Ordenar de forma decreciente

datos2 |> group_by(motivos) |> count() |> data.frame() -> data
tabla <- data[order(-data$n), ]
tabla$Acumulado <- cumsum(tabla$n )
tabla$PorcentajeAcumulado <- cumsum(tabla$n) / sum(tabla$n) * 100
tabla <- tabla |>  rename( "Motivos"=motivos ,  "Cantidad"= n)

#| Tabla ordenada
tabla |> 
  kbl() |> kable_paper("hover", 
                       full_width = F)

Los motivos se ordenan de izquierda a derecha de manera descendente en función de su frecuencia (cantidad). En el gráfico, los motivos más importantes (los que tienen la mayor frecuencia) se encuentran en la parte izquierda, mientras que los menos importantes están a la derecha. Esto ayuda a identificar y priorizar los motivos más significativos.

Usando paquete QCC

library(qcc)
Tipo <- tabla[,2]  #Cantidad
names(Tipo) <- tabla[,1]  #Motivos

pareto.chart(Tipo, col = rainbow(length(Tipo)), 
             cex.names = 0.8,  main = "Diagrama de Pareto",
             ylab = "Frecuencia")

Usando paquete GGPLOT2

tabla$Motivos = factor(tabla$Motivos,
                       levels=c("Atraso en el transporte"                       
                                 ,"Dañado"                              
                                 ,"Demora en la entrega"                          
                                 , "Cobro indebido"                                
                                 ,"Mala atención al público"                      
                                 ,"Falta de garantía"                             
                                 ,"Facturación incorrecta"                        
                                 , "Inconvenientes con la devolución"  
                                 ,"Entrega a persona equivocada"                  
                                 ,"No cumplimiento de las medidas de bioseguridad"
                                 , "Pérdida"                           
                                 ,"Omisión de información" ))

colores <- c("#FF0000", "#FF8000", "#FFFF00", "#80FF00", "#00FF00", "#00FF80", "#00FFFF", "#0080FF", "#0000FF", "#8000FF", "#FF00FF", "#FF0080")
ggplot(tabla, aes(x = Motivos, fill = as.factor(Acumulado))) +
  geom_bar(aes(y = Cantidad), stat = "identity") +
  scale_fill_manual(values = colores) +
  geom_point(aes(y = Acumulado), color = 'black', pch = 16) +
  geom_path(aes(y = Acumulado, group = 1), color = 'black', size = 0.5) +
  theme(axis.text.x = element_text(angle = 45, vjust = 0.6, size = 10.5)) +
  scale_y_continuous(sec.axis = sec_axis(~.*100/sum(tabla$Cantidad), name = "Acumulado [%]")) +
  theme(axis.text.x = element_text(angle = 45, vjust = 0.6), legend.position = "none",
        plot.background = element_rect(fill = "#e3e3e3"),
        panel.background = element_rect(fill = "white", color = "black", linewidth = 0.6),
        plot.title = element_text(hjust = 0.5, size = 12, face = "bold")) +
  labs(title = "Diagrama de Pareto", y = 'Frecuencia')

El Diagrama de Pareto fue realizado con el software R, usando el paquete Ggplot2. Se puede visualizar que, como lo especificó la lista por decreciente, el motivo “Atraso en el transporte” fue el que tuvo más cantidad de repeticiones de forma significativa. Con respecto a los motivos “Demora en la entrega”, “Cobro indebido”, “Mala atención al público” y “Falta de garantía” muestran cierta similitud gráficamente, lo que se confirma si se observa la lista decreciente, estos motivos presentan cantidades casi consecutivas a diferencia del resto. Por último se observa que “Omisión de información” es el motivo que menos se repitió.

Recomendaciones:

• Mayor coordinación en las gestiones en el área de transporte para evitar retraso, realizar un feedback y revisar el estado de los vehículos.
• Evaluar al personal, respecto al speech de atención al cliente y el trato para con el mismo. Mayor atención al envío de productos para evitar daños y pérdidas.
• Seguimiento al área de cobranzas para evitar reembolsos y reclamos al libro de reclamaciones.

