Visita a la planta

Estando en la planta pude observar de manera cercana los procesos de la empresa, como es la logistica y como es la manufactura de sus productos, fue muy interesante pues pude comprender a un nivel mas personal de que manera viven diario los empleados de FORM, analizar factores que pueden ser areas de oportunidad para FORM estando en los zapatos de los colaboradores.

Es muy diferente escuchar al jefe de la empresa hablar sobre ella que ir directamente a conocer el establecimiento y ver por tus propio ojos el trabajo de las personas y como los hilos se unen para formar una empresa solida.

Antecedentes de la empresa

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.” (Form, 2023)

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.” (Form, 2023)

Objetivos estratégicos

  • Expandir a Texas, en específico San Antonio.
  • Crecer y conseguir clientes en el Bajío.
  • Conseguir clientes en San Antonio y Texas/ socios estratégicos.
  • Crear perfiles ideales para futuras contrataciones.
  • Buscar estrategias para retención y pertenencia de colaboradores

Desempeño reciente

Forms es considerado como un experto en la industria automotriz, en el diseño de empaque y en la generación de ahorros. Un ejemplo de un caso de éxito reciente es el caso Yanfeng. Yanfeng, al contar con un empaque con un costo alto, tenían la necesidad de diseñar un empaque especial a un costo menor. En cuestión de dos días, se le hizo llegar el diseño al cliente directo y se obtuvo la aprobación. Tesla, el usuario final, también aprobó el empaque para que la producción de Yanfeng sea enviada en el empaque propuesto. El gran reto de Forms fue entregar los empaques para que fueran utilizados en la línea de producción en menos de una semana. La entrega se hizo en tiempo y forma y Yanfeng no presentó afectación alguna en su línea y tiempo de producción. Es así como los embarques de Yangeng a Tesla se realizaron conforme a lo planeado, obteniendo un ahorro del 50% en el empaque y entregando el producto de acuerdo con la seguridad y cuidado que requieren los productos de Tipo A.

Form entra al mercado en Estados Unidos con un proyecto para potenciar una estrategia de innovación y desarrollo de nuevos productos empezando a tener presencia en San Antonio Texas con el objetivo de desarrollar nuevos negocios.

# Cargamos las librerias necesarias para leer y graficar nuestros datos:
library(readxl)
library(ggplot2)
library(dplyr)
## 
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
library(tidyr)
library(scales)

Ventas Anuales FORM

# Leemos los datos de ventas de FORM desde un archivo de Excel
Ventas_para_Gra_fica <- read_excel("Ventas para Gráfica.xlsx")

# Creamos una gráfica de dispersión para visualizar las ventas anuales de FORM
# También agregamos una línea de tendencia utilizando el método de regresión lineal
ggplot(Ventas_para_Gra_fica, aes(Year, Sales)) +
  geom_point(colour = "#9A32CD") + # Establecemos el color de los puntos en la gráfica
  geom_smooth(method = "lm", se = FALSE) + # Agregamos la línea de tendencia
  scale_y_continuous(labels = scales::comma) + # Formateamos los valores del eje y para que se muestren con comas
  ggtitle("Ventas por Año FORM") # Agregamos un título a la gráfica
## `geom_smooth()` using formula = 'y ~ x'

Numero de los empleados de FORM por género en diferentes departamentos

# Leemos los datos de recursos humanos de FORM desde un archivo CSV
formdatos <- read.csv("form_rh_datos.csv")

# Creamos una gráfica de barras para visualizar el número de empleados por género en su respectivo departamento
ggplot(formdatos, aes(x = DEPARTAMENTO, fill = GENERO)) +
  geom_bar(position = "dodge") + # Establecemos la posición de las barras para que se muestren una al lado de la otra
  theme(axis.text.x = element_text(angle = 90, vjust = 0.5, hjust = 1)) + # Rotamos el texto del eje x para que sea más legible
  scale_fill_manual(values = c("lightblue", "pink"), name = "Género") + # Establecemos los colores y la leyenda para el género
  labs(title = "Género de los empleados de FORM en diferentes departamentos", # Agregamos un título a la gráfica
       x = "Departamento", # Agregamos una etiqueta al eje x
       y = "Número de empleados") # Agregamos una etiqueta al eje y

Tasa de cambio en Mexico

# Leemos los datos de la tasa de cambio desde un archivo CSV
exchangerate <- read.csv("mx_exchange_rate.csv")

# Creamos un histograma para visualizar la distribución de la tasa de cambio
ggplot(exchangerate, aes(x = mx_exchange_rate)) +
  geom_histogram(fill = "skyblue", bins = 10, colour = "black", size = 0.5) + # Establecemos el color y el número de barras del histograma
  theme_bw() + # Utilizamos un tema en blanco y negro para la gráfica
  ggtitle("Tasa de cambio") # Agregamos un título a la gráfica
## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.

