“Entregable 2.3”
Equipo 4
2022-09-23
Emilio Olvera A01625200
Mayra Campoy Ramos A00226914
Ximena Gutierrez Briseño A00829505
Mariana Ulloa Encinas A01253076
Héctor Javier Villarreal A01570227
Recursos Humanos
Importar las bases de datos
# file.choose()
recursos_humanos <- read.csv("/Users/mayracampoyramos/Desktop/Analisis de Datos Concentracion/recursos_humanos_limpia_buena (1).csv")
summary(recursos_humanos)## No..De.Empleado APELLIDOS NOMBRE EDAD
## Min. : 0.00 Length:113 Length:113 Min. :19.00
## 1st Qu.: 8.00 Class :character Class :character 1st Qu.:26.00
## Median : 38.00 Mode :character Mode :character Median :34.00
## Mean : 46.31 Mean :36.29
## 3rd Qu.: 72.00 3rd Qu.:45.00
## Max. :148.00 Max. :73.00
## GENERO FECHA.DE.ALTA BAJA ID_PUESTO
## Length:113 Length:113 Min. :0.0000 Min. : 1.000
## Class :character Class :character 1st Qu.:0.0000 1st Qu.: 2.000
## Mode :character Mode :character Median :0.0000 Median : 2.000
## Mean :0.3451 Mean : 6.221
## 3rd Qu.:0.0000 3rd Qu.: 7.000
## Max. :3.0000 Max. :24.000
## PUESTO DEPARTAMENTO SALARIO.DIARIO.IMSS LUGAR.DE.NACIMIENTO
## Length:113 Length:113 Min. :144.4 Length:113
## Class :character Class :character 1st Qu.:176.7 Class :character
## Mode :character Mode :character Median :180.7 Mode :character
## Mean :179.1
## 3rd Qu.:180.7
## Max. :337.1
## CURP MUNICIPIO ESTADO CODIGO.POSTAL
## Length:113 Length:113 Length:113 Min. :25016
## Class :character Class :character Class :character 1st Qu.:66640
## Mode :character Mode :character Mode :character Median :66646
## Mean :63365
## 3rd Qu.:66649
## Max. :67493
## ESTADO.CIVIL
## Length:113
## Class :character
## Mode :character
##
##
## Observaciones
Analizar los puestos de las bajas.
Analizar si hay mucha diferencia entre los sueldos de los dos diferentes géneros.
Relacionar las bajas con la edad.
Relacionar estado civil con puesto.
Gráfico de dispersión (ggplot):
# install.packages("ggplot2")
library(ggplot2)
ggplot(data=recursos_humanos, mapping = aes(SALARIO.DIARIO.IMSS, EDAD)) + geom_point(aes(color = GENERO)) + theme_bw()
Podemos analizar en esta gráfica que la diferencia entre salarios de los diferentes géneros no es mucha, concluyendo así que FORM no es discriminativo con los sueldos de sus empleados, sin embargo, de esta gráfica tambien podemos destacar que el empleado que más gana es una mujer de 32 años ganando aproximadamente 380 pesos diarios.
Gráfico cuantitativo (Barras de dos variables):
tabla1 <- table(recursos_humanos$BAJA, recursos_humanos$EDAD)
tabla1##
## 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 40 41 42 43 45
## 0 3 5 6 3 3 1 3 4 1 4 3 3 1 5 4 2 3 1 2 4 4 2 2 2 4
## 3 0 1 1 0 1 0 0 0 2 1 1 0 0 0 0 0 1 0 0 2 0 0 0 0 0
##
## 46 47 48 49 50 51 53 54 55 56 57 58 59 60 61 67 73
## 0 1 0 1 1 2 2 4 2 2 2 2 1 1 1 1 1 1
## 3 1 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0barplot(tabla1, beside = TRUE, las=1,
xlab='Edad', ylab='Bajas de empleados',
col = c("lightblue", "mistyrose"),
ylim = c(0, 7))
En este caso podemos observar que los empleados de aproximadamente 19-23 años son los que mas bajas han reportado en FORM.
Gráfico cualitativo (Pay):
table(recursos_humanos$ESTADO.CIVIL)##
## Casado Divorciado Soltero Union libre
## 44 3 46 20proporciones <- c(44, 3, 46, 20)
etiquetas <- c("Casado", "Divorciado", "Soltero", "Union libre")
pct <- round(proporciones/sum(proporciones)*100)
etiquetas <- paste(etiquetas, pct)
etiquetas <- paste(etiquetas,"%",sep="")
pie(proporciones,labels = etiquetas,
col=rainbow(length(etiquetas)),
main="Estado civil de los empleados de FORM")
En esta gráfica de pay podemos observar que la mayor parte de los empleados son solteros con un 41% y casados con un 39%.
table(recursos_humanos$PUESTO)##
## AYUDANTE DE MANTENIMIENTO AYUDANTE GENERAL
## 1 67
## CHOFER CHOFER GESTOR
## 4 1
## COSTURERA CUSTOMER SERVICE INF
## 10 1
## ENFERMERA EXTERNO
## 1 2
## GESTOR GUARDIA DE SEGURIDAD
## 1 1
## INSPECTOR DE CALIDAD LIDER
## 2 1
## LIMPIEZA MANTENIMIENTO
## 1 1
## MONTACARGUISTA MOZO
## 1 1
## OP. FLEXO-RANURADORA-REFILADORA OPERADOR SIERRA
## 1 1
## PINTOR RECIBO
## 1 1
## RESIDENTE SOLDADOR
## 4 5
## SUPERVISOR DE MAQUINA SUPERVISOR DE PEGADO
## 1 1
## SUPERVISORA
## 2proporciones <- c(1, 67, 4, 1, 10, 1, 1, 2, 1, 1, 2, 1, 1, 1, 1, 1, 1, 1, 1, 1, 4, 5, 1, 1, 2)
etiquetas <- c("AYUDANTE DE MANTENIMIENTO", "AYUDANTE GENERAL", "CHOFER", "CHOFER GESTOR", "COSTURERA", "CUSTOMER SERVICE INF", "ENFERMERA", "EXTERNO", "GESTOR", "GUARDIA DE SEGURIDAD", "INSPECTOR DE CALIDAD", "LIDER", "LIMPIEZA", "MANTENIMIENTO", "MONTACARGUISTA", "MOZO", "OP. FLEXO-RANURADORA-REFILADORA", "OPERADOR SIERRA", "PINTOR", "RESIDENTE", "SOLDADOR", "SUPERVISOR DE MAQUINA", "SUPERVISOR DE PEGADO", "SUPERVISORA" )
pct <- round(proporciones/sum(proporciones)*100)
etiquetas <- paste(etiquetas, pct)
etiquetas <- paste(etiquetas,"%",sep="")
pie(proporciones,labels = etiquetas,
col=rainbow(length(etiquetas)),
main="Puestos de los empleados de FORM")
En esta gráfica de pay podemos observar que el 59% de los empleados son ayudantes generales y el 9% son costureras, siendo los puestos mas cotizados.
Gráfico cuantitativo: (Histograma):
Sueldo <- recursos_humanos$SALARIO.DIARIO.IMSS
hist(Sueldo, main = "Sueldo de los empleados", ylab = "# de empleados", col = "lightblue")
En esta gráfica podemos observar fácilmente como la mayor parte de los empleados gananmenos de 200 pesos al día.
# Para realizar la siguiente tabla y gráfico, fue necesario hacer una nueva columna en la base de datos: "ID_PUESTO" con el objetivo de tenerlo como variable cuantitativa.
#En este caso:
#1) "AYUDANTE DE MANTENIMIENTO"
#2) "AYUDANTE GENERAL"
#3) "CHOFER"
#4) "CHOFER GESTOR"
#5) "COSTURERA"
#6) "CUSTOMER SERVICE INF"
#7) "ENFERMERA"
#8) "EXTERNO"
#9) "GESTOR"
#10) "GUARDIA DE SEGURIDAD"
#11) "INSPECTOR DE CALIDAD"
#12) "LIDER"
#13) "LIMPIEZA"
#14) "MANTENIMIENTO"
#15) "MONTACARGUISTA"
#16) "MOZO"
#17) "OP. FLEXO-RANURADORA-REFILADORA"
#18) "OPERADOR SIERRA"
#19) "PINTOR"
#20) "RESIDENTE"
#21) "SOLDADOR"
#22) "SUPERVISOR DE MAQUINA"
#23) "SUPERVISOR DE PEGADO"
