Evidencia 1
Enrique Monsivais Silos - A01382962
2023-09-13
FORM
PARTE I – EXPLORAR Y CONOCER LA EMPRESA Y SU CONTEXTO
La comprensión del negocio es fundamental para identificar los objetivos comerciales de nuestro cliente, evaluar su situación actual y descubrir información valiosa que respalde la toma de decisiones estratégicas.
Resumen de la sesión de kick off del Socio Formador - FORM
El resumen se encuentra en el anexo de este documento
Antecedentes de la Empresa FORM
Visión
En 2033 seremos una de las cinco mejores compañías de México que generan valor dentro de la cadena de suministro de las industrias que más valoran la forma en la que se protegen y trasladan las cosas.
Misión
Transformar nuestro entorno y resolver retos industriales de nuestros clientes a través de la colaboración, provocando nuevas oportunidades que potencian nuestro modelo de negocio, para alcanzar nuestros ideales.
Objetivos Estratégicos
- Tecnificar la producción
- Utilizar más los datos para la toma de decisiones
- Generar un sentido de pertenencia en los colaboradores
- Diversificación extranjera en Estados Unidos para incrementar presencia
- Ser de las empresas que mejor paguen en Nuevo León
Desempeño de la Empresa
Librerías
A continuación se muestran las librerías que se utilizaron tanto para la Parte 1 y Parte 2, esto con el propósito de realizar el análisis y visualización de datos de FORM y su Industria.
library(tidyverse)
library(foreign)
library(ggplot2)
library(dplyr)
library(scales)
library(ggrepel)
library(readxl)
library(writexl)
library(psych)
library(lubridate)
library(opencage)
library(httr)
library(geosphere)
library(leaflet)
library(janitor)
library(rpart)
library(rpart.plot)
library(ggmap)
library(forcats)
library(riem)
library(plotly)Paleta de Colores
Se ha diseñado una paleta de colores personalizada con el propósito de dotar al documento de un estilo atractivo y distintivo que refleje la identidad personal.
colores_base <- c("#E3669B", "#479ABD", "#B37EBE")
generar_variantes <- function(color, n) {
color_fun <- colorRampPalette(c("#FFC5D9", color))
return(color_fun(n))
}
mi_paleta <- c(colores_base, generar_variantes(colores_base[1], 10), generar_variantes(colores_base[2], 10), generar_variantes(colores_base[3], 10))Carga de las bases de datos
Se crearon dataframes para las bases de datos de FORM y la Industria.
Autoparts<-read.csv("C:\\Users\\enriq\\OneDrive\\Documentos\\Datos a Desiciones\\Evidencia_2\\US_Auto_Parts_Industry.csv")
CarProduction<-read.csv("C:\\Users\\enriq\\OneDrive\\Documentos\\Datos a Desiciones\\Evidencia_2\\US_Auto_Production_Sales.csv")
ImpCartonBox<-read.csv("C:\\Users\\enriq\\OneDrive\\Documentos\\Datos a Desiciones\\Evidencia_2\\Importers of Cartons boxes cases of corrugated paper or board 2020-2021.csv")
ExpCartonBox<-read.csv("C:\\Users\\enriq\\OneDrive\\Documentos\\Datos a Desiciones\\Evidencia_2\\Exporters of Carton boxes cases of corrugated paper or board 2020-2021.csv")
RH_info<-read.csv("C:\\Users\\enriq\\OneDrive\\Documentos\\Datos a Desiciones\\Evidencia_2\\form_rh_datos.csv")
Data1 <- read.csv("C:\\Users\\enriq\\OneDrive\\Documentos\\Datos a Desiciones\\Evidencia_2\\mx_exportacion_autos.csv")
RHB <-read.csv("C:\\Users\\enriq\\OneDrive\\Documentos\\Datos a Desiciones\\Evidencia_2\\form_rh_bajas_datosB.csv")
Ndatos<- read.csv ("C:\\Users\\enriq\\OneDrive\\Documentos\\Datos a Desiciones\\Evidencia_2\\hybrid_car_units.csv")
mx_exauto <- read.csv("C:\\Users\\enriq\\OneDrive\\Documentos\\Datos a Desiciones\\Evidencia_2\\mex_exports_autoparts.csv")
Autopartes <- read.csv("C:\\Users\\enriq\\OneDrive\\Documentos\\Datos a Desiciones\\Evidencia_2\\Autopartes.csv")
ventas_carton <- read.csv("C:\\Users\\enriq\\OneDrive\\Documentos\\Datos a Desiciones\\Evidencia_2\\ventas.csv")Gráficas RH
Se realizaron gráficos que nos permiten entender mejor a FORM
RH1<-RH_info%>%select(FECHA.DE.NACIMIENTO,GENERO,FECHA.DE.ALTA,Primer.mes,X4to.mes,PUESTO,DEPARTAMENTO,SALARIO.DIARIO.IMSS,ESTADO.CIVIL,TARJETA.CUENTA)
ggplot(RH1, aes(PUESTO, fill = GENERO)) +
labs(title = "Distribución de Género Por Puesto de Trabajo", x = "Puesto (Abreviado)", y = "Número de Personas") +
geom_bar(position = "dodge") +
scale_fill_manual(values = mi_paleta) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 90, hjust = 1))
Este gráfico ilustra la distribución de género según los distintos puestos de trabajo. Es evidente que en el área de FORM, particularmente en el puesto de ayudante general, se observa una predominancia significativa de mujeres.
RHB <- rename (RHB,MOTIVO.DE.BAJA = "MOTIVO.DE.BAJA")
Bajas_por_genero<- select(RHB,GENERO,MOTIVO.DE.BAJA)
ggplot(Bajas_por_genero, aes(GENERO))+geom_bar(aes(fill=MOTIVO.DE.BAJA), width = 0.5)+ggtitle ("Motivos de baja por genero")+ theme_minimal() + scale_fill_manual(values = mi_paleta)
Se aprecia una marcada disparidad de género entre los empleados, con un claro predominio de mujeres sobre hombres. Del mismo modo, destaca una considerable discrepancia en los motivos de ausencia entre los trabajadores, siendo las faltas el motivo principal tanto para hombres como para mujeres. Esta situación resulta preocupante para FORM, ya que indica una falta de responsabilidad laboral y un compromiso insuficiente por parte de los empleados hacia la empresa.
ggplot(RHB, aes(GENERO)) +
geom_bar(aes(fill = GENERO), width = .25) + # Utiliza GENERO para determinar los colores
labs(title = "Distribución de Género por Días Laborados ante de Salir",
x = "Género",
y = " Promedio de Días de trabajo") +
theme_minimal() + scale_fill_manual(values = mi_paleta)
En el gráfico se representan los días laborados antes de la salida de la empresa, clasificados por género. Destaca que las mujeres presentan un promedio de días trabajados superior al de los hombres. Es evidente que los hombres que abandonaron la empresa lo hicieron después de un período laboral que oscila en torno a los 100 días, mientras que las mujeres permanecieron en promedio cerca de 130 días antes de su partida.
rh_m <- RH_info %>%
slice(-22)
municipios <- rh_m %>%
filter(ESTADO=="NUEVO LEON") %>%
group_by(MUNICIPIO, GENERO) %>%
summarise(total_personas = n_distinct(NOMBRE))
ggplot(municipios, aes(x = reorder(MUNICIPIO, -total_personas), y = total_personas, fill = GENERO)) +
geom_col() +
labs(title = "Colaboradores por Municipio",
x = "Municipio",
y = "Total de Personas",
fill = "Género") +
theme_minimal() +
scale_fill_manual(values = mi_paleta) +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
El gráfico presenta la asignación de cada colaborador a su respectivo municipio de origen. Esta información nos proporciona la capacidad de evaluar la distancia o el tiempo requerido para que los empleados lleguen a la planta. A partir de estos datos, podemos tomar decisiones relacionadas con el transporte para el personal o incluso identificar posibles riesgos logísticos y de gestión.
Desempeño Reciente de FORM
Galardonado con el Premio Nacional de Envase en múltiples ocasiones (2010, 2014, 2015, 2016, 2017, 2019 y 2022), en reconocimiento a su enfoque en la sostenibilidad de envases y embalajes como fruto de la innovación.
Poseedor de una patente global que revoluciona la logística al permitir a las empresas reducir su espacio de almacenamiento y lograr ahorros significativos. Se trata de una caja que disminuye el espacio necesario en almacén y aumenta la capacidad de empaque en un rango del 10 al 15% para productos del sector automotriz.
En 2022, FORM estableció una valiosa colaboración con Tesla, proporcionando cajas de cartón personalizadas para una línea especializada que incluye componentes visuales, electrónicos y de Clase A.
En los últimos cinco años, la empresa ha experimentado un crecimiento impresionante, logrando duplicar sus resultados. Incluso durante la pandemia, pudo mantener su volumen de ventas.
Gracias a inversiones realizadas en años anteriores, FORM ha obtenido la certificación ISO 9000-2015, demostrando su compromiso con la calidad y la excelencia en sus operaciones.
Factores Diferenciadores de FORM
- Especialización en la producción de cartón corrugado.
- Una trayectoria de años de experiencia en la industria.
- Amplia versatilidad en el diseño de envases retornables.
- Servicios de consultoría en ingeniería de empaque.
- Ofrecemos un software especializado en la gestión eficiente de empaques.
- Enfoque en la expansión de nuestra base de clientes.
Contexto de la Industria
Análisis de la Industria (Cartón, Autopartes, Automotriz) en México y Estados Unidos, utilizando datos de fuentes secundarias y las bases de datos proporcionadas por el profesorado.
Industria Automotriz
México
Sobre la Industria Automotriz de acuerdo con Data México y el DENUE 2022 la fabricación de automóviles y Camiones registró 73 unidades económicas; siendo CDMX (9), EDOMEC (9) y Nuevo León (7) los estados con más unidades. Otros estados del norte qué cuentan con un número significante de unidades económicas son Baja California y Coahuila de Zaragoza.
Los Estados qué más han recibido Inversión Extranjera Directa en 2022, fueron Guanajuato ($989 millones de USD), CDMX ($515 millones de USD) y Baja California ($329 Millones de USD); estas inversiones provienen de 3 principales países siendo estos Estados Unidos con $1,327 Millones de USD, Japón con $911 Millones de USD y Corea del Sur con $507 millones de USD.
Esta información es importante tenerla ya qué nos permite conocer en qué estados se está produciendo e invirtiendo más en lo Automotriz y por ende pueden ser zonas de oportunidad en donde la empresa puede ofertar sus productos y servicios de empaque de autopartes; a la vez el hecho de saber qué países están invirtiendo puede ayudar a conocer a qué tipo de cliente se le estará intentando vender, y en caso de qué la relación de negocio sea exitosa, a qué países en un futuro se puede expandir.
A la vez Carlier Mathilde (2021), Reserch Expert de Statista, comenta qué de acuerdo a las previsiones del mercado la Industria automotriz apunta a un crecimiento constante en los próximos 4 años, esto se traduce a qué FORM seguirá teniendo demanda y podría aumentar al pasar de estos 4 próximos años. Además, comenta qué gracias al acuerdo USMCA entre USA, México y Canadá, se renovaron las regulaciones de libre comercia, por lo que la expansión de FORMS a San Antonio y su exportación a USA no debería contener inconvenientes legales.
USA
Según datos de Mordor Intelligence Estados Unidos es una de las principales industrias automotrices en el mundo ya que contribuye con un 3% de producto interno bruto en todo el país. En el año 2022 la producción de vehículos tuvo un total de 10,060,339 unidades lo que en su caso es un crecimiento de 9.74% respecto al 2021.
De acuerdo con datos de Bankinter Estados Unidos se posiciona en el segundo puesto de fabricación de coches previstos para el 2023.
En Estados Unidos los principales vendedores de autos en el año 2022 fueron General Motors, Toyota Motor y Ford. De los cuales los principales estados son: Michigan Ohio indiana Kentucky Tennessee Alabama Texas y California.
En Texas se encuentran una de las industrias automotriz más importantes las cuales son Toyota General Motors y Tesla. Tesla tiene su mega fábrica en el área de Austin y se espera que el proyecto cree 5000 nuevos empleos y más de 1000 millones de dólares en inversión de capital. Además de esto en Texas según datos de la “SPC pro” representó el 20% del total de Estados Unidos en la industria automotriz.
