1. Seleccionar 3 variables categóricas (distintas de rotación) y 3 variables cuantitativas, que consideren estén relacionadas con la rotación. Nota: Justificar por que estas variables están relacionadas y que tipo de relación se espera (Hipótesis).

VARIABLES CATEGORICAS

A. se espera que el Estado civil se relacione con la rotación puesto que las personas solteras podrian presentar menor temor a modificar su estabilidad laboral H1: Las personas solteras tienen mayor posibilidad de rotar

B. se espera que el cargo se relacione con la rotación puesto que algunos cargos demandan mas presion y nivel de estres H2: Las personas en cargos de ventas tienen mayor posibilidad de rotar

C. se espera que el sexo se relacione con la rotación puesto que la oferta de posiciones para el sexo femenino puede ser menor en algunos sectores lo que haria que se reduzca la rotación en las mujeres H3: las personas de sexo masculino tienen mayor posiblidad de rotar

VARIABLES CUANTITATIVAS

D. se espera que el ingreso mensual se relacione con la rotación puesto que un alto ingreso puede incidir en no tomar la decision de dejar un puesto y viceversa H4:Las personas de menor ingreso mensual tienen mayor posibilidad de rotar

E. se espera que la antiguedad en el cargo se relacione con la rotacion puesto que el encontrarse mucho tiempo en el mismo puesto puede impulsar un deseo de cambio H5. las personas con mayor tiempo en el mismo puesto tienen mayor posibilidad de rotar.

F. se espera que la cantidad de trabajos anteriores se relacione con la rotación puesto que puede mostrar una tendencia personal a cambiar periodicamente H6: las personas con mayor cantidad de trabajos anteriores tienen mayor posibilidad de rotar

2. Realizar un análisis univariado (caracterización). Nota: Los indicadores o gráficos se usan dependiendo del tipo de variable (cuanti o cuali). Incluir interpretaciones de la rotación.

#Caracterizacion de Variables
#Ingreso
data.frame(Ingreso_promedio=mean(Datos$Ingreso_Mensual),Ingreso_mediana=median(Datos$Ingreso_Mensual),Ingreso_min=min(Datos$Ingreso_Mensual),Ingreso_max=max(Datos$Ingreso_Mensual))
Ingreso_promedio Ingreso_mediana Ingreso_min Ingreso_max
6502.931 4919 1009 19999 
require(ggplot2)
require(ggpubr)
ggplot(Datos,aes(x=Ingreso_Mensual))+geom_histogram(bins=50)+theme_bw()

#Trabajos Anteriores
data.frame(Trabajos_Anteriores_promedio=mean(Datos$Trabajos_Anteriores),Trabajos_Anteriores_mediana=median(Datos$Trabajos_Anteriores),Trabajos_Anteriores_min=min(Datos$Trabajos_Anteriores),Trabajos_Anteriores_max=max(Datos$Trabajos_Anteriores))
Trabajos_Anteriores_promedio Trabajos_Anteriores_mediana Trabajos_Anteriores_min Trabajos_Anteriores_max
2.693197 2 0 9 
ggplot(Datos,aes(x=Trabajos_Anteriores))+geom_histogram(bins=20)+theme_bw()

#Antiguedad en el cargo
data.frame(Antiguedad_Cargo_promedio=mean(Datos$Antigüedad_Cargo),Antiguedad_Cargo_mediana=median(Datos$Antigüedad_Cargo),Antiguedad_Cargo_min=min(Datos$Antigüedad_Cargo),Antiguedad_Cargo_max=max(Datos$Antigüedad_Cargo))
Antiguedad_Cargo_promedio Antiguedad_Cargo_mediana Antiguedad_Cargo_min Antiguedad_Cargo_max
4.229252 3 0 18 
ggplot(Datos,aes(x=Antigüedad_Cargo))+geom_histogram(bins=50)+theme_bw()

#Estado Civil
tabla1=prop.table(table(Datos$Estado_Civil))*100
lbls=paste(names(tabla1), "\n", round(tabla1),"%", sep="")
pie(tabla1, labels = lbls, main="Grafico\n (Estado Civil)")

#Genero
tabla2=prop.table(table(Datos$Genero))*100
lbls=paste(names(tabla2), "\n", round(tabla2),"%", sep="")
pie(tabla2, labels = lbls, main="Grafico\n (Genero)")

