Carrera: Data Analytics
Módulo 2
Descubriendo la Base de Datos de Fast Food
Nombre del autor: Edgardo Luis Castillo Manotas
Email:
[email protected]Cohorte: DA-FT07
Fecha de entrega: septiembre 2024
Institución: Henry
Introducción
Este proyecto tiene como propósito llevar al desafiante universo de la gestión y análisis
de datos, a los estudiantes de Henry, asumiendo el rol fundamental de Data Analyst para
la marca en ascenso "Fast Food" en el sector de comida rápida.
A pesar de su éxito inicial en la apertura de nuevas sucursales, la empresa aún enfrenta
el desafío de gestionar información dispersa en archivos de Google Sheets y
documentos manuales. La participación como Data Analyst es esencial para llevar a
cabo la transición hacia una base de datos consolidada, garantizando la escalabilidad y
eficiencia en la toma de decisiones.
Desarrollo del proyecto
Avance No.1
En este primer avance del proyecto, se inicia construyendo la base de datos en el
software SQL Server, aplicando el lenguaje de definición de datos (DDL), visto en el
módulo DAM2L3 y anteriores. Se crearon las tablas necesarias para un efectivo análisis
de la base de datos, se definieron sus campos y se establecieron las relaciones entre
dichas tablas.
Avance No.2
En el segundo avance, se procedió a poblar las tablas con datos mediante queries. Se
utilizaron sentencias de DML, como “INSERT”, “UPDATE” y “DELETE”. De igual
forma se realizaron consultas que permitían extraer resultados básicos.
Avance No.3
En el tercer avance del proyecto integrador, se realizaron consultas mas avanzadas
utilizando funciones de agregación como “SUM”, “AVG”, “MIN”, “MAX”, para
responder a preguntas especificas que permiten conocer el estado actual de la empresa.
Avance No.4
Carrera: Data Analytics
Módulo 2
En el cuarto y ultimo avance, se trabajó con múltiples tablas en una sola consulta
utilizando “JOINs” y alias, accediendo así a información mas precisa de la empresa en
estudio.
Resultados y consultas
Consultas finales:
Consulta 1.
¿Cuál es el tiempo promedio desde el despacho hasta la entrega de los pedidos
gestionados por todo el equipo de mensajería?
SELECT AVG(DATEDIFF(MINUTE, Fecha_Despacho, Fecha_Entrega)) AS
Tiempo_Entrega
FROM Ordenes
WHERE MensajeroID IS NOT NULL;
Carrera: Data Analytics
Módulo 2
Consulta 2.
¿Qué canal de ventas genera más ingresos?
SELECT TOP 1
T2.Descripcion AS Origen,
SUM(Total_Compra) AS Total_Ventas
FROM Ordenes AS T1
INNER JOIN Origenes_Orden AS T2
ON T1.OrigenID = T2.OrigenID
GROUP BY T2.Descripcion
ORDER BY Total_Ventas DESC
Consulta 3.
¿Cuál es el nivel de ingreso generado por Empleado?
SELECT T2.Nombre As Empleado,
SUM(Total_Compra) AS Total_Ventas
FROM Ordenes AS T1
INNER JOIN Empleados AS T2
ON T1.EmpleadoID = T2.EmpleadoID
GROUP BY T2.Nombre
Consulta 4.
/* ¿Cómo varía la demanda de productos a lo largo del día? NOTA: Esta
consulta no puede ser implementada sin una definición clara del horario
(mañana, tarde, noche) en la base de datos existente. Asumiremos que
HorarioVenta refleja esta información correctamente.*/
SELECT T2.Horario_Venta,
T3.Nombre AS Productos,
SUM(T1.Cantidad) AS Volumen_Ventas
FROM Detalle_Ordenes AS T1
INNER JOIN Ordenes AS T2 ON T1.OrdenID = T2.OrdenID
INNER JOIN Productos AS T3 ON T1.ProductoID = T3.ProductoID
GROUP BY T2.Horario_Venta, T3.Nombre
Consulta 5.
¿Cuál es la tendencia de los ingresos generados en cada periodo mensual?