#24) "SUPERVISORA" Gráfico cuantitativo gráfico de dispersión:
plot(recursos_humanos$ID_PUESTO, recursos_humanos$SALARIO.DIARIO.IMSS, main = "Salario por puesto", xlab = "Id de Puesto", ylab = "Salario Diario", pch = 21, col= "blue", axes = FALSE)
axis(1, at = 1:24)
axis(2, at = 100:400)
mean(recursos_humanos$SALARIO.DIARIO.IMSS)## [1] 179.1261En este gráfico podemos observar que casi todos los puestos tienen un promedio de salario de 179.121, sin embargo, los puestos peores pagados son “Ayudante General”, “Costurera”, “Externo” y “Lider”.
Tabla de frecuencia:
puesto <- c("1", "2", "2", "2", "2", "2", "2","2", "2", "2", "2", "2", "2", "2", "2", "2", "2","2", "2", "2", "2", "2", "2", "2", "2", "2", "2","2", "2", "2", "2", "2", "2", "2", "2", "2", "2","2", "2", "2", "2", "2", "2", "2", "2", "2", "2","2", "2", "2", "2", "2", "2", "2", "2", "2", "2","2", "2", "2", "2","2", "2", "2","2", "2", "2", "2","3", "3", "3", "3", "4", "5", "5", "5", "5", "5", "5", "5", "5", "5", "5","6", "7", "8", "8", "9", "10", "11", "11", "12", "13", "14", "15", "16", "17", "18", "19", "20", "21", "21","21", "21", "22", "22", "22", "22", "22","23", "23", "24", "24")
bajas <- c("0", "0", "0", "0", "0","0", "0", "0", "0", "0","0", "0", "0", "0", "0", "0", "0", "0", "0", "0","0", "0", "0", "0", "0", "0", "0", "0", "0", "0", "3", "3", "3", "3", "3", "3", "0", "3", "0", "3", "3", "0", "0", "0", "0", "0","0", "0", "0", "0", "0", "0", "0", "0", "0", "0","0", "0", "0", "0", "0","0", "0","3", "3", "3", "0", "0", "0", "0", "0", "0","0", "0", "0", "0", "0", "0", "0", "0", "0", "0","0", "0", "0", "0", "0", "0", "0", "0", "0", "0", "0", "0", "0", "0", "0", "0", "0", "0", "0", "0", "0", "0", "0", "0", "3", "0", "0", "0", "0", "0", "0")
tabla <- table(bajas, puesto)
margin.table(tabla, 1) #Suma de Bajas: Han habido 13 bajas## bajas
## 0 3
## 100 13margin.table(tabla, 2) #Suma de los tipos de puesto: Hay más puestos del tipo 2 (Ayudante general)## puesto
## 1 10 11 12 13 14 15 16 17 18 19 2 20 21 22 23 24 3 4 5 6 7 8 9
## 1 1 2 1 1 1 1 1 1 1 1 67 1 4 5 2 2 4 1 10 1 1 2 1addmargins(tabla, c(1, 2))## puesto
## bajas 1 10 11 12 13 14 15 16 17 18 19 2 20 21 22 23 24 3
## 0 1 1 2 1 1 1 1 1 1 1 1 55 1 4 4 2 2 4
## 3 0 0 0 0 0 0 0 0 0 0 0 12 0 0 1 0 0 0
## Sum 1 1 2 1 1 1 1 1 1 1 1 67 1 4 5 2 2 4
## puesto
## bajas 4 5 6 7 8 9 Sum
## 0 1 10 1 1 2 1 100
## 3 0 0 0 0 0 0 13
## Sum 1 10 1 1 2 1 113knitr::kable(tabla)| 1 | 10 | 11 | 12 | 13 | 14 | 15 | 16 | 17 | 18 | 19 | 2 | 20 | 21 | 22 | 23 | 24 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 1 | 1 | 2 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 55 | 1 | 4 | 4 | 2 | 2 | 4 | 1 | 10 | 1 | 1 | 2 | 1 |
| 3 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 12 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
Con esta tabla podemos observar que han habido 12 bajas del puesto 2: “Ayudante General”, y 1 baja del puesto 22: “Soldador”, lo que significa que ciertos factores como la edad (los más jovenes son los que mas se dan de baja) y el salario que es uno de los peores para el pusto de Ayudante General son vitales cambiar para evitar la rotación en estas áreas.
Propuestas:
1. Realizar un programa de incentivos para los empleados con el objetivo de incrementar su reconocimiento y estancia en la empresa, ofreciendoles mejor sueldo al incrementar su rendimiento (especialmente a los ayudantes generales que son los que han reportado más bajas), o dandoles benficios adicionales como tarjetas de despensa o reconocimientos.
2. Estandarización del proceso de reclutamiento: Se han obsrvado que los empleados que duran menos son los jóvenes ya que son los peores pagados, por lo que se deberían buscar nuevos empleados que sean mayores o debería de haber un incremento de sueldo, pues se ha observado que las variables de género y de estado civil no afectan, deduciendo así que FORM no es una empresa que discrimina, más bien,tiene que mejorar su proceso de selección e incrementar los beneficios dados a los empleados para disminuir la rotación.
Delivery Plan
Importar las bases de datos
# file.choose()
bd <- read.csv("/Users/mayracampoyramos/Desktop/Analisis de Datos Concentracion/Reto/delivery_plan.csv")
summary(bd)## CLIENTE.PLANTA PROYECTO ID.ODOO ITEM
## Length:231 Length:231 Length:231 Length:231
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## ENE.22 FEBRERO.22 MARZO.22 ABRIL.22
## Min. : 0.00 Min. : 0.0 Min. : 0.0 Min. : 0.0
## 1st Qu.: 0.00 1st Qu.: 0.0 1st Qu.: 0.0 1st Qu.: 0.0
## Median : 0.00 Median : 0.0 Median : 0.0 Median : 0.0
## Mean : 82.37 Mean : 103.5 Mean : 153.9 Mean : 186.5
## 3rd Qu.: 26.50 3rd Qu.: 0.0 3rd Qu.: 20.0 3rd Qu.: 24.0
## Max. :3200.00 Max. :9600.0 Max. :9600.0 Max. :16354.0
## MAYO.22 JUNIO.22 JULIO.22 AGOSTO.22
## Min. : 0.0 Min. : 0.0 Min. : 0.0 Min. : 0.0
## 1st Qu.: 0.0 1st Qu.: 0.0 1st Qu.: 0.0 1st Qu.: 0.0
## Median : 0.0 Median : 0.0 Median : 0.0 Median : 0.0
## Mean : 187.6 Mean : 171.2 Mean : 316.9 Mean : 131.5
## 3rd Qu.: 22.0 3rd Qu.: 1.0 3rd Qu.: 15.5 3rd Qu.: 0.0
## Max. :17665.0 Max. :11050.0 Max. :25900.0 Max. :13200.0
## SEPTIEMBRE.22 OCTUBRE.22 NOVIEMBRE.22 DICIEMBRE.22
## Min. : 0.0 Min. : 0.0 Min. : 0.000 Min. : 0.000
## 1st Qu.: 0.0 1st Qu.: 0.0 1st Qu.: 0.000 1st Qu.: 0.000
## Median : 0.0 Median : 0.0 Median : 0.000 Median : 0.000
## Mean : 272.3 Mean : 120.9 Mean : 2.113 Mean : 1.225
## 3rd Qu.: 0.0 3rd Qu.: 0.0 3rd Qu.: 0.000 3rd Qu.: 0.000
## Max. :29379.0 Max. :16421.0 Max. :324.000 Max. :276.000
## ENERO.23 FEBRERO.23 MARZO.23
## Min. : 0.0000 Min. :0 Min. :0
## 1st Qu.: 0.0000 1st Qu.:0 1st Qu.:0
## Median : 0.0000 Median :0 Median :0
## Mean : 0.5974 Mean :0 Mean :0
## 3rd Qu.: 0.0000 3rd Qu.:0 3rd Qu.:0
## Max. :138.0000 Max. :0 Max. :0Crear Columna
# install.packages("dpylr")
library(plyr)
library(tidyr)
bd1 <- bd
bd1 <- gather(bd1,key = "año", value = "pedidos", 5:16)
aggregate(x=bd1$pedidos,
by = list(bd1$año),
FUN= sum)## Group.1 x