Gráfico Causa-Efecto

Con la ayuda de esta herramienta, pudimos determinar las causas principales de cada uno de los problemas encontrados con el diagrama de Pareto. De esta manera, elegimos examinar con más detalle las variables que afectan la calidad del servicio y sugerir acciones de mejora o prevención para cada una de ellas. El problema es el retraso en la entrega, algunas causas probables son:

library(SixSigma)
effect<- "demora en la entrega"
causes.gr<-c("Maquinaria","Mano de obra", "Materiales", "Medición", "Métodos","Entorno")
causes<-vector(mode="list", length=length(causes.gr))

causes[1]<-list(c('\nFalta de seguridad o protección para los repartidores\n',
                  '\nFalta de mantenimiento de los vehículos repartidores\n',
                  '\nFalta de equipamiento adecuado para el transporte \n de los productos'))
causes[2]<-list(c('Falta de GPS para ubicación',
                  'Falta de motivación o incentivos',
                  'Falta de comunicación o coordinación entre el personal'))
causes[3]<-list(c('Material de empaque insuficiente o inadecuado',
                  'Recepción de productos dañados',
                  'No se etiqueta correctamente los paquetes'))
causes[4]<-list(c('No se verifica el estado de los paquetes',
                  'No se registra el tiempo de entrega',
                  'No se mide la satisfacción del cliente'))
causes[5]<-list(c('Personal desconoce las rutas más óptimas',
                  'Mal manejo o almacenamiento de los productos',
                  'No se respetan los horarios o condiciones de entrega',
                  'No se brinda una atención al cliente cordial'))
causes[6]<-list(c('Mucho tráfico o congestión en la zona',
                  'Alta demanda en la noche o en fechas especiales',
                  'Competencia con otras empresas de envío'))

ss.ceDiag(effect,causes.gr,causes,main = "Diagrama de Causa - Efecto",sub = "Demora en la entrega")

Interpretación:

La maquinaria: Estas causas pueden provocar accidentes, averías, pérdidas o daños en los productos, lo que retrasa la entrega y afecta a la calidad del servicio.

El personal: Estas causas pueden provocar errores, conflictos en el proceso de entrega, lo que perjudica al rendimiento y al clima laboral.

Los materiales: Estas causas pueden originar deterioro, confusión o pérdida en el proceso de entrega, lo que impacta en la calidad y la seguridad del servicio.

El entorno: Estas causas pueden generar retrasos, sobrecarga o desventaja en el proceso de entrega, lo que afecta a la rapidez y la competitividad del servicio.

Los métodos: Estas causas pueden ocasionar demoras, desperdicios, reclamos o quejas en el proceso de entrega, lo que reduce la eficiencia y la efectividad del servicio.

Las mediciones: Estas causas pueden generar desconocimiento, descontrol o insatisfacción en el proceso de entrega, lo que dificulta la identificación y la corrección de los problemas.

Recomendaciones:

• Para mejorar la maquinaria, se podría invertir en equipos o vehículos más modernos y seguros, realizar un plan de mantenimiento preventivo y correctivo, y dotar al personal repartidor con los implementos necesarios para protegerse y transportar los productos adecuadamente.

• Para mejorar el personal, se podría proveer al personal repartidor con dispositivos GPS para facilitar su ubicación y orientación, implementar un sistema de incentivos o reconocimientos por el cumplimiento de las metas, y fomentar la comunicación y la coordinación entre el personal para trabajar en equipo.

• Para mejorar los materiales, se podría optimizar el uso del material de empaque, asegurándose de que sea suficiente y adecuado para cada tipo de producto, verificar el estado de los productos antes de aceptarlos y enviarlos, y etiquetar correctamente los paquetes con la información necesaria para su identificación y entrega.

• Para mejorar el entorno, se podría monitorear el tráfico y las condiciones climáticas para anticiparse a posibles contingencias, planificar la capacidad y la demanda para atender los picos de trabajo, y diferenciarse de la competencia por la calidad y la innovación del servicio.

• Para mejorar los métodos, se podría capacitar al personal repartidor sobre las rutas más eficientes y seguras para llegar a los destinos, implementar buenas prácticas para el manejo y almacenamiento de los productos, cumplir con los horarios y condiciones pactados con los clientes, y brindar una atención al cliente amable y respetuosa.

• Para mejorar las mediciones, se podría implementar un sistema de seguimiento y control del estado y el tiempo de entrega de los paquetes, realizar encuestas periódicas a los clientes para medir su nivel de satisfacción y fidelización, y establecer indicadores clave de rendimiento (KPI) para evaluar el proceso de entrega.

Prueba de Hipótesis de normalidad

• \(H_0\): La variable sigue una distribución normal

• \(H_1\): La variable no sigue una distribución normal

• \(\alpha = 0.05\)

library(MVN)
cbind.data.frame(datos$peso_paquete, datos$costo_envio,datos$tiempo_entrega) -> table

#| Prueba AndersonDarling
mvn(table,mvnTest = "hz", univariateTest= "AD")$univariateNormality  

##               Test             Variable Statistic   p value Normality
## 1 Anderson-Darling  datos$peso_paquete    14.7988  <0.001      NO    
## 2 Anderson-Darling  datos$costo_envio     13.6595  <0.001      NO    
## 3 Anderson-Darling datos$tiempo_entrega   23.2602  <0.001      NO

#| Prueba Shapiro-Wilk
mvn(table,mvnTest = "hz", univariateTest= "SW")$univariateNormality  

##           Test             Variable Statistic   p value Normality
## 1 Shapiro-Wilk  datos$peso_paquete     0.9065  <0.001      NO    
## 2 Shapiro-Wilk  datos$costo_envio      0.9121  <0.001      NO    
## 3 Shapiro-Wilk datos$tiempo_entrega    0.8899  <0.001      NO

Interpretación: Ninguna de las variables siguen una distribución normal. Por lo tanto, se procede a usar la correlación de Spearman.

