Evidencia #1
Karla Castillo
2023-09-11
Parte #1
Cargando librerias
library(foreign)
library(ggplot2)
library(psych)
library(dplyr)
library(TSstudio)
library(forecast)
library(readr)
library(readxl)Cargando bases de datos
Carton_industry <- read_csv("Exporters of Carton boxes cases of corrugated paper or board 2020-2021.csv")
MX_automotive <- read_xlsx("mx_automotive_industry.xlsx")
Forecast_NorthAmerica_Prod<- read_xlsx("Forecast_IHS Automotive Light Vehicle Production.xlsx")
Exchange_rate<- read_csv("mx_exchange_rate.csv")
FORM_Ventas <- read_xlsx("FORM - Ventas.xlsx")
FORM_Rh_Datos <- read_csv("form_rh_datos.csv")
#Bajas_Rh_22<- read_csv("/Users/speedymd23/Desktop/Analisis de datos - concentración/Reto/R studio Reto/form_rh_bajas_datos.csv")*
ventas <- read_xlsx("ventasok.xlsx", 1)Antecedentes de FORM
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.
Visión
Ser 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.
Objetivos Estrategicos
Automatización de la producción para disminuir el impacto de la rotación y mitigar costos.
Tomar más decisiones con datos, implementar el nuevo RP y aprovechar sus ventajas para la programación de producción y la anticipación de la demanda.
Disminuir la rotación en el área de recursos humanos al implementar acciones para incrementar el sentido de pertenencia y diseñar un perfil estratégico por puesto con la finalidad de aumentar la retención del personal de piso de producción.
Incrementar la presencia de negocios en Estados Unidos para posicionarse de manera financieramente rentable en la zona de San Antonio. Para un crecimiento exponencial, desarrollar maquiladores con los cuales FORM pueda suplir la alta demanda de soluciones de empaque.
Incrementar la presencia de negocios en Estados Unidos para posicionarse de manera financieramente rentable en la zona de San Antonio.
Para un crecimiento exponencial, desarrollar maquiladores con los cuales FORM pueda suplir la alta demanda de soluciones de empaque.
Distinguirse en la industria por el valor competitivo que proveen sus soluciones de ingeniería diferenciadas.
Tecnificar producción: quieren triplicar producción con lo que tienen.
Tomar decisiones con datos: uso de materiales, anticipación de la demanda, compra de materiales
Recursos humanos: generar sentido de pertenencia (gente en piso)
Analisis de la empresa
En base a la reunión con el socio formador se pudo diagnosticar el estado de las áreas de la empresa así como sus principales funciones:
Recursos humanos
Cultura horizontal, no ofrecen crecimiento hacia arriba, manejan una construcción de negocio hacia abajo lo cual permitirá crecimiento a sus empleados a medida que la empresa crece.
Están trabajando en mejorar los perfiles de puestos. Si sabe cuales son sus 20 mejores empleados, quiere identificar lo común para generar el perfil ideal para el reclutamiento.
Forma de reclutamiento: Facebook y lona en el parque industrial
2 crisis de clima organizacional
Cuentan con un fondo de ahorro para sus empleados.
Prestaciones adicionales suelen ser personalizadas dependiendo de las necesidades del empleado y el interés en el prospecto.
Hoy en día Forms tiene buen clima organizacional, pero se busca lo mismo en piso
Actualmente, la empresa cuenta con 130 empleados activos: 30 administrativos y 100 operativos.
Comercialización
Su portafolio de comercialización se basa en clientes internacionales con filiales en México.
No venden a clientes coreanos (choque cultural) ni mexicanos (mala paga).
Buscan ser la empresa más rentable, por eso buscan proyectos donde el cliente valore el empaque y el servicio.
Su propuesta de valor es con base en la flexibilidad, cortos tiempos de respuesta y excelente servicio al cliente.
Su servicio se enfoca fuertemente en la calidad, comunicación y anticipación de las necesidades del cliente para proteger la confianza.
Trabajan con órdenes de compra abierta lo cual permite flexibilidad.
Canal de venta en redes sociales: LinkedIn. Este medio es utilizado para la promoción de los proyectos de la empresa y para la atracción de nuevos clientes.
Su ciclo de conversión de efectivo a partir de la entrega del producto varía dependiendo del cliente entre 25, 30, 45 y 50 días. Los ciclos arriba de estos no son clientes convenientes para la empresa.
Área de oportunidad en comercial: Crear un sistema de Inteligencia Comercial (San Antonio, Bajío, Monterrey-Saltillo) y diversificación (¿qué otras industrias?)
Sus principales clientes son Tesla, DENSO, FORVIA, Draexlmaier, Stabilus, y Plastic Omnium.
Manufactura
Se enfoca en la ideación y manufactura de empaque para autopartes interiores (vistas cromadas, pantallas, acabados, decoración en puertas, consolas, tableros)
Cuenta con centros de distribución en Apodaca (producen y almacenan), Saltillo y San Antonio, Texas.
En la planta de Apodaca se acopia, almacena y desde allí salen los productos.
Diseñan, producen, entregan, cuidan, pero no arman el empaque de cartón con la finalidad de aprovechar el espacio del flete.
Cuentan con una fuerza de transporte de 3 camiones que transportan a plantas del cliente y Saltillo.
Empaque retornable (por ocasiones): máx 25%-10% muy fluctuante.
Empaque no retornable (constante): 90%
Muy bajas mermas, no es un tema insignificante. Los sobrantes del cartón los compactan y venden para su reciclaje (cartón virgen). Aparte del cartón, utilizan textiles, plástico corrugado, racks metálicos, dunnages, foams, recubrimientos especializados y antiestáticos para sus empaques retornables.
Sus líneas de producción manejan un modelo de bloques productivos aumentando la flexibilidad e independencia de los diferentes procesos y servicios al cliente.
Consultoría en Ingeniería de Empaque
Equipo de ingenieros que se enfocan en el desarrollo de proyectos de eficientización.
Se encarga de desarrollar e implementar tecnologías y procesos que permitan la mejora continua del servicio al cliente.
Ventas anuales
ggplot(FORM_Ventas, aes(x= Year, y= Sales, fill= Year)) + geom_bar(stat="identity", width=-.5) + ggtitle("Ventas anuales de FORM") + xlab("Año") + ylab("Pesos") + theme_minimal()
Ventas anuales
Con esta gráfica podemos ver que FORM ha disfrutado un crecimiento en sus ventas desde el 2019, que es el año cuando deciden hacer un cambio de enfoque hacia la solución de empaques, en el año 2022 se esperó llegar a $110,000,000 en ventas y en septiembre del mismo año tenían aproximadamente $82,000,000.
División de genero de los empleados de FORM y sus puestos
genero <- FORM_Rh_Datos %>%
mutate(Categoria_Puesto = case_when(
grepl("CUSTOMER SERVICE INF", PUESTO, ignore.case = TRUE) |
grepl("RECIBO", PUESTO, ignore.case = TRUE) |
grepl("GUARDIA DE SEGURIDAD", PUESTO, ignore.case = TRUE) |
grepl("RESIDENTE", PUESTO, ignore.case = TRUE) ~ "Administrativo",
grepl("ENFERMERA", PUESTO, ignore.case = TRUE) ~ "Recursos Humanos",
grepl("EXTERNO", PUESTO, ignore.case = TRUE) |
grepl("LIMPIEZA", PUESTO, ignore.case = TRUE) |
grepl("GESTOR", PUESTO, ignore.case = TRUE) |
grepl("PINTOR", PUESTO, ignore.case = TRUE) |
grepl("COSTURERA", PUESTO, ignore.case = TRUE) |
grepl("AYUDANTE GENERAL", PUESTO, ignore.case = TRUE) |
grepl("SOLDADOR", PUESTO, ignore.case = TRUE) |
grepl("LIDER", PUESTO, ignore.case = TRUE) |
grepl("CHOFER", PUESTO, ignore.case = TRUE) |
grepl("SOLDADOR", PUESTO, ignore.case = TRUE) |
grepl("MANTENIMIENTO", PUESTO, ignore.case = TRUE) |
grepl("SUPERVISOR", PUESTO, ignore.case = TRUE) |
grepl("INSPECTOR CALIDAD", PUESTO, ignore.case = TRUE) |
grepl("MONTACARGUISTA", PUESTO, ignore.case = TRUE) |
grepl("OPERADOR", PUESTO, ignore.case = TRUE) ~ "Operativo",
TRUE ~ "Otra Categoría")) %>%
group_by(GENERO,Categoria_Puesto) #Group_by para hacer una gráfica con genero y puestos de FORM
genero <- summarize(genero, conteo=n()) #Sacando un conteo para visualizar los datos
ggplot(genero, aes(x = GENERO, y = conteo, fill = Categoria_Puesto)) +
geom_bar(stat = "identity", position = "dodge") +
geom_text(aes(label = conteo), vjust = -0.5, position = position_dodge(width = 0.9)) +
ggtitle("División de género de los empleados de FORM") +
xlab("Género") +
ylab("# de empleados") +
theme_minimal()
#Creaciónd e gráfica de barras con el fin de comparar la cantidad de empleados por genero y sus respectivos puestos.División de genero de los empleados de FORM y sus puestos
Se puede observar como las mujeres forman la mayoría del personal de FORM, el puesto con más personal se encuentra en la categoria “Operativo”.
División de genero de los empleados de FORM y su estado civil
estado_civil <- rename(FORM_Rh_Datos, Estado_Civil="ESTADO CIVIL") #Rename de la variable "ESTADO CIVIL", ya que causaba problemas
estado_civil <- group_by(estado_civil, GENERO, Estado_Civil) #Group_by para hacer una gráfica con genero y estado civil de FORM
estado_civil <- summarize(estado_civil, conteo=n()) #Sacando un conteo para visualizar los datos
ggplot(estado_civil, aes(x= GENERO, y=conteo, fill= Estado_Civil)) + geom_bar(stat="identity", position = "dodge", width=-.5) +
geom_text(aes(label = conteo), vjust = -0.5, position = position_dodge(width = -0.5), size = 4) +
ggtitle("División de genero de los empleados de FORM") +
xlab("Genero") + ylab("# de empleados") + theme_minimal()
#Creaciónd e gráfica de barras con el fin de comparar la cantidad de empleados por genero y sus estados civiles.División de genero de los empleados de FORM y su estado civil
En el caso del personal de FORM, podemos ver que en los hombres el grupo de estado civil más común es el matrimonio, mientras que en el caso de las mujeres el grupo de estado civil más común es soltería.
Desempeño Reciente
FORM es una empresa líder en soluciones innovadoras y sustentables para el empaque especializado de autopartes en el sector industrial. Desde su creación en 2009, la empresa ha sido reconocida numerosas veces a nivel internacional y nacional ganando 7 veces el Premio Nacional de Envase en los años 2010, 2014, 2015, 2016, 2017, 2019 y 2022, reporta El Economista (2022). FORM lleva años siendo tema de conversación en noticieros debido a su gran disruptividad en la industria del empaque, el economista comenta “en los últimos cinco años la empresa llegó a crecer hasta el doble… y lograron mantener sus niveles de venta” (2022)
El Economista
- El periodico El Economista (2022) reconoció en su reportaje diversos logros de FORM como su reconocimiento al Premio Nacional de Envase en diversas ocasiones y la certificación de la empresa en estándares de calidad con el ISO 9000-2015. A su vez, el periodico también reconoció el compromiso de la PyMe con el servicio al cliente a través de sus proyectos de inversión en logística para el control de entregas al cliente.
Cluster Industrial
- La sección de noticias del Cluster Industrial de Nuevo León realizó a finales de 2022 una entrevista con el CEO de FORM y reconoció la capacidad de respuesta de la empresa como uno de los factores de su rápido éxito. El artículo tiene como finalidad difundir las actividades de FORM ante su relevancia internacional como proveedor mexicano de TESLA.
El Financiero
- Este importante periodíco digital dedicó un artículo para reconocer el plan de expansión de FORM a Estados Unidos para crecer como una empresa internacional para satisfacer la demanda de sus clientes. (Cepeda, 2023)
En general, FORM es percibida como una empresa mexicana de rápido crecimiento y alta innovación en los medios de comunicación evaluados. La empresa es retratada de forma positiva como un ejemplo a seguir en el nicho de los empaques de cartón mexicanos para el sector automotriz.
Contexto de la Industria
Industria de Cartón
En México la industria de cartón corrugado es una que cuenta con $1,091 millones de dólares en intercambio comercial, que se compone por $295 millones de dólares en ventas internacionales y $796 millones de dólares en compras internacionales. (Data México, 2023)
El estado de Nuevo León se encarga del 10.8% de las ventas internacionales, donde un 95.5% de la exportación es hacia Estados Unidos, a la vez el 89.2% de las compras de cartón son de Estados Unidos y un 8.65% siendo a China. (Data México, 2023)
En cuanto el uso del cartón en el empaque de autopartes es necesario recalcar que se utilizan diversos materiales para reforzar la calidad del empaque en consideración a la especificación del cliente, siendo con plástico corrugado, foams, termoformados, entre otros textiles.
