Entregable 1 - Evidencia 1
EQUIPO: DATA ENIGMA | Integrantes: Enrique de Zavala Mancera A00828281
2023-08-25
Este entregable tiene el objetivo de explorar y conocer a la empresa y su contexto, mediante el anáisis de fuentes de información primarias y secundarias. Además se usará la plataforma RStudio y Excel para poder analizar y visualizar datos que nos ayuden a comprender de mejor manera a la empresa y sus posibles áreas de oportunidad
Resumen de la sesión de kick off del Socio Formador - FORM
El resumen se encuentra en el anexo de este documento
Antecedentes de la Empresa FORM
Visión
En 2033 seremos una de las cinco mejores compañías de México que generan valor dentro de la cadena de suministro de las industrias que más valoran la forma en la que se protegen y trasladan las cosas.
Misión
Transformar nuestro entorno y resolver retos industriales de nuestros clientes a través de la colaboración, provocando nuevas oportunidades que potencian nuestro modelo de negocio, para alcanzar nuestros ideales.
Objetivos Estratégicos
- Tecnificar la producción
- Utilizar más los datos para la toma de decisiones
- Generar un sentido de pertenencia en los colaboradores
- Diversificación extranjera en Estados Unidos para incrementar presencia
- Ser de las empresas que mejor paguen en Nuevo León
Análisis de las áreas de la Empresa usando las bases de datos
Librerías
A continuación se muestran las librerías que se usaron para poder realizar el análisis y visualización de datos de FORM y su Industria.
library (tidyverse)
library (foreign)
library (ggplot2)
library(dplyr)
library(scales)
library(ggrepel)Paletas de Colores
Se creó una paleta de colores con el fin de que el documento y sus gráficas tuvieran la misma sintonía de colores y se tuviera un formato profesional
colores_base <- c("darkorange", "darkgoldenrod", "tan")
generar_variantes <- function(color, n) {
color_fun <- colorRampPalette(c("ivory", color))
return(color_fun(n))
}
mi_paleta <- c(colores_base, generar_variantes(colores_base[1], 10), generar_variantes(colores_base[2], 10), generar_variantes(colores_base[3], 10))Carga de bases de datos
Lo que se hizo fue crear dataframes para las bases de datos de FORM y la Industria.
Autoparts<-read.csv("/Users/enrique/Downloads/US_Auto_Parts_Industry.csv")
CarProduction<-read.csv("/Users/enrique/Downloads/US_Auto_Production_Sales.csv")
ImpCartonBox<-read.csv("/Users/enrique/Downloads/Importers of Cartons boxes cases of corrugated paper or board 2020-2021.csv")
ExpCartonBox<-read.csv("/Users/enrique/Downloads/Exporters of Carton boxes cases of corrugated paper or board 2020-2021.csv")
RH_info<-read.csv( "/Users/enrique/Downloads/form_rh_datos-2.csv")
Data1 <- read.csv("/Users/enrique/Downloads/mx_exportacion_autos.csv")
RHB <-read.csv("/Users/enrique/Downloads/form_rh_bajas_datosB.csv")
Ndatos<- read.csv ("/Users/enrique/Downloads/hybrid_car_units.csv")
mx_exauto <- read.csv("/Users/enrique/Downloads/mex_exports_autoparts.csv")
Autopartes <- read.csv("/Users/enrique/Downloads/Autopartes.csv")
ventas_carton <- read.csv("/Users/enrique/Downloads/ventas.csv")Viusalización de Datos Inicial
Lo que se hizo fue visualizar las diferentes bases de datos para conocer el tipo de datos que tienen, el nombre de las columnas y si cuentan con espacios donde en vez de información
Gráficas RH
En esta sección mediante el uso de ggplot y funciones/argumentos para filtrar y limpiar la base de datos, se realizaron gráficos que nos permiten entender mejor a FORM
RH1<-RH_info%>%select(FECHA.DE.NACIMIENTO,GENERO,Primer.mes,FECHA.DE.ALTA,X4to.mes,PUESTO,DEPARTAMENTO,SALARIO.DIARIO.IMSS,ESTADO.CIVIL,TARJETA.CUENTA)
g = ggplot(RH1, aes(PUESTO, fill=GENERO) ) + labs(title = "Distribución de Genero Por puesto de Trabajo",x="Puesto (Abreviado)")+ylab("Número de Personas") + theme(plot.title = element_text(size = rel(2), colour = "darkgoldenrod3"))
g+geom_bar(position="dodge") + scale_fill_manual(values = mi_paleta) +
theme(axis.title.x = element_text(face="bold", size=10)) + theme_minimal() 
Este gráfico nos muestra la distribución de genero por puesto de trabajo. Como se puede ver hay una mayor cantidad de mujeres en FORM, especialmente en el puesto de ayudante general.
RHB <- rename (RHB,MOTIVO.DE.BAJA = "MOTIVO.DE.BAJA")
Bajas_por_genero<- select(RHB,GENERO,MOTIVO.DE.BAJA)
ggplot(Bajas_por_genero, aes(GENERO))+geom_bar(aes(fill=MOTIVO.DE.BAJA), width = 0.5)+ggtitle ("Motivos de baja por genero")+ theme_minimal() + scale_fill_manual(values = mi_paleta)
Existe una diferencia significativa entre el género de los empleados, ya que se puede observar que hay muchas más mujeres que hombres. De igual forma, la diferencia entre los motivos de baja de los empleados es notoria, pues en ambos sexos el principal motivo es por faltas. Esto es algo alarmante para FORM, ya que significa que los empleados no tienen responsabilidad laboral y no están realmente comprometidos con la empresa.
ggplot(RHB, aes(GENERO)) +
geom_bar(aes(fill = GENERO), width = .25) + # Utiliza GENERO para determinar los colores
labs(title = "Distribución de Género por Días Laborados ante de Salir",
x = "Género",
y = " Promedio de Días de trabajo") +
theme_minimal() + scale_fill_manual(values = mi_paleta)
En la gráfica se muestran los días trabajados antes de salir de la empresa por genero; Las mujeres tienen un promedio superior al de los hombres. Se puede observar que los hombres que salieron de la empresa trabajan en un rango de 100 días y las mujeres en aproximadamente 130 días.
rh_m <- RH_info %>%
slice(-22)
municipios <- rh_m %>%
filter(ESTADO=="NUEVO LEON") %>%
group_by(MUNICIPIO, GENERO) %>%
summarise(total_personas = n_distinct(NOMBRE))
ggplot(municipios, aes(x = MUNICIPIO, y = total_personas, fill = GENERO)) +
geom_col() +
labs(title = "Colaboradores por Municipio",
x = "Municipio",
y = "Total de Personas",
fill = "Género") +
theme_minimal() + scale_fill_manual(values = mi_paleta) +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
En este gráfico podemos observar a que municipio pertenece cada uno de los colaboradores, esta información nos permite identificar la distancia o el tiempo que les toma llegar a la planta. Con esta información podemos tomar decisiones en cuanto a transporte para personal o incluso identificar posibles riesgos.
Desempeño Reciente de FORM
- Acreedor al Premio Nacional de Envase en 2010, 2014,2015,2016,2017,2019 y 2022, reconociendo la sostenibilidad de los envases y embalajes como producto de la innovación.
- Innovación con patente global que permite a las compañías reducir espacio y ahorrar en logística. Se trata de una caja que disminuye el espacio en almacén y aumenta la capacidad de empaque un 10-15% para productos del sector automotriz.
- En 2022 Tesla se convirtió en uno de sus nuevos socios, FORM le provee cajas de cartón personalizadas, es una línea personalizada en donde se crean piezas vista, electrónicas o de Clase A.
- En los últimos 5 años la empresa a duplicado su crecimiento y en pandemia logró mantener su volumen de ventas.
- Gracias a la inversión en años anteriores, hoy en día la empresa cuenta la certificación ISO 9000-2015.
Factores Diferenciadores de FORM
1. Especialización en cartón corrugado
2. Años de experiencia en la Industria
3. Versatilidad en retornables
4. Consultoría en Ingeniería de empaque
5. Software de Administración de empaque
6. Visión de adquisición de clientes
Contexto de la Industria
Análisis de la Industria (Cartón, Autopartes, Automotriz) para el caso de México y E.U.A., usando datos de fuentes secundarios y las bases de datos proporcionados por el profesorado.
Industria Automotriz
México
Sobre la Industria Automotriz de acuerdo con Data México y el DENUE 2022 la fabricación de automóviles y Camiones registró 73 unidades económicas; siendo CDMX (9), EDOMEC (9) y Nuevo León (7) los estados con más unidades. Otros estados del norte qué cuentan con un número significante de unidades económicas son Baja California y Coahuila de Zaragoza.
Los Estados qué más han recibido Inversión Extranjera Directa en 2022, fueron Guanajuato ($989 millones de USD), CDMX ($515 millones de USD ) y Baja California ($329 Millones de USD); estas inversiones provienen de 3 principales países siendo estos Estados Unidos con $1,327 Millones de USD, Japón con $911 Millones de USD y Corea del Sur con $507 millones de USD.
Esta información es importante tenerla ya qué nos permite conocer en qué estados se está produciendo e invirtiendo más en lo Automotriz y por ende pueden ser zonas de oportunidad en donde la empresa puede ofertar sus productos y servicios de empaque de autopartes; a la vez el hecho de saber qué países están invirtiendo puede ayudar a conocer a qué tipo de cliente se le estará intentando vender, y en caso de qué la relación de negocio sea exitosa, a qué países en un futuro se puede expandir.
A la vez Carlier Mathilde (2021), Reserch Expert de Statista, comenta qué de acuerda a las previsiones del mercado la Industria automotriz apunta a un crecimiento constante en los próximos 4 años, esto se traduce a qué FORMS seguirá teniendo demanda y podría aumentar al pasar de estos 4 próximos años. Además, comenta qué gracias al acuerdo USMCA entre USA, México y Canadá, se renovaron las regulaciones de libre comercia, por lo que la expansión de FORMS a San Antonio y su exportación a USA no debería contener inconvenientes legales.
USA
Según datos de Mordor Inteligencie Estados Unidos es una de las principales industrias automotrices en el mundo ya que contribuye con un 3% de producto interno bruto en todo el país. En el año 2022 la producción de vehículos tuvo un total de 10,060,339 unidades lo que en su caso es un crecimiento de 9.74% respecto al 2021.
De acuerdo con datos de Bankinter Estados Unidos se posiciona en el segundo puesto de fabricación de coches previstos para el 2023.
En Estados Unidos los principales vendedores de autos en el año 2022 fueron General Motors, Toyota Motor y Ford. en cuáles los principales estados son: Michigan Ohio indiana Kentucky Tennessee Alabama Texas y California.
