La solicitud

De Laura Bennett, Directora de Finanzas

“Thomas insiste en que Outdoor es nuestra mejor categoría porque es la que más vende. Quiero ver qué se queda cada categoría después del costo de la mercancía, en dólares y como porcentaje de las ventas, para todo el historial de 2023 a 2025.”

Tu objetivo

A partir de lines (construido en el starter: líneas válidas de pedidos confirmados, de 2023 a 2025, con net y cogs), conserva solo las líneas con unit_cost conocido. Asigna a result un DataFrame con una fila por categoría y las columnas category, net_sales (suma de net), cogs (suma de cogs), gross_margin (net_sales − cogs) y margin_pct (gross_margin × 100 / net_sales), todas redondeadas a 2, ordenado por margin_pct de mayor a menor.

  • Usa el DataFrame productspendiente
  • Usa el DataFrame orderspendiente
  • Muestra exactamente category net_sales cogs gross_margin margin_pctpendiente

Tu código

Python

Cargando el editor…

    ResultadoVista previa de products · presiona Ejecutar para ver el tuyo
    Vista previa de products
    product_idnamecategorysubcategoryunit_price
    101Vale Velvet LoveseatFurnitureSofas1659.00
    102Alder Oak Coffee TableFurnitureTables919.00
    103Orchard Rattan Dining ChairFurnitureChairs789.00
    104Upland Oak BookcaseFurnitureStorage429.00

    Mote revisa tu resultado

    Presiona Ejecutar. Cada fila que cumple el objetivo se vuelve una luciérnaga en tu linterna.

    DataFrames

    Cargados como DataFrames de pandas, junto con pd y np.

    products120 filas · 8 columnas
    • product_idinteger
    • namevarchar
    • categoryvarchar
    • subcategoryvarchar
    • unit_pricedecimal
    • unit_costdecimal
    • launched_ondate
    • is_activeboolean
    Primeras 5 filas de products
    product_idnamecategorysubcategoryunit_priceunit_costlaunched_onis_active
    101Vale Velvet LoveseatFurnitureSofas1659.00NaN2023-09-11true
    102Alder Oak Coffee TableFurnitureTables919.00503.502024-05-16true
    103Orchard Rattan Dining ChairFurnitureChairs789.00429.872023-05-27true
    104Upland Oak BookcaseFurnitureStorage429.00214.702022-12-20true
    105Avery Leather Bed FrameFurnitureBeds449.00232.702021-08-31true
    orders12,000 filas · 7 columnas
    • order_idinteger
    • customer_idinteger
    • order_datetimestamp
    • statusvarchar
    • channelvarchar
    • shipping_feedecimal
    • coupon_codevarchar
    Primeras 5 filas de orders
    order_idcustomer_idorder_datestatuschannelshipping_feecoupon_code
    10011252023-01-01 20:51:19completedweb0.00NaN
    10021562023-01-02 07:58:46completedweb0.00NaN
    1003222023-01-02 10:25:27completedmarketplace4.99WELCOME10
    1004482023-01-02 11:21:51completedmarketplace4.99WELCOME10
    1005822023-01-02 11:43:36completedweb0.00WELCOME10
    order_items30,338 filas · 6 columnas
    • order_item_idinteger
    • order_idinteger
    • product_idinteger
    • quantityinteger
    • unit_pricedecimal
    • discount_pctdecimal
    Primeras 5 filas de order_items
    order_item_idorder_idproduct_idquantityunit_pricediscount_pct
    11001121931.990.00
    21001154311.990.00
    31002154411.990.00
    410021941149.000.00
    51002193219.990.00
    customers2,018 filas · 9 columnas
    • customer_idinteger
    • first_namevarchar
    • last_namevarchar
    • emailvarchar
    • cityvarchar
    • statevarchar
    • signup_datedate
    • segmentvarchar
    • referral_sourcevarchar
    Primeras 5 filas de customers
    customer_idfirst_namelast_nameemailcitystatesignup_datesegmentreferral_source
    1OwenHudsonowen.hudson@icloud.comSan FranciscoCA2022-06-02consumersearch
    2DouglasMendozadmendoza69@gmail.comAtlantaGA2022-06-02consumerNaN
    3HenryBrookshbrooks@lakesidecafe.comLos AngelesCA2022-06-04businessNaN
    4BrianGrahambgraham@bluecedarhomes.comSeattleWA2022-06-06businesspinterest
    5KyleJimenezkjimenez27@yahoo.comIndianapolisIN2022-06-07consumerNaN
    returns1,673 filas · 5 columnas
    • return_idinteger
    • order_item_idinteger
    • returned_ondate
    • reasonvarchar
    • refund_amountdecimal
    Primeras 5 filas de returns
    return_idorder_item_idreturned_onreasonrefund_amount
    1142023-01-10damaged83.69
    2422023-01-10wrong_item19.99
    31052023-01-14wrong_item10.99
    4242023-01-16changed_mind26.99
    51262023-01-16late20.99
    employees60 filas · 8 columnas
    • employee_idinteger
    • first_namevarchar
    • last_namevarchar
    • departmentvarchar
    • titlevarchar
    • manager_idinteger
    • hire_datedate
    • salaryinteger
    Primeras 5 filas de employees
    employee_idfirst_namelast_namedepartmenttitlemanager_idhire_datesalary
    1CatherineHaleExecutiveChief Executive OfficerNaN2016-03-01285000
    2RobertKimExecutiveChief Operating Officer12017-01-09235000
    3MeganCollinsSalesHead of Sales12018-04-16172000
    4ChloeGutierrezSalesAccount Executive32020-01-2172000
    5FrankBellSalesAccount Executive32023-05-2173000
    web_sessions40,000 filas · 7 columnas
    • session_idinteger
    • customer_idinteger
    • started_attimestamp
    • devicevarchar
    • sourcevarchar
    • pages_viewedinteger
    • convertedboolean
    Primeras 5 filas de web_sessions
    session_idcustomer_idstarted_atdevicesourcepages_viewedconverted
    1NaN2023-01-01 23:02:24mobilepaid1false
    2182023-01-01 15:07:49desktoppaid1false
    3NaN2023-01-01 16:55:46desktopdirect7false
    4NaN2023-01-01 12:43:28mobileorganic3false
    5NaN2023-01-01 13:06:21mobilesocial2false
    marketing_spend3,276 filas · 3 columnas
    • spend_datedate
    • channelvarchar
    • amountdecimal
    Primeras 5 filas de marketing_spend
    spend_datechannelamount
    2023-01-01paid492.99
    2023-01-01email37.38
    2023-01-01social200.53
    2023-01-02paid709.13
    2023-01-02email64.13

