AUTOR : HERMILSO CRUZ VALENCIA

fecha: 01/03/2022

UNIVERSIDAD: JAVERIANA CALI

MAESTRIA EN CIENCIA DE DATOS

library(readxl)
datosrota = read_excel("C:/Users/TELEMATICA/Desktop/Datos_Rotacion.xlsx")
View(datosrota)

DESARROLLO DEL PUNTO No 1

VARIABLES CATEGORICAS:

  1. EL ESTADO CIVIL. La Hipótesis seria que las personas que figuran como solteras tendrán mayor índice de rotación toda vez que están en busca de nuevas experiencias, a comparación de las casadas que quieren mayor estabilidad por temas familiares.

2.VIAJES DE NEGOCIOS. Se espera que las personas con un alto número de viajes de negocios, igualmente tenga una alta carga laboral motivo por el cual tendría a rotar de manera más rápida.

  1. CARGO. Se espera que si el nivel del cargo de la empresa es de alta dirección o de mayor rango, pues la rotación disminuya por temas como la remuneración.

VARIABLES CUANTITATIVAS:

  1. EDAD. Entre las personas más jóvenes sean mayor será su grado de rotación, por el afán de adquirir nuevas experiencias, mientras que los de una mayor edad están por su estabilidad laboral.

  2. INGRESO MENSUAL. Se considera que cuando el nivel de ingreso es bueno el nivel de rotación sea menor por la estabilidad económica que este les brinda.

  3. CAPACITACIONES. Las personas que reciben pocas capacitaciones por parte de la empresa tienden a rotar más, buscando que otras si les brinde las condiciones de superarse profesionalmente.

DESARROLLO DEL PUNTO No 2 ( Analisis univariado)

require(ggplot2)##instalar libreria
require(ggpubr)##instalar libreria


##analisis para la edad
##El promedio de la edad es de 36 años, la edad minima es de 18 años y la maxima de 60 años.
promedio=mean(datosrota$Edad) ##saber el promedio
mediana=median(datosrota$Edad)##saber la mediana
minimo=min(datosrota$Edad)##saber el minimo
maximo=max(datosrota$Edad) ## saber el maximo

data.frame(promedio,mediana,minimo,maximo)
promedio mediana minimo maximo
36.92381 36 18 60 
prop.table(table(datosrota$Rotación))*100
## 
##       No       Si 
## 83.87755 16.12245
##analisis ingreso mensual
##El promedio del sueldo esta alrededor de los 6.5 millones, con un sueldo minimo de 1 millon y un maximo de casi 20 millones
promedio=mean(datosrota$Ingreso_Mensual) ##saber el promedio
mediana=median(datosrota$Ingreso_Mensual)##saber la mediana
minimo=min(datosrota$Ingreso_Mensual)##saber el minimo
maximo=max(datosrota$Ingreso_Mensual) ## saber el maximo

data.frame(promedio,mediana,minimo,maximo)
promedio mediana minimo maximo
6502.931 4919 1009 19999 
##graficos
g1=ggplot(datosrota,aes(x=Edad))+geom_histogram()+theme_bw()
g2=ggplot(datosrota,aes(x=Ingreso_Mensual))+geom_histogram()+theme_bw()
ggarrange(g1, g2,labels = c("A", "B"),ncol = 2, nrow = 1)

##analisis capacitaciones
## Se observa que tenemos un promedio de capacitaciones de 3, pero asi mismo se encuentra que hay personal que no cuenta con ningun tipo.
promedio=mean(datosrota$Capacitaciones) ##saber el promedio
mediana=median(datosrota$Capacitaciones)##saber la mediana
minimo=min(datosrota$Capacitaciones)##saber el minimo
maximo=max(datosrota$Capacitaciones) ## saber el maximo

data.frame(promedio,mediana,minimo,maximo)
promedio mediana minimo maximo
2.79932 3 0 6 
##Analisis estado civil
## Se evidencia que la mayor parte del personal son casados con casi un 46%, seguidos por los solteros con casi un 32%  y por ultimo encontramos a los divorciados con un 22%.
tablaesta=table(datosrota$Estado_Civil)
porc=prop.table(table(datosrota$Estado_Civil))*100
data.frame(tablaesta,porc)
Var1 Freq Var1.1 Freq.1
Casado 673 Casado 45.78231
Divorciado 327 Divorciado 22.24490
Soltero 470 Soltero 31.97279 
##graficos
g3=ggplot(datosrota,aes(x=Capacitaciones))+geom_histogram()+theme_bw()
g4=ggplot(datosrota,aes(x=Estado_Civil))+geom_bar()+theme_bw()
ggarrange(g3, g4,labels = c("C", "D"),ncol = 2, nrow = 1)

