UNIDAD1_ACTIVIDAD2
ELKIN CANTOR
26/2/2022
# Instalamos las librerías
library(forecast)
library(reshape2)
library(stats)
library(ggplot2)
library(ggthemes)
library(ggrepel)
library(dplyr)
library(tidyr)
library(readxl)
library(reticulate)
library(plotly)# CArga de datos
library(readxl)
dF<- read_excel("d:/mis documentos/METODOS ESTADISTICOS/Unidad2/Datos_Rotacion.xlsx")“1. Seleccionar 3 variables categóricas (distintas de rotación) y 3 variables cuantitativas, que consideren estén relacionadas con la rotación. Nota: Justifi car por que estas variables están relacionadas y que tipo de relación se espera (Hipótesis). Ejemplo: Se espera que las horas extra se relacionen con la rotación ya que las personas podrían desgastarse mas al trabajar horas extra y descuidan aspectos personales. La hipótesis es que las personas que trabajan horas extra tienen mayor posibilidad de rotar que las que no trabajan extra. (serian 6, una por variable).”
Basado en los datos y experiencias de rotaciones en el trabajo se plantean las siguientes hipotesis con las siguientes variables:
Variables Categoricas:
Hipotesis 1: Las personas que viajan frecuentemente tienden a rotar mas debido a que resulta un trabajo mas demandante en tiempo
Hipotesis 2: Las personas solteras tienen mayor rotación dado que su prioridad no es tener un trabajo estable
Hipotesis 3: Los cargos menos calificados como los tecnicos y los de area de ventas presentan mayor rotación
Variables númericas
Hipotesis1 : el factor salariar tiene alto impacto para retener a las personas en la empresa
Hipotesis 2: Cuanto mas distancia se tenga de la casa mayor rotación por los altos tiempos de desplazamiento
Hipotesis 3: Las personas con menos número de capacitación presentan mayor rotación.
- Realizar un análisis univariado (caracterización). Nota: Los indicadores o gráfi cos se usan dependiendo del tipo de variable (cuanti o cuali). Incluir interpretaciones de la rotación.
summary(dF)## Rotación Edad Viaje de Negocios Departamento
## Length:1470 Min. :18.00 Length:1470 Length:1470
## Class :character 1st Qu.:30.00 Class :character Class :character
## Mode :character Median :36.00 Mode :character Mode :character
## Mean :36.92
## 3rd Qu.:43.00
## Max. :60.00
## Distancia_Casa Educación Campo_Educación Satisfacción_Ambiental
## Min. : 1.000 Min. :1.000 Length:1470 Min. :1.000
## 1st Qu.: 2.000 1st Qu.:2.000 Class :character 1st Qu.:2.000
## Median : 7.000 Median :3.000 Mode :character Median :3.000
## Mean : 9.193 Mean :2.913 Mean :2.722
## 3rd Qu.:14.000 3rd Qu.:4.000 3rd Qu.:4.000
## Max. :29.000 Max. :5.000 Max. :4.000
## Genero Cargo Satisfación_Laboral Estado_Civil
## Length:1470 Length:1470 Min. :1.000 Length:1470
## Class :character Class :character 1st Qu.:2.000 Class :character
## Mode :character Mode :character Median :3.000 Mode :character
## Mean :2.729
## 3rd Qu.:4.000
## Max. :4.000
## Ingreso_Mensual Trabajos_Anteriores Horas_Extra
## Min. : 1009 Min. :0.000 Length:1470
## 1st Qu.: 2911 1st Qu.:1.000 Class :character
## Median : 4919 Median :2.000 Mode :character
## Mean : 6503 Mean :2.693
## 3rd Qu.: 8379 3rd Qu.:4.000
## Max. :19999 Max. :9.000
## Porcentaje_aumento_salarial Rendimiento_Laboral Años_Experiencia
## Min. :11.00 Min. :3.000 Min. : 0.00
## 1st Qu.:12.00 1st Qu.:3.000 1st Qu.: 6.00
## Median :14.00 Median :3.000 Median :10.00
## Mean :15.21 Mean :3.154 Mean :11.28
## 3rd Qu.:18.00 3rd Qu.:3.000 3rd Qu.:15.00
## Max. :25.00 Max. :4.000 Max. :40.00
## Capacitaciones Equilibrio_Trabajo_Vida Antigüedad Antigüedad_Cargo
## Min. :0.000 Min. :1.000 Min. : 0.000 Min. : 0.000
## 1st Qu.:2.000 1st Qu.:2.000 1st Qu.: 3.000 1st Qu.: 2.000
## Median :3.000 Median :3.000 Median : 5.000 Median : 3.000
## Mean :2.799 Mean :2.761 Mean : 7.008 Mean : 4.229
## 3rd Qu.:3.000 3rd Qu.:3.000 3rd Qu.: 9.000 3rd Qu.: 7.000
## Max. :6.000 Max. :4.000 Max. :40.000 Max. :18.000
## Años_ultima_promoción Años_acargo_con_mismo_jefe
## Min. : 0.000 Min. : 0.000
## 1st Qu.: 0.000 1st Qu.: 2.000
## Median : 1.000 Median : 3.000
## Mean : 2.188 Mean : 4.123
## 3rd Qu.: 3.000 3rd Qu.: 7.000
## Max. :15.000 Max. :17.000## Estimadores estadisticoslibrary(ggpubr)##
## Attaching package: 'ggpubr'## The following object is masked from 'package:forecast':
##
## gghistogram## Histograma
g1= ggplot (dF, aes (x=`Viaje de Negocios`)) +geom_bar () +theme_bw ()
g2= ggplot (dF, aes (x=`Estado_Civil`)) +geom_bar () +theme_bw ()
g3= ggplot (dF, aes (x=`Cargo`)) +geom_bar () +theme_bw ()+
theme(axis.text.x = element_text(angle = 90))
ggplotly(g3)##Por lo que se puede ver en la anterior representation grafica los cargos Ejecutivo de ventas (326 personas), investigador cientifico (292 personas) y los tecnicos de laboratorio (259 personas) constituyen el core del negocio al tener la mayor representación en la muestra. Se espera que cualquier alto grado de rotación en estas areas seria un gran problema para el negocio para mantener el conocimiento productivo de la compañia.