Con esto, podemos intuir algunas cosas como que la mayoría de los empleados son mujeres en todos los departamentos, la variación del tipo de cambio y la relación con las ventas. Esto nos da información interna que podemos usar para el análisis a profundidad que realizaremos en el reto.

Contexto de la industria

# Leemos los datos de producción de automóviles desde un archivo de Excel

datosprod <- read_excel("ProducciondeAutomoviles20222023.xlsx")

# Transformamos los datos a un formato largo para facilitar la creación de la gráfica
data_long <- datosprod %>%
  pivot_longer(cols = c(`2022`, `2023`), names_to = "year", values_to = "value")

# Creamos una función para formatear los valores del eje y
format_y <- function(x) {
  format(x, scientific = FALSE)
}

# Creamos una gráfica de barras para visualizar la producción de automóviles por marca en 2022 y 2023
ggplot(data_long, aes(x = Empresa, y = value, fill = year)) +
  geom_bar(stat = "identity", position = "dodge") + # Establecemos la posición de las barras para que se muestren una al lado de la otra
  theme(axis.text.x = element_text(angle = 90, vjust = 0.5, hjust = 1)) + # Rotamos el texto del eje x para que sea más legible
  scale_y_continuous(labels = format_y) + # Utilizamos la función creada anteriormente para formatear los valores del eje y
  scale_fill_manual(values = c("lightblue", "coral"), name = "Year") + # Establecemos los colores y la leyenda para el año
  labs(title = "Producción de automóviles en México por marca 2022 vs 2023", # Agregamos un título a la gráfica
       x = "Marca", # Agregamos una etiqueta al eje x
       y = "Número de automóviles producidos") # Agregamos una etiqueta al eje y

# Leemos los datos de inversión extranjera en la industria del cartón desde un archivo de Excel
datosinver <- read_excel("inversionextranjeraindustriacarton.xlsx")

# Creamos una gráfica de barras para visualizar la inversión extranjera en la industria del cartón por estado
ggplot(datosinver, aes(x = State, y = Investment, fill = Investment)) +
  geom_bar(stat = "identity") + # Establecemos el tipo de gráfica como barras y utilizamos los valores de inversión directamente
  scale_y_continuous(labels = scales::comma) + # Formateamos los valores del eje y para que se muestren con comas
  geom_text(aes(label = scales::comma(Investment)), hjust = -0.4, vjust = -0.5) + # Agregamos etiquetas a las barras para mostrar los valores de inversión
  scale_fill_gradient(low = "red", high = "green", labels = scales::comma) + # Establecemos un gradiente de color para las barras basado en el valor de inversión
  coord_flip() + # Giramos la gráfica para que las barras se muestren horizontalmente
  theme(legend.position = "none") # Ocultamos la leyenda ya que no es necesaria en este caso

Cartón: El productor más importante de papel a nivel mundial es China (27 %), seguido por Estados Unidos (18 %), Japón (6.5 %) y Alemania (5.5 %). Estos países son también los mayores consumidores. Por su parte, México ocupa el lugar 16 con el 1.3 % de la producción mundial.

Automotriz: México es el país latinoamericano que produce la mayor cantidad de vehículos a motor y también ostenta la séptima posición entre los mayores productores automovilísticos a nivel mundial.

FODA

Fortalezas:

  • FORM tiene bonos y prestaciones para sus empleados.
  • Son confiables para marcas que buscan sus servicios.
  • En FORM buscan proteger los productos automotrices, sin embargo, también buscan cumplir con las necesidades operativas, almacenamiento y producción.
  • Conocen acerca del mercado en el que están y buscan expandir en plantas de producción y distribución.
  • Están en las industrias de automóviles y cartón, que son poco volátiles y son confiables.
  • Estructura Organizacional clara y específica.
  • Tienen como gran parte del enfoque el ser sustentables con sus productos retornables y de cartón.

