La base que acontinuación se presenta, resulta de la medición de rotación de empleados en una empresa. Cabe aclarar que la rotación no se debe a causas de despido, sino a iniciativa propia de los empleados.

La variable de interés es “Rotación”, donde se considera dicotómica, pues toma dos valores (Si o No).A continuación se llevara a cabo un ejercicio práctico en el cual a partir del plateamiento de hipotésis, se identificarán que factores pueden estar relacionados con esta decisión y un posible planteamiento de soluciones que eviten la rotación en los empleados de una compañía.

library(readxl)
datos = read_excel("C:/Users/kaqu/Documents/Maestria Ciencia de Datos/Metodos_simulacion_estadistica/Actividad 2/Datos_Rotacion.xlsx")
attach(datos)
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"

Revisión inicial de los datos

Se observa como viene la base de datos, con alguna información básica, como por ejemplo cantidad de resgistros, de variables, de datos faltantes, entre otros.

Num_registros Num_Variables Num_na
1470 24 0

Vista de las primeras filas del dataframe trabajado:

Rotación Edad Viaje de Negocios Departamento Distancia_Casa Educación Campo_Educación Satisfacción_Ambiental Genero
Si 41 Raramente Ventas 1 2 Ciencias 2 F
No 49 Frecuentemente IyD 8 1 Ciencias 3 M
Si 37 Raramente IyD 2 2 Otra 4 M
No 33 Frecuentemente IyD 3 4 Ciencias 4 F
No 27 Raramente IyD 2 1 Salud 1 M
No 32 Frecuentemente IyD 2 2 Ciencias 4 M
Cargo Satisfación_Laboral Estado_Civil Ingreso_Mensual Trabajos_Anteriores Horas_Extra Porcentaje_aumento_salarial
Ejecutivo_Ventas 4 Soltero 5993 8 Si 11
Investigador_Cientifico 2 Casado 5130 1 No 23
Tecnico_Laboratorio 3 Soltero 2090 6 Si 15
Investigador_Cientifico 3 Casado 2909 1 Si 11
Tecnico_Laboratorio 2 Casado 3468 9 No 12
Tecnico_Laboratorio 4 Soltero 3068 0 No 13
Rendimiento_Laboral Años_Experiencia Capacitaciones Equilibrio_Trabajo_Vida Antigüedad Antigüedad_Cargo Años_ultima_promoción Años_acargo_con_mismo_jefe
3 8 0 1 6 4 0 5
4 10 3 3 10 7 1 7
3 7 3 3 0 0 0 0
3 8 3 3 8 7 3 0
3 6 3 3 2 2 2 2
3 8 2 2 7 7 3 6

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

Variables Catégoricas

  • Edad recategorizada
  • Viaje de Negocios
  • Estado Civil

Variables Continuas

  • Ingresos Mensuales
  • Antiguedad Cargo
  • Años Experiencia

Se propone convertir la variable edad (cuantitativa continua), en catégorica, con el fin, de poder encontrar algunos patrones diferenciales (si existieran) en los siguientes grupos de edad establecidos:

  • Baby Boomers: nacidos entre 1946 y 1964
  • Generación X: nacidos entre 1965 y 1979
  • Milennials o Generación Y: nacidos entre 1980 y 1999
  • Generación Z: nacidos a partir del 2000
max_baby_boom=2022-1946
min_baby_boom=2022-1964
max_gen_x=2022-1965
min_gen_x=2022-1979
max_gen_y=2022-1980
min_gen_y=2022-1999
max_gen_z=2022-2000
edades=data.frame(min_baby_boom,max_baby_boom,min_gen_x,max_gen_x,min_gen_y,max_gen_y,max_gen_z)

kbl(edades) %>%
  kable_paper(bootstrap_options = "striped", full_width = FALSE,position = "left")
min_baby_boom max_baby_boom min_gen_x max_gen_x min_gen_y max_gen_y max_gen_z
58 76 43 57 23 42 22

