PASO 1. Elección de variables y planteamiento de hipótesis

Seleccionar 3 variables categóricas (distintas de rotación) y 3 variables cuantitativas, que consideren estén relacionadas con la rotación.

library(readxl)
datos = read_excel("Datos_Rotacion.xlsx")
names(datos)
##  [1] "Rotación"                    "Edad"                       
##  [3] "Viaje de Negocios"           "Departamento"               
##  [5] "Distancia_Casa"              "Educación"                  
##  [7] "Campo_Educación"             "Satisfacción_Ambiental"     
##  [9] "Genero"                      "Cargo"                      
## [11] "Satisfación_Laboral"         "Estado_Civil"               
## [13] "Ingreso_Mensual"             "Trabajos_Anteriores"        
## [15] "Horas_Extra"                 "Porcentaje_aumento_salarial"
## [17] "Rendimiento_Laboral"         "Años_Experiencia"           
## [19] "Capacitaciones"              "Equilibrio_Trabajo_Vida"    
## [21] "Antigüedad"                  "Antigüedad_Cargo"           
## [23] "Años_ultima_promoción"       "Años_acargo_con_mismo_jefe"

1.1.- Elección de Variables

Categóricas: Cargo, Campo_Educacion,Estado_Civil

Cuantitativas: Ingreso_Mensual, Antiguedad, Años_Experiencia

1.2.- Planteamiento de Hipótesis

Variable_1 [Cargo]: Se puede inferir razonablemente que el cargo actual de un empleado puede causar insatisfaccion profesional, por no ser muy relevante para el area de negocio de la empresa.
Hipótesis: Los empleados con cargos operativos y administrativos presentan mayor nivel de rotación.

Variable_2 [Campo_Educacion]: Se puede inferir razonablemente que el campo de educación puede ser un factor de rotación pues el empleado posiblemente este ejerciendo un cargo no relevante para el area de conocimiento clave que maneja la empresa.
Hipótesis: Los empleados con formación educativa no relacionada con el area de negocio de la empresa presentan mayor nivel de rotación.

Variable_3 [Estado_civil]: Se puede inferir razonablemente que el estado civil puede ser un factor de rotacion, pues esta situación puede facilitar o complicar la toma de decisiones laborales.
Hipótesis: Los empelados solteros presentan mayor nivel de rotación.

Variable_4 [Ingreso_Mensual]: El ingreso mensual probablemente sea una variable relacionada directamente con la rotación. Hipótesis: Empledos con ingresos bajos presentan mayor nivel de rotación.

Variable_5 [Antigüedad]: La poca antigüedad posiblemente no genere arraigo en la empresa favoreciendo la rotación.
Hipótesis: Empleados con menor antiguedad presentan mayor nivel de rotación.

Variable_6 [Años_Experiencia]: Se puede inferir razonablemente que esta variable esté relacionada con la Rotacion laboral pues un empleado con mas años de experiencia tiende a ser mejor considerado y retenido por la empresa.
Hipótesis: Empleados con menor experiencia presentan mayor nivel de rotación.

PASO 2. Análisis Univariado

Realizar un análisis univariado (caracterización).

2.1.- Gráficos de las variables

require(ggplot2)
require(ggpubr)
require(plotly)

# VARIABLE: CARGO
g1=ggplot(datos,aes(x=`Cargo`))+geom_bar(fill = "#336699")+theme_bw()+theme(axis.text.x = element_text(angle = 90))
ggplotly(g1)
# VARIABLE: CAMPO_EDUCACION
g2=ggplot(datos,aes(x=`Campo_Educación`))+geom_bar(fill = "#336699")+theme_bw()+theme(axis.text.x = element_text(angle = 90))
ggplotly(g2)
# VARIABLE: ESTADO_CIVIL
g3=ggplot(datos,aes(x=`Estado_Civil`))+geom_bar(fill = "#336699")+theme_bw()
ggplotly(g3)
# VARIABLE: INGRESO_MENSUAL
g4=ggplot(datos,aes(x=`Ingreso_Mensual`))+geom_histogram(fill = "#336699")+theme_bw()
ggplotly(g4)
# VARIABLE: ANTIGÜEDAD
g5=ggplot(datos,aes(x=`Antigüedad`))+geom_histogram(fill = "#336699")+theme_bw()
ggplotly(g5)
# VARIABLE: AÑOS_EXPERIENCIA
g6=ggplot(datos,aes(x=`Años_Experiencia`))+geom_histogram(fill = "#336699")+theme_bw()
ggplotly(g6)
# LAS VARIABLES CATEGORICAS DISPUESTAS EN UN GRID
ggarrange(g1,g2,g3, labels = c("A", "B","C"),ncol = 3, nrow = 1)

# LAS VARIABLES CUANTITAIVAS DISPUESTAS EN UN GRID
ggarrange(g4,g5,g6, labels = c("D", "E", "F"),ncol = 3, nrow = 1)

2.2.- Promedio y Mediana para las variables Cuantitativas

# VARIABLE INGRESO_MENSUAL
promedio_Ingreso_Mensual = mean(datos$Ingreso_Mensual)
mediana_Ingreso_Mensual = median(datos$Ingreso_Mensual)
resultado_ing=data.frame(promedio_Ingreso_Mensual,mediana_Ingreso_Mensual)
resultado_ing
promedio_Ingreso_Mensual mediana_Ingreso_Mensual
6502.931 4919 
# VARIABLE ANTIGÜEDAD
promedio_Antiguedad = mean(datos$Antigüedad)
mediana_Antiguedad = median(datos$Antigüedad)
resultado_antig=data.frame(promedio_Antiguedad,mediana_Antiguedad)
resultado_antig
promedio_Antiguedad mediana_Antiguedad
7.008163 5 
# VARIABLE AÑOS_EXPERIENCIA
promedio_Experiencia = mean(datos$Años_Experiencia)
mediana_Experiencia = median(datos$Años_Experiencia)
resultado_exper=data.frame(promedio_Experiencia,mediana_Experiencia)
resultado_exper
promedio_Experiencia mediana_Experiencia
11.27959 10