ggarrange(g1, g2,labels = c ("A", "B","C"),ncol = 2, nrow = 1)
Con la variable Viaje de negocio se puede ver que los viajes frecuentes no es lo mas comun dentro del nogocio, por lo que si se encuentra una alta rotación producto de viajes frecuentes, las estrategias a implementar seria enfocada a una población pequeña.
Las proporciones entre casados y no casados son muy similares,hay que nalizar estos dos grupos para identificar si la rotación se concentra en alguno de ellos
g4= ggplot (dF, aes(x=Ingreso_Mensual)) +geom_histogram () +theme_bw ()
ggplotly(g4)## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.La mediana de los ingresos mensuales es de 4919, lo cual se puede evidenciar en la grafica donde se ve una alta concentración de datos con ingresos menores a 5000, para valores mayores a 5000 la desperción es mayor, por lo que se espera que estos salarios correspondan a los cargos de mayot rango, de acuerdo a nuestras hipotesis los de menor rotación.
g5= ggplot (dF, aes(x=Distancia_Casa)) +geom_histogram () +theme_bw ()
ggplotly(g5)## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.El 75% de los datos de distancia son inferiores a 14 y se presenta una alta dispeción de los datos, lo cual representaria un gran desafio identificar correlaciónar la distancia con la rotación
g6= ggplot (dF, aes(x=Capacitaciones)) +geom_bar () +theme_bw ()
ggplotly(g6)Se evidencia un fuerte enfoque a la capacitación, concentrandose en su mayoria entre 2 y 3 capacitaciones, con esta grafica podriamos ir obteniendo información para desmentir la hipotesis inicial de que la capacitación sea una variable influenciadora para la rotación.
- Realizar un análisis bivariado (siempre contra la rotación). Nota: Los indicadores y gráfi cos se usan dependiendo del tipo de variable (cuanti VS cuali, cuali VS cuali). Comparar los resultados con la hipótesis planteada inicialmente y determinar si los datos apoyan o no la hipótesis.
g7=ggplot(dF,aes(x=Rotación,y=Ingreso_Mensual,fill=Rotación))+geom_boxplot()+theme_bw()
require(plotly)
ggplotly(g7)ggplot(dF, aes(x=Ingreso_Mensual, color=Rotación)) +
geom_histogram(fill="white")## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
Este analisis nos permite inferir que efectivamente las personas con rotación en el trabajo presentan menores salarios.El tercer cuartil de los salarios de los que presentaron rotación son inferiores a 5935, muy cercano a la mediana de toda la muestra. Lo cual implicaria una estrategia amplia de población, habria que contratarla con otras variables con el fin de poder focalizar esfuerzos.
g8=ggplot(dF,aes(x=Rotación,y=Distancia_Casa,fill=Rotación))+geom_boxplot()+theme_bw()
require(plotly)
ggplotly(g8)Si bien la distancia del trabajo a la casa es mayor para los que presenta rotación la diferencia con los que no rotan no es conciderable como para conciderarla como una variable de alta influencia.
g9=ggplot(dF,aes(x=Rotación,y=Capacitaciones,fill=Rotación))+geom_boxplot()+theme_bw()
require(plotly)
ggplotly(g9)Con este resultado se descarta que la capacitación sea un factor a considerar para reducir la rotación de las personas.
#tapply(dF$Ingreso_Mensual, datos$Rotación, mean,na.rm=TRUE)library(CGPfunctions)
PlotXTabs2(dF, `Viaje de Negocios`,Rotación,plottype = "percent")
PlotXTabs2(dF, `Estado_Civil`,Rotación,plottype = "side")
Efectivamente confirmamos la hipotesis de que los solteros presentan mayor rotación, en parte porque no buscan estabilidad al no tener un hogar constituido.
PlotXTabs2(dF, `Cargo`,Rotación,plottype = "percent",
x.axis.orientation ="vertical")
## Con esta grafica podemos validar la hipotesis de que el cargo tecnico de laboratorio que es uno de los que mas tiene la empresa , es uno de los cargos que presenta mayor rotación con un 24 %. La idea es focalizar esfuerzos para reducir la rotación de este personal dado que constituyen un cargo importante para la compañia.
- En las conclusiones se discute sobre cual seria la estrategia para disminuir la rotación en la empresa. Ejemplo: Mejorar el ambiente laboral, los incentivos económicos, distribuir la carga de horas extra (menos turnos y mas personal).
Basado en los resultados del análisis exploratorio de los datos la estrategia se plantea una estrategia sobre el personal técnico de laboratorio, realizando aumento salarial a este cargo. Dado que se puede observar que es uno de los cargos con mayor rotación y que más participación tiene en la compañía.
Por otro lado, se plantea beneficios para los solteros tales como permitirles afiliar a sus padres a programas de salud prepagada cuando no tienen hijos.
Bonificaciones a las personas que viajan frecuentemente, teniendo en cuenta los viáticos ganados como variables para liquidar un valor adicional a la prima legal.