#Departamento
tabla3=prop.table(table(Datos$Departamento))*100
lbls=paste(names(tabla3), "\n", round(tabla3),"%", sep="")
pie(tabla3, labels = lbls, main="Grafico\n (Departamento)")

3. Realizar un análisis bivariado (siempre contra la rotación). Nota: Los indicadores y gráficos 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.

require(CGPfunctions)
#Estado Civil
tabla4=table(Datos$Estado_Civil,Datos$Rotación)
prop.table(tabla4,margin=1)*100
##             
##                    No       Si
##   Casado     87.51857 12.48143
##   Divorciado 89.90826 10.09174
##   Soltero    74.46809 25.53191
PlotXTabs2(Datos,Estado_Civil,Rotación,plottype = "percent")

#Genero
tabla5=table(Datos$Genero,Datos$Rotación)
prop.table(tabla5,margin=1)*100
##    
##           No       Si
##   F 85.20408 14.79592
##   M 82.99320 17.00680
PlotXTabs2(Datos,Genero,Rotación,plottype = "percent")

#Departamento
tabla6=table(Datos$Departamento,Datos$Rotación)
prop.table(tabla6,margin=1)*100
##         
##                No       Si
##   IyD    86.16025 13.83975
##   RH     80.95238 19.04762
##   Ventas 79.37220 20.62780
PlotXTabs2(Datos,Departamento,Rotación,plottype = "percent")   

#Ingreso
g1=ggplot(Datos,aes(x=Rotación, y=Ingreso_Mensual,fill=Rotación))+geom_boxplot()+theme_bw()
require(plotly)
ggplotly(g1)
tapply(Datos$Ingreso_Mensual,Datos$Rotación,mean,na.rm=TRUE)
##       No       Si 
## 6832.740 4787.093
#Antiguedad en el Cargo 
g3=ggplot(Datos,aes(x=Rotación, y=Antigüedad_Cargo,fill=Rotación))+geom_boxplot()+theme_bw()
ggplotly(g3)
tapply(Datos$Antigüedad_Cargo,Datos$Rotación,mean,na.rm=TRUE)
##       No       Si 
## 4.484185 2.902954
#Trabajos anteriores
g2=ggplot(Datos,aes(x=Rotación, y=Trabajos_Anteriores,fill=Rotación))+geom_boxplot()+theme_bw()
ggplotly(g2)
tapply(Datos$Trabajos_Anteriores,Datos$Rotación,mean,na.rm=TRUE)
##       No       Si 
## 2.645580 2.940928

4. En las conclusiones se discute sobre cual seria la estrategia para disminuir la rotación en la empresa.

H1: Las personas solteras tienen mayor posibilidad de rotar: Los resultados del analisis bivariado involucrando la variable Estado Civil refuerzan la hipotesis planteada al tener un 26% de rotacion entre los solteros lo cual es significativamente superior frente a los casados y divorciados.

H2: Las personas en cargos de ventas tienen mayor posibilidad de rotar: De acuerdo con los resultados se refuerza la hipotesis planteada al ser ventas el departamento que presenta la mayor rotación. frente al dpto de IyD (que presenta el doble de numero de empleados) el porcentaje de rotación es un 50% superior 14% vs 21%

H3: las personas de sexo masculino tienen mayor posiblidad de rotar: Aunque los resultados muestran que la rotación en el sexo masculino es superior, la diferencia no es significativa para considerar una estrategia diferenciada por sexo

H4:Las personas de menor ingreso mensual tienen mayor posibilidad de rotar: Los resultados refuerzan la hipotesis pues, De acuerdo con el analisis las personas que rotaron presentaron un promedio de ingresos significativamente menor a las que no rotaron (4787 vs 6832)

H5. las personas con mayor tiempo en el mismo puesto tienen mayor posibilidad de rotar: se descarta la hipotesis pues de acuerdo a los datos, las personas que rotaron tenian en promedio 2,9 años en el cargo frente a 4,5 años de los que no rotaron, en este sentido la probabilidad de rotar seria mayor en quienes tienen menor antiguedad en el puesto.

H6: las personas con mayor cantidad de trabajos anteriores tienen mayor posibilidad de rotar: Las personas que rotaron habian tenido en promedio 2,94 trabajos anteriores en el puesto vs 2,64 de quienes no rotaron, va en linea con la hipotesis planteada pero no es una diferencia significativa

Estrategias