En Texas se encuentran una de las industrias automotriz más importantes las cuales son Toyota General Motors y Tesla. Tesla tiene su mega fábrica en el área de Austin y se espera que el proyecto cree 5000 nuevos empleos y más de 1000 millones de dólares en inversión de capital. Además de esto en Texas según datos de la “SPC pro” representó el 20% del total de Estados Unidos en la industria automotriz.
Gráficas de la Industria Automotriz
Exportaciones de Autos en México por Marca
Exportaciones <-Data1 %>% group_by(Marca) %>% summarise(num_exportaciones=n()) %>% arrange (desc(num_exportaciones))
Marca_mas_exportaciones <- Data1 %>% filter(Marca %in% c("Nissan","Volkswagen","General Motors","Chrysler","Mazda","Ford Motor","KIA","Honda","Fiat","Audi"))
ggplot(Marca_mas_exportaciones,aes(Marca,fill=Marca))+geom_bar()+ggtitle ("Top 10 Exportaciones por Marca") + theme_minimal() + scale_fill_manual(values = mi_paleta) +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
La marca con más exportaciones por año es Nissan, con casi 24000 unidades, esto es conveniente para el socio formador ya que, al ser una Marca de origen japones, entra en el mercado de clientes que le interesan a FORM.
Regiones <- filter(Ndatos,region %in%
c("Centro-Norte","Norte","Norte-Occidente","Centro","Sur"))
ggplot(data=Regiones,
aes(x=region,y=hybrid_car_units,fill=region
)) + geom_boxplot() + ylim(0,1000) +
theme_minimal() + ylab("Unidades de carros hybridos") +
ggtitle("Unidades de carros hybridos por zonas de México") + theme(axis.text.x = element_text(angle = 45, hjust = 1)) + scale_fill_manual(values = mi_paleta)
En esta gráfica vemos la cantidad de carros híbridos por zonas de México en la que la mayor venta se dan en la zona Norte pero el mayor rendimiento es en la zona Norte Occidente. También se puede ver que el peor sector es el del Sur.
Autopartes
México
De acuerdo con Data México y el Censo Económico 2019, la producción bruta del Comercio al por Menor de Partes y Refacciones para Automóviles, Camionetas y Camiones, fue de un total de $89,695 millones de pesos; los estados con mayor producción fueron CDMX con $8,898 millones de pesos y Jalisco con $8,457 millones de pesos. Este dato es importante a considerar porque permite qué estados son los que más están produciendo autopartes en México y por ende son clientes potenciales para FORMS.
Los Estados qué más han recibido Inversión Extranjera Directa en 2022, fueron Querétaro ($14 millones de USD), Coahuila de Zaragoza ($2.71 millones de USD) y CDMX ($2.69 Millones de USD); estas inversiones provienen de 3 principales países siendo estos Japón, Corea del Sur y Canadá. Esta información es importante tenerla ya que nos permite conocer en que estados se está produciendo e invirtiendo más en el Comercio de Autopartes al por Menor y por ende pueden ser zonas de oportunidad en donde la empresa puede ofertar sus productos y servicios de empaque de autopartes; a la vez el hecho de saber qué países están invirtiendo puede ayudar a conocer a qué tipo de cliente se le estará intentando vender, y en caso de qué la relación de negocio sea exitosa, a qué países en un futuro se puede expandir.
También Statista nos ayuda a corroborar que esta industria seguirá en demanda ya que pronostico qué el ingreso de esta industria pasará de $11,27 Billones de USD en 2022 a $13,98 Billones de USD en México, por lo que los clientes actuales de esta industria seguirán necesitando paquetes y cajas de FORM.
USA
La industria de autopartes en Estados Unidos está estimada en 205.81 miles de millones de dólares, y se espera tener un crecimiento de 4.1% del 2023 al 2030. El mayor mercado en Estados Unidos para las autopartes son los aires acondicionados suspensiones interiores transmisiones sistemas de maniobró radios radiadores tecnología frenos entre otros.
Otra de las medidas tendencias que pueden hacer que el mercado crezca en Estados Unidos es el incremento en la venta de vehículos electrónicos los cuales necesitan varias partes y la venta anual de vehículos eléctricos en Estados Unidos pasó 172.1 miles de unidades en 2021 lo que indica una demanda alta por partes y componentes que necesita el mercado Estados Unidos también es el más grande mercado en este tipo de vehículos con manufactureras como Cadillac GMC Tesla Chrysler las cuales lideran el mercado de vehículos electrónicos.
Texas en el mercado de autopartes aparte de cero un albergue de industrias muy grandes también tiene una mezcla de fabricantes y proveedores que ayudan a su economía automotriz.
Gráficas de la Industria de Autopartes
resultados <- mx_exauto %>%
filter(year >= 2020) %>%
group_by(year, State) %>%
summarise(ventas_totales = sum(trade_value))
ggplot(resultados, aes(x = State, y = ventas_totales, fill = factor(year))) +
geom_bar(stat = "identity", position = "dodge") +
labs(title = "Ventas Totales por Año y Estado",
x = "Estado",
y = "Ventas Totales",
fill = "Año") +
theme_minimal() +
theme(legend.position = "top") +
theme(axis.text.x = element_text(angle = 90, hjust = 1)) +
scale_y_continuous(labels = scales::comma)+scale_fill_manual(values = mi_paleta)
En este gráfico podemos observar la participación de los distintos estados de México en las exportaciones de autopartes, esto nos permite visualizar a grandes rasgos en que estados es en donde hay más exportación de autopartes a países extranjeros. Estos hallazgos nos permiten tomar decisiones estratégicas, como por ejemplo elegir alguna ubicación estratégica para un almacén, punto de distribución o incluso una planta.
ggplot(Autopartes, aes(x = year)) +
geom_bar(aes(y = imports_from_US, fill = "Importaciones desde US"), stat = "identity", position = "dodge") +
geom_bar(aes(y = total_imports - imports_from_US, fill = "Total de importaciones"), stat = "identity", position = "dodge") +
labs(title = "Importaciones de Autopartes por Año",
subtitle = "Industria Automotriz",
caption = "Mexico Automotive Industry - International Trade Administration - USD Billions",
x = "Año",
y = "Importaciones") +
scale_fill_manual(values = c("Importaciones desde US" = "ivory2", "Total de importaciones" = "darkorange")) +
theme_minimal() +
labs(fill = "Tipo de Importación")
Tanto el total de importaciones como las que provienen de US han incrementado con el paso de los años, solamente en el 2020 hubo una disminución debido a la pandemia de Covid-19, pero después recuperó su comportamiento. Además, es importante mencionar que las importaciones desde US representan más del 50% del total de importaciones.
Cartón
México
Según datos de Euromonitor (2022), El mercado de papel corrugado, cartón y contenedores en México ocupa el primer lugar en Latinoamérica, al igual que su crecimiento del tamaño de mercado. El número de empresas presente en esta industria en 2021 fue de 8984 y va en crecimiento; aunque se podría decir qué la industria está fragmentada ya que solo las 5 empresas más grandes representan el 7.2% del valor de producción. Por último, la rentabilidad de la industria creció y logró llegar al 34.5% en 2021, y apunta a seguir creciendo. Estos datos nos indica qué México sigue siendo un país importante en esa industria en Latinoamérica, qué tiene futuro y por ende FORMS puede seguir en ella, pero también es una industria competitiva debido a la gran diversidad de empresas; por lo que FORMS deberá seguir innovando para mantenerse competitiva en el mercado.
De acuerdo a datos del DENUE 2022 en la Industria de la Fabricación de Productos de Cartón y Papel se registraron un total de 6,099 unidades económicas; siendo Estado de México (481), Jalisco(461), Veracruz de Ignacio de la Llave (418) y Nuevo León (329), los estados más relevantes. Esta información nos permite conocer en donde se podrían encontrar los competidores más fuertes de FORM.
Los Estados qué más han recibido Inversión Extranjera Directa en 2022, fueron Estado de México ($54.8 millones de USD), Baja California ($21.3 millones de USD ) y Nuevo León ($19.8 Millones de USD); estas inversiones provienen de 3 principales países siendo estos Irlanda, Estados Unidos y Nueva Zelanda.
Esta información es importante tenerla ya que nos permite conocer en que estados se está produciendo e invirtiendo más en la Fabricación de Productos de Cartón y Papel y por ende pueden ser zonas de oportunidad en donde la empresa puede buscar inversores para poder potenciar al crecimiento de la empresa y en caso de qué las relaciones sean exitosas a qué países en un futuro pueden exportar sus productos.
USA
De acuerdo con datos de Euromonitor International, La rentabilidad de la industria dentro de USA está disminuyendo, esto es debido a que los costes han aumentado un 8.1% en 2021; lo cual fue consecuencia en gran medida por el aumento en costos de las relaciones B2B.
Conforme a las competencias dentro de la industria, en 2021 se portó que 1369 empresas se integraron a la industria de Contenedores de Papel y Cartón corrugado. El sector se encuentra fragmentado debido a que el 43.2% del valor de producción en 2021 fue ocasionado por las 5 principales empresas; la empresa con mayor valor y fuerza en el mercado es WestRock Co, empresa qué generó el 10% del valor de producción total de la industria en 2021. Esta Industria está dominada por proveedores nacionales ya qué las importaciones representan el 5.8% del tamaño total del mercado en 2021.
Ahora bien, de acuerdo con la demanda USA tiene el mercado más grande dentro de los 20 principales países desarrollados, teniendo una demanda en 2021 equivalente a 56.1 billones de dólares. Cabe recalcar que B2B es el principal impulsor del mercado, representando el 92.4% de la demanda en 2021.
Estos datos nos dicen qué si bien la competencia es alta y dura en Estados Unidos, aun así, puede FORM ingresar a esta industria; si la rentabilidad sigue disminuyendo y los costes aumentando, las empresas qué ocupan este producto comenzarán a buscar otros proveedores con precios más accesibles, por lo que si FORM mantiene sus precios una vez instalados en San Antonio o siguen exportando sus productos, podrían tener éxito al expandirse a USA.
Gráficas de la Industria de Castón
Específicamente, de la importación y exportación de cajas
Gráfica Importación de cajas a USA
ICB2<-ImpCartonBox%>%arrange(desc(Trade.Value))
ICB3<-ICB2%>%filter(Trade.Value>=123989664)
ggplot(ICB3, aes(x=Trade.Value, y=Country, fill=Country)) + geom_bar(stat="identity") + xlab("") + labs(x="Trade Value en 2021",title = "Top 20 países importadores de cajas de cartón", subtitle = "Según su Trade Value en el año 2021") + scale_x_continuous(labels=function(n){format(n, scientific = FALSE)}) + theme_minimal() + scale_fill_manual(values = mi_paleta)
Esta gráfica nos permite visualizar que países importan más y por ende se puede conocer a que países se puede expandir FORM en un futuro o en qué país puede conseguir nueva clientela internacional.