Gráficas de la Industria Automotriz
Exportaciones de Autos en México por Marca
Exportaciones <-Data1 %>% group_by(Marca) %>% summarise(num_exportaciones=n()) %>% arrange (desc(num_exportaciones))
Marca_mas_exportaciones <- Data1 %>% filter(Marca %in% c("Nissan","Volkswagen","General Motors","Chrysler","Mazda","Ford Motor","KIA","Honda","Fiat","Audi"))
ggplot(Marca_mas_exportaciones,aes(Marca,fill=Marca))+geom_bar()+ggtitle ("Top 10 Exportaciones por Marca") + theme_minimal() + scale_fill_manual(values = mi_paleta) +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
La marca con el mayor volumen de exportaciones anuales es Nissan, con casi 24,000 unidades. Esto resulta beneficioso para el socio formador, ya que al ser una marca de origen japonés, le proporciona acceso al mercado de clientes que son de interés para FORM.
Regiones <- filter(Ndatos,region %in%
c("Centro-Norte","Norte","Norte-Occidente","Centro","Sur"))
ggplot(data=Regiones,
aes(x=region,y=hybrid_car_units,fill=region
)) + geom_boxplot() + ylim(0,1000) +
theme_minimal() + ylab("Unidades de carros hybridos") +
ggtitle("Unidades de carros hybridos por zonas de México") + theme(axis.text.x = element_text(angle = 45, hjust = 1)) + scale_fill_manual(values = mi_paleta)
En este gráfico, se observa la distribución de vehículos híbridos por regiones de México. La zona con las mayores ventas se encuentra en el Norte, mientras que el mejor rendimiento se registra en la región Noroeste. Por otro lado, se nota que la zona menos favorecida en términos de ventas de vehículos híbridos es la del Sur.
Autopartes
México
De acuerdo con Data México y el Censo Económico 2019, la producción bruta del Comercio al por Menor de Partes y Refacciones para Automóviles, Camionetas y Camiones, fue de un total de $89,695 millones de pesos; los estados con mayor producción fueron CDMX con $8,898 millones de pesos y Jalisco con $8,457 millones de pesos. Este dato es importante a considerar porque permite qué estados son los que más están produciendo autopartes en México y por ende son clientes potenciales para FORM.
Los Estados qué más han recibido Inversión Extranjera Directa en 2022, fueron Querétaro ($14 millones de USD), Coahuila de Zaragoza ($2.71 millones de USD) y CDMX ($2.69 Millones de USD); estas inversiones provienen de 3 principales países siendo estos Japón, Corea del Sur y Canadá. Esta información es importante tenerla, ya que nos permite conocer en que estados se está produciendo e invirtiendo más en el Comercio de Autopartes al por Menor y por ende pueden ser zonas de oportunidad en donde la empresa puede ofertar sus productos y servicios de empaque de autopartes; a la vez el hecho de saber qué países están invirtiendo puede ayudar a conocer a qué tipo de cliente se le estará intentando vender, y en caso de qué la relación de negocio sea exitosa, a qué países en un futuro se puede expandir.
También Statista nos ayuda a corroborar que esta industria seguirá en demanda, ya que pronostico qué el ingreso de esta industria pasará de $11,27 Billones de USD en 2022 a $13,98 Billones de USD en México, por lo que los clientes actuales de esta industria seguirán necesitando paquetes y cajas de FORM.
USA
La industria de autopartes en Estados Unidos está estimada en 205.81 miles de millones de dólares, y se espera tener un crecimiento de 4.1% del 2023 al 2030. El mayor mercado en Estados Unidos para las autopartes son los aires acondicionados, suspensiones, interiores, transmisiones, sistemas de maniobra, radios, radiadores, tecnología, frenos, entre otros.
Otra de las medidas tendencias que pueden hacer que el mercado crezca en Estados Unidos es el incremento en la venta de vehículos electrónicos los cuales necesitan varias partes y la venta anual de vehículos eléctricos en Estados Unidos pasó 172.1 miles de unidades en 2021 lo que indica una demanda alta por partes y componentes que necesita el mercado Estados Unidos también es el más grande mercado en este tipo de vehículos con manufactureras como Cadillac GMC Tesla Chrysler las cuales lideran el mercado de vehículos electrónicos.
Texas en el mercado de autopartes aparte de cero un albergue de industrias muy grandes también tiene una mezcla de fabricantes y proveedores que ayudan a su economía automotriz.
Gráficas de la Industria de Autopartes
resultados <- mx_exauto %>%
filter(year >= 2020) %>%
group_by(year, State) %>%
summarise(ventas_totales = sum(trade_value))
ggplot(resultados, aes(x = reorder(State, -ventas_totales), y = ventas_totales, fill = factor(year))) +
geom_bar(stat = "identity", position = "dodge") +
labs(title = "Ventas Totales por Año y Estado",
x = "Estado",
y = "Ventas Totales",
fill = "Año") +
theme_minimal() +
theme(legend.position = "top") +
theme(axis.text.x = element_text(angle = 90, hjust = 1)) +
scale_y_continuous(labels = scales::comma) +
scale_fill_manual(values = mi_paleta)
En este gráfico, se representa la contribución de los diferentes estados de México a las exportaciones de autopartes, lo que nos proporciona una visión general de las áreas geográficas con un mayor volumen de exportación de autopartes a mercados extranjeros. Estos datos son fundamentales para tomar decisiones estratégicas, como la selección de ubicaciones estratégicas para almacenes, centros de distribución o incluso instalaciones de producción.
ggplot(Autopartes, aes(x = year)) +
geom_bar(aes(y = imports_from_US, fill = "Importaciones desde US"), stat = "identity", position = "dodge") +
geom_bar(aes(y = total_imports - imports_from_US, fill = "Total de importaciones"), stat = "identity", position = "dodge") +
labs(title = "Importaciones de Autopartes por Año",
subtitle = "Industria Automotriz",
caption = "Mexico Automotive Industry - International Trade Administration - USD Billions",
x = "Año",
y = "Importaciones") +
scale_fill_manual(values = c("Importaciones desde US" = "#E3669B", "Total de importaciones" = "#479ABD")) +
theme_minimal() +
labs(fill = "Tipo de Importación")
Tanto las importaciones totales como las provenientes de Estados Unidos han mostrado un incremento constante a lo largo de los años, a excepción del año 2020, que registró una disminución debido a la pandemia de Covid-19. Sin embargo, posteriormente, se observó una recuperación en el comportamiento de las importaciones. Es destacable que las importaciones procedentes de Estados Unidos constituyen más del 50% del total de importaciones, lo que resalta la significativa influencia de esta fuente comercial en la economía.
Cartón
México
Según datos de Euromonitor (2022), El mercado de papel corrugado, cartón y contenedores en México ocupa el primer lugar en Latinoamérica, al igual que su crecimiento del tamaño de mercado. El número de empresas presente en esta industria en 2021 fue de 8984 y va en crecimiento; aunque se podría decir qué la industria está fragmentada, ya que solo las 5 empresas más grandes representan el 7.2% del valor de producción. Por último, la rentabilidad de la industria creció y logró llegar al 34.5% en 2021, y apunta a seguir creciendo. Estos datos nos indica qué México sigue siendo un país importante en esa industria en Latinoamérica, qué tiene futuro y por ende FORM puede seguir en ella, pero también es una industria competitiva debido a la gran diversidad de empresas; por lo que FORM deberá seguir innovando para mantenerse competitiva en el mercado.
De acuerdo a datos del DENUE 2022 en la Industria de la Fabricación de Productos de Cartón y Papel se registraron un total de 6,099 unidades económicas; siendo Estado de México (481), Jalisco(461), Veracruz de Ignacio de la Llave (418) y Nuevo León (329), los estados más relevantes. Esta información nos permite conocer en donde se podrían encontrar los competidores más fuertes de FORM.
Los Estados qué más han recibido Inversión Extranjera Directa en 2022, fueron Estado de México ($54.8 millones de USD), Baja California ($21.3 millones de USD) y Nuevo León ($19.8 Millones de USD); estas inversiones provienen de 3 principales países siendo estos Irlanda, Estados Unidos y Nueva Zelanda.
Esta información es importante tenerla, ya que nos permite conocer en que estados se está produciendo e invirtiendo más en la Fabricación de Productos de Cartón y Papel y por ende pueden ser zonas de oportunidad en donde la empresa puede buscar inversores para poder potenciar al crecimiento de la empresa y en caso de qué las relaciones sean exitosas a qué países en un futuro pueden exportar sus productos.
USA
De acuerdo con datos de Euromonitor International, La rentabilidad de la industria dentro de USA está disminuyendo, esto es debido a que los costes han aumentado un 8.1% en 2021; lo cual fue consecuencia en gran medida por el aumento en costos de las relaciones B2B.
Conforme a las competencias dentro de la industria, en 2021 se portó que 1369 empresas se integraron a la industria de Contenedores de Papel y Cartón corrugado. El sector se encuentra fragmentado debido a que el 43.2% del valor de producción en 2021 fue ocasionado por las 5 principales empresas; la empresa con mayor valor y fuerza en el mercado es WestRock Co, empresa qué generó el 10% del valor de producción total de la industria en 2021. Esta Industria está dominada por proveedores nacionales ya qué las importaciones representan el 5.8% del tamaño total del mercado en 2021.
Ahora bien, de acuerdo con la demanda USA tiene el mercado más grande dentro de los 20 principales países desarrollados, teniendo una demanda en 2021 equivalente a 56.1 billones de dólares. Cabe recalcar que B2B es el principal impulsor del mercado, representando el 92.4% de la demanda en 2021.
Estos datos nos dicen qué si bien la competencia es alta y dura en Estados Unidos, aun así, puede FORM ingresar a esta industria; si la rentabilidad sigue disminuyendo y los costes aumentando, las empresas qué ocupan este producto comenzarán a buscar otros proveedores con precios más accesibles, por lo que si FORM mantiene sus precios una vez instalados en San Antonio o siguen exportando sus productos, podrían tener éxito al expandirse a USA.
Gráficas de la Industria de Castón
Específicamente, de la importación y exportación de cajas
Gráfica de Importación de cajas
ICB2<-ImpCartonBox%>%arrange(desc(Trade.Value))
ICB3<-ICB2%>%filter(Trade.Value>=123989664)
ggplot(ICB3, aes(x = Trade.Value, y = reorder(Country, -Trade.Value), fill = Country)) +
geom_bar(stat = "identity") +
xlab("") +
labs(
x = "Trade Value en 2021",
y = "Country",
title = "Top 20 países importadores de cajas de cartón",
subtitle = "Según su Trade Value en el año 2021"
) +
scale_x_continuous(labels = function(n) { format(n, scientific = FALSE) }) +
theme_minimal() +
theme(axis.text.y = element_text(hjust = 1)) +
scale_fill_manual(values = mi_paleta)
Esta gráfica nos proporciona información valiosa sobre los países que realizan la mayor cantidad de importaciones, lo que nos permite identificar oportunidades para la expansión internacional de FORM en el futuro o la posibilidad de adquirir nuevos clientes en esos mercados.
Gráfica de Exportación de cajas
ECB2<-ExpCartonBox%>%arrange(desc(Trade.Value))
ECB3<-ECB2%>%filter(Trade.Value>=101375372)
ggplot(ECB3, aes(x = Trade.Value, y = reorder(Country, -Trade.Value), fill = Country)) +
geom_bar(stat = "identity") +
xlab("") +
labs(
x = "Trade Value en 2021",
y = "Country",
title = "Top 20 países exportadores de cajas de cartón",
subtitle = "Según su Trade Value en el año 2021"
) +
scale_x_continuous(labels = function(n) { format(n, scientific = FALSE) }) +
theme_minimal() +
theme(axis.text.y = element_text(hjust = 1)) +
scale_fill_manual(values = mi_paleta)
Esta gráfica nos brinda una visión de los países que lideran en las exportaciones de cajas y empaques de cartón, lo que nos ayuda a identificar posibles competidores que podrían representar una amenaza para FORM. También nos ofrece información sobre los países donde la competencia puede ser más intensa, lo que podría influir en nuestra estrategia de expansión o en la toma de decisiones comerciales, considerando la competencia existente en esos mercados.
Gráfico de Ventas de Form
ggplot(ventas_carton, aes(x = fct_reorder(Mes, Carton), y = Carton)) +
geom_bar(stat = "identity", fill = "#479ABD") +
labs(
title = "Ventas de Carton por Mes",
subtitle = "2022",
x = "Mes",
y = "Ventas MDP"
) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 20, hjust = 1))
El mes de agosto se destaca como el período con las mayores ventas de cartón. Además, se observa un patrón de aumento en las ventas de cartón durante el año 2022 al final de cada trimestre, específicamente en los meses de marzo, junio y septiembre.