Trade Value del Cartón en Norteamérica
NorthAmerica_Carton <- filter(Carton_industry,Continent=="North America") #Filtro para aislar los datos de Norteamérica
NorthAmerica_Carton <- rename(NorthAmerica_Carton, Trade_Value="Trade Value") #Renombrando una columna que causa dificultades
NorthAmerica_Carton <- filter(NorthAmerica_Carton, Country %in% c("United States", "Mexico", "Canada", "Guatemala", "El Salvador")) #Filtro para aislar los datos de los top 5 paises de Norteamérica en Trade Value
ggplot(NorthAmerica_Carton, aes(x= reorder(Country, Trade_Value), y= Trade_Value, fill= Country)) + geom_bar(stat="identity", width=-.5) + scale_y_continuous(labels = scales::comma_format(scale = 1e-6)) + ggtitle("Tradue Value de la industria del Cartón 2021 en Norteamérica") + xlab("País") + ylab("Trade Value") + theme_minimal()
# Creación de gráfico para representar los datos de Norteamérica en la industria del cartón.Trade Value del cartón en Norteamérica
Se puede observar que la industria del cartón en Norteamérica es una en donde Estados Unidos es el líder en cuanto a trade value, refiriéndose a una cantidad en dólares igual al precio por acción multiplicado por el número de acciones ejecutadas. .
Ventas del cartón 21/22
ventas$Mes <- months(as.Date(ventas$Mes), abbreviate=TRUE)
ggplot(data = ventas, aes(x = factor(Mes, level= c("Jan", "Feb","Mar","Apr","May","Jun","Jul","Aug","Sep","Oct","Nov","Dec")), y = Carton, group = Año, colour=Año)) + geom_line() + geom_point() + ggtitle("Venta de cartón entre 2021 y 2022") + xlab("Mes") + ylab("Ventas")
# Creación de gráfico para representar los datos y comportamiento de las ventas de cartón entre 2021 y 2022.Las ventas del cartón muestran un comportamiento similar en dos meses, siendo febrero y julio, mientras que en meses como agosto y septiembre se nota un cambio muy tangible en las ventas.
Industria de Autopartes
México
La industria de autopartes proyecta un crecimiento anual de 5% en 2023 en México. Esto es casi ocho puntos porcentuales debajo de la estimación del 2022, que era de 13%. Esto está relacionado con el impacto que podrían generar las condiciones económicas que enfrenta Estados Unidos. (El Economista, 2023)
Durante 2022 la industria tuvo una producción total de 107,329 millones de dólares, lo que representó un incremento de 13.35 % en relación con 2021. La Industria Nacional de Autopartes (INA), menciona que esta tendencia de crecimiento se mantuvo en el primer trimestre de 2023 (4.73%) y proyectando así un cierre de 112,702 millones de dólares para finales de diciembre. (Pineda, 2023)
Las principales regiones productoras de autopartes en México son la zona Norte, zona Bajío y la zona Centro. La Fabricación de Partes para Vehículos Automotores recibió 1,375.6 millones de dólares. (Pineda, 2023)
En relación con el fenómeno de nearshoring, se estima que el 37% de la inversión recibida corresponde a la Fabricación de Autopartes. Acerca del nearshoring en México, el 40% proviene de China, el 20% de Estados Unidos, el 11% de Japón y el 9% de Alemania. (Pineda, 2023) Es importante mencionar que Nuevo León se ha consolidado como el tercer mayor productor de autopartes en México, y se está acercando a la segunda posición que es el estado de Chihuahua.
Amenazas
- Dependencia económica de Estados Unidos
- Variabilidad en la demanda internacional
- Competencia internacional
Oportunidades
- Crecimiento constante
- Nearshoring
- Diversificación de mercados
- Posición en la región
US
México es el proveedor más importante de autopartes para Estados Unidos, supera a China, Canadá, Japón y Alemania. (MexicoIndustry, 2021)
Lo importante es analizar la economía estadounidense, porque mientras siga siendo un gran consumidor de automóviles y su economía se mantenga, la industria automotriz mexicana se mantendrá. (MexicoIndustry, 2021)
Amenazas
- Cambios en políticas
Oportunidades
- Crecimiento continuo de la industria automotriz
- Diversificación de mercados
Industria Automotriz
México
Datos del Instituto Nacional de Estadística y Geografía (INEGI) refieren que en 2022 se produjeron 3,308,346 unidades en México, reflejando un incremento de 9.2 % en relación al 2021. Al momento de hablar de ventas, en el 2022 se comercializaron 1,086,058 vehículos ligeros en el mercado interno, lo que representó un aumento de 7.03% en relación con 2021, cuando se comercializaron 1,014,735 unidades.
Hasta el primer trimestre de 2023, en México se produjeron 922,177 vehículos ligeros, un aumento de 8.61% en relación con el año 2022. En exportaciones, durante el periodo enero-marzo de 2023 México envió al extranjero 741,306 unidades, lo que representó un incremento de 8.86% en relación con el mismo periodo de 2022, cuando se exportaron 680,992 unidades.
Alberto Bustamante, director general de INA, mencionó que el pronóstico de producción de vehículos ligeros para 2023 rondará los 3.5 millones de vehículos, es decir, un incremento de 5.6 % en comparación con 2022.
Así mismo, se mencionó que en el 2024 se espera un incremento importante y mayor a los últimos años. Se espera que sea más de 8% para cerrar con una producción de 3.78 millones de vehículos ligeros, y al cierre de 2025 llegar a los 4,000,000 de vehículos producidos en México.
Con relación a la inversión en el sector automotriz, en el 2022, la Fabricación de Automóviles y Camiones recibió una inversión extranjera directa de 2,705.4 millones de dólares.
Producción de autos
Top10Forecast <- rename(Forecast_NorthAmerica_Prod, Total_Vehicles ="total Vehicles", Production_Name="Production Nameplate", Brand="Production Brand") #Rename de la variables, ya que causan problemas
Top10Forecast <- arrange(Top10Forecast, desc(Total_Vehicles)) #Cambiando orden del dataframe para mostrar los valores más altos
Top10Forecast <- slice_head(Top10Forecast, n=10) #Aislando solo los 10 resultados más altos
ggplot(Top10Forecast, aes(x= reorder(Production_Name, Total_Vehicles), y= Total_Vehicles, fill = interaction(Brand, Country))) + geom_bar(stat="identity", width=-.5) + ggtitle("Cantidad total de los modelos de autos más producidos en Norteamérica") + xlab("Modelo") + ylab("Cantidad") + theme_minimal() +
theme(axis.text.x = element_text(angle = 90, vjust = 0.5, hjust=1)) 
# Creación de grafico para representar los datos de Norteamérica en la producción de modelos de autos.Se puede ver que existen modelos de auto con una gran demanda de producción en Norteamérica, dos de ellos siendo producido en México, siendo el Volkswagen Jetta en Puebla y el Jeep Compass en Toluca. En Estados Unidos podemos ver que se producen ambos de los carros con mayor cantidad de unidades, siendo el Honda Accord en Marysville y el Toyota Camry en sus 2 plantas de Georgetown.
Amenazas
- Dependencia de la exportación
- Competencia global
- Vulnerabilidad a cambios en políticas comerciales
Oportunidades
- Crecimiento de la producción y exportaciones
- Inversión extranjera directa
- Diversificación de productos
- Colaboración en investigación y desarrollo
- Crecimiento económico
US
Es una de las principales industrias automotrices del mundo, contribuye con al menos el 3% del Producto Interno Bruto (PIB) general del país. El país ha fabricado cerca de 8,82 millones de vehículos en 2020, cerca de un 19% menos que el año anterior. (Informe Del Mercado Automotriz de América Del Norte | Tamaño, Participación, Crecimiento Y Tendencias (2022-27), 2022)
El gobierno, de igual forma se encuentra apoyando la investigación y el desarrollo de vehículos eléctricos en forma de asignaciones anuales a la Oficina de Eficiencia Energética y Energía Renovable (EERE). (Informe Del Mercado Automotriz de América Del Norte | Tamaño, Participación, Crecimiento Y Tendencias (2022-27), 2022)
Ford, General Motors, Fiat-Chrysler son algunos de los actores importantes en la industria automotriz de América del Norte. Esta industria estuvo dominada anteriormente por los tres grandes, General Motors, Chrysler y Ford. Hoy en día Ford, General Motors, Fiat-Chrysler son algunos de los actores importantes. (Informe Del Mercado Automotriz de América Del Norte | Tamaño, Participación, Crecimiento Y Tendencias (2022-27), 2022)
Amenazas
- Disminución en la producción
- Competencia global
Oportunidades
- Innovación tecnológica
- Diversificación de la cartera
- Exportaciones
Precio del dolar
mx_exchange_rate <- ts(Exchange_rate$mx_exchange_rate, frequency=12, start=c(2017,1)) #Adaptación del dataframe para hacer una serie de tiempo
plot.ts(mx_exchange_rate, main="MX - USA Exchange Rate", xlab = "Years", ylab = "Exchange Rate")
# Creación de serie de tiempo para representar la variación del peso y dólar por los años.Podemos ver que en años recientes el valor del peso mexicano contra el dólar ha sido muy volátil, esto se debe a que el gobierno de Estados Unidos ha continuado a elevar las tasas de intereses, haciendo su economía menos segura y la de México más segura en comparación.
FODA Cruzado
Fortalezas
Departamento de ingeniería para la innovación continua en el empaque de auto partes internas
- FORM ha sido reconocido en diversas ocasiones como acreedor del Premio Nacional de Envase (El Economista, 2022)
Buena reputación con sus clientes
- La estrategia de FORM consiste en un destacado servicio al cliente; la empresa se diferencia al tener excelentes tiempos de respuesta y soluciones innovadoras para las necesidades de sus clientes fomentando una comunicación directa y anticipando la demanda.
Empresa con alta rentabilidad debido a su selectividad de clientes
- FORM hace negocios solo con clientes que prioricen calidad y relaciones duraderas sobre precio.
Flexibilidad de producción
- La empresa trabaja con bloques de producción en lugar de líneas debido a que permite mayor independencia de los procesos, resulta más sencillo de capacitar personal y disminuye probabilidades de incumplimiento con el cliente.
Flotilla de camiones propia
- FORM da el extra con el servicio a sus clientes y se encarga del transporte del producto hasta las plantas del cliente. La empresa cuenta actualmente con una flotilla de 3 camiones los cuales le permiten una eficiencia en costos.
Debilidades
Falta de una estrategia de Inteligencia Comercial
- En comparativa a sus competidores, FORM al ser una empresa mediana con pocos años en la industria no cuenta con una estrategia de inteligencia comercial. La empresa no tiene sistemas de manejo y procesamiento de datos para la toma de decisiones. Su ERP software será cambiado a partir de Enero 2023 para dar un paso a la transformación digital del registro de la información.
Alta dependencia del CEO
- FORM a diferencia de sus competidores es altamente dependiente de las ideas, imagen y esfuerzos de negociación de Felipe Flores (CEO) para su funcionamiento. FORM tiene en LinkedIn menos de 300 seguidores mientras que su CEO cuenta con arriba de 2000 (LinkedIn, 2023). A futuro la empresa requiere crear departamentos encargados de estos procesos, construir una imagen independiente y transmitir la visión y valores del Empresario.
Limitaciones en alcance de distribución en Estados Unidos
- Debido a los altos costos de los fletes en EE.UU. actualmente FORM solo realiza entregas locales en los alrededores de su centro de distribución en San Antonio.
Alta rotación del personal en piso
- FORM cuenta con una altísima rotación en piso, un gran porcentaje de sus empleados solo duran un corto periodo de tiempo antes de irse y no dar explicaciones.
Oportunidades
Oportunidades en otras industrias con alto valor del cartón
- El cartón es un material de empaque muy valorado en las industrias correctas, no solo por su versatilidad pero también por su sustentabilidad. Industrias como la médica y aeroespacial son algunas de las cuales valoran y requieren empaques de cartón o retornables con alto nivel de ingeniería para la protección al traslado de componentes.
Necesidad de agilización de la cadena de suministros del sector automotriz
- Las cadenas de suministro del sector automotriz aún no están 100% recuperadas del impacto que tuvo el colapso de esta en el año 2021 (Escudero, 2022). Las amenazas de futuras disrupciones siguen latentes, es por ello que el sector automotriz le pone énfasis a la eficientización de la cadena de diferentes formas, una de estas es el empaque de calidad para el traslado de autopartes. En términos del nearshoring, las empresas buscan soluciones de empaque convenientes en tiempos, costos y ubicación.
