Evidencia 1
Alumno: Ian Abraham Quiroz Cuapio A01731418
2023-09-12
Entregable/Parte 1 Explorar y Conocer la Empresa y Su Contexto
Este entregable tiene el objetivo de explorar y conocer a la empresa y su contexto, mediante el anáisis de fuentes de información primarias y secundarias. Además se usará la plataforma RStudio y Excel para poder analizar y visualizar datos que nos ayuden a comprender de mejor manera a la empresa y sus posibles áreas de oportunidad
Resumen de la sesión de kick off del Socio Formador - FORM
El resumen se encuentra en el anexo de este documento
Antecedentes de la Empresa FORM
Visión
En 2033 seremos una de las cinco mejores compañías de México que generan valor dentro de la cadena de suministro de las industrias que más valoran la forma en la que se protegen y trasladan las cosas.
Misión
Transformar nuestro entorno y resolver retos industriales de nuestros clientes a través de la colaboración, provocando nuevas oportunidades que potencian nuestro modelo de negocio, para alcanzar nuestros ideales.
Objetivos Estratégicos
- Tecnificar la producción
- Utilizar más los datos para la toma de decisiones
- Generar un sentido de pertenencia en los colaboradores
- Diversificación extranjera en Estados Unidos para incrementar presencia
- Ser de las empresas que mejor paguen en Nuevo León
Análisis de las áreas de la Empresa usando las bases de datos
Librerías
A continuación se muestran las librerías que se usaron para poder realizar el análisis y visualización de datos de FORM y su Industria.
library (tidyverse)
library (foreign)
library (ggplot2)
library(dplyr)
library(scales)
library(ggrepel)Paletas de Colores
Se creó una paleta de colores con el fin de que el documento y sus gráficas tuvieran la misma sintonía de colores y se tuviera un formato profesional
colores_base <- c("darkorange", "darkgoldenrod", "tan")
generar_variantes <- function(color, n) {
color_fun <- colorRampPalette(c("ivory", color))
return(color_fun(n))
}
mi_paleta <- c(colores_base, generar_variantes(colores_base[1], 10), generar_variantes(colores_base[2], 10), generar_variantes(colores_base[3], 10))Carga de bases de datos
Lo que se hizo fue crear dataframes para las bases de datos de FORM y la Industria.
Autoparts<-read.csv("C://Users/IanAb/Documents/7to Semestre/DATA BASE/US_Auto_Parts_Industry.csv")
CarProduction<-read.csv("C://Users/IanAb/Documents/7to Semestre/DATA BASE/US_Auto_Production_Sales.csv")
ImpCartonBox<-read.csv("C://Users/IanAb/Documents/7to Semestre/DATA BASE/Importers of Cartons boxes cases of corrugated paper or board 2020-2021.csv")
ExpCartonBox<-read.csv("C://Users/IanAb/Documents/7to Semestre/DATA BASE/Exporters of Carton boxes cases of corrugated paper or board 2020-2021.csv")
RH_info<-read.csv("C://Users/IanAb/Documents/7to Semestre/DATA BASE/form_rh_datos.csv")
Data1 <- read.csv("C://Users/IanAb/Documents/7to Semestre/DATA BASE/mx_exportacion_autos.csv")
RHB <-read.csv("C://Users/IanAb/Documents/7to Semestre/DATA BASE/form_rh_bajas_datosB.csv")
Ndatos<- read.csv ("C://Users/IanAb/Documents/7to Semestre/DATA BASE/hybrid_car_units.csv")
mx_exauto <- read.csv("C://Users/IanAb/Documents/7to Semestre/DATA BASE/mex_exports_autoparts.csv")
Autopartes <- read.csv("C://Users/IanAb/Documents/7to Semestre/DATA BASE/Autopartes.csv")
ventas_carton <- read.csv("C://Users/IanAb/Documents/7to Semestre/DATA BASE/ventas.csv")Viusalización de Datos Inicial
Lo que se hizo fue visualizar las diferentes bases de datos para conocer el tipo de datos que tienen, el nombre de las columnas y si cuentan con espacios donde en vez de información
View(Autoparts)
View(CarProduction)
View(ImpCartonBox)
View(ExpCartonBox)
View(RH_info)Gráficas RH
En esta sección mediante el uso de ggplot y funciones/argumentos para filtrar y limpiar la base de datos, se realizaron gráficos que nos permiten entender mejor a FORM
RH1<-RH_info%>%select(FECHA.DE.NACIMIENTO,GENERO,FECHA.DE.ALTA,Primer.mes,X4to.mes,PUESTO,DEPARTAMENTO,SALARIO.DIARIO.IMSS,ESTADO.CIVIL,TARJETA.CUENTA)
View(RH1)
g = ggplot(RH1, aes(PUESTO, fill=GENERO) ) + labs(title = "Distribución de Genero Por puesto de Trabajo",x="Puesto (Abreviado)")+ylab("Número de Personas") + theme(plot.title = element_text(size = rel(2), colour = "darkgoldenrod3"))
g+geom_bar(position="dodge") + scale_fill_manual(values = mi_paleta) +
theme(axis.title.x = element_text(face="bold", size=10)) + theme_minimal() 
Este gráfico nos muestra la distribución de genero por puesto de trabajo. Como se puede ver hay una mayor cantidad de mujeres en FORM, especialmente en el puesto de ayudante general.
RHB <- rename (RHB,MOTIVO.DE.BAJA = "MOTIVO.DE.BAJA")
Bajas_por_genero<- select(RHB,GENERO,MOTIVO.DE.BAJA)
ggplot(Bajas_por_genero, aes(GENERO))+geom_bar(aes(fill=MOTIVO.DE.BAJA), width = 0.5)+ggtitle ("Motivos de baja por genero")+ theme_minimal() + scale_fill_manual(values = mi_paleta)
Existe una diferencia significativa entre el género de los empleados, ya que se puede observar que hay muchas más mujeres que hombres. De igual forma, la diferencia entre los motivos de baja de los empleados es notoria, pues en ambos sexos el principal motivo es por faltas. Esto es algo alarmante para FORM, ya que significa que los empleados no tienen responsabilidad laboral y no están realmente comprometidos con la empresa.
ggplot(RHB, aes(GENERO)) +
geom_bar(aes(fill = GENERO), width = .25) + # Utiliza GENERO para determinar los colores
labs(title = "Distribución de Género por Días Laborados ante de Salir",
x = "Género",
y = " Promedio de Días de trabajo") +
theme_minimal() + scale_fill_manual(values = mi_paleta)
En la gráfica se muestran los días trabajados antes de salir de la empresa por genero; Las mujeres tienen un promedio superior al de los hombres. Se puede observar que los hombres que salieron de la empresa trabajan en un rango de 100 días y las mujeres en aproximadamente 130 días.
rh_m <- RH_info %>%
slice(-22)
municipios <- rh_m %>%
filter(ESTADO=="NUEVO LEON") %>%
group_by(MUNICIPIO, GENERO) %>%
summarise(total_personas = n_distinct(NOMBRE))
ggplot(municipios, aes(x = MUNICIPIO, y = total_personas, fill = GENERO)) +
geom_col() +
labs(title = "Colaboradores por Municipio",
x = "Municipio",
y = "Total de Personas",
fill = "Género") +
theme_minimal() + scale_fill_manual(values = mi_paleta) +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
En este gráfico podemos observar a que municipio pertenece cada uno de los colaboradores, esta información nos permite identificar la distancia o el tiempo que les toma llegar a la planta. Con esta información podemos tomar decisiones en cuanto a transporte para personal o incluso identificar posibles riesgos.
Desempeño Reciente de FORM
- Acreedor al Premio Nacional de Envase en 2010, 2014,2015,2016,2017,2019 y 2022, reconociendo la sostenibilidad de los envases y embalajes como producto de la innovación.
- Innovación con patente global que permite a las compañías reducir espacio y ahorrar en logística. Se trata de una caja que disminuye el espacio en almacén y aumenta la capacidad de empaque un 10-15% para productos del sector automotriz.
- En 2022 Tesla se convirtió en uno de sus nuevos socios, FORM le provee cajas de cartón personalizadas, es una línea personalizada en donde se crean piezas vista, electrónicas o de Clase A.
- En los últimos 5 años la empresa a duplicado su crecimiento y en pandemia logró mantener su volumen de ventas.
- Gracias a la inversión en años anteriores, hoy en día la empresa cuenta la certificación ISO 9000-2015.
Factores Diferenciadores de FORM
1. Especialización en cartón corrugado
2. Años de experiencia en la Industria
3. Versatilidad en retornables
4. Consultoría en Ingeniería de empaque
5. Software de Administración de empaque
6. Visión de adquisición de clientes
Contexto de la Industria
Análisis de la Industria (Cartón, Autopartes, Automotriz) para el caso de México y E.U.A., usando datos de fuentes secundarios y las bases de datos proporcionados por el profesorado.
Industria Automotriz
México
Sobre la Industria Automotriz de acuerdo con Data México y el DENUE 2022 la fabricación de automóviles y Camiones registró 73 unidades económicas; siendo CDMX (9), EDOMEC (9) y Nuevo León (7) los estados con más unidades. Otros estados del norte qué cuentan con un número significante de unidades económicas son Baja California y Coahuila de Zaragoza.
Los Estados qué más han recibido Inversión Extranjera Directa en 2022, fueron Guanajuato ($989 millones de USD), CDMX ($515 millones de USD ) y Baja California ($329 Millones de USD); estas inversiones provienen de 3 principales países siendo estos Estados Unidos con $1,327 Millones de USD, Japón con $911 Millones de USD y Corea del Sur con $507 millones de USD.
Esta información es importante tenerla ya qué nos permite conocer en qué estados se está produciendo e invirtiendo más en lo Automotriz y por ende pueden ser zonas de oportunidad en donde la empresa puede ofertar sus productos y servicios de empaque de autopartes; a la vez el hecho de saber qué países están invirtiendo puede ayudar a conocer a qué tipo de cliente se le estará intentando vender, y en caso de qué la relación de negocio sea exitosa, a qué países en un futuro se puede expandir.
A la vez Carlier Mathilde (2021), Reserch Expert de Statista, comenta qué de acuerda a las previsiones del mercado la Industria automotriz apunta a un crecimiento constante en los próximos 4 años, esto se traduce a qué FORMS seguirá teniendo demanda y podría aumentar al pasar de estos 4 próximos años. Además, comenta qué gracias al acuerdo USMCA entre USA, México y Canadá, se renovaron las regulaciones de libre comercia, por lo que la expansión de FORMS a San Antonio y su exportación a USA no debería contener inconvenientes legales.
USA
Según datos de Mordor Inteligencie Estados Unidos es una de las principales industrias automotrices en el mundo ya que contribuye con un 3% de producto interno bruto en todo el país. En el año 2022 la producción de vehículos tuvo un total de 10,060,339 unidades lo que en su caso es un crecimiento de 9.74% respecto al 2021.
De acuerdo con datos de Bankinter Estados Unidos se posiciona en el segundo puesto de fabricación de coches previstos para el 2023.
En Estados Unidos los principales vendedores de autos en el año 2022 fueron General Motors, Toyota Motor y Ford. en cuáles los principales estados son: Michigan Ohio indiana Kentucky Tennessee Alabama Texas y California.
En Texas se encuentran una de las industrias automotriz más importantes las cuales son Toyota General Motors y Tesla. Tesla tiene su mega fábrica en el área de Austin y se espera que el proyecto cree 5000 nuevos empleos y más de 1000 millones de dólares en inversión de capital. Además de esto en Texas según datos de la “SPC pro” representó el 20% del total de Estados Unidos en la industria automotriz.
Gráficas de la Industria Automotriz
Exportaciones de Autos en México por Marca
Exportaciones <-Data1 %>% group_by(Marca) %>% summarise(num_exportaciones=n()) %>% arrange (desc(num_exportaciones))
Marca_mas_exportaciones <- Data1 %>% filter(Marca %in% c("Nissan","Volkswagen","General Motors","Chrysler","Mazda","Ford Motor","KIA","Honda","Fiat","Audi"))
ggplot(Marca_mas_exportaciones,aes(Marca,fill=Marca))+geom_bar()+ggtitle ("Top 10 Exportaciones por Marca") + theme_minimal() + scale_fill_manual(values = mi_paleta) +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
La marca con más exportaciones por año es Nissan, con casi 24000 unidades, esto es conveniente para el socio formador ya que, al ser una Marca de origen japones, entra en el mercado de clientes que le interesan a FORM.
Regiones <- filter(Ndatos,region %in%
c("Centro-Norte","Norte","Norte-Occidente","Centro","Sur"))
ggplot(data=Regiones,
aes(x=region,y=hybrid_car_units,fill=region
)) + geom_boxplot() + ylim(0,1000) +
theme_minimal() + ylab("Unidades de carros hybridos") +
ggtitle("Unidades de carros hybridos por zonas de México") + theme(axis.text.x = element_text(angle = 45, hjust = 1)) + scale_fill_manual(values = mi_paleta)
En esta gráfica vemos la cantidad de carros híbridos por zonas de México en la que la mayor venta se dan en la zona Norte pero el mayor rendimiento es en la zona Norte Occidente. También se puede ver que el peor sector es el del Sur.
Autopartes
México
De acuerdo con Data México y el Censo Económico 2019, la producción bruta del Comercio al por Menor de Partes y Refacciones para Automóviles, Camionetas y Camiones, fue de un total de $89,695 millones de pesos; los estados con mayor producción fueron CDMX con $8,898 millones de pesos y Jalisco con $8,457 millones de pesos. Este dato es importante a considerar porque permite qué estados son los que más están produciendo autopartes en México y por ende son clientes potenciales para FORMS.
Los Estados qué más han recibido Inversión Extranjera Directa en 2022, fueron Querétaro ($14 millones de USD), Coahuila de Zaragoza ($2.71 millones de USD) y CDMX ($2.69 Millones de USD); estas inversiones provienen de 3 principales países siendo estos Japón, Corea del Sur y Canadá. Esta información es importante tenerla ya que nos permite conocer en que estados se está produciendo e invirtiendo más en el Comercio de Autopartes al por Menor y por ende pueden ser zonas de oportunidad en donde la empresa puede ofertar sus productos y servicios de empaque de autopartes; a la vez el hecho de saber qué países están invirtiendo puede ayudar a conocer a qué tipo de cliente se le estará intentando vender, y en caso de qué la relación de negocio sea exitosa, a qué países en un futuro se puede expandir.
También Statista nos ayuda a corroborar que esta industria seguirá en demanda ya que pronostico qué el ingreso de esta industria pasará de $11,27 Billones de USD en 2022 a $13,98 Billones de USD en México, por lo que los clientes actuales de esta industria seguirán necesitando paquetes y cajas de FORM.
USA
La industria de autopartes en Estados Unidos está estimada en 205.81 miles de millones de dólares, y se espera tener un crecimiento de 4.1% del 2023 al 2030. El mayor mercado en Estados Unidos para las autopartes son los aires acondicionados suspensiones interiores transmisiones sistemas de maniobró radios radiadores tecnología frenos entre otros.
Otra de las medidas tendencias que pueden hacer que el mercado crezca en Estados Unidos es el incremento en la venta de vehículos electrónicos los cuales necesitan varias partes y la venta anual de vehículos eléctricos en Estados Unidos pasó 172.1 miles de unidades en 2021 lo que indica una demanda alta por partes y componentes que necesita el mercado Estados Unidos también es el más grande mercado en este tipo de vehículos con manufactureras como Cadillac GMC Tesla Chrysler las cuales lideran el mercado de vehículos electrónicos.
Texas en el mercado de autopartes aparte de cero un albergue de industrias muy grandes también tiene una mezcla de fabricantes y proveedores que ayudan a su economía automotriz.
Gráficas de la Industria de Autopartes
resultados <- mx_exauto %>%
filter(year >= 2020) %>%
group_by(year, State) %>%
summarise(ventas_totales = sum(trade_value))
ggplot(resultados, aes(x = State, y = ventas_totales, fill = factor(year))) +
geom_bar(stat = "identity", position = "dodge") +
labs(title = "Ventas Totales por Año y Estado",
x = "Estado",
y = "Ventas Totales",
fill = "Año") +
theme_minimal() +
theme(legend.position = "top") +
theme(axis.text.x = element_text(angle = 90, hjust = 1)) +
scale_y_continuous(labels = scales::comma)+scale_fill_manual(values = mi_paleta)
En este gráfico podemos observar la participación de los distintos estados de México en las exportaciones de autopartes, esto nos permite visualizar a grandes rasgos en que estados es en donde hay más exportación de autopartes a países extranjeros. Estos hallazgos nos permiten tomar decisiones estratégicas, como por ejemplo elegir alguna ubicación estratégica para un almacén, punto de distribución o incluso una planta.
ggplot(Autopartes, aes(x = year)) +
geom_bar(aes(y = imports_from_US, fill = "Importaciones desde US"), stat = "identity", position = "dodge") +
geom_bar(aes(y = total_imports - imports_from_US, fill = "Total de importaciones"), stat = "identity", position = "dodge") +
labs(title = "Importaciones de Autopartes por Año",
subtitle = "Industria Automotriz",
caption = "Mexico Automotive Industry - International Trade Administration - USD Billions",
x = "Año",
y = "Importaciones") +
scale_fill_manual(values = c("Importaciones desde US" = "ivory2", "Total de importaciones" = "darkorange")) +
theme_minimal() +
labs(fill = "Tipo de Importación")
Tanto el total de importaciones como las que provienen de US han incrementado con el paso de los años, solamente en el 2020 hubo una disminución debido a la pandemia de Covid-19, pero después recuperó su comportamiento. Además, es importante mencionar que las importaciones desde US representan más del 50% del total de importaciones.
Cartón
México
Según datos de Euromonitor (2022), El mercado de papel corrugado, cartón y contenedores en México ocupa el primer lugar en Latinoamérica, al igual que su crecimiento del tamaño de mercado. El número de empresas presente en esta industria en 2021 fue de 8984 y va en crecimiento; aunque se podría decir qué la industria está fragmentada ya que solo las 5 empresas más grandes representan el 7.2% del valor de producción. Por último, la rentabilidad de la industria creció y logró llegar al 34.5% en 2021, y apunta a seguir creciendo. Estos datos nos indica qué México sigue siendo un país importante en esa industria en Latinoamérica, qué tiene futuro y por ende FORMS puede seguir en ella, pero también es una industria competitiva debido a la gran diversidad de empresas; por lo que FORMS deberá seguir innovando para mantenerse competitiva en el mercado.
De acuerdo a datos del DENUE 2022 en la Industria de la Fabricación de Productos de Cartón y Papel se registraron un total de 6,099 unidades económicas; siendo Estado de México (481), Jalisco(461), Veracruz de Ignacio de la Llave (418) y Nuevo León (329), los estados más relevantes. Esta información nos permite conocer en donde se podrían encontrar los competidores más fuertes de FORM.
Los Estados qué más han recibido Inversión Extranjera Directa en 2022, fueron Estado de México ($54.8 millones de USD), Baja California ($21.3 millones de USD ) y Nuevo León ($19.8 Millones de USD); estas inversiones provienen de 3 principales países siendo estos Irlanda, Estados Unidos y Nueva Zelanda.
Esta información es importante tenerla ya que nos permite conocer en que estados se está produciendo e invirtiendo más en la Fabricación de Productos de Cartón y Papel y por ende pueden ser zonas de oportunidad en donde la empresa puede buscar inversores para poder potenciar al crecimiento de la empresa y en caso de qué las relaciones sean exitosas a qué países en un futuro pueden exportar sus productos.
USA
De acuerdo con datos de Euromonitor International, La rentabilidad de la industria dentro de USA está disminuyendo, esto es debido a que los costes han aumentado un 8.1% en 2021; lo cual fue consecuencia en gran medida por el aumento en costos de las relaciones B2B.
Conforme a las competencias dentro de la industria, en 2021 se portó que 1369 empresas se integraron a la industria de Contenedores de Papel y Cartón corrugado. El sector se encuentra fragmentado debido a que el 43.2% del valor de producción en 2021 fue ocasionado por las 5 principales empresas; la empresa con mayor valor y fuerza en el mercado es WestRock Co, empresa qué generó el 10% del valor de producción total de la industria en 2021. Esta Industria está dominada por proveedores nacionales ya qué las importaciones representan el 5.8% del tamaño total del mercado en 2021.
Ahora bien, de acuerdo con la demanda USA tiene el mercado más grande dentro de los 20 principales países desarrollados, teniendo una demanda en 2021 equivalente a 56.1 billones de dólares. Cabe recalcar que B2B es el principal impulsor del mercado, representando el 92.4% de la demanda en 2021.
Estos datos nos dicen qué si bien la competencia es alta y dura en Estados Unidos, aun así, puede FORM ingresar a esta industria; si la rentabilidad sigue disminuyendo y los costes aumentando, las empresas qué ocupan este producto comenzarán a buscar otros proveedores con precios más accesibles, por lo que si FORM mantiene sus precios una vez instalados en San Antonio o siguen exportando sus productos, podrían tener éxito al expandirse a USA.
Gráficas de la Industria de Cartón
Específicamente, de la importación y exportación de cajas
ICB2<-ImpCartonBox%>%arrange(desc(Trade.Value))
View(ICB2)
ICB3<-ICB2%>%filter(Trade.Value>=123989664)
View(ICB3)
ggplot(ICB3, aes(x=Trade.Value, y=Country, fill=Country)) + geom_bar(stat="identity") + xlab("") + labs(x="Trade Value en 2021",title = "Top 20 países importadores de cajas de cartón", subtitle = "Según su Trade Value en el año 2021") + scale_x_continuous(labels=function(n){format(n, scientific = FALSE)}) + theme_minimal() + scale_fill_manual(values = mi_paleta)
Esta gráfica nos permite visualizar que países importan más y por ende se puede conocer a que países se puede expandir FORM en un futuro o en qué país puede conseguir nueva clientela internacional.