Amenazas y Oportunidades Identificados
FODA Cruzado
Apartir de los antecedentes de la empresa y el contexto de la
industrias de México y E.U.A. elaborar FODA cruzado que identifique y
describa 2-3 estrategias a seguir por parte de la empresa en el corto
plazo. 
PESTLE
¿4.1 Con base en el análisis de las industrias de México y E.U.A identificar variables / factores relevantes para elaboración de PESTLE y describir 2-3 estrategias a seguir por parte de la empresa en el corto plazo.
MEX y EUA
Estrategias
Analizar las tendencias de consumo internacional para poder incrementar la producción de cartón retornable y así minimizar costos y factores ecológicos de riesgo como la superficie forestal perdida.
Automatizar los procesos de elaboración de los empaques a través de la innovación tecnológica hará que se aceleren los procesos y se reduzcan costos. Esto daría la posibilidad de abastecer a la demanda de forma más rápida.
Una de las tendencias en la industria del embalaje es la preocupación por el packaging sostenible, por lo tanto, FORM podría apostar por materiales alternativos que le ayuden a aumentar su % de producción de retornable, además de la integración de prácticas de diseño y producción más interactivas y sostenibles, y fomentar el reciclaje avanzado.
PARTE II – ANÁLISIS EXPLORATORIO DE DATOS
Situación Problema 2
En este proyecto se selecciono la Situación Problema 2; Explorar, definir, y describir cuáles son los principales factores del clima organizacional de FORM que propician la satisfacción y/o no satisfacción de trabajar en dicha empresa.
Preguntas de Análisis
Se formularon 5 preguntas clave, que buscan descubrir o encontrar hallazgos que junto con el uso de los datos compartidos por la empresa, nos ayudarán a descubrir y entender la verdadera situación de FORM, con respecto a la situación de FORM.
Hemos realizado un análisis exhaustivo de datos para responder a las preguntas planteadas. Empleamos estadísticas descriptivas, medidas de dispersión y gráficos. Este enfoque nos proporcionó valiosas ideas para aprovechar el potencial de FORM. Utilizamos diversas herramientas y enfoques en cada pregunta, adaptándonos a los datos proporcionados por FORM para ofrecer respuestas precisas.
Diseño, Organización, y Limpieza de Base de Datos:
Carga de la base de datos
datos_2022 <- read.csv("C:\\Users\\enriq\\OneDrive\\Documentos\\Datos a Desiciones\\Reto\\form_rh_bajas_datos_2022.csv")
datos_2023 <- read.csv("C:\\Users\\enriq\\OneDrive\\Documentos\\Datos a Desiciones\\Reto\\BDD_FORM_BAJAS_2023.csv")
datos_actuales <- read.csv("C:\\Users\\enriq\\OneDrive\\Documentos\\Datos a Desiciones\\Reto\\form_rh_datos.csv")
datos_2023 <- datos_2023[complete.cases(datos_2023), ]Unión de las bases de datos de bajas
df_bajas <- bind_rows(datos_2022, datos_2023)
df_bajas <- as.data.frame(lapply(df_bajas, toupper))Limpieza de las bases de Datos
df_bajas <- df_bajas %>%
mutate(ESTADO.CIVIL = ifelse(ESTADO.CIVIL %in% c("SOLTERIA", "SOLTERA"), "SOLTERO", ESTADO.CIVIL)) %>%
mutate(ESTADO.CIVIL = ifelse(ESTADO.CIVIL %in% c("CASADO", "CASADA", "MATRIOMONIO"), "MATRIMONIO", ESTADO.CIVIL))
datos_actuales <- datos_actuales %>%
mutate(ESTADO.CIVIL = ifelse(ESTADO.CIVIL %in% c("SOLTERIA", "SOLTERA"), "SOLTERO", ESTADO.CIVIL)) %>%
mutate(ESTADO.CIVIL = ifelse(ESTADO.CIVIL %in% c("CASADO", "CASADA", "MATRIOMONIO"), "MATRIMONIO", ESTADO.CIVIL))Nueva columna que da a conocer la edad del personal
df_bajas$FECHA.DE.NACIMIENTO <- dmy(df_bajas$FECHA.DE.NACIMIENTO)
fecha_actual <- Sys.Date()
df_bajas$EDAD <- round(as.numeric(difftime(fecha_actual, df_bajas$FECHA.DE.NACIMIENTO, units = "days") / 365.25))
datos_actuales$FECHA.DE.NACIMIENTO <- mdy(datos_actuales$FECHA.DE.NACIMIENTO)
datos_actuales$EDAD <- round(as.numeric(difftime(fecha_actual, datos_actuales$FECHA.DE.NACIMIENTO, units = "days") / 365.25))Nueva columna que da a conocer los días trabajados de cada persona
df_bajas$FECHA.DE.ALTA <- dmy(df_bajas$FECHA.DE.ALTA)
df_bajas$BAJA <- dmy(df_bajas$BAJA)
df_bajas$DIAS.LABORADOS.CALCULADO <- as.numeric(difftime(df_bajas$BAJA, df_bajas$FECHA.DE.ALTA, units = "days"))
datos_actuales$FECHA.DE.ALTA <- mdy(datos_actuales$FECHA.DE.ALTA)
datos_actuales$BAJA <- fecha_actual
datos_actuales$DIAS.LABORADOS.CALCULADO <- as.numeric(difftime(datos_actuales$BAJA, datos_actuales$FECHA.DE.ALTA, units = "days"))Creación de la columan Dirección, para conocer el domicilio de los colaboradores
df_bajas$DIRECCION <- paste(df_bajas$CALLE, df_bajas$NUMERO.INTERNO, df_bajas$COLONIA, df_bajas$MUNICIPIO, df_bajas$ESTADO, sep = ", ")
datos_actuales$DIRECCION <- paste(datos_actuales$CALLE, datos_actuales$NUMERO.INTERNO, datos_actuales$COLONIA, datos_actuales$MUNICIPIO, datos_actuales$ESTADO, sep = ", ")Convertir a mayúsculas las palabras de cada registro del data frame
datos_actuales<- as.data.frame(lapply(datos_actuales, toupper))Conversión del formato de los Datos
datos_actuales$BAJA <- as.Date(datos_actuales$BAJA)
df_bajas$BAJA <- as.Date(df_bajas$BAJA)
datos_actuales$FECHA.DE.NACIMIENTO <- as.Date(datos_actuales$FECHA.DE.NACIMIENTO)
datos_actuales$FECHA.DE.ALTA <- as.Date(datos_actuales$FECHA.DE.ALTA)
datos_actuales$SALARIO <- as.numeric(datos_actuales$SALARIO)
df_bajas$SALARIO <- as.numeric(df_bajas$SALARIO)
df_bajas$EDAD <- as.numeric(df_bajas$EDAD)
datos_actuales$EDAD <- as.numeric(datos_actuales$EDAD)
datos_actuales$DIAS.LABORADOS.CALCULADO <- as.numeric(datos_actuales$DIAS.LABORADOS.CALCULADO)
df_bajas$DIAS.LABORADOS.CALCULADO <- as.numeric(df_bajas$DIAS.LABORADOS.CALCULADO)Creación de un data frame Consolidado (Incluye datos actuales y bajas históricas)
df_consolidado <- bind_rows(df_bajas, datos_actuales)Se creó una nueva Columna, “PUESTO.N”, se agregaron una serie de nomencalturas/abreviaciones provenientes de la columna “PUESTO”, con la finalidad de poder manejar de manera más fácil los códigos y que ciertas gráficas se vieran de mejor manera.
df_consolidado <- df_consolidado %>%
mutate(PUESTO.N = case_when(
PUESTO %in% c("AYUDANTE GENERAL", "AY.GENERAL", "AYUDANTE GENERAL-CEDIS", "AY. GENERAL") ~ "A.G.",
PUESTO %in% c("GESTOR") ~ "GT.",
PUESTO %in% c("SOLDADOR", "AYUDANTE SOLDADOR", "AYUDANTE DE SOLDADOR") ~ "SDR.",
PUESTO %in% c("AYUDANTE DE EMBARQUES", "AYUD. DE EMBARQUES", "AUXILIAR DE EMBARQUES") ~ "A.D.E.",
PUESTO %in% c("CHOFER GESTOR", "CHOFER") ~ "CHO.",
PUESTO %in% c("COSTURERA", "COSTURERO", "COSTURA") ~ "COS.",
PUESTO %in% c("ENFERMERA") ~ "EN.",
PUESTO %in% c("GUARDIA DE SEGURIDAD", "GUARDIA SEGURIDAD") ~ "G.D.S.",
PUESTO %in% c("INSPECTOR DE CALIDAD", "CALIDAD", "INSPECTORA DE CALIDAD", "INSPECTOR CALIDAD") ~ "I.C.",
PUESTO %in% c("LIMPIEZA") ~ "LPZ.",
PUESTO %in% c("MATERIALISTA") ~ "MAT.",
PUESTO %in% c("MONTACARGISTA", "MONTACARGUISTA") ~ "MC.",
PUESTO %in% c("PINTOR", "AYUDANTE PINTOR", "AYU. DE PINTOR") ~ "PI.",
PUESTO %in% c("RESIDENTE", "RESIDENTE YANFENG CIENEGA") ~ "RDT.",
PUESTO %in% c("MANTENIMIENTO") ~ "MTO.",
PUESTO %in% c("ANALISTA DE NOMINAS") ~ "A.D.N.",
PUESTO %in% c("CUSTOMER SERVICE INF") ~ "C.S.I.",
PUESTO %in% c("CORTADOR") ~ "COR.",
PUESTO %in% c("DISEÑO") ~ "DIS.",
PUESTO %in% c("EXTERNO") ~ "EX.",
PUESTO %in% c("FACTURACION") ~ "FAC.",
PUESTO %in% c("JEFE DE SEGURIDAD E HIGIENE") ~ "J.S.H.",
PUESTO %in% c("LIDER") ~ "LI.",
PUESTO %in% c("MARCADORA") ~ "MAR.",
PUESTO %in% c("OPERADOR", "OPERADOR ") ~ "OP.",
PUESTO %in% c("RECIBO") ~ "RBO.",
PUESTO %in% c("SERVICIO AL CLIENTE") ~ "S.C.",
PUESTO %in% c("SUPERVISOR") ~ "SUP.",
TRUE ~ PUESTO
))A continuación se muestra el glosario de dicha columna 
Se muestran los primeros 6 renglones de las nuevas bases de datos Bajas
head(df_bajas, 6)## APELLIDOS NOMBRE FECHA.DE.NACIMIENTO GENERO RFC
