Vendor Performance Analysis

Resumen

Analicé el desempeño de proveedores y marcas de un negocio minorista y mayorista a partir de registros de compras, ventas, precios y fletes. Los CSV en bruto se cargan en SQLite, se agregan en una tabla resumen por proveedor y marca, se analizan en Jupyter y se presentan en un dashboard de Power BI.

Los datos en bruto no se distribuyen con el repositorio, así que el proyecto incluye un contrato de datos que describe los archivos y columnas esperados.

Problema

¿Qué proveedores y marcas impulsan las ventas, el gasto en compras y la utilidad bruta? ¿Qué tan concentradas están las compras en los proveedores más grandes? ¿Qué productos combinan pocas ventas con márgenes altos, dónde hay capital inmovilizado en inventario de baja rotación y cómo se relaciona el tamaño del pedido con el costo unitario?

Enfoque

Construí el resumen con granularidad proveedor-marca usando CTEs en SQL. Los precios se cruzan por proveedor y marca, así que una marca vendida por varios proveedores no se cuenta dos veces.

Distribuí el flete de cada proveedor entre sus marcas en proporción a los dólares comprados, de modo que los montos asignados siguen sumando el total del proveedor. Una prueba de regresión con pytest verifica ambas reglas: compras sin duplicar y fletes que cuadran.

Definí cada métrica de forma explícita: utilidad bruta, utilidad neta después del flete asignado, margen, rotación de inventario y relación ventas/compras.

Metodología

1. Ingesta

   Scripts en Python cargan los CSV en bruto a una base SQLite local y registran cada tabla.

2. Resumen proveedor-marca

   Una consulta con CTEs combina compras, precios, ventas y facturas en una fila por proveedor y marca.

3. Limpieza y filtrado

   Se estandarizan tipos y textos. Para el análisis se excluyen filas con utilidad o margen no positivos y sin ventas: quedan 8.564 de 10.692 filas.

4. Análisis exploratorio y estadístico

   Distribuciones, valores atípicos, correlaciones, concentración de proveedores, rotación, intervalos de confianza del 95% y una prueba t sobre márgenes, en Jupyter.

5. Dashboard en Power BI

   KPIs, contribución de compras por proveedor, principales proveedores y marcas por ventas, proveedores de baja rotación y marcas con pocas ventas y alto margen.

Resultados / Hallazgos clave

Estos hallazgos son descriptivos. Provienen del análisis en notebooks sobre los datos originales, que no se incluyen en el repositorio.

de los dólares comprados viene de los 10 principales proveedores

65,69%

de capital estimado inmovilizado en inventario sin vender

US$2,71M

filas proveedor-marca con pocas ventas y alto margen

198

• Los 10 principales proveedores concentran el 65,69% de los dólares comprados, así que las compras dependen de un grupo pequeño de proveedores.
• Se estiman unos US$2,71M inmovilizados en inventario sin vender (unidades compradas menos vendidas × precio de compra). Es una aproximación: habría que alinear los periodos de compras y ventas para tomarla como exacta.
• 198 filas proveedor-marca están en el 15% más bajo de ventas y en el 15% más alto de margen, los umbrales del proyecto para revisar precios o promociones.
• Las filas del cuartil superior de ventas tienen un margen promedio de 31,18% (IC 95%: 30,74–31,61%) frente a 41,57% (40,50–42,64%) en el cuartil inferior. La diferencia es estadísticamente significativa, pero describe a los dos grupos; no explica la causa.
• Los pedidos grandes muestran un costo unitario promedio menor que los pequeños (US$10,78 frente a US$39,07 por unidad). Es una asociación que no controla por la mezcla de productos, no un ahorro medido.

Tecnología

• Python
• pandas
• SQLite
• SQL
• Jupyter
• Matplotlib
• Seaborn
• SciPy
• pytest
• Power BI

Limitaciones

• Sin los datos en bruto, las cifras no se pueden reproducir solo con el repositorio.
• Las correlaciones, las comparaciones entre grupos y los patrones por tamaño de pedido son descriptivos y no establecen causas.
• El inventario sin vender se estima con unidades compradas menos vendidas y supone periodos alineados.
• Los grupos de margen se definen sobre filas proveedor-marca por cuartil de ventas, no sobre proveedores completos.