Oportunidades:

  • Expansión/ estrategia de comercialización en San Antonio, Estados Unidos y en el Estado de Texas.
  • Inversiones de más de 3,500 MDD para la industria automotriz en los últimos 2 años (Forbes, México 2022).
  • México es el país latinoamericano que produce la mayor cantidad de vehículos a motor y también ostenta la séptima posición entre los mayores productores automovilísticos a nivel mundial.
  • Brasil es el principal socio comercial de México en América Latina. En esta relación bilateral, el intercambio de vehículos y autopartes es fundamental, ya que el comercio automotriz representa casi la mitad de los flujos comerciales bilaterales.

Debilidades:

  • Nivel alto de rotación de personal para la manufactura de los productos.
  • Uso bajo a casi nulo de redes sociales, poco engagement en ese lado.
  • Baja atracción de talento.
  • Competidores con alto poder de negociamiento.

Amenazas:

  • Cambios en el gobierno norteamericano a finales del 2024.
  • Cambio a vehículos eléctricos desfasados.
  • Consideración de producción fuera de Estados Unidos debido a los impuestos de importación (Infor, 2022).
  • Baja en el precio del dólar, reduciendo márgenes de utilidad.

FODA Cruzado

F+O: Al estar involucrado en una industria de crecimiento constante anualmente y con inversiones que se elevan a los 3.500 MDD las operaciones de FORM y la propuesta de valor que dan con las soluciones que ofrecen les dan el lugar para posicionarse como una empresa mexicana trabajando con empresas internacionales con clientes cada vez más grandes y potencial de crecimiento exponencial.

D+A: Debido a la situación actual de la depreciación de la moneda americana, siendo que la mayor parte de las ventas de form son en esta divisa, las ganancias pueden verse afectadas y la inversión que la empresa pueda hacer a corto plazo se pueden ver afectadas. Sin embargo, conociendo la situación que afronta, la empresa se debe acomodar y actualizar en sus procesos de acercamiento con los clientes, y diversificar sus medios de comunicación.

D+O: Siendo que la industria automotriz está muy estable y con crecimiento a futuro, las oportunidades obtención de nuevos clientes está muy presente, por lo que adaptarse a nuevos medios para conseguir nueva clientela utilizando medios como linkedin, facebook, instagram puede ser un área de oportunidad grande para el aprovechamiento de FORM. No solo esto, sino también sirve para la atracción de talento que ayude a FORM a redefinir procesos y agilizar el cierre de ventas.

F+A: En FORM son muy versátiles y pueden adaptarse a los que los clientes pidan, aún si los carros se vuelven eléctricos. La empresa ha trabajado con clientes en Estados Unidos y conocen las políticas del gobierno, de igual manera reducirán el tipo de servicios que ofrecen allá, por ejemplo usar puros retornables.

PESTLE de la industria automotriz en México y Estados Unidos

Políticos: - Cambio de administración tanto en el gobierno mexicano como americano en el 2024. - Beneficios fiscales que la próxima administración le brinde a la industria automotriz en México. - Ajuste de la industria mexicana de requisitos solicitados por el T-MEC.

Económicos: - Inversión extranjera a la industria automotriz en México, conocida como nearshoring. Un claro ejemplo es la decisión de Tesla por instalar una gigafactory en Nuevo León. - Devaluación del dólar en los últimos meses. - Se estima que la economía mexicana se ralentiza en 2024 debido a la incertidumbre económica en Estados Unidos. - El crecimiento económico y laboral en Estados Unidos va mejor de lo pronosticado, aunque se espera que algunos sectores se debilitaran en 2024.

Social: - Aumento en la demanda por vehículos eléctricos en ambos países. - La sociedad se ha empezado a preocupar por el cuidado del medio ambiente, aumentando el interés por adquirir vehículos eléctricos e híbridos. - Reactivación post pandemia de COVID 19 lo cual reactivó la necesidad de movilización.

Tecnológicos: - La industria automotriz a nivel mundial está experimentando una transformación hacia la electrificación y la tecnología avanzada. México también ha estado buscando adaptarse a esta tendencia, atrayendo inversiones para la producción de vehículos eléctricos y componentes relacionados. - Aumento en la tendencia de los vehículos autónomos que tiene el potencial de revolucionar la movilización.

Legales: - Ley de Transición Energética en donde se impulsa y promueve el uso de tecnologías y combustibles alternativos en México. - Discusión de Ley de Electromovilidad que contempla una extensión a los incentivos fiscales a la importación de vehículos eléctricos e incentivos económicos. - Establecimiento de normas estrictas en Estados Unidos que buscan garantizar que al menos el 67 por ciento de los autos vendidos en 2032 sean eléctricos. - Surgimiento de nuevas normas que obliga a las armadoras a incorporar nuevos sistemas de seguridad en los modelos a partir de 2024.

