1. Faro

Nivel 6 · ¿Qué canal tiene ventas más estables?

La solicitud

De Kevin Brooks, Gerente de Operaciones

“Organizo al equipo de empaque con un pronóstico de ingresos diarios. Algunos canales se sienten predecibles y otros oscilan muchísimo de un día al siguiente. ¿Qué canal tiene las ventas diarias más estables, y para cuál debería planificar con el mayor margen de seguridad?”

Tu objetivo

daily tiene una fila por día del 2023-01-01 al 2025-12-31 y una columna por canal, con los ingresos completados de ese día (0 en los días sin venta). Asigna a result un DataFrame con una fila por canal (ordenado de la A a la Z) y las columnas channel, mean y std de los ingresos diarios (valores predeterminados de pandas, redondeados a 2), y cv: la desviación estándar dividida entre la media, redondeada a 3.

  • Usa el DataFrame orderspendiente
  • Usa el DataFrame order_itemspendiente
  • Muestra exactamente channel mean std cvpendiente
Completed revenue per day, by channel (2023 to 2025)
Completed revenue per day, by channel (2023 to 2025)$0$2k$4k$6k$8k$10kapp: median $1,219, middle half $383.78 to $2,611, 1,096 valuesappmarketplace: median $307.44, middle half $0 to $983.58, 1,096 valuesmarketplaceweb: median $2,092, middle half $997.11 to $3,825, 1,096 valueswebRevenue per day
Completed revenue per day, by channel (2023 to 2025)$0$2k$4k$6k$8k$10kapp: median $1,219, middle half $383.78 to $2,611, 1,096 valuesappmarketplace: median $307.44, middle half $0 to $983.58, 1,096 valuesmarketplaceweb: median $2,092, middle half $997.11 to $3,825, 1,096 valueswebRevenue per day

Each box holds the middle half of the 1,096 days; the line inside is the median day. Dots are unusually big days. A few days above $10,000 are not drawn.

Ver los números
GroupValuesLower whiskerQ1MedianQ3Upper whiskerBeyond whiskers
app1,096$0$383.78$1,219$2,611$5,94356
marketplace1,096$0$0$307.44$983.58$2,45284
web1,096$0$997.11$2,092$3,825$8,03345

Tu código

Python

Cargando el editor…

    ResultadoVista previa de orders · presiona Ejecutar para ver el tuyo
    Vista previa de orders
    order_idcustomer_idorder_datestatuschannel
    10011252023-01-01 20:51:19completedweb
    10021562023-01-02 07:58:46completedweb
    1003222023-01-02 10:25:27completedmarketplace
    1004482023-01-02 11:21:51completedmarketplace

    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.

    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
    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
    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

    Mismo promedio, distinto riesgo

    Imagina dos tiendas que venden en promedio $1,000 al día. En la primera, casi todos los días caen entre $950 y $1,050. En la segunda, un día trae $400 y el siguiente $1,800. Los promedios son iguales; los negocios no. La primera se puede dotar de personal y de inventario a partir del promedio; la segunda necesita un margen de seguridad, porque el “promedio” rara vez es lo que ocurre.

    La desviación estándar del nivel 4 mide justo eso: la distancia típica de un día al día promedio. Pequeña significa predecible, grande significa volátil.

    Ingresos diarios por canal

    El código inicial arma daily: una fila por día calendario, una columna por canal. Sacar la desviación estándar de cada columna responde la pregunta de Kevin:

    daily.mean()   # app 1847.38, marketplace 764.13, web 2766.49
    daily.std()    # app 2039.60, marketplace 1190.90, web 2502.56

    En todos los canales la desviación estándar es casi tan grande como la media, o más. Los ingresos diarios aquí dependen de unos pocos pedidos grandes de empresas y de los picos de noviembre y diciembre, así que es difícil definir un “día normal”. El diagrama de caja lo muestra: las cajas son cortas y los puntos por encima llegan muy lejos.

    El coeficiente de variación

    La desviación estándar de web ($2,503) es la mayor, pero web también es el canal que más vende. Para comparar la dispersión entre grupos de distinto tamaño, divide la desviación estándar entre la media. Esa razón es el coeficiente de variación (CV):

    cv = daily.std() / daily.mean()   # web 0.905, app 1.104, marketplace 1.559

    Un CV de 0.9 significa que un día típico se aleja de la media cerca del 90% de ella. Web es el canal más estable en relación con su tamaño; marketplace es el menos predecible, con una oscilación típica de más de una vez y media su día promedio.

    Cuenta los días vacíos

    Marketplace no tuvo ninguna venta completada en 295 de los 1,096 días. Si agrupas los pedidos por día sin rellenar esos días, desaparecen: la media sube a $1,046 y el CV baja a 1.23, lo que hace que el canal parezca más estable de lo que es. Un día sin ventas es un día real con ingresos de 0. El reindex(...).fillna(0) del código inicial los devuelve.

    Errores comunes

    • Comparar desviaciones estándar de grupos con medias distintas. Usa el CV, o compara la dispersión de cada grupo con su propio promedio.
    • Descartar los días en cero. Agrupar pedidos por día solo crea los días que tuvieron pedidos. Arma primero el calendario completo.
    • Usar el CV con datos que pueden ser negativos o tener un promedio cercano a cero. Dividir entre una media cercana a 0 hace que la razón se dispare; está pensado para cantidades positivas como los ingresos.
    • Leer la volatilidad como algo malo. Un canal con grandes oscilaciones puede simplemente vender artículos caros. Aun así necesita más margen en el plan.

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