Pregunta de investigación

¿Existe un perfil operativo diferenciado —definido por el tipo de pago, el modo de envío y el lugar de destino— que sea estadísticamente correlacionado con cada nivel de riesgo (Fraude, Retraso, Saludable), o los riesgos se distribuyen de forma homogénea independientemente de estas variables?

Cómo se lee este reporte

1. Cartografía geo-operativa (Fig. 1) — El color del país refleja el volumen del riesgo dominante. El hover revela el «Modus Operandi Local»: moda de Pago, Envío y Categoría. Responde si el perfil varía con el destino.
2. Triángulos de comportamiento (Fig. 2) — Un Sunburst por nivel de riesgo. Un segmento ancho indica que esa combinación pago × envío × mercado concentra el mayor volumen. Si el Fraude difiere visualmente del Saludable, la hipótesis queda corroborada.
3. Perfil de riesgo por producto (Fig. 3) — Barras horizontales del desfase promedio por categoría. Las más largas son candidatas prioritarias de revisión operativa.

Pregunta de investigación

¿En qué medida el riesgo de entregas tardías (superior al 50%) es consecuencia directa de la imposición algorítmica de tiempos de entrega estáticos, los cuales se mantuvieron inalterables temporal y espacialmente, provocando un desfase con la realidad operativa que condena a los envíos rápidos a tasas de fallo extremas y concentra el mayor volumen de retrasos en el servicio estándar?

Cómo se lee este reporte

1. Fig. 1 · Magnitud — Gauge con tasa global vs umbral del 50%.
2. Fig. 2 · Doble cuello de botella — Pareto: barras = volumen absoluto por modo, línea = tasa de tardanza. Standard gana por volumen; First+Second ganan por tasa: dos efectos coexistentes.
3. Fig. 3 · Rigidez del compromiso vs volatilidad operativa — Boxplot por modo. El diamante blanco es el día planeado (siempre el mismo); las cajas muestran que los días reales sí se distribuyen.
4. Fig. 4 · Rigidez TEMPORAL — Heatmap año × modo del día planeado. Si las celdas no cambian de color por fila, la empresa nunca ajustó su compromiso.
5. Fig. 5 · Rigidez ESPACIAL vs volatilidad real — Cuatro paneles (uno por modo). La línea blanca punteada (♦) es el día planeado, idéntica en las 15 regiones; la línea de color es el día real, que fluctúa con la geografía.
6. Fig. 6 · Estabilidad interanual por modo — Líneas año a año. Ninguna línea baja: ningún modo mejoró en 4 años.
7. Fig. 7 · Sólo el modo importa — Bar horizontal del spread de días reales por variable candidata. Sólo el modo de envío supera el umbral de 0.5 días.
8. Fig. 8 · Distancia ≠ días reales — Scatter haversine cliente↔centro USA vs días reales. La nube se mantiene horizontal: lejos o cerca, los días no cambian.
9. Fig. 9 · Cantidad ≠ tardanza — Líneas de tasa por Order Item Quantity (1–5 unidades), facetadas por modo. Cada línea es plana: el volumen del pedido no es causa.

Pregunta de investigación

¿Será que el 18.7% crónico de pedidos con pérdida es independiente del descuento aplicado, del Order Status, del año (2015–2018) y de la región geográfica (las 23 regiones del mundo), sugiriendo que las pérdidas no son consecuencia de promociones agresivas, contratiempos estacionales, fallos regionales ni cancelaciones, sino de un error sistémico de margen integrado en todo el pipeline de ventas?

Cómo se lee este reporte

La Fig. 1 trabaja sobre el dataset completo: identifica y trata los outliers Tukey. Las Fig. 2–11 usan el dataset filtrado (sin esos outliers) para investigar de dónde provienen las pérdidas ordinarias residuales.

1. Fig. 1 · Tratamiento de outliers — Dos paneles: izquierda distribución original (~7.6% por debajo de −$79.70); derecha distribución winsorizada al fence. El dataset limpio incluye is_loss_outlier y Benefit per order (capped).
2. Fig. 2 · Magnitud crónica (sin outliers) — Gauge con la tasa residual de pérdida.
3. Fig. 3 · Tasa por rango de descuento — Barras por rango 0–25%.
4. Fig. 4 · Tasa por Order Status — Barras por estado del pedido.
5. Fig. 5 · Tasa mensual — Línea durante 37 meses con banda ±2pp del promedio.
6. Fig. 6 · Tasa por región — Bar horizontal de las 23 regiones del mundo.
7. Fig. 7 · Año × región — Heatmap simultáneo año × región.
8. Fig. 8 · Spread por variable — Doble bar (sin filtro vs n ≥ 1000) para 9 candidatos.
9. Fig. 9 · Distancia vs Benefit — Scatter haversine cliente↔centro USA.
10. Fig. 10 · Distribución por categoría top 15 — Boxplots con % de pérdida anotado.
11. Fig. 11 · Cantidad vs pérdida — Barras de tasa por Order Item Quantity + línea de magnitud media.