require(kableExtra)
require(ggplot2)
require(ggpubr)
require(plotly)
require(CGPfunctions)
library(readxl)
Datos_Rotacion <- read_excel("C:/Users/maria/Downloads/Datos_Rotacion.xlsx")
tabla.hipótesis <- data.frame("Variable" = 1:6, "Tipo" = 1:6, "Hipótesis" = 1:6)
tabla.hipótesis[1] <-c("Edad", "Cargo", "Ingreso Mensual", "Satisfacción Laboral", "Campo Educación", "Horas Extras")
tabla.hipótesis[2] <-c("Cuantitativa", "Cualitativa", "Cuantitativa", "Cuantitativa", "Cualitativa", "Cualitativa")
tabla.hipótesis[3] <- c("Se espera que la edad se relacione con la rotación ya que los más jóvenes tienden buscar mayor crecimiento profesional. La hipótesis es que los más jóvenes tienen mayor posibilidad de rotar que los más adultos.", "Se espera que los trabajadores con menor cargo roten más, ya que buscan mejores oportunidades laborales. La hipótesis es que los cargos de menor rango tienen mayor posibilidad de rotar que los cargos de rango medio.", "Se espera que los ingresos mensuales estén relacionados con la rotación, ya que las personas con menores ingresos no se sienten a gusto con el empleo. La hipótesis es que las personas que ganan menos tienen mayor probabilidad de rotar que los que más ganan.", "Se espera que la satisfacción laboral está relacionada con la rotación, ya que las personas más insatisfechas desean cambiar de trabajo. La hipótesis es que las personas que se sientes más insatisfechas tienen mayor probabilidad de rotar que los que se sienten más satisfechos.", "Se espera que el campo de educación esté relacionado con la rotación ya que las personas que trabajan en ciencias pueden estar sobrecargadas laboralmente. La hipótesis es que las personas del área de ciencias tienen mayor probabilidad de rotar que el resto de las áreas.", "Se espera que las horas extras se relacionen con la rotación ya que las personas con más horas extras causadas pueden estar realizando mayor esfuerzo laboral. La hipótesis es que las personas que causan horas extras tienen mayor probabilidad de rotar que las que no.")
PUNTO N° 1
tabla.hipótesis$Numeral <- c(1:6)
tabla.hipótesis <- tabla.hipótesis[c('Numeral', 'Variable', 'Tipo', 'Hipótesis')]
tabla.hipótesis %>%
kableExtra::kable(caption = "Tabla de Hipótesis") %>%
kable_paper(bootstrap_options = "striped", full_width = F)
Tabla de Hipótesis
|
Numeral
|
Variable
|
Tipo
|
Hipótesis
|
|
1
|
Edad
|
Cuantitativa
|
Se espera que la edad se relacione con la rotación ya que los más jóvenes tienden buscar mayor crecimiento profesional. La hipótesis es que los más jóvenes tienen mayor posibilidad de rotar que los más adultos.
|
|
2
|
Cargo
|
Cualitativa
|
Se espera que los trabajadores con menor cargo roten más, ya que buscan mejores oportunidades laborales. La hipótesis es que los cargos de menor rango tienen mayor posibilidad de rotar que los cargos de rango medio.
|
|
3
|
Ingreso Mensual
|
Cuantitativa
|
Se espera que los ingresos mensuales estén relacionados con la rotación, ya que las personas con menores ingresos no se sienten a gusto con el empleo. La hipótesis es que las personas que ganan menos tienen mayor probabilidad de rotar que los que más ganan.
|
|
4
|
Satisfacción Laboral
|
Cuantitativa
|
Se espera que la satisfacción laboral está relacionada con la rotación, ya que las personas más insatisfechas desean cambiar de trabajo. La hipótesis es que las personas que se sientes más insatisfechas tienen mayor probabilidad de rotar que los que se sienten más satisfechos.
|
|
5
|
Campo Educación
|
Cualitativa
|
Se espera que el campo de educación esté relacionado con la rotación ya que las personas que trabajan en ciencias pueden estar sobrecargadas laboralmente. La hipótesis es que las personas del área de ciencias tienen mayor probabilidad de rotar que el resto de las áreas.
|
|
6
|
Horas Extras
|
Cualitativa
|
Se espera que las horas extras se relacionen con la rotación ya que las personas con más horas extras causadas pueden estar realizando mayor esfuerzo laboral. La hipótesis es que las personas que causan horas extras tienen mayor probabilidad de rotar que las que no.
