SQL Retail Sales Analysis

📌 Descripción del proyecto

Este proyecto tiene como objetivo analizar datos de ventas retail utilizando SQL para responder preguntas clave de negocio relacionadas con ingresos, categorías de productos, comportamiento del cliente y desempeño por centro comercial.

El análisis está orientado a la toma de decisiones comerciales basadas en datos.

🎯 Objetivos

• Analizar ingresos totales y ticket promedio
• Identificar categorías de productos más rentables
• Evaluar el desempeño de centros comerciales
• Analizar patrones temporales de ventas
• Identificar clientes de alto valor

🗂️ Dataset

• Fuente: Customer Shopping Dataset (Retail Sales Data)
• Formato: CSV
• Campos principales:
  • invoice_no
  • customer_id
  • gender
  • age
  • category
  • quantity
  • price
  • payment_method
  • invoice_date
  • shopping_mall

🛠️ Tecnologías utilizadas

• SQL (SQLite)
• DB Browser for SQLite
• Git & GitHub

📁 Estructura del proyecto

sql-retail-sales-analysis/

│

├── data/

│ └── retail_sales.csv

│

├── sql/

│ ├── 01_create_table.sql

│ ├── 02_basic_queries.sql

│ └── 03_business_insights.sql

│

├── results/

│ └── insights.md

│

└── README.md

🔍 Análisis realizado

1️⃣ Análisis descriptivo

• Total de ventas
• Ingresos totales
• Ticket promedio
• Ventas por categoría
• Ventas por género
• Métodos de pago más utilizados

2️⃣ Análisis temporal

• Ingresos mensuales
• Identificación de estacionalidad

3️⃣ Análisis de clientes

• Clientes de alto valor
• Gasto total por cliente
• Segmentación por grupo etario

4️⃣ Insights avanzados

• Ranking de categorías por ingresos
• Categorías más rentables por centro comercial

📊 Principales insights

• Un pequeño grupo de categorías concentra la mayor parte de los ingresos
• Existen diferencias significativas de desempeño entre centros comerciales
• Se observa estacionalidad en las ventas mensuales
• Un grupo reducido de clientes aporta una proporción importante del ingreso total

Los insights detallados se encuentran en: 📄 results/insights.md

💡 Impacto en negocio

Este análisis permite:

• Optimizar inventarios
• Enfocar campañas en categorías y segmentos rentables
• Mejorar la planificación comercial
• Identificar clientes estratégicos para programas de fidelización

🚀 Próximos pasos

• Integrar visualizaciones (Power BI / Tableau)
• Ampliar análisis con cohortes de clientes
• Conectar con modelos predictivos (ML)

👤 Autor

Silvio Guillén