Correlación entre las variables peso y el costo de envio (metodo Spearman)

cor.test(datos$peso_paquete , datos$costo_envio ,method ="spearman")$estimate

##       rho 
## 0.8843419

cor.test(datos$peso_paquete , datos$costo_envio ,method ="spearman")

## 
##  Spearman's rank correlation rho
## 
## data:  datos$peso_paquete and datos$costo_envio
## S = 2409534, p-value < 2.2e-16
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
##       rho 
## 0.8843419

Correlación entre las variables peso y el tiempo de entrega (metodo Spearman)

cor.test(datos$peso_paquete , datos$tiempo_entrega ,method ="spearman")$estimate

##       rho 
## 0.1987726

cor.test(datos$peso_paquete , datos$tiempo_entrega ,method ="spearman")

## 
##  Spearman's rank correlation rho
## 
## data:  datos$peso_paquete and datos$tiempo_entrega
## S = 16692170, p-value = 7.523e-06
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
##       rho 
## 0.1987726

Asociación entre las variables tiempo de entrega y destino de envío

• \(H_0\): No existe asociacion entre el tiempo de entrega y el destino de envío.

• \(H_1\): Existe asociacion entre el tiempo de entrega y el destino de envío.

• \(\alpha = 0.05\)

tabla0 <- table(datos$destino_envio,datos$tiempo_entrega)
tabla0

##                              
##                                 1   2   3   4   5
##   Lima Metropolitana y Callao  66 105  93   2   0
##   Provincia                     0  15 105 108   6

Interpretación: Observando la tabla de contingencia, se puede ver que hay una diferencia notable entre los tiempos de entrega según el destino de envío. La mayoría de los envíos a Lima Metropolitana y Callao se entregan en 1, 2 o 3 días, mientras que la mayoría de los envíos a Provincia se entregan en 3 o 4 días. Además, hay muy pocos envíos que se entregan en 1 o 5 días, tanto para Provincia como para Lima Metropolitana y Callao.

chisq.test(t(tabla0)) 

## 
##  Pearson's Chi-squared test
## 
## data:  t(tabla0)
## X-squared = 241.31, df = 4, p-value < 2.2e-16

vcd::assocstats(tabla0) # Coeficiente de contingencia 0-1

##                     X^2 df P(> X^2)
## Likelihood Ratio 306.92  4        0
## Pearson          241.31  4        0
## 
## Phi-Coefficient   : NA 
## Contingency Coeff.: 0.571 
## Cramer's V        : 0.695

Interpretación: En la prueba chi-cuadrado el valor del p-valor es muy bajo (menor que 2.2e-16), lo que indica que se puede rechazar la hipótesis nula, se puede afirmar que existe asociación entre el tiempo de entrega y el destino de envío. Además, el valor del coeficiente de contingencia es 0.571, lo que indica que hay una asociación moderada entre las variables.

Estos resultados sugieren que el destino de envío influye en el tiempo de entrega de la empresa Olva Courier, y que hay una tendencia a que los envíos a Provincia tarden más en llegar que los envíos a Lima Metropolitana y Callao.

Recomendaciones y Soluciones:

• Ofrecer incentivos o descuentos a los clientes que acepten tiempos de entrega más largos. Esto podría equilibrar la distribución de los tiempos de entrega.

• Establecer alianzas o convenios con otras empresas de transporte que operen en Provincia y que puedan ofrecer un servicio más rápido y eficiente. Esto podría mejorar la calidad y la velocidad de los envíos a Provincia y aumentar la satisfacción de los clientes.

• Evaluar la satisfacción de los clientes con el tiempo de entrega y el servicio de la empresa Olva Courier.

Asociación entre las variables estado del paquete y satisfacción del cliente

• \(H_0\): No existe asociación entre el estado del paquete y la satisfacción del cliente.

• \(H_1\): Existe asociación entre el estado del paquete y la satisfacción del cliente.

