Evidencia 1
Beatriz Palacios López A00831614
2023-09-13
PARTE I
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
Librerías que se utilizaron para el análisis
library (tidyverse)
library (foreign)
library (ggplot2)
library(dplyr)
library(scales)
library(ggrepel)colores_base <- c("maroon4", "mediumorchid3", "thistle")
generar_variantes <- function(color, n) {
color_fun <- colorRampPalette(c("lavenderblush", 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))Bases de datos utilizadas
Se limpiaron y modificaron diferentes bases de datos para crear los dataframes necesarios para el análisis.
Autoparts<-read.csv("C:\\Users\\A00831614\\Documents\\Directorio de trabajo\\US_Auto_Parts_Industry.csv")
CarProduction<-read.csv("C:\\Users\\A00831614\\Documents\\Directorio de trabajo\\US_Auto_Production_Sales.csv")
ImpCartonBox<-read.csv("C:\\Users\\A00831614\\Documents\\Directorio de trabajo\\Importers of Cartons boxes cases of corrugated paper or board 2020-2021.csv")
ExpCartonBox<-read.csv("C:\\Users\\A00831614\\Documents\\Directorio de trabajo\\Exporters of Carton boxes cases of corrugated paper or board 2020-2021.csv")
RH_info<-read.csv("C:\\Users\\A00831614\\Documents\\Directorio de trabajo\\form_rh_datos.csv")
Data1 <- read.csv("C:\\Users\\A00831614\\Documents\\Directorio de trabajo\\mx_exportacion_autos.csv")
RHB <-read.csv("C:\\Users\\A00831614\\Documents\\Directorio de trabajo\\form_rh_bajas_datosB.csv")
Ndatos<- read.csv ("C:\\Users\\A00831614\\Documents\\Directorio de trabajo\\hybrid_car_units.csv")
mx_exauto <- read.csv("C:\\Users\\A00831614\\Documents\\Directorio de trabajo\\mex_exports_autoparts.csv")
Autopartes <- read.csv("C:\\Users\\A00831614\\Documents\\Directorio de trabajo\\Autopartes.csv")
ventas_carton <- read.csv("C:\\Users\\A00831614\\Documents\\Directorio de trabajo\\ventas.csv")Viusalización de Datos Inicial
Se realizó una visualización de los datos para representar gráficamente los hallazgos de las bases de datos.
View(Autoparts)
View(CarProduction)
View(ImpCartonBox)
View(ExpCartonBox)
View(RH_info)Gráficas RH
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() 
Lo que se puede observar en este gráfico es la distribución de empleados por género. Los resultados nos indican que hay considerablemente, más empleadas de género femenino que del género masculino.
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 puede significar 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)
La gráfica anterior muestra el promedio de días trabajados de los empleados que dejaron la empresa. Como podemos observar, el promedio es mayor en las mujeres, ya que el personal de género femenino trabaja aproximadamente 130 días, a difrencia de los hombres que trabajan un rango de 100 días solamente.
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))
La visualización nos muestra el municipio a donde pertenece cada uno de los empleados. Esto se realizó con el fin de identificar si la distancia o el tiempo de traslado pueden ser un factor determinante al momento de las bajas de empleados, y así poder tomar decisiones pertinentes.
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
Gráficas de la Industria Automotriz y de Autopartes
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))
#####Con esta gráfica podemos observar las marcas de autos con más
exportaciones, esto es relevante para el socio formador ya que indica un
área de oportunidad de posibles clientes. Como se puede observar, Nissan
es la marca con más exportaciones por año, y al ser una marca de origen
Japones, entra en el mercado de clientes que le interesan a Forms.
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)## Warning: Removed 40 rows containing non-finite values (`stat_boxplot()`).
##### La venta de autos híbridos ha ido en aumento durante los últimos
años, gracias a las tendencias de consumo y cuidado del ambiente. En
esta gráfica se puede analizar que en la zona Norte del país se realizan
más ventas de este tipo de autos que en otras zonas. Sin embargo, el
rendimiento más alto se encuentra en la zona Norte Occidental.
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" = "lavenderblush", "Total de importaciones" = "mediumorchid3")) +
theme_minimal() +
labs(fill = "Tipo de Importación")
##### Se puede observar fácilmente el impacto de la pandema por
Covid-19, ya que la tendencia de la gráfica iba en ascenso hasta el año
2020 que los negocios estuvieron detenidos, y luego nuevamente en los
años posteriores vuelve a ascender el total de importaciones. Es
importante mencionar también, que el país con más importaciones es USA
con más del 50% del total de importaciones.