## 1 ABRIL.22 43080
## 2 AGOSTO.22 30375
## 3 DICIEMBRE.22 283
## 4 ENE.22 19028
## 5 FEBRERO.22 23912
## 6 JULIO.22 73201
## 7 JUNIO.22 39549
## 8 MARZO.22 35559
## 9 MAYO.22 43336
## 10 NOVIEMBRE.22 488
## 11 OCTUBRE.22 27925
## 12 SEPTIEMBRE.22 62912summary(bd1)## CLIENTE.PLANTA PROYECTO ID.ODOO ITEM
## Length:2772 Length:2772 Length:2772 Length:2772
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## ENERO.23 FEBRERO.23 MARZO.23 año
## Min. : 0.0000 Min. :0 Min. :0 Length:2772
## 1st Qu.: 0.0000 1st Qu.:0 1st Qu.:0 Class :character
## Median : 0.0000 Median :0 Median :0 Mode :character
## Mean : 0.5974 Mean :0 Mean :0
## 3rd Qu.: 0.0000 3rd Qu.:0 3rd Qu.:0
## Max. :138.0000 Max. :0 Max. :0
## pedidos
## Min. : 0.0
## 1st Qu.: 0.0
## Median : 0.0
## Mean : 144.2
## 3rd Qu.: 0.0
## Max. :29379.0Gráfico cualitativo (Pay):
pie(table(bd1$CLIENTE.PLANTA))
Tabla de frecuencia
bd2 <-bd1
bd2 <- data.frame(bd$ITEM)
bd2## bd.ITEM
## 1 CABLE SET CAJA BACK UP CANASTILLA
## 2 Caja intercompañía chica
## 3 CHAROLA G09 915898
## 4 MOTOR GEAR BOX
## 5 BLOQUEO GAS SPRING
## 6 INSERTOS CABLE SET
## 7 ECU BACKUP HELLA
## 8 ROPACK 45”X48”X34 CON IDENTIFICACIÓN
## 9 Y0160815 FLOOR CONSOLE
## 10 Y0160011 DOOR PANEL REAR
## 11 Y0160010 DOOR PANEL FRONT
## 12 Y0199489 WS IP KIN PTN.WS IP 60 CELL IBT kit 15
## 13 Y0199488 WS IP BEZEL OC LOWER PTN.WS IP 72 CELL IBT kit 14
## 14 Y0194915 BASE CARRIER PTN.WS FC 42C 1BT P2 WS FC 2ND ROW kit 5
## 15 TAPA PARA CAJA PIELES U625
## 16 CAJA PARA EMPAQUE PIELES U625
## 17 ROPACK 45”X48”X34 CON IDENTIFICACIÓN
## 18 CAJA 910B 4WAY
## 19 Kit de empaque para seat back LH y RH, incluye tarima
## 20 Separador de cartón para Seat Back RHy LH. Uso WIP entre Meridian y PPG
## 21 KIT PIVOTE CONTENEDOR CARTON
## 22 SEPARADOR 41" X 44" PARA PIVOTE Y SEAT BACK DE MTM A PPG
## 23 REJILLA DE 16X PARA PIVOT DE TESLA PARA PROCESO DE MTM A PPG
## 24 Separador 41 x 44" Cuadro Pivot/PPG
## 25 780B SDT 120 CAVIDADES Y0264008
## 26 780B SDT 84 CAVIDADES - Y0387031
## 27 PCORR 5MM TOTE(TRAY) TOP RAILS
## 28 Y0363426-CONSOLE END PANEL(124 DUN)
## 29 Y0363424-CONSOLE ARMREST (17 DUN)
## 30 Y0363425-ARMREST OUTER (105 DUN)
## 31 Y0363427-ARMREST INNER (135 DUN)
## 32 Y0264007- DUNAGGE 90 CV ROPACK 48X45X42 (166 DUN)
## 33 Y0264007- DUNAGGE 90 CV ROPACK 48X45X42 (14 DUN)
## 34 DUNNAGE 80 CV - DUNNAGE FC HINGE COVERS(108 DUN)
## 35 DUNNAGE 126 CV - DUNNAGE FC ARMREST LATCH(60 DUN)
## 36 Y0392179 - DUNNAGE 72 CV ROPACK 45X48X50 (60 DUN)
## 37 Y0494836 - DUNNAGE 198 CV ROPACK 45X48X50 (10 DUN)
## 38 Y0392180 - DUNNAGE 198 CV ROPACK 45X48X50 (64 DUN)
## 39 ARMREST J34A
## 40 WL 74-75 36X30"
## 41 WL 74-75 30X28"
## 42 VW416PA2 30X28"
## 43 WL 74-75 FRONT
## 44 WL 75 REAR
## 45 WL 74 REAR
## 46 RACKS WIP
## 47 RACK L233 (200 RACKS)
## 48 ARMREST
## 49 BACKFRAME 60%
## 50 BACKFRAME 60% - CELL C
## 51 CONSOLE LOWER
## 52 FRT - HEADREST ASY, M3Y 1R TX FIP PVC BLK (FRONT)
## 53 SIDE - Y 2R HEADREST OUTER BLK TX (REAR)
## 54 CTR - Y 2R 20 HEADREST PUR BLK TX (CENTER)
## 55 LUMBAR - Y 2R 20 LUMBAR BUN BLK TX
## 56 ARMREST - Y 2R 5S ARMREST ASSEMBLY BLK TX
## 57 Y0124099
## 58 MANGAS DUNNAGE RACK CX721 (CX727)
## 59 ICP539 MICRO CORRUGADO
## 60 U725 (DMS ALTERNO) ITB
## 61 ICP P702/P558 MICRO CORRUGADO
## 62 CAJA RSC 36 DK CELDA CON MICRO CORUUGADO EN 32 PORTA ETIQUETA SW RR A/C
## 63 CAJA RSC ECT 36 DK PAD ECT 36 DK TAPA ECT 32 CK PORTA ETIQUETA\nINNER FR SEAT
## 64 KIT Brasil CAJA RSC CK 32 ECT Kit 95-161
## 65 TAPA CARTON KCS 29ECT PA FC 1135X1117X70MM\nTAPA BRASIL - TR6118 95-144 COROLLA 360 FONDO
## 66 CAJA 95-069
## 67 CAJA 95-070
## 68 CAJA 95-075 (NUEVO ID: TR13774)
## 69 CAJA 95-168
## 70 AVANZAR 660B
## 71 6 CELDAS
## 72 10 CELDAS
## 73 4 CELDAS
## 74 MCA330 KIT
## 75 CLUSTER U725
## 76 CHAROLA PE 237 12 X 17 X 2.75 PULGADAS
## 77 CHAROLA PARA LAMINAS DE DIAL, MEDIDAS DE 527MM X 690MM X 80MM
## 78 CHAROLA GLASS FRONT 920B
## 79 CHAROLA DIAL
## 80 WINDOW PLATE
## 81 ML4 SET CONCAVE MIRROR
## 82 DUNNAGE CX430
## 83 CHAROLA PLASTICA 4 MM REFORZADA CON ESQUINEROS (HUD 1)
## 84 CHAROLA PLASTICA 4 MM REFORZADA CON ESQUINEROS (HUD 2)
## 85 CAJA #1 COMMON HUD
## 86 CAJA #2 COMMON HUD
## 87 CHAROLA TM3
## 88 CHAROLA 4.2
## 89 CHAROLA 780B IC SHIELD
## 90 CHAROLA 780B IC LOWER CASE
## 91 CHAROLA A24
## 92 TAPA A24
## 93 WINDOW PLATE 780B & U554
## 94 CASE 780B HUD
## 95 COVER 780B/U554 HUD
## 96 OUTER CASE U554 HUD
## 97 OUTER CASE U554 HUD ANTIESTATICO
## 98 WINDOW PLATE 780B & U554 ANTIESTATICO
## 99 ML7 FLAT MIRROR
## 100 ML2 LOWERCASE Y MC SHIELD
## 101 30 AA WINDOW PLATE
## 102 30 AA OUTER
## 103 30 AA
## 104 RETRABAJO DE 19 CHAROLAS
## 105 MCV 115E
## 106 SOPORTE DE CARTON MCV 115
## 107 DUNNAGE VALVULA MCV 115(894 DUN)
## 108 DUNNAGE HOUSING MCV 115(3354 DUN)
## 109 DUNNAGE PIPE MCV 115(4025 DUN)
## 110 CHAROLA FPI16
## 111 CHAROLA B16
## 112 CHAROLA DIAL HONDA ALTERNA CON FOAM
## 113 CAJA EN PLASTICO CORRUGADO ANTIESTATICO
## 114 CHAROLA DIAL 14
## 115 CHAROLA DIAL U7
## 116 CHAROLA MX15779
## 117 CHAROLA DIAL CX
## 118 CHAROLA CID CH2
## 119 CHAROLA B16
## 120 TAPA FORTIFLEX
## 121 MCV 128E
## 122 OUTER CASE
## 123 CONCAVE MIRROR
## 124 COMPUTER ASSY
## 125 MIRROR HOLDER
## 126 KIT CONCAVE
## 127 CHAROLA 30AA
## 128 CHAROLA PIPE NUEVO MODELO
## 129 TAPA COROPLAST MCV
## 130 CHAROLA WL CCP FRONT
## 131 TOTES CX430
## 132 Charola para JL PECP2
## 133 Caja plastica ESD, 14" x 22.5 x 10"
## 134 PROYECTO PUERTAS
## 135 362388 REINFORCEMENT MCA MP552 PUERTAS
## 136 DUNNAGE ARMREST FRONT/ARMREST REAR
## 137 362718 UPPER REAR MP552 PUERTAS
## 138 DUNNAGE AMBULANCIA
## 139 APPLIQUE REAR
## 140 APPLIQUE FRONT
## 141 363010580 DUNNAGE SHROUD LOWER
## 142 363010580 DUNNAGE SHROUD UPPER
## 143 PATIN PARA MANEJO DE PALLETS
## 144 467.905-59 INSERT 368.3X60X25.4 MM FOAM
## 145 467.416-21 COMPARTIMENT INSERT 1132X712X231MM CC
## 146 REFACCIONES P1 - COMPARTIMENT INSERT 535X335X221MM CC ESD
## 147 REFACCIONES P2 - COMPARTIMENT INSERT 395X275X154MM CC ESD
## 148 VC167 595: DUNNAGE EVOLON 100 CON 1 X 13 CV X 4 DUNNAGE
## 149 VC167 599: DUNNAGE EVOLON 100 CON 11 X 13 CV
## 150 VC167 602: DUNNAGE EVOLON 100 CON 13 X 8 CV
## 151 DUNNAGE EVOLON 100 CON 27 X 5 CAVIDADES
## 152 BOLSA EVOLON 