## 1 JIMENEZ ALANIS MARIA FERNANDA 1998-07-10 FEMENINO JIAF980710CZ0
## 2 JAUREGUI SANCHEZ EMANUEL 1998-10-03 MASCULINO JASE981003M35
## 3 GARCIA CAZARES TRINIDAD 1997-05-25 MASCULINO GACT970525KG7
## 4 LOPEZ ROMERO WILMAR 2001-09-04 MASCULINO LORW0109044E2
## 5 DOMINGUEZ GARCIA JOSE MIGUEL 2002-05-20 MASCULINO DOGM020520QF2
## 6 HERNANDEZ GARCIA CRISTIAN OMAR 2000-02-29 MASCULINO HEGC0002295D8
## FECHA.DE.ALTA MOTIVO.DE.BAJA DIAS.LABORADOS BAJA
## 1 2020-09-12 TERMINO DE CONTRATO 423 2022-02-05
## 2 2022-04-12 BAJA POR FALTAS 35 2022-05-17
## 3 2022-02-04 RENUNCIA VOLUNTARIA 102 2022-05-17
## 4 2021-12-11 TERMINO DE CONTRATO 63 2022-02-12
## 5 2022-01-25 BAJA POR FALTAS 34 2022-02-28
## 6 2022-03-19 BAJA POR FALTAS 23 2022-04-11
## PUESTO DEPARTAMENTO SALARIO FACTOR.CRED.INFONAVIT
## 1 ANALISTA DE NOMINAS ADMINISTRATIVO 176.72 N/A
## 2 AYUDANTE DE EMBARQUES CEDIS 180.68 N/A
## 3 AYUDANTE DE EMBARQUES EMBARQUES 180.68 N/A
## 4 AYUDANTE DE EMBARQUES 176.72 N/A
## 5 AYUDANTE DE EMBARQUES CEDIS 180.68 N/A
## 6 AYUDANTE DE EMBARQUES CEDIS 180.68 N/A
## LUGAR.DE.NACIMIENTO CURP CALLE NUMERO.INTERNO
## 1 SAN NICOLAS DE LOS GARZA JIAF980710MNLMLR09 RIO AZUL 703
## 2 MINATITLAN, VERACRUZ JASE981003HVZRNM01 PALENQUE 515
## 3 MINATITLAN, VERACRUZ GACT970525HVZRZR09 SABINAS 1614
## 4 VILLA COMALTITLAN, CHIAPAS LORW010904HCSPMLA1 RIO SANTIAGO 730
## 5 SAN PEDRO,COAHUILA DOGM20520HCLMRGA8 C SIN NOMBRE SN
## 6 SALTILLO, COAHUILA HEGC000229HCLRRRA5 OSO BLANCO 143
## COLONIA MUNICIPIO ESTADO ESTADO.CIVIL OBSERVACIONES
## 1 SAN ISIDRO APODACA NUEVO LEON SOLTERO <NA>
## 2 ANALCO PONIENTE RAMOS ARIZPE COAHUILA SOLTERO <NA>
## 3 COLINAS DEL AEROPUERTO PESQUERIA NUEVO LEON SOLTERO <NA>
## 4 PUEBLO NUEVO APODACA NUEVO LEON SOLTERO <NA>
## 5 EJ MAYRAN SAN PDRO COAH NUEVO LEON UNION LIBRE <NA>
## 6 LA TENERIA RAMOS ARIZPE NUEVO LEON SOLTERO <NA>
## CP EDAD DIAS.LABORADOS.CALCULADO
## 1 <NA> 25 511
## 2 <NA> 25 35
## 3 <NA> 26 102
## 4 <NA> 22 63
## 5 <NA> 21 34
## 6 <NA> 24 23
## DIRECCION
## 1 RIO AZUL, 703, SAN ISIDRO, APODACA, NUEVO LEON
## 2 PALENQUE, 515, ANALCO PONIENTE, RAMOS ARIZPE, COAHUILA
## 3 SABINAS, 1614, COLINAS DEL AEROPUERTO, PESQUERIA, NUEVO LEON
## 4 RIO SANTIAGO, 730, PUEBLO NUEVO, APODACA, NUEVO LEON
## 5 C SIN NOMBRE SN, , EJ MAYRAN, SAN PDRO COAH, NUEVO LEON
## 6 OSO BLANCO, 143, LA TENERIA, RAMOS ARIZPE, NUEVO LEONActuales
head(datos_actuales, 6)## APELLIDOS NOMBRE FECHA.DE.NACIMIENTO GENERO
## 1 VERA VALDEZ JOSE MANUEL 1994-12-23 MASCULINO
## 2 CERDA HERNANDEZ KEVIN ARTURO 2002-10-23 MASCULINO
## 3 MORENO SALINAS HUMBERTO 1995-11-03 MASCULINO
## 4 RODRIGUEZ MORENO NICOLAS DE JESUS 1992-01-11 MASCULINO
## 5 SALAS PERALES IRENE GUADALUPE 1976-09-29 FEMENINO
## 6 ORTIZ DE LA TORRE FERMINA 1966-07-07 FEMENINO
## RFC FECHA.DE.ALTA DIAS.LABORADOS BAJA PUESTO
## 1 VEVM9412238W8 2022-08-18 <NA> 2023-09-14 MANTENIMIENTO
## 2 CEHK0210237V6 2022-02-18 <NA> 2023-09-14 AYUDANTE GENERAL
## 3 MOSH9511033L4 2017-01-11 <NA> 2023-09-14 AYUDANTE GENERAL
## 4 ROMN920411QUA 2020-11-03 <NA> 2023-09-14 AYUDANTE GENERAL
## 5 SAPI760929410 2022-02-16 <NA> 2023-09-14 AYUDANTE GENERAL
## 6 OITF660712QD2 2022-06-01 <NA> 2023-09-14 AYUDANTE GENERAL
## DEPARTAMENTO SALARIO FACTOR.CRED.INFONAVIT LUGAR.DE.NACIMIENTO
## 1 180.68 N/A EBANO, SAN LUIS POTOSI
## 2 AY.FLEXO 180.68 N/A MONTERREY, NUEVO LEON
## 3 CEDIS 176.72
## 4 CEDIS 176.72
## 5 CELDAS 180.68 N/A HIDALGO, TAMAULIPAS
## 6 CELDAS 180.68 N/A CANATLAN, DURANGO
## CURP CALLE NUMERO.INTERNO COLONIA
## 1 VEVM941223HSPRLN07 MIER Y NORIEGA 106B MIRADOR DE SAN ANTONIO
## 2 CEHK021023HNLRRVA8 PORTAL GALICIA 219 PORTAL DEL VALLE
## 3 MOSH951103HVZRLM03 OCEANIA FRACC. OCEANIA BOULEVARES
## 4 ROMN920411HCLDRC00 TASAJILLO 220 EL CACTUS
## 5 SAPI760929MTSLRR05 RIO ESCONDIDO 760 PUEBLO NUEVO
## 6 OITF660712MDGRRR023 HABICHUELA 306 POLICIA AUXILIAR
## MUNICIPIO ESTADO CP ESTADO.CIVIL EDAD DIAS.LABORADOS.CALCULADO
## 1 JUAREZ NUEVO LEON 67255 MATRIMONIO 29 392
## 2 APODACA NUEVO LEON 66643 SOLTERO 21 573
## 3 SALTILLO COAHUILA 25290 MATRIMONIO 28 2437
## 4 RAMOS ARIZPE COAHUILA 25902 UNION LIBRE 32 1045
## 5 APODACA NUEVO LEON 66646 SOLTERO 47 575
## 6 GUADALUPE NUEVO LEON 67114 SOLTERO 57 470
## DIRECCION
## 1 MIER Y NORIEGA, 106B, MIRADOR DE SAN ANTONIO, JUAREZ, NUEVO LEON
## 2 PORTAL GALICIA, 219, PORTAL DEL VALLE, APODACA, NUEVO LEON
## 3 OCEANIA, , FRACC. OCEANIA BOULEVARES, SALTILLO, COAHUILA
## 4 TASAJILLO, 220, EL CACTUS, RAMOS ARIZPE, COAHUILA
## 5 RIO ESCONDIDO, 760, PUEBLO NUEVO, APODACA, NUEVO LEON
## 6 HABICHUELA, 306, POLICIA AUXILIAR, GUADALUPE, NUEVO LEONConsolidado (La unión de bajas y actuales)
head(df_consolidado, 6)## APELLIDOS NOMBRE FECHA.DE.NACIMIENTO GENERO RFC
## 1 JIMENEZ ALANIS MARIA FERNANDA 1998-07-10 FEMENINO JIAF980710CZ0
## 2 JAUREGUI SANCHEZ EMANUEL 1998-10-03 MASCULINO JASE981003M35
## 3 GARCIA CAZARES TRINIDAD 1997-05-25 MASCULINO GACT970525KG7
## 4 LOPEZ ROMERO WILMAR 2001-09-04 MASCULINO LORW0109044E2
## 5 DOMINGUEZ GARCIA JOSE MIGUEL 2002-05-20 MASCULINO DOGM020520QF2
## 6 HERNANDEZ GARCIA CRISTIAN OMAR 2000-02-29 MASCULINO HEGC0002295D8
## FECHA.DE.ALTA MOTIVO.DE.BAJA DIAS.LABORADOS BAJA
## 1 2020-09-12 TERMINO DE CONTRATO 423 2022-02-05
## 2 2022-04-12 BAJA POR FALTAS 35 2022-05-17
## 3 2022-02-04 RENUNCIA VOLUNTARIA 102 2022-05-17
## 4 2021-12-11 TERMINO DE CONTRATO 63 2022-02-12
## 5 2022-01-25 BAJA POR FALTAS 34 2022-02-28
## 6 2022-03-19 BAJA POR FALTAS 23 2022-04-11
## PUESTO DEPARTAMENTO SALARIO FACTOR.CRED.INFONAVIT
## 1 ANALISTA DE NOMINAS ADMINISTRATIVO 176.72 N/A
## 2 AYUDANTE DE EMBARQUES CEDIS 180.68 N/A
## 3 AYUDANTE DE EMBARQUES EMBARQUES 180.68 N/A
## 4 AYUDANTE DE EMBARQUES 176.72 N/A
## 5 AYUDANTE DE EMBARQUES CEDIS 180.68 N/A
## 6 AYUDANTE DE EMBARQUES CEDIS 180.68 N/A
## LUGAR.DE.NACIMIENTO CURP CALLE NUMERO.INTERNO
## 1 SAN NICOLAS DE LOS GARZA JIAF980710MNLMLR09 RIO AZUL 703
## 2 MINATITLAN, VERACRUZ JASE981003HVZRNM01 PALENQUE 515
## 3 MINATITLAN, VERACRUZ GACT970525HVZRZR09 SABINAS 1614
## 4 VILLA COMALTITLAN, CHIAPAS LORW010904HCSPMLA1 RIO SANTIAGO 730
## 5 SAN PEDRO,COAHUILA DOGM20520HCLMRGA8 C SIN NOMBRE SN
## 6 SALTILLO, COAHUILA HEGC000229HCLRRRA5 OSO BLANCO 143
## COLONIA MUNICIPIO ESTADO ESTADO.CIVIL OBSERVACIONES
## 1 SAN ISIDRO APODACA NUEVO LEON SOLTERO <NA>
## 2 ANALCO PONIENTE RAMOS ARIZPE COAHUILA SOLTERO <NA>
## 3 COLINAS DEL AEROPUERTO PESQUERIA NUEVO LEON SOLTERO <NA>
## 4 PUEBLO NUEVO APODACA NUEVO LEON SOLTERO <NA>
## 5 EJ MAYRAN SAN PDRO COAH NUEVO LEON UNION LIBRE <NA>
## 6 LA TENERIA RAMOS ARIZPE NUEVO LEON SOLTERO <NA>
## CP EDAD DIAS.LABORADOS.CALCULADO
## 1 <NA> 25 511
## 2 <NA> 25 35
## 3 <NA> 26 102
## 4 <NA> 22 63
## 5 <NA> 21 34
## 6 <NA> 24 23
## DIRECCION PUESTO.N
## 1 RIO AZUL, 703, SAN ISIDRO, APODACA, NUEVO LEON A.D.N.
## 2 PALENQUE, 515, ANALCO PONIENTE, RAMOS ARIZPE, COAHUILA A.D.E.
## 3 SABINAS, 1614, COLINAS DEL AEROPUERTO, PESQUERIA, NUEVO LEON A.D.E.
## 4 RIO SANTIAGO, 730, PUEBLO NUEVO, APODACA, NUEVO LEON A.D.E.
## 5 C SIN NOMBRE SN, , EJ MAYRAN, SAN PDRO COAH, NUEVO LEON A.D.E.
## 6 OSO BLANCO, 143, LA TENERIA, RAMOS ARIZPE, NUEVO LEON A.D.E.Pregunta 1: ¿En qué estación del año tienden a suceder más bajas?
Obtención del mes de cada fecha
df_bajas$MES <- month(df_bajas$BAJA)Función para calcular las estaciones
obtener_estacion <- function(fecha) {
if (is.na(fecha)) {
return(NA_character_)
}
fecha <- as.Date(fecha)
mes <- month(fecha)
dia <- day(fecha)
if ((mes == 3 && dia >= 20) || (mes > 3 && mes < 6) || (mes == 6 && dia < 21)) {
return("Primavera")
} else if ((mes == 6 && dia >= 21) || (mes > 6 && mes < 9) || (mes == 9 && dia < 23)) {
return("Verano")
} else if ((mes == 9 && dia >= 23) || (mes > 9 && mes < 12) || (mes == 12 && dia < 21)) {
return("Otoño")
} else {
return("Invierno")
}
}Mapeo de los meses a las estaciones del año
df_bajas$FECHA <- as.Date(df_bajas$BAJA)
df_bajas$ESTACION <- sapply(df_bajas$FECHA, obtener_estacion)Conteo de observaciones en cada estación
estacion_frecuencia <- table(df_bajas$ESTACION)Descubrimiento de la estación con el recuento más alto
estacion_mas_comun <- names(estacion_frecuencia[which.max(estacion_frecuencia)])
cat("La estación con más bajas es:", estacion_mas_comun)## La estación con más bajas es: VeranoCálculo de la frecuenia de bajas por estación
estacion_frecuencia <- table(df_bajas$ESTACION)Conversión de resultados a un dataframe
tabla_bajas_por_estacion <- as.data.frame(estacion_frecuencia)Se renombran las columnas para mayor claridad
colnames(tabla_bajas_por_estacion) <- c("Estacion", "Cantidad_Bajas")
tabla_bajas_por_estacion## Estacion Cantidad_Bajas
## 1 Invierno 146
## 2 Otoño 1
## 3 Primavera 174
## 4 Verano 181Se crea el gráfico de barras
ggplot(tabla_bajas_por_estacion, aes(x = Estacion, y = Cantidad_Bajas)) +
geom_bar(stat = "identity", color = "#E3669B", width = 0.7, fill = "#B37EBE") +
labs(title = "Cantidad de Bajas por Estación del Año 2022", subtitle = "Recursos Humanos", x = "Estación", y = "Cantidad de Bajas") 
En este gráfico, se nota que la estación con el mayor número de bajas es el Verano, seguida de la Primavera. Además, es relevante mencionar que no hay datos disponibles en la base de datos de Bajas para la estación de Otoño.