ECB2<-ExpCartonBox%>%arrange(desc(Trade.Value))
ECB3<-ECB2%>%filter(Trade.Value>=101375372)
ggplot(ECB3, aes(x=Trade.Value, y=Country, fill=Country)) + geom_bar(stat="identity") + xlab("") + labs(x="Trade Value en 2021",title = "Top 20 países exportadores de cajas de cartón", subtitle = "Según su Trade Value en el año 2021") + scale_x_continuous(labels=function(n){format(n, scientific = FALSE)})+ theme_minimal() + scale_fill_manual(values = mi_paleta)
Esta gráfica nos permite visualizar que países son los que más exportan cajas y empaques de cartón, por ende se puede saber que países pueden tener empresas que puedan ser una amenaza para FORM, además se conoce que países no pueden ser tan convenientes para hacer negocios, debido a la alta competencia.
ggplot(ventas_carton, aes(x = Mes, y = Carton)) +
geom_bar(stat = "identity", fill = "darkorange") +
labs(title = "Ventas de Carton por Mes", subtitle = "2022", x = "Mes", y = "Ventas MDP") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 20, hjust = 1)) + scale_x_discrete(limits = ventas_carton$Mes)
Se puede observar que las ventas de cartón durante el 2022 incrementaron al final de cada trimestre, es decir, en los meses de Marzo, Junio y Septiembre, sin embargo, el mes de Agosto tuvo incrementos considerables con respecto al mes anterior.
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.
image info
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
image info
Estrategias
1. Analizar las tendencias de consumo internacional para poder incrementar la producción de cartón retornable y así minimizar costos y factores ecológicos de riesgo como la superficie forestal perdida.
2. Automatizar los procesos de elaboración de los empaques a través de la innovación tecnológica hará que se aceleren los procesos y se reduzcan costos. Esto daría la posibilidad de abastecer a la demanda de forma más rápida.
3. Una de las tendencias en la industria del embalaje es la preocupación por el packaging sostenible, por lo tanto, FORM podría apostar por materiales alternativos que le ayuden a aumentar su % de producción de retornable, además de la integración de prácticas de diseño y producción más interactivas y sostenibles, y fomentar el reciclaje avanzado.
Entregable 2 Evidencia 1
Situación Problema 2
Explorar, definir, y describir cuáles son los principales factores del clima organizacional de FORM que propician la satisfacción y/o no satisfacción de trabajar en dicha empresa.
Preguntas de Análisis
Se crearon 6 preguntas clave que junto con el uso de los datos compartidos por la empresa, nos ayudarán a descubrir y entender la verdadera situación de FORM, con respecto al clima organizacional.
Para responder a las preguntas de análsis, se hará un análisis exploratorio de datos en donde con el uso de Estadísticos Descriptivos, Medidas de Dispersión, Gráficos para la Visualización de Datos, Tablas de Frecuencia y Tablas de Contingencia, se responderán dichas preguntas y podremos obtener insights de como podría ayudar a FORM a que explote su verdadero potencial.
Para cada pregunta se usaron diferentes librerías, paquetes,bases de datos y argumentos, esto con la finalidad de poder manejar los datos de una forma eficiente y así comprenderlos de mejor manera, a la vez gracias al uso de diferentes gráficas y tablas se puede tener una mejor visualización de datos. En cada pregunta se realizan diferentes códigos con la finalidad de responder a las preguntas de la mejor manera posible con los datos que la empresa FORM nos proporcionó
Limpieza de datos: Necesaria para que se pueda manejar la información de manera correcta
Librerías usadas
library(readxl)
library(tidyverse)
library(writexl)
library(psych)
library(dplyr)
library(lubridate)
library(opencage)
library(httr)
library(geosphere)
library(leaflet)
library(ggmap)Carga de la base de datos
datos_2022 <- read.csv( "/Users/enrique/Downloads/B_form_rh_bajas_datos_2022.csv")
datos_2023 <- read.csv("/Users/enrique/Downloads/BDD_FORM_BAJAS_2023.csv")
datos_actuales <- read.csv( "/Users/enrique/Downloads/form_rh_datos (1).csv")Unión de las bases de datos
df_bajas <- bind_rows(datos_2022, datos_2023)Limpieza de la base de Datos
df_bajas <- df_bajas %>%
mutate(ESTADO.CIVIL = ifelse(ESTADO.CIVIL %in% c("SOLTERIA", "SOLTERA"), "SOLTERO", ESTADO.CIVIL)) %>%
mutate(ESTADO.CIVIL = ifelse(ESTADO.CIVIL %in% c("CASADO", "CASADA", "MATRIOMONIO"), "MATRIMONIO", ESTADO.CIVIL))
datos_actuales <- datos_actuales %>%
mutate(ESTADO.CIVIL = ifelse(ESTADO.CIVIL %in% c("SOLTERIA", "SOLTERA"), "SOLTERO", ESTADO.CIVIL)) %>%
mutate(ESTADO.CIVIL = ifelse(ESTADO.CIVIL %in% c("CASADO", "CASADA", "MATRIOMONIO"), "MATRIMONIO", ESTADO.CIVIL))Nueva columna que da a conocer la edad del personal
df_bajas$FECHA.DE.NACIMIENTO <- dmy(df_bajas$FECHA.DE.NACIMIENTO)
fecha_actual <- Sys.Date()
df_bajas$EDAD <- round(as.numeric(difftime(fecha_actual, df_bajas$FECHA.DE.NACIMIENTO, units = "days") / 365.25))
datos_actuales$FECHA.DE.NACIMIENTO <- mdy(datos_actuales$FECHA.DE.NACIMIENTO)
datos_actuales$EDAD <- round(as.numeric(difftime(fecha_actual, datos_actuales$FECHA.DE.NACIMIENTO, units = "days") / 365.25))Nueva columna que da a conocer los días trabajados de cada persona
df_bajas$FECHA.DE.ALTA <- dmy(df_bajas$FECHA.DE.ALTA)
df_bajas$BAJA <- dmy(df_bajas$BAJA)
df_bajas$DIAS.LABORADOS.CALCULADO <- as.numeric(difftime(df_bajas$BAJA, df_bajas$FECHA.DE.ALTA, units = "days"))
datos_actuales$FECHA.DE.ALTA <- mdy(datos_actuales$FECHA.DE.ALTA)
datos_actuales$BAJA <- fecha_actual
datos_actuales$DIAS.LABORADOS.CALCULADO <- as.numeric(difftime(datos_actuales$BAJA, datos_actuales$FECHA.DE.ALTA, units = "days"))Creación de la columan Dirección, para conocer el domicilio del personal
df_bajas$DIRECCION <- paste(df_bajas$CALLE, df_bajas$NUMERO.INTERNO, df_bajas$COLONIA, df_bajas$MUNICIPIO, df_bajas$ESTADO, sep = ", ")
datos_actuales$DIRECCION <- paste(datos_actuales$CALLE, datos_actuales$NUMERO.INTERNO, datos_actuales$COLONIA, datos_actuales$MUNICIPIO, datos_actuales$ESTADO, sep = ", ")datos_actuales<- as.data.frame(lapply(datos_actuales, toupper))Organización de los Datos
datos_actuales$BAJA <- as.Date(datos_actuales$BAJA)
df_bajas$BAJA <- as.Date(df_bajas$BAJA)
datos_actuales$FECHA.DE.NACIMIENTO <- as.Date(datos_actuales$FECHA.DE.NACIMIENTO)
datos_actuales$FECHA.DE.ALTA <- as.Date(datos_actuales$FECHA.DE.ALTA)
datos_actuales$SALARIO <- as.numeric(datos_actuales$SALARIO)
df_bajas$SALARIO <- as.numeric(df_bajas$SALARIO)
df_bajas$EDAD <- as.numeric(df_bajas$EDAD)
datos_actuales$EDAD <- as.numeric(datos_actuales$EDAD)
datos_actuales$DIAS.LABORADOS.CALCULADO <- as.numeric(datos_actuales$DIAS.LABORADOS.CALCULADO)
df_bajas$DIAS.LABORADOS.CALCULADO <- as.numeric(df_bajas$DIAS.LABORADOS.CALCULADO)Creación de un data frame Consolidado
# Convertir la columna DIAS.LABORADOS en datos_actuales a tipo numeric
datos_actuales$DIAS.LABORADOS <- as.numeric(datos_actuales$DIAS.LABORADOS)
# Convertir la columna FECHA.DE.NACIMIENTO en df_bajas a tipo Date
df_bajas$FECHA.DE.NACIMIENTO <- as.Date(df_bajas$FECHA.DE.NACIMIENTO, format = "%Y-%m-%d")
# Convertir la columna FECHA.DE.ALTA en datos_actuales a tipo Date
datos_actuales$FECHA.DE.ALTA <- as.Date(datos_actuales$FECHA.DE.ALTA, format = "%Y-%m-%d")
datos_actuales$CP <- as.character(datos_actuales$CP)
# Reemplazar valores NA por 0 en la columna CP de df_bajas
df_bajas$CP[is.na(df_bajas$CP)] <- 0
# Convertir la columna CP en df_bajas a tipo character
df_bajas$CP <- as.character(df_bajas$CP)
# Ahora puedes combinar los data frames
df_consolidado <- bind_rows(df_bajas, datos_actuales)Se creó una nueva Columna, “PUESTO_ N”, en donde hay una serie de nomencalturas/abreviaciones, estas son relacionadas a la Columna Puesto, esto con la finalidad de poder manejar de manera más fácil los códigos y que ciertas gráficas se vieran de mejor manera.