340MM X 745MM GDE
## 153 BOLSA EVOLON 625x255mm CH
## 154 CELDAS AQ450
## 155 SEPARADORES AQ450
## 156 AQ450
## 157 GMT625
## 158 CUCURUCHOS
## 159 MUESTRAS 4 CAJAS
## 160 DOLLIES METALICOS
## 161 ITEM
## 162 N61506003-SEPARADOR 003
## 163 N61506004-CAJA 004
## 164 N61506309-KIT 309
## 165 N61506310-KIT 310
## 166 N61506311-KIT 311
## 167 N61506342-KIT 342
## 168 N61506378-CELDA 378
## 169 N61506380-KIT 380
## 170 N61506391-KIT 391
## 171 N61506396-KIT 396
## 172 N61506397-KIT 397
## 173 N61506405-CELDA 405
## 174 N61506411-CELDA 411
## 175 N61506536-CELDA 536
## 176 N61506549-CAJA 549
## 177 N61506550-CELDA 550
## 178 N61506556-CAJA 556
## 179 N61506558-CELDA 558
## 180 N61506566-CELDA 566
## 181 N61506567-CAJA 567
## 182 N61506569-CELDA 569
## 183 N61506571-CAJA 571
## 184 N61506575-CELDA 575
## 185 N61506576-CELDA 576
## 186 N61506589-CELDA 589
## 187 N61506605-CELDA 605
## 188 N61506611-CELDA 611
## 189 N61506615-CELDA 615
## 190 N61506619-CAJA 619
## 191 N61506622-CELDA 622
## 192 N61506646-CELDA 646
## 193 N61506651-CAJA 651
## 194 N61506660-CELDA 660
## 195 N61506664-CAJA 664
## 196 N61506675 - CELDA 675
## 197 N61506676 - CAJA 676
## 198 N61506680-CELDA 680
## 199 N61506682-CELDA 682
## 200 N61506694-CELDA 694
## 201 N61506695-KIT 695
## 202 N61506696-CELDA 696
## 203 N61506700-CAJA 700
## 204 N61506704-CELDA 704
## 205 N61506706-CELDA 706
## 206 N61506707-CAJA 707
## 207 N61506718-KIT 718
## 208 N61506722-CAJA 722
## 209 N61506726-KIT 726
## 210 N61506727-KIT 727
## 211 N61506729-KIT 729
## 212 N61506735-CELDA 735
## 213 N61506745-KIT 745
## 214 N61506746-KIT 746
## 215 N61506747-KIT 747
## 216 N61506763-KIT 763
## 217 N61506764-KIT 764
## 218 N61506765-CAJA 765
## 219 N61506768-KIT 768
## 220 N61506770-CAJA 770
## 221 N61506773-KIT 773
## 222 N61506783-CELDA 783
## 223 N61506784-KIT 784
## 224 N61506785-KIT 785
## 225 N61506808-KIT 808
## 226 N61506809-KIT 809
## 227 N61506810-CAJA 810
## 228 N61506844-KIT 844
## 229 N61506857-KIT REFLEX
## 230 N61506862-BODY SIDE
## 231 U553 KITGrafica de Cualitativa
pie(table(bd$CLIENTE.PLANTA))
Grafica de Cuantitativa
table(bd1$año, bd1$pedidos)##
## 0 1 2 3 4 5 6 7 8 9 10 12 13 14 15 16
## ABRIL.22 158 2 1 0 0 2 0 0 1 0 2 1 0 0 3 1
## AGOSTO.22 179 0 0 2 1 1 0 0 0 0 0 0 0 0 1 0
## DICIEMBRE.22 229 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0
## ENE.22 155 0 1 0 2 1 2 2 0 0 0 0 0 0 4 1
## FEBRERO.22 176 1 0 1 2 1 1 0 2 0 4 0 0 1 0 1
## JULIO.22 157 0 1 1 0 6 1 2 0 1 3 0 0 0 1 1
## JUNIO.22 173 0 1 0 0 3 1 0 0 1 2 0 0 0 2 0
## MARZO.22 161 0 1 1 0 1 1 0 0 0 1 0 0 1 0 4
## MAYO.22 161 0 0 1 0 0 1 0 0 0 0 4 1 0 1 2
## NOVIEMBRE.22 227 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0
## OCTUBRE.22 216 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0
## SEPTIEMBRE.22 198 0 0 0 1 4 0 0 0 0 0 1 0 1 1 0
##
## 18 19 20 21 22 23 24 25 26 27 28 29 30 32 34 35
## ABRIL.22 0 0 1 0 0 0 4 1 2 0 0 1 2 1 0 1
## AGOSTO.22 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 2
## DICIEMBRE.22 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## ENE.22 0 1 0 1 1 0 0 1 1 1 0 0 3 2 0 1
## FEBRERO.22 0 0 0 0 0 0 4 0 0 0 0 0 0 0 1 0
## JULIO.22 0 0 1 0 0 1 3 0 1 0 0 0 1 0 0 0
## JUNIO.22 0 0 0 0 0 1 2 0 1 0 0 0 1 0 0 0
## MARZO.22 0 0 3 0 0 0 1 2 0 0 0 0 0 1 0 0
## MAYO.22 0 0 0 0 3 0 3 1 0 0 1 1 0 0 0 0
## NOVIEMBRE.22 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0
## OCTUBRE.22 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## SEPTIEMBRE.22 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0
##
## 36 38 39 40 41 42 43 44 45 47 48 50 52 53 54 55
## ABRIL.22 4 0 0 0 2 0 0 0 0 0 1 1 0 0 0 0
## AGOSTO.22 3 1 0 1 0 0 0 1 0 0 0 4 0 1 0 0
## DICIEMBRE.22 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## ENE.22 0 0 1 1 0 1 0 0 1 1 0 3 1 0 0 1
## FEBRERO.22 2 0 0 1 0 0 2 0 0 0 2 0 0 0 0 1
## JULIO.22 0 0 1 3 0 1 0 0 0 0 0 1 0 0 0 0
## JUNIO.22 1 0 1 2 0 1 0 0 0 0 1 2 0 0 0 0
## MARZO.22 2 0 0 0 0 0 0 0 0 1 2 3 0 0 0 1
## MAYO.22 1 0 0 1 2 0 0 0 0 0 1 2 0 0 0 0
## NOVIEMBRE.22 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## OCTUBRE.22 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0
## SEPTIEMBRE.22 0 0 0 1 0 0 0 1 0 0 0 1 0 0 1 0
##
## 56 58 60 61 64 65 68 70 71 72 74 77 80 83 86 90
## ABRIL.22 0 0 4 0 0 1 0 0 0 0 0 0 0 0 0 0
## AGOSTO.22 0 0 1 0 0 0 0 0 0 0 0 0 2 0 0 0
## DICIEMBRE.22 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## ENE.22 0 1 6 0 0 1 0 0 0 0 0 0 0 1 0 0
## FEBRERO.22 1 0 1 1 0 1 0 1 0 0 0 0 0 0 0 0
## JULIO.22 0 0 0 1 0 0 0 1 0 0 0 0 1 0 0 0
## JUNIO.22 0 1 0 0 0 0 0 1 0 1 0 0 1 0 1 0
## MARZO.22 0 0 3 1 0 0 0 1 1 0 0 0 0 0 0 0
## MAYO.22 2 0 1 0 2 0 1 1 0 1 0 0 0 0 0 1
## NOVIEMBRE.22 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## OCTUBRE.22 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## SEPTIEMBRE.22 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0
##
## 91 96 98 99 100 104 105 106 107 108 114 115 119 120 124 125
## ABRIL.22 0 0 0 1 1 0 0 1 0 1 0 0 0 1 0 0
## AGOSTO.22 0 0 0 0 1 0 0 0 0 0 0 1 1 1 0 0
## DICIEMBRE.22 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## ENE.22 0 2 0 0 1 0 0 0 0 0 1 0 0 1 0 1
## FEBRERO.22 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## JULIO.22 0 0 1 0 2 0 0 0 1 0 0 0 0 1 0 1
## JUNIO.22 0 0 0 0 2 0 0 0 0 2 0 0 0 1 0 1
## MARZO.22 0 0 0 0 1 1 0 0 0 0 0 0 0 3 0 0
## MAYO.22 0 1 0 0 3 0 1 0 0 0 0 0 0 0 1 0
## NOVIEMBRE.22 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
## OCTUBRE.22 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0
## SEPTIEMBRE.22 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0
##
## 126 130 132 136 137 140 141 144 149 150 157 160 162 164 166 168
## ABRIL.22 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0
## AGOSTO.22 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0
## DICIEMBRE.22 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## ENE.22 1 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0
## FEBRERO.22 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0
## JULIO.22 0 0 0 0 1 0 1 3 0 0 0 0 0 0 0 0
## JUNIO.22 