Se puede observar en la siguiente tabla, que la mayor cantidad de personas evaluadas, pertenecen a la generación y, es decir entre 23 y 42, con un 70%.

datos$Edad_cat <- cut(datos$Edad,
              breaks=c(0,max_gen_z,max_gen_y , max_gen_x, max_baby_boom),
             labels=c('generacion_z', 'generacion_y', 'generacion_x', 'baby_boomer'))

tabla_edad = tabla_freq(datos$Edad_cat)

kbl(tabla_edad) %>%
  kable_paper(bootstrap_options = "striped", full_width = FALSE,position = "left")
Categoría Freq. Abs. Freq. Rel.
generacion_z 57 3.877551
generacion_y 1034 70.340136
generacion_x 350 23.809524
baby_boomer 29 1.972789
Total 1470 100.000000

Planteamiento de hipotésis

  1. H0: Las personas con menor edad, podrían tener mayor posibilidad de rotar que las personas mas adultas.

Se espera que la edad se relacione con la rotación ya que las personas a mayor edad podrían tener mas responsabilidades y también buscarian lugares fijos, para una mejor estabilidad laboral.

  1. H0: Las personas con mayor frecuencia de viaje de negocios estaría mas dispuesta a rotar que el resto.

Se espera que los viajes de negocio con la rotación tengan una relación directa positiva, ya que son personas que probablemente no tienen la responsabilidad de quedarse en un lugar fijo y no podrían temer al cambio.

  1. H0: Las personas solteras, podrían tener mayor posibilidad de rotación que alguien casado.

Se espera que aquellas personas solteras, incrementen la probabilidad de rotar, ya que con pareja o inclusive hijos, podría ser una decisión en la que se debe evaluar más que el beneficio personal.

  1. H0: Las personas con mayor ingreso mencual podrían tenes menos posibilidades de rotación.

Se espera que el ingreso mensual de una persona se relacione de forma directa, pero negativa, es decir, a menor ingreso mayores posibilidades de rotar, ya que pensaría que son personas que no se encuentran quizás comodos con lo que ganan, y no tendrían reparo en rotar para mejorar sus condiciones.

  1. H0: Las personas con mas antiguedad en un Cargo podrían tener menor posibilidad de rotar.

Se espera que las personas con mas antiguedad en un cargo, más alla de que sea en una misma empresa, podría establecer apresuradamente una relación inversa, ya que podrían ser personas que temen a los cambios, y se encuentran comodos.

  1. H0: Las personas a mayor años de experiencia, podría incrementar la posibilidad de rotación.

Se espera que las personas a medida, que ganan mas años de experiencia, desarrollando una labor, aprenden nuevas cosas, que los hace diferencial, a alguien mas nuevo, y por ende, podrían buscar mejores oportunidades en otro lugar, aumenten la 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.

Variable Interes

Se puede observar en la figura –, que la mayoria de las personas encuestadas, no prefieren rotar, casi el 84% escogería mantenerse en su lugar de trabajo actual.

tabla_rotacion = tabla_freq(datos$Rotación)

kbl(tabla_rotacion,    caption = "<center><strong>Rotación </strong></center>") %>%
  kable_paper(bootstrap_options = "striped", full_width = FALSE,position = "left")
Rotación
Categoría Freq. Abs. Freq. Rel.
No 1233 83.87755
Si 237 16.12245
Total 1470 100.00000 
datos %>% 
    count(Rotación = factor(Rotación)) %>% 
    mutate(pct = prop.table(n)) %>% 
    ggplot(aes(x = Rotación, y = pct, label = scales::percent(pct)))+theme_bw() +
  
    geom_col(position = 'dodge') + 
    geom_text(position = position_dodge(width = .9),    # move to center of bars
              vjust = -0.5,    # nudge above top of bar
              size = 3) + 
    scale_y_continuous(labels = scales::percent)