df_consolidado <- df_consolidado %>%
mutate(PUESTO.N = case_when(
PUESTO %in% c("AYUDANTE GENERAL", "AY.GENERAL") ~ "A.G.",
PUESTO %in% c("GESTOR") ~ "GT.",
PUESTO %in% c("SOLDADOR", "AYUDANTE SOLDADOR") ~ "SDR.",
PUESTO %in% c("AYUDANTE DE EMBARQUES") ~ "A.D.E.",
PUESTO %in% c("CHOFER GESTOR", "CHOFER") ~ "CHO.",
PUESTO %in% c("COSTURERA", "COSTURERO", "COSTURA") ~ "COS.",
PUESTO %in% c("ENFERMERA") ~ "EN.",
PUESTO %in% c("GUARDIA DE SEGURIDAD", "GUARDIA SEGURIDAD") ~ "G.D.S.",
PUESTO %in% c("INSPECTOR DE CALIDAD", "CALIDAD") ~ "I.C.",
PUESTO %in% c("LIMPIEZA") ~ "LPZ.",
PUESTO %in% c("MATERIALISTA") ~ "MAT.",
PUESTO %in% c("MONTACARGISTA") ~ "MC.",
PUESTO %in% c("PINTOR", "AYUDANTE PINTOR") ~ "PI.",
PUESTO %in% c("RESIDENTE", "RESIDENTE YANFENG CIENEGA") ~ "RDT.",
PUESTO %in% c("MANTENIMIENTO") ~ "MTO.",
PUESTO %in% c("ANALISTA DE NOMINAS") ~ "A.D.N.",
PUESTO %in% c("CUSTOMER SERVICE INF") ~ "C.S.I.",
PUESTO %in% c("CORTADOR") ~ "COR.",
PUESTO %in% c("DISEÑO") ~ "DIS.",
PUESTO %in% c("EXTERNO") ~ "EX.",
PUESTO %in% c("FACTURACION") ~ "FAC.",
PUESTO %in% c("JEFE DE SEGURIDAD E HIGIENE") ~ "J.S.H.",
PUESTO %in% c("LIDER") ~ "LI.",
PUESTO %in% c("MARCADORA") ~ "MAR.",
PUESTO %in% c("OPERADOR") ~ "OP.",
PUESTO %in% c("RECIBO") ~ "RBO.",
PUESTO %in% c("SERVICIO AL CLIENTE") ~ "S.C.",
PUESTO %in% c("SUPERVISOR") ~ "SUP.",
TRUE ~ PUESTO
))A continuación se muestra el glosario de dicha columna
Glosario de las nomencalturas de los
Puestos
Pregunta 1: ¿El darle prioridad a las mujeres en la cuestión de contratación de personal en el puesto de Ayudante General, puedo reducir la rotación de personal y aumentar la productividad de la empresa?
A continuación se muestran los primeros 6 renglones de la base de datos
dataRH<-read.csv( "/Users/enrique/Downloads/CFORMF.csv")
head(dataRH)## FECHA.DE.NACIMIENTO GENERO FECHA.DE.ALTA BAJA DIAS_LABORADOS
## 1 23/12/1994 MASCULINO 18/08/2022 0 NA
## 2 23/10/2002 MASCULINO 18/02/2022 0 NA
## 3 11/03/1995 MASCULINO 11/01/2017 0 NA
## 4 01/11/1992 MASCULINO 03/11/2020 0 NA
## 5 29/09/1976 FEMENINO 16/02/2022 0 NA
## 6 07/07/1966 FEMENINO 01/06/2022 1 NA
## PUESTO PUESTO_N DEPARTAMENTO SALARIO.DIARIO.IMSS
## 1 MANTENIMIENTO MTO 180.68
## 2 AYUDANTE GENERAL A.G. Ay.flexo 180.68
## 3 AYUDANTE GENERAL A.G. Cedis 176.72
## 4 AYUDANTE GENERAL A.G. Cedis 176.72
## 5 AYUDANTE GENERAL A.G. Celdas 180.68
## 6 AYUDANTE GENERAL A.G. Celdas 180.68
## FACTOR.CRED.INFONAVIT LUGAR.DE.NACIMIENTO CALLE NUMERO.INTERNO
## 1 0 EBANO, SAN LUIS POTOSI MIER Y NORIEGA 106B
## 2 0 MONTERREY, NUEVO LEON PORTAL GALICIA 219
## 3 0 OCEANIA
## 4 0 TASAJILLO 220
## 5 0 HIDALGO, TAMAULIPAS RIO ESCONDIDO 760
## 6 0 CANATLAN, DURANGO HABICHUELA 306
## COLONIA MUNICIPIO ESTADO ESTADO.CIVIL
## 1 MIRADOR DE SAN ANTONIO JUAREZ NUEVO LEON MATRIMONIO
## 2 PORTAL DEL VALLE APODACA NUEVO LEON SOLTERIA
## 3 FRACC. OCEANIA BOULEVARES SALTILLO COAHUILA MATRIMONIO
## 4 EL CACTUS RAMOS ARIZPE COAHUILA UNION LIBRE
## 5 PUEBLO NUEVO APODACA NUEVO LEON SOLTERIA
## 6 POLICIA AUXILIAR GUADALUPE NUEVO LEON SOLTERIASe tomó la base de datos “BDD_FORM_BAJAS_2023” para poder conocer sobre las diferentes razones del porque la gente sale de la empresa, para esto se usaron argumentos/funicones como group_by,count,mutate,arrange y round; para conocer porcentajes y como se relacionan los datos
rh_ba<-read.csv("/Users/enrique/Downloads/BDD_FORM_BAJAS_2023.csv")
head(rh_ba)## No. Apellidos Nombre Fecha.de.Nacimiento Genero
## 1 1 Perez Chavarria Yessica Yazmin 13/02/1985 Femenino
## 2 1 Pecina Aleman Blanca Idalia 25/05/1966 Femenino
## 3 1 Suarez Romo Julio Cesar 27/06/1969 Masculino
## 4 1 Ortiz De La Torre Fermina 07/07/1966 Femenino
## 5 1 Gallegos Manzanares Veronica 28/11/1973 Femenino
## 6 1 Guzman Reyes Carlos Benito 25/11/2002 Masculino
## RFC Fecha.de.Alta Primer.Mes Cuarto.Mes Fecha.de.Baja
## 1 PECY850213QS8 05/09/2022 05/10/2022 05/01/2023 02/01/2023
## 2 PEAB660525QT5 06/10/2022 05/11/2022 05/02/2023 02/01/2023
## 3 SURJ690627TK7 01/12/2017 31/12/2017 31/03/2018 05/01/2023
## 4 OITF660712QD2 01/06/2022 01/07/2022 29/09/2022 05/01/2023
## 5 GAMV731128LZA 22/10/2022 21/11/2022 21/02/2023 05/01/2023
## 6 GURC021125UL8 06/01/2023 05/02/2023 08/05/2023 07/01/2023
## Motivo.de.Baja Observaciones
## 1 Separacion voluntaria Se retiro para cuidar de su (s) hije (s)
## 2 Separacion voluntaria No hay observacion registrada sobre el motivo de baja
## 3 Separacion voluntaria Encontro otro empleo
## 4 Separacion voluntaria Se encontraba agotad@ por la carga laboral
## 5 Separacion voluntaria
## 6 Separacion voluntaria
## Puesto Puesto_Nom Dpto Imss SD
## 1 AYUDANTE GENERAL A.G. Stabilus 43048517130 180.68
## 2 AYUDANTE GENERAL A.G. 43056601958 180.68
## 3 GESTOR GT. Embarques 43956909626 176.72
## 4 AYUDANTE GENERAL A.G. Celdas 43946623980 180.68
## 5 AYUDANTE GENERAL A.G. 03 907303238 180.68
## 6 SOLDADOR SDR. 0 3190285142 180.68
## Factor.de.Credito.Infonavit No..De.Credito.Infonavit Lugar.de.Nacimiento
## 1 N/A N/A MONTERREY, NUEVO LEON
## 2 N/A N/A ARAMBERRI, NUEVO LEON
## 3
## 4 N/A N/A CANATLAN, DURANGO
## 5 N/A N/A Guadalupe, Nuevo Leon
## 6 N/A N/A Tampico, Tamaulipas
## CURP Calle Numero Colonia Municipio
## 1 PECY850213MNLRHS03 Alemania 1170 Vivienda Digna Apodaca
## 2 PEAB660525MNLCLL07 Rio Guayalejo Sur 304 Pueblo Nuevo Apodaca
## 3 SURJ690627HNLRML04 Mar Rojo Loma Linda Monterrey
## 4 OITF660712MDGRRR023 Habichuela 306 Policia Auxiliar Guadalupe
## 5 GAMV731128MNLLNR04 Romanos 341 Milenium Residencial Apodaca
## 6 GURC021125HTSZYRB7 Rio Salinas 122 Pueblo Nuevo Apodaca
## Estado CP Estado.Civil Numero.de.Telefono
## 1 Nuevo Le\xf3n 66647 Soltera 8133726737
## 2 Nuevo Leon 66646 Casada 8115902048
## 3 Nuevo Le\xf3n 64120 Casado 8110206284
## 4 Nuevo Le\xf3n 67114 Soltera 8130933136
## 5 Nuevo Leon 66646 Casada 8184705262
## 6 Nuevo Leon 66646 Soltero NArh_ba2<-rh_ba%>%group_by(Observaciones)%>%count()%>%ungroup()%>%mutate(pcnt=n/sum(n)*100)%>%arrange(pcnt)
rh_ba2$pcnt<-round(rh_ba2$pcnt,2)
rh_ba3 <- rh_ba2 %>% mutate(csum = rev(cumsum(rev(pcnt))),
pos = pcnt/2 + lead(csum, 1),
pos = if_else(is.na(pos), pcnt/2, pos))
ggplot(rh_ba2,aes(x="",y=pcnt,fill=Observaciones))+geom_bar(stat="identity")+coord_polar(theta="y")+theme(legend.position = "none")+geom_label_repel(data=rh_ba3,aes(x=c(.0003,0.15,0.32,0.5,0.7,0.9,1.1,1.3,1.5,1.7,1.9,2.1,2.3,2.5,2.7,1,0.98,1),y=pos,label=paste0(pcnt,"%")),size=4.5,nudge_x=1,max.overlaps=30,show.legend = FALSE)+theme_void()+ theme(legend.position = "bottom")+labs(title="Razones de las bajas laborales de FORM 2023")+scale_fill_manual(values = mi_paleta)
Esta gráfica nos Ayuda a Visualizar que de 279 personas que fueron dadas de bajas en 2023, el 76.3% no dieron una razon o no se registró el motivo especifico de baja, y de las personas de las cuales si se registró el motivo de bajas las 5 razones más populares fueron:
1.Encontró otro empleo (8.6%)
2. Asilio político en USA (2.87%)
3. Se retiro para cuidar de su (s) hije (s) (2.15%)
4. Tuvo mas de 3 faltas y ella misma decidio irse (1.79%)
5. Cambio de estado/residencia (1.79%)
g = ggplot(rh_ba, aes(Puesto_Nom, fill=Genero) ) + labs(title = "Distribución de Bajas por Género Por puesto de Trabajo",x="Puesto (Abreviado)")+ylab("Número de Personas") + theme(plot.title = element_text(size = rel(2), colour = "darkgoldenrod3"))
g+geom_bar(position="dodge") + theme(axis.title.x = element_text(face="bold", size=10)) + theme_minimal() + theme(axis.text.x = element_text(angle = 90, hjust = 1))+ scale_fill_manual(values = mi_paleta)
Esta gráfica nos permite viusalizar el número de personas que fueron dadas de bajas en 2023 según su puesto y género, en este caso podemos ver que las mayores bajas son en el puesto de Ayudante General, y se han despido a un mayor número de mujeres que de hombres. Esto también se puede relacionar con las razones del porque fueron dadas de bajas.