2.3.- Análisis

De acuerdo con la exploración inicial de las variables, se observa que:
1.- Variable [Cargo]: Los principales valores son Ejecutivo de Ventas (326 empleados), Investigador Científico (292 empleados) y Técnico de laboratorio (259 empleados). Es decir, estos cargos son los que mayor cantidad de empleados concentran en la empresa.
2.- Variable [Campo_Educación]: Los principales valores son Ciencias (606 empleados) y Salud (464 empleados). Es decir, estos son los campos de educacion que mayor cantidad de empleados concentran; y permiten inferir que el área de negocio de la empresa esta en el Sector Salud.
3.- Variable [Estado_Civil]: El principal valor es Casado (673 empleados). Sin embargo, no es un valor notoriamente dominante.
4.- Variable [Ingreso_Mensual]: El promedio de la variable es 6502.93 y la mediana es 4919. Se puede observar que estos parametros no difieren mucho entre si. Por otro lado, se observa que el rango aproximado entre 1900 y 6500 de ingreso mensual, concentra la mayor parte de empleados.
5.- Variable [Antigüedad]: El promedio es 7 años y la mediana es 5 años. Se puede observar que estos parametros no difieren mucho entre si. Por otro lado, se observa que el rango aproximado entre 1 y 10 años de antigüedad, concentra la mayor parte de empleados.
6.- Variable [Años_Experiencia]: El promedio es 11 años y la mediana es 10 años. Se puede observar que estos parametros no difieren mucho entre si. Por otro lado, se observa que el rango aproximado entre 1 y 10 años de experiencia, concentra la mayor parte de empleados.

PASO 3. Análisis Bivariado

Realizar un análisis bivariado (siempre contra la rotación). Comparar los resultados con la hipótesis planteada inicialmente y determinar si los datos apoyan o no la hipótesis.

3.1.- Gráficos de las variables

require(CGPfunctions)
require(ggplot2)
require(plotly)

# VARIABLES: CARGO vs ROTACIÖN
g1=PlotXTabs2(datos, `Cargo`, Rotación, plottype="percent",x.axis.orientation="vertical")
g1

# VARIABLES: CAMPO_EDUCACION vs ROTACIÖN
g2=PlotXTabs2(datos,`Campo_Educación`,Rotación,plottype="percent",x.axis.orientation="vertical")
g2

# VARIABLES: ESTADO_CIVIL vs ROTACIÖN
g3=PlotXTabs2(datos,`Estado_Civil`,Rotación,plottype="percent")
g3

# VARIABLES: INGRESO_MENSUAL vs ROTACIÖN
g4 = ggplot(datos,aes(x=Rotación,y= Ingreso_Mensual,fill=Rotación))+geom_boxplot()+theme_bw()
ggplotly(g4)
# VARIABLES: ANTIGÜEDAD vs ROTACIÖN
g5 = ggplot(datos,aes(x=Rotación,y=Antigüedad,fill=Rotación))+geom_boxplot()+theme_bw()
ggplotly(g5)
# VARIABLES: AÑOS_EXPERIENCIA vs ROTACIÖN
g6 = ggplot(datos,aes(x=Rotación,y=Años_Experiencia,fill=Rotación))+geom_boxplot()+theme_bw()
ggplotly(g6)

3.2.- Análisis

1.- Variables Cargo y Rotación: Se observa que el resultado apoya la hipotesis, pues los cargos que mas presentan rotación son Representantes de Ventas, Tecnico_laboratorio y Recursos Humanos.
2.- Variables Campo_Educación y Rotación: Se observa que el resultado apoya la hipótesis, pues los campos de formación educativa que mas presentan rotación son Humanidades, Mercadeo y Técnico.
3.- Variables Estado_Civil y Rotación: Se observa que el resultado apoya la hipótesis, pues los empleados solteros presentan mas rotacion que los casados y divorciados.
4.- Variables Ingreso_Mensual y Rotación: Se observa que el resultado apoya la hipótesis, pues los empleados con salarios mas bajos presenta mayor rotación.
5.- Variables Antigüedad y Rotación: Se observa que el resultado apoya la hipótesis, pues los empleados con menor antiguedad son los que presentan mayor rotación.
6.- Variables Años_Experiencia y Rotación: Se observa que el resultado apoya la hipótesis, pues los empleados con menos años de experiencia son los que presentan mayor rotación.

Conclusiones y Recomendaciones

De acuerdo con los resultados y análisis sobre el fenómeno de la rotación en la empresa, a continuación se plantean las siguientdes conclusiones y recomendaciones.

1.- Se recomienda mejorar el ambiente y los incentivos laborales para los empleados que ocupan cargos o tienen fromación académica que aunque no estan directamente relacionados con la linea o core de negocio, su trabajo es muy importante para el funcionamiento integral de la organización.

2.- La empresa puede considerar establecer un programa de incetivos económicos para mejorar el salario. Estos incentivos otorgados de acuerdo con el rendimiento y buen desempeño laboral.

3.- Se recomienda estimular la permanencia de los empleados con poco tiempo en la empresa o poca experiencia en el cargo, mediante incentivos salariales, capacitaciones y mejoramiento del ambiente laboral.