Actividad 2
Mauricio Pinzón Cortés
2022-03-04
Punto 1. Selección de Variables
Variables Categóricas
Variable 1: Viaje de Negocios
Se espera que los viajes de negocio se relacionen con la rotación ya que las personas que viajan frecuentemente se pueden sentir agotados y no tienen tiempo disponible para sus asuntos personales. Estar fuera de casa hace que no se afianzen lazos de amistad o de pareja y/o se alejen de sus familias. Aquí quizás no importa la retribución económica en viáticos y gastos de representación sino que afecta la parte social y humana del individuo.La hipótesis es que las personas que viajan frecuentemente tienen una mayor posibilidad de rotar que las que viajan raramente o no viajan.
Variable 2: Género
Se espera que el género se relacione con la rotación ya que las personas de sexo masculino tienden a rotar más porque son más arriesgados y tienen la percepción de que pueden conseguir trabajo más rápido que las mujeres. La hipótesis es que las personas de sexo masculino tienen mayor posibilidad de rotar que las personas de sexo femenino.
Variable 3: Estado Civil
Se espera que el estado civil se relacione con la rotación ya que las personas solteras tienen menos obligaciones debido a que no tienen una familia a cargo y tienen mayor flexibilidad. La hipótesis es que las personas solteras tienen mayor posibilidad de rotar que las personas casadas o divorciadas.
Variables Cuantitativas
Variable 1: Trabajos Anteriores
Se espera que la cantidad de trabajos anteriores se relacione con la rotación ya que las personas que han tenido la menor cantidad de trabajos anteriores tienen tendencia a aventurar más y a buscar nuevos y mejores horizontes, se encuentran en la búsqueda de un trabajo a su gusto y estable y quizás el primer trabajo no lo sea. La hipótesis es que las personas que han tenido la menor cantidad de trabajos anteriores tienen mayor posibilidad de rotar que las personas que han tenido varios trabajos anteriores.
Variable 2: Porcentaje de Aumento Salarial
Se espera que el porcentaje de aumento salarial se relacione con la rotación ya que las personas con menor aumento salarial no se sientan muy a gusto y quieran irse en busca de un mejor trabajo con menor remuneración. La hipótesis es que las personas que tienen menos porcentaje de aumento salarial tienen mayor posibilidad de rotar que las personas que tienen un mayor aumento salarial.
Variable 3: Antigüedad
Se espera que la antigüedad se relacione con la rotación ya que las personas con menos antigüedad pueden sentir que no tienen estabilidad y quieran obtener más experiencia laboral buscando nuevas y mejores oportunidades en otras empresas. La hipótesis es que las personas que tienen menos antigüedad tienen mayor posibilidad de rotar que las personas que tienen mayor antigüedad.
Punto 2. Análisis univariado ( caracterización)
library(readxl)
Datos <- read_excel("C:/ALL/Personal/Maestria/01_Simulacion_Estadística/Unidad 1/Actividad_2/Datos_Rotacion.xlsx")
head(Datos)| Rotación | Edad | Viaje de Negocios | Departamento | Distancia_Casa | Educación | Campo_Educación | Satisfacción_Ambiental | Genero | Cargo | Satisfación_Laboral | Estado_Civil | Ingreso_Mensual | Trabajos_Anteriores | Horas_Extra | Porcentaje_aumento_salarial | Rendimiento_Laboral | Años_Experiencia | Capacitaciones | Equilibrio_Trabajo_Vida | Antigüedad | Antigüedad_Cargo | Años_ultima_promoción | Años_acargo_con_mismo_jefe |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Si | 41 | Raramente | Ventas | 1 | 2 | Ciencias | 2 | F | Ejecutivo_Ventas | 4 | Soltero | 5993 | 8 | Si | 11 | 3 | 8 | 0 | 1 | 6 | 4 | 0 | 5 |
| No | 49 | Frecuentemente | IyD | 8 | 1 | Ciencias | 3 | M | Investigador_Cientifico | 2 | Casado | 5130 | 1 | No | 23 | 4 | 10 | 3 | 3 | 10 | 7 | 1 | 7 |
| Si | 37 | Raramente | IyD | 2 | 2 | Otra | 4 | M | Tecnico_Laboratorio | 3 | Soltero | 2090 | 6 | Si | 15 | 3 | 7 | 3 | 3 | 0 | 0 | 0 | 0 |
| No | 33 | Frecuentemente | IyD | 3 | 4 | Ciencias | 4 | F | Investigador_Cientifico | 3 | Casado | 2909 | 1 | Si | 11 | 3 | 8 | 3 | 3 | 8 | 7 | 3 | 0 |