Por ejemplo, se puede obtener el insight de que si se ofreciera una zona para el cuidad de los hijos de las amdres trabajadoras, se podría reducir el número de bajas de las mujeres en el puesto de ayudante general u otros puestos.
dataRH$FECHA.DE.NACIMIENTO<-as.Date(dataRH$FECHA.DE.NACIMIENTO, format = "%d/%m/%Y")
fecha_actual<-Sys.Date()
diferencia_dias<-as.numeric(difftime(fecha_actual,dataRH$FECHA.DE.NACIMIENTO,units = "days"))
dataRH$EDAD<-diferencia_dias/365.25
dataRH$EDAD<-round(dataRH$EDAD,digits=0)
dataRH2<-dataRH%>%filter(BAJA==0)
dataRH2$FECHA.DE.ALTA<-as.Date(dataRH2$FECHA.DE.ALTA, format = "%d/%m/%Y")
dataRH2<-dataRH2%>%mutate(DiasTrabajados=as.numeric(difftime(fecha_actual,dataRH2$FECHA.DE.ALTA,units="days")))
dataRH3<-dataRH2%>%select(DiasTrabajados,FECHA.DE.ALTA,EDAD,GENERO,PUESTO,PUESTO_N)
dataRH3<-dataRH3%>%arrange(desc(DiasTrabajados))
prom_edad<- mean(dataRH$EDAD)
summary(dataRH)## FECHA.DE.NACIMIENTO GENERO FECHA.DE.ALTA BAJA
## Min. :1949-11-21 Length:350 Length:350 Min. :0.0000
## 1st Qu.:1983-02-12 Class :character Class :character 1st Qu.:0.0000
## Median :1992-11-17 Mode :character Mode :character Median :1.0000
## Mean :1990-03-04 Mean :0.7143
## 3rd Qu.:1999-04-12 3rd Qu.:1.0000
## Max. :2004-04-02 Max. :1.0000
##
## DIAS_LABORADOS PUESTO PUESTO_N DEPARTAMENTO
## Min. : 0.00 Length:350 Length:350 Length:350
## 1st Qu.: 9.00 Class :character Class :character Class :character
## Median : 19.00 Mode :character Mode :character Mode :character
## Mean : 78.43
## 3rd Qu.: 48.50
## Max. :1966.00
## NA's :127
## SALARIO.DIARIO.IMSS FACTOR.CRED.INFONAVIT LUGAR.DE.NACIMIENTO
## Min. :1.440e+02 Min. :0.00000 Length:350
## 1st Qu.:1.770e+02 1st Qu.:0.00000 Class :character
## Median :1.810e+02 Median :0.00000 Mode :character
## Mean :4.359e+06 Mean :0.05714
## 3rd Qu.:1.810e+02 3rd Qu.:0.00000
## Max. :1.517e+09 Max. :1.00000
## NA's :1
## CALLE NUMERO.INTERNO COLONIA MUNICIPIO
## Length:350 Length:350 Length:350 Length:350
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## ESTADO ESTADO.CIVIL EDAD
## Length:350 Length:350 Min. :19.00
## Class :character Class :character 1st Qu.:24.00
## Mode :character Mode :character Median :31.00
## Mean :33.59
## 3rd Qu.:41.00
## Max. :74.00
## Rango_edad<- max(dataRH$EDAD)-min(dataRH$EDAD)
N<-length(dataRH$EDAD)
Varianza_edad<- var(dataRH$EDAD)
DesvEs_edad<-sd(dataRH$EDAD)
prom_edad## [1] 33.59429Rango_edad## [1] 55Varianza_edad## [1] 122.4997DesvEs_edad## [1] 11.06796Con estas medidas de dispersión con respecto a la edad del personal de FORM, podemos decir que existe una diferencia 55 años entre la persona más joven y con más edad de FORM, es por esto que nuestra Varianza tiene un valor alto (122.6) lo que signfiica que hay diferencias significativas entre las edades de las personas con respecto a la edad media de la personas de la empresa (33.5). El valor de la Desviación Estándar nos indica que la mayoría de nuestras edades estarán a menos o mas de 11 años del promedio de edad del personal (33.5)
dataRH4<-dataRH3%>%filter(PUESTO_N=="A.G.")
ggplot(dataRH4, aes(x=DiasTrabajados, y=GENERO, fill=GENERO)) + geom_bar(stat="identity") + xlab("") + labs(title = "Días trabajados por cada género") + scale_fill_manual(values = mi_paleta)
dataRH4F<-dataRH4%>%filter(GENERO=="FEMENINO")
dataRH4M<-dataRH4%>%filter(GENERO=="MASCULINO")
head(dataRH4F,10)## DiasTrabajados FECHA.DE.ALTA EDAD GENERO PUESTO PUESTO_N
## 1 1706 2019-01-28 36 FEMENINO AYUDANTE GENERAL A.G.
## 2 1612 2019-05-02 39 FEMENINO AYUDANTE GENERAL A.G.
## 3 1363 2020-01-06 56 FEMENINO AYUDANTE GENERAL A.G.
## 4 919 2021-03-25 30 FEMENINO AYUDANTE GENERAL A.G.
## 5 919 2021-03-25 27 FEMENINO AYUDANTE GENERAL A.G.
## 6 899 2021-04-14 27 FEMENINO AYUDANTE GENERAL A.G.
## 7 889 2021-04-24 52 FEMENINO AYUDANTE GENERAL A.G.
## 8 856 2021-05-27 54 FEMENINO AYUDANTE GENERAL A.G.
## 9 725 2021-10-05 62 FEMENINO AYUDANTE GENERAL A.G.
## 10 655 2021-12-14 39 FEMENINO AYUDANTE GENERAL A.G.head(dataRH4M,10)## DiasTrabajados FECHA.DE.ALTA EDAD GENERO PUESTO PUESTO_N
## 1 2594 2016-08-23 27 MASCULINO AYUDANTE GENERAL A.G.
## 2 2453 2017-01-11 29 MASCULINO AYUDANTE GENERAL A.G.
## 3 2226 2017-08-26 59 MASCULINO AYUDANTE GENERAL A.G.
## 4 1332 2020-02-06 23 MASCULINO AYUDANTE GENERAL A.G.
## 5 1148 2020-08-08 54 MASCULINO AYUDANTE GENERAL A.G.
## 6 1136 2020-08-20 46 MASCULINO AYUDANTE GENERAL A.G.
## 7 1061 2020-11-03 31 MASCULINO AYUDANTE GENERAL A.G.
## 8 721 2021-10-09 21 MASCULINO AYUDANTE GENERAL A.G.
## 9 695 2021-11-04 22 MASCULINO AYUDANTE GENERAL A.G.
## 10 681 2021-11-18 21 MASCULINO AYUDANTE GENERAL A.G.summary(dataRH4F)## DiasTrabajados FECHA.DE.ALTA EDAD GENERO
## Min. : 403.0 Min. :2019-01-28 Min. :21.00 Length:31
## 1st Qu.: 432.5 1st Qu.:2021-06-28 1st Qu.:28.00 Class :character
## Median : 535.5 Median :2022-04-12 Median :39.00 Mode :character
## Mean : 668.6 Mean :2021-11-30 Mean :38.61
## 3rd Qu.: 823.2 3rd Qu.:2022-07-24 3rd Qu.:49.50
## Max. :1706.0 Max. :2022-08-23 Max. :62.00
## NA's :1 NA's :1
## PUESTO PUESTO_N
## Length:31 Length:31
## Class :character Class :character
## Mode :character Mode :character
##
##
##
## summary(dataRH4M)## DiasTrabajados FECHA.DE.ALTA EDAD GENERO
## Min. : 403.0 Min. :2016-08-23 Min. :20.00 Length:24
## 1st Qu.: 431.2 1st Qu.:2020-10-15 1st Qu.:21.00 Class :character
## Median : 600.5 Median :2022-02-06 Median :24.00 Mode :character
## Mean : 867.0 Mean :2021-05-16 Mean :28.46
## 3rd Qu.:1079.8 3rd Qu.:2022-07-25 3rd Qu.:31.00
## Max. :2594.0 Max. :2022-08-23 Max. :59.00
## PUESTO PUESTO_N
## Length:24 Length:24
## Class :character Class :character
## Mode :character Mode :character
##
##
## En este apartado podemos notar que las personas que más han trabajo en la empresa son del genero/sexo Masculino, a la vez con la visualización de los datas frames podemos ver que en cuestión de edad las mujeres que se han mantenido en la empresa, tienen un promedio de edad de 38.55 años y los hombres un promedio de 28.38.
Respuesta Pregunta 1
¿El darle prioridad a las mujeres en la cuestión de contratación de personal en el puesto de Ayudante General, puedo reducir la rotación de personal y aumentar la productividad de la empresa?
Como pudimos ver en las gráficas y datos pasados, el ofrecer un servicio de cuidado de infantes, podría provocar que menos mujeres se den de bajas y por ende se reduzca de cierta de manera la rotación de personal, ya que como vimos hay más mujeres dadas de baja que hombre en el puesto de Ayudante General. A la vez no se podría decir a totalidad que las mujeres deberían de ser una prioridad, ya que como se visualizó en la gráfica,los hombres cuentan con mayores días trabajados que las mujeres. La respuesta correcta, sería que para poder reducir la rotación de personal y aumentar la productividad de la empresa se debería de ofrecer mejores prestaciones al personal como zonas de cuidado de infantes y/o un buen programa de capacitaciones que permitan el crecimiento profesional, ya que como se vió en la gráfica la razón número 1 de porque se fueron es debido a que encontraron un nuevo empleo, el cual seguramente les ofrecía mejores condiciones, y el hecho de tener un buen programa de capacitación, junto con una zona de cuidados para infantes y el esquema de ahorro/inversión que FORM ofrece, provocaría que se reduzca la rotación de personal y se aumente la prodcutividad, debido a las nuevas skills que el personal tendría. Por lo que se debería cerciorar en ofrecer mejores prestaciones y en contratar a hombres de 28 años y mujeres de 38 años aproximadamente.
Pregunta 2: ¿ Son el estado civil y el género factores independientes en la rotación de empleados o existe relación entre ambos eventos?
