1. Faro

Nivel 3 · Mezcla de ingresos frente a mezcla de margen

La solicitud

De Thomas Whitaker, Director de Merchandising

“Planificamos el presupuesto de compras del próximo año según la parte de ventas. Laura dice que esa es la lente equivocada. Para 2025, ¿puedes poner la parte de ventas de cada categoría junto a su parte del margen bruto para ver dónde no coinciden?”

Tu objetivo

A partir de costed (construido en el starter: líneas válidas de pedidos confirmados de 2025 con costo unitario conocido, con net y cogs), asigna a result un DataFrame con una fila por categoría y las columnas category, sales_share_pct (ventas netas de la categoría × 100 / todas las ventas netas), margin_share_pct (su margen bruto × 100 / todo el margen bruto) y gap_pts (margin_share_pct − sales_share_pct), todas redondeadas a 2 (calcula gap_pts con las partes sin redondear), ordenado por gap_pts de mayor a menor.

  • Usa el DataFrame productspendiente
  • Usa el DataFrame orderspendiente
  • Muestra exactamente category sales_share_pct margin_share_pct gap_ptspendiente

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

    Dos partes del mismo pastel

    Una mezcla es cómo se reparte un total entre grupos. La mezcla de ingresos es la parte de ventas de cada categoría; la mezcla de margen es su parte del margen bruto. Si todas las categorías tuvieran el mismo margen %, las dos mezclas serían idénticas. Difieren justo donde difieren los márgenes:

    • Una categoría con margen % por encima del promedio tiene una parte mayor del margen que de las ventas.
    • Una categoría con margen % por debajo del promedio tiene una parte menor.

    La brecha entre las dos partes, en puntos porcentuales, es una forma rápida de ver quién carga con la ganancia.

    Las partes usan el total general

    cat = costed.groupby("category")[["net", "margin"]].sum()
    cat["net"] * 100 / cat["net"].sum()       # sales share, adds up to 100
    cat["margin"] * 100 / cat["margin"].sum() # margin share, adds up to 100

    Cada parte divide la suma de una categoría entre la suma de toda la tienda de esa misma columna. Dividir el margen entre las ventas de la propia categoría daría su margen %, que es un número distinto con una pregunta distinta detrás.

    Puntos porcentuales, no porcentaje

    La brecha es una diferencia entre dos porcentajes, así que se mide en puntos porcentuales. Una categoría que pasa de una parte del 23 % a una del 21 % perdió dos puntos, lo que es una caída relativa del 9 %. Escribe “pts” para lo primero y ”%” para lo segundo; confundirlos es uno de los errores más comunes en las diapositivas.

    Qué hacer con la brecha

    Una brecha no es un veredicto. La menor parte de margen de Outdoor viene con las mayores ventas, y eliminarla perdería dólares de margen. La brecha le dice a merchandising dónde rinde más un dólar extra de presupuesto: en las categorías que se quedan con más de cada venta, siempre que haya demanda. Combínala con los dólares de margen del nivel 1 antes de recomendar algo.

    Errores comunes

    • Partes que no suman 100. Señal de que el denominador fue el grupo, no el total.
    • Redondear antes de restar. Dos partes redondeadas pueden dar una brecha de 0,01 que en realidad es 0,004.
    • Ordenar las categorías solo por parte de ventas. Describe tamaño, no valor.

    Nota de entrevista

    “¿Cómo repartirías un presupuesto entre líneas de producto?” Empieza con ambas mezclas. Mostrar que la parte de ventas y la parte de margen no coinciden, y por cuánto, es una buena primera respuesta.

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