0 1 0 0 0 0 0 1 0 3 0 0 0 0 0 0
## MARZO.22 0 0 0 0 0 1 0 0 0 1 0 1 1 1 1 0
## MAYO.22 0 0 1 0 0 0 0 1 1 2 0 1 0 0 0 1
## NOVIEMBRE.22 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## OCTUBRE.22 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## SEPTIEMBRE.22 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0
##
## 169 174 176 180 182 183 184 185 187 192 196 198 200 210 220 230
## ABRIL.22 0 0 1 0 0 0 0 0 0 0 1 0 2 0 0 0
## AGOSTO.22 1 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0
## DICIEMBRE.22 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## ENE.22 0 0 0 0 0 1 0 0 1 0 1 1 0 0 0 2
## FEBRERO.22 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0
## JULIO.22 0 0 0 0 1 0 1 0 0 0 0 0 1 0 0 0
## JUNIO.22 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0
## MARZO.22 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0
## MAYO.22 0 1 0 1 0 0 0 0 0 0 0 0 5 0 0 0
## NOVIEMBRE.22 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## OCTUBRE.22 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0
## SEPTIEMBRE.22 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
##
## 240 250 272 276 278 285 286 288 290 293 298 300 302 305 320 324
## ABRIL.22 0 1 0 0 1 0 0 0 0 0 0 4 0 0 0 0
## AGOSTO.22 0 0 1 0 0 1 1 0 1 0 0 1 0 0 0 0
## DICIEMBRE.22 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0
## ENE.22 2 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0
## FEBRERO.22 0 1 0 0 0 0 0 1 0 0 0 3 0 0 2 0
## JULIO.22 0 0 0 0 0 0 0 0 0 2 1 2 0 0 1 0
## JUNIO.22 1 0 1 0 0 0 0 0 0 1 0 1 0 0 0 0
## MARZO.22 2 1 0 0 0 0 0 0 0 0 0 4 1 0 0 0
## MAYO.22 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## NOVIEMBRE.22 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
## OCTUBRE.22 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0
## SEPTIEMBRE.22 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0
##
## 330 332 346 350 360 380 390 400 420 422 436 450 464 479 480 485
## ABRIL.22 1 0 1 0 0 1 0 3 0 0 0 0 0 0 0 0
## AGOSTO.22 0 0 0 0 1 0 0 2 0 0 0 0 0 0 0 0
## DICIEMBRE.22 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## ENE.22 0 0 0 1 0 0 0 1 0 0 0 0 0 0 1 0
## FEBRERO.22 0 0 0 0 0 0 1 1 0 0 0 1 0 0 0 0
## JULIO.22 0 0 0 1 0 0 0 1 0 0 0 0 0 1 0 0
## JUNIO.22 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0
## MARZO.22 0 0 0 0 1 0 0 2 0 0 0 0 0 0 0 1
## MAYO.22 0 0 0 0 0 0 0 1 0 1 0 0 1 0 0 0
## NOVIEMBRE.22 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## OCTUBRE.22 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0
## SEPTIEMBRE.22 0 1 0 0 0 0 0 2 0 0 0 0 0 0 0 0
##
## 500 506 512 529 540 550 570 600 612 630 640 652 700 712 715 720
## ABRIL.22 1 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0
## AGOSTO.22 0 0 1 0 0 0 0 0 0 0 0 1 0 1 1 0
## DICIEMBRE.22 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## ENE.22 2 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0
## FEBRERO.22 1 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0
## JULIO.22 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0
## JUNIO.22 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0
## MARZO.22 2 0 0 1 0 0 0 0 1 0 0 0 1 0 0 0
## MAYO.22 1 0 0 0 0 0 0 2 0 0 0 0 0 0 0 1
## NOVIEMBRE.22 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## OCTUBRE.22 1 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0
## SEPTIEMBRE.22 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0
##
## 736 750 800 900 930 945 950 1000 1014 1022 1027 1100 1132 1200
## ABRIL.22 0 0 0 0 0 0 0 0 0 0 0 1 0 0
## AGOSTO.22 0 1 0 0 0 0 0 1 0 0 0 0 0 0
## DICIEMBRE.22 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## ENE.22 0 0 2 0 0 1 0 0 0 0 0 0 0 1
## FEBRERO.22 0 0 0 0 0 0 1 0 0 0 0 0 0 0
## JULIO.22 1 0 0 1 1 0 0 0 0 1 1 0 0 0
## JUNIO.22 0 1 0 0 0 0 0 2 0 0 0 1 1 0
## MARZO.22 0 0 0 0 0 0 0 0 1 0 0 0 0 0
## MAYO.22 0 0 0 1 0 0 0 0 0 0 0 0 0 0
## NOVIEMBRE.22 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## OCTUBRE.22 0 0 0 0 0 0 0 0 0 0 0 0 0 1
## SEPTIEMBRE.22 0 0 1 0 0 0 0 0 0 0 0 0 0 1
##
## 1250 1300 1320 1332 1350 1400 1450 1494 1500 1548 1600 1620
## ABRIL.22 0 0 0 0 1 0 1 0 0 1 0 0
## AGOSTO.22 0 0 0 0 0 0 0 1 1 0 1 1
## DICIEMBRE.22 0 0 0 0 0 0 0 0 0 0 0 0
## ENE.22 0 0 0 0 0 0 0 0 0 0 0 0
## FEBRERO.22 0 0 0 0 0 0 0 0 0 0 0 0
## JULIO.22 0 0 1 1 0 1 0 0 0 0 0 0
## JUNIO.22 0 0 0 1 0 0 0 0 0 0 0 0
## MARZO.22 0 1 0 0 0 0 0 0 0 1 0 0
## MAYO.22 1 0 0 0 0 0 0 0 0 0 1 0
## NOVIEMBRE.22 0 0 0 0 0 0 0 0 0 0 0 0
## OCTUBRE.22 0 0 0 0 0 0 0 0 1 0 0 0
## SEPTIEMBRE.22 0 0 0 0 0 0 0 0 0 0 0 0
##
## 1632 1700 1900 2000 2100 2200 2300 2304 2325 2400 2450 2500
## ABRIL.22 0 0 0 0 0 0 0 1 0 0 0 0
## AGOSTO.22 0 0 1 0 0 0 0 0 0 0 0 0
## DICIEMBRE.22 0 0 0 0 0 0 0 0 0 0 0 0
## ENE.22 0 0 0 1 0 1 0 0 0 0 0 0
## FEBRERO.22 0 0 0 0 2 0 0 0 0 1 0 0
## JULIO.22 1 0 0 0 0 0 1 0 1 0 1 0
## JUNIO.22 0 0 0 0 0 0 0 0 1 1 0 0
## MARZO.22 0 0 0 0 0 0 0 1 0 1 0 0
## MAYO.22 0 1 0 0 0 0 0 0 0 1 0 0
## NOVIEMBRE.22 0 0 0 0 0 0 0 0 0 0 0 0
## OCTUBRE.22 0 0 0 0 0 0 0 0 0 0 0 0
## SEPTIEMBRE.22 0 0 0 0 0 0 0 0 0 0 1 1
##
## 2800 2900 3200 3498 3900 4000 4169 6500 7000 9600 11050 12800
## ABRIL.22 0 0 0 0 0 1 0 1 0 0 0 0
## AGOSTO.22 0 0 0 0 0 0 0 0 0 0 0 0
## DICIEMBRE.22 0 0 0 0 0 0 0 0 0 0 0 0
## ENE.22 0 0 1 0 0 0 0 0 0 0 0 0
## FEBRERO.22 0 0 0 0 0 0 0 0 0 1 0 0
## JULIO.22 0 0 1 0 1 0 0 0 0 0 0 0
## JUNIO.22 1 0 0 0 0 0 0 0 0 1 1 0
## MARZO.22 0 0 0 1 0 0 1 0 0 1 0 0
## MAYO.22 0 0 0 0 0 0 0 0 0 1 0 0
## NOVIEMBRE.22 0 0 0 0 0 0 0 0 0 0 0 0
## OCTUBRE.22 0 2 0 0 0 0 0 0 0 0 0 0
## SEPTIEMBRE.22 0 0 1 0 0 0 0 0 1 0 0 1
##
## 13200 16000 16354 16421 17665 25900 29379
## ABRIL.22 0 0 1 0 0 0 0
## AGOSTO.22 1 0 0 0 0 0 0
## DICIEMBRE.22 0 0 0 0 0 0 0
## ENE.22 0 0 0 0 0 0 0
## FEBRERO.22 0 0 0 0 0 0 0
## JULIO.22 0 1 0 0 0 1 0
## JUNIO.22 0 0 0 0 0 0 0
## MARZO.22 0 0 0 0 0 0 0
## MAYO.22 0 0 0 0 1 0 0
## NOVIEMBRE.22 0 0 0 0 0 0 0
## OCTUBRE.22 0 0 0 1 0 0 0
## SEPTIEMBRE.22 0 0 0 0 0 0 1barplot(table(bd1$año), main = "Total de pedidos por el año 2022", xlab = "año", ylab = "pedidos" )
Gráfico de dispersion