Librerías usadas
library(readxl)
library(tidyverse)
library(writexl)
library(psych)
library(dplyr)
library(lubridate)
library (ggplot2)
library(janitor)
library(dplyr)Carga de las Bases de Datos
Se usaron los data frame “datos_2022”, “df_bajas” y “datos_2023” que se crearon cuando se hizo la limpieza de datos inicial
Grafica
i <- 238
df_bajas_f<- subset(df_bajas, !row.names(df_bajas)==i)
summary (df_bajas_f)## APELLIDOS NOMBRE FECHA.DE.NACIMIENTO GENERO
## Length:516 Length:516 Min. :1961-10-09 Length:516
## Class :character Class :character 1st Qu.:1985-12-31 Class :character
## Mode :character Mode :character Median :1994-02-16 Mode :character
## Mean :1992-02-14
## 3rd Qu.:1999-09-19
## Max. :2022-05-14
## NA's :279
## RFC FECHA.DE.ALTA MOTIVO.DE.BAJA DIAS.LABORADOS
## Length:516 Min. :2016-10-12 Length:516 Min. : 0.00
## Class :character 1st Qu.:2022-01-26 Class :character 1st Qu.: 9.00
## Mode :character Median :2022-04-12 Mode :character Median : 19.00
## Mean :2022-02-09 Mean : 79.71
## 3rd Qu.:2022-06-15 3rd Qu.: 49.00
## Max. :2022-11-07 Max. :1966.00
## NA's :279 NA's :303
## BAJA PUESTO DEPARTAMENTO SALARIO
## Min. :2021-11-27 Length:516 Length:516 Min. :144.4
## 1st Qu.:2022-02-25 Class :character Class :character 1st Qu.:180.7
## Median :2022-04-29 Mode :character Mode :character Median :180.7
## Mean :2022-04-29 Mean :178.0
## 3rd Qu.:2022-06-29 3rd Qu.:180.7
## Max. :2022-08-25 Max. :500.0
## NA's :293 NA's :280
## FACTOR.CRED.INFONAVIT LUGAR.DE.NACIMIENTO CURP
## Length:516 Length:516 Length:516
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
##
##
## CALLE NUMERO.INTERNO COLONIA MUNICIPIO
## Length:516 Length:516 Length:516 Length:516
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## ESTADO ESTADO.CIVIL No. Apellidos
## Length:516 Length:516 Min. :1.000 Length:516
## Class :character Class :character 1st Qu.:1.000 Class :character
## Mode :character Mode :character Median :1.000 Mode :character
## Mean :1.022
## 3rd Qu.:1.000
## Max. :4.000
## NA's :237
## Nombre Fecha.de.Nacimiento Genero Fecha.de.Alta
## Length:516 Length:516 Length:516 Length:516
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## Primer.Mes Cuarto.Mes Fecha.de.Baja Motivo.de.Baja
## Length:516 Length:516 Length:516 Length:516
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## Observaciones Puesto Puesto_Nom Dpto
## Length:516 Length:516 Length:516 Length:516
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## Imss SD Factor.de.Credito.Infonavit
## Length:516 Min. :151.6 Length:516
## Class :character 1st Qu.:217.6 Class :character
## Mode :character Median :217.6 Mode :character
## Mean :208.7
## 3rd Qu.:217.6
## Max. :217.7
## NA's :237
## No..De.Credito.Infonavit Lugar.de.Nacimiento Calle
## Length:516 Length:516 Length:516
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
##
##
## Numero Colonia Municipio Estado
## Length:516 Length:516 Length:516 Length:516
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## CP Estado.Civil Numero.de.Telefono EDAD
## Length:516 Length:516 Min. :8.320e+07 Min. : 1.00
## Class :character Class :character 1st Qu.:8.118e+09 1st Qu.:24.00
## Mode :character Mode :character Median :8.129e+09 Median :30.00
## Mean :7.989e+09 Mean :31.64
## 3rd Qu.:8.136e+09 3rd Qu.:38.00
## Max. :9.841e+09 Max. :62.00
## NA's :249 NA's :279
## DIAS.LABORADOS.CALCULADO DIRECCION
## Min. :-279.00 Length:516
## 1st Qu.: 8.00 Class :character
## Median : 19.00 Mode :character
## Mean : 80.28
## 3rd Qu.: 59.50
## Max. :1966.00
## NA's :293GeneroyEstadocivil <- select(df_bajas_f,GENERO, ESTADO.CIVIL)
ggplot(GeneroyEstadocivil,aes(GENERO))+geom_bar(aes(fill=ESTADO.CIVIL), width= 0.5) + labs(title = "Estado Civil por Género")+ scale_fill_manual(values = mi_paleta) 
Estadísticos Descriptivos
df_bajas_f$ESTADO.CIVIL <- as.factor(df_bajas_f$ESTADO.CIVIL)
summary(df_bajas_f$ESTADO.CIVIL)## DIVORCIO MATRIMONIO SOLTERO UNION LIBRE NA's
## 3 64 108 62 279Moda: En ambos sexos la moda de estado civil es “Soltero” con casi el 50% de las respuestas.
245 de 514 respuestas se encuentran en esta categor?a.
No es posible hacer estadísticos descriptivos debido a que son variables cualitativas
Tablas de Frecuencia
frecuenciagenero <- table(df_bajas_f$GENERO)
frecuenciagenero##
## FEMENINO MASCULINO
## 140 97frecuenciaestadocivil <- table(df_bajas_f$ESTADO.CIVIL)
frecuenciaestadocivil##
## DIVORCIO MATRIMONIO SOLTERO UNION LIBRE
## 3 64 108 62Tablas de Contingencia
tabyl(df_bajas_f,GENERO,ESTADO.CIVIL)## GENERO DIVORCIO MATRIMONIO SOLTERO UNION LIBRE NA_
## FEMENINO 2 44 57 37 0
## MASCULINO 1 20 51 25 0
## <NA> 0 0 0 0 279Respuesta Pregunta 2
Pregunta 2: ¿ Son el estado civil y el género factores independientes en la rotación de empleados o existe relación entre ambos eventos?
Si tomamos en cuenta la cantidad de empleados de cada género y la moda obtenida, que en este caso es el estado civil “soltero”, obtenemos porcentajes muy similares.
Personas de género femenino solteras: 47%
Personas de género masculino solteros: 48%
Es por eso que se puede determinar que ambas variables analizadas no representan un factor determminante en la rotación de empleados y son eventos independientes.
Pregunta 3: El motivo más frecuente de bajas es la falta de asistencia, lo cual aumenta el índice de rotación, ¿En qué estación del año tienden a suceder más bajas? ¿El clima será un factor determinante?
Librerías Usadas
library(tidyverse)
library(dplyr)
library(ggplot2)
library(lubridate)Carga de la base de datos
data<-read.csv("/Users/enrique/Downloads/E_form_rh_bajas_datos_2022.csv")Análisis de las fechas
data$Fecha <- dmy(data$BAJA)Obtención del mes de cada fecha
data$Mes <- month(data$Fecha)Mapeo de los meses a las estaciones del año
data$Estacion <- case_when(
data$Mes %in% c(3, 4, 5) ~ "Primavera",
data$Mes %in% c(6, 7, 8) ~ "Verano",
data$Mes %in% c(9, 10, 11) ~ "Otoño",
data$Mes %in% c(12, 1, 2) ~ "Invierno",
TRUE ~ NA_character_
)Conteo de observaciones en cada estación
estacion_frecuencia <- table(data$Estacion)Descubrimiento de la estación con el recuento más alto
estacion_mas_comun <- names(estacion_frecuencia[which.max(estacion_frecuencia)])Impresión del resultado
cat("La estación con más bajas es:", estacion_mas_comun)## La estación con más bajas es: PrimaveraCálculo de la frecuenia de bajas por estación
estacion_frecuencia <- table(data$Estacion)Conversión de resultados a un dataframe
tabla_bajas_por_estacion <- as.data.frame(estacion_frecuencia)Se renombra las columnas para mayor claridad
colnames(tabla_bajas_por_estacion) <- c("Estacion", "Cantidad_Bajas")
print(tabla_bajas_por_estacion)## Estacion Cantidad_Bajas
## 1 Invierno 58
## 2 Otoño 1
## 3 Primavera 84
## 4 Verano 80Se Crea el gráfico de barras
ggplot(tabla_bajas_por_estacion, aes(x = Estacion, y = Cantidad_Bajas)) +
geom_bar(stat = "identity", color = "black", width = 0.7, fill = "orange") +
labs(title = "Cantidad de Bajas por Estación del Año 2022", subtitle = "Recursos Humanos", x = "Estación", y = "Cantidad de Bajas")
Respuesta Pregunta 3
Pregunta 3: El motivo más frecuente de bajas es la falta de asistencia, lo cual aumenta el índice de rotación, ¿En qué estación del año tienden a suceder más bajas? ¿El clima será un factor determinante?
Es posible observar que durante el año 2022 el periodo estacional que reportó más bajas de personal fue la primavera y el verano respectivamente, los cuales se encuentran situados entre los meses de Marzo y Septiembre, meses donde se reportan las temperaturas más elevadas en la ciudad de Monterrey, Nuevo León. Por lo tanto, la exposición a condiciones térmicas elevadas puede suponer un factor de estrés e insatisfacción laboral, ya que se relaciona con problemas de salud, comodidad, concentración y con un mayor riesgo de sufrir accidentes de trabajo ocasionando las bajas del personal de Form. Se recomienda apoyarse de la Norma Oficial Mexicana NOM-015-STPS-1993.
Además, con el fin de responder con mayor claridad la pregunta del análisis, a continuación se comparte información de fuentes secundarias sobre la temperatura registrada en Monterrey durante el 2022 tanto por mes como por hora.
Datos Históricos de Tempratura del 2022 en Monterrey
WeatherSpark
El intervalo diario de temperaturas reportadas (barras grises) y las máximas (marcas rojas) y mínimas (marcas azules) de 24 horas, colocadas arriba del promedio diario de la máxima (línea rojo claro) y de la mínima (línea azul claro), con las bandas de los percentiles 25 a 75 y 10 a 90.
Temperatura por Hora del 2022 en Monterrey
WeatherSpark
La temperatura reportada por hora, codificada por colores en bandas. Las áreas sombreadas superpuestas indican la noche y el crepúsculo civil.
Pregunta 4:¿La edad del trabajador puede ser un determinante de por qué se dan de baja?