Incremento en la demanda de autos híbridos y eléctricos
- De acuerdo con cifras oficiales del Inegi, en 2021 la venta de vehículos híbridos presentó un incremento del 126% en comparación al año anterior. La demanda de estos, aumentó en 50% en el mismo periodo (González, 2022). En Estados Unidos, la consultora EY estima que para 2023, el 43% de las transacciones en el país serán representadas por este tipo de vehículos (2023). Estas cifras denotan la alta demanda de autos eléctricos y por consiguiente, empaques especializados para el transporte de las autopartes.
Nearshoring en México
- El nearshoring es la tendencia del movimiento de partes de la cadena de suministro a ubicaciones estratégicas con la finalidad de reducción de costos e incrementar la eficiencia. México es un país altamente beneficiado por esta tendencia debido a su ubicación estratégica, tratados de libre comercio, mano de obra calificada y costos laborales competitivos (Prysmex, 2023). Sin embargo, el mayor beneficiado es Nuevo León, Forbes reporta que el estado ha captado “el 72% de las empresas atraídas a México por el nearshoring” (Hernández, 2023).
Amenazas
Interrupciones en el suministro de petróleo afecta los costos de la logística y la inflación
- Las fuertes interrupciones en la cadena de suministro del petróleo ruso por el actual conflicto político y social de la nación ha afectado los precios del combustible significativamente en Estados Unidos y Europa. EE.UU. importa alrededor del 21% de su petróleo refinado de Rusia (OEC, 2023) impactando fuertemente en la inflación de los precios del combustible y la logística. The Logistics World, mencionó que este aumento ocasionó un declive en el consumo regional de gasolina del 1%, aproximadamente 1 millón de barriles al día (Juarez, 2022).
Competidores internacionales con mayor capacidad productiva
- FORM, de acuerdo con el CEO, se enfrenta en la industria internacional de soluciones de empaque de cartón para el sector automotriz con competidores bien establecidos, más antiguos y de renombre como lo son Río Grande, Bradford, ORBIS, HELSA, Versatech, conTeyor, Victory Packaging (2023). Estos a su vez debido a la implementación de economías de escala y automatización logran ofrecer al cliente precios más bajos.
Volatilidad en la tasa de cambio (USD - MXN)
- Debido a las decisiones tomadas por la Reserva Federal de Estados Unidos en subir las tasas de interés para desacelerar la economía, muchos inversionistas están buscando economías con condiciones bancarias más favorables como México (Rivera, 2023). El MXN desde el primer trimestre del año se ha estado apreciando en comparación al USD, sin embargo las fluctuaciones de la tasa de cambio son un factor que afecta a las empresas como FORM con ventas en USD y producción(costos) en MXN.
Elecciones dobles en EE.UU. y México
- En 2024 se llevarán a cabo elecciones tanto en Estados Unidos como en México, este es un suceso el cual representa un riesgo para la estabilidad de ambos países tanto económica como social. Las elecciones pueden traer consigo diferentes paradigmas de los líderes en las relaciones comerciales entre México y EE.UU. así como inestabilidad en la tasa de cambio.
Escasez de mano de obra en Nuevo León
- La Cámara de la Industria de la Transformación (CAINTRA) reportó que el 43.8% de las empresas del estado están siendo afectadas por la falta de personal capacitado y especializado (Hernández, 2023). Con las tendencias del Nearshoring, la demanda por profesionales especializados está en aumento en Nuevo León. De acuerdo con Forbes, “en ese momento 13.4% de las compañías reportaron afectaciones por no encontrar trabajadores para las fábricas y líneas de producción” (Hernández, 2023).
FODA Cruzado - Imagen
Estrategias FODA
Estrategias Mini - Maxi
Ante la amenaza de competidores internacionales con precios más competitivos, FORM debe de acentuar su diferenciación a través del servicio al cliente. La empresa actualmente se desarrolla por su rápida responsividad y anticipación a la demanda del cliente logrando adquirir un portafolio reducido de clientes leales. Si esto se replica a mayor escala la empresa no tendrá problema al competir con empresas internacionales.
FORM puede evitar afecciones en su producción por la falta de mano de obra especializada en Nuevo León debido a su modelo de producción. Gracias a su producción en bloques, FORM puede capacitar empleados rápidamente para qué desempeñen diferentes tipos de funciones.
Estrategias Mini - Mini
- Llevar a cabo un proyecto de Inteligencia Comercial para el registro de datos claves que mejoren los esfuerzas de ventas de la empresa y a su vez permitan independizar las estrategias del CEO. A través del uso de la analítica de datos, la empresa podrá reducir sus costos logísticos y mitigar el efecto de los altos costos de fletes en Estados Unidos al vender a clientes estratégicos.
Estrategias Maxi - Maxi
- Aprovechar las oportunidades que trae el Nearshoring para explorar en otras industrias como el sector aeroespacial y componentes médicos a través de su departamento de innovación en procesos de ingeniería. Si FORM utiliza su equipo de ingenieros de forma eficiente, puede desarrollar soluciones de empaque innovadoras y valoradas por estas industrias y distribuirlas a las filiales de las empresas en México.
Estrategias Maxi - Mini
- FORM puede aprovechar la gran tendencia del Nearshoring para aumentar su portafolio de clientes y expandir sus operaciones a través de maquiladoras que se encarguen de la producción de los empaques en base a los estándares y patentes de FORM. De esta forma la empresa no es tan dependiente de su rotación de personal para el cumplimiento con el cliente, y puede distribuir a más empresas estratégicamente posicionadas por las tendencias del Nearshoring y enfocarse en construir relaciones duraderas con estos.
PESTLE
Factores políticos
Acuerdos Internacionales
- El TMEC incluye medidas para reducir las barreras arancelarias y no arancelarias, fomentar la libre circulación de bienes, servicios e inversiones, proteger los derechos de propiedad intelectual y fortalecer los derechos laborales y la protección del medio ambiente.
Eficacia gubernamental (-2,5 débil; 2,5 fuerte)
México: -0.31
EUA: 1.34
Corrupción
México: Ahora ocupa la posición 124 de 180 países evaluados.
EUA: Ahora ocupa la posición 27 de 180 países evaluados.
Protección a la inversión
México: México ha suscrito 32 Acuerdos para la Promoción y Protección Recíproca de las Inversiones (APPRIs)
EUA: En la Encuesta Coordinada sobre la Inversión Directa más reciente se observa que la posición de Estados Unidos aumentó USD 506.000 millones, u 11,3% , el año pasado.
Factores económicos
Tasa de desempleo
México: La tasa de desempleo de México alcanza 2.9% en mayo: Inegi.
EUA: La tasa de paro se situó en el 3,6%, también cerca de los mínimos en medio siglo, que se alcanzaron en abril con un 3,4%
Inflación
México: La inflación acumulada en 2023 es del 1,9%.
EUA: La inflación acumulada en 2023 es del 3%.
Tasa de cambio
- 1 dólar = 17.02 pesos
Impuestos
México: En el caso de las personas naturales, la tasa va desde el 8% hasta el 30%, mientras que para las empresas la tasa es del 29.5%.
EUA: 24% para ingresos superiores a $95,375. 22% para ingresos superiores a $44,725. 12% para ingresos superiores a 1,000. 10% para ingresos inferiores a 1,000.
Factores tecnológicos
Acceso a internet
México: 75%
EUA: 92%
Nivel de innovación
México: México desciende tres posiciones en el ranking global y se queda en el número 58.
EUA: Los Estados Unidos ascienden a la 2. posición
Infraestructura
México: México ocupa el lugar 65 en calidad de infraestructura
EUA: Los Estados Unidos ascienden a la 2.
Uso de energías renovables
México: México generó el 31.2% de electricidad a partir de fuentes renovables, un incremento de 1.7 puntos porcentuales respecto al 29.5% del año previo.
EUA: La eólica y la solar proporcionaron el 16,1% de la generación eléctrica de EE. UU. en los dos primeros meses de 2023
Factores legales
Propiedad intelectual
México: En 2022, se han registrado un total de 463 modelos industriales, siendo el país con más registros realizados en todo el mundo
EUA: En 2019, el total estimado de patentes en vigor ascendía a 14,9 millones. Las cifras más altas se registraron en los Estados Unidos de América (3,1 millones)
Salario mínimo
México: 207.44 pesos diarios
EUA: 17 dolares la hora
Sindicatos
México
Sindicatos de empresa.
Sindicatos nacionales de industria.
Sindicatos industriales estatales.
Sindicatos gremiales.
Sindicatos de oficios varios.
EUA
Trabajadores de oficios
Trabajadores industriales
Sector público
Profesionales
Contratos laborales
México
Contrato laboral por tiempo determinado.
Contrato laboral por tiempo indeterminado.
Contrato laboral temporal.
Contrato para capacitación inicial.
Contrato de periodo de prueba.
EUA
Contrato de trabajo por escrito.
Contrato de trabajo verbal.
Contrato de trabajo implícito.
Contrato indefinido.
Contrato de duración determinada.
Contrato temporal.
Factores ecológicos:
Consumo de recursos renovables
- México: Al cierre de 2021, la capacidad eólica, solar, geotérmica, e hidroeléctrica sumaba 26,8 gigavatios, un 31% de la capacidad instalada total.
- EUA: De los 4.12 billones de kWh de electricidad generada en EU, 38% fue de gas natural, el carbón representó cerca de 23% y la nuclear sumando otro 20%.
Políticas ambientales
- México: La Ley de Equilibrio Ecológico y Protección al Ambiente (LGEEPA), la Ley General de Cambio Climático, la Ley General de Vida Silvestre y la Ley de Desarrollo Rural Sustentable, entre otros.
- EUA: Estados Unidos no cuenta con una ley ambiental única que constituya un marco de referencia general.
Reciclaje
- México: sólo se reciclaba el 6,1% de todos los residuos valorizables: latas, cartón, papel y plástico.
- EUA: en 2021, solo se recicló entre el 5% y el 6% de los residuos de plásticos.
Cambio climático
- México: Las temperaturas promedio a nivel nacional aumentaron 0.85º C y las temperaturas invernales 1.3ºC.
- EUA: Algunos lugares experimentando un aumento de las precipitaciones e inundaciones, mientras que otros experimentan sequías
Estrategias PESTLE
Estrategia de Innovación y Sostenibilidad
- Dado el aumento en el uso de energías renovables en México y Estados Unidos, así como la creciente preocupación por las políticas ambientales y el cambio climático, la empresa podría centrarse en desarrollar empaques especializados que sean más sostenibles y respetuosos con el medio ambiente como lo son con empaques retornables que se pueden utilizar muchas veces.
Estrategia de comercio basada en tipo de cambio y tratados de libre comercio
- Segmentación de mercado en Estados Unidos con el perfil de clientes de FORM, encontrando de empresas automotrices en San Antonio, alcanzando posibles clientes nuevos en los estados y ciudades cerca a la frontera al utilizar rutas de envío estratégicas con el fin de reducir el impacto del tipo de cambio, haciendo uso de los tratados de libre comercio establecidos entre México y distintos países.
Anexos
Resumen en equipo
Información de FORM
Industria: Automotriz (dinámica, valoración del empaque, diversificación).
Enfoque: Ingeniería, logística, materiales, project manager.
Empleados: 130 (alta rotación)
Centros de distribución: Saltillo, Apodaca, Bajío, San Antonio.
Productos destacados: Cajas de empaque para autopartes delicadas y específicas como piezas electrónicas, lámparas, pieles, acabados black piano. Dos modalidades, cartón y retornables.
Materiales utilizados: cartón y plástico corrugado, foams, termoformados y diversos textiles, estructuras metálicas
Comercialización
FORM Vende su producto normalmente a la industria automotriz. Su enfoque de ventas es a clientes internacionales como Japón, Alemania, Estados Unidos, China, etc. Su producción está basada en México (pesos), y se acaban de expandir a San Antonio, Estados Unidos con un centro de distribución para cubrir la demanda de soluciones de empaque para las autopartes de interior.
Form no vende a empresas coreanas por el choque cultural, ni mexicanas porque no pagan.
Objetivos a futuro
Buscan la creación de un modelo de inteligencia comercial con el fin de poder operar sin el dueño en un futuro y seguir contando con un ambiente estable de comercio.
Diversificación de clientes con el fin de no crear una dependencia a los mismos.
Encontrar prospectos o negocios de manera automatizada, red neuronal inteligente que calcule márgenes ya establecidos.
Sectores de su producción
Producto no-retornable: menos ganancia por producto, más seguro, compras constantes
Producto retornable: más ganancia por producto, menos constantes, más específico.
Competidores
- México: Empaques Figueroa, Rio Grande, Bradford, ORBIS, HELSA, Versatech, conTeyor, Victory Packaging. US: puro retornable de venta
Operaciones
Enfoque en autopartes interiores.