ECB2<-ExpCartonBox%>%arrange(desc(Trade.Value))
View(ECB2)
ECB3<-ECB2%>%filter(Trade.Value>=101375372)
View(ECB3)
ggplot(ECB3, aes(x=Trade.Value, y=Country, fill=Country)) + geom_bar(stat="identity") + xlab("") + labs(x="Trade Value en 2021",title = "Top 20 países exportadores de cajas de cartón", subtitle = "Según su Trade Value en el año 2021") + scale_x_continuous(labels=function(n){format(n, scientific = FALSE)})+ theme_minimal() + scale_fill_manual(values = mi_paleta)
Esta gráfica nos permite visualizar que países son los que más exportan cajas y empaques de cartón, por ende se puede saber que países pueden tener empresas que puedan ser una amenaza para FORM, además se conoce que países no pueden ser tan convenientes para hacer negocios, debido a la alta competencia.
view(ventas_carton)
ggplot(ventas_carton, aes(x = Mes, y = Carton)) +
geom_bar(stat = "identity", fill = "darkorange") +
labs(title = "Ventas de Carton por Mes", subtitle = "2022", x = "Mes", y = "Ventas MDP") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 20, hjust = 1)) + scale_x_discrete(limits = ventas_carton$Mes)
Se puede observar que las ventas de cartón durante el 2022 incrementaron al final de cada trimestre, es decir, en los meses de Marzo, Junio y Septiembre, sin embargo, el mes de Agosto tuvo incrementos considerables con respecto al mes anterior.
FODA Cruzado de FORM
Apartir de los antecedentes de la empresa y el contexto de la industrias de México y E.U.A. elaborar FODA cruzado que identifique y describa 2-3 estrategias a seguir por parte de la empresa en el corto plazo.
Equipo_DataEnigma
PESTLE
Con base en el análisis de las industrias de México y E.U.A se identificaron variables / factores relevantes para elaboración de PESTLE y se descubrieron 2-3 estrategias a seguir por parte de la empresa en el corto plazo.
MEX y EUA
Equipo_DataEnigma
Estrategias
1. Analizar las tendencias de consumo internacional para poder incrementar la producción de cartón retornable y así minimizar costos y factores ecológicos de riesgo como la superficie forestal perdida.
2. Automatizar los procesos de elaboración de los empaques a través de la innovación tecnológica hará que se aceleren los procesos y se reduzcan costos. Esto daría la posibilidad de abastecer a la demanda de forma más rápida.
3. Una de las tendencias en la industria del embalaje es la preocupación por el packaging sostenible, por lo tanto, FORM podría apostar por materiales alternativos que le ayuden a aumentar su % de producción de retornable, además de la integración de prácticas de diseño y producción más interactivas y sostenibles, y fomentar el reciclaje avanzado.
Entregable/Parte 2 Análisis Exploratorio de Datos
Situación Problema 2
Explorar, definir, y describir cuáles son los principales factores del clima organizacional de FORM que propician la satisfacción y/o no satisfacción de trabajar en dicha empresa.
Preguntas de Análisis
Se crearon 6 preguntas clave que, junto con el uso de los datos compartidos por la empresa, nos ayudarán a descubrir y entender la verdadera situación de FORM, con respecto al clima organizacional.
Para responder a las preguntas de análisis, se hará un Análisis Exploratorio de Datos(EDA) en donde con el uso de Estadísticos Descriptivos, Medidas de Dispersión, Gráficos para la Visualización de Datos, Tablas de Frecuencia y Tablas de Contingencia, se responderán dichas preguntas y podremos obtener insights de cómo se podría ayudar a FORM. para que explote su verdadero potencial.
Para cada pregunta se usaron diferentes librerías, paquetes, bases de datos y argumentos, esto con la finalidad de poder manejar los datos de una forma eficiente y así comprenderlos de mejor manera, a la vez gracias al uso de diferentes gráficas y tablas se puede tener una mejor visualización de datos. En cada pregunta se realizan diferentes códigos con la finalidad de responder a las preguntas de la mejor manera posible con los datos que la empresa FORM nos proporcionó.
Antes de empezar con este Análisis Exploratorio de Datos, hay que aclarar y definir que és y cual es su propósito, esto se muestra a continuación:
¿Qué es un Análisis Exploratorio de Datos (EDA)?
Un Análisis exploratorio de los datos es un proceso en el cuál se examina a profundidad y se categoriza a las variables e información de las bases de datos de una organización, esto ayuda a que se puedan conocer las características de las bases de datos con las que estamos trabajando.
Además, con el uso de herramientas como R, RStudio, Python, Power BI y Tableua, se realizan estadísticos descriptivos, se obtienen medidas de dispersión, tablas de frecuencia y contingencia; y se pueden crear gráficos normales e interactivos en donde se muestren las relaciones directas e indirectas que una variable puede tener con otra y su nivel de dependencia e impacto.
Al poder visualizar los datos con diferente medios gráficos y estadísticos, podemos entender el valor y tamaño de la información que poseen las bases de datos con las que se cuenta; esto puede dar paso a la creación de insights que permitan a una empresa mejorar su situación actual.
Para poder llegar a esa fase de visualización de datos, previamente mediante el uso de códigos, funciones, y argumentos se limpia y analizan las bases de datos. Esta limpieza de datos permite identificar las celdas que no tienen información, información repetida, errores de dedo (como la ausencia de una coma o puntos en valores numéricos y/o faltas de ortografía o uso de mayúsculas en variables cualitativas) y/o identificar valores con caracteres especiales.
Una vez que la información de la base de datos se organiza y se filtra, ya se pueden empezar a hacer gráficos y cálculos estadísticos, con el fin de poder obtener resultados finales y revisar los descubrimientos hechos.
Los tipos de Análisis Exploratorio de los Datos que se hicieron en esta evidencia fueron de tipo multivariable gráfico y no gráfico, se dice que es multivariable porque no solo se evalúa el comportamiento de una variable, sino que fue el comportamiento de varias y también se analizó la forma en las que estas se relacionan y se evalúa el nivel de impacto y dependencia que una variable tiene con otra. Como se observará a continuación se hicieron gráficos que permiten la visualización de datos, tales como gráficos de barras, líneas, pastel, dispersión y mapas. En cuestión de análisis no gráficos estos serían los estadísticos descriptivos, las medidas de dispersión y tablas de frecuencia y contingencia; los cuales también ayudan a entender el peso de ciertos valores, su comportamiento y distribución.
¿Cuál es el propósito de realizar un Análisis Exploratorio de los Datos (EDA)?
El propósito de hacer una Análisis Exploratorio de Datos (EDA) es proporcionar información verídica y relevante para que la toma de decisiones se pueda hacer de manera correcta e informada. El EDA ayuda a identificar errores en las bases de datos, a entender y detectar patrones de comportamientos de variables independientes y dependientes, identificar anomalías, descubrir relaciones entre variables y probar hipótesis.
Como fue en nuestro caso, el EDA nos ayudó a responder nuestras preguntas de análisis/hipótesis que teníamos sobre la empresa y su comportamiento en el área de recursos humanos; al inicio teníamos ciertas suposiciones pero con el EDA y el usa de gráficos y recursos estadísticos confirmamos o rechazamos nuestras suposiciones, posteriormente ya con la información real se pudieron crear insights que permitan crear propuestas competitivas y realistas que den paso a que FORM pueda explotar su potencial.
Ahora que ya se conoce qué es un EDA y cuál es su propósito, se muestra a continuación cómo este nos ayuda a responder nuestras preguntas de análisis y así nos demostrará la situación actual de la empresa, en cuestión de su área de Recursos Humanos.
Limpieza de datos: Necesaria para que se pueda manejar la información de manera correcta
Librerías usadas
library(readxl)
library(tidyverse)
library(writexl)
library(psych)
library(dplyr)
library(lubridate)
library(opencage)
library(httr)
library(geosphere)
library(leaflet)
library(ggmap)Carga de la base de datos
datos_2022 <- read.csv("C://Users/IanAb/Documents/7to Semestre/DATA BASE/B_form_rh_bajas_datos_2022.csv")
datos_2023 <- read.csv("C://Users/IanAb/Documents/7to Semestre/DATA BASE/B_BDD_FORM_BAJAS_2023.csv")
datos_actuales <- read.csv("C://Users/IanAb/Documents/7to Semestre/DATA BASE/form_rh_datos (1).csv")
datos_2023 <- datos_2023[complete.cases(datos_2023), ]Unión de las bases de datos
df_bajas <- bind_rows(datos_2022, datos_2023)
df_bajas <- as.data.frame(lapply(df_bajas, toupper))Limpieza de la base de Datos
df_bajas <- df_bajas %>%
mutate(ESTADO.CIVIL = ifelse(ESTADO.CIVIL %in% c("SOLTERIA", "SOLTERA"), "SOLTERO", ESTADO.CIVIL)) %>%
mutate(ESTADO.CIVIL = ifelse(ESTADO.CIVIL %in% c("CASADO", "CASADA", "MATRIOMONIO"), "MATRIMONIO", ESTADO.CIVIL))
datos_actuales <- datos_actuales %>%
mutate(ESTADO.CIVIL = ifelse(ESTADO.CIVIL %in% c("SOLTERIA", "SOLTERA"), "SOLTERO", ESTADO.CIVIL)) %>%
mutate(ESTADO.CIVIL = ifelse(ESTADO.CIVIL %in% c("CASADO", "CASADA", "MATRIOMONIO"), "MATRIMONIO", ESTADO.CIVIL))Nueva columna que da a conocer la edad del personal
df_bajas$FECHA.DE.NACIMIENTO <- dmy(df_bajas$FECHA.DE.NACIMIENTO)
fecha_actual <- Sys.Date()
df_bajas$EDAD <- round(as.numeric(difftime(fecha_actual, df_bajas$FECHA.DE.NACIMIENTO, units = "days") / 365.25))
datos_actuales$FECHA.DE.NACIMIENTO <- mdy(datos_actuales$FECHA.DE.NACIMIENTO)
datos_actuales$EDAD <- round(as.numeric(difftime(fecha_actual, datos_actuales$FECHA.DE.NACIMIENTO, units = "days") / 365.25))Nueva columna que da a conocer los días trabajados de cada persona
df_bajas$FECHA.DE.ALTA <- dmy(df_bajas$FECHA.DE.ALTA)
df_bajas$BAJA <- dmy(df_bajas$BAJA)
df_bajas$DIAS.LABORADOS.CALCULADO <- as.numeric(difftime(df_bajas$BAJA, df_bajas$FECHA.DE.ALTA, units = "days"))
datos_actuales$FECHA.DE.ALTA <- mdy(datos_actuales$FECHA.DE.ALTA)
datos_actuales$BAJA <- fecha_actual
datos_actuales$DIAS.LABORADOS.CALCULADO <- as.numeric(difftime(datos_actuales$BAJA, datos_actuales$FECHA.DE.ALTA, units = "days"))Creación de la columna Dirección, para conocer el domicilio del personal
df_bajas$DIRECCION <- paste(df_bajas$CALLE, df_bajas$NUMERO.INTERNO, df_bajas$COLONIA, df_bajas$MUNICIPIO, df_bajas$ESTADO, sep = ", ")
datos_actuales$DIRECCION <- paste(datos_actuales$CALLE, datos_actuales$NUMERO.INTERNO, datos_actuales$COLONIA, datos_actuales$MUNICIPIO, datos_actuales$ESTADO, sep = ", ")datos_actuales<- as.data.frame(lapply(datos_actuales, toupper))Organización de los Datos
datos_actuales$BAJA <- as.Date(datos_actuales$BAJA)
df_bajas$BAJA <- as.Date(df_bajas$BAJA)
datos_actuales$FECHA.DE.NACIMIENTO <- as.Date(datos_actuales$FECHA.DE.NACIMIENTO)
datos_actuales$FECHA.DE.ALTA <- as.Date(datos_actuales$FECHA.DE.ALTA)
datos_actuales$SALARIO <- as.numeric(datos_actuales$SALARIO)
df_bajas$SALARIO <- as.numeric(df_bajas$SALARIO)
df_bajas$EDAD <- as.numeric(df_bajas$EDAD)
datos_actuales$EDAD <- as.numeric(datos_actuales$EDAD)
datos_actuales$DIAS.LABORADOS.CALCULADO <- as.numeric(datos_actuales$DIAS.LABORADOS.CALCULADO)
df_bajas$DIAS.LABORADOS.CALCULADO <- as.numeric(df_bajas$DIAS.LABORADOS.CALCULADO)Creación de un data frame Consolidado
df_consolidado <- bind_rows(df_bajas, datos_actuales)Se creó una nueva Columna, “PUESTO_ N”, en donde hay una serie de nomencalturas/abreviaciones, estas son relacionadas a la Columna Puesto, esto con la finalidad de poder manejar de manera más fácil los códigos y que ciertas gráficas se vieran de mejor manera.
df_consolidado <- df_consolidado %>%
mutate(PUESTO.N = case_when(
PUESTO %in% c("AYUDANTE GENERAL", "AY.GENERAL") ~ "A.G.",
PUESTO %in% c("GESTOR") ~ "GT.",
PUESTO %in% c("SOLDADOR", "AYUDANTE SOLDADOR") ~ "SDR.",
PUESTO %in% c("AYUDANTE DE EMBARQUES") ~ "A.D.E.",
PUESTO %in% c("CHOFER GESTOR", "CHOFER") ~ "CHO.",
PUESTO %in% c("COSTURERA", "COSTURERO", "COSTURA") ~ "COS.",
PUESTO %in% c("ENFERMERA") ~ "EN.",
PUESTO %in% c("GUARDIA DE SEGURIDAD", "GUARDIA SEGURIDAD") ~ "G.D.S.",
PUESTO %in% c("INSPECTOR DE CALIDAD", "CALIDAD") ~ "I.C.",
PUESTO %in% c("LIMPIEZA") ~ "LPZ.",
PUESTO %in% c("MATERIALISTA") ~ "MAT.",
PUESTO %in% c("MONTACARGISTA") ~ "MC.",
PUESTO %in% c("PINTOR", "AYUDANTE PINTOR") ~ "PI.",
PUESTO %in% c("RESIDENTE", "RESIDENTE YANFENG CIENEGA") ~ "RDT.",
PUESTO %in% c("MANTENIMIENTO") ~ "MTO.",
PUESTO %in% c("ANALISTA DE NOMINAS") ~ "A.D.N.",
PUESTO %in% c("CUSTOMER SERVICE INF") ~ "C.S.I.",
PUESTO %in% c("CORTADOR") ~ "COR.",
PUESTO %in% c("DISEÑO") ~ "DIS.",
PUESTO %in% c("EXTERNO") ~ "EX.",
PUESTO %in% c("FACTURACION") ~ "FAC.",
PUESTO %in% c("JEFE DE SEGURIDAD E HIGIENE") ~ "J.S.H.",
PUESTO %in% c("LIDER") ~ "LI.",
PUESTO %in% c("MARCADORA") ~ "MAR.",
PUESTO %in% c("OPERADOR") ~ "OP.",
PUESTO %in% c("RECIBO") ~ "RBO.",
PUESTO %in% c("SERVICIO AL CLIENTE") ~ "S.C.",
PUESTO %in% c("SUPERVISOR") ~ "SUP.",
TRUE ~ PUESTO
))A continuación se muestra el glosario de dicha columna
Glosario de las nomencalturas de los
Puestos
Pregunta 1: ¿El darles prioridad a las mujeres en la cuestión de contratación de personal en el puesto de Ayudante General, puedo reducir la rotación de personal y aumentar la productividad de la empresa?
A continuación se muestran los primeros 6 renglones de la base de datos
dataRH<-read.csv("C://Users/IanAb/Documents/7to Semestre/DATA BASE/CFORMF.csv")
head(dataRH)## FECHA.DE.NACIMIENTO GENERO FECHA.DE.ALTA BAJA DIAS_LABORADOS
## 1 23/12/1994 MASCULINO 18/08/2022 0 NA
## 2 23/10/2002 MASCULINO 18/02/2022 0 NA
## 3 11/03/1995 MASCULINO 11/01/2017 0 NA
## 4 01/11/1992 MASCULINO 03/11/2020 0 NA
## 5 29/09/1976 FEMENINO 16/02/2022 0 NA
## 6 07/07/1966 FEMENINO 01/06/2022 1 NA
## PUESTO PUESTO_N DEPARTAMENTO SALARIO.DIARIO.IMSS
## 1 MANTENIMIENTO MTO 180.68
## 2 AYUDANTE GENERAL A.G. Ay.flexo 180.68
## 3 AYUDANTE GENERAL A.G. Cedis 176.72
## 4 AYUDANTE GENERAL A.G. Cedis 176.72
## 5 AYUDANTE GENERAL A.G. Celdas 180.68
## 6 AYUDANTE GENERAL A.G. Celdas 180.68
## FACTOR.CRED.INFONAVIT LUGAR.DE.NACIMIENTO CALLE NUMERO.INTERNO
## 1 0 EBANO, SAN LUIS POTOSI MIER Y NORIEGA 106B
## 2 0 MONTERREY, NUEVO LEON PORTAL GALICIA 219
## 3 0 OCEANIA
## 4 0 TASAJILLO 220
## 5 0 HIDALGO, TAMAULIPAS RIO ESCONDIDO 760
## 6 0 CANATLAN, DURANGO HABICHUELA 306
## COLONIA MUNICIPIO ESTADO ESTADO.CIVIL
## 1 MIRADOR DE SAN ANTONIO JUAREZ NUEVO LEON MATRIMONIO
## 2 PORTAL DEL VALLE APODACA NUEVO LEON SOLTERIA
## 3 FRACC. OCEANIA BOULEVARES SALTILLO COAHUILA MATRIMONIO
## 4 EL CACTUS RAMOS ARIZPE COAHUILA UNION LIBRE
## 5 PUEBLO NUEVO APODACA NUEVO LEON SOLTERIA
## 6 POLICIA AUXILIAR GUADALUPE NUEVO LEON SOLTERIASe tomó la base de datos “BDD_FORM_BAJAS_2023” para poder conocer sobre las diferentes razones del porque la gente sale de la empresa, para esto se usaron argumentos/funciones como group_by, count, mutate, arrange y round; para conocer porcentajes y como se relacionan los datos
rh_ba<-read.csv("C://Users/IanAb/Documents/7to Semestre/DATA BASE/BDD_FORM_BAJAS_2023.csv")
head(rh_ba)## No. Apellidos Nombre Fecha.de.Nacimiento Genero
## 1 1 Perez Chavarria Yessica Yazmin 13/02/1985 Femenino
## 2 1 Pecina Aleman Blanca Idalia 25/05/1966 Femenino
## 3 1 Suarez Romo Julio Cesar 27/06/1969 Masculino
## 4 1 Ortiz De La Torre Fermina 07/07/1966 Femenino
## 5 1 Gallegos Manzanares Veronica 28/11/1973 Femenino
## 6 1 Guzman Reyes Carlos Benito 25/11/2002 Masculino
## RFC Fecha.de.Alta Primer.Mes Cuarto.Mes Fecha.de.Baja
## 1 PECY850213QS8 05/09/2022 05/10/2022 05/01/2023 02/01/2023
## 2 PEAB660525QT5 06/10/2022 05/11/2022 05/02/2023 02/01/2023
## 3 SURJ690627TK7 01/12/2017 31/12/2017 31/03/2018 05/01/2023
## 4 OITF660712QD2 01/06/2022 01/07/2022 29/09/2022 05/01/2023
## 5 GAMV731128LZA 22/10/2022 21/11/2022 21/02/2023 05/01/2023
## 6 GURC021125UL8 06/01/2023 05/02/2023 08/05/2023 07/01/2023
## Motivo.de.Baja Observaciones
## 1 Separacion voluntaria Se retiro para cuidar de su (s) hije (s)
## 2 Separacion voluntaria No hay observacion registrada sobre el motivo de baja
## 3 Separacion voluntaria Encontro otro empleo
## 4 Separacion voluntaria Se encontraba agotad@ por la carga laboral
## 5 Separacion voluntaria
## 6 Separacion voluntaria
## Puesto Puesto_Nom Dpto Imss SD
## 1 AYUDANTE GENERAL A.G. Stabilus 43048517130 180.68
## 2 AYUDANTE GENERAL A.G. 43056601958 180.68
## 3 GESTOR GT. Embarques 43956909626 176.72
## 4 AYUDANTE GENERAL A.G. Celdas 43946623980 180.68
## 5 AYUDANTE GENERAL A.G. 03 907303238 180.68
## 6 SOLDADOR SDR. 0 3190285142 180.68
## Factor.de.Credito.Infonavit No..De.Credito.Infonavit Lugar.de.Nacimiento
## 1 N/A N/A MONTERREY, NUEVO LEON
## 2 N/A N/A ARAMBERRI, NUEVO LEON
## 3
## 4 N/A N/A CANATLAN, DURANGO
## 5 N/A N/A Guadalupe, Nuevo Leon
## 6 N/A N/A Tampico, Tamaulipas
## CURP Calle Numero Colonia Municipio
## 1 PECY850213MNLRHS03 Alemania 1170 Vivienda Digna Apodaca
## 2 PEAB660525MNLCLL07 Rio Guayalejo Sur 304 Pueblo Nuevo Apodaca
## 3 SURJ690627HNLRML04 Mar Rojo Loma Linda Monterrey
## 4 OITF660712MDGRRR023 Habichuela 306 Policia Auxiliar Guadalupe
## 5 GAMV731128MNLLNR04 Romanos 341 Milenium Residencial Apodaca
## 6 GURC021125HTSZYRB7 Rio Salinas 122 Pueblo Nuevo Apodaca
## Estado CP Estado.Civil Numero.de.Telefono
## 1 Nuevo Le\xf3n 66647 Soltera 8133726737
## 2 Nuevo Leon 66646 Casada 8115902048
## 3 Nuevo Le\xf3n 64120 Casado 8110206284
## 4 Nuevo Le\xf3n 67114 Soltera 8130933136
## 5 Nuevo Leon 66646 Casada 8184705262
## 6 Nuevo Leon 66646 Soltero NArh_ba2<-rh_ba%>%group_by(Observaciones)%>%count()%>%ungroup()%>%mutate(pcnt=n/sum(n)*100)%>%arrange(pcnt)
rh_ba2$pcnt<-round(rh_ba2$pcnt,2)
rh_ba3 <- rh_ba2 %>% mutate(csum = rev(cumsum(rev(pcnt))),
pos = pcnt/2 + lead(csum, 1),
pos = if_else(is.na(pos), pcnt/2, pos))
ggplot(rh_ba2,aes(x="",y=pcnt,fill=Observaciones))+geom_bar(stat="identity")+coord_polar(theta="y")+theme(legend.position = "none")+geom_label_repel(data=rh_ba3,aes(x=c(.0003,0.15,0.32,0.5,0.7,0.9,1.1,1.3,1.5,1.7,1.9,2.1,2.3,2.5,2.7,1,0.98,1),y=pos,label=paste0(pcnt,"%")),size=4.5,nudge_x=1,max.overlaps=30,show.legend = FALSE)+theme_void()+ theme(legend.position = "bottom")+labs(title="Razones de las bajas laborales de FORM 2023")+scale_fill_manual(values = mi_paleta)
Esta gráfica nos Ayuda a Visualizar que de 279 personas que fueron dadas de bajas en 2023, el 76.3% no dieron una razón o no se registró el motivo especifico de baja, y de las personas de las cuales si se registró el motivo de bajas las 5 razones más populares fueron:
1. Encontró otro empleo (8.6%)
2. Asilo político en USA (2.87%)
3. Se retiro para cuidar de su (s) hije (s) (2.15%)
4. Tuvo más de 3 faltas y ella misma decidió irse (1.79%)
5. Cambio de estado/residencia (1.79%)
g = ggplot(rh_ba, aes(Puesto_Nom, fill=Genero) ) + labs(title = "Distribución de Bajas por Género Por puesto de Trabajo",x="Puesto (Abreviado)")+ylab("Número de Personas") + theme(plot.title = element_text(size = rel(2), colour = "darkgoldenrod3"))
g+geom_bar(position="dodge") + theme(axis.title.x = element_text(face="bold", size=10)) + theme_minimal() + theme(axis.text.x = element_text(angle = 90, hjust = 1))+ scale_fill_manual(values = mi_paleta)
Esta gráfica nos permite visualizar el número de personas que fueron dadas de bajas en 2023 según su puesto y género, en este caso podemos ver que las mayores bajas son en el puesto de Ayudante General, y se han despido a un mayor número de mujeres que de hombres. Esto también se puede relacionar con las razones del porque fueron dadas de bajas.