Variables Catégoricas 

tabla_est_civ = tabla_freq(datos$Estado_Civil)
tabla_vi = tabla_freq(datos$`Viaje de Negocios`)
tabla_edadcat = tabla_freq(datos$Edad_cat)


kbl(list(tabla_vi,tabla_est_civ,tabla_edadcat),
    caption = "<center><strong>Viajes de Negocio, Estado Civil y Edad Categorica </strong></center>") %>%
  kable_paper(bootstrap_options = "striped")
Viajes de Negocio, Estado Civil y Edad Categorica
Categoría Freq. Abs. Freq. Rel.
Frecuentemente 277 18.84354
No_Viaja 150 10.20408
Raramente 1043 70.95238
Total 1470 100.00000
Categoría Freq. Abs. Freq. Rel.
Casado 673 45.78231
Divorciado 327 22.24490
Soltero 470 31.97279
Total 1470 100.00000
Categoría Freq. Abs. Freq. Rel.
generacion_z 57 3.877551
generacion_y 1034 70.340136
generacion_x 350 23.809524
baby_boomer 29 1.972789
Total 1470 100.000000
  • Viajes de Negocios

Se puede observar en el análisis univariado de la variable viaje de negocios, que cerca del 70% de las personas encuestadas, raramente viaja.

  • Estado Civil

En cuanto al estado civil, se observa que hay una gran cantidad de personas evaluadas entre casados, divorciados y solteros. Cerca del 46% de los encuestados son casados.

  • Edad Categórica

En este caso se decide trabajar con la edad generacional, por ende la variable Edad se categoriza, y se puede observar algunos grupos algo desbalanceados pues las clases construidas deberían contener al menos el 5%, aún así, se decide respetar los rangos generacionales creados.

Alrededor del 70%, de los empleados encuestados, pertenecen a la generación Y o Millenials, es decir tienen entre 23 y 42 años, podría considerarse que es el rango de mayor oportunidad laboral.

require(ggplot2)
require(ggpubr)


g2=ggplot(datos,aes(x=`Viaje de Negocios`))+geom_bar(fill="#A6CEE3")+theme_bw() + theme(axis.text.x = element_text(angle = 90))
g3=ggplot(datos,aes(x=Estado_Civil))+geom_bar(fill="#A6CEE3")+theme_bw() + theme(axis.text.x = element_text(angle = 90))
g4=ggplot(datos,aes(x=Edad_cat))+geom_bar(fill="#A6CEE3")+theme_bw() + theme(axis.text.x = element_text(angle = 90))
ggarrange(g2, g3,g4,labels = c("1", "2", "3"),ncol = 3, nrow = 1)

Variables Continuas 

descrip_ingr = descriptivas(datos$Ingreso_Mensual)
descrip_anios_cargo = descriptivas(datos$Antigüedad_Cargo)
descrip_exp = descriptivas(datos$Años_Experiencia)


kbl(list(descrip_ingr,descrip_anios_cargo,descrip_exp),
    caption = "<center><strong>Ingreso Mensual, Antiguedad Cargo y Años Experiencia </strong></center>") %>%
  kable_paper(bootstrap_options = "striped")
Ingreso Mensual, Antiguedad Cargo y Años Experiencia
MEDIDA VALOR
Observaciones 1470.000
Mínimo 1009.000
1er Q 2911.000
Media 6502.931
Mediana 4919.000
Desv Est 4707.957
3er Q 8379.000
Máximo 19999.000
MEDIDA VALOR
Observaciones 1470.000000
Mínimo 0.000000
1er Q 2.000000
Media 4.229252
Mediana 3.000000
Desv Est 3.623137
3er Q 7.000000
Máximo 18.000000
MEDIDA VALOR
Observaciones 1470.000000
Mínimo 0.000000
1er Q 6.000000
Media 11.279592
Mediana 10.000000
Desv Est 7.780782
3er Q 15.000000
Máximo 40.000000
  • Ingreso Mensual