Diseño, producción, entrega, empaque (los empaque de cartón se entregan no ensamblados).
Empaque retornable: fluctuante 10-25%.
Empaque no retornable: constante 90%.
No tienen mermas ni material desperdiciado considerable
Alto porcentaje de trabajo a mano en fabricación
Inspecciones en cuanto a la calidad de la materia prima en un principio
Crisis en 2016 y durante la pandemia.
Ventas en dólares, costos de producción en pesos (susceptibles a la volatilidad de la tasa de cambio).
Sus operaciones se rigen por el Incoterm DDP, lo cual significa que la empresa absorbe todos los costos de exportación e importación desde su centro de distribución en México hasta su centro de distribución en San Antonio y añadido a esto, FORM entrega la mercancía a las plantas del cliente.
Gestión y Finanzas
Fusionando recursos humanos y contabilidad.
Cultura horizontal, enfoque en construcción de negocio.
Cotizaciones en pesos.
Egreso principal: cartón.
Riesgos: crisis de materia prima, volatilidad de precios.
Buscan proyectos rentables, fidelización con prospectos.
Buscan proyectos de inversión en Estados Unidos, debido a la volatilidad del dólar
Tecnología y Mejoras
Cambio de rp de Odoo a otro sistema local.
Metas: Triplicar producción con tecnificación.
Decisión basada en datos (materiales, demanda).
Mejora de perfiles de puestos.
Competencia y Crecimiento
Competidores en México y desconocidos en EE. UU.
Diferenciación: software para empaque retornable, y la ingeniería de sus empaques.
Ideas de crecimiento: Maquiladores, pymes sin ingenieros.
Participación en asociaciones industriales.
Área objetiva de comercialización: San Antonio, Texas
Recursos Humanos y Mercado Comercial
Enfoque en sentido de pertenencia, retención.
Objetivo: Ser una empresa con una excelente cultura organizacional y mejorar la retención de empleados.
Desarrollo de perfiles de puesto en base al top 20 empleados de la compañía.
Modelo de inteligencia comercial.
Cartera de clientes (activos 10).
Métodos de reclutamiento: Facebook, parque industrial, LinkedIn.
Desarrollo de cuentas: 50%-60%.
Exposiciones, ferias, LinkedIn para estrategia comercial.
Retiro y Riesgos a Futuro
Retiro del CEO planeado en 5 años.
Dependencia en clientes, inestabilidad política/económica.
Vulnerabilidad y seguridad en México, volatilidad del dólar.
Falta de mano de obra combinado con la alta rotación.
Parte #2
Librerias usadas
library(foreign)
library(ggplot2)
library(psych)
library(dplyr)
library(TSstudio)
library(forecast)
library(readr)
library(readxl)
library(ggmap)
library(lubridate)
library(xtable)
library(parallel)
library(stringr)Bases de datos
#Cargando bases de datos
FORM <- read_csv("BDD_FORM_BAJAS_2023.xlsx - Base 2023.csv")
FORM_Integrado <- read_csv("FORM RH Tuneado.xlsx - RH All.csv")
FORM_2223 <- read_xlsx("FORM_2223.xlsx")
Bdatos<-read_csv("FORM_2223.csv")
FORMFlujo <- read.csv("RotacionBase.csv")
Bajas2223 <- read.csv("Base 22 23.csv")
p6_2022 <- read.csv("form_bajas_2022.csv")
p6_2023 <- read.csv("form_bajas_2023.csv")
#Creando Dataframes propios
form_bajas_integradas <- FORM_Integrado
form_bajas_23 <- FORMLimpieza de datos
form_bajas_23
#Rename de variables que pueden causar problemas (Correr solo una vez)
form_bajas_23 <- rename(form_bajas_23, Genero="Género")
form_bajas_23 <- rename(form_bajas_23, Numero="Número")
form_bajas_23 <- rename(form_bajas_23, Estado_Civil="Estado Civil")
form_bajas_23 <- rename(form_bajas_23, Motivo.de.Baja="Motivo de Baja")
# Transformando valores chr a num
form_bajas_23$SD <- as.numeric(form_bajas_23$SD)
# Cambiando valores como "Soltero" y "Soltera" a uno solo siendo "Solteria" en 2023
form_bajas_23 <- form_bajas_23 %>%
mutate(
Estado_Civil = ifelse(Estado_Civil %in% c("Soltero", "Soltera"), "Solteria", Estado_Civil)
)
# Cambiando valores como "Casado" y "Casada" a uno solo siendo "Matrimonio" en 2023
form_bajas_23 <- form_bajas_23 %>%
mutate(
Estado_Civil = ifelse(Estado_Civil %in% c("Casado", "casado", "Casada"), "Matrimonio", Estado_Civil)
)
# Cambiando valores como "Ramos Arizpe" y "Ramoz Arizpe" a uno solo siendo "Ramos Arizpe" en municipio de 2023
form_bajas_23 <- form_bajas_23 %>%
mutate(
Municipio = ifelse(Municipio %in% c("Ramos Arizpe", "Ramoz Arizpe" ), "Ramos Arizpe", Municipio)
)form_bajas_integradas
# Rename
form_bajas_integradas <- rename(form_bajas_integradas, Motivo_de_Baja="MOTIVO DE BAJA")
form_bajas_integradas <- rename(form_bajas_integradas, Estado_Civil="ESTADO CIVIL")
form_bajas_integradas <- rename(form_bajas_integradas, Salario="SALARIO DIARIO IMSS")
form_bajas_integradas <- rename(form_bajas_integradas, Dias_Laborados="DIAS LABORADOS")
#Agrupando datos repetidos en varias variables
form_bajas_integradas <- form_bajas_integradas %>%
mutate(
PUESTO = ifelse(PUESTO %in% c("Costurero", "Costurera", "COSTURERA", "COSTURA"), "Costura", PUESTO)
)
form_bajas_integradas <- form_bajas_integradas %>%
mutate(
PUESTO = ifelse(PUESTO %in% c("Ayud. De Embarques", "Ayudante de Embarques", "Ayudante de embarques", "Auxiliar de Embarques"), "Ayudante de Embarques", PUESTO)
)
form_bajas_integradas <- form_bajas_integradas %>%
mutate(
PUESTO = ifelse(PUESTO %in% c("Ayudante de soldador", "Ayudante de Soldador"), "Ayudante de Soldador", PUESTO)
)
form_bajas_integradas <- form_bajas_integradas %>%
mutate(
PUESTO = ifelse(PUESTO %in% c("Ayudante general", "Ayudante General", "Ay. General", "AYUDANTE GENERAL"), "Ayudante General", PUESTO)
)
form_bajas_integradas <- form_bajas_integradas %>%
mutate(
PUESTO = ifelse(PUESTO %in% c("CHOFER", "Chofer"), "Chofer", PUESTO)
)
form_bajas_integradas <- form_bajas_integradas %>%
mutate(
PUESTO = ifelse(PUESTO %in% c("Inspector de calidad", "Inspectora De Calidad", "INSPECTOR CALIDAD"), "Inspección de Calidad", PUESTO)
)
form_bajas_integradas <- form_bajas_integradas %>%
mutate(
PUESTO = ifelse(PUESTO %in% c("Gestor", "GESTOR"), "Gestor", PUESTO)
)
form_bajas_integradas <- form_bajas_integradas %>%
mutate(
PUESTO = ifelse(PUESTO %in% c("Guardia de Seguridad", "GUARDIA DE SEGURIDAD", "GUARDIA SEGURIDAD"), "Guardia de Seguridad", PUESTO)
)
form_bajas_integradas <- form_bajas_integradas %>%
mutate(
PUESTO = ifelse(PUESTO %in% c("Limpieza", "LIMPIEZA"), "Limpieza", PUESTO)
)
form_bajas_integradas <- form_bajas_integradas %>%
mutate(
PUESTO = ifelse(PUESTO %in% c("Montacarguista", "MONTACARGUISTA"), "Montacarguista", PUESTO)
)
form_bajas_integradas <- form_bajas_integradas %>%
mutate(
PUESTO = ifelse(PUESTO %in% c("Pintor", "PINTOR"), "Pintor", PUESTO)
)
form_bajas_integradas <- form_bajas_integradas %>%
mutate(
PUESTO = ifelse(PUESTO %in% c("Residente", "RESIDENTE"), "Residente", PUESTO)
)
form_bajas_integradas <- form_bajas_integradas %>%
mutate(
PUESTO = ifelse(PUESTO %in% c("CUSTOMER SERVICE INF", "SERVICIO AL CLIENTE"), "Servicio al Cliente", PUESTO)
)
form_bajas_integradas <- form_bajas_integradas %>%
mutate(
PUESTO = ifelse(PUESTO %in% c("Soldador", "SOLDADOR"), "Soldador", PUESTO)
)
form_bajas_integradas <- form_bajas_integradas %>%
mutate(
PUESTO = ifelse(PUESTO %in% c("Materialista", "MATERIALISTA"), "Materialista", PUESTO)
)
# Cambiando valores como "Soltero" y "Soltera" a uno solo siendo "Solteria en 2022 y 2023
form_bajas_integradas <- form_bajas_integradas %>%
mutate(
Estado_Civil = ifelse(Estado_Civil %in% c("Soltero", "Soltera", "SOLTERIA"), "Solteria", Estado_Civil)
)
# Cambiando valores como "Casado" y "Casada" a uno solo siendo "Matrimonio" en 2022 y 2023
form_bajas_integradas <- form_bajas_integradas %>%
mutate(
Estado_Civil = ifelse(Estado_Civil %in% c("Casado", "casado", "Casada","MATRIMONIO", "MATRIOMONIO" ), "Matrimonio", Estado_Civil)
)
# Cambiando valores como "UNION LIBRE" y "Union Libre" a uno solo siendo "Union Libre" en 2022 y 2023
form_bajas_integradas <- form_bajas_integradas %>%
mutate(
Estado_Civil = ifelse(Estado_Civil %in% c("UNION LIBRE", "Union Libre" ), "Union Libre", Estado_Civil)
)
# Cambiando valores como "FEMENINO" y "Femenino" a uno solo siendo "Union Libre" en 2022 y 2023
form_bajas_integradas <- form_bajas_integradas %>%
mutate(
GENERO = ifelse(GENERO %in% c("FEMENINO", "Femenino" ), "Femenino", GENERO)
)
# Cambiando valores como "MASCULINO" y "Masculino" a uno solo siendo "Union Libre" en 2022 y 2023
form_bajas_integradas <- form_bajas_integradas %>%
mutate(
GENERO = ifelse(GENERO %in% c("MASCULINO", "Masculino" ), "Masculino", GENERO)
)FORMFlujo
#Quitar columna
FORMFlujo <- subset(FORMFlujo, select = -X)
#Quitar/eliminar NAs
FORMFlujo <- na.omit(FORMFlujo)
#Renombrar variables por practicidad
FORMFlujo <- FORMFlujo %>% rename(Fecha = YYYYMMM, A=ALTAS, B=BAJAS, EmpI=INICIAL, EmpF=FINAL)
#NuevaFecha
FORMFlujo <- FORMFlujoBajas2223
Bajas2223 <- Bajas2223[-238, ]
Bajas2223[39,3] <- "FEMENINO"
# Capitalizar correctamente las variables
Bajas2223$NombreCompleto <- str_to_title(Bajas2223$NombreCompleto)
Bajas2223$GENERO <- str_to_title(Bajas2223$GENERO)
# Unificar clasificaciones de Estado Civil
Bajas2223$ESTADO.CIVIL[Bajas2223$ESTADO.CIVIL %in% c("Casada","Casado","casado","MATRIMONIO","MATRIOMONIO")] <- "Matrimonio"
Bajas2223$ESTADO.CIVIL[Bajas2223$ESTADO.CIVIL == "DIVORCIO"] <- "Divorcio"
Bajas2223$ESTADO.CIVIL[Bajas2223$ESTADO.CIVIL %in% c("Soltera","SOLTERIA","Soltero")] <- "Solteria"
Bajas2223$ESTADO.CIVIL[Bajas2223$ESTADO.CIVIL == "UNION LIBRE"] <- "Union Libre"
#rellenar espacios en blanco
Bajas2223$ESTADO.CIVIL <- ifelse(Bajas2223$ESTADO.CIVIL == "", "No Especificado", Bajas2223$ESTADO.CIVIL)FORM
f_bajas <- FORM %>%
select("Nombre", Motivo="Motivo de Baja", "CausaBaja", "CausaBajaSub")
bajas_especifico <- f_bajas %>%
filter_all(all_vars(. != "No especificado"))FORM 2223
baja_años <- FORM_2223 %>%
select(motivo = "MOTIVO DE BAJA", año = "MonMesB") %>%
arrange(año) %>%
filter(grepl("22$|23$", año)) %>%
mutate(año = sub(".*-(\\d{4})", "\\1", año)) %>%
group_by(motivo)
bajas_categorias <- group_by(f_bajas, Motivo)
bajas_categorias2 <- group_by(f_bajas, CausaBaja)Bdatos
dep_bajas <- Bdatos %>%
select("DEPARTAMENTO", "MonMesB")
bajas_departamento <- dep_bajas %>%
filter_all(all_vars(. != "No especificado"))p6_2022 y p6_2023
p6_2022_2 <- p6_2022%>%
select(APELLIDOS,NOMBRE,FECHA.DE.ALTA,FECHA.DE.BAJA,MOTIVO.DE.BAJA,PUESTO)
p6_2023_2 <- p6_2023%>%
select(Apellidos,Nombre,Fecha.de.Alta,Fecha.de.Baja,Motivo.de.Baja,Puesto)
p6_2022_2<- p6_2022_2%>%
rename(Apellidos= APELLIDOS,
Nombre= NOMBRE,
Fecha.de.Alta= FECHA.DE.ALTA,
Fecha.de.Baja=FECHA.DE.BAJA,
Motivo.de.Baja=MOTIVO.DE.BAJA,
Puesto=PUESTO)
p6_mal<- bind_rows(p6_2022_2, p6_2023_2)
p6_mal[p6_mal == ""] <- NA
filas_sin_valores_en_blanco <- complete.cases(p6_mal)
p6 <- p6_mal[filas_sin_valores_en_blanco, ]Situación Problema: Recursos Humanos
La problemática seleccionada es la del clima organizacional en FORM. El equipo “Datum Group” se enfocará en buscar soluciones viables para el problema de la rotación en piso de FORM y su cultura organizacional.