Carga de la base de datos
datos_E<- read.csv("/Users/enrique/Downloads/E_FORM_Consolidado.csv")Limpieza de Datos
datos_E$FECHA.DE.NACIMIENTO <- as.Date(datos_E$FECHA.DE.NACIMIENTO, format = "%d/%m/%Y")Cálculo de la edad en años
datos_E <- datos_E %>%
mutate(edad = as.integer(difftime(Sys.Date(), FECHA.DE.NACIMIENTO, units = "days") / 365.25))
head(datos_E)## FECHA.DE.NACIMIENTO GENERO FECHA.DE.ALTA BAJA DIAS_LABORADOS
## 1 1994-12-23 MASCULINO 18/08/2022 0 NA
## 2 2002-10-23 MASCULINO 18/02/2022 0 NA
## 3 1995-03-11 MASCULINO 11/01/2017 0 NA
## 4 1992-11-01 MASCULINO 03/11/2020 0 NA
## 5 1976-09-29 FEMENINO 16/02/2022 0 NA
## 6 1966-07-07 FEMENINO 01/06/2022 1 NA
## PUESTO DEPARTAMENTO SALARIO.DIARIO.IMSS FACTOR.CRED.INFONAVIT
## 1 MANTENIMIENTO 180.68 0
## 2 AYUDANTE GENERAL Ay.flexo 180.68 0
## 3 AYUDANTE GENERAL Cedis 176.72 0
## 4 AYUDANTE GENERAL Cedis 176.72 0
## 5 AYUDANTE GENERAL Celdas 180.68 0
## 6 AYUDANTE GENERAL Celdas 180.68 0
## LUGAR.DE.NACIMIENTO CALLE NUMERO.INTERNO
## 1 EBANO, SAN LUIS POTOSI MIER Y NORIEGA 106B
## 2 MONTERREY, NUEVO LEON PORTAL GALICIA 219
## 3 OCEANIA
## 4 TASAJILLO 220
## 5 HIDALGO, TAMAULIPAS RIO ESCONDIDO 760
## 6 CANATLAN, DURANGO HABICHUELA 306
## COLONIA MUNICIPIO ESTADO ESTADO.CIVIL EDAD edad
## 1 MIRADOR DE SAN ANTONIO JUAREZ NUEVO LEON MATRIMONIO NA 28
## 2 PORTAL DEL VALLE APODACA NUEVO LEON SOLTERIA NA 20
## 3 FRACC. OCEANIA BOULEVARES SALTILLO COAHUILA MATRIMONIO NA 28
## 4 EL CACTUS RAMOS ARIZPE COAHUILA UNION LIBRE NA 30
## 5 PUEBLO NUEVO APODACA NUEVO LEON SOLTERIA NA 47
## 6 POLICIA AUXILIAR GUADALUPE NUEVO LEON SOLTERIA NA 57Cálculo de los días trabajados
datos_E$FECHA.DE.ALTA <- as.Date(datos_E$FECHA.DE.ALTA, format = ("%d/%m/%Y"))
# Obtener la fecha actual
fecha_actual <- Sys.Date()
datos_E <- datos_E %>%
mutate(dias_trabajados = ifelse(BAJA == 1, 0, difftime(fecha_actual, FECHA.DE.ALTA, units = "days")))
head(datos_E)## FECHA.DE.NACIMIENTO GENERO FECHA.DE.ALTA BAJA DIAS_LABORADOS
## 1 1994-12-23 MASCULINO 2022-08-18 0 NA
## 2 2002-10-23 MASCULINO 2022-02-18 0 NA
## 3 1995-03-11 MASCULINO 2017-01-11 0 NA
## 4 1992-11-01 MASCULINO 2020-11-03 0 NA
## 5 1976-09-29 FEMENINO 2022-02-16 0 NA
## 6 1966-07-07 FEMENINO 2022-06-01 1 NA
## PUESTO DEPARTAMENTO SALARIO.DIARIO.IMSS FACTOR.CRED.INFONAVIT
## 1 MANTENIMIENTO 180.68 0
## 2 AYUDANTE GENERAL Ay.flexo 180.68 0
## 3 AYUDANTE GENERAL Cedis 176.72 0
## 4 AYUDANTE GENERAL Cedis 176.72 0
## 5 AYUDANTE GENERAL Celdas 180.68 0
## 6 AYUDANTE GENERAL Celdas 180.68 0
## LUGAR.DE.NACIMIENTO CALLE NUMERO.INTERNO
## 1 EBANO, SAN LUIS POTOSI MIER Y NORIEGA 106B
## 2 MONTERREY, NUEVO LEON PORTAL GALICIA 219
## 3 OCEANIA
## 4 TASAJILLO 220
## 5 HIDALGO, TAMAULIPAS RIO ESCONDIDO 760
## 6 CANATLAN, DURANGO HABICHUELA 306
## COLONIA MUNICIPIO ESTADO ESTADO.CIVIL EDAD edad
## 1 MIRADOR DE SAN ANTONIO JUAREZ NUEVO LEON MATRIMONIO NA 28
## 2 PORTAL DEL VALLE APODACA NUEVO LEON SOLTERIA NA 20
## 3 FRACC. OCEANIA BOULEVARES SALTILLO COAHUILA MATRIMONIO NA 28
## 4 EL CACTUS RAMOS ARIZPE COAHUILA UNION LIBRE NA 30
## 5 PUEBLO NUEVO APODACA NUEVO LEON SOLTERIA NA 47
## 6 POLICIA AUXILIAR GUADALUPE NUEVO LEON SOLTERIA NA 57
## dias_trabajados
## 1 408
## 2 589
## 3 2453
## 4 1061
## 5 591
## 6 0Gráfico de Barras Apiladas
ggplot(datos_E, aes(x = edad, fill = factor(BAJA))) +
geom_bar() +
labs(x = "Edad", y = "Cantidad de Personas", fill = "Baja") +
theme_minimal() + labs(title="Edad de Bajas y No Bajas")+scale_fill_manual(values = mi_paleta)
Respuesta Pregunta 4
Pregunta 4: ¿La edad del trabajador puede ser un determinante de por qué se dan de baja, o hay cierta edad en donde es menos probable que se de una baja?
La grafica muestra que pasando la edad de 40 años es menos probable que ocurra una baja. También se muestra que las bajas más constantes están en la edad de los 20-35 se debe también al alto porcentaje de trabajadores de esa edad.
Pregunta 5: ¿La distancia geográfica desempeña un papel significativo en la determinación del estatus laboral de los empleados? (Activo o Inactivo)
Las librerías usadas son las mismas que se usaron cuando se realizó la limpieza de Datos Inicial
-
Las bases de datos usadas son las mismas que se usaron cuando se realizó la limpieza de Datos Inicial
Agrupación de solo Nuevo León
bajas_nl <- df_bajas %>%
mutate(ESTADO = ifelse(ESTADO %in% c("NUEVO LEON", "NUEVO LEÓN"), "NUEVO LEON", ESTADO)) %>%
filter(ESTADO == "NUEVO LEON")
actuales_nl <- datos_actuales %>%
mutate(ESTADO = ifelse(ESTADO %in% c("NUEVO LEON", "NUEVO LEÓN"), "NUEVO LEON", ESTADO)) %>%
filter(ESTADO == "NUEVO LEON")Función Ubicación Geográfica
#clave_api <- "54c60ed2b93e47e6948c618ee0a83db6"
clave_api <- "54c60ed2b93e47e6948c618ee0a83db6"
geocode_opencage <- function(direccion, clave_api) {
url <- paste0("https://api.opencagedata.com/geocode/v1/json?q=", URLencode(direccion),
"&key=", clave_api)
respuesta <- GET(url)
contenido <- content(respuesta, "text", encoding = "UTF-8")
datos <- jsonlite::fromJSON(contenido)
return(datos)
}Latitud y Longitud
bajas_nl$GEOCODE_RESULT <- lapply(bajas_nl$DIRECCION, function(x) geocode_opencage(x, clave_api))
bajas_nl$LATITUD <- sapply(bajas_nl$GEOCODE_RESULT, function(x) x$results$geometry$lat)
bajas_nl$LONGITUD <- sapply(bajas_nl$GEOCODE_RESULT, function(x) x$results$geometry$lng)
actuales_nl$GEOCODE_RESULT <- lapply(actuales_nl$DIRECCION, function(x) geocode_opencage(x, clave_api))
actuales_nl$LATITUD <- sapply(actuales_nl$GEOCODE_RESULT, function(x) x$results$geometry$lat)
actuales_nl$LONGITUD <- sapply(actuales_nl$GEOCODE_RESULT, function(x) x$results$geometry$lng)Función para calcular el promedio de una lista de números
calcular_promedio <- function(valor) {
if (is.character(valor)) {
valores <- tryCatch(eval(parse(text = valor)), error = function(e) NA_real_)
} else {
valores <- valor
}
valores <- valores[!is.na(valores)]
if (length(valores) > 0) {
return(mean(valores))
} else {
return(NA_real_)
}
}bajas_nl$LONGITUD <- sapply(bajas_nl$LONGITUD, calcular_promedio)
bajas_nl$LATITUD <- sapply(bajas_nl$LATITUD, calcular_promedio)
actuales_nl$LONGITUD <- sapply(actuales_nl$LONGITUD, calcular_promedio)
actuales_nl$LATITUD <- sapply(actuales_nl$LATITUD, calcular_promedio)Dirección objetivo
direccion_objetivo <- "Calle El Sabinal 105, 66645 Apodaca, Nuevo León"
coordenadas_objetivo <- geocode_opencage(direccion_objetivo, clave_api)
latitud_objetivo <- coordenadas_objetivo$results$geometry$lat
longitud_objetivo <- coordenadas_objetivo$results$geometry$lngCrear una función que calcule la distancia haversine en kilómetros
calcular_distancia_km <- function(lat1, lon1, lat2, lon2) {
dist_metros <- distHaversine(c(lon1, lat1), c(lon2, lat2))
dist_km <- dist_metros / 1000
return(dist_km)
}
bajas_nl$DISTANCIA.KM <- mapply(calcular_distancia_km, bajas_nl$LATITUD, bajas_nl$LONGITUD, latitud_objetivo, longitud_objetivo)
actuales_nl$DISTANCIA.KM <- mapply(calcular_distancia_km, actuales_nl$LATITUD, actuales_nl$LONGITUD, latitud_objetivo,longitud_objetivo)copia_actuales_nl <- as.data.frame(lapply(actuales_nl, toupper))
copia_bajas_nl <- as.data.frame(lapply(bajas_nl, toupper))copia_actuales_nl <- copia_actuales_nl[!is.na(copia_actuales_nl$LATITUD) & !is.na(copia_actuales_nl$LONGITUD), ]
copia_bajas_nl <- copia_bajas_nl[!is.na(copia_bajas_nl$LATITUD) & !is.na(copia_bajas_nl$LONGITUD), ]
copia_actuales_nl$LATITUD <- as.numeric(copia_actuales_nl$LATITUD)
copia_actuales_nl$LONGITUD <- as.numeric(copia_actuales_nl$LONGITUD)
copia_bajas_nl$LATITUD <- as.numeric(copia_bajas_nl$LATITUD)
copia_bajas_nl$LONGITUD <- as.numeric(copia_bajas_nl$LONGITUD)
copia_actuales_nl$DISTANCIA.KM <- as.numeric(copia_actuales_nl$DISTANCIA.KM)
copia_bajas_nl$DISTANCIA.KM <- as.numeric(copia_bajas_nl$DISTANCIA.KM)copia_actuales_nl <- copia_actuales_nl[copia_actuales_nl$LONGITUD >= -100.5 & copia_actuales_nl$LONGITUD <= -99.9, ]
copia_bajas_nl <- copia_bajas_nl[copia_bajas_nl$LONGITUD >= -100.5 & copia_bajas_nl$LONGITUD <= -99.9, ]
copia_actuales_nl <- copia_actuales_nl[copia_actuales_nl$LATITUD >= 25 & copia_actuales_nl$LATITUD <= 26, ]
copia_bajas_nl <- copia_bajas_nl[copia_bajas_nl$LATITUD >= 25 & copia_bajas_nl$LATITUD <= 26, ]m <- leaflet() %>%
addTiles() %>% # Añade un fondo de mapa real
addCircleMarkers(
data = copia_bajas_nl, # Datos de ubicaciones de registros
lat = ~LATITUD, # Nombre de la columna de latitud
lng = ~LONGITUD, # Nombre de la columna de longitud
color = "red", # Color de los marcadores de registros
radius = 5, # Tamaño de los marcadores de registros
label = "Bajas" # Etiqueta para los marcadores de registros
) %>%
addCircleMarkers(
data = copia_actuales_nl, # Datos de ubicaciones de df_actual
lat = ~LATITUD, # Nombre de la columna de latitud en df_actual
lng = ~LONGITUD, # Nombre de la columna de longitud en df_actual
color = "green", # Color de los marcadores de df_actual
radius = 5, # Tamaño de los marcadores de df_actual
label = "Activos" # Etiqueta para los marcadores de df_actual
) %>%
addCircleMarkers(
lat = latitud_objetivo, # Latitud del destino
lng = longitud_objetivo, # Longitud del destino
color = "blue", # Color del marcador de destino
radius = 8, # Tamaño del marcador de destino
label = "Destino" # Etiqueta para el marcador de destino
)Visualización del mapa interactivo
mEn este gráfico podemos observar de color rojo la dirección de aquellas personas que ya no forman parte de la empresa, en color verde los colaboradores activos y el punto de color azul es la dirección del socio formador. A simple vista se puede observar que se encuentran mayormente agrupados o conglomerados por zonas, siendo así que la mayoría vive en Apodaca.