boxplots=subset(bd1,select=-c(pedidos,año))
boxplot(bd1$pedidos, main ="Total de Pedidos 2022")
plot(bd1$pedidos, horizontal= TRUE)## Warning in plot.window(...): "horizontal" is not a graphical parameter## Warning in plot.xy(xy, type, ...): "horizontal" is not a graphical parameter## Warning in axis(side = side, at = at, labels = labels, ...): "horizontal" is not
## a graphical parameter
## Warning in axis(side = side, at = at, labels = labels, ...): "horizontal" is not
## a graphical parameter## Warning in box(...): "horizontal" is not a graphical parameter## Warning in title(...): "horizontal" is not a graphical parameter
Propuestas:
Al analizar los datos podemos darnos cuenta que FROM cuenta con 2 clientes que abarcan la mayor cantidad de los pedidos siendo una diferencia altamente significativos. Por lo que se recomienda buscar clientes que puedan anivelar la cantidad de pedidos y darles un trato preferencial VIP al cumplir con ciertos requsitos, para ello sería necesaria crear una comunidad de clientes VIP para darles ciertas ventajas, y de ese modo no depender de la estabilidad de dos clientes unicamente y aumentar la red de clientes VIP con grandes dantidades de pedidos. Asi aumentando las ventas y el rango del segmento de mercado, para igual no nadamas estar dependiendo de dos clientes, sin intentar crear mas clientes fieles que te puedan comprar grandes cantidad y que confien en ti.
Los pedidos durante los años se encuntran similares sin mucha diferencia en cantidades, en los datos se ve que laestabilidad es positivo, pero si no se sigue creciendo la empresa puede quedar estancada, es necesario implementar KPIs donde se pueda medir la frecuencia de los pedidos por clientes y también el incremento de pedidos que se tiene por mes.
Delivery Performance
Importar las bases de datos
# file.choose()
bd <- read.csv("/Users/mayracampoyramos/Desktop/Analisis de Datos Concentracion/Reto/FORM - Delivery Performance.csv")
bd <- na.omit(bd)
summary(bd)## Target Cliente Vueltas Plan.arrival
## Min. :1 Length:1440 Min. :1.00 Min. : 0.000
## 1st Qu.:1 Class :character 1st Qu.:1.00 1st Qu.: 0.000
## Median :1 Mode :character Median :1.50 Median : 4.000
## Mean :1 Mean :1.75 Mean : 6.625
## 3rd Qu.:1 3rd Qu.:2.25 3rd Qu.:10.750
## Max. :1 Max. :3.00 Max. :20.000
## Real.arrival Real.departure Diference Date
## Min. : 0.000 Min. : 0.000 Min. :-14.3500 Length:1440
## 1st Qu.: 0.000 1st Qu.: 0.000 1st Qu.: 0.0000 Class :character
## Median : 0.000 Median : 0.000 Median : 0.0000 Mode :character
## Mean : 3.823 Mean : 4.142 Mean : 0.3155
## 3rd Qu.: 8.000 3rd Qu.: 9.000 3rd Qu.: 0.8000
## Max. :23.500 Max. :24.500 Max. : 20.0000bd2<-bd
bd2 <- subset(bd2, select =-c (Target))Tabla de frecuencia
table(bd2$Cliente, bd$Vueltas)##
## 1 2 3
## MAGNA 180 0 0
## MAHLE 180 180 180
## PRINTEL 180 0 0
## VARROC 180 180 180prop.table(table(bd2$Cliente, bd$Vueltas))##
## 1 2 3
## MAGNA 0.125 0.000 0.000
## MAHLE 0.125 0.125 0.125
## PRINTEL 0.125 0.000 0.000
## VARROC 0.125 0.125 0.125Se elaboro la tabla de frecuencia para ver los datos de los clientes y sus vueltas.
Gráfico de dispersion
# install.packages("ggplot2")
library("ggplot2")
library("tidyverse")## ── Attaching packages ─────────────────────────────────────── tidyverse 1.3.2 ──
## ✔ tibble 3.1.8 ✔ dplyr 1.0.10
## ✔ readr 2.1.2 ✔ stringr 1.4.1
## ✔ purrr 0.3.4 ✔ forcats 0.5.2
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::arrange() masks plyr::arrange()
## ✖ purrr::compact() masks plyr::compact()
## ✖ dplyr::count() masks plyr::count()
## ✖ dplyr::failwith() masks plyr::failwith()
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::id() masks plyr::id()
## ✖ dplyr::lag() masks stats::lag()
## ✖ dplyr::mutate() masks plyr::mutate()
## ✖ dplyr::rename() masks plyr::rename()
## ✖ dplyr::summarise() masks plyr::summarise()
## ✖ dplyr::summarize() masks plyr::summarize()ggplot(data = bd, mapping = aes(Cliente, Vueltas)) + geom_point() + theme_bw()
Como se puede observar en este gráfico,podemos ver que los clientes Mahle y Varroc son los que se mantienen igual en cuanto a sus vueltas vueltas son las vueltas que tuvieron que hacer para la entrega.
Grafica de Pay
table(bd2$Cliente)##
## MAGNA MAHLE PRINTEL VARROC
## 180 540 180 540proporciones <- c(44, 3, 46, 20)
etiquetas <- c("Plan.arrival", "Real.arrival", "Real.departure","Diference")
pct <- round(proporciones/sum(proporciones)*100)
etiquetas <- paste(etiquetas, pct)
etiquetas <- paste(etiquetas,"%",sep="")
pie(proporciones,labels = etiquetas,
col=rainbow(length(etiquetas)),
main="Llegadas y Salidas")
Podemos observar como es que esta dividido las variables de salidas para una mejor visualizacion de los datos obtenidos.
Grafica de dispersion
ggplot(data=bd2, mapping = aes(Cliente, Real.arrival)) + geom_point(aes(color = Diference)) + theme_bw()
Podemos observar que entre los 4 clientes, en los colores se puede ver que la mayoria son oscuros.
Al ser oscuros la mayoria de los puntos de dispersion nos da a conocer que no existe mucha diferencia entre la hora de llegada y la hora que se tiene planeada.
Se aprecia algo positivo ya que estan siguiendo un buen protocolo en cuanto a sus tiempos.
Gráfico de dispersión
boxplot(bd2$Diference ~ bd2$Plan.arrival, horizontal = TRUE)
Se puede ver que existen datos negativos dentro del 20, los cuales pertenecen a Mahle y Printel, la cual nos da a conocer que si hay retrasos, lo cual es normal.
Como objetivo de esto se quiere llegar a proponer planes que hagan que estos numeros negativos mejoren para asi mejorar estos puntos negativos que se muestran.
Propuestas:
1. Previa planificación de rutas
2. Uso de tecnologías móviles y en la nube
3. Empoderamiento de los clientes sobre el seguimiento de sus pedidos
4. Seguimiento del producto desde el punto de partida hasta el final
5. Medición y mejora continua de la experiencia de los clientes.
---
title: <span style = "color:orange"> "Entregable 2.3"
author: "Equipo 4"
date: "2022-09-23"
output: 
  html_document:
    toc: true
    toc_float: true
    code_download: true
---