Se puede observar que el ingreso mensual gracias al histograma, que es una variable asimétrica a la derecha, se encuentran varios valores atipicos. El ingreso de las personas evaluadas va desde 1009, hasta 19900 pesos. En promedio ganan 6502 millones, y la mediana esta en 4900, lo que respalda, el hecho de que hayan valores atípicos que hacen que el promedio sea mayor al 50% evaluado.

par(mfrow = c(2,1))
boxplot(datos$Ingreso_Mensual, horizontal = TRUE, main = "Boxplot Ingreso Mensual",col="#A6CEE3" )
hist(datos$Ingreso_Mensual,main = "Histograma Ingreso Mensual" , ylab = "Frecuencia" , xlab = "Ingreso Mensual",col="#A6CEE3")

  • Antiguedad Cargo

La mayoria de personas evaluadas, tienen una alta concentración menor a 7 años. Se encuentran algunos valor atípicos, ya que existen personas con mas de 15 años en el cargo, a nivel de desitribución se consideran valores extremos, y esto podría ser personas de algunos cargos asociados a directivos, que podrían involucrar menor cambio de cargo. Al menos el 50% de las personas evaluadas tienen hasta 4 años de pertenecer al mismo cargo.

par(mfrow = c(2,1))
boxplot(datos$Antigüedad_Cargo, horizontal = TRUE, main = "Boxplot Antiguedad Cargo",col="#A6CEE3" )
hist(datos$Antigüedad_Cargo,main = "Histograma Antiguedad Cargo" , ylab = "Frecuencia" , xlab = "Antiguedad Cargo",col="#A6CEE3")

  • Años de Experiencia

De las personas encuestadas, se puede observar a partir de las descriptivas y de los gráficos que en promedio cuentan con 11 años de experiencia, y una mediana de 10 años. Se observan algunos valores atipicos, que sugieren que la persona con mayor cantidad de años de experiencia tiene 40, y como mínimo 0. Habría que evaluar si cuando toma el valor de 0 años, es por que se refiere a tan solo unos meses de experiencia o si es problema de base de datos.

par(mfrow = c(2,1))
boxplot(datos$Años_Experiencia, horizontal = TRUE, main = "Boxplot Años Experiencia",col="#A6CEE3" )
hist(datos$Años_Experiencia,main = "Histograma Años Experiencia" , ylab = "Frecuencia" , xlab = "Años Experiencia",col="#A6CEE3")

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.

Variables Categoricas vs Rotación 

datos_rotasi = datos[datos$Rotación=="Si",]
datos_rotano = datos[datos$Rotación=="No",]
  • Rotación vs Viajes de Negocios
tabla_vs_viajes=prop.table(table(datos$`Viaje de Negocios`,datos$Rotación),1)
kbl(tabla_vs_viajes) %>%
  kable_paper(bootstrap_options = "striped", full_width = FALSE,position = "left")
No Si
Frecuentemente 0.7509025 0.2490975
No_Viaja 0.9200000 0.0800000
Raramente 0.8504314 0.1495686

Se puede observar que de las personas que viajan frecuentemente, cerca del 75% preferiria no rotar.

  • Rotación vs Estado Civil 
tabla_vs_estado=prop.table(table(datos$Estado_Civil,datos$Rotación),1)
kbl(tabla_vs_estado) %>%
  kable_paper(bootstrap_options = "striped", full_width = FALSE,position = "left")
No Si
Casado 0.8751857 0.1248143
Divorciado 0.8990826 0.1009174
Soltero 0.7446809 0.2553191

De las personas que se encuestaron y son solteras, cerca del 75% preferiria no rotar, mientras que de las personas Casadas cerca del 12% si estarian dispuestas a hacerlo.