| No | 27 | Raramente | IyD | 2 | 1 | Salud | 1 | M | Tecnico_Laboratorio | 2 | Casado | 3468 | 9 | No | 12 | 3 | 6 | 3 | 3 | 2 | 2 | 2 | 2 |
| No | 32 | Frecuentemente | IyD | 2 | 2 | Ciencias | 4 | M | Tecnico_Laboratorio | 4 | Soltero | 3068 | 0 | No | 13 | 3 | 8 | 2 | 2 | 7 | 7 | 3 | 6 |
summary(Datos)## 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. :17.000require(ggplot2)
require(ggpubr)
g1=ggplot(Datos,aes(x=`Trabajos_Anteriores`))+geom_histogram()+theme_bw()
g2=ggplot(Datos,aes(x=`Viaje de Negocios`))+geom_bar()+theme_bw()
ggarrange(g1, g2,labels = c("Var 1", "Var 2"),ncol = 2, nrow = 1)
Análisis variable Trabajos_Anteriores
table(Datos$Trabajos_Anteriores)##
## 0 1 2 3 4 5 6 7 8 9
## 197 521 146 159 139 63 70 74 49 52prop.table(table(Datos$Trabajos_Anteriores))*100##
## 0 1 2 3 4 5 6 7
## 13.401361 35.442177 9.931973 10.816327 9.455782 4.285714 4.761905 5.034014
## 8 9
## 3.333333 3.537415Análisis variable Viaje de Negocios
table(Datos$`Viaje de Negocios`)##
## Frecuentemente No_Viaja Raramente
## 277 150 1043prop.table(table(Datos$`Viaje de Negocios`))*100##
## Frecuentemente No_Viaja Raramente
## 18.84354 10.20408 70.95238Análisis de las gráficas
En el histograma de la variable Trabajos Anteriores podemos ver que la carga de datos se encuentra hacia la parte izquierda, con clase modal en 1. En la gráfica de barras de la variable Viaje de Negocios podemos ver que la mayor cantidad se encuentra en la barra Raramente con gran amplitud sobre las otras barras.
require(ggplot2)
require(ggpubr)
g1=ggplot(Datos,aes(x=`Porcentaje_aumento_salarial`))+geom_histogram()+theme_bw()
g2=ggplot(Datos,aes(x=`Genero`))+geom_bar()+theme_bw()
ggarrange(g1, g2,labels = c("Var 3", "Var 4"),ncol = 2, nrow = 1)
Análisis variable Porcentaje_aumento_salarial
table(Datos$Porcentaje_aumento_salarial)##
## 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
## 210 198 209 201 101 78 82 89 76 55 48 56 28 21 18prop.table(table(Datos$Porcentaje_aumento_salarial))*100##
## 11 12 13 14 15 16 17 18
## 14.285714 13.469388 14.217687 13.673469 6.870748 5.306122 5.578231 6.054422
## 19 20 21 22 23 24 25
## 5.170068 3.741497 3.265306 3.809524 1.904762 1.428571 1.224490Análisis variable Genero
table(Datos$Genero)##
## F M
## 588 882prop.table(table(Datos$Genero))*100##
## F M
## 40 60Análisis de las gráficas
En el histograma de la variable Porcentaje_aumento_salarial podemos ver que la carga de datos se encuentra hacia la parte izquierda, con la mayoría entre 0 y 15 años. En la gráfica de barras de la variable género podemos ver que la mayor cantidad se encuentra en la barra de sexo Masculino.
require(ggplot2)
require(ggpubr)
g1=ggplot(Datos,aes(x=`Antigüedad`))+geom_histogram()+theme_bw()
g2=ggplot(Datos,aes(x=`Estado_Civil`))+geom_bar()+theme_bw()
ggarrange(g1, g2,labels = c("Var 5", "Var 6"),ncol = 2, nrow = 1)
Análisis variable Antigüedad
table(Datos$Antigüedad)##
## 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
## 44 171 127 128 110 196 76 90 80 82 120 32 14 24 18 20 12 9 13 11
## 20 21 22 23 24 25 26 27 29 30 31 32 33 34 36 37 40
## 27 14 15 2 6 4 4 2 2 1 3 3 5 1 2 1 1prop.table(table(Datos$Antigüedad))*100##
## 0 1 2 3 4 5
## 2.99319728 11.63265306 8.63945578 8.70748299 7.48299320 13.33333333
## 6 7 8 9 10 11
## 5.17006803 6.12244898 5.44217687 5.57823129 8.16326531 2.17687075
## 12 13 14 15 16 17
## 0.95238095 1.63265306 1.22448980 1.36054422 0.81632653 0.61224490
## 18 19 20 21 22 23
## 0.88435374 0.74829932 1.83673469 0.95238095 1.02040816 0.13605442
## 24 25 26 27 29 30
## 0.40816327 0.27210884 0.27210884 0.13605442 0.13605442 0.06802721
## 31 32 33 34 36 37
## 0.20408163 0.20408163 0.34013605 0.06802721 0.13605442 0.06802721
## 40
## 0.06802721Análisis variable Estado_Civil
table(Datos$Estado_Civil)##
## Casado Divorciado Soltero
## 673 327 470prop.table(table(Datos$Estado_Civil))*100##
## Casado Divorciado Soltero
## 45.78231 22.24490 31.97279Análisis de las gráficas
En el histograma de la variable Antigüedad podemos ver que la carga de datos se encuentra hacia la parte izquierda, con clase modal en 1 año.En la gráfica de barras de la variable género podemos ver que la mayor cantidad se encuentra en la barra de Casado.