|
PUNTO N° 2
G1 <- ggplot2::ggplot(data = Datos_Rotacion, mapping = aes(x = Edad)) + geom_histogram() + theme_bw()
G2 <- ggplot2::ggplot(data = Datos_Rotacion, mapping = aes(x = Cargo)) + geom_bar() + theme_bw() + theme(axis.text.x = element_text(angle = 90, hjust = 1))
G3 <- ggplot2::ggplot(data = Datos_Rotacion, mapping = aes(x = Ingreso_Mensual)) + geom_histogram() + theme_bw()
G4 <- ggplot2::ggplot(data = Datos_Rotacion, mapping = aes(x = Satisfación_Laboral)) + geom_histogram() + theme_bw()
G5 <- ggplot2::ggplot(data = Datos_Rotacion, mapping = aes(x = Campo_Educación)) + geom_bar() + theme_bw() + theme(axis.text.x = element_text(angle = 90, hjust = 1))
G6 <- ggplot2::ggplot(data = Datos_Rotacion, mapping = aes(x = Horas_Extra)) + geom_bar() + theme_bw()
ggpubr::ggarrange(G1, G3, labels = c("A", "B"), ncol = 2, nrow = 1)
De la figura “E” es claro que la mayor parte de los trabajadores se encuentran ubicados en cargos como Investigador Científico, Técnico de Laboratorio y Ejecutivo de Ventas. Para la figura “F” se evidencia que el mayor grupo de empleados se encuentran ubicados en campos de educación como Ciencias y Salud.
PUNTO N° 3
G7 <- ggplot2::ggplot(data = Datos_Rotacion, mapping = aes(y = Edad, x = Rotación, fill = Rotación)) + geom_boxplot()
G8 <- PlotXTabs2(Datos_Rotacion, Cargo, Rotación, x.axis.orientation = "vertical", results.subtitle = FALSE, sample.size.label = FALSE, label.text.size = 3)
G9 <- ggplot2::ggplot(data = Datos_Rotacion, mapping = aes(y = Ingreso_Mensual, x = Rotación, fill = Rotación)) + geom_boxplot()
G10 <- PlotXTabs2(Datos_Rotacion, Satisfación_Laboral, Rotación, results.subtitle = FALSE, sample.size.label = FALSE, label.text.size = 3)
G11 <- PlotXTabs2(Datos_Rotacion, Campo_Educación, Rotación, x.axis.orientation = "vertical", results.subtitle = FALSE, sample.size.label = FALSE, label.text.size = 3)
G12 <- PlotXTabs2(Datos_Rotacion, Horas_Extra, Rotación, results.subtitle = FALSE, sample.size.label = FALSE, label.text.size = 3)
ggpubr::ggarrange(G7, G9, labels = c("G", "H"), ncol = 2, nrow = 1)
De acuerdo al gráfico “G” podemos inferir que, los trabajadores más jóvenes (~30 años) rotan más que los más adultos, confirmando la hipótesis número 1. Para el gráfico “H” se puede resaltar que, los trabajadores con menores ingresos (~3M) rotan más que los trabajadores con ingresos superiores, lo cual confirma la hipótesis número 3.
ggpubr::ggarrange(G8, G11, labels = c("I", "J"), ncol = 2, nrow = 1)
De acuerdo con la gráfica “G” se puede destacar que las personas más insatisfechas son las que tienen mayor porcentaje de rotación, lo que confirma la hipótesis número 4. En la figura “H” se evidencia que las personas que causan horas extra tienen mayor porcentaje de rotación que las que no las causan, confirmando la hipótesis número 6.
CONCLUSIONES
1. Es recomendable que la empresa implemente iniciativas de carrera que incentive a los trabajadores más jóvenes a continuar con la empresa. En esa misma línea, se recomienda planes de capacitaciones que generen un crecimiento en este grupo poblacional.
2. La empresa debería analizar las tablas de salario del personal que recibe menos ingresos, adicionalmente evaluar estrategias de incentivos para este grupo de trabajadores.
3. Es recomendable realizar las validaciones relacionadas con las metas de los trabajadores del área de ventas, es posible que este grupo de trabajadores se les esté exigiendo en mayor medida capacidades que contrastan con sus ingresos.
4. Se deben implementar mecanismos que permitan a los empleados mejorar su calidad de vida, brindando espacios para esparcimiento, incentivos extra laborales como bonos a eventos, cine, parques, etc.