Gráficas de la Industria de Cartón
Específicamente, de la importación y exportación de cajas
Gráfica Importación de cajas a USA
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)
##### La gráfica anterior nos permite visualizar los países que importan
más y a los que podrá expandirse FORMS para nuevos clientes
internacionales.
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)
##### Los países más exportadores de cajas y empaques de cartón son del
continente asiático y no entran en el grupo de “clientes prohibidos” de
FORM. Estos datos son importantes para el socio formador ya que son
competidores directos y pueden representar una amenaza y sería más
dificil penetrar en el mercado de esos lugares debido a la alta
competencia de la industria.
view(ventas_carton)
ggplot(ventas_carton, aes(x = Mes, y = Carton)) +
geom_bar(stat = "identity", fill = "mediumorchid2") +
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)
##### Durante el 2022 las ventas de cartón tuvieron un incremento
durante el final de cada trimestre, sin embargo, Agosto fue el mes con
incrementos más considerables respecto al mes anterior.
####** Antecedentes de las industrias**
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.
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.
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.
FODA Cruzado
image info
PESTLE
MEX y EUA
image info
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.
PARTE II
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
Para responder a las preguntas de análisis, se hará un análisis exploratorio de datos para cada pregunta se utilizaron diferentes librerías y bases de datos.
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\\A00831614\\Documents\\Directorio de trabajo\\B_form_rh_bajas_datos_2022.csv")
datos_2023 <- read.csv("C:\\Users\\A00831614\\Documents\\Directorio de trabajo\\B_BDD_FORM_BAJAS_2023.csv")
datos_actuales <- read.csv("C:\\Users\\A00831614\\Documents\\Directorio de trabajo\\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 columan 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
A continuación se muestran los primeros 6 renglones de la base de datos
dataRH<-read.csv("C:\\Users\\A00831614\\Documents\\Directorio de trabajo\\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 SOLTERIAPregunta 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?
Se 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/funicones como group_by,count,mutate,arrange y round; para conocer porcentajes y como se relacionan los datos
rh_ba<-read.csv("C:\\Users\\A00831614\\Documents\\Directorio de trabajo\\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 León 66647 Soltera 8133726737
## 2 Nuevo Leon 66646 Casada 8115902048
## 3 Nuevo León 64120 Casado 8110206284
## 4 Nuevo León 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)
##### La gráfica nos confirma lo que nos mencionó con anterioridad el
CEO de la empresa; los empleados no mencionan el motivo por el que están
abandonando la compaía. De 279 personas, solamente el 23.7% registró el
motivo por el que estaba dejando a FORM. Los motivos que se encontraron
son:
1.Encontró otro empleo (8.6%)
2. Asilio político en USA (2.87%)
3. Se retiro para cuidar de su (s) hije (s) (2.15%)
4. Tuvo mas de 3 faltas y ella misma decidio 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)
El número más alto de bajas son del género femenino, pero esto se relaciona primeramente a que existen más empleados de este género en la compañía. Y en segundo lugar, tiene relación con los motivos registrados de bajas.
Con esta información se pueden tomar decisiones para retener a los empleados, ya que si se les ofrecieran mejores oportunidades no se cambiarían tan fácilmente de trabajo. De igual forma si se les diera alguna opción para el cuidado de sus hijos (Cambio en las jornadas laborales, estancia para el cuidado de los niños, entre otras) podría disminuirse esta brecha que se está yendo debido a cuidado de su familia.