Ecológicos: - México está experimentando una escasez de agua y hay una clara desigualdad en su distribución. Esto es una gran desventaja para las industrias en el país. - En los últimos años, la contaminación ambiental en Estados Unidos ha alcanzado niveles sin precedentes.

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 analisis

1-¿La distancia entre la residencia del empleado y FORM, es un factor para que se den de baja de la empresa?

2-¿Cuál es el Estado civil de los empleados y esto tiene relevancia en quién se dio de baja?

3-Media, mediana y moda de la duración de los empleados en FORM.

4-¿Es más probable que un empleado se dé de baja si tiene un puesto más abajo?

5-¿Cuál fue el motivo más recurrente por el cual los empleados voluntariamente renunciaban de FORM?

#Insertar nueva base de datos
library(readr)
## 
## Attaching package: 'readr'
## The following object is masked from 'package:scales':
## 
##     col_factor
base_de_datos_eq_2 <- read_csv("C:\\Users\\aleja\\Documents\\R files\\base.csv")
## Rows: 279 Columns: 8
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (6): colonia, estado_civil, tipo_de_baja, puesto, genero, rango_de_edad
## dbl (2): N_de_empleado, dias_en_la_empresa
## 
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
#Visualización de los primeros 6 renglones
primeros_renglones <- head(base_de_datos_eq_2, n = 6)
View(primeros_renglones)

Glosario de Variables:

  • N. de empleado: Esta variable es necesaria para identificar al empleado y conocer con exactitud sus datos personalizados.
  • Colonia: Esta variable nos permite determinar si la distancia entre la residencia del empleado y FORM afecta su baja.
  • Estado civil: Esta variable nos ayuda a identificar el estado civil predominante entre los empleados que se dan de baja.
  • Días en la empresa: Esta variable nos permite conocer el promedio de rotación de empleados en FORM.
  • Tipos de baja: Esta variable nos permite conocer si la baja fue voluntaria o inducida.
  • Puesto: Esta variable nos permite identificar los puestos con mayor número de bajas.

Análisis Exploratorio de Datos (EDA):

  • ¿Qué es un análisis exploratorio de datos (EDA)? Un análisis exploratorio de datos (EDA) es un proceso clave en el proceso de analítica de datos en el cual se emplean estadísticos descriptivos de resumen y gráficas para examinar y comprender de mejor manera una base de datos, antes de aplicar un modelo predictivo o técnicas estadísticas complejas. Este proceso se lleva a cabo al principio de un proyecto de Data Analytics.
  • ¿Cuál es el propósito de realizar un análisis exploratorio de datos (EDA)? El propósito principal de este proceso es identificar patrones y tendencias, valores atípicos, comprender relaciones entre variables y generar preguntas de análisis relevantes que se pueden resolver más adelante en el proyecto mediante un análisis estadístico más profundo.

Estadisticos descriptivos

# Tamaño de la muestra
n <- length(base_de_datos_eq_2$N_de_empleado)
cat("Tamaño de la muestra: ", n, "\n")
## Tamaño de la muestra:  279
# Media
media <- mean(base_de_datos_eq_2$dias_en_la_empresa)
cat("Media: ", media, "\n")
## Media:  78.15412
# Mediana
mediana <- median(base_de_datos_eq_2$dias_en_la_empresa)
cat("Mediana: ", mediana, "\n")
## Mediana:  30

Medidas de disperción

# Rango de días en la empresa
rango <- max(base_de_datos_eq_2$dias_en_la_empresa) - min(base_de_datos_eq_2$dias_en_la_empresa)
cat("Rango: ", rango, "\n")
## Rango:  1966
# Varianza
varianza <- var(base_de_datos_eq_2$dias_en_la_empresa)
cat("Varianza: ", varianza, "\n")
## Varianza:  38649.5
# Desviación estándar
desviacion_estandar <- sqrt(varianza)
cat("Desviación estándar: ", desviacion_estandar, "\n")
## Desviación estándar:  196.5948