  • Rotación vs Edad Categórica 
tabla_vs_edad=prop.table(table(datos$Edad_cat,datos$Rotación))
kbl(tabla_vs_edad) %>%
  kable_paper(bootstrap_options = "striped", full_width = FALSE,position = "left")
No Si
generacion_z 0.0204082 0.0183673
generacion_y 0.5904762 0.1129252
generacion_x 0.2115646 0.0265306
baby_boomer 0.0163265 0.0034014

Teniendo en cuenta que de las personas evaluadas, la mayor proporción corresponde a la generación Y, el 59% de todos los trabajadores encuestados, preferirian no rotar.

g1=ggplot(data=tabla_rota_viajes, aes(x=Var1, y=Freq, fill=marca_rotacion)) +
      geom_bar(stat="identity", position=position_dodge())+
      scale_fill_brewer(palette="Paired")+
      geom_text(aes(label=percent(Freq)),position=position_dodge(width=0.9),vjust=-0.5, fontface = "bold", size=2)+
      theme_minimal()+
      labs(x = "(b) Rotación vs Viajes de Negocios",y = "Freq")+
      theme (axis.text.x = element_text(size=rel(0.75)))+
      theme (axis.text.x = element_text(angle = 90)  )  + 
      theme (axis.text.y = element_text(size=rel(0.5)))+ 
      theme(legend.position = "none")
g2=ggplot(data=tabla_rota_est, aes(x=Var1, y=Freq, fill=marca_rotacion)) +
      geom_bar(stat="identity", position=position_dodge())+
      scale_fill_brewer(palette="Paired")+
      geom_text(aes(label=percent(Freq)),position=position_dodge(width=0.9),vjust=-0.5, fontface = "bold", size=2)+
      theme_minimal()+
      labs(x = "(b) Rotación vs Estado Civil",y = "Freq")+
      theme (axis.text.x = element_text(size=rel(0.75)))+
      theme (axis.text.x = element_text(angle = 90)  )  + 
      theme (axis.text.y = element_text(size=rel(0.5)))+ 
      theme(legend.position = "none")
g3=ggplot(data=tabla_rota_edad, aes(x=Var1, y=Freq, fill=marca_rotacion)) +
      geom_bar(stat="identity", position=position_dodge())+
      scale_fill_brewer(palette="Paired")+
      geom_text(aes(label=percent(Freq)),position=position_dodge(width=0.9),vjust=-0.5, fontface = "bold", size=2)+
      theme_minimal()+
      labs(x = "(c) Rotación vs Edad Categorica",y = "Freq")+
      theme (axis.text.x = element_text(size=rel(0.75)))+
      theme (axis.text.x = element_text(angle = 90)  )  +     
      theme (axis.text.y = element_text(size=rel(0.5)))+ 
      theme(legend.position = "bottom")
require(ggplot2)
require(ggpubr)
plot=ggarrange(g1, g2,g3,labels = c("1", "2","3"),ncol = 3, nrow = 1,common.legend = TRUE, legend="bottom")

annotate_figure(plot, top = text_grob("Variables Categóricas vs Rotación", 
               color = "black", face = "bold", size = 12))

Se puede observar en el gráfico a, que el grupo de empleados evaluados, escogen en su mayoria, que viajan raramente, en donde, prevalece la categoría de no rotación.

El 56% de las personas encuestadas, son casadas, y si prefieren rotar. De acuerdo a la edad se puede observar que evidentemente la mayor concentración esta en la generación Y, en donde prevalece la no rotación.

Acontinuación, se desea ver el comportamiento de la variable rotación dentro de cada label de las variables propuestas.

require(CGPfunctions)
g1=ggplot(datos,aes(x=Rotación,y=Ingreso_Mensual,fill=Rotación))+geom_boxplot()+theme_bw()
g2=PlotXTabs(datos, Rotación, `Viaje de Negocios`, "percent")

De las personas que tienen viajes de negocios frecuentemente, tan solo cerca del 25% preferirian rotar.

require(CGPfunctions)
g3=ggplot(datos,aes(x=Rotación,y=Ingreso_Mensual,fill=Rotación))+geom_boxplot()+theme_bw()
g4=PlotXTabs(datos, Rotación, `Estado_Civil`, "percent")

En cuanto al estado civil, se puede observar que las personas solteras, el 75% prefieren no rotar. Mientras que las personas que son casadas, cerca del 13% preferirian hacerlo.

require(CGPfunctions)
g5=ggplot(datos,aes(x=Rotación,y=Ingreso_Mensual,fill=Rotación))+geom_boxplot()+theme_bw()
g6=PlotXTabs(datos, Rotación, `Edad_cat`, "percent")

Dentro de la generación Z, es decir las personas mas jovenes, cerca del 46% preferirian rotar.