Respuesta Pregunta 1: ¿En qué estación del año tienden a suceder más bajas? La estación con más bajas para los años 2022 y 2023 vendría siendo en Verano, algo contradictorio a lo que se creía, puesto que el cliente afirmaba que en Invierno (después del aguinaldo) es cuando más bajas hay.
**Pregunta 2: ¿La temperatura ambiental será un factor determinante para las bajas?
Cargamos la base de datos de Monterrey
monterrey <- riem_measures("MMMY")Filtramos las fechas y las guardamos
año2022y2023 <-subset(monterrey, valid >= as.POSIXct("2022-01-01 00:00") & valid <=as.POSIXct("2023-08-30 23:59"))Filtramos año y mes, y sacamos promedio por mes
año2022y2023 <- año2022y2023 %>%
mutate(date = ymd_hms(valid),
month = month(date),
year = year(date)) %>%
group_by(year, month) %>%
summarize(feel_mean = mean(feel, na.rm = TRUE))Convertimos a grados centigrados la temperatura
año2022y2023$TGC<- (año2022y2023$feel_mean-32)/1.8Modificamos el formato para que lo reconozca como fecha
año2022y2023$date <- as.Date(paste0(año2022y2023$year, "-", año2022y2023$month, "-01"), format = "%Y-%m-%d")Graficamos
ggplot(data = año2022y2023, aes(x = date, y = TGC)) +
geom_line(color = "blue", linewidth = 1) +
labs(
title = "Temperatura Promedio en Monterrey",
x = "Fecha",
y = "Temperatura (°C)"
) +
scale_x_date(date_breaks = "1 month", date_labels = "%b %Y") +
theme_minimal() +
theme(
axis.text.x = element_text(angle = 90, hjust = 1),
panel.grid.major.x = element_blank(),
panel.background = element_blank()
)
Ahora contamos las bajas por mes en FORM
bajas_por_mes <- table(format(df_bajas$BAJA, "%Y-%m"))
df_bajas_por_mes <- as.data.frame(bajas_por_mes)
colnames(df_bajas_por_mes) <- c("Año_Mes", "Bajas")Verificamos el formato de las fechas
df_bajas_por_mes <- df_bajas_por_mes %>%
mutate(Año_Mes = as.Date(paste(Año_Mes, "-01", sep = ""), format = "%Y-%m-%d"))Modificamos el formato a fecha
año2022y2023 <- año2022y2023 %>%
mutate(date = as.Date(date))
df_bajas_por_mes <- df_bajas_por_mes %>%
mutate(Año_Mes = ymd(Año_Mes))Graficamos los puntos tanto de las bajas como de la temperatura
ggplot() +
geom_point(data = año2022y2023, aes(x = date, y = TGC, color = "Temperatura"), size = 3) +
geom_point(data = df_bajas_por_mes, aes(x = Año_Mes, y = Bajas, color = "Bajas"), size = 3, na.rm = TRUE) +
labs(
title = "Temperatura Promedio en Monterrey y Bajas por Mes",
x = "Fecha",
y = "Temperatura (°C) / Bajas"
) +
scale_x_date(date_breaks = "1 month", date_labels = "%b %Y") +
scale_color_manual(values = c("Temperatura" = "blue", "Bajas" = "red")) +
theme_minimal() +
theme(
axis.text.x = element_text(angle = 90, hjust = 1),
panel.grid.major.x = element_blank(),
panel.background = element_blank()
) +
guides(color = guide_legend(title = "Datos"))
En este gráfico pbservamos los puntos de frecuencia para cada mes y año correspondiente, a simple vista parace existir cierta relación, pero será necesario comprobarlo con una gráfica lineal.
Graficamos linealmente utilizando smooth
ggplot() +
geom_line(data = año2022y2023, aes(x = date, y = TGC, color = "Temperatura"), linewidth = 1) +
geom_smooth(data = df_bajas_por_mes, aes(x = Año_Mes, y = Bajas, color = "Bajas"), linetype = "dashed", method = "loess", na.rm = TRUE,) +
labs(
title = "Temperatura Promedio en Monterrey y Bajas por Mes",
x = "Fecha",
y = "Temperatura (°C) / Bajas"
) +
scale_x_date(date_breaks = "1 month", date_labels = "%b %Y") +
scale_color_manual(values = c("Temperatura" = "blue", "Bajas" = "red"),
labels = c("Temperatura", "Bajas")) +
theme_minimal() +
theme(
axis.text.x = element_text(angle = 90, hjust = 1),
panel.grid.major.x = element_blank(),
panel.background = element_blank()
) +
guides(color = guide_legend(title = "Datos"))
Con esta gráfica se observa mucho mejor la relación que existe de las bajas de FORM con respecto a la temperatura promedio del mes. Con este gráfico podríamos decir que si existe cierta relación entre la temperatura y bajas.
Respuesta Pregunta 2: ¿La temperatura ambiental será un factor determinante para las bajas? A partir de los gráficos se puede intuir que si hay una relación directa entre la temperatura de la ciudad y las bajas de la empresa FORM, sin embargo, lo más correcta sería realizar una puebra de Chi-cuadrada para validar este hallazgo y que este respaldado estadísticamente hablando.
**Pregunta 3: ¿La distancia geográfica desempeña un papel significativo en la determinación del estatus laboral de los empleados? (Activo o Inactivo)
Agrupación de solo Nuevo León
bajas_nl <- df_bajas %>%
mutate(ESTADO = ifelse(ESTADO %in% c("NUEVO LEON", "NUEVO LEÓN"), "NUEVO LEON", ESTADO)) %>%
filter(ESTADO == "NUEVO LEON")
actuales_nl <- datos_actuales %>%
mutate(ESTADO = ifelse(ESTADO %in% c("NUEVO LEON", "NUEVO LEÓN"), "NUEVO LEON", ESTADO)) %>%
filter(ESTADO == "NUEVO LEON")Función para obtener la Ubicación Geográfica utilizando OpenCage
clave_api <- "031df9179e254114a364f5ac4d0c673e"
geocode_opencage <- function(direccion, clave_api) {
url <- paste0("https://api.opencagedata.com/geocode/v1/json?q=", URLencode(direccion),
"&key=", clave_api)
respuesta <- GET(url)
contenido <- content(respuesta, "text", encoding = "UTF-8")
datos <- jsonlite::fromJSON(contenido)
return(datos)
}Se obtine la Latitud y Longitud
bajas_nl$GEOCODE_RESULT <- lapply(bajas_nl$DIRECCION, function(x) geocode_opencage(x, clave_api))
bajas_nl$LATITUD <- sapply(bajas_nl$GEOCODE_RESULT, function(x) x$results$geometry$lat)
bajas_nl$LONGITUD <- sapply(bajas_nl$GEOCODE_RESULT, function(x) x$results$geometry$lng)
actuales_nl$GEOCODE_RESULT <- lapply(actuales_nl$DIRECCION, function(x) geocode_opencage(x, clave_api))
actuales_nl$LATITUD <- sapply(actuales_nl$GEOCODE_RESULT, function(x) x$results$geometry$lat)
actuales_nl$LONGITUD <- sapply(actuales_nl$GEOCODE_RESULT, function(x) x$results$geometry$lng)Función para calcular el promedio de una lista de números
calcular_promedio <- function(valor) {
if (is.character(valor)) {
valores <- tryCatch(eval(parse(text = valor)), error = function(e) NA_real_)
} else {
valores <- valor
}
valores <- valores[!is.na(valores)]
if (length(valores) > 0) {
return(mean(valores))
} else {
return(NA_real_)
}
}Se promedia la Longitud y Latitud
bajas_nl$LONGITUD <- sapply(bajas_nl$LONGITUD, calcular_promedio)
bajas_nl$LATITUD <- sapply(bajas_nl$LATITUD, calcular_promedio)
actuales_nl$LONGITUD <- sapply(actuales_nl$LONGITUD, calcular_promedio)
actuales_nl$LATITUD <- sapply(actuales_nl$LATITUD, calcular_promedio)Se establece la dirrección objetivo
latitud_objetivo <- 25.75419
longitud_objetivo <- -100.17443Se crea una función que calcule la distancia haversine en kilómetros
calcular_distancia_km <- function(lat1, lon1, lat2, lon2) {
dist_metros <- distHaversine(c(lon1, lat1), c(lon2, lat2))
dist_km <- dist_metros / 1000
return(dist_km)
}
bajas_nl$DISTANCIA.KM <- mapply(calcular_distancia_km, bajas_nl$LATITUD, bajas_nl$LONGITUD, latitud_objetivo, longitud_objetivo)
actuales_nl$DISTANCIA.KM <- mapply(calcular_distancia_km, actuales_nl$LATITUD, actuales_nl$LONGITUD, latitud_objetivo,longitud_objetivo)Se crea una copia de los data frames, esto para manipular más fácilmente
copia_actuales_nl <- as.data.frame(lapply(actuales_nl, toupper))
copia_bajas_nl <- as.data.frame(lapply(bajas_nl, toupper))Se modifica el formato de las columnas para poder realizar las visualizaciones correspondientes
copia_actuales_nl <- copia_actuales_nl[!is.na(copia_actuales_nl$LATITUD) & !is.na(copia_actuales_nl$LONGITUD), ]
copia_bajas_nl <- copia_bajas_nl[!is.na(copia_bajas_nl$LATITUD) & !is.na(copia_bajas_nl$LONGITUD), ]
copia_actuales_nl$LATITUD <- as.numeric(copia_actuales_nl$LATITUD)
copia_actuales_nl$LONGITUD <- as.numeric(copia_actuales_nl$LONGITUD)
copia_bajas_nl$LATITUD <- as.numeric(copia_bajas_nl$LATITUD)
copia_bajas_nl$LONGITUD <- as.numeric(copia_bajas_nl$LONGITUD)
copia_actuales_nl$DISTANCIA.KM <- as.numeric(copia_actuales_nl$DISTANCIA.KM)
copia_bajas_nl$DISTANCIA.KM <- as.numeric(copia_bajas_nl$DISTANCIA.KM)Se eliminan los valores atípicos de Latitud y Longitud
copia_actuales_nl <- copia_actuales_nl[copia_actuales_nl$LONGITUD >= -100.5 & copia_actuales_nl$LONGITUD <= -99.9, ]
copia_bajas_nl <- copia_bajas_nl[copia_bajas_nl$LONGITUD >= -100.5 & copia_bajas_nl$LONGITUD <= -99.9, ]
copia_actuales_nl <- copia_actuales_nl[copia_actuales_nl$LATITUD >= 25 & copia_actuales_nl$LATITUD <= 26, ]
copia_bajas_nl <- copia_bajas_nl[copia_bajas_nl$LATITUD >= 25 & copia_bajas_nl$LATITUD <= 26, ]Visualización del mapa interactivo
m <- leaflet() %>%
addTiles() %>% # Añade un fondo de mapa real
addCircleMarkers(
data = copia_bajas_nl, # Datos de ubicaciones de registros
lat = ~LATITUD, # Nombre de la columna de latitud
lng = ~LONGITUD, # Nombre de la columna de longitud
color = "red", # Color de los marcadores de registros
radius = 5, # Tamaño de los marcadores de registros
label = "Bajas" # Etiqueta para los marcadores de registros
) %>%
addCircleMarkers(
data = copia_actuales_nl, # Datos de ubicaciones de df_actual
lat = ~LATITUD, # Nombre de la columna de latitud en df_actual
lng = ~LONGITUD, # Nombre de la columna de longitud en df_actual
color = "green", # Color de los marcadores de df_actual
radius = 5, # Tamaño de los marcadores de df_actual
label = "Activos" # Etiqueta para los marcadores de df_actual
) %>%
addCircleMarkers(
lat = latitud_objetivo, # Latitud del destino
lng = longitud_objetivo, # Longitud del destino
color = "blue", # Color del marcador de destino
radius = 8, # Tamaño del marcador de destino
label = "Destino" # Etiqueta para el marcador de destino
)
mEn el gráfico, se representa en rojo la ubicación de quienes han dejado la empresa, en verde se muestran los colaboradores activos, y el punto azul señala la ubicación del socio formador. A simple vista, se nota que la mayoría de ellos están agrupados principalmente por zonas, siendo Apodaca la ubicación más frecuente.