#Graficos

library(ggplot2)
library(tidyverse)
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ forcats   1.0.0     ✔ stringr   1.5.0
## ✔ lubridate 1.9.2     ✔ tibble    3.2.1
## ✔ purrr     1.0.2     
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ readr::col_factor() masks scales::col_factor()
## ✖ purrr::discard()    masks scales::discard()
## ✖ dplyr::filter()     masks stats::filter()
## ✖ dplyr::lag()        masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
#Grafica de barras del estado civil 
ggplot(base_de_datos_eq_2, aes(estado_civil)) + geom_bar(aes(fill=estado_civil), width=0.5)+
  xlab("Estado Civil") +
  ylab("Numero de Empleados")+ ggtitle("Bajas por Estado Civil")

La gráfica representa el estado civil de los empleados de FORM, con una columna para cada género en cada estado civil, excepto para la Unión Libre. Según la gráfica, la mayoría de los empleados son mujeres solteras, mientras que la minoría son mujeres casadas. Esto podría sugerir que la empresa tiene una fuerza laboral joven o que hay una tendencia hacia el matrimonio tardío entre las mujeres en la empresa. Este fenomeno tambien ocurre para los hombres, pero a un menor grado.

#Grafica de barras por puesto
ggplot(base_de_datos_eq_2, aes(puesto)) + geom_bar(aes(fill=puesto), width=0.5)+
  xlab("Puesto de trabajo") +
  ylab("Cantidad de empleados") +
  theme(axis.text.x = element_text(angle = 90, hjust = 1))+ ggtitle("Cantidad de Empleados por Puesto")

Este gráfico muestra la relación entre el tipo de puesto y la cantidad de empleados en la empresa. Como se puede observar, el puesto de Ayudante General ocupa el primer lugar en términos de cantidad de empleados, con una diferencia significativa respecto a los demás puestos. Esto puede presentar un desafío al analizar el tipo de bajas por puesto, ya que la cantidad de empleados en otros puestos es considerablemente menor.

ggplot(base_de_datos_eq_2, aes(x = puesto, fill = tipo_de_baja)) +
  geom_bar(position = "stack") +
  xlab("Puesto de trabajo") +
  ylab("Cantidad de Bajas") +
  labs(fill = "Motivo de baja") +
  theme(axis.text.x = element_text(angle = 90, hjust = 1))+ ggtitle("Motivos de Baja por Puestos")

Este gráfico ilustra la relación entre el tipo de baja y el puesto correspondiente. Como se puede observar, la mayoría de las bajas se debieron a separaciones voluntarias. El puesto de trabajo que registró más bajas fue el de ayudante general. Sin embargo, este resultado era esperado, ya que la mayoría de los empleados de la empresa ocupan este puesto.

#Gráfico de barras por rangos de edad
ggplot(base_de_datos_eq_2, aes(rango_de_edad)) + geom_bar(aes(fill=rango_de_edad), width=0.5)+
  xlab("Rango de edad") +
  ylab("Cantidad de empleados dentro del rango") +
  theme(axis.text.x = element_text(angle = 90, hjust = 1))+ ggtitle("Cantidad de Empleados dentro del rango")

Para esta gráfica segmentamos en diferentes rangos de edad, Jovenes: 18-25 años Adultos Jovenes: 26-35 Adultos: 36-50 Adultos Mayores:+50 Esto nos sirve para identificar que rango de edad tenemos mas dentro de la empresa lo cual es fundamental para las implementaciones y recomendaciones que se haran, ya que deben estar adecuadas a las generaciones a quienes van dirigidas para que se puedan efectuar.

Puestos por Género

# Crear una tabla de contingencia
contingencia <- table(base_de_datos_eq_2$puesto, base_de_datos_eq_2$genero)

# Imprimir la tabla de contingencia
contingencia
##                            
##                             Femenino Masculino
##   Auxiliar de Embarques            1         0
##   Ayu. De Pintor                   0         1
##   Ayudante de Embarques            0         5
##   Ayudante de Soldador             0         2
##   Ayudante General               141        94
##   Ayudante general-Cedis           0         2
##   Calidad                          1         0
##   Chofer                           0         1
##   Chofer Gestor                    0         2
##   Costurera                        2         0
##   Costurero                        0         1
##   Enfermera                        1         0
##   Gestor                           0         1
##   Guardia de Seguridad             0         1
##   Inspector de calidad             1         1
##   Inspectora De Calidad            1         0
##   Limpieza                         1         0
##   Materialista                     0         2
##   Montacarguista                   0         4
##   Pintor                           0         2
##   Residente                        0         3
##   Residente YanFeng Cienega        0         1
##   Soldador                         0         7

Basándonos en la información presentada en la tabla, podemos asumir que hay una mayor cantidad de empleados femeninos en el puesto de “Ayudante General” en comparación con los empleados masculinos. También podemos observar que hay algunos puestos que son ocupados exclusivamente por empleados de un solo género, como “Auxiliar de Embarques” y “Calidad” que son ocupados solo por empleadas femeninas, mientras que puestos como “Ayu. De Pintor” y “Ayudante de Soldador” son ocupados solo por empleados masculinos.