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$FECHA.DE.ALTA,units="days")))
dataRH3<-dataRH2%>%select(DiasTrabajados,FECHA.DE.ALTA,EDAD,GENERO,PUESTO,PUESTO_N)
dataRH3<-dataRH3%>%arrange(desc(DiasTrabajados))
prom_edad<- mean(dataRH$EDAD)
summary(dataRH)## FECHA.DE.NACIMIENTO GENERO FECHA.DE.ALTA BAJA
## Min. :1949-11-21 Length:350 Length:350 Min. :0.0000
## 1st Qu.:1983-02-12 Class :character Class :character 1st Qu.:0.0000
## Median :1992-11-17 Mode :character Mode :character Median :1.0000
## Mean :1990-03-04 Mean :0.7143
## 3rd Qu.:1999-04-12 3rd Qu.:1.0000
## Max. :2004-04-02 Max. :1.0000
##
## DIAS_LABORADOS PUESTO PUESTO_N DEPARTAMENTO
## Min. : 0.00 Length:350 Length:350 Length:350
## 1st Qu.: 9.00 Class :character Class :character Class :character
## Median : 19.00 Mode :character Mode :character Mode :character
## Mean : 78.43
## 3rd Qu.: 48.50
## Max. :1966.00
## NA's :127
## SALARIO.DIARIO.IMSS FACTOR.CRED.INFONAVIT LUGAR.DE.NACIMIENTO
## Min. :1.440e+02 Min. :0.00000 Length:350
## 1st Qu.:1.770e+02 1st Qu.:0.00000 Class :character
## Median :1.810e+02 Median :0.00000 Mode :character
## Mean :4.359e+06 Mean :0.05714
## 3rd Qu.:1.810e+02 3rd Qu.:0.00000
## Max. :1.517e+09 Max. :1.00000
## NA's :1
## CALLE NUMERO.INTERNO COLONIA MUNICIPIO
## Length:350 Length:350 Length:350 Length:350
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## ESTADO ESTADO.CIVIL EDAD
## Length:350 Length:350 Min. :19.00
## Class :character Class :character 1st Qu.:24.00
## Mode :character Mode :character Median :31.00
## Mean :33.55
## 3rd Qu.:41.00
## Max. :74.00
## Rango_edad<- max(dataRH$EDAD)-min(dataRH$EDAD)
N<-length(dataRH$EDAD)
Varianza_edad<- var(dataRH$EDAD)
DesvEs_edad<-sd(dataRH$EDAD)
prom_edad## [1] 33.54571Rango_edad## [1] 55Varianza_edad## [1] 122.4091DesvEs_edad## [1] 11.06386Con estas medidas de dispersión con respecto a la edad del personal de FORM, podemos decir que existe una diferencia 55 años entre la persona más joven y con más edad de FORM, es por esto que nuestra Varianza tiene un valor alto (122.6) lo que signfiica que hay diferencias significativas entre las edades de las personas con respecto a la edad media de la personas de la empresa (33.5). El valor de la Desviación Estándar nos indica que la mayoría de nuestras edades estarán a menos o mas de 11 años del promedio de edad del personal (33.5)
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
##
##
## El personal que más ha trabajado en FORM es de género masculino, pero en cuestión de edad, el promedio es más alto en el género femenino ya que quienes se han mantenido en la empresa tienen un promedio de 38.55 años mientras que los hombres obtuvieron un promedio menor de 28.38 años. Esto indica que que los hombres buscan trabajar en la empresa a corta edad, pero que al pasar los años deciden irse o buscar otras oportunidades.
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?
Es necesario tomar decisiones con recursos humanos para reducir la rotación de personal. Opciones como “estancias infantiles” probablemente no serían tan viables para la compañia, pero lo que si es seguro es que se debe hacer un cambio en las prestaciones y oportunidades que se les brinda a los empleados, para asi lograr que piensen más antes de tomar la decisión de irse a otro empleo. De igual forma se deben implementar capacitaciones y programas incentivos que mejoren el marketing interno de la compañía. Por otro lado, el promedio de edades nos ayuda a tener una idea de qué candidatos son más pertinentes para su contratación.
Pregunta 2: ¿ Son el estado civil y el género factores vinculados en la rotación de empleados o no representan ninguna relación?
Librerías usadas
library(readxl)
library(tidyverse)
library(writexl)
library(psych)
library(dplyr)
library(lubridate)
library (ggplot2)
library(janitor)
library(dplyr)Grafica
i <- 238
df_bajas_f<- subset(df_bajas, !row.names(df_bajas)==i)
summary (df_bajas_f)## ï..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 categor?a.
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 vinculados en la rotación de empleados o no existe relación entre ambos?
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%
Tomando en cuenta los resultados de la pregunta 1, se esperaba que la rotación de empleados de género femenino fuera más alta al tener una pareja o familia, debido a los motivos que dieron al dejar la compañía, sin embargo, ambos géneros van a la par, lo cual indica que no es algo relevante al momento de determinar los motivos de rotación.
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\\A00831614\\Documents\\Directorio de trabajo\\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 = "plum4", width = 0.7, fill = "plum3") +
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.
Como información adicional, a continuación se comparten datos de fuentes secundarias sobre la temperatura registrada en Monterrey durante el 2022, por mes y hora.
Datos Históricos de Tempratura 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\\A00831614\\Documents\\Directorio de trabajo\\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?
