🚚 Costo promedio de envío → ¿Qué tan caro es despachar desde cada tienda?

---

✅ Resultados Clave

• Bogotá concentra la mayor facturación total.
• Tienda 1 y Tienda 2 destacan en zonas urbanas densas (ej. Bogotá, Medellín).
• Existen productos con baja rotación que afectan el rendimiento general.
• Se detectan diferencias logísticas importantes entre tiendas.
• Las calificaciones promedio son positivas, pero Tienda 4 tiene la más baja.

---

🧾 Conclusiones del Análisis

Este análisis integral permitió identificar la tienda con menor rendimiento considerando:

• Facturación total
• Popularidad y rotación de productos
• Evaluación promedio de clientes
• Costos logísticos de envío

📌 Recomendación final:

Se recomienda al Sr. Juan vender la Tienda 4, ya que presenta el desempeño más bajo en todos los indicadores clave.

🔎 Consulta el archivo Notebook del proyecto para visualizar el análisis completo.

---

🌍 Visualizaciones Geográficas (Extra)

Como parte opcional del desafío, se desarrolló un análisis geoespacial utilizando Folium y Plotly para evaluar:

Herramientas utilizadas:

• Folium → Mapas interactivos con círculos proporcionales
• Plotly → Mapas de dispersión con escalas de color
• Seaborn → Heatmap para análisis por ciudad y tienda

Hallazgos clave:

• Bogotá representa más del 25 % de las ventas en todas las tiendas.
• Medellín y Cali también muestran fuerte rendimiento comercial.
• Tienda 2 lidera en Bogotá y Medellín.
• Tienda 4 tiene buena cobertura geográfica, pero menor volumen total.
• Zonas con bajo desempeño (ej. Inírida, Valledupar) podrían requerir revisión logística o comercial.

---

🧪 Aprendizajes Aplicados

Durante el desarrollo del proyecto se aplicaron y consolidaron los siguientes conocimientos clave:

• 🧠 Lógica de programación con Python
• 📊 Manipulación de datos con groupby, pivot, merge, apply
• ⚙️ Uso de condicionales y funciones para cálculos dinámicos
• 🧹 Limpieza y formateo de datos reales con estructuras eficientes
• 📉 Visualización comparativa usando Matplotlib, Seaborn, Plotly y Folium
• 📚 Desarrollo de storytelling visual basado en datos

---

📌 Conclusión

Este proyecto simula un caso real de análisis de datos para la toma de decisiones comerciales. Aplicamos conceptos clave de Python y análisis exploratorio para recomendar qué tienda tiene menor rendimiento.
El enfoque final combina análisis financiero, de producto, logístico y geográfico.

---

👤 Autor

Cristian Velásquez Ríos
📘 Análisis de Datos – Challenge Alura LATAM 2025
✉️ e-mail
🔗 LinkedIn

---

🚀 Cómo ejecutar este proyecto

1. Clona este repositorio
2. Abre el archivo .ipynb en Google Colab o Jupyter Notebook
3. Ejecuta cada celda siguiendo el flujo del análisis
4. Observa los gráficos, resultados y conclusiones al final del notebook

---

📂 Estructura del repositorio

📁 data/           # Dataset original del desafío
📁 img/            # Capturas o visuales opcionales
📄 Challenge_Alura_Store_Cristian_Velasquez_Rios_(final).ipynb  # Notebook principal
📄 README.md       # Este archivo