Objetivo: 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.
Análisis Exploratorio de Datos
Primeros 6 renglones de las bases de datos
## # A tibble: 6 × 27
## NombreCompleto `FECHA DE NACIMIENTO` GENERO RFC `FECHA DE ALTA` MonMesA
## <chr> <chr> <chr> <chr> <chr> <chr>
## 1 MARIA FERNANDA JIM… 7/10/1998 Femen… JIAF… 9/12/2020 Dec-20…
## 2 EMANUEL JAUREGUI S… 10/3/1998 Mascu… JASE… 4/12/2022 Dec-20…
## 3 TRINIDAD GARCIA CA… 5/25/1997 Mascu… GACT… 2/4/2022 Apr-20…
## 4 WILMAR LOPEZ ROMERO 9/4/2001 Mascu… LORW… 12/11/2021 Nov-20…
## 5 JOSE MIGUEL DOMING… 20/5/2002 Mascu… DOGM… 1/25/2022 Jan-20…
## 6 CRISTIAN OMAR HERN… 2/29/2000 Mascu… HEGC… 3/19/2022 Mar-20…
## # ℹ 21 more variables: Motivo_de_Baja <chr>, CausaBaja <chr>,
## # CausaBajaSub <chr>, Dias_Laborados <dbl>, BAJA <chr>, MonMesB <chr>,
## # PUESTO <chr>, DEPARTAMENTO <chr>, `NO.SEGURO SOCIAL` <chr>, Salario <dbl>,
## # `FACTOR CRED INFONAVIT` <chr>, `N° CREDITO INFONAVIT` <chr>,
## # `LUGAR DE NACIMIENTO` <chr>, CURP <chr>, CALLE <chr>,
## # `NUMERO INTERNO` <chr>, COLONIA <chr>, `CODIGO POSTAL` <chr>,
## # MUNICIPIO <chr>, ESTADO <chr>, Estado_Civil <chr>Preguntas de Análisis
Pregunta 1: Rotación FORM
¿Es la rotación de FORM por arriba del promedio en la industria?
El objetivo de esta pregunta es identificar si la rotación histórica
de FORM desde 2022 hasta 2023 sigue patrones de movimientos similares a
los promedios de empresas productivas del estado y el promedio de
rotación nacional. Se pretende analizar y buscar patrones entre los
meses con mayores y menores bajas.
\[ \frac{\frac{Altas + Bajas}{2}}{\frac{EmpInicio + EmpFinal}{2}} \times 100 \]
Altas = Número de empleados que se dieron de alta en el periodo
Bajas = Altas = Número de empleados que se dieron de alta en el periodo
EmpInicio = personal al inicio del periodo
EmpFinal = personal al final del periodo
FORMFlujo <- FORMFlujo %>% mutate(Rotacion = ((((A+B)/2)/((EmpI+EmpF)/2))*100))
FORMFlujo$Rotacion <- round(FORMFlujo$Rotacion,2)
FORMFlujo$Fecha <- as.Date(FORMFlujo$Fecha, format = "%d/%m/%y")
# Valores estadísticos de la Rotación
summary(FORMFlujo) ## Fecha B A EmpI
## Min. :2022-01-01 Min. : 3.00 Min. :11.00 Min. :108.0
## 1st Qu.:2022-05-24 1st Qu.:13.00 1st Qu.:18.50 1st Qu.:126.8
## Median :2022-10-16 Median :24.00 Median :24.50 Median :170.5
## Mean :2022-10-16 Mean :25.05 Mean :26.10 Mean :160.3
## 3rd Qu.:2023-03-08 3rd Qu.:35.25 3rd Qu.:29.25 3rd Qu.:183.5
## Max. :2023-08-01 Max. :59.00 Max. :66.00 Max. :207.0
## EmpF Rotacion
## Min. :108.0 Min. : 4.89
## 1st Qu.:129.2 1st Qu.:10.15
## Median :170.5 Median :16.25
## Mean :161.3 Mean :16.64
## 3rd Qu.:183.5 3rd Qu.:20.39
## Max. :207.0 Max. :38.35Gráfica de rotación histórica
ggplot(FORMFlujo,aes(x=Fecha, y=Rotacion))+
geom_line()+
geom_hline(yintercept = c(10), linetype = "dashed", color = "green", size = 0.5) +
geom_hline(yintercept = c(20), linetype = "dashed", color = "orange", size = 0.5) +
geom_hline(yintercept = c(30), linetype = "dashed", color = "red", size = 0.5) +
labs(x="Fecha",y="Rotación en %", color="Legend")+
#geom_ribbon("rect", aes(x = c("2022-01-01"), xend = ("2023-12-01")), ymin = -Inf, ymax = Inf, fill = "gray", alpha = 0.5)
ggtitle("Rotacion en FORM Histórico 2022-2023")
Análisis de Resultado
Analizando el comportamiento de la rotación por mes, se puede
observar que la rotación de FORM aumenta a principio de año y en junio
para los dos años, con cifras más altas para el año 2022. Se pueden
también observar mejoras en la rotación debido a que en 2022 la rotación
sobrepasó niveles alarmantes arriba de la línea roja en dos ocasiones
para 2022, mientras que en 2023 se quedó en niveles altos pero no
repitió cifras similares a las del 2023.
En comparación a la industria en Nuevo León, el estado para 2023
reportó la tercera rotación más alta de México con niveles entre 12 y
15% de acuerdo con una encuesta realizada por ERIAC Capital Humano
(Flores, 2023). El promedio histórico de rotación de FORM se establece
en 16.64%, posicionándose arriba del promedio del estado, demostrando
que la empresa enfrenta un grave problema de pérdida de talento
humano.
Una rotación sana para una empresa manufacturera es considerada por
debajo del 15%, de 15% a 30% ya se vuelve un problema considerable al
cual prestar atención y arriba del 40% es indicador de que la empresa
necesita reformar su modelo de negocios (Ana, 2023). Actualmente, FORM
solo ha superado la rotación del 30% en dos ocasiones, ambas en 2022,
alcanzando una rotación máxima del 38.35%. Con estos datos, se puede
concluir que FORM tiene un problema de pérdida de personal al cual se le
debe prestar atención.
Pregunta 2: Comportamiento género, edad y estado civil
¿Existe alguna relación entre el comportamiento de las bajas en base a variables de género, edad y edoCivil?
Para el análisis de esta pregunta con las bases de datos unificadas
de las bajas de FORM del 2022 y el 2023 se llevará a cabo una
organización de datos por rangos de edades, género y estado civil con el
fin de identificar cuáles grupos de personas son más propensas a darse
de baja considerando solo estas variables.
Bajas2223 <- rename(Bajas2223, fechaN = FECHA.DE.NACIMIENTO, Genero = GENERO, edoCivil = ESTADO.CIVIL, salarioD = SALARIO.DIARIO.IMSS, Puesto = PUESTO)
Bajas2223 <- Bajas2223 %>% select(fechaN,Genero,Puesto,salarioD,edoCivil)
Bajas2223$fechaN <- as.Date(Bajas2223$fechaN, format = "%d/%m/%y")
Bajas2223 <- Bajas2223 %>% mutate(Fecha = dmy(fechaN), Edad = year(Sys.Date()) - year(fechaN) - ifelse(today() < fechaN, 1, 0))
Bajas2223 <- subset(Bajas2223, select = -Fecha) #Quitar columna Fecha
Bajas2223$Edad <- as.numeric(Bajas2223$Edad)
Bajas2223 <- mutate(Bajas2223,GrupoEdad = ifelse(Bajas2223$Edad > 11 & Bajas2223$Edad <=25, "16-25",
ifelse(Bajas2223$Edad >25 & Bajas2223$Edad <= 35 , "26-35",
ifelse(Bajas2223$Edad > 35 & Bajas2223$Edad <= 45, "36-45",
ifelse(Bajas2223$Edad > 45 & Bajas2223$Edad <= 55, "46-55",
ifelse(Bajas2223$Edad > 55 & Bajas2223$Edad <= 65, "56-65",
ifelse(Bajas2223$Edad > 65 & Bajas2223$Edad <= 75, "66-75", "0")))))))
# Use mutate to create the Combined column
Bajas2223 <- Bajas2223 %>%
mutate(Combined = paste(substr(Genero, 1, 2), substr(edoCivil, 1, 2), substr(GrupoEdad, 1,5), sep = ""))
Bajas2223 <- Bajas2223 %>% filter(Edad >= 16)
ggplot(Bajas2223,aes(GrupoEdad, fill = Combined)) +
geom_bar(position = position_dodge(width=0.8)) +
xlab("Rangos de Edades") +
ylab("Número de Bajas por Categoría")
labs(title = "Frecuencia de bajas en base a Género, Estado Civil y Edad",subtitle = "Bajas agrupadas por categorías para FROM") +
theme_minimal()## NULLBajasCombined <- table(Bajas2223$Combined) # Create a frequency table
BajasCombined <- data.frame(Category = names(BajasCombined), Frequency = as.vector(BajasCombined)) # Coverting to data
colnames(BajasCombined) <- c("Category", "Frequency") # Add titles to the columns
#BajasCombined <- kable(BajasCombined, format = "html", caption = "Frequency Table")
#### Tabla de Contingencia
contingencia <- table(Bajas2223$Genero, Bajas2223$edoCivil)
contingencia##
## Divorcio Matrimonio Solteria Union Libre
## Femenino 2 75 132 73
## Masculino 1 59 108 53Análisis de Resultado
La gráfica desarrollada muestra el comportamiento de las bajas por
categorías considerando Género(Fe o Ma), Estado Civil(Ma, Di, Un), y el
rango de edad en el que se encuentra. En la gráfica se puede observar
que la mayoría de las bajas se concentran en los rangos de edades de 16
a 25 años, especialmente en mujeres y hombres solteros. Añadido a esto,
se puede ver que en el rango de 26 a 35 años de edad se concentran
mayormente bajas de mujeres de unión libre, mujeres y hombres solteros.
En ambos de estos rangos se comparten características comunes, las
personas entre las edades de 16 a 25 años tienden a tener menos
responsabilidades por las cuales mantener un trabajo y están en una edad
con curva de aprendizaje rápida lo cual resulta atractivo para las
empresas. De acuerdo con Bankinter, en rango de edad con mayor acceso
laboral en México se enfoca entre los 31 y 35 años con un 28% de las
vacantes de empleo, seguido de los de 25 a 30 con el 25.1% (2015);
sumando a esto, Business Insider México reporta que para las empresas
desarrollar a un empleado mayor a los 35 años ya no resulta rentable
(Ferrer, 2022). Estos datos, hacen que para una persona menor a 35 sea
más sencillo cambiar de trabajo y conseguir mejores ofertas laborales.
Por el otro lado, arriba de los 36, si bien se concentran gran
catidad de bajas, en comparativa a los grupos anteriores, estan van a la
baja debido a que las ofertas de trabajo se reducen y las
responsabilidades financieras a estas edades aumenta.
Pregunta 3: Departamentos con bajas
¿Qué departamento tiene más bajas durante el año?