Esta pregunta se encuentra relacionada con la primera, ya que nos muestra edad de los colaboradores. Podemos observar que la mayor cantidad de las bajas se encuentran entre los 20-35, ya que gran parte de los empleados está entre estos rangos de edad. Lo que podemos analizar de igual forma, es que no es tan viable que ocurra una baja después de los 40, posiblemente porque las personas ya se encuentran asentadas y no están tan interesadas en cambios laborales y nuevas oportunidades como la gente más joven.
Pregunta 5: ¿La distancia geográfica desempeña un papel significativo en la determinación del estatus laboral de los empleados? (Activo o Inactivo)
Las librerías y las bases de datos utilizadas 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"
clave_api <- "1eff12f0d3ed448d86c8e799ba5f0a27"
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$LATITUD, calcular_promedio)Dirección objetivo
#direccion_objetivo <- "Calle El Sabinal 105, 66645 Apodaca, Nuevo León"
#coordenadas_objetivo <- geocode_opencage(direccion_objetivo, clave_api)
latitud_objetivo <- 25.75419
longitud_objetivo <- -100.17443Crear una función que calcule la distancia haversine en kilómetros
calcular_distancia_km <- function(lat1, lon1, lat2, lon2) {
dist_metros <- distHaversine(c(lon1, lat1), c(lon2, lat2))
dist_km <- dist_metros / 1000
return(dist_km)
}bajas_nl$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$LATITUD <= 26, ]m <- leaflet() %>%
addTiles() %>% # Añade un fondo de mapa real
addCircleMarkers(
data = copia_bajas_nl, # Datos de ubicaciones de registros
lat = ~LATITUD, # Nombre de la columna de latitud
lng = ~LONGITUD, # Nombre de la columna de longitud
color = "red", # Color de los marcadores de registros
radius = 5, # Tamaño de los marcadores de registros
label = "Bajas" # Etiqueta para los marcadores de registros
) %>%
addCircleMarkers(
data = copia_actuales_nl, # Datos de ubicaciones de df_actual
lat = ~LATITUD, # Nombre de la columna de latitud en df_actual
lng = ~LONGITUD, # Nombre de la columna de longitud en df_actual
color = "green", # Color de los marcadores de df_actual
radius = 5, # Tamaño de los marcadores de df_actual
label = "Activos" # Etiqueta para los marcadores de df_actual
) %>%
addCircleMarkers(
lat = latitud_objetivo, # Latitud del destino
lng = longitud_objetivo, # Longitud del destino
color = "blue", # Color del marcador de destino
radius = 8, # Tamaño del marcador de destino
label = "Destino" # Etiqueta para el marcador de destino
)Visualización del mapa interactivo
mEn este gráfico podemos observar de color rojo la dirección de aquellas personas que ya no forman parte de la empresa, en color verde los colaboradores activos y el punto de color azul es la dirección del socio formador. Se puede observar que la mayoría vive en Apodaca, lo cual significa que la fábrica les queda muy cerca.
class(copia_bajas_nl$DISTANCIA.KM)## [1] "numeric"hist(copia_bajas_nl$DISTANCIA.KM,
main = "Histograma de Distancia (BAJAS)",
xlab = "Distancia en km",
ylab = "Frecuencia",
col = "maroon3",
border = "maroon4",
breaks = 20)
##### El histograma nos muestra, que gran parte los empleados que se
dieron de baja de la empresa tenían que recorrer distancias de entre 0 y
2 km para llegar a la fábrica.
mediana_bajas_nl <- median(copia_bajas_nl$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: 234cat("Frecuencia de datos LEJOS de la mediana:", frecuencia_lejos_nl, "\n")## Frecuencia de datos LEJOS de la mediana: 233Dados los resultados y la mediana: 1.36, observamos que las frecuencias son muy similares, lo cual nos impide establecer un criterio claro sobre este factor. Es por eso que se realizaron de igual forma los siguientes análisis.
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$DISTANCIA.KM,
main = "Histograma de Distancia (CONSOLIDADO)",
xlab = "Distancia en km",
ylab = "Frecuencia",
col = "mediumorchid3",
border = "mediumorchid4",
breaks = 20)
intervalos_distancia <- c(0, 1, 2, 3, 5, 10, Inf)
df_consolidad_nl$INT.DISTANCIA <- cut(df_consolidad_nl$DISTANCIA.KM,
breaks = intervalos_distancia,
labels = c("0-1", "1-2", "2-3", "3-5", "5-10", "10+"),
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
## 0-1 5 37 42 12 88
## 1-2 44 259 303 15 85
## 2-3 10 25 35 29 71
## 3-5 9 17 26 35 65
## 5-10 7 37 44 16 84
## 10+ 22 92 114 19 81