Histograma de las Bajas con respecto a la Distancia en Km
hist(copia_bajas_nl$DISTANCIA.KM,
main = "Histograma de Bajas con respecto a la distancia",
xlab = "Distancia en km",
ylab = "Bajas",
col = "#E3669B",
border = "black",
breaks = "Scott")
Este histograma muestra que la mayoría de las personas que renunciaron residían a una distancia de 0 a 2 km de la dirección del socio formador.
Dividimos en dos grupos a los colaboradores; Los que viven cerca y los que viven Lejos, siendo 5km el punto medio definido.
grupo_cerca_nl <- copia_bajas_nl[copia_bajas_nl$DISTANCIA.KM <= 5, ]
grupo_lejos_nl <- copia_bajas_nl[copia_bajas_nl$DISTANCIA.KM > 5, ]
frecuencia_cerca_nl <- nrow(grupo_cerca_nl)
frecuencia_lejos_nl <- nrow(grupo_lejos_nl)
cat("Frecuencia de datos CERCA de 5km:", frecuencia_cerca_nl, "\n")## Frecuencia de datos CERCA de 5km: 339cat("Frecuencia de datos LEJOS de 5km:", frecuencia_lejos_nl, "\n")## Frecuencia de datos LEJOS de 5km: 129Este resultado sugiere que las personas que viven cerca, es decir, a menos de 5 km de distancia, tienen una mayor probabilidad de renunciar en comparación con aquellas que viven lejos.
Realizamos un boxplot para visualizar la dispersión
boxplot(copia_bajas_nl$DISTANCIA.KM,
main = "Boxplot de Bajas",
ylab = "Distancia en Kilómetros",
col = "lightblue",
border = "blue",
horizontal = FALSE)
Respuesta Pregunta 3: ¿La distancia geográfica desempeña un papel significativo en la determinación del estatus laboral de los empleados? (Activo o Inactivo) Sí, basándonos en los análisis realizados, podemos concluir que a medida que la distancia entre el colaborador y su lugar de trabajo es menor, existe una mayor probabilidad de que el colaborador renuncie. Se definieron dos categorías, “Distancia Corta” y “Lejana”, y se observó que la categoría “Distancia Corta” tenía un mayor número de bajas, con un total de 339 renuncias.
Pregunta 4: ¿Existe alguna relación entre el estado civil y la distancia, que influyan en las bajas de los colaboradores?
Gráfico de Violín para visualizar la dispersión
ggplot(copia_bajas_nl, aes(x = ESTADO.CIVIL, y = DISTANCIA.KM, fill = ESTADO.CIVIL)) +
geom_violin() +
labs(
x = "Estado Civil",
y = "Distancia (km)",
title = "Gráfico de Violín de Distancia por Estado Civil"
) +
theme_minimal()
Este gráfico de violín nos proporciona la siguiente información: - Las personas divorciadas que se dieron de baja no muestran una correlación significativa con la distancia.
Filtramos los datos, para tomar en cuenta solo a las mujeres en uno y en otro solo a los hombres
datos_femeninos <- copia_bajas_nl[copia_bajas_nl$GENERO == "FEMENINO", ]
datos_masculinos <- copia_bajas_nl[copia_bajas_nl$GENERO == "MASCULINO", ]Gráfico para el Género Femenino
ggplot(datos_femeninos, aes(x = ESTADO.CIVIL, y = DISTANCIA.KM, fill = ESTADO.CIVIL)) +
geom_violin() +
labs(
x = "Estado Civil",
y = "Distancia (km)",
title = "Gráfico de Violín de Distancia por Estado Civil (Género Femenino)"
) +
theme_minimal()
Gráfico para el Género Masculino
ggplot(datos_masculinos, aes(x = ESTADO.CIVIL, y = DISTANCIA.KM, fill = ESTADO.CIVIL)) +
geom_violin() +
labs(
x = "Estado Civil",
y = "Distancia (km)",
title = "Gráfico de Violín de Distancia por Estado Civil (Género Masculino)"
) +
theme_minimal()
Respuesta Pregunta 4: ¿Existe alguna relación entre el estado civil y la distancia, que influyan en las bajas de los colaboradores? Los resultados revelaron lo siguiente: Los hombres solteros son más propensos a renunciar cuando viven a una distancia corta. Por otro lado, en el caso del género femenino, las probabilidades de renuncia son más altas en los estados civiles de Divorcio y Matrimonio a una distancia corta.
Pregunta 5: ¿Cuál es el perfil que FORM debería contratar?
Juntamos los datos de las personas activas e inactivas
copia_actuales_nl <- copia_actuales_nl %>%
mutate(ESTATUS = "ACTIVO")
copia_bajas_nl <- copia_bajas_nl %>%
mutate(ESTATUS = "INACTIVO")
df_consolidad_nl <- bind_rows(copia_bajas_nl, copia_actuales_nl)
copia_df_consolidado_nl <- df_consolidad_nl %>%
mutate(FACTOR.CRED.INFONAVIT = ifelse(is.na(FACTOR.CRED.INFONAVIT) | FACTOR.CRED.INFONAVIT == "N/A", 0, 1))Seleccionamos únicamente la información que nos interesa, eliminando la demás variables
copia_df_consolidado_nl <- copia_df_consolidado_nl %>%
select(-APELLIDOS, -NOMBRE, -FECHA.DE.NACIMIENTO, -RFC, -FECHA.DE.ALTA, -MOTIVO.DE.BAJA, -DIAS.LABORADOS, -BAJA, -LUGAR.DE.NACIMIENTO, -CURP, -CALLE, -NUMERO.INTERNO, -COLONIA, -ESTADO, -OBSERVACIONES, -CP, -DIRECCION, -GEOCODE_RESULT, -LATITUD, -LONGITUD, -DEPARTAMENTO, -DIAS.LABORADOS.CALCULADO, -MES, -FECHA, -ESTACION)Eliminamos los valores atípicos
copia_df_consolidado_nl <- copia_df_consolidado_nl %>%
filter(SALARIO != 4413757)Asignamos a cada colaborador el puesto Administrativo u Operativo
copia_df_consolidado_nl <- copia_df_consolidado_nl %>%
mutate(PUESTO = case_when(
PUESTO %in% c("AYUDANTE GENERAL", "AY.GENERAL", "AY. GENERAL") ~ "OPERATIVO",
PUESTO %in% c("GESTOR") ~ "ADMINISTRATIVO",
PUESTO %in% c("SOLDADOR", "AYUDANTE SOLDADOR", "AYUDANTE DE SOLDADOR") ~ "OPERATIVO",
PUESTO %in% c("AYUDANTE DE EMBARQUES", "AUXILIAR DE EMBARQUES") ~ "OPERATIVO",
PUESTO %in% c("CHOFER GESTOR", "CHOFER") ~ "OPERATIVO",
PUESTO %in% c("COSTURERA", "COSTURERO", "COSTURA") ~ "OPERATIVO",
PUESTO %in% c("ENFERMERA") ~ "ADMINISTRATIVO",
PUESTO %in% c("GUARDIA DE SEGURIDAD", "GUARDIA SEGURIDAD") ~ "OPERATIVO",
PUESTO %in% c("INSPECTOR DE CALIDAD", "CALIDAD", "INSPECTOR CALIDAD", "INSPECTORA DE CALIDAD") ~ "OPERATIVO",
PUESTO %in% c("LIMPIEZA") ~ "OPERATIVO",
PUESTO %in% c("MATERIALISTA") ~ "OPERATIVO",
PUESTO %in% c("MONTACARGISTA", "MONTACARGUISTA") ~ "OPERATIVO",
PUESTO %in% c("PINTOR", "AYUDANTE PINTOR", "AYU. DE PINTOR") ~ "OPERATIVO",
PUESTO %in% c("RESIDENTE", "RESIDENTE YANFENG CIENEGA") ~ "ADMINISTRATIVO",
PUESTO %in% c("MANTENIMIENTO") ~ "OPERATIVO",
PUESTO %in% c("ANALISTA DE NOMINAS") ~ "ADMINISTRATIVO",
PUESTO %in% c("CUSTOMER SERVICE INF") ~ "ADMINISTRATIVO",
PUESTO %in% c("CORTADOR") ~ "OPERATIVO",
PUESTO %in% c("DISEÑO") ~ "ADMINISTRATIVO",
PUESTO %in% c("EXTERNO") ~ "ADMINISTRATIVO",
PUESTO %in% c("FACTURACION") ~ "ADMINISTRATIVO",
PUESTO %in% c("JEFE DE SEGURIDAD E HIGIENE") ~ "ADMINISTRATIVO",
PUESTO %in% c("LIDER") ~ "OPERATIVO",
PUESTO %in% c("MARCADORA") ~ "OPERATIVO",
PUESTO %in% c("OPERADOR") ~ "OPERATIVO",
PUESTO %in% c("RECIBO") ~ "OPERATIVO",
PUESTO %in% c("SERVICIO AL CLIENTE") ~ "ADMINISTRATIVO",
PUESTO %in% c("SUPERVISOR") ~ "OPERATIVO",
TRUE ~ PUESTO
))Modificamos el formato de las columnas
copia_df_consolidado_nl$GENERO <- as.factor(copia_df_consolidado_nl$GENERO)
copia_df_consolidado_nl$PUESTO <- as.factor(copia_df_consolidado_nl$PUESTO)
copia_df_consolidado_nl$MUNICIPIO <- as.factor(copia_df_consolidado_nl$MUNICIPIO)
copia_df_consolidado_nl$ESTADO.CIVIL <- as.factor(copia_df_consolidado_nl$ESTADO.CIVIL)
copia_df_consolidado_nl$ESTATUS <- as.factor(copia_df_consolidado_nl$ESTATUS)
copia_df_consolidado_nl$SALARIO <- as.numeric(copia_df_consolidado_nl$SALARIO)
copia_df_consolidado_nl$EDAD <- as.numeric(copia_df_consolidado_nl$EDAD)Eliminamos los na
copia_df_consolidado_nl <- copia_df_consolidado_nl %>%
filter(rowSums(is.na(.) | . == "") == 0)Filtramos los puestos Operativos
copia_df_consolidado_nl_op <- copia_df_consolidado_nl[copia_df_consolidado_nl$PUESTO == "OPERATIVO", ]Elaboramos nuestro Árbol de Decisiones
arbol <- rpart(formula=ESTATUS ~ ., data=copia_df_consolidado_nl_op)
rpart.plot(arbol)
Este árbol de decisiones nos muestra que las personas que actualmente están trabajando (activas) son aquellas que cumplen con alguna de las siguientes condiciones:
- Tienen un ingreso diario superior a 218 pesos.
- Tienen más de 51 años y ganan menos de 179 pesos al día.
Respuesta Pregunta 5: ¿Cuál es el perfil que FORM debería contratar? Debería considerar la contratación de personas que cumplan con los siguientes requisitos: - Tienen un ingreso diario superior a 218 pesos. - Tienen más de 51 años y ganan menos de 179 pesos diarios.
Los resultados de este análisis indican que las variables más determinantes son el salario y la edad.
Análisis Exploratorio de los Datos
¿Qué es un análisis exploratorio de datos (EDA)?
Los científicos de datos emplean el Análisis Exploratorio de Datos (EDA) para investigar conjuntos de datos, resaltar sus características esenciales y utilizar visualizaciones. Esto facilita la gestión de fuentes de datos para obtener respuestas, descubrir patrones, identificar anomalías, probar hipótesis y validar suposiciones.
¿Cuál es el propósito de realizar un análisis exploratorio de los datos (EDA)?
El Análisis Exploratorio de Datos (EDA) se emplea principalmente para descubrir información oculta en los datos, más allá de las técnicas de modelado formal o pruebas de hipótesis. Ofrece una comprensión más profunda de las variables y sus relaciones en el conjunto de datos, además de ayudar a evaluar la idoneidad de las técnicas estadísticas que se consideran para el análisis de datos.