La importancia de poder tener bien identificado cuáles son los
departamentos que tienen más bajas en la empresa, hará que FORM pueda
llevar a cabo una decisión estratégica para poder reducir el número de
rotación y generar una cultura de pertenencia más importante en cada uno
de sus colaboradores.
Análisis de los departamentos de FORM
bajas_departamento1 <- bajas_departamento %>% mutate(Categoria_Departamento = case_when(
grepl("Producción Cartón MC", DEPARTAMENTO, ignore.case = TRUE)|
grepl("Producción Cartón MDL", DEPARTAMENTO, ignore.case = TRUE)|
grepl("Produccion Retornable", DEPARTAMENTO, ignore.case = TRUE)|
grepl("Rotativa", DEPARTAMENTO, ignore.case = TRUE)|
grepl("Troquel", DEPARTAMENTO, ignore.case = TRUE)|
grepl("Cortadoras", DEPARTAMENTO, ignore.case = TRUE)|
grepl("Celdas", DEPARTAMENTO, ignore.case = TRUE) ~ "Departamento de Producción",
grepl("ADMINISTRATIVO", DEPARTAMENTO, ignore.case = TRUE)|
grepl("Calidad", DEPARTAMENTO, ignore.case = TRUE)|
grepl("EHS", DEPARTAMENTO, ignore.case = TRUE)|
grepl("Mantenimiento FF", DEPARTAMENTO, ignore.case = TRUE)|
grepl("Materiales", DEPARTAMENTO, ignore.case = TRUE)|
grepl("Paileria", DEPARTAMENTO, ignore.case = TRUE)|
grepl("CAJAS", DEPARTAMENTO, ignore.case = TRUE)|
grepl("Embarques", DEPARTAMENTO, ignore.case = TRUE)|
grepl("Laminado", DEPARTAMENTO, ignore.case = TRUE) ~ "Departamento de Soporte y Logística",
grepl("Ay.flexo", DEPARTAMENTO, ignore.case = TRUE)|
grepl("Marcadora", DEPARTAMENTO, ignore.case = TRUE)|
grepl("Stabilus", DEPARTAMENTO, ignore.case = TRUE)|
grepl("Costura", DEPARTAMENTO, ignore.case = TRUE) ~ "Departamento de Flexografía",
TRUE ~ "No específico"))
ggplot(bajas_departamento1,aes(Categoria_Departamento))+geom_bar(aes(fill=Categoria_Departamento), width=0.5) +
xlab("Departamento") +
ggtitle("Departamento con más bajas 2022 y 2023")+
theme(axis.text.x = element_text(angle = 45, hjust = 1))+
geom_text(stat = "count", aes(label = after_stat(count)), vjust = -0.5)
En el gráfico se representa la cantidad de colaboradores que fueron
bajas en sus respectivos departamentos en el año 2022 y 2023. Podemos
destacar que en el departamento de producción, es donde más bajas se han
registrado a partir del año pasado. Sin embargo, lo que resalta en la
gráfica es que la mayoría de los colaboradores que son bajas en FORM no
tienen un departamento en específico.
Pregunta 4: Factores relevantes a bajas
¿Cuáles son los factores más relevantes que contribuyen a la disminución de colaboradores en FORM en el año 2023?, y cómo se comparan estos factores con el contexto nacional actual
La importancia de poder identificar los factores por los cuales las
personas se dan de baja es FORM, hará que la empresa pueda analizar la
causa por lo cual la gente decide ya no laborar, y buscar una solución
para evitar la rotación de colaboradores.
Análisis de los motivos de baja de empleados
# Graficando - tomando en cuenta "No especificado"
bajas_categorias1 <- bajas_categorias %>%
group_by(Motivo, CausaBaja) %>%
summarise(conteo = n()) %>%
mutate(Motivo = case_when(
grepl("Inducida", Motivo, ignore.case = TRUE)|
grepl("Inducida (Faltas no dio los tiempos)", Motivo, ignore.case = TRUE)|
grepl("Inducida (Faltas)", Motivo, ignore.case = TRUE)|
grepl("Inducida.", Motivo, ignore.case = TRUE)~ "Inducida",
TRUE ~ "Separacion voluntaria"))
#Sacando un conteo para visualizar los datos
ggplot(bajas_categorias1, aes(x = Motivo, y = conteo, color = CausaBaja)) +
geom_point(size = 3) +
labs(title = "Motivos de Bajas con Comentarios Específicos",
x = "Motivo de Baja",
y = "Cantidad") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
scale_color_discrete(name = "Comentario Específico")
En esta gráfica se presenta una representación de las causas detrás
del motivo de las bajas en el contexto analizado del año 2023. El
hallazgo más significativo es la prevalencia de las separaciones
voluntarias como motivo principal. Dentro de esta categoría, llama la
atención que la causa ‘No especificado’ se destaca como la más
predominante, lo que sugiere que las personas tienden a no revelar
explícitamente las razones detrás de su renuncia.
Tabla de frecuencias sobre Causas de bajas en FORM en 2023
# Datos sin tomar en cuenta "No especificado"
table(bajas_especifico$CausaBaja) %>%
as.data.frame() %>%
arrange(desc(Freq)) %>%
setNames(c("Causa", "Frecuencia")) ## Causa Frecuencia
## 1 Oportunidad Laboral 24
## 2 Mudanza 13
## 3 Familiar 10
## 4 No asistencia 6
## 5 Prestaciones 6
## 6 Carga Laboral 2
## 7 Suspensión 2
## 8 Accidente 1
## 9 Inconformidad 1table(bajas_especifico$CausaBajaSub) %>%
as.data.frame() %>%
arrange(desc(Freq)) %>%
setNames(c("Desición final más específica", "Frecuencia")) ## Desición final más específica Frecuencia
## 1 Cambio Ocupación 14
## 2 Cambio Empresa 10
## 3 Faltas 8
## 4 Hijos 8
## 5 Internacional 8
## 6 Bonos 3
## 7 Mexico 3
## 8 Servicios Médicos 3
## 9 Trabajo pesado 2
## 10 Daño Equipo de Trabajo 1
## 11 Dirección 1
## 12 Local 1
## 13 Nacional 1
## 14 Padres 1
## 15 Pareja 1Cuando analizamos las causas de la baja excluyendo la respuesta “No
especificado”, se destaca claramente que la razón principal es la
aparición de nuevas oportunidades laborales para los empleados. Sin
embargo, al profundizar en las causas, podemos observar que muchas de
estas personas se dan de baja porque están cambiando de ocupación, y
optan por describirlo como una nueva oportunidad laboral.
En el siguiente gráfico se presenta una comparativa entre las cifras
de bajas laborales en el año 2022 y 2023 en la empresa FORM, incluyendo
un análisis de los motivos que han llevado a dichas bajas. Es relevante
destacar que en el año 2022, el motivo de “Separación voluntaria”
representaba una proporción significativamente menor en comparación con
el año 2023.
En el 2022, el principal motivo de las bajas estaba relacionado con
“Baja por faltas”, mientras que en lo que va del año 2023, la
“Separación voluntaria” ha emergido como el motivo predominante,
demostrando un aumento en las renuncias por parte de los colaboradores
en los últimos meses.
Lo que se vive en México con relación a las renuncias Según el
economísta, el 2022 inicia con un reporte de 773,252 renuncias en su
primer trimestre a nivel nacional. De acuerdo con la Encuesta Nacional
de Ocupación y Empleo (ENOE), las principales razones están vinculadas
con la continuidad de los estudios, la mejoría salarial, la
precarización del trabajo y la demanda de cuidados.Las personas toman la
decisión de dejar su trabajo dependiendo estrictamente del contexto en
el que se encuentran. (Hernández, 2022). Según el estudio “El Gran
Desgaste: renuncia en México” divulgado en el último trimestre del 2022,
4 de cada 10 trabajadores mexicanos estarían dispuestos a renunciar a su
actual puesto laboral en los próximos seis meses. Las principales causas
de renuncia están relacionadas con el nivel de desgaste de los
trabajadores. Aunque la renuncia sea consecuencia de la insatisfacción,
la satisfacción no es garantía de retención, ya que 32% de los
colaboradores satisfechos o muy satisfechos están dispuestos a
renunciar, según el estudio. (Staff & Staff, 2022)
Lo que se vive en México con relación a las renuncias en las empresas de manufactura
Randstad, firma especialista en recursos humanos, reveló que dos de
cada cinco empresas manufactureras tienen una rotación de personal anual
de al menos de 20%. (MexicoIndustry, 2021). El aumento de la tasa de
rotación de personal en la industria es una tendencia y se estimío que a
finales del año 2022, la tasa llegó a un 80% anual acumulada en el
sector manufactura. El costo de rotación va desde un rango de 10 mil a
30 mil pesos por empleado, lo que es pérdida de valor económico en las
empresas. (INCOMEX, 2022)
Pregunta 5: Problema interno o externo
¿Cuáles son las principales razones de las bajas? ¿Es un problema interno o externo a FORM?
Saber la razón por las bajas dentro de FORM nos permite diagnosticar
el área de oportunidad de la empresa en cuanto a retención de talento,
con el análisis de datos se pueden encontrar tendencias, áreas de
oportunidad y posibles soluciones a problemas que tiende a tener la
empresa, para esto es necesario saber si las bajas son ocasionadas por
problemas internos o externos a FORM, con esto podemos identificar un
buen punto de partida para cualquier investigación dentro de la empresa.
Dirección de empleados concatenada
#Agregando dirección completa a base de datos
form_bajas_23 <- form_bajas_23 %>% mutate(Direccion1 = paste(Calle, Numero, sep = " "))
form_bajas_23 <- form_bajas_23 %>% mutate(Direccion = paste(Direccion1, Colonia, Municipio, Estado, CP, sep = ", "))
form_bajas_23$Direccion1 <- NULLDistancias aproximadas recorridas por empleados hacia FORM
# Creando un ifelse para asignar distancias aproximadas del municipio hacia FORM
form_bajas_23 <- mutate(form_bajas_23, Distancia_km=ifelse(Municipio %in% "Apodaca", 3.5, ifelse(Municipio %in% "Cienega de Flores", 34, ifelse(Municipio %in% "Guadalupe", 13, ifelse(Municipio %in% "Juarez", 18, ifelse(Municipio %in% "Monterrey", 21, ifelse(Municipio %in% "Pesqueria", 20, ifelse(Municipio %in% "Ramos Arizpe", 100,ifelse(Municipio %in% "Saltillo", 112, 15)))))))))
# Identficando los municipios en donde viven los empleados de baja para determinar si la distancia es un factor
ggplot(form_bajas_23,aes(Municipio)) + geom_bar(aes(fill=Distancia_km),width=0.5) + xlab("Municipio") +ylab("Cantidad de bajas") + ggtitle("Distancias y municipios de residencia de bajas en 2023") + theme(axis.text.x = element_text(angle = 90, vjust = 0.5, hjust=1))
La mayoría de las bajas de FORM que se han dado en 2023 vienen del
mismo municipio, siendo Apodaca, este es el municipio más cerca de la
fábrica de FORM a 3.5 km, esto nos ayuda a concluir que la distancia no
es la principal razón por la cual la mayoría de las bajas se dan en
FORM, aunque es importante mencionar que en los casos de Ramos Arizpe y
Saltillo si es probable que la distancia fuera parte de la baja del
empleado.
Motivos de bajas en FORM entre 2022 y 2023
# Hacer un conteo de los motivos de baja
tipos_baja_int <- group_by(form_bajas_integradas,Motivo_de_Baja)
tipos_baja_int <- summarize(tipos_baja_int,conteo=n())
#Gráfica de pie mostrando el motivo de bajas de empleados entre 2022 y 2023
ggplot(tipos_baja_int, aes(x = "", y = conteo, fill = Motivo_de_Baja)) +
geom_bar(stat = "identity", width = 1) +
coord_polar(theta = "y") + ggtitle("Motivo de bajas de empleados entre 2022 y 2023") +
theme_void() + geom_text(
aes(x = 1.5, label = scales::percent(conteo / sum(tipos_baja_int$conteo))),
position = position_stack(vjust = .5),
size = 4)
El 55% de las bajas de empleados de FORM en 2023 han sido
voluntarias, significando que son muy pocas las ocasiones en donde
despiden a un empleado, siendo más una decisión propia del mismo dejar
de trabajar en FORM, igualmente donde la mayoría de las personas no
mencionan la razón por la cual decidieron salir de la empresa. Con esta
información podemos ver que la retención de talento es una área de
oportunidad, mientras que a la vez los empleados tienen un mayor control
y libertad de sus decisiones laborales. Otro aspecto importante es que
un 22% de las bajas son a causas de faltas acumuladas por los empleados,
siendo la segunda causa más frecuente de bajas de empleados.