Por ejemplo, se puede obtener el insight de que, si se ofreciera una zona para el cuidado de los hijos de las madres trabajadoras, se podría reducir el número de bajas de las mujeres en el puesto de ayudante general u otros puestos.
dataRH$FECHA.DE.NACIMIENTO<-as.Date(dataRH$FECHA.DE.NACIMIENTO, format = "%d/%m/%Y")
fecha_actual<-Sys.Date()
diferencia_dias<-as.numeric(difftime(fecha_actual,dataRH$FECHA.DE.NACIMIENTO,units = "days"))
dataRH$EDAD<-diferencia_dias/365.25
dataRH$EDAD<-round(dataRH$EDAD,digits=0)
dataRH2<-dataRH%>%filter(BAJA==0)
dataRH2$FECHA.DE.ALTA<-as.Date(dataRH2$FECHA.DE.ALTA, format = "%d/%m/%Y")
dataRH2<-dataRH2%>%mutate(DiasTrabajados=as.numeric(difftime(fecha_actual,dataRH2$FECHA.DE.ALTA,units="days")))
dataRH3<-dataRH2%>%select(DiasTrabajados,FECHA.DE.ALTA,EDAD,GENERO,PUESTO,PUESTO_N)
dataRH3<-dataRH3%>%arrange(desc(DiasTrabajados))
prom_edad<- mean(dataRH2$EDAD)
summary(dataRH2)## FECHA.DE.NACIMIENTO GENERO FECHA.DE.ALTA BAJA
## Min. :1949-11-21 Length:100 Min. :2010-07-01 Min. :0
## 1st Qu.:1977-03-11 Class :character 1st Qu.:2020-06-07 1st Qu.:0
## Median :1989-01-22 Mode :character Median :2021-12-14 Median :0
## Mean :1986-04-05 Mean :2020-11-06 Mean :0
## 3rd Qu.:1997-02-19 3rd Qu.:2022-07-19 3rd Qu.:0
## Max. :2004-01-06 Max. :2022-08-23 Max. :0
## NA's :1
## DIAS_LABORADOS PUESTO PUESTO_N DEPARTAMENTO
## Min. : NA Length:100 Length:100 Length:100
## 1st Qu.: NA Class :character Class :character Class :character
## Median : NA Mode :character Mode :character Mode :character
## Mean :NaN
## 3rd Qu.: NA
## Max. : NA
## NA's :100
## SALARIO.DIARIO.IMSS FACTOR.CRED.INFONAVIT LUGAR.DE.NACIMIENTO
## Min. :1.440e+02 Min. :0.00 Length:100
## 1st Qu.:1.770e+02 1st Qu.:0.00 Class :character
## Median :1.810e+02 Median :0.00 Mode :character
## Mean :1.521e+07 Mean :0.03
## 3rd Qu.:1.810e+02 3rd Qu.:0.00
## Max. :1.517e+09 Max. :1.00
##
## CALLE NUMERO.INTERNO COLONIA MUNICIPIO
## Length:100 Length:100 Length:100 Length:100
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## ESTADO ESTADO.CIVIL EDAD DiasTrabajados
## Length:100 Length:100 Min. :20.00 Min. : 386
## Class :character Class :character 1st Qu.:26.75 1st Qu.: 421
## Mode :character Mode :character Median :34.50 Median : 638
## Mean :37.49 Mean :1041
## 3rd Qu.:46.25 3rd Qu.:1192
## Max. :74.00 Max. :4822
## NA's :1Rango_edad<- max(dataRH2$EDAD)-min(dataRH2$EDAD)
N<-length(dataRH2$EDAD)
Varianza_edad<- var(dataRH2$EDAD)
DesvEs_edad<-sd(dataRH2$EDAD)
prom_edad## [1] 37.49Rango_edad## [1] 54Varianza_edad## [1] 171.2221DesvEs_edad## [1] 13.08519Con estas medidas de dispersión con respecto a la edad del personal de FORM (activo), podemos decir que existe una diferencia 54 años entre la persona más joven y con más edad de FORM, es por esto que nuestra Varianza tiene un valor alto (171.6) lo que significa que hay diferencias significativas entre las edades de las personas con respecto a la edad media de las personas de la empresa (37.5). El valor de la Desviación Estándar nos indica que la mayoría de nuestras edades estarán a menos o más de 13 años del promedio de edad del personal (37.5)
dataRH4<-dataRH3%>%filter(PUESTO_N=="A.G.")
ggplot(dataRH4, aes(x=DiasTrabajados, y=GENERO, fill=GENERO)) + geom_bar(stat="identity") + xlab("") + labs(title = "Días trabajados por cada género") + scale_fill_manual(values = mi_paleta)
dataRH4F<-dataRH4%>%filter(GENERO=="FEMENINO")
dataRH4M<-dataRH4%>%filter(GENERO=="MASCULINO")
head(dataRH4F,10)## DiasTrabajados FECHA.DE.ALTA EDAD GENERO PUESTO PUESTO_N
## 1 1689 2019-01-28 36 FEMENINO AYUDANTE GENERAL A.G.
## 2 1595 2019-05-02 39 FEMENINO AYUDANTE GENERAL A.G.
## 3 1346 2020-01-06 56 FEMENINO AYUDANTE GENERAL A.G.
## 4 902 2021-03-25 30 FEMENINO AYUDANTE GENERAL A.G.
## 5 902 2021-03-25 27 FEMENINO AYUDANTE GENERAL A.G.
## 6 882 2021-04-14 27 FEMENINO AYUDANTE GENERAL A.G.
## 7 872 2021-04-24 52 FEMENINO AYUDANTE GENERAL A.G.
## 8 839 2021-05-27 54 FEMENINO AYUDANTE GENERAL A.G.
## 9 708 2021-10-05 61 FEMENINO AYUDANTE GENERAL A.G.
## 10 638 2021-12-14 39 FEMENINO AYUDANTE GENERAL A.G.head(dataRH4M,10)## DiasTrabajados FECHA.DE.ALTA EDAD GENERO PUESTO PUESTO_N
## 1 2577 2016-08-23 27 MASCULINO AYUDANTE GENERAL A.G.
## 2 2436 2017-01-11 29 MASCULINO AYUDANTE GENERAL A.G.
## 3 2209 2017-08-26 59 MASCULINO AYUDANTE GENERAL A.G.
## 4 1315 2020-02-06 23 MASCULINO AYUDANTE GENERAL A.G.
## 5 1131 2020-08-08 54 MASCULINO AYUDANTE GENERAL A.G.
## 6 1119 2020-08-20 46 MASCULINO AYUDANTE GENERAL A.G.
## 7 1044 2020-11-03 31 MASCULINO AYUDANTE GENERAL A.G.
## 8 704 2021-10-09 21 MASCULINO AYUDANTE GENERAL A.G.
## 9 678 2021-11-04 22 MASCULINO AYUDANTE GENERAL A.G.
## 10 664 2021-11-18 21 MASCULINO AYUDANTE GENERAL A.G.summary(dataRH4F)## DiasTrabajados FECHA.DE.ALTA EDAD GENERO
## Min. : 386.0 Min. :2019-01-28 Min. :21.00 Length:31
## 1st Qu.: 415.5 1st Qu.:2021-06-28 1st Qu.:28.00 Class :character
## Median : 518.5 Median :2022-04-12 Median :39.00 Mode :character
## Mean : 651.6 Mean :2021-11-30 Mean :38.55
## 3rd Qu.: 806.2 3rd Qu.:2022-07-24 3rd Qu.:49.50
## Max. :1689.0 Max. :2022-08-23 Max. :61.00
## NA's :1 NA's :1
## PUESTO PUESTO_N
## Length:31 Length:31
## Class :character Class :character
## Mode :character Mode :character
##
##
##
## summary(dataRH4M)## DiasTrabajados FECHA.DE.ALTA EDAD GENERO
## Min. : 386.0 Min. :2016-08-23 Min. :20.00 Length:24
## 1st Qu.: 414.2 1st Qu.:2020-10-15 1st Qu.:21.00 Class :character
## Median : 583.5 Median :2022-02-06 Median :24.00 Mode :character
## Mean : 850.0 Mean :2021-05-16 Mean :28.46
## 3rd Qu.:1062.8 3rd Qu.:2022-07-25 3rd Qu.:31.00
## Max. :2577.0 Max. :2022-08-23 Max. :59.00
## PUESTO PUESTO_N
## Length:24 Length:24
## Class :character Class :character
## Mode :character Mode :character
##
##
## En este apartado podemos notar que las personas que más han trabajo en la empresa son del género/sexo Masculino, a la vez con la visualización de los datas frames podemos ver que en cuestión de edad las mujeres que se han mantenido en la empresa, tienen un promedio de edad de 38.55 años y los hombres un promedio de 28.38.
Respuesta Pregunta 1
¿El darle prioridad a las mujeres en la cuestión de contratación de personal en el puesto de Ayudante General, puedo reducir la rotación de personal y aumentar la productividad de la empresa?
Como pudimos ver en las gráficas y datos pasados, el ofrecer un servicio de cuidado de infantes, podría provocar que menos mujeres se den de bajas y por ende se reduzca de cierta de manera la rotación de personal, ya que como vimos hay más mujeres dadas de baja que hombre en el puesto de Ayudante General. A la vez no se podría decir a totalidad que las mujeres deberían de ser una prioridad, ya que como se visualizó en la gráfica, los hombres cuentan con mayores días trabajados que las mujeres. La respuesta correcta, sería que para poder reducir la rotación de personal y aumentar la productividad de la empresa se debería de ofrecer mejores prestaciones al personal como zonas de cuidado de infantes y/o un buen programa de capacitaciones que permitan el crecimiento profesional, ya que como se vio en la gráfica la razón número 1 de porque se fueron es debido a que encontraron un nuevo empleo, el cual seguramente les ofrecía mejores condiciones, y el hecho de tener un buen programa de capacitación, junto con una zona de cuidados para infantes y el esquema de ahorro/inversión que FORM ofrece, provocaría que se reduzca la rotación de personal y se aumente la productividad, debido a las nuevas skills que el personal tendría. Por lo que se debería cerciorar en ofrecer mejores prestaciones y en contratar a hombres de 28 años y mujeres de 38 años aproximadamente.
Pregunta 2: ¿ Son el estado civil y el género factores independientes en la rotación de empleados o existe relación entre ambos eventos?
Librerías usadas
library(readxl)
library(tidyverse)
library(writexl)
library(psych)
library(dplyr)
library(lubridate)
library (ggplot2)
library(janitor)
library(dplyr)Carga de las Bases de Datos
Se usaron los data frame “datos_2022”, “df_bajas” y “datos_2023” que se crearon cuando se hizo la limpieza de datos inicial
Grafica
i <- 238
df_bajas_f<- subset(df_bajas, !row.names(df_bajas)==i)
summary (df_bajas_f)## APELLIDOS NOMBRE FECHA.DE.NACIMIENTO GENERO
## Length:516 Length:516 Min. :1961-10-09 Length:516
## Class :character Class :character 1st Qu.:1985-12-26 Class :character
## Mode :character Mode :character Median :1995-02-09 Mode :character
## Mean :1992-05-15
## 3rd Qu.:2000-10-04
## Max. :2022-10-31
##
## RFC FECHA.DE.ALTA MOTIVO.DE.BAJA DIAS.LABORADOS
## Length:516 Min. :2016-10-12 Length:516 Length:516
## Class :character 1st Qu.:2022-04-07 Class :character Class :character
## Mode :character Median :2022-08-27 Mode :character Mode :character
## Mean :2022-08-27
## 3rd Qu.:2023-03-24
## Max. :2023-08-23
##
## BAJA PUESTO DEPARTAMENTO SALARIO
## Min. :2021-11-27 Length:516 Length:516 Min. :144.4
## 1st Qu.:2022-05-17 Class :character Class :character 1st Qu.:180.7
## Median :2023-01-23 Mode :character Mode :character Median :180.7
## Mean :2022-11-28 Mean :194.6
## 3rd Qu.:2023-06-07 3rd Qu.:217.6
## Max. :2023-08-28 Max. :500.0
## NA's :14 NA's :1
## FACTOR.CRED.INFONAVIT LUGAR.DE.NACIMIENTO CURP
## Length:516 Length:516 Length:516
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
##
##
## CALLE NUMERO.INTERNO COLONIA MUNICIPIO
## Length:516 Length:516 Length:516 Length:516
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## ESTADO ESTADO.CIVIL OBSERVACIONES CP
## Length:516 Length:516 Length:516 Length:516
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## EDAD DIAS.LABORADOS.CALCULADO DIRECCION
## Min. : 1.00 Min. :-279.00 Length:516
## 1st Qu.:23.00 1st Qu.: 8.00 Class :character
## Median :29.00 Median : 21.00 Mode :character
## Mean :31.34 Mean : 87.04
## 3rd Qu.:38.00 3rd Qu.: 85.00
## Max. :62.00 Max. :1966.00
## NA's :14GeneroyEstadocivil <- select(df_bajas_f,GENERO, ESTADO.CIVIL)
ggplot(GeneroyEstadocivil,aes(GENERO))+geom_bar(aes(fill=ESTADO.CIVIL), width= 0.5) + labs(title = "Estado Civil por Género")+ scale_fill_manual(values = mi_paleta) 
Estadísticos Descriptivos
df_bajas_f$ESTADO.CIVIL <- as.factor(df_bajas_f$ESTADO.CIVIL)
summary(df_bajas_f$ESTADO.CIVIL)## DIVORCIO MATRIMONIO SOLTERO UNION LIBRE
## 3 137 247 129Moda: En ambos sexos la moda de estado civil es “Soltero” con casi el 50% de las respuestas.
245 de 514 respuestas se encuentran en esta categoría.
No es posible hacer estadísticos descriptivos debido a que son variables cualitativas
Tablas de Frecuencia
frecuenciagenero <- table(df_bajas_f$GENERO)
frecuenciagenero##
## FEMENINO MASCULINO
## 289 227frecuenciaestadocivil <- table(df_bajas_f$ESTADO.CIVIL)
frecuenciaestadocivil##
## DIVORCIO MATRIMONIO SOLTERO UNION LIBRE
## 3 137 247 129Tablas de Contingencia
tabyl(df_bajas_f,GENERO,ESTADO.CIVIL)## GENERO DIVORCIO MATRIMONIO SOLTERO UNION LIBRE
## FEMENINO 2 76 136 75
## MASCULINO 1 61 111 54Respuesta Pregunta 2
Pregunta 2: ¿ Son el estado civil y el género factores independientes en la rotación de empleados o existe relación entre ambos eventos?
Si tomamos en cuenta la cantidad de empleados de cada género y la moda obtenida, que en este caso es el estado civil “soltero”, obtenemos porcentajes muy similares.
Personas de género femenino solteras: 47%
Personas de género masculino solteros: 48%
Es por eso que se puede determinar que ambas variables analizadas no representan un factor determinante en la rotación de empleados y son eventos independientes.
Pregunta 3: El motivo más frecuente de bajas es la falta de asistencia, lo cual aumenta el índice de rotación, ¿En qué estación del año tienden a suceder más bajas? ¿El clima será un factor determinante?
Librerías Usadas
library(tidyverse)
library(dplyr)
library(ggplot2)
library(lubridate)Carga de la base de datos
data<-read.csv("C://Users/IanAb/Documents/7to Semestre/DATA BASE/E_form_rh_bajas_datos_2022.csv")Análisis de las fechas
data$Fecha <- dmy(data$BAJA)Obtención del mes de cada fecha
data$Mes <- month(data$Fecha)Mapeo de los meses a las estaciones del año
data$Estacion <- case_when(
data$Mes %in% c(3, 4, 5) ~ "Primavera",
data$Mes %in% c(6, 7, 8) ~ "Verano",
data$Mes %in% c(9, 10, 11) ~ "Otoño",
data$Mes %in% c(12, 1, 2) ~ "Invierno",
TRUE ~ NA_character_
)Conteo de observaciones en cada estación
estacion_frecuencia <- table(data$Estacion)Descubrimiento de la estación con el recuento más alto
estacion_mas_comun <- names(estacion_frecuencia[which.max(estacion_frecuencia)])Impresión del resultado
cat("La estación con más bajas es:", estacion_mas_comun)## La estación con más bajas es: PrimaveraCálculo de la frecuenia de bajas por estación
estacion_frecuencia <- table(data$Estacion)Conversión de resultados a un dataframe
tabla_bajas_por_estacion <- as.data.frame(estacion_frecuencia)Se renombra las columnas para mayor claridad
colnames(tabla_bajas_por_estacion) <- c("Estacion", "Cantidad_Bajas")
print(tabla_bajas_por_estacion)## Estacion Cantidad_Bajas
## 1 Invierno 58
## 2 Otoño 1
## 3 Primavera 84
## 4 Verano 80Se crea el gráfico de barras
ggplot(tabla_bajas_por_estacion, aes(x = Estacion, y = Cantidad_Bajas)) +
geom_bar(stat = "identity", color = "black", width = 0.7, fill = "orange") +
labs(title = "Cantidad de Bajas por Estación del Año 2022", subtitle = "Recursos Humanos", x = "Estación", y = "Cantidad de Bajas")
Respuesta Pregunta 3
Pregunta 3: El motivo más frecuente de bajas es la falta de asistencia, lo cual aumenta el índice de rotación, ¿En qué estación del año tienden a suceder más bajas? ¿El clima será un factor determinante?
Es posible observar que durante el año 2022 el periodo estacional que reportó más bajas de personal fue la primavera y el verano respectivamente, los cuales se encuentran situados entre los meses de Marzo y Septiembre, meses donde se reportan las temperaturas más elevadas en la ciudad de Monterrey, Nuevo León. Por lo tanto, la exposición a condiciones térmicas elevadas puede suponer un factor de estrés e insatisfacción laboral, ya que se relaciona con problemas de salud, comodidad, concentración y con un mayor riesgo de sufrir accidentes de trabajo ocasionando las bajas del personal de FORM. Se recomienda apoyarse de la Norma Oficial Mexicana NOM-015-STPS-1993.
Además, con el fin de responder con mayor claridad la pregunta del análisis, a continuación se comparte información de fuentes secundarias sobre la temperatura registrada en Monterrey durante el 2022 tanto por mes como por hora.