SELECT YEAR(Fecha_Orden_Tomada) AS Año,
DATENAME(MONTH, Fecha_Orden_Tomada) AS Mes,
SUM(Total_Compra) AS Ventas
FROM Ordenes
Carrera: Data Analytics
Módulo 2
GROUP BY YEAR(Fecha_Orden_Tomada),
DATENAME(MONTH,Fecha_Orden_Tomada), MONTH(Fecha_Orden_Tomada)
ORDER BY MONTH(Fecha_Orden_Tomada) ASC
Consulta 6.
/* ¿Qué porcentaje de clientes son recurrentes versus nuevos clientes cada mes?
NOTA: La consulta se enfocaría en la frecuencia de órdenes por cliente para
inferir la fidelidad.*/
SELECT ClienteID, COUNT(OrdenID) AS Cantidad_Ordenes
FROM Ordenes
GROUP BY ClienteID
ORDER BY Cantidad_Ordenes DESC
Hallazgos clave
Consulta 1. El tiempo promedio desde el despacho hasta la entrega de los pedidos es de
30.
Consulta 2. El canal de ventas que genera mas ingresos es el presencial con un total de
2140
Consulta 3. Se adjunta imagen del nivel de ingresos generado por empleado:
Consulta 4. Todas las ventas se realizaron en horario de la mañana.
Consulta 5. Los meses en los que menos ingresos hubo, fueron en marzo, abril, mayo y
junio, se adjunta imagen del comportamiento de los ingresos durante el periodo 2023
Carrera: Data Analytics
Módulo 2
Consulta 6. Absolutamente todos los clientes son nuevos, o diciéndolo de otra forma,
no hay ningún cliente recurrente, ya que las 9 ventas realizadas, fueron de 9 distintos
clientes.
Recomendaciones estratégicas
Consulta 1. Analizando el tiempo de todas las entregas, se puede observar que todas
tienen un tiempo de entrega de 30. Se recomienda hacer un estudio de distancias entre
las sucursales de la empresa y los clientes con el fin realizar una asignación optima de
sucursal vs cliente.
Consulta 2. Se recomienda hacer una campaña de promoción de los demás canales de
ventas que tiene la empresa ya que la opción de venta presencial es la que mas le cuesta
a cualquier entidad debido al pago de empleados, servicios públicos, alquileres, entre
otros. Se puede observa que la app Móvil vende un 44% de lo que vende la modalidad
presencial.
Consulta 3. Realizar planes de capacitación continuos en ventas, principalmente a los
empleados Alice Johnson, Bill Jones, Emma Davis y Tom Brown que tienen un nivel de
venta mucho mas bajo que sus compañeros.
Consulta 4. Actualmente la empresa solo está vendiendo en el horario de mañana, se
recomienda implementar estrategias de promoción a través de los diferentes canales de
comunicación, de modo que permita atraer mas clientes en los diferentes horarios que
atiende la empresa.
Consulta 5. Se recomienda realizar promociones en los meses de marzo, abril, mayo y
junio que son los meses en los que las ventas se encuentran bajas.
Consulta 6. Fidelizar a los clientes mediante una excelente prestación de servicio.
Carrera: Data Analytics
Módulo 2
Optimización y sostenibilidad
La base de datos se optimizó mediante diversos pasos necesarios como lo fue la
creación adecuada de sus tablas, la definición de sus campos, la creación de las claves
primarias y foráneas, la utilización de comentarios en los queries, garantizando la
calidad de los datos ingresados, la creación de consultas optimizadas. Todo esto
permitió contar con una base de datos solida garantizando la escalabilidad de esta a
futuro y haciéndola sostenible.
Desafíos y soluciones
Todo el proyecto fue un desafío, ya que el análisis de datos es un mundo completamente
nuevo para mí, no solo el aprender un nuevo lenguaje y sus comandos, si no, el entender
su eficiente utilización. Sin embargo, las lecturas y las clases con el tutor son muy claras
y permiten tener las herramientas necesarias para superar este reto.
Reflexión personal
Lo haría igual, creo que no es necesario cambiarle nada.