• \(\alpha = 0.05\)

tabla1 <- table(factor(datos$estado_paquete), datos$satisfaccion_cliente)
tabla1

##                
##                   1   2   3   4   5
##   Inconveniente  91  35  19   3   0
##   Ninguna         0   9  89 153 101

Interpretación: Observando la tabla de contingencia, se puede ver que hay una diferencia notable entre la satisfacción del cliente según el estado del paquete. La mayoría de los clientes que reportaron algún inconveniente con su paquete dieron una calificación de 1, mientras que la mayoría de los clientes que no reportaron ningún inconveniente con su paquete dieron una calificación de 4 y 5. Además, los clientes que reportaron inconvenientes no dieron una calificación de 5 y los que reportaron ningún inconveniente no dieron una calificación de 1.

chisq.test(t(tabla1))

## 
##  Pearson's Chi-squared test
## 
## data:  t(tabla1)
## X-squared = 376.39, df = 4, p-value < 2.2e-16

vcd::assocstats(tabla1) # Coeficiente de contingencia 0-1

##                     X^2 df P(> X^2)
## Likelihood Ratio 432.73  4        0
## Pearson          376.39  4        0
## 
## Phi-Coefficient   : NA 
## Contingency Coeff.: 0.655 
## Cramer's V        : 0.868

Interpretación: En la prueba chi-cuadrado el valor del p-valor es muy bajo (menor que 2.2e-16), lo que indica que se puede rechazar la hipótesis nula, se puede afirmar que existe asociación entre la satisfacción del cliente según el estado del paquete. Además, el valor del coeficiente de contingencia es 0.655, lo que indica que hay una asociación fuerte entre las variables.

Estos resultados sugieren que el estado del paquete influye en la satisfacción del cliente de la empresa Olva Courier, y que hay una tendencia a que los clientes que reciben sus paquetes en mal estado o con retraso estén más insatisfechos que los clientes que reciben sus paquetes en buen estado y a tiempo.

Recomendaciones y Soluciones:

• Implementar un sistema de control de calidad que verifique el estado de los paquetes antes de enviarlos y que detecte posibles daños o defectos. Esto podría prevenir o reducir el número de inconvenientes reportados por los clientes y mejorar la imagen de la empresa Olva Courier.

• Capacitar al personal encargado del transporte y la entrega de los paquetes para que sigan las normas de seguridad y cuidado de la mercancía. Esto podría evitar o minimizar el riesgo de que los paquetes se deterioren o se pierdan durante el trayecto y aumentar la confianza de los clientes.

• Ofrecer una garantía o una compensación a los clientes que hayan recibido sus paquetes en mal estado o con retraso. Esto podría mejorar la satisfacción de los clientes.

• Realizar una evaluación periódica del servicio de la empresa Olva Courier y recoger las sugerencias y opiniones de los clientes. Esto podría permitir identificar las fortalezas y debilidades del servicio y aplicar las mejoras necesarias.

De manera general

grupos <- split(datos, datos$destino_envio)

Resumen para Lima Metropolitana y Callao

summary(grupos$`Lima Metropolitana y Callao`)

##    id_envio         tipo_producto       peso_paquete     costo_envio    
##  Length:266         Length:266         Min.   : 1.250   Min.   : 3.010  
##  Class :character   Class :character   1st Qu.: 2.590   1st Qu.: 4.388  
##  Mode  :character   Mode  :character   Median : 5.815   Median : 6.770  
##                                        Mean   : 6.480   Mean   : 7.543  
##                                        3rd Qu.: 9.828   3rd Qu.:10.277  
##                                        Max.   :14.490   Max.   :14.470  
##  destino_envio      tiempo_entrega        estado_paquete satisfaccion_cliente
##  Length:266         Min.   :1.000   Inconveniente: 79    1:45                
##  Class :character   1st Qu.:2.000   Ninguna      :187    2:22                
##  Mode  :character   Median :2.000                        3:63                
##                     Mean   :2.117                        4:80                
##                     3rd Qu.:3.000                        5:56                
##                     Max.   :4.000

Resumen para Provincia

summary(grupos$Provincia)

##    id_envio         tipo_producto       peso_paquete     costo_envio    
##  Length:234         Length:234         Min.   : 1.240   Min.   : 3.100  
##  Class :character   Class :character   1st Qu.: 2.248   1st Qu.: 4.125  
##  Mode  :character   Mode  :character   Median : 5.450   Median : 8.020  
##                                        Mean   : 6.487   Mean   : 7.883  
##                                        3rd Qu.:10.232   3rd Qu.:11.318  
##                                        Max.   :14.490   Max.   :14.500  
##  destino_envio      tiempo_entrega        estado_paquete satisfaccion_cliente
##  Length:234         Min.   :2.000   Inconveniente: 69    1:46                
##  Class :character   1st Qu.:3.000   Ninguna      :165    2:22                
##  Mode  :character   Median :3.000                        3:45                
##                     Mean   :3.449                        4:76                
##                     3rd Qu.:4.000                        5:45                
##                     Max.   :5.000