Datos Históricos de Temperatura del 2022 en Monterrey
WeatherSpark
El intervalo diario de temperaturas reportadas (barras grises) y las máximas (marcas rojas) y mínimas (marcas azules) de 24 horas, colocadas arriba del promedio diario de la máxima (línea rojo claro) y de la mínima (línea azul claro), con las bandas de los percentiles 25 a 75 y 10 a 90.
Temperatura por Hora del 2022 en Monterrey
WeatherSpark
La temperatura reportada por hora, codificada por colores en bandas. Las áreas sombreadas superpuestas indican la noche y el crepúsculo civil.
Pregunta 4:¿La edad del trabajador puede ser un determinante de por qué se dan de baja?
Carga de la base de datos
datos_E<- read.csv("C://Users/IanAb/Documents/7to Semestre/DATA BASE/E_FORM_Consolidado.csv")Limpieza de Datos
datos_E$FECHA.DE.NACIMIENTO <- as.Date(datos_E$FECHA.DE.NACIMIENTO, format = "%d/%m/%Y")Cálculo de la edad en años
datos_E <- datos_E %>%
mutate(edad = as.integer(difftime(Sys.Date(), FECHA.DE.NACIMIENTO, units = "days") / 365.25))
head(datos_E)## FECHA.DE.NACIMIENTO GENERO FECHA.DE.ALTA BAJA DIAS_LABORADOS
## 1 1994-12-23 MASCULINO 18/08/2022 0 NA
## 2 2002-10-23 MASCULINO 18/02/2022 0 NA
## 3 1995-03-11 MASCULINO 11/01/2017 0 NA
## 4 1992-11-01 MASCULINO 03/11/2020 0 NA
## 5 1976-09-29 FEMENINO 16/02/2022 0 NA
## 6 1966-07-07 FEMENINO 01/06/2022 1 NA
## PUESTO DEPARTAMENTO SALARIO.DIARIO.IMSS FACTOR.CRED.INFONAVIT
## 1 MANTENIMIENTO 180.68 0
## 2 AYUDANTE GENERAL Ay.flexo 180.68 0
## 3 AYUDANTE GENERAL Cedis 176.72 0
## 4 AYUDANTE GENERAL Cedis 176.72 0
## 5 AYUDANTE GENERAL Celdas 180.68 0
## 6 AYUDANTE GENERAL Celdas 180.68 0
## LUGAR.DE.NACIMIENTO CALLE NUMERO.INTERNO
## 1 EBANO, SAN LUIS POTOSI MIER Y NORIEGA 106B
## 2 MONTERREY, NUEVO LEON PORTAL GALICIA 219
## 3 OCEANIA
## 4 TASAJILLO 220
## 5 HIDALGO, TAMAULIPAS RIO ESCONDIDO 760
## 6 CANATLAN, DURANGO HABICHUELA 306
## COLONIA MUNICIPIO ESTADO ESTADO.CIVIL EDAD edad
## 1 MIRADOR DE SAN ANTONIO JUAREZ NUEVO LEON MATRIMONIO NA 28
## 2 PORTAL DEL VALLE APODACA NUEVO LEON SOLTERIA NA 20
## 3 FRACC. OCEANIA BOULEVARES SALTILLO COAHUILA MATRIMONIO NA 28
## 4 EL CACTUS RAMOS ARIZPE COAHUILA UNION LIBRE NA 30
## 5 PUEBLO NUEVO APODACA NUEVO LEON SOLTERIA NA 46
## 6 POLICIA AUXILIAR GUADALUPE NUEVO LEON SOLTERIA NA 57Cálculo de los días trabajados
datos_E$FECHA.DE.ALTA <- as.Date(datos_E$FECHA.DE.ALTA, format = ("%d/%m/%Y"))
# Obtener la fecha actual
fecha_actual <- Sys.Date()
datos_E <- datos_E %>%
mutate(dias_trabajados = ifelse(BAJA == 1, 0, difftime(fecha_actual, FECHA.DE.ALTA, units = "days")))
head(datos_E)## FECHA.DE.NACIMIENTO GENERO FECHA.DE.ALTA BAJA DIAS_LABORADOS
## 1 1994-12-23 MASCULINO 2022-08-18 0 NA
## 2 2002-10-23 MASCULINO 2022-02-18 0 NA
## 3 1995-03-11 MASCULINO 2017-01-11 0 NA
## 4 1992-11-01 MASCULINO 2020-11-03 0 NA
## 5 1976-09-29 FEMENINO 2022-02-16 0 NA
## 6 1966-07-07 FEMENINO 2022-06-01 1 NA
## PUESTO DEPARTAMENTO SALARIO.DIARIO.IMSS FACTOR.CRED.INFONAVIT
## 1 MANTENIMIENTO 180.68 0
## 2 AYUDANTE GENERAL Ay.flexo 180.68 0
## 3 AYUDANTE GENERAL Cedis 176.72 0
## 4 AYUDANTE GENERAL Cedis 176.72 0
## 5 AYUDANTE GENERAL Celdas 180.68 0
## 6 AYUDANTE GENERAL Celdas 180.68 0
## LUGAR.DE.NACIMIENTO CALLE NUMERO.INTERNO
## 1 EBANO, SAN LUIS POTOSI MIER Y NORIEGA 106B
## 2 MONTERREY, NUEVO LEON PORTAL GALICIA 219
## 3 OCEANIA
## 4 TASAJILLO 220
## 5 HIDALGO, TAMAULIPAS RIO ESCONDIDO 760
## 6 CANATLAN, DURANGO HABICHUELA 306
## COLONIA MUNICIPIO ESTADO ESTADO.CIVIL EDAD edad
## 1 MIRADOR DE SAN ANTONIO JUAREZ NUEVO LEON MATRIMONIO NA 28
## 2 PORTAL DEL VALLE APODACA NUEVO LEON SOLTERIA NA 20
## 3 FRACC. OCEANIA BOULEVARES SALTILLO COAHUILA MATRIMONIO NA 28
## 4 EL CACTUS RAMOS ARIZPE COAHUILA UNION LIBRE NA 30
## 5 PUEBLO NUEVO APODACA NUEVO LEON SOLTERIA NA 46
## 6 POLICIA AUXILIAR GUADALUPE NUEVO LEON SOLTERIA NA 57
## dias_trabajados
## 1 391
## 2 572
## 3 2436
## 4 1044
## 5 574
## 6 0Gráfico de Barras Apiladas
ggplot(datos_E, aes(x = edad, fill = factor(BAJA))) +
geom_bar() +
labs(x = "Edad", y = "Cantidad de Personas", fill = "Baja") +
theme_minimal() + labs(title="Edad de Bajas y No Bajas")+scale_fill_manual(values = mi_paleta)
Respuesta Pregunta 4
Pregunta 4: ¿La edad del trabajador puede ser un determinante de por qué se dan de baja, o hay cierta edad en donde es menos probable que se de una baja?
La grafica muestra que pasando la edad de 40 años es menos probable que ocurra una baja. También se muestra que las bajas más constantes están en la edad de los 20-35 se debe también al alto porcentaje de trabajadores de esa edad.
Pregunta 5: ¿La distancia geográfica desempeña un papel significativo en la determinación del estatus laboral de los empleados? (Activo o Inactivo)
Las librerías usadas son las mismas que se usaron cuando se realizó la limpieza de Datos Inicial
-
Las bases de datos usadas son las mismas que se usaron cuando se realizó la limpieza de Datos Inicial
Agrupación de solo Nuevo León
bajas_nl <- df_bajas %>%
mutate(ESTADO = ifelse(ESTADO %in% c("NUEVO LEON", "NUEVO LEÓN"), "NUEVO LEON", ESTADO)) %>%
filter(ESTADO == "NUEVO LEON")
actuales_nl <- datos_actuales %>%
mutate(ESTADO = ifelse(ESTADO %in% c("NUEVO LEON", "NUEVO LEÓN"), "NUEVO LEON", ESTADO)) %>%
filter(ESTADO == "NUEVO LEON")Función Ubicación Geográfica
#clave_api <- "54c60ed2b93e47e6948c618ee0a83db6" "9f502f5e5d3a4f05afcc7b2cdedb51d9"
clave_api <- "b5c6a5bc102d4f8c9ff5c72c89b37a32"
geocode_opencage <- function(direccion, clave_api) {
url <- paste0("https://api.opencagedata.com/geocode/v1/json?q=", URLencode(direccion),
"&key=", clave_api)
respuesta <- GET(url)
contenido <- content(respuesta, "text", encoding = "UTF-8")
datos <- jsonlite::fromJSON(contenido)
return(datos)
}Latitud y Longitud
bajas_nl$GEOCODE_RESULT <- lapply(bajas_nl$DIRECCION, function(x) geocode_opencage(x, clave_api))
bajas_nl$LATITUD <- sapply(bajas_nl$GEOCODE_RESULT, function(x) x$results$geometry$lat)
bajas_nl$LONGITUD <- sapply(bajas_nl$GEOCODE_RESULT, function(x) x$results$geometry$lng)
actuales_nl$GEOCODE_RESULT <- lapply(actuales_nl$DIRECCION, function(x) geocode_opencage(x, clave_api))
actuales_nl$LATITUD <- sapply(actuales_nl$GEOCODE_RESULT, function(x) x$results$geometry$lat)
actuales_nl$LONGITUD <- sapply(actuales_nl$GEOCODE_RESULT, function(x) x$results$geometry$lng)Función para calcular el promedio de una lista de números
calcular_promedio <- function(valor) {
if (is.character(valor)) {
valores <- tryCatch(eval(parse(text = valor)), error = function(e) NA_real_)
} else {
valores <- valor
}
valores <- valores[!is.na(valores)]
if (length(valores) > 0) {
return(mean(valores))
} else {
return(NA_real_)
}
}bajas_nl$LONGITUD <- sapply(bajas_nl$LONGITUD, calcular_promedio)
bajas_nl$LATITUD <- sapply(bajas_nl$LATITUD, calcular_promedio)
actuales_nl$LONGITUD <- sapply(actuales_nl$LONGITUD, calcular_promedio)
actuales_nl$LATITUD <- sapply(actuales_nl$LATITUD, calcular_promedio)Dirección objetivo
direccion_objetivo <- "Calle El Sabinal 105, 66645 Apodaca, Nuevo León"
coordenadas_objetivo <- geocode_opencage(direccion_objetivo, clave_api)
latitud_objetivo <- coordenadas_objetivo$results$geometry$lat
longitud_objetivo <- coordenadas_objetivo$results$geometry$lng
print(paste("Latitud objetivo:", latitud_objetivo))## [1] "Latitud objetivo: 25.7425"print(paste("Longitud objetivo:", longitud_objetivo))## [1] "Longitud objetivo: -100.0431"Crear una función que calcule la distancia haversine en kilómetros
calcular_distancia_km <- function(lat1, lon1, lat2, lon2) {
dist_metros <- distHaversine(c(lon1, lat1), c(lon2, lat2))
dist_km <- dist_metros / 1000
return(dist_km)
}
bajas_nl$DISTANCIA.KM <- mapply(calcular_distancia_km, bajas_nl$LATITUD, bajas_nl$LONGITUD, latitud_objetivo, longitud_objetivo)
actuales_nl$DISTANCIA.KM <- mapply(calcular_distancia_km, actuales_nl$LATITUD, actuales_nl$LONGITUD, latitud_objetivo,longitud_objetivo)copia_actuales_nl <- as.data.frame(lapply(actuales_nl, toupper))
copia_bajas_nl <- as.data.frame(lapply(bajas_nl, toupper))copia_actuales_nl <- copia_actuales_nl[!is.na(copia_actuales_nl$LATITUD) & !is.na(copia_actuales_nl$LONGITUD), ]
copia_bajas_nl <- copia_bajas_nl[!is.na(copia_bajas_nl$LATITUD) & !is.na(copia_bajas_nl$LONGITUD), ]
copia_actuales_nl$LATITUD <- as.numeric(copia_actuales_nl$LATITUD)
copia_actuales_nl$LONGITUD <- as.numeric(copia_actuales_nl$LONGITUD)
copia_bajas_nl$LATITUD <- as.numeric(copia_bajas_nl$LATITUD)
copia_bajas_nl$LONGITUD <- as.numeric(copia_bajas_nl$LONGITUD)
copia_actuales_nl$DISTANCIA.KM <- as.numeric(copia_actuales_nl$DISTANCIA.KM)
copia_bajas_nl$DISTANCIA.KM <- as.numeric(copia_bajas_nl$DISTANCIA.KM)copia_actuales_nl <- copia_actuales_nl[copia_actuales_nl$LONGITUD >= -100.5 & copia_actuales_nl$LONGITUD <= -99.9, ]
copia_bajas_nl <- copia_bajas_nl[copia_bajas_nl$LONGITUD >= -100.5 & copia_bajas_nl$LONGITUD <= -99.9, ]
copia_actuales_nl <- copia_actuales_nl[copia_actuales_nl$LATITUD >= 25 & copia_actuales_nl$LATITUD <= 26, ]
copia_bajas_nl <- copia_bajas_nl[copia_bajas_nl$LATITUD >= 25 & copia_bajas_nl$LATITUD <= 26, ]m <- leaflet() %>%
addTiles() %>% # Añade un fondo de mapa real
addCircleMarkers(
data = copia_bajas_nl, # Datos de ubicaciones de registros
lat = ~LATITUD, # Nombre de la columna de latitud
lng = ~LONGITUD, # Nombre de la columna de longitud
color = "red", # Color de los marcadores de registros
radius = 5, # Tamaño de los marcadores de registros
label = "Bajas" # Etiqueta para los marcadores de registros
) %>%
addCircleMarkers(
data = copia_actuales_nl, # Datos de ubicaciones de df_actual
lat = ~LATITUD, # Nombre de la columna de latitud en df_actual
lng = ~LONGITUD, # Nombre de la columna de longitud en df_actual
color = "green", # Color de los marcadores de df_actual
radius = 5, # Tamaño de los marcadores de df_actual
label = "Activos" # Etiqueta para los marcadores de df_actual
) %>%
addCircleMarkers(
lat = latitud_objetivo, # Latitud del destino
lng = longitud_objetivo, # Longitud del destino
color = "blue", # Color del marcador de destino
radius = 8, # Tamaño del marcador de destino
label = "Destino" # Etiqueta para el marcador de destino
)Visualización del mapa interactivo
mEn este gráfico podemos observar de color rojo la dirección de aquellas personas que ya no forman parte de la empresa, en color verde los colaboradores activos y el punto de color azul es la dirección del socio formador. A simple vista se puede observar que se encuentran mayormente agrupados o conglomerados por zonas, siendo así que la mayoría vive en Apodaca.
hist(copia_bajas_nl$DISTANCIA.KM,
main = "Histograma de Distancia (BAJAS)",
xlab = "Distancia en km",
ylab = "Frecuencia",
col = "darkorange3",
border = "black",
breaks = "Scott")
Este histograma nos permite visualizar que la gran mayoría de personas que renunciaron vivían a una distancia de entre 12 y 15 km con respecto a la dirección del socio formador.
mediana_bajas_nl <- median(copia_bajas_nl$DISTANCIA.KM)
grupo_cerca_nl <- copia_bajas_nl[copia_bajas_nl$DISTANCIA.KM <= mediana_bajas_nl, ]
grupo_lejos_nl <- copia_bajas_nl[copia_bajas_nl$DISTANCIA.KM > mediana_bajas_nl, ]
frecuencia_cerca_nl <- nrow(grupo_cerca_nl)
frecuencia_lejos_nl <- nrow(grupo_lejos_nl)
cat("Frecuencia de datos CERCA de la mediana:", frecuencia_cerca_nl, "\n")## Frecuencia de datos CERCA de la mediana: 261cat("Frecuencia de datos LEJOS de la mediana:", frecuencia_lejos_nl, "\n")## Frecuencia de datos LEJOS de la mediana: 207Este resultado nos indica que existen más bajas que se encuentran por debajo de la mediana de distancia entre la vivienda del excolaborador y la dirección del socio formador, lo que quiere decir que entre más cerca vive una persona de la ubicación de la empresa mayor es la probabilidad de renunciar.
copia_actuales_nl <- copia_actuales_nl %>%
mutate(ESTATUS = "ACTIVO")
copia_bajas_nl <- copia_bajas_nl %>%
mutate(ESTATUS = "INACTIVO")
df_consolidad_nl <- bind_rows(copia_bajas_nl, copia_actuales_nl)hist(df_consolidad_nl$DISTANCIA.KM,
main = "Histograma de Distancia (CONSOLIDADO)",
xlab = "Distancia en km",
ylab = "Frecuencia",
col = "orange",
border = "black",
breaks = "Scott")
intervalos_distancia <- c(0, 5, 10, 15, Inf)
df_consolidad_nl$INT.DISTANCIA <- cut(df_consolidad_nl$DISTANCIA.KM,
breaks = intervalos_distancia,
labels = c("0-5", "5.1-10", "10.1-15", "15.1+"),
include.lowest = TRUE)
tc <- tabyl(df_consolidad_nl, INT.DISTANCIA, ESTATUS)Tabla de Contingencia
tc <- tc %>%
mutate(TOTAL = rowSums(across(c("ACTIVO", "INACTIVO"))))
tc <- tc %>%
mutate(PORCENTAJE.ACTIVO = round(ACTIVO / TOTAL * 100),
PORCENTAJE.INACTIVO = round(INACTIVO / TOTAL * 100))
tc## INT.DISTANCIA ACTIVO INACTIVO TOTAL PORCENTAJE.ACTIVO PORCENTAJE.INACTIVO
## 0-5 7 43 50 14 86
## 5.1-10 3 20 23 13 87
## 10.1-15 69 366 435 16 84
## 15.1+ 18 39 57 32 68Esta tabla de contingencia nos muestra lo que anteriormente platicábamos, entre mayor es la distancia hay más probabilidades de que las personas permanezcan trabajando dentro de la empresa. Esto lo podemos determinar gracias a que el porcentaje de personas activas es más alto a partir de 15+ kilómetros de distancia, con un 32% de participación con respecto a los inactivos.
Respuesta Pregunta 5
¿La distancia geográfica desempeña un papel significativo en la determinación del estatus laboral de los empleados? (Activo o Inactivo)
Sí, los resultados obtenidos a partir del análisis es que a menor distancia de la dirección del colaborador con respecto a la dirección del Socio Formador hay una mayor probabilidad de que la persona renuncie, y entre mayor sea la distancia, hay una mayor probabilidad de que la persona permanezca en la empresa.
Pregunta 6: ¿De acuerdo con los datos, qué perfil debe buscar FORM para contratar en el puesto de Ayudante General y que reduzca la rotación de personal?
Los Data Frame usados son “dataRH2”, “df_consolidado_nl” y “copia_bajas_nl”, se usaran gráficas previamente hechas, pero con la finalidad de que junto con las nuevas gráficas que se hagan, se pueda conocer la respuesta de una nueva pregunta; si bien se comentó que factores debería/podría tener una persona para que se mantenga o no por un largo tiempo en la empresa, no se ha definido de manera específica un perfil objetivo que ayude a FORM a mejorar su situación de rotación de personal.
Por lo que el propósito de esta pregunta es juntar los insights recabados y poder llegar a una respuesta que nos dé un perfil tentativo. Se dice tentativo ya que siendo objetivos, existen varios factores externos que la empresa no puede controlar y no se puede garantizar al 100% que el perfil obtenido se mantenga para siempre en la empresa.