    La lección

    Qué mide el margen bruto

    El margen bruto es lo que queda de las ventas después de pagar la mercancía vendida:

    • Ventas netas: lo que los clientes pagaron por los artículos, después de descuentos (el envío no está incluido).
    • COGS (costo de la mercancía vendida): quantity × el costo unitario de cada producto.
    • Margen bruto = ventas netas − COGS, en dólares.
    • Margen bruto % = margen bruto ÷ ventas netas × 100.

    La cifra en dólares te dice cuánto aporta una categoría a pagar salarios, alquiler y marketing. El porcentaje te dice cuánto de cada venta se queda la tienda, que es lo que comparas entre categorías de tamaños muy distintos.

    Calcúlalo con las sumas, no con las líneas

    El margen % de una categoría es el margen total dividido por las ventas totales, ambos sumados primero:

    g = costed.groupby("category")
    (g["net"].sum() - g["cogs"].sum()) * 100 / g["net"].sum()

    Promediar el margen % de cada línea le daría el mismo peso a todas, así que una vela de $12 contaría tanto como un sofá de $1.600. Las sumas pesan cada línea por sus dólares, que es lo que finanzas entiende por margen de la categoría.

    Un costo faltante no es un costo cero

    Nueve productos no tienen unit_cost. Si los dejas, cogs es NaN en sus líneas y sum() de pandas ignora los NaN, así que sus ventas se cuentan sin ningún costo en contra. Eso convierte 961 líneas y $596.695 de ventas netas en ganancia pura. En su lugar, quita esas líneas de los dos lados de la razón y escribe la cobertura en la diapositiva: “margen sobre el 90 % de las ventas netas; 9 productos no tienen costo registrado”.

    lines["unit_cost"].isna().sum()   # lines with no cost

    Dólares y porcentaje cuentan historias distintas

    En el historial de Harbor & Pine, Outdoor vende más y se queda con menos por dólar, pero aun así gana más dólares de margen. Textiles es lo contrario: las ventas más pequeñas y la mejor tasa. Ningún número por sí solo es “la mejor categoría”. Pon ambos en la tabla, ordenada por el que responde a la pregunta.

    Errores comunes

    • Contar los costos faltantes como cero. El margen parece más alto de lo que es, y el error se esconde en un producto fácil de pasar por alto.
    • Usar el precio de lista en vez del precio pagado. products.unit_price es el precio de hoy; la línea del pedido tiene lo que el cliente realmente pagó.
    • Olvidar los descuentos. El margen sobre ventas brutas exagera lo que la tienda se queda en las promociones.

    Nota de entrevista

    “¿Cuál es la diferencia entre margen bruto y markup?” El margen divide la ganancia entre el precio de venta; el markup la divide entre el costo. Un producto comprado a $50 y vendido a $100 tiene un margen del 50 % y un markup del 100 %.

    Elige qué puede ejecutarse en este sitio. Puedes cambiarlo cuando quieras desde "Configurar cookies", al pie de cada página.