Analísis de puestos y sus bajas en FORM
# Creación de gráfica que demuestra la cantidad de empleados que se dieron de baja en cada puesto entre 2022 y 2023
bajas_nuevas <- form_bajas_integradas %>%
mutate(Departamento = case_when(
grepl("RECIBO", PUESTO, ignore.case = TRUE) |
grepl("Servicio al Cliente", PUESTO, ignore.case = TRUE) |
grepl("Guardia de Seguridad", PUESTO, ignore.case = TRUE) |
grepl("FACTURACION", PUESTO, ignore.case = TRUE) |
grepl("Residente YanFeng Cienega", PUESTO, ignore.case = TRUE) |
grepl("Residente", PUESTO, ignore.case = TRUE) ~ "Administrativo",
grepl("Enfermera", PUESTO, ignore.case = TRUE) |
grepl("ENFERMERA", PUESTO, ignore.case = TRUE) ~ "Recursos Humanos",
grepl("EXTERNO", PUESTO, ignore.case = TRUE) |
grepl("Limpieza", PUESTO, ignore.case = TRUE) |
grepl("Pintor", PUESTO, ignore.case = TRUE) |
grepl("CORTADOR", PUESTO, ignore.case = TRUE) |
grepl("Costura", PUESTO, ignore.case = TRUE) |
grepl("DISEÑO", PUESTO, ignore.case = TRUE) |
grepl("Ayudante General", PUESTO, ignore.case = TRUE) |
grepl("Ayudante general-Cedis", PUESTO, ignore.case = TRUE) |
grepl("SOLDADOR", PUESTO, ignore.case = TRUE) |
grepl("Gestor", PUESTO, ignore.case = TRUE) |
grepl("LIDER", PUESTO, ignore.case = TRUE) |
grepl("Chofer", PUESTO, ignore.case = TRUE) |
grepl("Chofer Gestor", PUESTO, ignore.case = TRUE) |
grepl("Soldador", PUESTO, ignore.case = TRUE) |
grepl("Ayudante de Soldador", PUESTO, ignore.case = TRUE) |
grepl("Materialista", PUESTO, ignore.case = TRUE) |
grepl("MANTENIMIENTO", PUESTO, ignore.case = TRUE) |
grepl("MARCADORA", PUESTO, ignore.case = TRUE) |
grepl("SUPERVISOR", PUESTO, ignore.case = TRUE) |
grepl("Calidad", PUESTO, ignore.case = TRUE) |
grepl("Montacarguista", PUESTO, ignore.case = TRUE) |
grepl("OPERADOR", PUESTO, ignore.case = TRUE) ~ "Operativo",
TRUE ~ "NA"))
ggplot(bajas_nuevas,aes(Departamento)) + geom_bar(aes(fill=Departamento),width=0.5) + xlab("Departamento del puesto") +ylab("Cantidad de bajas") + ggtitle(" Bajas de empleados y sus puestos entre 2022 y 2023") +
geom_text(stat = "count", aes(label = after_stat(count)), vjust = -0.5) +
theme(
plot.title = element_text(size = 14),
axis.title = element_text(size = 7),
axis.text = element_text(size = 7),
legend.text = element_text(size = 5),
legend.title = element_text(size = 7)) 
Como podemos observar en la gráfica anterior, el puesto con mayor
rotación de empleados por una gran diferencia es ayudante general, que
se encuentra en el departamento operativo, siendo uno de los puestos de
producción de la empresa que más empleados necesitan y su labor
básicamente es apoyar en cualquier área que necesite más personal
atendiendo. Algo que puede estar ocasionando esta gran cantidad de bajas
en el puesto es la falta de pertenencia o sentido hacia el trabajo que
hace el empleado, causando que no tenga interés y salga del puesto, es
necesario tener una mejor idea de lo que está pasando en este puesto que
causa tanta rotación y ubicar las áreas de oportunidad que presentan con
el fin de reducir la cantidad de bajas.
Analisis de sueldos
ggplot(form_bajas_integradas, aes(x = Dias_Laborados, y = Salario)) +
geom_point(size = 3, color = "orange", alpha = 0.7) + # Cambiando colores de gráfica
geom_smooth(method = "lm", color = "blue", se = FALSE) + # Agregando linea de regresión
xlab("Días Laborados") + ylab("Salario Diario") + ggtitle("Scatterplot de Dias Laborados vs. Salario Diario 2022 y 2023") + theme_minimal() + theme(plot.title = element_text(hjust = 0.5)) + ylim(0,400) + xlim(0,400)
En cuanto a los sueldos diarios que recibían antes de salir de la
empresa, podemos ver que la mayoría de las bajas se hacen en los
primeros 150 días de labor, con un sueldo de entre 180 o 220
aproximadamente, el sueldo puede variar dependiendo del puesto o perfil
del empleado. Las salidas que son después de los primeros 150 días
tienden a llevar un sueldo por alrededor de 180 pesos al día, mostrado
por la línea de regresión que muestra una tendencia ligera de
disminución de sueldo diario en los empleados que duran más en la
empresa.
Pregunta 6: Relación de bajas con tiempo
De los colaboradores que se dan de baja, ¿Cuál ha sido la duración en FORM? ¿Tienen relación con temporada o mes?
Conocer si la época del año tiene alguna relación con que los empleados se den de baja, y cuales son estas fechas es fundamental para la empresa, con el objetivo de poder implementar estrategias para disminuir la rotación. Con este código se podra concluir si existe una relación entre la temporada del año, y ademas detectar cual es la duración promedio de los empleados que se han dado de baja, para posteriormente relacionarlo a otros factores.
Creación de dataframe con los años 2022 y 2023 combinados, sin embargo tiene NA’s y espacios vacios
p6_mal<- bind_rows(p6_2022_2, p6_2023_2)Lectura de las fechas con el formato de Año-Mes-Día
p6$Fecha.de.Alta <- as.Date(p6$Fecha.de.Alta, format = "%Y-%m-%d")
p6$Fecha.de.Baja<- as.Date(p6$Fecha.de.Baja, format = "%Y-%m-%d")
p6$Duracion_Dias <- abs(as.numeric(p6$Fecha.de.Baja - p6$Fecha.de.Alta))Gráfica de Barras (Duración de Empleados)
limites <- seq(0, 2000, by = 100)
ggplot(p6, aes(x = Duracion_Dias)) +
geom_histogram(binwidth = 100, fill = "orange", boundary = 0) +
scale_x_continuous(breaks = limites) +
labs(
title = "Duración de Empleados",
x = "Duración (días)",
y = "Cantidad de Empleados"
) +
theme_minimal() +
theme(
plot.title = element_text(hjust = 0.5)
) +
lims(x = c(0, 550))
Cálculo de Medidas de Tendencia Central
promedio_duracion <- mean(p6$Duracion_Dias)
mediana_duracion <- median(p6$Duracion_Dias)
moda_duracion <- as.numeric(names(sort(table(p6$Duracion_Dias), decreasing = TRUE)[1])) Tabla de Tendencia Central (Duración de Empleados)
tabla_tendencia <- data.frame(
Medida = c("Media", "Mediana", "Moda"),
Valor = c(promedio_duracion, mediana_duracion, moda_duracion)
)
print(tabla_tendencia)## Medida Valor
## 1 Media 112.1414
## 2 Mediana 30.0000
## 3 Moda 5.0000El promedio es un valor que resulta poco útil en este caso, ya que
indica que en promedio un empleado presenta su baja a los 112 dias, sin
embargo al analizar la tabla se puede concluir que la mayoria de los
datos se encuentran entre 0-100 dias.
La moda es el valor mas util ya que nos dice que el periodo de tiempo
más común entre los que renuncian es 5 dias, de hecho los periodos de
tiempo mas comunes son entre 0-30 dias. Por lo que un mes es el mas
riesgoso para que un empleado renuncie. Pasando de este mes la
probabilidad de que se presente un empleado de baja es mucho
menor.
Creación de Data Frame, de bajas por mes
p6 <- p6 %>%
mutate(Mes = format(Fecha.de.Baja, "%Y-%m"))
p6_mes <- p6 %>%
count(Mes, name = "Cantidad") %>%
mutate(year = as.integer(substr(Mes, 1, 4)),
Mes = factor(substr(Mes, 6, 7), levels = sprintf("%02d", 1:12),
labels = c("Enero", "Febrero", "Marzo", "Abril", "Mayo", "Junio",
"Julio", "Agosto", "Septiembre", "Octubre", "Noviembre", "Diciembre")))Gráfico de Barras Acumulativo (Bajas por Mes)
ggplot(p6_mes, aes(x = Mes, y = Cantidad, fill = factor(year))) +
geom_bar(stat = "identity", position = position_stack(reverse = FALSE)) +
geom_text(aes(label = Cantidad), position = position_stack(vjust = 0.5), size = 3) +
labs(x = "Mes", y = "Número de empleados de baja", fill = "Año") +
scale_fill_manual(values = c("#FF5733", "#FFA633", "#FFD133")) + # Tres tonos de naranja
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
Como se pudo comprobar, los meses con mas bajas en el año destacan
entre Enero, Junio y Agosto. Siendo Agosto el mas común, los ultimos
meses esta rotación bajo de gran manera a excepción del mes de Noviembre
del 2022. En Marzo hubo un incremento en relación al año pasado lo que
puede ser útil para detectr que sucedio durante este tiempo. Se debe
hacer una investigación de lo que ocurre entre los meses que tienen una
baja rotación y compararlo con los meses de alta rotación para detectar
oportunidades para futuras estrategias.
Busqueda de información de datos
¿Qué tipo de información / datos solicitarías al socio formador para mejorar EDA?
Resultados de encuestas de satisfacción a los colaboradores realizadas en años anteriores
Situación de la empresa en términos de satisfacción del personal en 2022
Datos de reclutamiento y selección: fuentes de reclutamiento utilizadas, proceso de selección y tiempo promedio de contratación y perfil de habilidades y experiencia de los nuevos colaboradores.
¿Qué tipo de información / datos de fuentes secundarias buscarías para mejorar EDA?
Informes de consultoras y analistas especializados en Recursos Humanos
Informes de tendencias laborales
Información sobre herramientas y tecnología de Recursos Humanos
Glosario de variables
Pregunta 1
FORMFlujo: DataFrame descriptivo de las bajas y altas de FORM en el periodo de 2022 a 2023.
Variable “A”: número de altas
Variable “B”: número de bajas
Variable “EmpI”: número de empleados al inicio del periodo
Variable “EmpF”: número de empleados al final del periodo
Variable “Rotacion”: columna calculada de la rotación por mes
Variable “Fecha”: fecha del periodo
Pregunta 2
Bajas 2223: DataFrame de las bases de datos Bajas 2023 y Bajas 2022 de FORM.
Variable “fechaN”: fechas de nacimiento de los empleados
Variable “Genero”: género femenino a masculino por empleado
Variable “edoCivil”: estado civil por empleado.
Variable “Edad”: columna calculada con la fecha de nacimiento de los empleados con su edad.
Variable “GrupoEdad”: Edades clasificadas con condicionales para identificar rangos por edad.
Variable “Combined”: nomenclatura con los primeros dos dígitos/caracteres de género y estado civil más el Grupo Edad.
Pregunta 3
dep_bajas: DataFrame de las bajas de FORM
Variable “Nombre completo”: Colaborador que se dió de baja
Variable “DEPARTAMENTO”: Departamento el cual pertenecía el colaborador
Variable “MonMesB”: Mes y año en el que se dieron de baja
Pregunta 4
f_bajas = DataFrame donde se encuentras las bajas de FORM
Variable “Nombre”: es el nombre de la persona que se dio de baja
Variable “Motivo”: el motivo en general por el cual la persona se da de baja
Variable “CausaBaja”: es la causa del motivo por el cual la persona se da de baja
Variable “CausaBajaSub”: es la razón específica por la cual la persona se da de baja
bajas_especifico = DataFrame donde está descartado la respuesta No especificado”
baja_años = DataFrame donde se puede observar el motivo de las bajas para el año 2022 y 2023
Pregunta 5
form_bajas_23: Dataframe con los datos de bajas de empleados de FORM durante 2023
form_bajas_integradas: Dataframe con los datos de bajas de empleados durante 2022 y 2023
Direccion: Concatenación de las variables de calle, número, colonia, municipio, estado y cp., con el fin de tener una variable con la dirección completa del empleado.
Motivo de Baja: Muestra la naturaleza de la baja de los empleados, donde las opciones Separación voluntaria, Inducida, Inducida (faltas), Inducida (faltas no dio el tiempo)
Puesto: Variable que indica el puesto que ocupa en la empresa el empleado, siendo su función en la empresa.
Dias_Laborados: Número de días en cuales el empleado trabajo en FORM.
Salario: Variable que indica el salario diario de cada empleado al momento en que se dio de baja.
Municipio: Variable que indica el municipio de residencia del empleado que se ha dado de baja.