Cantidad por Tipo de Bajas

# Crear una tabla de frecuencias para la variable tipo de baja
frecuencias <- table(base_de_datos_eq_2$tipo_de_baja)

# Convertir la tabla de frecuencias en un data frame
frecuencias_df <- as.data.frame(frecuencias)

# Renombrar las columnas del data frame
colnames(frecuencias_df) <- c("Tipo de baja", "Cantidad")

# Imprimir el data frame
frecuencias_df
##                           Tipo de baja Cantidad
## 1                             Inducida       12
## 2 Inducida (Faltas no dio los tiempos)        1
## 3                    Inducida (Faltas)        2
## 4                            Inducida.        1
## 5                Separacion voluntaria      263

Hay 12 empleados que han experimentado una baja inducida, mientras que hay 1 empleado que ha experimentado una baja inducida debido a faltas y no cumplir con los tiempos. El tipo de baja con la mayor cantidad de empleados es la “Separación voluntaria”, con 263 empleados.

¿Qué tipo de información / datos solicitarías al socio formador para mejorar EDA?

Con el fin de mejorar los insights recabados, la empresa podria emplear diferentes preguntas metodicas en sus encuestas para los empleados. Preguntas con rangos numericos, escalas de satisfaccion, elegir una respuesta mas cercana a su opinion; esto con el fin de poder hacer un analisis estadistico mas preciso que tenga en cuneta la opinion de los empleados y que aporte a poder hacer mejoras en el area de recursos humanos para refortalecer a FORM.

¿Qué tipo de información / datos de fuentes secundarias buscarías para mejorar EDA?

Por mi parte, sería de mucha ayuda hacer un benchmark conociendo que han hecho otras empresas para mejorar su programa de lealtad de los empleados hacia la empresa. FORM no es la primer empresa en tener problemas de alta rotación de empleados, pero puede ayudarse de información que otras empresas han aprendido con los años y que les ha funcionado para solucionar los problemas.

También me apoyaría de hacer focus groups, juntas de empleados, actividades de equipo para concocer a los trabajadores, y no solo basarme en numeros pero tambien en la parte personal con los empleados.

Reflexión

Hallazgos

Entre los principales hallazgos que se obtuvieron analizando los datos otorgados por la empres son que el puesto con mas volumen de empleados es de “Ayudante General, además de esto, la gran mayoría de personas en el puesto son mujeres, también en el puesto de auxiliar de Embarques y Calidad, esta otorgado a mujeres, mientras que el puesto de ayudante de pintor y ayudante de soldador son meramente hombres los que ocupan el puesto. También vemos como la rotación mayor esta en el puesto de ayudante general, siendo que es el puesto con mas personas, también es en el que hay mas rotación, siendo el puesto mas “básico” en la empresa y las personas no ven consecuencias en dejar el puesto en cualquier momento.
Otro punto que observamos es que en gran parte, los colaboradores son mujeres solteras, y en menor son mujeres y hombres casados, vemos que una parte importante de los trabajadores son personas jóvenes, lo que nos lleva a la idea de que muchas personas ven el empleo como un empleo temporal, tal vez algo de temporada como trabajo de verano o de vacaciones, por ende, es donde observamos la rotación fuerte, habrá que analizar las fechas donde hay mas bajas y hacer un análisis al respecto que refuerce esta hipótesis.

Sugerencias

En la platica de los analistas invitados a clase me llamo la atencion el foco que le dieron a la parte de darle foco a variables micro y macro que puedan estar afectando tu graficas y tu analisis. Es importante comprender que mientras mas pequeños sean tus datos, mas micro puedes observar las variables por las cuales estan sucediendo las cosas. En nuestro caso que estamos analizando el caso de recursos humanos de FORM, muchas cosas pueden estar sucediendo dentro de la empresa o insludo variables externas que estan afectando directamente a esta, es por eso que teniendo en cuenta estos factores podemos generar insights valiosos que a la empresa le puede servir para trabajar en sus areas de oportunidad.