Actividad 2

Punto #1. Selección de variables e hipotesis:

Las variables categoricas son: Genero, Cargo, Estado Civil

Las hipótesis son:

1. Los hombres tienen mayor posibilidad de rotar en sus trabajos que las mujeres.

2. Los ejecutivos_Ventas tienen mayor posibilidad de rotar más que los otros cargos.

3. Los solteros tienen mayor posibilidad de rotar más que los demás estados civiles.

Las variables cuantitativas son: Ingreso Mensual, Trabajo anteriores y Satisfacción_Laboral

Las hipótesis son:

4. Los que tienen ingreso inferior a 2000, tienen mayor posibilidad de rotar más.

5. Los que no han tenido trabajos anteriores, tienen mayor posibilidad de rotar más.

6. Los que tienen una Edad inferior a 30 años, tienen mayor posibilidad de rotar más.

Punto #2.

Análisis Univariado (Caracterización)

library(readxl)
Datos_Rotacion = read_excel("C:/Users/User/Desktop/Datos_Rotacion.xlsx")

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

g1=ggplot(Datos_Rotacion,aes(x=Genero))+geom_bar()+theme_bw()
g2=ggplot(Datos_Rotacion,aes(x=Cargo))+geom_bar()+theme_bw()
g3=ggplot(Datos_Rotacion,aes(x=Estado_Civil))+geom_bar()+theme_bw()

ggarrange(g1, g3,labels = c("A", "B"),ncol = 2, nrow = 1)

ggplotly(g2)

De acuerdo al análisis univariado categórico que se representa en los gráficos A, B, y C, las caracteristicas de rotación de la compañía son: Hombres, casados en el cargo de Ejecutivo de ventas; es decir, continúa siendo el equipo comercial el que más rotación tiene en la compañía.

g4=ggplot(Datos_Rotacion,aes(x=Ingreso_Mensual))+geom_histogram()+theme_bw()
g5=ggplot(Datos_Rotacion,aes(x=Trabajos_Anteriores))+geom_histogram()+theme_bw()
g6=ggplot(Datos_Rotacion,aes(x=Edad))+geom_histogram()+theme_bw()

ggarrange(g4, g5, g6, labels = c("A", "B", "C"),ncol = 2, nrow = 3)

Complementando estas caracteristicas, se evidencia que la hipotesis planteada estaba en un 70% correcta, ya que las personas que más tienen rotación en la compañía son: Los que tienen un ingreso mensual inferior a 2 Millones, han tenido menos de 2 trabajos y son menores de 40 años.

Punto #3

Evaluaremos si los datos respaldan la hipótesis inicial que es:

Los solteros tienen mayor posibilidad de rotar más que los demás estados civiles.

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


g7=PlotXTabs2(Datos_Rotacion, Rotación,Estado_Civil,plottype =  "percent")
g8=PlotXTabs2(Datos_Rotacion, Rotación,Genero,plottype =  "percent")

ggarrange(g7, g8,labels = c("D", "E"),ncol = 2, nrow = 1)

Efectivamente los hombres solteros son los que más rotan en la compañia con 51% de participación dentro de la población de los que si rotan, apoyando la hipótesis inicial.

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

g10=ggplot(Datos_Rotacion,aes(x=Rotación,y=Edad,fill=Rotación))+geom_boxplot()+theme_bw()

ggplotly(g10)

La hipotesis consideraba que las personas que más rotan son los inferiores a 30 años, pero los datos reflejan que la mayoría de las personas que tienen mayor rotación son menores a 32 años.

Punto #4.

Para disminuir la rotación en la compañia, vamos hacer la campaña saltos cuanticos, generando planes de comisión por venta y enfocarnos en la contratación de mujeres casadas mayores a 39 años.