Análisis General Exploratorio para la Situación Problema 1
Cabe recalcar que este análisis exploratorio es general y no se han usado bases de datos en R para esta parte, sin embargo la información recabada de fuentes secundarias sobre la Situación Problema es interesante y nos ayudó para dar una propuesta tentativa para solucionar la Situación Problema 1
Situación Problema 1: Explorar, desarrollar, y describir la estrategia de comercialización de FORM en la región de San Antonio, TX. La estrategia de comercialización incluye productos actuales (empaque de cartón para la industria automotriz) y/o diversificación de productos (por ejemplo, industria aeroespacial, médica, alimentos, etc.).
Información Relevante sobre la manufactura equipo y productos médicos en Texas
Los ingresos de la manufactura equipo y productos médicos en Texas de 2020 a 2024 de acuerdo con datos y estimaciones de Statista, está en incremento, por lo que es una industria llamativa en la que FORM podría expandirse. Cabe recalcar que los ingresos esperados de esta área para 2024 son de 4,337.3 millones de dólares, por lo que, debido a su valor, si se encuentran los clientes correctos sería una nueva área en la que FORM podría ofrecer productos.
Las empresas más relevantes de San Antonio, Texas, que manufacturan estos productos, de acuerdo con Dun & Bradstreet, son Acelity L.P. Inc. (S.R. $1,468M USD), Acelity, Inc. (S.R. $945.31 M USD), Visionworks of America, Inc. (S.R. $520.4 M USD), Kinetic Concepts, Inc. (S.R. $500.33 M USD), Kci Usa, Inc. (S.R. $131.81 M USD), Xenex Desinfection Services Inc. (S.R. $47.1 M USD), Vian San Antonio, Inc. ($43.1 M USD) y Celenova Biosciences, Inc. (S.R. $23.51 M USD). Estas empresas pueden ser clientes potenciales de FORM en caso de que decidan apostar por expandirse en la oferta de sus productos y servicios hacia esta industria.
Información Relevante sobre la manufactura de productos y partes aeroespaciales en Texas
Los ingresos de la manufactura de productos y partes aeroespaciales en Texas de 2020 a 2024 de acuerdo con datos y estimaciones de Statista, está en un incremento ligeramente alto, por lo que es una industria llamativa en la que FORM podría apostar en un inicio, tanto porque uno de sus clientes se encuentra en esa industria, como a que esa industria puede llegar a ser similar a la automotriz en la que FORM tiene experiencia, refiriéndonos al tipo de empaques que hace para partes electrónicas y no electrónicas de autopartes. Cabe recalcar que los ingresos esperados de esta área para 2024 son de 36.9 billones de dólares, por lo que, debido a su valor, si se encuentran los clientes correctos sería una industria de la que FORM se podría beneficiar considerablemente.
Las empresas más relevantes de San Antonio, Texas, que manufacturan estos productos, de acuerdo con Dun & Bradstreet, son Chromalloy, Component Service, Inc. (S.R. $103.06 M USD), Danbury Aerospace, Inc. (S.R. $29.71 M USD), Jeff Boner R&D, Inc. (S.R. $13.62 M USD), Advanced Integration Technology San Antonio, LP (S.R. $12.36 M USD), Sunbelt Design & Development, Inc. (S.R. $8.68 M USD), Aircraft On Ground, Inc. (S.R. $6.75 M USD), C & F Tool & Die Co., LLC ($6.53 M USD) y Spirit Aerosystems, Inc. (S.R. $6.22 M USD). Estas empresas pueden ser clientes potenciales de FORM en caso de que decidan apostar por expandirse en la oferta de sus productos y servicios hacia esta industria.
Información Relevante sobre la Industria de vehículos de motor y autopartes en Texas
Los ingresos de los comerciantes de vehículos de motor y autopartes en Texas de 2020 a 2024 de acuerdo con datos y estimaciones de Statista, está en incremento considerable, por lo que es una industria llamativa en la que FORM podría expandirse. Cabe recalcar que los ingresos esperados de esta área para 2024 son de 138.27 billones de dólares, por lo que, debido a su valor, si se encuentran los clientes correctos sería una nueva área en la que FORM podría ofrecer productos; además es una industria en la que ya tienen experiencia y podrían dar consultoría a la clientela estadounidense en que es lo que necesitan en cuestión de empaques. Es por esto que esta industria sería la principal a considerar, en cuestión de expansión.
Las empresas más relevantes de San Antonio, Texas, que manufacturan estos productos, de acuerdo con Dun & Bradstreet, son Xpel, Inc. (S.R. $323.99 M USD), Tk Holdings, Inc. (S.R. $107.09 M USD), Encontrols, LLC (S.R. $98.73 M USD), Toyoda Gosei Texas, LLC (S.R. $55.99 M USD), Toyotetsu Texas, Inc. (S.R. $48.89 M USD), Reyes Automotive Group, LLC (S.R. $28.74 M USD), Reyes Automotive Group II, LLC ($23.92 M USD) y Vintage Air, LLC (S.R. $21.16 M USD). Estas empresas pueden ser clientes potenciales de FORM en caso de que decidan apostar por expandirse en la oferta de sus productos y servicios hacia esta industria.
Estrategia Recomendada (Primer Acercamiento)
Lo que el equipo recomienda a FORM, es primero hacer un análisis interno de la empresa, para conocer las capacidades y limitaciones que tendrían a la hora de fabricar productos y servicios para las industrias y áreas manufactureras previamente comentadas. Una vez hecho este análisis, podrán realizar un catálogo de productos y servicios para cada industria; además se recomienda añadir en ese catálogo/portafolio, la experiencia y clientes que la empresa ha tenido a lo largo de los años.
Posteriormente se recomienda que con la ayuda del cliente Tesla se puedan adquirir nuevos clientes, a la vez en lo que se crea y termina el centro de distribución en Texas, se recomienda que la clientela potencial, sea en esa área, esto con la finalidad de disminuir costes de traslados y empezar a construir un nombre en USA de menos a más. En la parte anterior se compartieron los clientes potenciales de cada industria, esto con el objetivo de que la empresa conozca a quien le puede vender y el valor que tiene cada empresa en cuestión de ingresos; además en caso de querer buscar más opciones de clientela, en el apartado de referencias están los enlaces de donde se sacaron esa lista de clientela potencial.
Una vez seleccionado a los primeros clientes potenciales, se recomienda que la empresa los contacte y logren agendar una cita de negocios en donde le puedan enseñar a cada cliente por qué FORM es la empresa que necesitan para poder entregar sus productos de la manera más segura y eficiente posible.
Una vez adquirida la clientela, se espera que, con una buena atención, servicio y las tecnologías que FORM usa en sus procesos, las empresas vean que FORM es su mejor opción y después de haber sido atendidos, recomienden a la empresa con otras empresas con las que tengan algún tipo de asociación; esto causará una cadena la cual provocará que FORM se pueda expandir no solo de manera exitosa en San Antonio, Texas, sino también en otros estados de USA.
Búsqueda de información y datos
####¿Qué tipo de información / datos solicitarías al socio formador para mejorar EDA?
PPara mejorar el Análisis Exploratorio de Datos, sería de gran utilidad que el personal designado como Ayudante General participe en la encuesta que hemos diseñado como equipo.
Esta encuesta proporcionará información valiosa sobre cómo perciben la cultura organizacional las personas que desempeñan roles de Ayudante General. A través de ella, podremos identificar los factores que contribuyen a la rotación de personal en la empresa, ya sea relacionados con la comunicación, remuneración, sentido de pertenencia, oportunidades de crecimiento, dinámicas de trabajo en equipo, entre otros.
Estos datos nos permitirán generar conocimientos clave que nos ayudarán a desarrollar estrategias destinadas a reducir la rotación de personal y mejorar el ambiente y la cultura organizacional en el mediano y largo plazo.
Link del cuestionario https://docs.google.com/forms/d/e/1FAIpQLSfUBso17lXn5f6ZcDayBJVJVb7D44j1_Oq1VDIVOw04MMz9hw/viewform?usp=sharing
¿Qué tipo de información / datos de fuentes secudnarias buscarías para mejorar EDA
Cantidad de colaboradores que reciben capacitación en el área de Elaboración de Productos de Papel y Cartón.
Cantidad de colaboradores que cuentan con Seguros de Gastos Médicos Mayores en el área de Elaboración de Productos de Papel y Cartón.
Cantidad de colaboradores qué cuentan con un programa de ahorro/inversión en el área de Elaboración de Productos de Papel y Cartón.
(Opcional) Buscar información / datos de fuentes secundarias (por ejemplo, INEGI, Industria Nacional de Autopartes, Texas Economic Development Corportation, etc.) que contribuyan a mejorar EDA y la identificación de hallazgos releventes que respondan las preguntas de análisis. Citar las fuentes secundarias seleccionadas.
Datos sobre Artesanos y Trabajadores en la Elaboración de Productos de Papel y Cartón. De acuerdo al Gobierno de México, en el primer trimestre de 2023 la fuerza laboral se dividió de la siguiente manera, 29.7%, y 70.3 % mujeres; cabe recalcar que los hombres recibieron un salario promedio mensual de $4.06 k Mxn y las mujeres $2.6 k Mxn alrededor de la república. Esto nos confirma que en efecto sigue existiendo un tema de desigualdad de paga por cuestiones de género, estos problemas pueden causar inconformidad en las mujeres trbajadoras y que por ende busquen trabajo en otra industria o tengan qué buscar un segundo trabajo, y debido al cancancia acumulado, les cueste dar el 100% en sus trabajos. Hay diferentes disparidades de salarios alrededor de la República, en el caso del estado de Nuevo León, de acuerdo con un análisis realizado por el Centro de Investigaciones Económicas de la UANL, en el ámbito laboral las mujeres ganan 42% menos ingresos en promedio por hora qué los hombres. En este caso se recomienda a FORM revisar si este fenómeno se encuentra presente en la empresa, ya que en caso de qué exista, esto podría ser una de las razones por las cuales tienen bajas laborales.
Según Data México, los estados con los salarios promedio mensuales más altos para las personas que trabajan en la Industria de la Elaboración de Productos de Papel y Cartón son Nuevo León, con un promedio de $8.6k MXN, seguido de Tlaxcala con $7.34k MXN y la Ciudad de México con $5.73k MXN. Es importante destacar que aunque estos estados tienen salarios promedio más elevados, esto no garantiza una mayor lealtad de los empleados hacia sus empresas. Como hemos visto en FORM, a pesar de contar con salarios dignos, aún se registran tasas de rotación significativas.
Además, según Data México, la edad promedio de la fuerza laboral en esta industria es de aproximadamente 41 años. Este dato es relevante, ya que es probable que muchas de estas personas tengan responsabilidades familiares, incluyendo el cuidado de hijos u otros familiares. Después de su jornada laboral, es posible que enfrenten un segundo turno cuidando a alguien más, lo que puede resultar en una falta de descanso adecuado. Esta falta de descanso puede tener efectos negativos en su rendimiento laboral y bienestar personal.
PARTE III – REFLEXIÓN
Principales hallazgos identificados en las Partes I y II
1.- La gran mayoría de colaboradores son mujeres, esto tomará importancia más adelante, puesto que quizá sea necesario enfocarse en la segmentación por Género.
2.- México Importa más cajas de las que Exporta, siendo así que hay oportunidad local de crecimiento, específicamente hablando, Coahuila es un Estado con muy alto potencial para explotar al máximo la venta de cajas de cartón.
3.- La temperatura está relacionada con las bajas de FORM, a mayor temperatura más bajas. Además de que la estación del año con más bajas es en Verano (No Invierno como aseguraba la Empresa).
4.- La distancia es una variable que muestra que a medida que la distancia entre la vivienda del colaborador y FORM es menor, aumenta la probabilidad de que el trabajador renuncie.
5.- Las mujeres divorciadas y casadas, así como los hombres solteros que viven cerca, muestran una mayor propensión a renunciar.
6.- Debería considerar la contratación de personas que cumplan con los siguientes requisitos: - Tienen un ingreso diario superior a 218 pesos. - Tienen más de 51 años y ganan menos de 179 pesos diarios.