Pero el perfil tentativo que se propoen si pudiese ayudar a reducir y mejorar su situación actual.
dataRH2<-dataRH%>%filter(BAJA==0)
dataRH2$FECHA.DE.ALTA<-as.Date(dataRH2$FECHA.DE.ALTA, format = "%d/%m/%Y")
dataRH2<-dataRH2%>%mutate(DiasTrabajados=as.numeric(difftime(fecha_actual,dataRH2$FECHA.DE.ALTA,units="days")))
dataRH_P<-dataRH2%>%select(DiasTrabajados,FECHA.DE.ALTA,EDAD,GENERO,PUESTO,PUESTO_N,SALARIO.DIARIO.IMSS, MUNICIPIO, ESTADO, ESTADO.CIVIL)
options(scipen=999)
dataRH_P[16,"SALARIO.DIARIO.IMSS"]<-151.67
dataRH_P[99,"SALARIO.DIARIO.IMSS"]<- 441.38Se organizan y limpian las bases de datos
dataRHP2<-dataRH_P%>%filter(PUESTO_N=="A.G.")
ggplot(dataRHP2, aes(x=DiasTrabajados, y=GENERO, fill=GENERO)) + geom_bar(stat="identity") + xlab("") + labs(title = "Días trabajados por cada género") + scale_fill_manual(values = mi_paleta)
dataRHP2F<-dataRHP2%>%filter(GENERO=="FEMENINO")
dataRHP2F<-dataRHP2F%>%arrange (desc(DiasTrabajados))
dataRHP2M<-dataRHP2%>%filter(GENERO=="MASCULINO")
dataRHP2M<-dataRHP2M%>%arrange (desc(DiasTrabajados))
head(dataRHP2F,10)## DiasTrabajados FECHA.DE.ALTA EDAD GENERO PUESTO PUESTO_N
## 1 1689 2019-01-28 36 FEMENINO AYUDANTE GENERAL A.G.
## 2 1595 2019-05-02 39 FEMENINO AYUDANTE GENERAL A.G.
## 3 1346 2020-01-06 56 FEMENINO AYUDANTE GENERAL A.G.
## 4 902 2021-03-25 30 FEMENINO AYUDANTE GENERAL A.G.
## 5 902 2021-03-25 27 FEMENINO AYUDANTE GENERAL A.G.
## 6 882 2021-04-14 27 FEMENINO AYUDANTE GENERAL A.G.
## 7 872 2021-04-24 52 FEMENINO AYUDANTE GENERAL A.G.
## 8 839 2021-05-27 54 FEMENINO AYUDANTE GENERAL A.G.
## 9 708 2021-10-05 61 FEMENINO AYUDANTE GENERAL A.G.
## 10 638 2021-12-14 39 FEMENINO AYUDANTE GENERAL A.G.
## SALARIO.DIARIO.IMSS MUNICIPIO ESTADO ESTADO.CIVIL
## 1 144.45 GUADALUPE NUEVO LEON SOLTERIA
## 2 144.45 APODACA NUEVO LEON UNION LIBRE
## 3 151.67 APODACA NUEVO LEON MATRIMONIO
## 4 151.61 APODACA NUEVO LEON UNION LIBRE
## 5 151.61 APODACA COAHUILA SOLTERIA
## 6 151.61 APODACA NUEVO LEON MATRIMONIO
## 7 151.61 APODACA NUEVO LEON MATRIMONIO
## 8 151.61 JUAREZ NUEVO LEON SOLTERIA
## 9 151.61 APODACA NUEVO LEON MATRIMONIO
## 10 151.61 PESQUERIA NUEVO LEON SOLTERIAhead(dataRHP2M,10)## DiasTrabajados FECHA.DE.ALTA EDAD GENERO PUESTO PUESTO_N
## 1 2577 2016-08-23 27 MASCULINO AYUDANTE GENERAL A.G.
## 2 2436 2017-01-11 29 MASCULINO AYUDANTE GENERAL A.G.
## 3 2209 2017-08-26 59 MASCULINO AYUDANTE GENERAL A.G.
## 4 1315 2020-02-06 23 MASCULINO AYUDANTE GENERAL A.G.
## 5 1131 2020-08-08 54 MASCULINO AYUDANTE GENERAL A.G.
## 6 1119 2020-08-20 46 MASCULINO AYUDANTE GENERAL A.G.
## 7 1044 2020-11-03 31 MASCULINO AYUDANTE GENERAL A.G.
## 8 704 2021-10-09 21 MASCULINO AYUDANTE GENERAL A.G.
## 9 678 2021-11-04 22 MASCULINO AYUDANTE GENERAL A.G.
## 10 664 2021-11-18 21 MASCULINO AYUDANTE GENERAL A.G.
## SALARIO.DIARIO.IMSS MUNICIPIO ESTADO ESTADO.CIVIL
## 1 240.75 APODACA NUEVO LEON MATRIMONIO
## 2 176.72 SALTILLO COAHUILA MATRIMONIO
## 3 175.79 PESQUERIA NUEVO LEON SOLTERIA
## 4 151.67 APODACA NUEVO LEON SOLTERIA
## 5 151.67 JUAREZ NUEVO LEON MATRIMONIO
## 6 151.67 APODACA NUEVO LEON SOLTERIA
## 7 176.72 RAMOS ARIZPE COAHUILA UNION LIBRE
## 8 151.61 APODACA NUEVO LEON SOLTERIA
## 9 151.61 PESQUERIA NUEVO LEON SOLTERIA
## 10 151.61 APODACA NUEVO LEON SOLTERIACon este gráfico podemos ver que no hay una gran diferencia entre géneros en cuestión de días trabajados. Con las otras dos tablas se puede observar las 10 personas con más días trabajados en la empresa en el puesto de Ayudante general, según su género.
prom_edad_A<- mean(dataRHP2$EDAD)
summary(dataRHP2)## DiasTrabajados FECHA.DE.ALTA EDAD GENERO
## Min. : 386.0 Min. :2016-08-23 Min. :20.00 Length:55
## 1st Qu.: 414.8 1st Qu.:2021-05-02 1st Qu.:22.50 Class :character
## Median : 560.0 Median :2022-03-02 Median :31.00 Mode :character
## Mean : 739.8 Mean :2021-09-03 Mean :34.15
## 3rd Qu.: 863.8 3rd Qu.:2022-07-25 3rd Qu.:42.50
## Max. :2577.0 Max. :2022-08-23 Max. :61.00
## NA's :1 NA's :1
## PUESTO PUESTO_N SALARIO.DIARIO.IMSS MUNICIPIO
## Length:55 Length:55 Min. :144.4 Length:55
## Class :character Class :character 1st Qu.:151.7 Class :character
## Mode :character Mode :character Median :180.7 Mode :character
## Mean :172.3
## 3rd Qu.:180.7
## Max. :240.8
##
## ESTADO ESTADO.CIVIL
## Length:55 Length:55
## Class :character Class :character
## Mode :character Mode :character
##
##
##
## Rango_edad_A<- max(dataRHP2$EDAD)-min(dataRHP2$EDAD)
N2<-length(dataRHP2$EDAD)
Varianza_edad_A<- var(dataRHP2$EDAD)
DesvEs_edad_A<-sd(dataRHP2$EDAD)
prom_edad_A## [1] 34.14545Rango_edad_A## [1] 41Varianza_edad_A## [1] 152.7933DesvEs_edad_A## [1] 12.36096Con estas medidas de dispersión con respecto a la edad del personal activo de FORM, podemos decir que existe una diferencia 41 años entre la persona más joven y con más edad de FORM, es por esto por lo que nuestra Varianza tiene un valor alto (152.8) lo que significa que hay diferencias significativas entre las edades de las personas con respecto a la edad media de las personas de la empresa (34.15). El valor de la Desviación Estándar nos indica que la mayoría de nuestras edades estarán a menos o más de 12 años del promedio de edad del personal (34.15)
filtroact<-is.na(df_consolidad_nl$MOTIVO.DE.BAJA)
ConsolidadoDist<-df_consolidad_nl[filtroact,]
head(ConsolidadoDist,10)## APELLIDOS NOMBRE FECHA.DE.NACIMIENTO GENERO
## 469 CERDA HERNANDEZ KEVIN ARTURO 2002-10-23 MASCULINO
## 470 SALAS PERALES IRENE GUADALUPE 1976-09-29 FEMENINO
## 471 ORTIZ DE LA TORRE FERMINA 1966-07-07 FEMENINO
## 472 VASQUEZ PASCUAL ANDREA 1987-09-19 FEMENINO
## 473 CARDENAS OLMOS SOLEDAD ENCARNACION 1972-01-22 FEMENINO
## 474 MENDEZ NAVA MARIA GUADALUPE 1967-10-31 FEMENINO
## 475 RANGEL GONZALEZ JUAN JESUS 2000-08-04 MASCULINO
## 476 MARTINEZ DUARTE NAARA SARAI 1987-10-17 FEMENINO
## 477 GARCIA PERALES YULIANA MIREYA 1984-08-19 FEMENINO
## 478 LOPEZ TORRES MARTIN 1978-02-27 MASCULINO
## RFC FECHA.DE.ALTA MOTIVO.DE.BAJA DIAS.LABORADOS BAJA
## 469 CEHK0210237V6 2022-02-18 <NA> <NA> 2023-09-13
## 470 SAPI760929410 2022-02-16 <NA> <NA> 2023-09-13
## 471 OITF660712QD2 2022-06-01 <NA> <NA> 2023-09-13
## 472 VAPA8709199G6 2022-06-08 <NA> <NA> 2023-09-13
## 473 CAOS720122NF2 2021-04-24 <NA> <NA> 2023-09-13
## 474 MENG671031QP8 2020-01-06 <NA> <NA> 2023-09-13
## 475 RAGJ0008044S6 2020-02-06 <NA> <NA> 2023-09-13
## 476 MADN871017C66 2019-01-28 <NA> <NA> 2023-09-13
## 477 GAPY840819V87 2019-05-02 <NA> <NA> 2023-09-13
## 478 LOTM7802274Z2 2020-08-20 <NA> <NA> 2023-09-13
## PUESTO DEPARTAMENTO SALARIO FACTOR.CRED.INFONAVIT
## 469 AYUDANTE GENERAL AY.FLEXO 180.68 N/A
## 470 AYUDANTE GENERAL CELDAS 180.68 N/A
## 471 AYUDANTE GENERAL CELDAS 180.68 N/A
## 472 AYUDANTE GENERAL CELDAS 180.68 N/A
## 473 AYUDANTE GENERAL COSTURA 151.61
## 474 AYUDANTE GENERAL PRODUCCION CARTON MC 151.67
## 475 AYUDANTE GENERAL PRODUCCION CARTON MC 151.67
## 476 AYUDANTE GENERAL PRODUCCION CARTON MC 144.45
## 477 AYUDANTE GENERAL PRODUCCION CARTON MC 144.45
## 478 AYUDANTE GENERAL PRODUCCION CARTON MDL 151.67
## LUGAR.DE.NACIMIENTO CURP CALLE
## 469 MONTERREY, NUEVO LEON CEHK021023HNLRRVA8 PORTAL GALICIA
## 470 HIDALGO, TAMAULIPAS SAPI760929MTSLRR05 RIO ESCONDIDO
## 471 CANATLAN, DURANGO OITF660712MDGRRR023 HABICHUELA
## 472 JESUS CARRANZA, VERACRUZ VAPA870919MVZSSN09 RIO GRIJALVA
## 473 CAOS720122MDFRLL02 PORTAL CADIZ
## 474 MENG671031MNLNVD07 LOMAS DEL SAHARA
## 475 RAGJ000804HNLNNNA2 RIO BUENO
## 476 MADN871017MNLRRR04 HACIENDA SAN MIGUEL
## 477 GAPY840819MNLRRL00 SANTA ROSA
## 478 LOTM780227HNLPRR01 CISNES
## NUMERO.INTERNO COLONIA MUNICIPIO ESTADO ESTADO.CIVIL
## 469 219 PORTAL DEL VALLE APODACA NUEVO LEON SOLTERO
## 470 760 PUEBLO NUEVO APODACA NUEVO LEON SOLTERO
## 471 306 POLICIA AUXILIAR GUADALUPE NUEVO LEON SOLTERO
## 472 307 PUEBLO NUEVO APODACA NUEVO LEON UNION LIBRE
## 473 108 PORTAL DE VALLE APODACA NUEVO LEON MATRIMONIO
## 474 LOMAS DE LA PAZ APODACA NUEVO LEON MATRIMONIO
## 475 PUEBLO NUEVO APODACA NUEVO LEON SOLTERO
## 476 HACIENDA DE SAN MIGUEL GUADALUPE NUEVO LEON SOLTERO
## 477 EL ROSARIO APODACA NUEVO LEON UNION LIBRE
## 478 218 LAS GOLONDRINAS APODACA NUEVO LEON SOLTERO
## OBSERVACIONES CP EDAD DIAS.LABORADOS.CALCULADO
## 469 <NA> 66643 21 572
## 470 <NA> 66646 47 574
## 471 <NA> 67114 57 469
## 472 <NA> 66646 36 462
## 473 <NA> 66643 52 872
## 474 <NA> 66647 56 1346
## 475 <NA> 66646 23 1315
## 476 <NA> 67113 36 1689
## 477 <NA> 66647 39 1595
## 478 <NA> 66649 46 1119
## DIRECCION
## 469 PORTAL GALICIA, 219, PORTAL DEL VALLE, APODACA, NUEVO LEON
## 470 RIO ESCONDIDO, 760, PUEBLO NUEVO, APODACA, NUEVO LEON
## 471 HABICHUELA, 306, POLICIA AUXILIAR, GUADALUPE, NUEVO LEON
## 472 RIO GRIJALVA, 307, PUEBLO NUEVO, APODACA, NUEVO LEON
## 473 PORTAL CADIZ, 108, PORTAL DE VALLE, APODACA, NUEVO LEON
## 474 LOMAS DEL SAHARA, , LOMAS DE LA PAZ, APODACA, NUEVO LEON
## 475 RIO BUENO, , PUEBLO NUEVO, APODACA, NUEVO LEON
## 476 HACIENDA SAN MIGUEL, , HACIENDA DE SAN MIGUEL, GUADALUPE, NUEVO LEON
## 477 SANTA ROSA, , EL ROSARIO, APODACA, NUEVO LEON
## 478 CISNES, 218, LAS GOLONDRINAS, APODACA, NUEVO LEON
## GEOCODE_RESULT
## 469 LIST(DOCUMENTATION = "HTTPS://OPENCAGEDATA.COM/API", LICENSES = LIST(NAME = "SEE ATTRIBUTION GUIDE", URL = "HTTPS://OPENCAGEDATA.COM/CREDITS"), RATE = LIST(LIMIT = 2500, REMAINING = 799, RESET = 1694649600), RESULTS = LIST(ANNOTATIONS = LIST(DMS = LIST(LAT = C("25° 44' 30.16212'' N", "25° 45' 35.13600'' N"), LNG = C("100° 8' 21.78384'' W", "100° 9' 46.33200'' W")), MGRS = C("14RLP8572047574", "14RLP8338149593"), MAIDENHEAD = C("DL95WR38GA", "DL95WS02KI"), MERCATOR = LIST(X = C(-11147465.28, -11150079.685\n), Y = C(2948573.791, 2950792.308)), OSM = LIST(EDIT_URL = C("HTTPS://WWW.OPENSTREETMAP.ORG/EDIT?WAY=399714346#MAP=17/25.74171/-100.13938", NA), NOTE_URL = C("HTTPS://WWW.OPENSTREETMAP.ORG/NOTE/NEW#MAP=17/25.74171/-100.13938&LAYERS=N", "HTTPS://WWW.OPENSTREETMAP.ORG/NOTE/NEW#MAP=17/25.75976/-100.16287&LAYERS=N"), URL = C("HTTPS://WWW.OPENSTREETMAP.ORG/?MLAT=25.74171&MLON=-100.13938#MAP=17/25.74171/-100.13938", "HTTPS://WWW.OPENSTREETMAP.ORG/?MLAT=25.75976&MLON=-100.16287#MAP=17/25.75976/-100.16287"\n)), UN_M49 = LIST(REGIONS = LIST(AMERICAS = C("019", "019"), CENTRAL_AMERICA = C("013", "013"), LATIN_AMERICA = C("419", "419"), MX = C("484", "484"), WORLD = C("001", "001")), STATISTICAL_GROUPINGS = LIST("LEDC", "LEDC")), CALLINGCODE = C(52, 52), CURRENCY = LIST(ALTERNATE_SYMBOLS = LIST("MEX$", "MEX$"), DECIMAL_MARK = C(".", "."), DISAMBIGUATE_SYMBOL = C("MEX$", "MEX$"), HTML_ENTITY = C("$", "$"), ISO_CODE = C("MXN", "MXN"), ISO_NUMERIC = C("484", "484"), NAME = C("MEXICAN PESO", "MEXICAN PESO"\n), SMALLEST_DENOMINATION = C(5, 5), SUBUNIT = C("CENTAVO", "CENTAVO"), SUBUNIT_TO_UNIT = C(100, 100), SYMBOL = C("$", "$"), SYMBOL_FIRST = C(1, 1), THOUSANDS_SEPARATOR = C(",", ",")), FLAG = C("🇲🇽", "🇲🇽"), GEOHASH = C("9U8F3Q0SR4Z582WK9W9M", "9U8F89RT7ZQCU4Q7PEKS"), QIBLA = C(43.16, 43.13), ROADINFO = LIST(DRIVE_ON = C("RIGHT", "RIGHT"), ROAD = C("PORTAL GALICIA", NA), ROAD_TYPE = C("RESIDENTIAL", NA), SPEED_IN = C("KM/H", "KM/H")), SUN = LIST(RISE = LIST(APPARENT = C(1694608020, 1694608020\n), ASTRONOMICAL = C(1694603400, 1694603400), CIVIL = C(1694606640, 1694606640), NAUTICAL = C(1694605020, 1694605020)), SET = LIST(APPARENT = C(1694565960, 1694565960), ASTRONOMICAL = C(1694570580, 1694570580), CIVIL = C(1694567340, 1694567340), NAUTICAL = C(1694568900, 1694568960))), TIMEZONE = LIST(NAME = C("AMERICA/MONTERREY", "AMERICA/MONTERREY"), NOW_IN_DST = C(0, 0), OFFSET_SEC = C(-21600, -21600), OFFSET_STRING = C("-0600", "-0600"), SHORT_NAME = C("CST", "CST")), WHAT3WORDS = LIST(WORDS = C("HOPELESS.FIGHTERS.BUGS", \n"UNWANTED.PASSAGES.MARATHON"))), BOUNDS = LIST(NORTHEAST = LIST(LAT = C(25.7424011, 25.813553), LNG = C(-100.1390983, -100.149712)), SOUTHWEST = LIST(LAT = C(25.7409495, 25.692604), LNG = C(-100.1397559, -100.27964))), COMPONENTS = LIST(`ISO_3166-1_ALPHA-2` = C("MX", "MX"), `ISO_3166-1_ALPHA-3` = C("MEX", "MEX"), `ISO_3166-2` = LIST("MX-NLE", NULL), `_CATEGORY` = C("ROAD", "PLACE"), `_TYPE` = C("ROAD", "CITY"), CITY = C("APODACA", NA), CONTINENT = C("NORTH AMERICA", "NORTH AMERICA"), COUNTRY = C("MEXICO", \n"MEXICO"), COUNTRY_CODE = C("MX", "MX"), POSTCODE = C("66644", NA), RESIDENTIAL = C("PORTAL DEL VALLE", NA), ROAD = C("PORTAL GALICIA", NA), ROAD_TYPE = C("RESIDENTIAL", NA), STATE = C("NUEVO LEÓN", "NUEVO LEÓN"), STATE_CODE = C("NLE", "NLE"), TOWN = C(NA, "APODACA")), CONFIDENCE = C(9, 6), FORMATTED = C("PORTAL GALICIA, PORTAL DEL VALLE, 66644 APODACA, NLE, MEXICO", "APODACA, NUEVO LEÓN, MEXICO"), GEOMETRY = LIST(LAT = C(25.7417117, 25.75976), LNG = C(-100.1393844, -100.16287))), STATUS = LIST(\n CODE = 200, MESSAGE = "OK"), STAY_INFORMED = LIST(BLOG = "HTTPS://BLOG.OPENCAGEDATA.COM", MASTODON = "HTTPS://EN.OSM.TOWN/@OPENCAGE"), THANKS = "FOR USING AN OPENCAGE API", TIMESTAMP = LIST(CREATED_HTTP = "WED, 13 SEP 2023 19:11:44 GMT", CREATED_UNIX = 1694632304), TOTAL_RESULTS = 2)
## 470 LIST(DOCUMENTATION = "HTTPS://OPENCAGEDATA.COM/API", LICENSES = LIST(NAME = "SEE ATTRIBUTION GUIDE", URL = "HTTPS://OPENCAGEDATA.COM/CREDITS"), RATE = LIST(LIMIT = 2500, REMAINING = 798, RESET = 1694649600), RESULTS = LIST(ANNOTATIONS = LIST(DMS = LIST(LAT = C("25° 45' 47.90412'' N", "25° 45' 35.13600'' N"), LNG = C("100° 10' 3.42732'' W", "100° 9' 46.33200'' W")), MGRS = C("14RLP8290949990", "14RLP8338149593"), MAIDENHEAD = C("DL95VS93VE", "DL95WS02KI"), MERCATOR = LIST(X = C(-11150608.308, \n-11150079.685), Y = C(2951228.313, 2950792.308)), OSM = LIST(EDIT_URL = C("HTTPS://WWW.OPENSTREETMAP.ORG/EDIT?WAY=171573238#MAP=17/25.76331/-100.16762", NA), NOTE_URL = C("HTTPS://WWW.OPENSTREETMAP.ORG/NOTE/NEW#MAP=17/25.76331/-100.16762&LAYERS=N", "HTTPS://WWW.OPENSTREETMAP.ORG/NOTE/NEW#MAP=17/25.75976/-100.16287&LAYERS=N"), URL = C("HTTPS://WWW.OPENSTREETMAP.ORG/?MLAT=25.76331&MLON=-100.16762#MAP=17/25.76331/-100.16762", "HTTPS://WWW.OPENSTREETMAP.ORG/?MLAT=25.75976&MLON=-100.16287#MAP=17/25.75976/-100.16287"\n)), UN_M49 = LIST(REGIONS = LIST(AMERICAS = C("019", "019"), CENTRAL_AMERICA = C("013", "013"), LATIN_AMERICA = C("419", "419"), MX = C("484", "484"), WORLD = C("001", "001")), STATISTICAL_GROUPINGS = LIST("LEDC", "LEDC")), CALLINGCODE = C(52, 52), CURRENCY = LIST(ALTERNATE_SYMBOLS = LIST("MEX$", "MEX$"), DECIMAL_MARK = C(".", "."), DISAMBIGUATE_SYMBOL = C("MEX$", "MEX$"), HTML_ENTITY = C("$", "$"), ISO_CODE = C("MXN", "MXN"), ISO_NUMERIC = C("484", "484"), NAME = C("MEXICAN PESO", "MEXICAN PESO"\n), SMALLEST_DENOMINATION = C(5, 5), SUBUNIT = C("CENTAVO", "CENTAVO"), SUBUNIT_TO_UNIT = C(100, 100), SYMBOL = C("$", "$"), SYMBOL_FIRST = C(1, 1), THOUSANDS_SEPARATOR = C(",", ",")), FLAG = C("🇲🇽", "🇲🇽"), GEOHASH = C("9U8F8DH4JK3YXYCF49EM", "9U8F89RT7ZQCU4Q7PEKS"), QIBLA = C(43.13, 43.13), ROADINFO = LIST(DRIVE_ON = C("RIGHT", "RIGHT"), ROAD = C("RÍO ESCONDIDO", NA), ROAD_TYPE = C("RESIDENTIAL", NA), SPEED_IN = C("KM/H", "KM/H")), SUN = LIST(RISE = LIST(APPARENT = C(1694608020, 1694608020\n), ASTRONOMICAL = C(1694603400, 1694603400), CIVIL = C(1694606640, 1694606640), NAUTICAL = C(1694605020, 1694605020)), SET = LIST(APPARENT = C(1694565960, 1694565960), ASTRONOMICAL = C(1694570580, 1694570580), CIVIL = C(1694567340, 1694567340), NAUTICAL = C(1694568960, 1694568960))), TIMEZONE = LIST(NAME = C("AMERICA/MONTERREY", "AMERICA/MONTERREY"), NOW_IN_DST = C(0, 0), OFFSET_SEC = C(-21600, -21600), OFFSET_STRING = C("-0600", "-0600"), SHORT_NAME = C("CST", "CST")), WHAT3WORDS = LIST(WORDS = C("SAFARI.DECREASE.GALLERIES", \n"UNWANTED.PASSAGES.MARATHON"))), BOUNDS = LIST(NORTHEAST = LIST(LAT = C(25.7640797, 25.813553), LNG = C(-100.1664948, -100.149712)), SOUTHWEST = LIST(LAT = C(25.7632994, 25.692604), LNG = C(-100.1684374, -100.27964))), COMPONENTS = LIST(`ISO_3166-1_ALPHA-2` = C("MX", "MX"), `ISO_3166-1_ALPHA-3` = C("MEX", "MEX"), `ISO_3166-2` = LIST("MX-NLE", NULL), `_CATEGORY` = C("ROAD", "PLACE"), `_TYPE` = C("ROAD", "CITY"), CITY = C("APODACA", NA), CONTINENT = C("NORTH AMERICA", "NORTH AMERICA"), COUNTRY = C("MEXICO", \n"MEXICO"), COUNTRY_CODE = C("MX", "MX"), POSTCODE = C("66600", NA), RESIDENTIAL = C("PUEBLO NUEVO", NA), ROAD = C("RÍO ESCONDIDO", NA), ROAD_TYPE = C("RESIDENTIAL", NA), STATE = C("NUEVO LEÓN", "NUEVO LEÓN"), STATE_CODE = C("NLE", "NLE"), TOWN = C(NA, "APODACA")), CONFIDENCE = C(9, 6), FORMATTED = C("RÍO ESCONDIDO, PUEBLO NUEVO, 66600 APODACA, NLE, MEXICO", "APODACA, NUEVO LEÓN, MEXICO"), GEOMETRY = LIST(LAT = C(25.7633067, 25.75976), LNG = C(-100.1676187, -100.16287))), STATUS = LIST(CODE = 200, \n MESSAGE = "OK"), STAY_INFORMED = LIST(BLOG = "HTTPS://BLOG.OPENCAGEDATA.COM", MASTODON = "HTTPS://EN.OSM.TOWN/@OPENCAGE"), THANKS = "FOR USING AN OPENCAGE API", TIMESTAMP = LIST(CREATED_HTTP = "WED, 13 SEP 2023 19:11:44 GMT", CREATED_UNIX = 1694632304), TOTAL_RESULTS = 2)
## 471 LIST(DOCUMENTATION = "HTTPS://OPENCAGEDATA.COM/API", LICENSES = LIST(NAME = "SEE ATTRIBUTION GUIDE", URL = "HTTPS://OPENCAGEDATA.COM/CREDITS"), RATE = LIST(LIMIT = 2500, REMAINING = 797, RESET = 1694649600), RESULTS = LIST(ANNOTATIONS = LIST(DMS = LIST(LAT = C("25° 42' 47.28204'' N", "25° 42' 44.92944'' N", "25° 40' 36.40800'' N"), LNG = C("100° 11' 3.40044'' W", "100° 11' 4.65504'' W", "100° 15' 23.25600'' W")), MGRS = C("14RLP8118844448", "14RLP8115244376", "14RLP7390740489"), MAIDENHEAD = C("DL95VR71VD", \n"DL95VR70UX", "DL95UQ92FK"), MERCATOR = LIST(X = C(-11152462.801, -11152501.596, -11160498.076), Y = C(2945061.671, 2944981.368, 2940595.126)), OSM = LIST(EDIT_URL = C("HTTPS://WWW.OPENSTREETMAP.ORG/EDIT?WAY=171278597#MAP=17/25.71313/-100.18428", "HTTPS://WWW.OPENSTREETMAP.ORG/EDIT?WAY=680181851#MAP=17/25.71248/-100.18463", NA), NOTE_URL = C("HTTPS://WWW.OPENSTREETMAP.ORG/NOTE/NEW#MAP=17/25.71313/-100.18428&LAYERS=N", "HTTPS://WWW.OPENSTREETMAP.ORG/NOTE/NEW#MAP=17/25.71248/-100.18463&LAYERS=N", "HTTPS://WWW.OPENSTREETMAP.ORG/NOTE/NEW#MAP=17/25.67678/-100.25646&LAYERS=N"\n), URL = C("HTTPS://WWW.OPENSTREETMAP.ORG/?MLAT=25.71313&MLON=-100.18428#MAP=17/25.71313/-100.18428", "HTTPS://WWW.OPENSTREETMAP.ORG/?MLAT=25.71248&MLON=-100.18463#MAP=17/25.71248/-100.18463", "HTTPS://WWW.OPENSTREETMAP.ORG/?MLAT=25.67678&MLON=-100.25646#MAP=17/25.67678/-100.25646")), UN_M49 = LIST(REGIONS = LIST(AMERICAS = C("019", "019", "019"), CENTRAL_AMERICA = C("013", "013", "013"), LATIN_AMERICA = C("419", "419", "419"), MX = C("484", "484", "484"), WORLD = C("001", "001", "001")), STATISTICAL_GROUPINGS = LIST(\n "LEDC", "LEDC", "LEDC")), CALLINGCODE = C(52, 52, 52), CURRENCY = LIST(ALTERNATE_SYMBOLS = LIST("MEX$", "MEX$", "MEX$"), DECIMAL_MARK = C(".", ".", "."), DISAMBIGUATE_SYMBOL = C("MEX$", "MEX$", "MEX$"), HTML_ENTITY = C("$", "$", "$"), ISO_CODE = C("MXN", "MXN", "MXN"), ISO_NUMERIC = C("484", "484", "484"), NAME = C("MEXICAN PESO", "MEXICAN PESO", "MEXICAN PESO"), SMALLEST_DENOMINATION = C(5, 5, 5), SUBUNIT = C("CENTAVO", "CENTAVO", "CENTAVO"), SUBUNIT_TO_UNIT = C(100, 100, 100), SYMBOL = C("$", \n"$", "$"), SYMBOL_FIRST = C(1, 1, 1), THOUSANDS_SEPARATOR = C(",", ",", ",")), FLAG = C("🇲🇽", "🇲🇽", "🇲🇽"), GEOHASH = C("9U8F22BJC5EFRC9YR315", "9U8F20ZF11B0H2BBHXD1", "9U8DND76P4TNGFFNTY3Q"), QIBLA = C(43.13, 43.13, 43.09), ROADINFO = LIST(DRIVE_ON = C("RIGHT", "RIGHT", "RIGHT"), ROAD = C("HABICHUELA", "HABICHUELA", NA), ROAD_TYPE = C("TERTIARY", "TERTIARY", NA), SPEED_IN = C("KM/H", "KM/H", "KM/H")), SUN = LIST(RISE = LIST(APPARENT = C(1694608020, 1694608020, 1694608020), ASTRONOMICAL = C(1694603400, \n1694603400, 1694603400), CIVIL = C(1694606640, 1694606640, 1694606640), NAUTICAL = C(1694605020, 1694605020, 1694605020)), SET = LIST(APPARENT = C(1694565960, 1694565960, 1694565960), ASTRONOMICAL = C(1694570580, 1694570580, 1694570580), CIVIL = C(1694567340, 1694567340, 1694567340), NAUTICAL = C(1694568960, 1694568960, 1694568960))), TIMEZONE = LIST(NAME = C("AMERICA/MONTERREY", "AMERICA/MONTERREY", "AMERICA/MONTERREY"), NOW_IN_DST = C(0, 0, 0), OFFSET_SEC = C(-21600, -21600, -21600), OFFSET_STRING = C("-0600", \n"-0600", "-0600"), SHORT_NAME = C("CST", "CST", "CST")), WHAT3WORDS = LIST(WORDS = C("STRENGTH.BLANK.TABLET", "VEHICLE.STOP.BOMBARD", "PUBLISH.MONK.BRIDE"))), BOUNDS = LIST(NORTHEAST = LIST(LAT = C(25.7134445, 25.712597, 25.7319039), LNG = C(-100.1833311, -100.1846195, -100.1295654)), SOUTHWEST = LIST(LAT = C(25.712597, 25.7123875, 25.6214753), LNG = C(-100.1846195, -100.1846322, -100.2759369))), COMPONENTS = LIST(`ISO_3166-1_ALPHA-2` = C("MX", "MX", "MX"), `ISO_3166-1_ALPHA-3` = C("MEX", "MEX", \n"MEX"), `ISO_3166-2` = LIST("MX-NLE", "MX-NLE", NULL), `_CATEGORY` = C("ROAD", "ROAD", "PLACE"), `_TYPE` = C("ROAD", "ROAD", "CITY"), CITY = C("GUADALUPE", "GUADALUPE", NA), CONTINENT = C("NORTH AMERICA", "NORTH AMERICA", "NORTH AMERICA"), COUNTRY = C("MEXICO", "MEXICO", "MEXICO"), COUNTRY_CODE = C("MX", "MX", "MX"), POSTCODE = C("67112", "67112", NA), RESIDENTIAL = C("MIXCOAC", NA, NA), ROAD = C("HABICHUELA", "HABICHUELA", NA), ROAD_TYPE = C("TERTIARY", "TERTIARY", NA), STATE = C("NUEVO LEÓN", \n"NUEVO LEÓN", "NUEVO LEÓN"), STATE_CODE = C("NLE", "NLE", "NLE"), TOWN = C(NA, NA, "GUADALUPE")), CONFIDENCE = C(9, 9, 6), FORMATTED = C("HABICHUELA, MIXCOAC, 67112 GUADALUPE, NLE, MEXICO", "HABICHUELA, 67112 GUADALUPE, NLE, MEXICO", "GUADALUPE, NUEVO LEÓN, MEXICO"), GEOMETRY = LIST(LAT = C(25.7131339, 25.7124804, 25.67678), LNG = C(-100.1842779, -100.1846264, -100.25646))), STATUS = LIST(CODE = 200, MESSAGE = "OK"), STAY_INFORMED = LIST(BLOG = "HTTPS://BLOG.OPENCAGEDATA.COM", MASTODON = "HTTPS://EN.OSM.TOWN/@OPENCAGE"), \n THANKS = "FOR USING AN OPENCAGE API", TIMESTAMP = LIST(CREATED_HTTP = "WED, 13 SEP 2023 19:11:44 GMT", CREATED_UNIX = 1694632304), TOTAL_RESULTS = 3)
## 472 LIST(DOCUMENTATION = "HTTPS://OPENCAGEDATA.COM/API", LICENSES = LIST(NAME = "SEE ATTRIBUTION GUIDE", URL = "HTTPS://OPENCAGEDATA.COM/CREDITS"), RATE = LIST(LIMIT = 2500, REMAINING = 796, RESET = 1694649600), RESULTS = LIST(ANNOTATIONS = LIST(DMS = LIST(LAT = C("25° 45' 42.61284'' N", "25° 45' 35.13600'' N"), LNG = C("100° 9' 58.75596'' W", "100° 9' 46.33200'' W")), MGRS = C("14RLP8303749826", "14RLP8338149593"), MAIDENHEAD = C("DL95WS02BU", "DL95WS02KI"), MERCATOR = LIST(X = C(-11150463.859, \n-11150079.685), Y = C(2951047.625, 2950792.308)), OSM = LIST(EDIT_URL = C("HTTPS://WWW.OPENSTREETMAP.ORG/EDIT?WAY=171573205#MAP=17/25.76184/-100.16632", NA), NOTE_URL = C("HTTPS://WWW.OPENSTREETMAP.ORG/NOTE/NEW#MAP=17/25.76184/-100.16632&LAYERS=N", "HTTPS://WWW.OPENSTREETMAP.ORG/NOTE/NEW#MAP=17/25.75976/-100.16287&LAYERS=N"), URL = C("HTTPS://WWW.OPENSTREETMAP.ORG/?MLAT=25.76184&MLON=-100.16632#MAP=17/25.76184/-100.16632", "HTTPS://WWW.OPENSTREETMAP.ORG/?MLAT=25.75976&MLON=-100.16287#MAP=17/25.75976/-100.16287"\n)), UN_M49 = LIST(REGIONS = LIST(AMERICAS = C("019", "019"), CENTRAL_AMERICA = C("013", "013"), LATIN_AMERICA = C("419", "419"), MX = C("484", "484"), WORLD = C("001", "001")), STATISTICAL_GROUPINGS = LIST("LEDC", "LEDC")), CALLINGCODE = C(52, 52), CURRENCY = LIST(ALTERNATE_SYMBOLS = LIST("MEX$", "MEX$"), DECIMAL_MARK = C(".", "."), DISAMBIGUATE_SYMBOL = C("MEX$", "MEX$"), HTML_ENTITY = C("$", "$"), ISO_CODE = C("MXN", "MXN"), ISO_NUMERIC = C("484", "484"), NAME = C("MEXICAN PESO", "MEXICAN PESO"\n), SMALLEST_DENOMINATION = C(5, 5), SUBUNIT = C("CENTAVO", "CENTAVO"), SUBUNIT_TO_UNIT = C(100, 100), SYMBOL = C("$", "$"), SYMBOL_FIRST = C(1, 1), THOUSANDS_SEPARATOR = C(",", ",")), FLAG = C("🇲🇽", "🇲🇽"), GEOHASH = C("9U8F89V1ED3X18RYZ0XM", "9U8F89RT7ZQCU4Q7PEKS"), QIBLA = C(43.13, 43.13), ROADINFO = LIST(DRIVE_ON = C("RIGHT", "RIGHT"), ROAD = C("RÍO GRIJALVA", NA), ROAD_TYPE = C("RESIDENTIAL", NA), SPEED_IN = C("KM/H", "KM/H")), SUN = LIST(RISE = LIST(APPARENT = C(1694608020, 1694608020\n), ASTRONOMICAL = C(1694603400, 1694603400), CIVIL = C(1694606640, 1694606640), NAUTICAL = C(1694605020, 1694605020)), SET = LIST(APPARENT = C(1694565960, 1694565960), ASTRONOMICAL = C(1694570580, 1694570580), CIVIL = C(1694567340, 1694567340), NAUTICAL = C(1694568960, 1694568960))), TIMEZONE = LIST(NAME = C("AMERICA/MONTERREY", "AMERICA/MONTERREY"), NOW_IN_DST = C(0, 0), OFFSET_SEC = C(-21600, -21600), OFFSET_STRING = C("-0600", "-0600"), SHORT_NAME = C("CST", "CST")), WHAT3WORDS = LIST(WORDS = C("CLASPS.CROP.BOUNCING", \n"UNWANTED.PASSAGES.MARATHON"))), BOUNDS = LIST(NORTHEAST = LIST(LAT = C(25.7641451, 25.813553), LNG = C(-100.1660924, -100.149712)), SOUTHWEST = LIST(LAT = C(25.7598409, 25.692604), LNG = C(-100.1665692, -100.27964))), COMPONENTS = LIST(`ISO_3166-1_ALPHA-2` = C("MX", "MX"), `ISO_3166-1_ALPHA-3` = C("MEX", "MEX"), `ISO_3166-2` = LIST("MX-NLE", NULL), `_CATEGORY` = C("ROAD", "PLACE"), `_TYPE` = C("ROAD", "CITY"), CITY = C("APODACA", NA), CONTINENT = C("NORTH AMERICA", "NORTH AMERICA"), COUNTRY = C("MEXICO", \n"MEXICO"), COUNTRY_CODE = C("MX", "MX"), POSTCODE = C("66645", NA), RESIDENTIAL = C("PUEBLO NUEVO", NA), ROAD = C("RÍO GRIJALVA", NA), ROAD_TYPE = C("RESIDENTIAL", NA), STATE = C("NUEVO LEÓN", "NUEVO LEÓN"), STATE_CODE = C("NLE", "NLE"), TOWN = C(NA, "APODACA")), CONFIDENCE = C(9, 6), FORMATTED = C("RÍO GRIJALVA, PUEBLO NUEVO, 66645 APODACA, NLE, MEXICO", "APODACA, NUEVO LEÓN, MEXICO"), GEOMETRY = LIST(LAT = C(25.7618369, 25.75976), LNG = C(-100.1663211, -100.16287))), STATUS = LIST(CODE = 200, \n MESSAGE = "OK"), STAY_INFORMED = LIST(BLOG = "HTTPS://BLOG.OPENCAGEDATA.COM", MASTODON = "HTTPS://EN.OSM.TOWN/@OPENCAGE"), THANKS = "FOR USING AN OPENCAGE API", TIMESTAMP = LIST(CREATED_HTTP = "WED, 13 SEP 2023 19:11:45 GMT", CREATED_UNIX = 1694632305), TOTAL_RESULTS = 2)
## 473 LIST(DOCUMENTATION = "HTTPS://OPENCAGEDATA.COM/API", LICENSES = LIST(NAME = "SEE ATTRIBUTION GUIDE", URL = "HTTPS://OPENCAGEDATA.COM/CREDITS"), RATE = LIST(LIMIT = 2500, REMAINING = 794, RESET = 1694649600), RESULTS = LIST(ANNOTATIONS = LIST(DMS = LIST(LAT = C("25° 44' 22.05600'' N", "25° 45' 35.13600'' N"), LNG = C("100° 8' 16.61784'' W", "100° 9' 46.33200'' W")), MGRS = C("14RLP8586147323", "14RLP8338149593"), MAIDENHEAD = C("DL95WR37KL", "DL95WS02KI"), MERCATOR = LIST(X = C(-11147305.536, \n-11150079.685), Y = C(2948297.033, 2950792.308)), OSM = LIST(EDIT_URL = C("HTTPS://WWW.OPENSTREETMAP.ORG/EDIT?WAY=399707388#MAP=17/25.73946/-100.13795", NA), NOTE_URL = C("HTTPS://WWW.OPENSTREETMAP.ORG/NOTE/NEW#MAP=17/25.73946/-100.13795&LAYERS=N", "HTTPS://WWW.OPENSTREETMAP.ORG/NOTE/NEW#MAP=17/25.75976/-100.16287&LAYERS=N"), URL = C("HTTPS://WWW.OPENSTREETMAP.ORG/?MLAT=25.73946&MLON=-100.13795#MAP=17/25.73946/-100.13795", "HTTPS://WWW.OPENSTREETMAP.ORG/?MLAT=25.75976&MLON=-100.16287#MAP=17/25.75976/-100.16287"\n)), UN_M49 = LIST(REGIONS = LIST(AMERICAS = C("019", "019"), CENTRAL_AMERICA = C("013", "013"), LATIN_AMERICA = C("419", "419"), MX = C("484", "484"), WORLD = C("001", "001")), STATISTICAL_GROUPINGS = LIST("LEDC", "LEDC")), CALLINGCODE = C(52, 52), CURRENCY = LIST(ALTERNATE_SYMBOLS = LIST("MEX$", "MEX$"), DECIMAL_MARK = C(".", "."), DISAMBIGUATE_SYMBOL = C("MEX$", "MEX$"), HTML_ENTITY = C("$", "$"), ISO_CODE = C("MXN", "MXN"), ISO_NUMERIC = C("484", "484"), NAME = C("MEXICAN PESO", "MEXICAN PESO"\n), SMALLEST_DENOMINATION = C(5, 5), SUBUNIT = C("CENTAVO", "CENTAVO"), SUBUNIT_TO_UNIT = C(100, 100), SYMBOL = C("$", "$"), SYMBOL_FIRST = C(1, 1), THOUSANDS_SEPARATOR = C(",", ",")), FLAG = C("🇲🇽", "🇲🇽"), GEOHASH = C("9U8F3M9Z0XJ58GKJJDTW", "9U8F89RT7ZQCU4Q7PEKS"), QIBLA = C(43.16, 43.13), ROADINFO = LIST(DRIVE_ON = C("RIGHT", "RIGHT"), ROAD = C("PORTAL CADIZ", NA), ROAD_TYPE = C("RESIDENTIAL", NA), SPEED_IN = C("KM/H", "KM/H")), SUN = LIST(RISE = LIST(APPARENT = C(1694608020, 1694608020\n), ASTRONOMICAL = C(1694603400, 1694603400), CIVIL = C(1694606640, 1694606640), NAUTICAL = C(1694605020, 1694605020)), SET = LIST(APPARENT = C(1694565960, 1694565960), ASTRONOMICAL = C(1694570580, 1694570580), CIVIL = C(1694567340, 1694567340), NAUTICAL = C(1694568900, 1694568960))), TIMEZONE = LIST(NAME = C("AMERICA/MONTERREY", "AMERICA/MONTERREY"), NOW_IN_DST = C(0, 0), OFFSET_SEC = C(-21600, -21600), OFFSET_STRING = C("-0600", "-0600"), SHORT_NAME = C("CST", "CST")), WHAT3WORDS = LIST(WORDS = C("ASSEMBLE.PRINTING.FANS", \n"UNWANTED.PASSAGES.MARATHON"))), BOUNDS = LIST(NORTHEAST = LIST(LAT = C(25.7398139, 25.813553), LNG = C(-100.1378006, -100.149712)), SOUTHWEST = LIST(LAT = C(25.7389852, 25.692604), LNG = C(-100.1380386, -100.27964))), COMPONENTS = LIST(`ISO_3166-1_ALPHA-2` = C("MX", "MX"), `ISO_3166-1_ALPHA-3` = C("MEX", "MEX"), `ISO_3166-2` = LIST("MX-NLE", NULL), `_CATEGORY` = C("ROAD", "PLACE"), `_TYPE` = C("ROAD", "CITY"), CITY = C("APODACA", NA), CONTINENT = C("NORTH AMERICA", "NORTH AMERICA"), COUNTRY = C("MEXICO", \n"MEXICO"), COUNTRY_CODE = C("MX", "MX"), POSTCODE = C("66644", NA), RESIDENTIAL = C("PORTAL DEL VALLE", NA), ROAD = C("PORTAL CADIZ", NA), ROAD_TYPE = C("RESIDENTIAL", NA), STATE = C("NUEVO LEÓN", "NUEVO LEÓN"), STATE_CODE = C("NLE", "NLE"), TOWN = C(NA, "APODACA")), CONFIDENCE = C(9, 6), FORMATTED = C("PORTAL CADIZ, PORTAL DEL VALLE, 66644 APODACA, NLE, MEXICO", "APODACA, NUEVO LEÓN, MEXICO"), GEOMETRY = LIST(LAT = C(25.73946, 25.75976), LNG = C(-100.1379494, -100.16287))), STATUS = LIST(CODE = 200, \n MESSAGE = "OK"), STAY_INFORMED = LIST(BLOG = "HTTPS://BLOG.OPENCAGEDATA.COM", MASTODON = "HTTPS://EN.OSM.TOWN/@OPENCAGE"), THANKS = "FOR USING AN OPENCAGE API", TIMESTAMP = LIST(CREATED_HTTP = "WED, 13 SEP 2023 19:11:45 GMT", CREATED_UNIX = 1694632305), TOTAL_RESULTS = 2)
## 474 LIST(DOCUMENTATION = "HTTPS://OPENCAGEDATA.COM/API", LICENSES = LIST(NAME = "SEE ATTRIBUTION GUIDE", URL = "HTTPS://OPENCAGEDATA.COM/CREDITS"), RATE = LIST(LIMIT = 2500, REMAINING = 793, RESET = 1694649600), RESULTS = LIST(ANNOTATIONS = LIST(DMS = LIST(LAT = C("25° 42' 43.86024'' N", "25° 45' 35.13600'' N"), LNG = C("100° 7' 58.20384'' W", "100° 9' 46.33200'' W")), MGRS = C("14RLP8634944298", "14RLP8338149593"), MAIDENHEAD = C("DL95WR40BW", "DL95WS02KI"), MERCATOR = LIST(X = C(-11146736.137, \n-11150079.685), Y = C(2944944.873, 2950792.308)), OSM = LIST(EDIT_URL = C("HTTPS://WWW.OPENSTREETMAP.ORG/EDIT?WAY=157558085#MAP=17/25.71218/-100.13283", NA), NOTE_URL = C("HTTPS://WWW.OPENSTREETMAP.ORG/NOTE/NEW#MAP=17/25.71218/-100.13283&LAYERS=N", "HTTPS://WWW.OPENSTREETMAP.ORG/NOTE/NEW#MAP=17/25.75976/-100.16287&LAYERS=N"), URL = C("HTTPS://WWW.OPENSTREETMAP.ORG/?MLAT=25.71218&MLON=-100.13283#MAP=17/25.71218/-100.13283", "HTTPS://WWW.OPENSTREETMAP.ORG/?MLAT=25.75976&MLON=-100.16287#MAP=17/25.75976/-100.16287"\n)), UN_M49 = LIST(REGIONS = LIST(AMERICAS = C("019", "019"), CENTRAL_AMERICA = C("013", "013"), LATIN_AMERICA = C("419", "419"), MX = C("484", "484"), WORLD = C("001", "001")), STATISTICAL_GROUPINGS = LIST("LEDC", "LEDC")), CALLINGCODE = C(52, 52), CURRENCY = LIST(ALTERNATE_SYMBOLS = LIST("MEX$", "MEX$"), DECIMAL_MARK = C(".", "."), DISAMBIGUATE_SYMBOL = C("MEX$", "MEX$"), HTML_ENTITY = C("$", "$"), ISO_CODE = C("MXN", "MXN"), ISO_NUMERIC = C("484", "484"), NAME = C("MEXICAN PESO", "MEXICAN PESO"\n), SMALLEST_DENOMINATION = C(5, 5), SUBUNIT = C("CENTAVO", "CENTAVO"), SUBUNIT_TO_UNIT = C(100, 100), SYMBOL = C("$", "$"), SYMBOL_FIRST = C(1, 1), THOUSANDS_SEPARATOR = C(",", ",")), FLAG = C("🇲🇽", "🇲🇽"), GEOHASH = C("9U8F32V2RF7H3E1N53EE", "9U8F89RT7ZQCU4Q7PEKS"), QIBLA = C(43.18, 43.13), ROADINFO = LIST(DRIVE_ON = C("RIGHT", "RIGHT"), ROAD = C("LOMAS DEL SAHARA", NA), ROAD_TYPE = C("RESIDENTIAL", NA), SPEED_IN = C("KM/H", "KM/H")), SUN = LIST(RISE = LIST(APPARENT = C(1694608020, 1694608020\n), ASTRONOMICAL = C(1694603400, 1694603400), CIVIL = C(1694606640, 1694606640), NAUTICAL = C(1694605020, 1694605020)), SET = LIST(APPARENT = C(1694565960, 1694565960), ASTRONOMICAL = C(1694570580, 1694570580), CIVIL = C(1694567340, 1694567340), NAUTICAL = C(1694568900, 1694568960))), TIMEZONE = LIST(NAME = C("AMERICA/MONTERREY", "AMERICA/MONTERREY"), NOW_IN_DST = C(0, 0), OFFSET_SEC = C(-21600, -21600), OFFSET_STRING = C("-0600", "-0600"), SHORT_NAME = C("CST", "CST")), WHAT3WORDS = LIST(WORDS = C("REMOVED.FATTEST.TINTED", \n"UNWANTED.PASSAGES.MARATHON"))), BOUNDS = LIST(NORTHEAST = LIST(LAT = C(25.7126949, 25.813553), LNG = C(-100.1306606, -100.149712)), SOUTHWEST = LIST(LAT = C(25.7117173, 25.692604), LNG = C(-100.1348721, -100.27964))), COMPONENTS = LIST(`ISO_3166-1_ALPHA-2` = C("MX", "MX"), `ISO_3166-1_ALPHA-3` = C("MEX", "MEX"), `ISO_3166-2` = LIST("MX-NLE", NULL), `_CATEGORY` = C("ROAD", "PLACE"), `_TYPE` = C("ROAD", "CITY"), CITY = C("APODACA", NA), CONTINENT = C("NORTH AMERICA", "NORTH AMERICA"), COUNTRY = C("MEXICO", \n"MEXICO"), COUNTRY_CODE = C("MX", "MX"), POSTCODE = C("66647", NA), RESIDENTIAL = C("LOMAS DE LA PAZ", NA), ROAD = C("LOMAS DEL SAHARA", NA), ROAD_TYPE = C("RESIDENTIAL", NA), STATE = C("NUEVO LEÓN", "NUEVO LEÓN"), STATE_CODE = C("NLE", "NLE"), TOWN = C(NA, "APODACA")), CONFIDENCE = C(9, 6), FORMATTED = C("LOMAS DEL SAHARA, LOMAS DE LA PAZ, 66647 APODACA, NLE, MEXICO", "APODACA, NUEVO LEÓN, MEXICO"), GEOMETRY = LIST(LAT = C(25.7121834, 25.75976), LNG = C(-100.1328344, -100.16287))), STATUS = LIST(\n CODE = 200, MESSAGE = "OK"), STAY_INFORMED = LIST(BLOG = "HTTPS://BLOG.OPENCAGEDATA.COM", MASTODON = "HTTPS://EN.OSM.TOWN/@OPENCAGE"), THANKS = "FOR USING AN OPENCAGE API", TIMESTAMP = LIST(CREATED_HTTP = "WED, 13 SEP 2023 19:11:46 GMT", CREATED_UNIX = 1694632306), TOTAL_RESULTS = 2)
## 475 LIST(DOCUMENTATION = "HTTPS://OPENCAGEDATA.COM/API", LICENSES = LIST(NAME = "SEE ATTRIBUTION GUIDE", URL = "HTTPS://OPENCAGEDATA.COM/CREDITS"), RATE = LIST(LIMIT = 2500, REMAINING = 792, RESET = 1694649600), RESULTS = LIST(ANNOTATIONS = LIST(DMS = LIST(LAT = "25° 45' 35.13600'' N", LNG = "100° 9' 46.33200'' W"), MGRS = "14RLP8338149593", MAIDENHEAD = "DL95WS02KI", MERCATOR = LIST(X = -11150079.685, Y = 2950792.308), OSM = LIST(NOTE_URL = "HTTPS://WWW.OPENSTREETMAP.ORG/NOTE/NEW#MAP=17/25.75976/-100.16287&LAYERS=N", \n URL = "HTTPS://WWW.OPENSTREETMAP.ORG/?MLAT=25.75976&MLON=-100.16287#MAP=17/25.75976/-100.16287"), UN_M49 = LIST(REGIONS = LIST(AMERICAS = "019", CENTRAL_AMERICA = "013", LATIN_AMERICA = "419", MX = "484", WORLD = "001"), STATISTICAL_GROUPINGS = LIST("LEDC")), CALLINGCODE = 52, CURRENCY = LIST(ALTERNATE_SYMBOLS = LIST("MEX$"), DECIMAL_MARK = ".", DISAMBIGUATE_SYMBOL = "MEX$", HTML_ENTITY = "$", ISO_CODE = "MXN", ISO_NUMERIC = "484", NAME = "MEXICAN PESO", SMALLEST_DENOMINATION = 5, SUBUNIT = "CENTAVO", \n SUBUNIT_TO_UNIT = 100, SYMBOL = "$", SYMBOL_FIRST = 1, THOUSANDS_SEPARATOR = ","), FLAG = "🇲🇽", GEOHASH = "9U8F89RT7ZQCU4Q7PEKS", QIBLA = 43.13, ROADINFO = LIST(DRIVE_ON = "RIGHT", SPEED_IN = "KM/H"), SUN = LIST(RISE = LIST(APPARENT = 1694608020, ASTRONOMICAL = 1694603400, CIVIL = 1694606640, NAUTICAL = 1694605020), SET = LIST(APPARENT = 1694565960, ASTRONOMICAL = 1694570580, CIVIL = 1694567340, NAUTICAL = 1694568960)), TIMEZONE = LIST(NAME = "AMERICA/MONTERREY", NOW_IN_DST = 0, OFFSET_SEC = -21600, \n OFFSET_STRING = "-0600", SHORT_NAME = "CST"), WHAT3WORDS = LIST(WORDS = "UNWANTED.PASSAGES.MARATHON")), BOUNDS = LIST(NORTHEAST = LIST(LAT = 25.813553, LNG = -100.149712), SOUTHWEST = LIST(LAT = 25.692604, LNG = -100.27964)), COMPONENTS = LIST(`ISO_3166-1_ALPHA-2` = "MX", `ISO_3166-1_ALPHA-3` = "MEX", `_CATEGORY` = "PLACE", `_TYPE` = "CITY", CONTINENT = "NORTH AMERICA", COUNTRY = "MEXICO", COUNTRY_CODE = "MX", STATE = "NUEVO LEÓN", STATE_CODE = "NLE", TOWN = "APODACA"), CONFIDENCE = 6, FORMATTED = "APODACA, NUEVO LEÓN, MEXICO", \n GEOMETRY = LIST(LAT = 25.75976, LNG = -100.16287)), STATUS = LIST(CODE = 200, MESSAGE = "OK"), STAY_INFORMED = LIST(BLOG = "HTTPS://BLOG.OPENCAGEDATA.COM", MASTODON = "HTTPS://EN.OSM.TOWN/@OPENCAGE"), THANKS = "FOR USING AN OPENCAGE API", TIMESTAMP = LIST(CREATED_HTTP = "WED, 13 SEP 2023 19:11:46 GMT", CREATED_UNIX = 1694632306), TOTAL_RESULTS = 1)
## 476 LIST(DOCUMENTATION = "HTTPS://OPENCAGEDATA.COM/API", LICENSES = LIST(NAME = "SEE ATTRIBUTION GUIDE", URL = "HTTPS://OPENCAGEDATA.COM/CREDITS"), RATE = LIST(LIMIT = 2500, REMAINING = 791, RESET = 1694649600), RESULTS = LIST(ANNOTATIONS = LIST(DMS = LIST(LAT = "25° 40' 36.40800'' N", LNG = "100° 15' 23.25600'' W"), MGRS = "14RLP7390740489", MAIDENHEAD = "DL95UQ92FK", MERCATOR = LIST(X = -11160498.076, Y = 2940595.126), OSM = LIST(NOTE_URL = "HTTPS://WWW.OPENSTREETMAP.ORG/NOTE/NEW#MAP=17/25.67678/-100.25646&LAYERS=N", \n URL = "HTTPS://WWW.OPENSTREETMAP.ORG/?MLAT=25.67678&MLON=-100.25646#MAP=17/25.67678/-100.25646"), UN_M49 = LIST(REGIONS = LIST(AMERICAS = "019", CENTRAL_AMERICA = "013", LATIN_AMERICA = "419", MX = "484", WORLD = "001"), STATISTICAL_GROUPINGS = LIST("LEDC")), CALLINGCODE = 52, CURRENCY = LIST(ALTERNATE_SYMBOLS = LIST("MEX$"), DECIMAL_MARK = ".", DISAMBIGUATE_SYMBOL = "MEX$", HTML_ENTITY = "$", ISO_CODE = "MXN", ISO_NUMERIC = "484", NAME = "MEXICAN PESO", SMALLEST_DENOMINATION = 5, SUBUNIT = "CENTAVO", \n SUBUNIT_TO_UNIT = 100, SYMBOL = "$", SYMBOL_FIRST = 1, THOUSANDS_SEPARATOR = ","), FLAG = "🇲🇽", GEOHASH = "9U8DND76P4TNGFFNTY3Q", QIBLA = 43.09, ROADINFO = LIST(DRIVE_ON = "RIGHT", SPEED_IN = "KM/H"), SUN = LIST(RISE = LIST(APPARENT = 1694608020, ASTRONOMICAL = 1694603400, CIVIL = 1694606640, NAUTICAL = 1694605020), SET = LIST(APPARENT = 1694565960, ASTRONOMICAL = 1694570580, CIVIL = 1694567340, NAUTICAL = 1694568960)), TIMEZONE = LIST(NAME = "AMERICA/MONTERREY", NOW_IN_DST = 0, OFFSET_SEC = -21600, \n OFFSET_STRING = "-0600", SHORT_NAME = "CST"), WHAT3WORDS = LIST(WORDS = "PUBLISH.MONK.BRIDE")), BOUNDS = LIST(NORTHEAST = LIST(LAT = 25.7319039, LNG = -100.1295654), SOUTHWEST = LIST(LAT = 25.6214753, LNG = -100.2759369)), COMPONENTS = LIST(`ISO_3166-1_ALPHA-2` = "MX", `ISO_3166-1_ALPHA-3` = "MEX", `_CATEGORY` = "PLACE", `_TYPE` = "CITY", CONTINENT = "NORTH AMERICA", COUNTRY = "MEXICO", COUNTRY_CODE = "MX", STATE = "NUEVO LEÓN", STATE_CODE = "NLE", TOWN = "GUADALUPE"), CONFIDENCE = 6, FORMATTED = "GUADALUPE, NUEVO LEÓN, MEXICO", \n GEOMETRY = LIST(LAT = 25.67678, LNG = -100.25646)), STATUS = LIST(CODE = 200, MESSAGE = "OK"), STAY_INFORMED = LIST(BLOG = "HTTPS://BLOG.OPENCAGEDATA.COM", MASTODON = "HTTPS://EN.OSM.TOWN/@OPENCAGE"), THANKS = "FOR USING AN OPENCAGE API", TIMESTAMP = LIST(CREATED_HTTP = "WED, 13 SEP 2023 19:11:46 GMT", CREATED_UNIX = 1694632306), TOTAL_RESULTS = 1)
## 477 LIST(DOCUMENTATION = "HTTPS://OPENCAGEDATA.COM/API", LICENSES = LIST(NAME = "SEE ATTRIBUTION GUIDE", URL = "HTTPS://OPENCAGEDATA.COM/CREDITS"), RATE = LIST(LIMIT = 2500, REMAINING = 790, RESET = 1694649600), RESULTS = LIST(ANNOTATIONS = LIST(DMS = LIST(LAT = "25° 45' 35.13600'' N", LNG = "100° 9' 46.33200'' W"), MGRS = "14RLP8338149593", MAIDENHEAD = "DL95WS02KI", MERCATOR = LIST(X = -11150079.685, Y = 2950792.308), OSM = LIST(NOTE_URL = "HTTPS://WWW.OPENSTREETMAP.ORG/NOTE/NEW#MAP=17/25.75976/-100.16287&LAYERS=N", \n URL = "HTTPS://WWW.OPENSTREETMAP.ORG/?MLAT=25.75976&MLON=-100.16287#MAP=17/25.75976/-100.16287"), UN_M49 = LIST(REGIONS = LIST(AMERICAS = "019", CENTRAL_AMERICA = "013", LATIN_AMERICA = "419", MX = "484", WORLD = "001"), STATISTICAL_GROUPINGS = LIST("LEDC")), CALLINGCODE = 52, CURRENCY = LIST(ALTERNATE_SYMBOLS = LIST("MEX$"), DECIMAL_MARK = ".", DISAMBIGUATE_SYMBOL = "MEX$", HTML_ENTITY = "$", ISO_CODE = "MXN", ISO_NUMERIC = "484", NAME = "MEXICAN PESO", SMALLEST_DENOMINATION = 5, SUBUNIT = "CENTAVO", \n SUBUNIT_TO_UNIT = 100, SYMBOL = "$", SYMBOL_FIRST = 1, THOUSANDS_SEPARATOR = ","), FLAG = "🇲🇽", GEOHASH = "9U8F89RT7ZQCU4Q7PEKS", QIBLA = 43.13, ROADINFO = LIST(DRIVE_ON = "RIGHT", SPEED_IN = "KM/H"), SUN = LIST(RISE = LIST(APPARENT = 1694608020, ASTRONOMICAL = 1694603400, CIVIL = 1694606640, NAUTICAL = 1694605020), SET = LIST(APPARENT = 1694565960, ASTRONOMICAL = 1694570580, CIVIL = 1694567340, NAUTICAL = 1694568960)), TIMEZONE = LIST(NAME = "AMERICA/MONTERREY", NOW_IN_DST = 0, OFFSET_SEC = -21600, \n OFFSET_STRING = "-0600", SHORT_NAME = "CST"), WHAT3WORDS = LIST(WORDS = "UNWANTED.PASSAGES.MARATHON")), BOUNDS = LIST(NORTHEAST = LIST(LAT = 25.813553, LNG = -100.149712), SOUTHWEST = LIST(LAT = 25.692604, LNG = -100.27964)), COMPONENTS = LIST(`ISO_3166-1_ALPHA-2` = "MX", `ISO_3166-1_ALPHA-3` = "MEX", `_CATEGORY` = "PLACE", `_TYPE` = "CITY", CONTINENT = "NORTH AMERICA", COUNTRY = "MEXICO", COUNTRY_CODE = "MX", STATE = "NUEVO LEÓN", STATE_CODE = "NLE", TOWN = "APODACA"), CONFIDENCE = 6, FORMATTED = "APODACA, NUEVO LEÓN, MEXICO", \n GEOMETRY = LIST(LAT = 25.75976, LNG = -100.16287)), STATUS = LIST(CODE = 200, MESSAGE = "OK"), STAY_INFORMED = LIST(BLOG = "HTTPS://BLOG.OPENCAGEDATA.COM", MASTODON = "HTTPS://EN.OSM.TOWN/@OPENCAGE"), THANKS = "FOR USING AN OPENCAGE API", TIMESTAMP = LIST(CREATED_HTTP = "WED, 13 SEP 2023 19:11:47 GMT", CREATED_UNIX = 1694632307), TOTAL_RESULTS = 1)
## 478 LIST(DOCUMENTATION = "HTTPS://OPENCAGEDATA.COM/API", LICENSES = LIST(NAME = "SEE ATTRIBUTION GUIDE", URL = "HTTPS://OPENCAGEDATA.COM/CREDITS"), RATE = LIST(LIMIT = 2500, REMAINING = 788, RESET = 1694649600), RESULTS = LIST(ANNOTATIONS = LIST(DMS = LIST(LAT = "25° 43' 38.39340'' N", LNG = "100° 10' 40.44612'' W"), MGRS = "14RLP8184246015", MAIDENHEAD = "DL95VR84PN", MERCATOR = LIST(X = -11151753.006, Y = 2946806.404), OSM = LIST(EDIT_URL = "HTTPS://WWW.OPENSTREETMAP.ORG/EDIT?WAY=157476391#MAP=16/25.72733/-100.17790", \n NOTE_URL = "HTTPS://WWW.OPENSTREETMAP.ORG/NOTE/NEW#MAP=16/25.72733/-100.17790&LAYERS=N", URL = "HTTPS://WWW.OPENSTREETMAP.ORG/?MLAT=25.72733&MLON=-100.17790#MAP=16/25.72733/-100.17790"), UN_M49 = LIST(REGIONS = LIST(AMERICAS = "019", CENTRAL_AMERICA = "013", LATIN_AMERICA = "419", MX = "484", WORLD = "001"), STATISTICAL_GROUPINGS = LIST("LEDC")), CALLINGCODE = 52, CURRENCY = LIST(ALTERNATE_SYMBOLS = LIST("MEX$"), DECIMAL_MARK = ".", DISAMBIGUATE_SYMBOL = "MEX$", HTML_ENTITY = "$", ISO_CODE = "MXN", \n ISO_NUMERIC = "484", NAME = "MEXICAN PESO", SMALLEST_DENOMINATION = 5, SUBUNIT = "CENTAVO", SUBUNIT_TO_UNIT = 100, SYMBOL = "$", SYMBOL_FIRST = 1, THOUSANDS_SEPARATOR = ","), FLAG = "🇲🇽", GEOHASH = "9U8F27S8TDNQMC5UFB7X", QIBLA = 43.13, ROADINFO = LIST(DRIVE_ON = "RIGHT", ROAD = "CALLE CISNES", ROAD_TYPE = "RESIDENTIAL", SPEED_IN = "KM/H"), SUN = LIST(RISE = LIST(APPARENT = 1694608020, ASTRONOMICAL = 1694603400, CIVIL = 1694606640, NAUTICAL = 1694605020), SET = LIST(APPARENT = 1694565960, \n ASTRONOMICAL = 1694570580, CIVIL = 1694567340, NAUTICAL = 1694568960)), TIMEZONE = LIST(NAME = "AMERICA/MONTERREY", NOW_IN_DST = 0, OFFSET_SEC = -21600, OFFSET_STRING = "-0600", SHORT_NAME = "CST"), WHAT3WORDS = LIST(WORDS = "SOLIDS.PERSUADE.PAVING")), BOUNDS = LIST(NORTHEAST = LIST(LAT = 25.7274611, LNG = -100.1774254), SOUTHWEST = LIST(LAT = 25.7272323, LNG = -100.1785711)), COMPONENTS = LIST(`ISO_3166-1_ALPHA-2` = "MX", `ISO_3166-1_ALPHA-3` = "MEX", `ISO_3166-2` = LIST("MX-NLE"), `_CATEGORY` = "ROAD", \n `_TYPE` = "ROAD", CITY = "GUADALUPE", CONTINENT = "NORTH AMERICA", COUNTRY = "MEXICO", COUNTRY_CODE = "MX", POSTCODE = "66648", RESIDENTIAL = "ROBERTO ESPINOSA", ROAD = "CALLE CISNES", ROAD_TYPE = "RESIDENTIAL", STATE = "NUEVO LEÓN", STATE_CODE = "NLE"), CONFIDENCE = 9, FORMATTED = "CALLE CISNES, ROBERTO ESPINOSA, 66648 GUADALUPE, NLE, MEXICO", GEOMETRY = LIST(LAT = 25.7273315, LNG = -100.1779017)), STATUS = LIST(CODE = 200, MESSAGE = "OK"), STAY_INFORMED = LIST(BLOG = "HTTPS://BLOG.OPENCAGEDATA.COM", \n MASTODON = "HTTPS://EN.OSM.TOWN/@OPENCAGE"), THANKS = "FOR USING AN OPENCAGE API", TIMESTAMP = LIST(CREATED_HTTP = "WED, 13 SEP 2023 19:11:48 GMT", CREATED_UNIX = 1694632308), TOTAL_RESULTS = 1)
## LATITUD LONGITUD DISTANCIA.KM ESTATUS INT.DISTANCIA
## 469 25.75074 -100.1511 10.87042 ACTIVO 10.1-15
## 470 25.76153 -100.1652 12.42856 ACTIVO 10.1-15
## 471 25.70080 -100.2085 17.22080 ACTIVO 15.1+
## 472 25.76080 -100.1646 12.35075 ACTIVO 10.1-15
## 473 25.74961 -100.1504 10.78886 ACTIVO 10.1-15
## 474 25.73597 -100.1479 10.52907 ACTIVO 10.1-15
## 475 25.75976 -100.1629 12.16139 ACTIVO 10.1-15
## 476 25.67678 -100.2565 22.61585 ACTIVO 15.1+
## 477 25.75976 -100.1629 12.16139 ACTIVO 10.1-15
## 478 25.72733 -100.1779 13.62270 ACTIVO 10.1-15ConsolidadoDist$DISTANCIA.KM<-round(ConsolidadoDist$DISTANCIA.KM,2)
hist(ConsolidadoDist$DISTANCIA.KM,
main = "Histograma de Distancia (Activos)",
xlab = "Distancia en km",
ylab = "Frecuencia",
col = "antiquewhite2",
border = "black",
breaks = "Scott")
Este histograma nos permite visualizar que la gran mayoría de personas que siguen trabajando en FORM viven a una distancia de entre 10 y 20 km con respecto a la dirección del socio formador.