<img src= "/Users/mayracampoyramos/Downloads/images-4.png">

#### Emilio Olvera A01625200
#### Mayra Campoy Ramos A00226914
#### Ximena Gutierrez Briseño A00829505
#### Mariana Ulloa Encinas A01253076
#### Héctor Javier Villarreal A01570227

# **Recursos Humanos** 

#### Importar las bases de datos
```{r}
# file.choose()
recursos_humanos <- read.csv("/Users/mayracampoyramos/Desktop/Analisis de Datos Concentracion/recursos_humanos_limpia_buena (1).csv")
summary(recursos_humanos)
```

#### Observaciones
##### Analizar los puestos de las bajas.
##### Analizar si hay mucha diferencia entre los sueldos de los dos diferentes géneros.
##### Relacionar las bajas con la edad.
##### Relacionar estado civil con puesto.

### *Gráfico de dispersión (ggplot):*
```{r}
# install.packages("ggplot2")
library(ggplot2)
ggplot(data=recursos_humanos, mapping = aes(SALARIO.DIARIO.IMSS, EDAD)) + geom_point(aes(color = GENERO)) + theme_bw()
```

#### Podemos analizar en esta gráfica que la diferencia entre salarios de los diferentes géneros no es mucha, concluyendo así que FORM no es discriminativo con los sueldos de sus empleados, sin embargo, de esta gráfica tambien podemos destacar que el empleado que más gana es una mujer de 32 años ganando aproximadamente 380 pesos diarios.

### *Gráfico cuantitativo (Barras de dos variables):*
```{r}
tabla1 <- table(recursos_humanos$BAJA, recursos_humanos$EDAD)
tabla1
barplot(tabla1, beside = TRUE, las=1, 
  xlab='Edad', ylab='Bajas de empleados',
  col = c("lightblue", "mistyrose"),
  ylim = c(0, 7))
```

#### En este caso podemos observar que los empleados de aproximadamente 19-23 años son los que mas bajas han reportado en FORM.

### *Gráfico cualitativo (Pay):*
```{r}
table(recursos_humanos$ESTADO.CIVIL)
proporciones <- c(44, 3, 46, 20)
etiquetas <- c("Casado", "Divorciado", "Soltero", "Union libre")
pct <- round(proporciones/sum(proporciones)*100)
etiquetas <- paste(etiquetas, pct)
etiquetas <- paste(etiquetas,"%",sep="")
pie(proporciones,labels = etiquetas,
    col=rainbow(length(etiquetas)),
    main="Estado civil de los empleados de FORM")
```

#### En esta gráfica de pay podemos observar que la mayor parte de los empleados son solteros con un 41% y casados  con un 39%.

```{r}
table(recursos_humanos$PUESTO)
proporciones <- c(1, 67, 4, 1, 10, 1, 1, 2, 1, 1, 2, 1, 1, 1, 1, 1, 1, 1, 1, 1, 4, 5, 1, 1, 2)
etiquetas <- c("AYUDANTE DE MANTENIMIENTO", "AYUDANTE GENERAL", "CHOFER", "CHOFER GESTOR", "COSTURERA", "CUSTOMER SERVICE INF", "ENFERMERA", "EXTERNO", "GESTOR", "GUARDIA DE SEGURIDAD", "INSPECTOR DE CALIDAD", "LIDER", "LIMPIEZA", "MANTENIMIENTO", "MONTACARGUISTA", "MOZO", "OP. FLEXO-RANURADORA-REFILADORA", "OPERADOR SIERRA", "PINTOR", "RESIDENTE", "SOLDADOR", "SUPERVISOR DE MAQUINA", "SUPERVISOR DE PEGADO", "SUPERVISORA" )
pct <- round(proporciones/sum(proporciones)*100)
etiquetas <- paste(etiquetas, pct)
etiquetas <- paste(etiquetas,"%",sep="")
pie(proporciones,labels = etiquetas,
    col=rainbow(length(etiquetas)),
    main="Puestos de los empleados de FORM")
```

#### En esta gráfica de pay podemos observar que el 59% de los empleados son ayudantes generales y el 9% son costureras, siendo los puestos mas cotizados.

### *Gráfico cuantitativo: (Histograma):*

```{r}
Sueldo <-  recursos_humanos$SALARIO.DIARIO.IMSS   
hist(Sueldo, main = "Sueldo de los empleados", ylab = "# de empleados", col = "lightblue")
```

#### En esta gráfica podemos observar fácilmente como la mayor parte de los empleados gananmenos de 200 pesos al día.

```{r}

# Para realizar la siguiente tabla y gráfico, fue necesario hacer una nueva columna en la base de datos: "ID_PUESTO" con el objetivo de tenerlo como variable cuantitativa.
#En este caso: 
#1) "AYUDANTE DE MANTENIMIENTO"
#2) "AYUDANTE GENERAL"
#3) "CHOFER"
#4) "CHOFER GESTOR"
#5) "COSTURERA"
#6) "CUSTOMER SERVICE INF"
#7) "ENFERMERA"
#8) "EXTERNO"
#9) "GESTOR"
#10) "GUARDIA DE SEGURIDAD"
#11) "INSPECTOR DE CALIDAD"
#12) "LIDER"
#13) "LIMPIEZA"
#14) "MANTENIMIENTO"
#15) "MONTACARGUISTA"
#16) "MOZO"
#17) "OP. FLEXO-RANURADORA-REFILADORA"
#18) "OPERADOR SIERRA"
#19) "PINTOR"
#20) "RESIDENTE"
#21) "SOLDADOR"
#22) "SUPERVISOR DE MAQUINA"
#23) "SUPERVISOR DE PEGADO"
#24) "SUPERVISORA" 

```

### *Gráfico cuantitativo gráfico de dispersión:*
```{r}
plot(recursos_humanos$ID_PUESTO, recursos_humanos$SALARIO.DIARIO.IMSS, main = "Salario por puesto", xlab = "Id de Puesto", ylab = "Salario Diario", pch = 21, col= "blue", axes = FALSE)
axis(1, at = 1:24)
axis(2, at = 100:400)

mean(recursos_humanos$SALARIO.DIARIO.IMSS)
```

#### En este gráfico podemos observar que casi todos los puestos tienen un promedio de salario de 179.121, sin embargo, los puestos peores pagados son "Ayudante General", "Costurera", "Externo" y "Lider".