hist(copia_bajas_nl$DISTANCIA.KM,
main = "Histograma de Distancia (BAJAS)",
xlab = "Distancia en km",
ylab = "Frecuencia",
col = "darkorange3",
border = "black",
breaks = "Scott")
Este histograma nos permite visualizar que la gran mayoría de personas que renuncioran vivían a una distancia de entre 12 y 15 km con respecto a la dirección del socio formador.
mediana_bajas_nl <- median(copia_bajas_nl$DISTANCIA.KM)
grupo_cerca_nl <- copia_bajas_nl[copia_bajas_nl$DISTANCIA.KM <= mediana_bajas_nl, ]
grupo_lejos_nl <- copia_bajas_nl[copia_bajas_nl$DISTANCIA.KM > mediana_bajas_nl, ]
frecuencia_cerca_nl <- nrow(grupo_cerca_nl)
frecuencia_lejos_nl <- nrow(grupo_lejos_nl)
cat("Frecuencia de datos CERCA de la mediana:", frecuencia_cerca_nl, "\n")## Frecuencia de datos CERCA de la mediana: 118cat("Frecuencia de datos LEJOS de la mediana:", frecuencia_lejos_nl, "\n")## Frecuencia de datos LEJOS de la mediana: 96Este resultado nos indica que existen más bajas que se encuentran por debajo de la mediana de distancia entre la vivienda del ex-colaborador y la dirrección del socio formador, lo que quiere decir que entre más cerca vive una persona de la ubicación de la empresa mayor es la probabilidad de renunciar.
copia_actuales_nl <- copia_actuales_nl %>%
mutate(ESTATUS = "ACTIVO")
copia_bajas_nl <- copia_bajas_nl %>%
mutate(ESTATUS = "INACTIVO")
df_consolidad_nl <- bind_rows(copia_bajas_nl, copia_actuales_nl)hist(df_consolidad_nl$DISTANCIA.KM,
main = "Histograma de Distancia (CONSOLIDADO)",
xlab = "Distancia en km",
ylab = "Frecuencia",
col = "orange",
border = "black",
breaks = "Scott")
intervalos_distancia <- c(0, 5, 10, 15, Inf)
df_consolidad_nl$INT.DISTANCIA <- cut(df_consolidad_nl$DISTANCIA.KM,
breaks = intervalos_distancia,
labels = c("0-5", "5.1-10", "10.1-15", "15.1+"),
include.lowest = TRUE)
tc <- tabyl(df_consolidad_nl, INT.DISTANCIA, ESTATUS)Tabla de Contingencia
tc <- tc %>%
mutate(TOTAL = rowSums(across(c("ACTIVO", "INACTIVO"))))
tc <- tc %>%
mutate(PORCENTAJE.ACTIVO = round(ACTIVO / TOTAL * 100),
PORCENTAJE.INACTIVO = round(INACTIVO / TOTAL * 100))
tc## INT.DISTANCIA ACTIVO INACTIVO TOTAL PORCENTAJE.ACTIVO PORCENTAJE.INACTIVO
## 0-5 7 25 32 22 78
## 5.1-10 3 6 9 33 67
## 10.1-15 71 163 234 30 70
## 15.1+ 18 20 38 47 53Esta tabla de contingencia nos muestra lo que anteriormente platicabamos, entre mayor es la distancia hay más probabilidades de que las personas permanezcan trabajando dentro de la empresa. Esto lo podemos determinar gracias a que el porcentaje de personas activas es más alto a partir de 15+ kilómetros de distancia, con un 32% de particpación con respecto a los inactivos.
Respuesta Pregunta 5
¿La distancia geográfica desempeña un papel significativo en la determinación del estatus laboral de los empleados? (Activo o Inactivo)
Si, los resultados obtenidos a partir del análisis es que a menor distancia de la dirección del colaborador con respecto a la dirección del Socio Formador hay una mayor probabilidad de que la persona renuncie, y entre mayor sea la distancia, hay una mayor probabilidad de que la persona permanezca en la empresa.
Búsqueda de información y datos
¿Qué tipo de información / datos solicitarías al socio formador para mejorar EDA?
Para poder mejorar el Análisis Exploratorio de Datos, no serviría significamente, el hecho de que el personal correspondiente a Ayudante General, conteste la encuesta/preguntas que como equipo creamos.
Dicha encuesta nos revelará como perciben las personas qué trabajan como Ayudante General, a la cultura organizacional, y así podremos saber que aspectos de la empresa provocan la situación de rotación de personal; se podrá detectar si es un tema de comunicación, salaria, sentido de pertenencia, oportunidad de crecimiento, dinámicas del trabajo en equipo, etc.
Esta información nos ayudará a crear insights en donde podremos crear estrategias para reducir su rotación de personal y mejorar el ambiente y cultura organizacional a mediano y largo plazo.
¿Qué tipo de información / datos de fuentes secudnarias buscarías para mejorar EDA
- Cantidad de empleados y empleadas que reciben capacitación en la área de Elaboración de Productos de Papel y Cartón.
- Cantidad de empleados que cuentan con Seguros de Gastos Médicos Mayores en la área de Elaboración de Productos de Papel y Cartón.
- Cantidad de empleados y empleadas que cuentan con las prestaciones básicas de ley en la área de Elaboración de Productos de Papel y Cartón.
- Cantidad de empleados y empleadas qué cuentan con un programa de ahorro/inversión en la 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 disparidad 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 mejores salarios promedio mensuales para las personas que trabajan en la Industria de la Elaboración de Productos de Papel y Cartón, fueron encontrados en los estados de Nuevo León con un total de $8.6k Mxn, Tlaxcala con $7.34 k Mxn y CDMX con un total de $5.73 k Mxn. Ahora bien si bien el salario promedio es mayor, eso no significa que las personas sean más fieles a sus empresas pro este motivo, ya qué como vimos en FORM a pesar de tener un salario digno siguen sufriendo de bajas laborales.
Igual Data Mexico comparte qué la edad promedio de la fuerza laboral de esta industria es de alrededor de 41 años, esto es un aproximado, pero también es importante este dato, ya que seguramente esta gente cuenta con familia e hijos, los cuales deben de cuidar y seguramente después del trabajo, llegan a este segundo turno en donde deben de cuidar a alguién más y no descansan de manera apropiada; causando efectos no tan positivos en su desempeño laboral, en alguna persona del personal.
——————————————————-
Análisis General Exploratoria para la Situación Problema 1
Cabe recalacar que este análisis exploratorio es general y no se han usado bases de datos en R para esta parte, sin embargo la inforamción recabada de fuentes secundarias sobre la Situación Problema es interesante y nos ayudo para dar una propuesat 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 hay 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.
Hallazgos Encontrados
####En el caso de RH pudimos identificar que la alta rotacion del personal puede ser por el problema de edad y puestos con lo que se recomienda que Form tenga en cuanta que al contrar a una persona de cierta edad para un puesto especifico pueda tener una nivel de riesgo de que la persona pueda dejar el puesto
####Form es una empresa que cuenta con un nivel alto de dependencia a ciertos clientes por lo cual una estrategia variable para ellos es consolidarse en el mercado de Austin, Texas y ampliar su portafolio de clientes que puedan hacer la empresa menos dependientes de ciertos clientes
####Es posible que Form llege al mercado deseado que es el de estados unidos y por lo cual tendra que no solo incrementar el personal con el que se cuenta si no que también tiene que definir su estrategia de mercado en estados unidos con importaciones y exportaciones
####Otro hallazgo que se encontro fue que las bajas más comunes son por las faltas las cuales se dan en los meses donde hay mas calor en la ciudad lo cual puede interpretarse como que los trabajadores pueden estar descontentos con la calidad del estado laboral en tiempos de calor y prefieren no presentarse en estás epocas