Variables Continuas vs Rotación

  • Rotación vs Ingreso Mensual
descriptiva_ingreso=datos %>%
        group_by(Rotación) %>%                       
        summarise(Min_Ingreso_Mensual = min(Ingreso_Mensual, na.rm=TRUE),
                     Median_Ingreso_Mensual = median(Ingreso_Mensual, na.rm=TRUE),
                     Mean_Ingreso_Mensual  = mean(Ingreso_Mensual, na.rm=TRUE),
                     Var_Ingreso_Mensual  = var(Ingreso_Mensual, na.rm=TRUE),
                     SD_Ingreso_Mensual  = sd(Ingreso_Mensual, na.rm=TRUE),
                     Max_Ingreso_Mensual  = max(Ingreso_Mensual, na.rm=TRUE),
                     N = n())

kbl(descriptiva_ingreso) %>%
  kable_paper(bootstrap_options = "striped", full_width = FALSE,position = "left")
Rotación Min_Ingreso_Mensual Median_Ingreso_Mensual Mean_Ingreso_Mensual Var_Ingreso_Mensual SD_Ingreso_Mensual Max_Ingreso_Mensual N
No 1051 5204 6832.740 23215128 4818.208 19999 1233
Si 1009 3202 4787.093 13251132 3640.210 19859 237

Las personas que escogen o que prefieren no rotar, tienen en promedio un ingreso mensual de 5.2 millones, versus los que si lo harian, con 3.2 millones. Esto podría estar influyendo positivamente, en la escogencia del trabajador.

  • Rotación vs Antiguedad en el Cargo 
descriptiva_antiguedad=datos %>%
        group_by(Rotación) %>%                       
        summarise(Min_Antigüedad_Cargo = min(Antigüedad_Cargo, na.rm=TRUE),
                     Median_Antigüedad_Cargo = median(Antigüedad_Cargo, na.rm=TRUE),
                     Mean_Antigüedad_Cargo  = mean(Antigüedad_Cargo, na.rm=TRUE),
                     Var_Antigüedad_Cargo  = var(Antigüedad_Cargo, na.rm=TRUE),
                     SD_Antigüedad_Cargo  = sd(Antigüedad_Cargo, na.rm=TRUE),
                     Max_Antigüedad_Cargo  = max(Antigüedad_Cargo, na.rm=TRUE))
                 

kbl(descriptiva_antiguedad) %>%
  kable_paper(bootstrap_options = "striped", full_width = FALSE,position = "left")
Rotación Min_Antigüedad_Cargo Median_Antigüedad_Cargo Mean_Antigüedad_Cargo Var_Antigüedad_Cargo SD_Antigüedad_Cargo Max_Antigüedad_Cargo
No 0 3 4.484185 13.31813 3.649402 18
Si 0 2 2.902954 10.07953 3.174827 15

Tanto en promedio como en mediana, se puede observar que la antiguedad del cargo si podria influir en la decision o deseo de rotar o no. Aunque es importante aclarar que estas medidas solo distan aproximadamente en una unidad de un grupo respecto a otro.