##Analisis Viajes de negocios
##Encontramos que casi el 71% viaja raramente, mientras que casi el 19% viaja frecuentemente y el 10% no presenta ningun tipo de viaje.
tablaviajes=table(datosrota$Viaje_de_Negocios)
prom=prop.table(table(datosrota$Viaje_de_Negocios))*100##sacar el promedio
data.frame(tablaviajes,prom)
Var1 Freq Var1.1 Freq.1
Frecuentemente 277 Frecuentemente 18.84354
No_Viaja 150 No_Viaja 10.20408
Raramente 1043 Raramente 70.95238 
##Analisis del cargo
##Se evidencia que el cargo mas ocupado es ejecutivo de ventas con 326, y el menos el de recursos humanos con 52.
tablacargo=table(datosrota$Cargo)
data.frame(tablacargo)
Var1 Freq
Director_Investigación 80
Director_Manofactura 145
Ejecutivo_Ventas 326
Gerente 102
Investigador_Cientifico 292
Recursos_Humanos 52
Representante_Salud 131
Representante_Ventas 83
Tecnico_Laboratorio 259 
##graficos

g5=ggplot(datosrota,aes(x=Viaje_de_Negocios))+geom_bar()+theme_bw()
g6=ggplot(datosrota,aes(x=Cargo))+geom_bar()+theme_bw()
ggarrange(g5, g6,labels = c("E", "F"),ncol = 2, nrow = 1)

DESARROLLO DEL PUNTO No 3 ( Analisis Bivariado) siempre contra rotacion…

require(CGPfunctions)##instalamos la libreria 
##estrategia para cuando la variables son categoricas:
##Analisis viaje de negocios Vs Rotacion
##Se evidencia efectivamente que entre mas frecuentemente se viaje mayor es el porcentaje de rotación.

datosrota$Viaje_de_Negocios=factor(datosrota$Viaje_de_Negocios,levels = c("Frecuentemente","Raramente","No_Viaja"))##cambiar el orden a mostrar
tabla1=table(datosrota$Viaje_de_Negocios,datosrota$Rotación)##comparacion entre las dos variables
prop.table(tabla1,margin = 1)*100
##                 
##                        No       Si
##   Frecuentemente 75.09025 24.90975
##   Raramente      85.04314 14.95686
##   No_Viaja       92.00000  8.00000
PlotXTabs2(datosrota,Viaje_de_Negocios,Rotación , plottype="percent")

## Analisis Estado civil Vs Rotacion
## Se aprueba la hipotesis que las personas casadas tienden a rotar menos que las que son solteras.

tabla2=table(datosrota$Estado_Civil,datosrota$Rotación)
prop.table(tabla2,margin = 1)*100
##             
##                    No       Si
##   Casado     87.51857 12.48143
##   Divorciado 89.90826 10.09174
##   Soltero    74.46809 25.53191
PlotXTabs2(datosrota,Estado_Civil,Rotación , plottype="percent")

##Analisis del cargo Vs Rotacion
##Los cargos de mayor nivel jerarquico tienden a tener menor rotacion.

datosrota$Cargo=factor(datosrota$Cargo,levels = c("Director_Investigación","Gerente","Director_Manofactura","Representante_Salud","Investigador_Cientifico","Ejecutivo_Ventas","Recursos_Humanos","Tecnico_Laboratorio","Representante_Ventas"))##ordenamos de < a > la rotacion

tabla3=table(datosrota$Cargo,datosrota$Rotación)
prop.table(tabla3,margin = 1)*100
##                          
##                                  No        Si
##   Director_Investigación  97.500000  2.500000
##   Gerente                 95.098039  4.901961
##   Director_Manofactura    93.103448  6.896552
##   Representante_Salud     93.129771  6.870229
##   Investigador_Cientifico 83.904110 16.095890
##   Ejecutivo_Ventas        82.515337 17.484663
##   Recursos_Humanos        76.923077 23.076923
##   Tecnico_Laboratorio     76.061776 23.938224
##   Representante_Ventas    60.240964 39.759036
PlotXTabs2(datosrota,Cargo,Rotación , plottype="percent")

##estrategia para cuando la variables son cuantitativas:

##Analisis del Ingreso mensual Vs Rotacion
##Cuando las personas cuentan con un nivel de ingresos bueno tienden a rotar menos.


g1=ggplot(datosrota,aes(x=Rotación,y=Ingreso_Mensual,fill=Rotación))+geom_boxplot()+theme_bw()
require(plotly)
ggplotly(g1)
##Analisis de la edad Vs Rotacion
##Las personas con edades por encima de los 36 años tienden a rotar menos.

g2=ggplot(datosrota,aes(x=Rotación,y=Edad,fill=Rotación))+geom_boxplot()+theme_bw()
require(plotly)
ggplotly(g2)
##Analisis de las capacitaciones Vs Rotacion
##La grafica no me muestra claramente la relacion

g3=ggplot(datosrota,aes(x=Rotación,y=Capacitaciones,fill=Rotación))+geom_boxplot()+theme_bw()
require(plotly)
ggplotly(g3)
tapply(datosrota$Capacitaciones,datosrota$Rotación,mean,na.rm=TRUE)
##       No       Si 
## 2.832928 2.624473
## si queremos modificar datos en la base
##datosrota2=datosrota
##datosrota2$Rotación[1:10]=N/A
##datos_compl=na.omit(datosrota2)

DESARROLLO DEL PUNTO No 4 CONCLUSIONES.

Dentro de las estrategias, se podría plantear para la empresa que en lo referente a los viajes se establezcan ciertos mecanismos, con el fin de que el personal no lo haga seguidamente y esto produzca desestabilidad laboral.

Otra estrategia seria determinar una serie de incentivos o mecanismos que le ofrezcan tanto a las personas solteras como a las jóvenes, alternativas que sean tentadoras para que permanezcan en la empresa.

Determinar niveles de capacitaciones adecuados que a su vez le permita al personal obtener mejores puestos dentro de la organización y esto lo haga más atractivo.