hist(copia_bajas_nl$DISTANCIA.KM,
main = "Histograma de Distancia (BAJAS)",
xlab = "Distancia en km",
ylab = "Frecuencia",
col = "ivory3",
border = "black",
breaks = "Scott")
Este histograma nos permite visualizar que la gran mayoría de personas que fueron dadas de baja vivían a una distancia de entre 10 y 15 km con respecto a la dirección del socio formador.
DRHP_M<-dataRHP2%>%group_by(MUNICIPIO)%>%count()%>%ungroup()%>%mutate(pcnt=n/sum(n)*100)%>%arrange(pcnt)
DRHP_M$pcnt<-round(DRHP_M$pcnt,2)
DRHP_M2 <- DRHP_M %>% mutate(csum = rev(cumsum(rev(pcnt))),
pos2 = pcnt/2 + lead(csum, 1),
pos2 = if_else(is.na(pos2), pcnt/2, pos2))
ggplot(DRHP_M,aes(x="",y=pcnt,fill=MUNICIPIO))+geom_bar(stat="identity")+coord_polar(theta="y")+theme(legend.position = "none")+geom_label_repel(data=DRHP_M2,aes(x=c(.4,0.6,0.8,1,1.2,1.4,1.6),y=pos2,label=paste0(pcnt,"%")),size=4.5,nudge_x=1,max.overlaps=30,show.legend = FALSE)+theme_void()+ theme(legend.position = "bottom")+labs(title="Porcentajes de Municipios de origen del personal", subtitle= "En puesto Ayudante General (Activo)")+scale_fill_manual(values = mi_paleta)
Este gráfico de Pie nos ayuda a identificar la relación entre los municipios de vivienda del personal y el personal activo del puesto “Ayudante General”. Por lo que se puede observar los lugares más representativos son, Apodaca con el 76.36% (42) , Pesquería con el 7.27%(4), Juárez con el 5,45% (3) y Guadalupe con el 5.45% (3).
Equipo_DataEnigma
Ahora bien cómo se puede ver en el mapa creado anteriormente en la pregunta 5, el mayor número de bajas son personas que viven o vivían en el Municipio de Apodaca, a la vez también los datos de la gráfica de Pie pasada, nos muestra que de las personas que siguen activas en la empresa el mayor número de personas pertenecen al Municipio de Apodaca, este es un fenómeno interesante y esto se puede deber a que el Socio Formador comentó que se enfocan en contratar gente de Apodaca, por ende si la mayoría de la gente que contratas viene en su mayoría de un solo municipio tanto las personas dadas de bajas como las que han pertenecido a la empresa por un largo periodo de tiempo, serán provenientes del mismo estado. Es por esto que no se podría decir a ciencia cierta que, si se enfocan en contratar gente perteneciente al municipio de Apodaca, esto podría ayudar a reducir su rotación de personal.
dataRHPa<-dataRHP2%>%filter(MUNICIPIO=="APODACA")
DRHP_EC<-dataRHPa%>%group_by(ESTADO.CIVIL)%>%count()%>%ungroup()%>%mutate(pcnt=n/sum(n)*100)%>%arrange(pcnt)
DRHP_EC$pcnt<-round(DRHP_EC$pcnt,2)
DRHP_EC2 <- DRHP_EC %>% mutate(csum = rev(cumsum(rev(pcnt))),
pos3 = pcnt/2 + lead(csum, 1),
pos3 = if_else(is.na(pos3), pcnt/2, pos3))
ggplot(DRHP_EC,aes(x="",y=pcnt,fill=ESTADO.CIVIL))+geom_bar(stat="identity")+coord_polar(theta="y")+theme(legend.position = "none")+geom_label_repel(data=DRHP_EC2,aes(x=c(1,1.2,1.4,1.6),y=pos3,label=paste0(pcnt,"%")),size=4.5,nudge_x=1,max.overlaps=30,show.legend = FALSE)+theme_void()+ theme(legend.position = "bottom")+labs(title="Distribución del Estado Civil del personal", subtitle = "En puesto Ayudante General (actual) residente en Apodaca")+scale_fill_manual(values = mi_paleta)
dataRHPa<-dataRHPa%>%arrange(desc(DiasTrabajados))
head(dataRHPa,15)## DiasTrabajados FECHA.DE.ALTA EDAD GENERO PUESTO PUESTO_N
## 1 2577 2016-08-23 27 MASCULINO AYUDANTE GENERAL A.G.
## 2 1595 2019-05-02 39 FEMENINO AYUDANTE GENERAL A.G.
## 3 1346 2020-01-06 56 FEMENINO AYUDANTE GENERAL A.G.
## 4 1315 2020-02-06 23 MASCULINO AYUDANTE GENERAL A.G.
## 5 1119 2020-08-20 46 MASCULINO AYUDANTE GENERAL A.G.
## 6 902 2021-03-25 30 FEMENINO AYUDANTE GENERAL A.G.
## 7 902 2021-03-25 27 FEMENINO AYUDANTE GENERAL A.G.
## 8 882 2021-04-14 27 FEMENINO AYUDANTE GENERAL A.G.
## 9 872 2021-04-24 52 FEMENINO AYUDANTE GENERAL A.G.
## 10 708 2021-10-05 61 FEMENINO AYUDANTE GENERAL A.G.
## 11 704 2021-10-09 21 MASCULINO AYUDANTE GENERAL A.G.
## 12 664 2021-11-18 21 MASCULINO AYUDANTE GENERAL A.G.
## 13 603 2022-01-18 51 FEMENINO AYUDANTE GENERAL A.G.
## 14 595 2022-01-26 31 MASCULINO AYUDANTE GENERAL A.G.
## 15 579 2022-02-11 22 FEMENINO AYUDANTE GENERAL A.G.
## SALARIO.DIARIO.IMSS MUNICIPIO ESTADO ESTADO.CIVIL
## 1 240.75 APODACA NUEVO LEON MATRIMONIO
## 2 144.45 APODACA NUEVO LEON UNION LIBRE
## 3 151.67 APODACA NUEVO LEON MATRIMONIO
## 4 151.67 APODACA NUEVO LEON SOLTERIA
## 5 151.67 APODACA NUEVO LEON SOLTERIA
## 6 151.61 APODACA NUEVO LEON UNION LIBRE
## 7 151.61 APODACA COAHUILA SOLTERIA
## 8 151.61 APODACA NUEVO LEON MATRIMONIO
## 9 151.61 APODACA NUEVO LEON MATRIMONIO
## 10 151.61 APODACA NUEVO LEON MATRIMONIO
## 11 151.61 APODACA NUEVO LEON SOLTERIA
## 12 151.61 APODACA NUEVO LEON SOLTERIA
## 13 180.68 APODACA NUEVO LEON SOLTERIA
## 14 180.68 APODACA NUEVO LEON SOLTERIA
## 15 180.68 APODACA NUEVO LEON SOLTERIAB_dataRHP<-copia_bajas_nl%>%select(DIAS.LABORADOS.CALCULADO,FECHA.DE.ALTA,EDAD,GENERO,PUESTO,SALARIO,MUNICIPIO,ESTADO, ESTADO.CIVIL)
B_dataRHPa<-B_dataRHP%>%filter(MUNICIPIO=="APODACA" | MUNICIPIO=="APODACA ")
BDRHP_EC<-B_dataRHPa%>%group_by(ESTADO.CIVIL)%>%count()%>%ungroup()%>%mutate(pcnt=n/sum(n)*100)%>%arrange(pcnt)
BDRHP_EC$pcnt<-round(BDRHP_EC$pcnt,2)
BDRHP_EC2 <- BDRHP_EC %>% mutate(csum = rev(cumsum(rev(pcnt))),
pos4 = pcnt/2 + lead(csum, 1),
pos4 = if_else(is.na(pos4), pcnt/2, pos4))
ggplot(BDRHP_EC,aes(x="",y=pcnt,fill=ESTADO.CIVIL))+geom_bar(stat="identity")+coord_polar(theta="y")+theme(legend.position = "none")+geom_label_repel(data=BDRHP_EC2,aes(x=c(1,1.2,1.4,1.6),y=pos4,label=paste0(pcnt,"%")),size=4.5,nudge_x=1,max.overlaps=30,show.legend = FALSE)+theme_void()+ theme(legend.position = "bottom")+labs(title="Distribución del Estado Civil del personal", subtitle= "En puesto Ayudante General (baja) residente en Apodaca")+scale_fill_manual(values = mi_paleta)
B_dataRHPa<-dataRHPa%>%arrange(desc(DiasTrabajados))
head(dataRHPa,15)## DiasTrabajados FECHA.DE.ALTA EDAD GENERO PUESTO PUESTO_N
## 1 2577 2016-08-23 27 MASCULINO AYUDANTE GENERAL A.G.
## 2 1595 2019-05-02 39 FEMENINO AYUDANTE GENERAL A.G.
## 3 1346 2020-01-06 56 FEMENINO AYUDANTE GENERAL A.G.
## 4 1315 2020-02-06 23 MASCULINO AYUDANTE GENERAL A.G.
## 5 1119 2020-08-20 46 MASCULINO AYUDANTE GENERAL A.G.
## 6 902 2021-03-25 30 FEMENINO AYUDANTE GENERAL A.G.
## 7 902 2021-03-25 27 FEMENINO AYUDANTE GENERAL A.G.
## 8 882 2021-04-14 27 FEMENINO AYUDANTE GENERAL A.G.
## 9 872 2021-04-24 52 FEMENINO AYUDANTE GENERAL A.G.
## 10 708 2021-10-05 61 FEMENINO AYUDANTE GENERAL A.G.
## 11 704 2021-10-09 21 MASCULINO AYUDANTE GENERAL A.G.
## 12 664 2021-11-18 21 MASCULINO AYUDANTE GENERAL A.G.
## 13 603 2022-01-18 51 FEMENINO AYUDANTE GENERAL A.G.
## 14 595 2022-01-26 31 MASCULINO AYUDANTE GENERAL A.G.
## 15 579 2022-02-11 22 FEMENINO AYUDANTE GENERAL A.G.
## SALARIO.DIARIO.IMSS MUNICIPIO ESTADO ESTADO.CIVIL
## 1 240.75 APODACA NUEVO LEON MATRIMONIO
## 2 144.45 APODACA NUEVO LEON UNION LIBRE
## 3 151.67 APODACA NUEVO LEON MATRIMONIO
## 4 151.67 APODACA NUEVO LEON SOLTERIA
## 5 151.67 APODACA NUEVO LEON SOLTERIA
## 6 151.61 APODACA NUEVO LEON UNION LIBRE
## 7 151.61 APODACA COAHUILA SOLTERIA
## 8 151.61 APODACA NUEVO LEON MATRIMONIO
## 9 151.61 APODACA NUEVO LEON MATRIMONIO
## 10 151.61 APODACA NUEVO LEON MATRIMONIO
## 11 151.61 APODACA NUEVO LEON SOLTERIA
## 12 151.61 APODACA NUEVO LEON SOLTERIA
## 13 180.68 APODACA NUEVO LEON SOLTERIA
## 14 180.68 APODACA NUEVO LEON SOLTERIA
## 15 180.68 APODACA NUEVO LEON SOLTERIAEl primer gráfico de Pie nos ayuda a identificar la relación entre Estado Civil y el personal activo del puesto “Ayudante General” proveniente de Apodaca. Por lo que se puede observar los estados civiles más representativos son, Soltería con el 47.62% (20) , Matrimonio con el 30.95%(13) y Unión Libre con el 19.05% (8).
El segundo gráfico de Pie nos ayuda a identificar la relación entre Estado Civil y el personal dado de baja del puesto “Ayudante General” proveniente de Apodaca. Por lo que se puede observar los estados civiles más representativos son, Soltería con el 50% (171) , Matrimonio con el 27.19% (93) y Unión Libre con el 22.22% (76).
Estas gráficas se hicieron con la finalidad de ver si el Estado Civil, tenía una relación directa entre la probabilidad de éxito de permanencia de la empresa con respecto a la gente que proviene de Apodaca. Por ejemplo, se esperaba descubrir el insight que la gente de Apodaca que estaba soltera era más propensa a quedarse en la empresa o que la gente de Apodaca solía renunciar con frecuencia si se encontraban en matrimonio. Pero como se puede observar no existe ninguna relación directa / relevante por lo que se puede corroborar nuestra teoría pasada la cual dice que debido a que la mayoría de la gente que contratan viene en su mayoría de un solo municipio; tanto las personas dadas de bajas como las que han pertenecido a la empresa por un largo periodo de tiempo, serán provenientes del mismo estado. Es por esto por lo que no se podría decir a ciencia cierta que, si se enfocan en contratar gente perteneciente al municipio de Apodaca, esto podría ayudar a reducir su rotación de personal.
dataRHP3<-dataRHP2%>%filter(DiasTrabajados>490)
head(dataRHP3,15)## DiasTrabajados FECHA.DE.ALTA EDAD GENERO PUESTO PUESTO_N
## 1 572 2022-02-18 21 MASCULINO AYUDANTE GENERAL A.G.
## 2 2436 2017-01-11 29 MASCULINO AYUDANTE GENERAL A.G.
## 3 1044 2020-11-03 31 MASCULINO AYUDANTE GENERAL A.G.
## 4 574 2022-02-16 47 FEMENINO AYUDANTE GENERAL A.G.
## 5 872 2021-04-24 52 FEMENINO AYUDANTE GENERAL A.G.
## 6 1346 2020-01-06 56 FEMENINO AYUDANTE GENERAL A.G.
## 7 1315 2020-02-06 23 MASCULINO AYUDANTE GENERAL A.G.
## 8 1689 2019-01-28 36 FEMENINO AYUDANTE GENERAL A.G.
## 9 1595 2019-05-02 39 FEMENINO AYUDANTE GENERAL A.G.
## 10 882 2021-04-14 27 FEMENINO AYUDANTE GENERAL A.G.
## 11 1119 2020-08-20 46 MASCULINO AYUDANTE GENERAL A.G.
## 12 902 2021-03-25 30 FEMENINO AYUDANTE GENERAL A.G.
## 13 2577 2016-08-23 27 MASCULINO AYUDANTE GENERAL A.G.
## 14 1131 2020-08-08 54 MASCULINO AYUDANTE GENERAL A.G.
## 15 902 2021-03-25 27 FEMENINO AYUDANTE GENERAL A.G.
## SALARIO.DIARIO.IMSS MUNICIPIO ESTADO ESTADO.CIVIL
## 1 180.68 APODACA NUEVO LEON SOLTERIA
## 2 176.72 SALTILLO COAHUILA MATRIMONIO
## 3 176.72 RAMOS ARIZPE COAHUILA UNION LIBRE
## 4 180.68 APODACA NUEVO LEON SOLTERIA
## 5 151.61 APODACA NUEVO LEON MATRIMONIO
## 6 151.67 APODACA NUEVO LEON MATRIMONIO
## 7 151.67 APODACA NUEVO LEON SOLTERIA
## 8 144.45 GUADALUPE NUEVO LEON SOLTERIA
## 9 144.45 APODACA NUEVO LEON UNION LIBRE
## 10 151.61 APODACA NUEVO LEON MATRIMONIO
## 11 151.67 APODACA NUEVO LEON SOLTERIA
## 12 151.61 APODACA NUEVO LEON UNION LIBRE
## 13 240.75 APODACA NUEVO LEON MATRIMONIO
## 14 151.67 JUAREZ NUEVO LEON MATRIMONIO
## 15 151.61 APODACA COAHUILA SOLTERIAggplot(dataRHP3, aes(x=EDAD, y=DiasTrabajados)) + geom_point(aes(col=ESTADO.CIVIL)) +scale_color_manual(values=c("orange","darkgoldenrod","chocolate4"))
Esta gráfica de dispersión se hizo con la finalidad de ver si había una relación entre Edad y Estado Civil con respecto a la cantidad de Días Trabajados, Como tal se puede ver que los datos están dispersos y no hay una relación significativa; sin embargo, para poder hacer un perfil de entrada con mayores probabilidades de éxito, se podría decir que el personal que se contrate para el puesto de Ayudante General en cuestión de EDAD de PREFERENCIA debe estar en un rango de 20-55 años.
B_dataRHPG<-B_dataRHP%>%subset(!is.na(DIAS.LABORADOS.CALCULADO)&DIAS.LABORADOS.CALCULADO>=0)
B_dataRHPG<-B_dataRHPG%>%arrange(desc(DIAS.LABORADOS.CALCULADO))
ggplot(B_dataRHPG, aes(x=EDAD, y=DIAS.LABORADOS.CALCULADO)) + geom_point(aes(col=ESTADO.CIVIL)) +scale_color_manual(values=c("orange","darkgoldenrod","chocolate4","gold"))