Punto 3. Análisis bivariado
3.1 Análisis de la hipótesis Variable Viaje de Negocios
require(CGPfunctions)
PlotXTabs2(Datos, `Viaje de Negocios`,Rotación,plottype = "percent")
Análisis
Realizando la comparación de resultados se puede observar que las personas que viajan frecuentemente tienen mayor índice de rotación con un 25%. Este valor apoya la hipótesis planteada.
3.2 Análisis de la hipótesis Variable Trabajos_Anteriores
require(ggplot2)
g1 = ggplot(Datos,aes(x=Rotación,y=Trabajos_Anteriores,fill=Rotación))+geom_boxplot()+theme_bw()
require(plotly)
ggplotly(g1)Análisis
Realizando la comparación de resultados se puede observar que las personas que han tenido menos trabajos anteriores tienen mayor índice de rotación. Este valor apoya la hipótesis planteada.
3.3 Análisis de la hipótesis Variable Genero
require(CGPfunctions)
PlotXTabs2(Datos,Genero,Rotación,plottype = "percent")
Análisis
Realizando la comparación de resultados se puede observar que las personas de género masculino presentan más alto índice de rotación. Este valor apoya la hipótesis planteada, aunque la diferencia no es mucha con respecto al género femenino.
3.4 Análisis de la hipótesis Variable Porcentaje_aumento_salarial
require(ggplot2)
g2 = ggplot(Datos,aes(x=Rotación,y=Porcentaje_aumento_salarial,fill=Rotación))+geom_boxplot()+theme_bw()
require(plotly)
ggplotly(g2)Análisis
Realizando la comparación de resultados se puede observar que el porcentaje de aumento salarial tiene el mismo promedio en ambas variables de la rotación. Por esto podemos decir que los resultados no son conluyentes y que el resultado del análisis no apoya la hipótesis.
3.5 Análisis de la hipótesis Variable Estado_Civil
require(CGPfunctions)
PlotXTabs2(Datos, Estado_Civil,Rotación,plottype = "percent")
Análisis
Realizando la comparación de resultados se puede observar que las personas solteras presentan el más alto índice de rotación. Este resultado apoya la hipótesis planteada.
3.6 Análisis de la hipótesis Variable Antigüedad
require(ggplot2)
g1 = ggplot(Datos,aes(x=Rotación,y=Antigüedad,fill=Rotación))+geom_boxplot()+theme_bw()
require(plotly)
ggplotly(g1)Análisis
Realizando la comparación de resultados se puede observar que las personas con menos años de antiguedad son los que tienen más alto índice de rotación. Este resultado apoya la hipótesis planteada
Punto 4. Conclusiones y estrategia
Se concluye que de las seis hipótesis propuestas y de acuerdo al análisis estadístico los resultados me apoyan cinco de ellas. Como estrategia la empresa puede realizar un plan de rotación del personal para los viajes de negocio de tal manera que sea equitativo, además se pueden programar viajes cortos, esto con el fin de que los empleados tengan más tiempo de calidad con su familia. Se debe crear un clima laboral agradable para que las personas que apenas tienen su primer empleo no se retiren de la empresa, para esto la empresa debe estar en constante monitoreo de las necesidades de los empleados con el fin de evitar que las personas se retiren. Se deben priorizar a los empleados solteros ya que son personas que están más dispuestas a asumir riesgos, se deben crear actividades para ellos con el fin de que puedan mejorar su calidad de vida. Se puede pensar en hacer la implementación de un plan carrera o bonificación por antiguedad para evitar el retiro de los empleados que tienen pocos años en la empresa.