  • Rotación vs Años Experiencia
descriptiva_experiencia=datos %>%
        group_by(Rotación) %>%                       
        summarise(Min_Años_Experiencia = min(Años_Experiencia, na.rm=TRUE),
                     Median_Años_Experiencia = median(Años_Experiencia, na.rm=TRUE),
                     Mean_Años_Experiencia  = mean(Años_Experiencia, na.rm=TRUE),
                     Var_Años_Experiencia  = var(Años_Experiencia, na.rm=TRUE),
                     SD_Años_Experiencia  = sd(Años_Experiencia, na.rm=TRUE),
                     Max_Años_Experiencia= max(Años_Experiencia, na.rm=TRUE))
             

kbl(descriptiva_experiencia) %>%
  kable_paper(bootstrap_options = "striped", full_width = FALSE,position = "left")
Rotación Min_Años_Experiencia Median_Años_Experiencia Mean_Años_Experiencia Var_Años_Experiencia SD_Años_Experiencia Max_Años_Experiencia
No 0 10 11.862936 60.22876 7.760719 38
Si 0 7 8.244726 51.39748 7.169204 40

Definitivamente las personas que estan dispuestas a rotar, llevan menos años en experiencia, en promedio 12 años versus las que no estarian dispuestas a rotar, que tienen en promedio 8 años.

par(mfrow=c(1,3))
C1=  boxplot(Ingreso_Mensual ~ Rotación, data=datos,
            col=c('#A6CEE3', '#1F78B4'),
            xlab='Rotación', main='(a)',
            ylab='Ingreso Mensual',cex.axis = 0.7)
C2=   boxplot(Antigüedad_Cargo ~ Rotación, data=datos,
              col=c('#A6CEE3', '#1F78B4'),
              xlab='Rotación', main='(b)',
              ylab='Antiguedad Cargo',cex.axis = 0.7)
C3=   boxplot(Años_Experiencia ~ Rotación, data=datos,
              col=c('#A6CEE3', '#1F78B4'),
              xlab='Rotación', main='(c)',
              ylab='Años Experiencia',cex.axis = 0.7)
mtext("Distribución Ingreso Mensual, Años de Antiguedad en el cargo Y Años de experiencia según Rotación", side = 3, line = -0.9, outer = TRUE,cex=0.8,font=3)

Se observa que en cuanto a las hipotésis planteadas a las variables continuas versus la rotación se cumple, la hipotesis asociada al ingreso, aunque sea de forma exploratoria, ya que las personas que elegirian rotar ganan en mediana, casi dos millones menos versus los que no lo harian.

La hipotésis cinco, que hace referencia a la antiguedad en el cargo, se pensaba inicialmente que depronto la costumbre que conlleva mantenerse en un cargo, podía estar asociada a que un empleado no sintiera la necesidad de rotar, y esto es lo que se evidenció en el gráfico pasado. Entre mas antiguedad en el cargo, menor tasa de rotación.

La hipotésis seis, hace referencia a la relación entre los años de experiencia y rotación. Se pensaba inicialmente, que a medida de que existen mas años de experiencia, posiblemente, tuvieran mas deseos de rotar, pero esta hipotésis definitivamente no se cumple.

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

Gracias a los resultados que se evidenciaron en todo el análisis exploratorio de datos realizado, se propone las siguientes acciones:

  • Se pueden plantear planes que permita que aquellos que raramente o no viajan frecuentemente, vean este tipo de experiencias para crecimiento. Dependiendo de la cantidad de viajes que deban realizar de acuerdo a su carga laboral, minimizarlas, con reuniones virtuales, y poner los viajes solamente una o dos veces por mes.

  • Para la antiguedad en cargo, deberian plantearse planes de formación y plan carrera a nivel interno de la empresa. Con el fin de replantear la rotación por falta de beneficios.

  • Aunque en la edad, se pudo evidenciar, que la mayoria de las personas encuestadas con edades entre 23 y 42 años, no prefieren rotar. Se debe dar un respaldo importante, es decir dar oportunidad a personas jovenes, es decir nuevos talentos, sin dejar de respaldar a los empleados con mayor edad, en cuanto a beneficios para compartir con sus familias, como por ejemplo, subsidios de estudio para sus hijos, subsidios de recreación, entre otros.