Distancia_km: Mide la distancia aproximada entre el municipio y la fabrica de FORM.
Pregunta 6
p6_“año”: Es la carga del archivo csv dentro del programa por año
p6: Dataframe a utilizar con los años y columnas combinados
limites: Secuencia de la gráfica de barras donde se establecen los limites para esta
p6_mes: Dataframe nuevo donde se separan las bajas por meses
Parte #3
Hallazgos
FORM es una empresa que cuenta con gran potencial de crecimiento dentro de la industria que se encuentra, como en diferentes industrias que están contando con la necesidad de empaques de alta calidad. Es importante mencionar que en Estados Unidos, tiene gran oportunidad de hacer crecer su red comercial, utilizando las estrategias necesarias.
Gran parte de los colaboradores de FORM se encuentran dentro del área operativa, y dentro de la misma operación el género que predomina es el femenino y gran mayoría su estado civil es soltería, lo que demuestra que FORM se siente más en confianza trabajando con mujeres, por otro lado los hombres que se encuentran trabajando gran parte se encuentran casados.
Se puede concluir que existe un patrón en la rotación de los colaboradores, donde se muestra que la rotación tiende a subir para el mes de enero y junio, esto se puede dar por muchas razones, sin embargo, una evidente es debido a que los colaboradores pueden recibir bonificaciones y posteriormente a esta bonificación deciden dejar el trabajo.
En el año 2023, el motivo principal por el cual las personas se han dado de baja en FORM ha sido por separación voluntaria, aspecto que era diferente en el 2022, debido a que en ese año, la baja era por faltas. De esto es importante mencionar que la distancia no es un factor que influye en motivo de la baja, debido a que gran cantidad de las personas que se dan de baja viven en Apodaca, siendo el municipio donde se encuentra FORM.
El departamento de producción, es el que hoy en día cuanta con más bajas, esto se puede relacionar a que es mano de obra, donde es exigente durante la jornada laboral, y por donde se encuentra ubicada el centro de distribución en Nuevo León, puede influir el clima, debido a que no es el más cómodo y favorable para laborar de buena forma.
Se puede observar que hablando del tiempo en que las personas se den de baja, es más probable que esto suceda en el primer mes que se encuentran laborando en FORM, pasando de este mes la probabilidad que el colaborador se presente de baja es menor.
Sugerencias compartidas por los analistas de datos
Algo que los analistas de datos nos comentaban, era que debíamos organizar bien nuestro tiempo, debido que en esta labor cuando se hace un proyecto grande, es algo que conlleva mucho esfuerzo y compromiso, por lo que para este trabajo, estructuré bien lo que iba a realizar cada día, para evitar errores y hacer un buen análisis.
De igual forma, un aprendizaje relevante que me dejaron los expositores es el hecho que las base de datos son esenciales para un buen análisis, con esto me refiero a que en la mayoría de las empresas, todo lo llevan registrado en un excel, sin embargo, las empresas deben mudarse a un programa donde ya sea más fácil el poder realizar la analítica de datos. Comentaban que cuando todo se tiene en hojas de excel, es de suma importancia que la limpieza y la selección de datos se haga de forma correcta, sino todo se puede ver perjudicado.
Parte #4
Referencias Entregable #1
Data México. (2022). Cajas de Papel o Cartón Corrugado: Intercambio comercial, compras y ventas internacionales, mercado y especialización | Data México. https://www.economia.gob.mx/datamexico/es/profile/product/boxes-corrugated-paperboard
Pineda, M. (2023, June 22). Industria automotriz en México: balance 2022 y proyecciones 2023. Mms-Mexico.com; Modern Machine Shop México. https://www.mms-mexico.com/articulos/industria-automotriz-en-mexico-balance-2022-y-proyecciones-2023
Informe del mercado automotriz de América del Norte | Tamaño, participación, crecimiento y tendencias (2022-27). (2022). Mordorintelligence.com. https://www.mordorintelligence.com/es/industry-reports/north-america-automotive-market#:~:text=Estados%20Unidos%20es%20una%20de,que%20el%20a%C3%B1o%20anterior%2C%202019.
Cepeda, F. (2023, January 12). Prepara FORM plan para competir en EU. El Financiero; El Financiero. https://www.elfinanciero.com.mx/monterrey/2023/01/12/prepara-form-plan-para-competir-en-eu/
FORM: transformando el mundo del empaque para el sector automotriz. (2022). Cluster Indutrial. https://www.clusterindustrial.com.mx/noticia/5640/form-transformando-el-mundo-del-empaque-para-el-sector-automotriz
El Economista. (2022, September 19). Proveedora mexicana de empaques ecológicos apuesta por sector automotriz de Estados Unidos. El Economista; El Economista. https://www.eleconomista.com.mx/estados/Proveedora-mexicana-de-empaques-ecologicos-apuesta-por-sector-automotriz-de-Estados-Unidos-20220919-0087.html
Arratibel, A. J. (2023, January 20). El dilema de México y sus siete millones de toneladas de basura plástica. El País América. https://elpais.com/america-futura/2023-01-20/el-dilema-de-mexico-y-las-siete-millones-de-toneladas-de-plastico-que-acaban-en-la-basura-o-en-el-mar.html
Joaquim Elcacho. (2022, October 25). Estados Unidos genera 51 millones de toneladas de residuos de plásticos al año y solo recicla 2,4. La Vanguardia; La Vanguardia. https://www.lavanguardia.com/natural/20221025/8580683/estados-unidos-genera-51-millones-toneladas-residuos-plasticos-ano-recicla-2-4.html#:~:text=En%20ambos%20casos%2C%20una%20de,de%20los%20residuos%20de%20pl%C3%A1sticos.
verdes. (2022, July 8). Política ambiental mexicana: mitos y realidades. Las Empresas Verdes. https://lasempresasverdes.com/politica-ambiental-mexicana-mitos-y-realidades/#:~:text=En%20M%C3%A9xico%20contamos%20con%20un,Desarrollo%20Rural%20Sustentable%2C%20entre%20otros.
Jon Martín Cullell. (2022, November 16). México busca duplicar la generación renovable después de entorpecer su crecimiento. El País México. https://elpais.com/mexico/2022-11-16/mexico-busca-duplicar-la-generacion-renovable-despues-de-entorpecer-su-crecimiento.html
Staff, F., & Staff, F. (2023, June 30). La tasa de desempleo de México alcanza 2.9% en mayo: Inegi. Forbes México. https://www.forbes.com.mx/la-tasa-de-desempleo-de-mexico-alcanza-2-9-en-mayo-inegi/#:~:text=La%20tasa%20de%20desempleo%20de%20M%C3%A9xico%20alcanza%202.9%25%20en%20mayo%3A%20Inegi
Ana Karen García. (2021, July 19). México, en el top 5 de mayor calidad de vida en América Latina, según los datos de Numbeo. El Economista; El Economista. https://www.eleconomista.com.mx/economia/Mexico-en-el-top-5-de-mayor-calidad-de-vida-en-America-Latina-segun-los-datos-de-Numbeo-20210718-0010.html
de, N. (2023). Ingresos y Gastos de los Hogares. Inegi.org.mx. https://www.inegi.org.mx/temas/ingresoshog/
Tendencias, retos y oportunidades en proyectos de infraestructura | Deloitte México. (2017, June 8). Deloitte México. https://www2.deloitte.com/mx/es/pages/infraestructura-y-proyectos-de-capital/articles/tendencias-y-oportunidades-en-infraestructura.html
Trabajo, del. (2023). Entran en vigor salarios mínimos 2023 en todo el país. Gob.mx. https://www.gob.mx/stps/prensa/entran-en-vigor-salarios-minimos-2023-en-todo-el-pais?idiom=es#:~:text=BOLET%C3%8DN%20N%C3%BAmero%20001%2F2023&text=A%20partir%20de%20este%20d%C3%ADa,poder%20adquisitivo%20de%20estos%20salarios.
World Energy Trade. (2023, May). La eólica y la solar de Estados Unidos generaron más electricidad que el carbón en los dos primeros meses de 2. Worldenergytrade.com; World Energy Trade. https://www.worldenergytrade.com/energias-alternativas/electricidad/eolica-solar-estados-unidos-electricidad-carbon-2023
México Eficacia gubernamental - datos, tabla | TheGlobalEconomy.com. (2021). TheGlobalEconomy.com. https://es.theglobaleconomy.com/Mexico/wb_government_effectiveness/
Escudero, E. (2022, December 14). ¿Puede transformarse la cadena de suministro del sector automotriz? THE LOGISTICS WORLD | Conéctate E Inspírate. https://thelogisticsworld.com/manufactura/puede-transformarse-la-cadena-de-suministro-del-sector-automotriz/
Nearshoring en México: ¿qué es y cómo afectará la economía del país? (2023). Prysmex.com. https://www.prysmex.com/blog/nearshoring-en-mexico#:~:text=La%20adopci%C3%B3n%20del%20nearshoring%20no,al%20crecimiento%20sostenible%20del%20pa%C3%ADs
Hernández, E., & Hernández, E. (2023, April 25). Falta de mano de obra obstaculiza desempeño de 4 de cada 10 empresas en Nuevo León. Forbes México. https://www.forbes.com.mx/falta-de-mano-de-obra-obstaculiza-desempeno-de-4-de-cada-10-empresas-en-nuevo-leon/
FORM Automotive Packaging Specialists | LinkedIn.. Mx.linkedin.com. Retrieved August 26, 2023, from https://www.linkedin.com/company/formpacking/
Flores, F. | LinkedIn.. Mx.linkedin.com. Retrieved August 26, 2023, from https://www.linkedin.com/in/felipe-flores-garc%C3%ADa-aa1a5293/?originalSubdomain=mx
Juárez, C. (2022, June 24). El aumento en el precio de combustibles afecta a la producción mundial. THE LOGISTICS WORLD | Conéctate e Inspírate. https://thelogisticsworld.com/transporte/aumento-en-el-precio-de-las-gasolinas-afecta-a-la-produccion-mundial/
Petróleo crudo en Estados Unidos | OEC. (2021). OEC - the Observatory of Economic Complexity. https://oec.world/es/profile/bilateral-product/crude-petroleum/reporter/usa
José Antonio Rivera. (2023, May 30). Peso mexicano se aprecia en una jornada marcada por la volatilidad. El Economista; El Economista. https://www.eleconomista.com.mx/mercados/Dolar-hoy-precio-del-16-de-febrero-de-2023-20230216-0062.html
Historial de Elecciones | IECM. (2019, September 14). IECM. https://www.iecm.mx/elecciones/historial-de-elecciones/
Referencias Entregable #2
Hernández, G. (2022, June 2). Los 5 motivos principales por los que las personas renuncian a un empleo en México. El Economista; El Economista. https://www.eleconomista.com.mx/capitalhumano/Los-5-motivos-principales-por-los-que-las-personas-renuncian-a-un-empleo-en-Mexico-20220601-0082.html
MexicoIndustry. (2021). Evitar la rotación de personal manufacturero. MexicoIndustry. https://mexicoindustry.com/noticia/-evitar-la-rotacion-de-personal-manufacturero
Staff, F., & Staff, F. (2022, October 13). La “gran renuncia”: 4 de cada 10 mexicanos dejaría su trabajo, según estudio. Forbes México. https://www.forbes.com.mx/la-gran-renuncia-4-de-cada-10-mexicanos-dejaria-su-trabajo-segun-estudio/
INCOMEX. (2022, August 5). Prevén aumento de hasta 80% en rotación en manufacturas - INCOMEX. INCOMEX. https://incomex.org.mx/index.php/2022/08/05/preven-aumento-de-hasta-80-en-rotacion-en-manufacturas/
Ferrer, A. (2022, February 17). ¿Te han negado un trabajo por tu edad? Este es el panorama en México. Business Insider México | Noticias Pensadas Para Ti. https://businessinsider.mx/vacantes-limite-edad-mexico-panorama-trabajo_estrategia/
Redacción. (2015). ¿Cuál es la mejor edad para conseguir trabajo? (informe). Bankinter. https://www.bankinter.com/blog/finanzas-personales/mejor-edad-para-encontrar-trabajo#:~:t xt=La%20franja%20de%20edad%20que,de%20las%20vacantes%20de%20empleo.
El Economista. (2023, July 20). Empresas de Nuevo León enfrentan alta rotación de personal: Coparmex. El Economista. https://www.eleconomista.com.mx/estados/Empresas-de-Nuevo-Leon-enfrentan-alta-rotacion-de-personal-Coparmex-20230720-0025.html
Sofía, A. (2023). Tasa de rotación de personal en México, ¿cómo mejorarla? Factorial Blog. https://factorial.mx/blog/tasa-rotacion-personal-mexico/#:~:text=Un%20%C3%ADndice%20menor%20al%2015,y%20salidas%20en%20la%20organizaci%C3%B3n.