### *Tabla de frecuencia:*
```{r}

puesto <- c("1", "2", "2", "2", "2", "2", "2","2", "2", "2", "2", "2", "2", "2", "2", "2", "2","2", "2", "2", "2", "2", "2", "2", "2", "2", "2","2", "2", "2", "2", "2", "2", "2", "2", "2", "2","2", "2", "2", "2", "2", "2", "2", "2", "2", "2","2", "2", "2", "2", "2", "2", "2", "2", "2", "2","2", "2", "2", "2","2", "2", "2","2", "2", "2", "2","3", "3", "3", "3", "4", "5", "5", "5", "5", "5", "5", "5", "5", "5", "5","6", "7", "8", "8", "9", "10", "11", "11", "12", "13", "14", "15", "16", "17", "18", "19", "20", "21", "21","21", "21", "22", "22", "22", "22", "22","23", "23", "24", "24")
bajas <- c("0", "0", "0", "0", "0","0", "0", "0", "0", "0","0", "0", "0", "0", "0", "0", "0", "0", "0", "0","0", "0", "0", "0", "0", "0", "0", "0", "0", "0", "3", "3", "3", "3", "3", "3", "0", "3", "0", "3", "3", "0", "0", "0", "0", "0","0", "0", "0", "0", "0", "0", "0", "0", "0", "0","0", "0", "0", "0", "0","0", "0","3", "3", "3", "0", "0", "0", "0", "0", "0","0", "0", "0", "0", "0", "0", "0", "0", "0", "0","0", "0", "0", "0", "0", "0", "0", "0", "0",  "0",  "0",   "0",   "0", "0", "0",   "0",   "0", "0", "0", "0",    "0", "0", "0", "0",  "3", "0", "0",    "0",  "0",  "0", "0")

tabla <- table(bajas, puesto)
margin.table(tabla, 1) #Suma de Bajas: Han habido 13 bajas
margin.table(tabla, 2) #Suma de los tipos de puesto: Hay más puestos del tipo 2 (Ayudante general)
addmargins(tabla, c(1, 2))
knitr::kable(tabla)
```

#### Con esta tabla podemos observar que han habido 12 bajas del puesto 2: "Ayudante General", y 1 baja del puesto 22: "Soldador", lo que significa que ciertos factores como la edad (los más jovenes son los que mas se dan de baja) y el salario que es uno de los peores para el pusto de Ayudante General son vitales cambiar para evitar la rotación en estas áreas.

### *Propuestas*:

#### 1. Realizar un programa de incentivos para los empleados con el objetivo de incrementar su reconocimiento y estancia en la empresa, ofreciendoles mejor sueldo al incrementar su rendimiento (especialmente a los ayudantes generales que son los que han reportado más bajas), o dandoles benficios adicionales como tarjetas de despensa o reconocimientos.

#### 2. Estandarización del proceso de reclutamiento: Se han obsrvado que los empleados que duran menos son los jóvenes ya que son los peores pagados, por lo que se deberían buscar nuevos empleados que sean mayores o debería de haber un incremento de sueldo, pues se ha observado que las variables de  género y de estado civil no afectan, deduciendo así que FORM no es una empresa que discrimina, más bien,tiene que mejorar su proceso de selección e incrementar los beneficios dados a los empleados para disminuir la rotación.

# **Delivery Plan**

#### Importar las bases de datos
```{r}
# file.choose()
bd <- read.csv("/Users/mayracampoyramos/Desktop/Analisis de Datos Concentracion/Reto/delivery_plan.csv")

summary(bd)
```

### *Crear Columna*
```{r}
# install.packages("dpylr")
library(plyr)
library(tidyr)

bd1 <- bd
bd1 <- gather(bd1,key = "año", value = "pedidos", 5:16)

aggregate(x=bd1$pedidos,
          by = list(bd1$año),
          FUN= sum)

summary(bd1)
```

### *Gráfico cualitativo (Pay):*
```{r}
pie(table(bd1$CLIENTE.PLANTA))
```


### *Tabla de frecuencia*
```{r}
bd2 <-bd1
bd2 <- data.frame(bd$ITEM)
bd2
```

### *Grafica de Cualitativa*
```{r}
pie(table(bd$CLIENTE.PLANTA))
```


### *Grafica de Cuantitativa*
```{r}
table(bd1$año, bd1$pedidos)

barplot(table(bd1$año), main = "Total de pedidos por el año 2022", xlab = "año", ylab = "pedidos" )

```

### *Gráfico de dispersion*
```{r}
boxplots=subset(bd1,select=-c(pedidos,año))
boxplot(bd1$pedidos, main ="Total de Pedidos 2022")

plot(bd1$pedidos, horizontal= TRUE)
```

### *Propuestas*:
#### Al analizar los datos podemos darnos cuenta que FROM cuenta con 2 clientes que abarcan la mayor cantidad de los pedidos siendo una diferencia altamente significativos. Por lo que se recomienda buscar clientes que puedan anivelar la cantidad de pedidos y darles un trato preferencial VIP al cumplir con ciertos requsitos, para ello sería necesaria crear una comunidad de clientes VIP para darles ciertas ventajas, y de ese modo no depender de la estabilidad de dos clientes unicamente y aumentar la red de clientes VIP con grandes dantidades de pedidos. Asi aumentando las ventas y el rango del segmento de mercado, para igual no nadamas estar dependiendo de dos clientes, sin intentar crear mas clientes fieles que te puedan comprar grandes cantidad y que confien en ti.

#### Los pedidos durante los años se encuntran similares sin mucha diferencia en cantidades, en los datos se ve que laestabilidad es positivo, pero si no se sigue creciendo la empresa puede quedar estancada, es necesario implementar KPIs donde se pueda medir la frecuencia de los pedidos por clientes y también el incremento de pedidos que se tiene por mes.

# **Delivery Performance**

#### Importar las bases de datos
```{r}
# file.choose()
bd <- read.csv("/Users/mayracampoyramos/Desktop/Analisis de Datos Concentracion/Reto/FORM - Delivery Performance.csv")
bd <- na.omit(bd)
summary(bd)
bd2<-bd
bd2 <- subset(bd2, select =-c (Target))
```

### *Tabla de frecuencia*
```{r}
table(bd2$Cliente, bd$Vueltas)
prop.table(table(bd2$Cliente, bd$Vueltas))
```

#### Se elaboro la tabla de frecuencia para ver los datos de los clientes y sus vueltas.

### *Gráfico de dispersion*
```{r}
# install.packages("ggplot2")
library("ggplot2")
library("tidyverse")

ggplot(data = bd, mapping = aes(Cliente, Vueltas)) + geom_point() + theme_bw()
```

##### Como se puede observar en este gráfico,podemos ver que los clientes Mahle y Varroc son los que se mantienen igual en cuanto a sus vueltas vueltas son las vueltas que tuvieron que hacer para la entrega.

### *Grafica de Pay*
```{r}
table(bd2$Cliente)
proporciones <- c(44, 3, 46, 20)
etiquetas <- c("Plan.arrival", "Real.arrival", "Real.departure","Diference")
pct <- round(proporciones/sum(proporciones)*100)
etiquetas <- paste(etiquetas, pct)
etiquetas <- paste(etiquetas,"%",sep="")
pie(proporciones,labels = etiquetas,
    col=rainbow(length(etiquetas)),
    main="Llegadas y Salidas")
```

#### Podemos observar como es que esta dividido las variables de salidas para una mejor visualizacion de los datos obtenidos.

### *Grafica de dispersion*
```{r}
ggplot(data=bd2, mapping = aes(Cliente, Real.arrival)) + geom_point(aes(color = Diference)) + theme_bw()
```

#### Podemos observar que entre los 4 clientes, en los colores se puede ver que la mayoria son oscuros.
#### Al ser oscuros la mayoria de los puntos de dispersion nos da a conocer que no existe mucha diferencia entre la hora de llegada y la hora que se tiene planeada.
#### Se aprecia algo positivo ya que estan siguiendo un buen protocolo en cuanto a sus tiempos. 
### *Gráfico de dispersión*
```{r}
boxplot(bd2$Diference ~ bd2$Plan.arrival, horizontal = TRUE)
```

#### Se puede ver que existen datos negativos dentro del 20, los cuales pertenecen a Mahle y Printel, la cual nos da a conocer que si hay retrasos, lo cual es normal.
#### Como objetivo de esto se quiere llegar a proponer planes que hagan que estos numeros negativos mejoren para asi mejorar estos puntos negativos que se muestran.

### *Propuestas*:

#### 1. Previa planificación de rutas
#### 2. Uso de tecnologías móviles y en la nube
#### 3. Empoderamiento de los clientes sobre el seguimiento de sus pedidos
#### 4. Seguimiento del producto desde el punto de partida hasta el final
#### 5. Medición y mejora continua de la experiencia de los clientes.