Sugerencias compartidas por los analistas de datos que fueron invitados
Las sugerencias de los analistas abarcaron varios puntos clave: - Destacaron la importancia de la curiosidad como una de las cualidades fundamentales. Ser una persona curiosa demuestra un profundo interés por aprender. - Otra sugerencia crucial es la habilidad para plantear preguntas y la disposición a hacerlo sin temor. Es preferible preguntar en lugar de quedarse con dudas o no proporcionar respuestas adecuadas. - La disposición para aprender fue resaltada como un elemento esencial, indicando la importancia de tener la flexibilidad y la mentalidad de querer aprender y aprovechar al máximo el trabajo. - También enfatizaron la idea de que siempre habrá alguien con más conocimiento o habilidades, por lo que mantenerse en constante aprendizaje y estar en grupos donde puedas ser la persona con menos conocimientos te reta a dar lo mejor de ti mismo.
PARTE IV - ANEXO
Hallazgos
FORM es una empresa cuyo diferenciador es brindar soluciones especializadas relacionadas con las necesidades del empaque dentro de la cadena de suministro del cliente. No cuentan con un portafolio de productos sino más bien con una metodología de solución que llaman “La Ruta del Empaque” que a través de 5 pasos aseguran cumplir con los estándares de calidad:
1. Entender la problemática.
2. Identificar oportunidades.
3. Desarrollo de prototipos.
4. Pruebas piloto y evaluación de resultados.
5. Producción, suministro y servicio.
Proveen empaques a la industria automotriz, sin embargo, se especializan concretamente en partes interiores y eléctricas. Además, ofrecen la opción de un software para administrar dicho empaque.
Por otro lado, parte de su talento humano está integrado por 6 ingenieros, quienes se encargan de desarrollar diseños innovadores y eficaces. En el ámbito administrativo trabajan alrededor de 30 personas mientras que a nivel operativo 100 colaboradores. Además, en Durango cuentan con personas que administran sus redes con el fin de conseguir empleados.
Sus principales competidores en México son:
1. Empaques retornables: Bradford México, Helsa, Conteyor, Victory Packaging, Versatech y Orbis.
2. Empaques de cartón: Empaques Figueroa, HT y Río Grande.
Las zonas geográficas donde buscan tener presencia son:
1. Monterrey-Saltillo.
2. Bajío.
3. San Antonio, Tx.
Lo que busca FORM de la relación con el ITESM Campus Monterrey, se divide en dos vertientes:
1.Recursos Humanos: encontrar soluciones coherentes y sostenibles para la selección, retención y satisfacción del personal. Además de mejorar su clima organizacional.
2. Mercado/Comercialización: crear un sistema o modelo operativo de inteligencia comercial que les permita acceder de forma más sencilla con clientes potenciales para la empresa. Asimismo, la diversificación e industrias atractivas para venderles.
Las principales preocupaciones del CEO son:
1. Alta dependencia sobre ciertos clientes.
2. La permanencia de los empleados en la empresa.
3. Incertidumbre de Seguridad, Económica y Política de México con otros países.
4. La empresa todavía depende de él al 100%.
Ideas
Recursos Humanos
1.- A partir de los datos identificar características específicas (variables) de los colaboradores, para agruparlos por tiempo en la empresa, área laboral, rangos de edad, sexo, estado civil, ubicación geográfica y otras variables relevantes que nos permitan identificar los perfiles de aquellos colaboradores con una alta tendencia a permanecer por más tiempo en la empresa y aquellos con alta tendencia a rotar rápidamente. Esto permitirá identificar el tipo de perfil que debe contratar FORM para mitigar el riesgo por rotación, además de encontrar las variables más significativas que expliquen el tiempo que permanece un colaborador en la empresa.
2.- Una vez identificada el tipo de cultura organizacional qué tienes y los datos de esta, ofrecer un ambiente de desarrollo profesional, en donde lo qué se busca es capacitar al personal en diferentes áreas de utilidad para la empresa, con la finalidad de qué puedan hacer un mejor trabajo para el beneficio del crecimiento de la empresa; y también para qué el personal tenga un plan de desarrollo. Las capacitaciones se llevarían a cabo en un espacio determinado dentro de la empresa, en donde el personal pueda tomar cursos de la aplicación Masterclass
3.- Crear una cultura de Innovación, esto se puede hacer mediante capacitación y la implementación de una “Idea Box”, en la cual durante 3 semanas estará abierta y la gente podrá poner propuestas e ideas qué consideren qué puedan beneficiar a la empresa y sus colaboradores. En la semana 4 se analizarán las ideas y se seleccionará la mejor idea, a la persona qué haya creado dicha idea se le dará un premio el cual consideré la empresa propia. El efecto de esta “Idea Box”, es qué invita a la gente a innovar, se pueden obtener proyectos los cuales ayudan a mejorar los procesos de la empresa, crea un ambiente competitivo y provoca qué la empresa no pare de generar ideas.
Estrategias de Comercialización
1.- Expandirse a las industrias de muebles y arte, enfocándose principalmente en la oferta de empaques para transportar y salvaguardar sus productos; esto permitiría a la empresa diversificar su clientela y el tipo de productos qué ofrecería.
2.- Crear un modelo de toma de decisiones, para identificar aquellos tratos y/o empresas convenientes y llamativas para FORM. Se requiere una asignación numérica u ordinal a cada una de las existentes, para a partir de ello entrenar el modelo y que posteriormente arroje resultados para ordenar y/o clasificar los negocios y tratos futuros. Esto permitirá que, a partir de ciertas variables, en automático se asigne una “calificación” a una empresa o trato y se pueda tomar una mejor decisión, incluso sin la necesidad de la intervención del CEO.
Nota
Debido al alto costo en fletes no han querido expandir su planta más allá de TEXAS, sin embargo tienen 3 regiones con área de oportunidad que son: El bajío, Monterrey-Saltillo y San Antonio.
PARTE V - REFERENCIAS
Referencias Entregable 1
Admin. (2023). Proveedora mexicana de empaques ecológicos apuesta por sector automotriz de Estados Unidos. Form. https://form.com.mx/proveedora-mexicana-de-empaques-ecologicos-apuesta-por-sector-automotriz-de-estados-unidos/
Cepeda, F. (2023, January 12). Prepara FORM plan para competir en EU. El Financiero. https://www.elfinanciero.com.mx/monterrey/2023/01/12/prepara-form-plan-para-competir-en-eu/
Fabricación de Productos de Cartón y Papel: Salarios, producción, inversión, oportunidades y complejidad | Data México. (2023). Data México. Acceso: Agosto 18, 2023, de: https://www.economia.gob.mx/datamexico/es/profile/industry/converted-paper-product-manufacturing?investmentFdiTime=Year
Comercio al por Menor de Partes y Refacciones para Automóviles, Camionetas y Camiones: Salarios, producción, inversión, oportunidades y complejidad | Data México. (2023). Data México. Acceso: Agosto 18, 2023, de:https://www.economia.gob.mx/datamexico/es/profile/industry/retail-trade-of-spare-parts-for-cars-and-trucks?genderOrInformal=totalOption&yearSelectorGdp=timeOption0&investmentFdiTime=Year
Fabricación de Automóviles y Camiones: Salarios, producción, inversión, oportunidades y complejidad | Data México. (2023). Data México. Acceso: Agosto 18, 2023, de: https://www.economia.gob.mx/datamexico/es/profile/industry/motor-vehicle-manufacturing?yearSelectorGdp=timeOption0
Statista Research Department. (2013, Septiembre 30). Industry revenue of “Other automotive vehicle parts manufacturing“ in Mexico from 2012 to 2024. Statista. Acceso: Agosto 18, 2023, de: https://0-www-statista-com.biblioteca-ils.tec.mx/forecasts/1170831/other-automotive-vehicle-parts-manufacturing-revenue-in-mexico
Carlier, M. (2021, Octubre 26). Transportation & Logistics› Vehicles & Road Traffic Automotive industry in Mexico - statistics & facts. Statista. Acceso: Agosto 18, 2023, de: https://0-www-statista-com.biblioteca-ils.tec.mx/topics/7249/automotive-industry-in-mexico/#topicOverview
Euromonitor International. (2022, Diciembre 7). Corrugated Paper, Paperboard and Containers in Mexico: ISIC 2102. Passport Euromonitor. Acceso: Agosto 18, 2023, de: https://www.portal.euromonitor.com/analysis/tab
FORM. (2023). Proveedora mexicana de empaques ecológicos apuesta por sector automotriz de Estados Unidos. Form. Acceso: Agosto 18, 2023, de: https://form.com.mx/proveedora-mexicana-de-empaques-ecologicos-apuesta-por-sector-automotriz-de-estados-unidos/
U.S. automotive aftermarket industry size report, 2030. U.S. Automotive Aftermarket Industry Size Report, 2030. (n.d.-a). https://www.grandviewresearch.com/industry-analysis/us-automotive-aftermarket
Publicado por Abigail Orús, & 2023, 28 feb. (2023a, February 28). Automóviles: Ventas por fabricante Estados Unidos 2021-2022. Statista. https://es.statista.com/estadisticas/634261/estados-unidos-ventas-de-automoviles-por-fabricante-diciembre/
Informe del Mercado Automotriz de América del Norte: Tamaño, Participación, Crecimiento y Tendencias (2022-27). Informe del mercado automotriz de América del Norte | Tamaño, participación, crecimiento y tendencias (2022-27). (n.d.). https://www.mordorintelligence.com/es/industry-reports/north-america-automotive-market#:~:text=Estados%20Unidos%20es%20una%20de,que%20el%20año%20anterior%2C%202019.
Diaz, L. O. (2023, April 11). Texas y su relevancia en la industria automotriz. SPC Pro. https://spcpro.com/2023/04/texas-y-su-relevancia-en-la-industria-automotriz/#:~:text=El%20sector%20automotriz%20en%20Texas,Toyota%2C%20General%20Motors%20y%20Tesla.
Referencias Entregable 2
Situación Problema 1 Statista Research Department. (2021, September 30). Industry revenue of “aerospace product and parts manufacturing“ in Texas from 2012 to 2024. Statista. Retrieved August 30, 2023, from https://0-www-statista-com.biblioteca-ils.tec.mx/forecasts/1205096/aerospace-product-and-parts-manufacturing-revenue-in-texas
Dun & Bradstreet. (n.d.). Aerospace Product And Parts Manufacturing Companies In San Antonio, Texas, United States Of America. Retrieved August 30, 2023, from https://www.dnb.com/business-directory/company-information.aerospace_product_and_parts_manufacturing.us.texas.san_antonio.html
Statista Research Department. (2021b, September 30). Industry revenue of “motor vehicle and parts dealers“ in Texas from 2012 to 2024. Statista. Retrieved August 30, 2023, from https://0-www-statista-com.biblioteca-ils.tec.mx/forecasts/1205324/motor-vehicle-and-parts-dealers-revenue-in-texas
Dun & Bradstreet. (n.d.-b). Motor Vehicle Parts Manufacturing Companies In San Antonio, Texas, United States Of America. Retrieved August 30, 2023, from https://www.dnb.com/business-directory/company-information.motor_vehicle_parts_manufacturing.us.texas.san_antonio.html
Statista Research Department. (2021b, September 30). Industry revenue of “medical equipment and supplies manufacturing“ in Texas from 2012 to 2024. Statista. Retrieved August 30, 2023, from https://0-www-statista-com.biblioteca-ils.tec.mx/forecasts/1205226/medical-equipment-and-supplies-manufacturing-revenue-in-texas
Dun & Bradstreet. (n.d.-b). Medical Equipment And Supplies Manufacturing Companies In San Antonio, Texas, United States Of America. Retrieved August 30, 2023, from https://www.dnb.com/business-directory/company-information.medical_equipment_and_supplies_manufacturing.us.texas.san_antonio.html
Situación Problema 2
En Nuevo León las mujeres ganan en promedio,42% menos ingresos por hora que los hombres: UANL. (2023, March 8). EL ECONOMISTA. Retrieved September 1, 2023, from https://www.eleconomista.com.mx/estados/En-Nuevo-Leon-las-mujeres-ganan-en-promedio42-menos-ingresos-por-hora-que-los-hombres-UANL-20230308-0084.html
Artesanos y Trabajadores en la Elaboración de Productos de Papel y Cartón. (2023). Data Mexico. Retrieved September 1, 2023, from https://www.economia.gob.mx/datamexico/es/profile/occupation/artesanos-y-trabajadores-en-la-elaboracion-de-productos-de-papel-y-carton
El Tiempo en Monterrey en 2022 (México) - Weather Spark. (s.f.). Weather Spark. https://es.weatherspark.com/h/y/5154/2022/Datos-hist%C3%B3ricos-meteorol%C3%B3gicos-de-2022-en-Monterrey-M%C3%A9xico#Figures-Temperature
¿Qué es el análisis exploratorio de datos? | IBM. (n.d.). https://www.ibm.com/mx-es/topics/exploratory-data-analysis