“Entregable 2.4”
Mayra Campoy Ramos
2022-09-23
Producción
Análisis de las variables relevantes
Importar las bases de datos
# file.choose()
produccion<- read.csv("/Users/mayracampoyramos/Desktop/Analisis de Datos Concentracion/Reto/Produccion de FORM sept.csv")¿Cuántas variables y cuantos registros tiene la base de datos?
# Instalar librerias
# install.packages("dplyr")
library(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union# install.packages("psych")
library(psych)
#Sacar número de variables:
describeData(produccion,head=1,tail=1)## n.obs = 1614 of which 1 are complete cases. Number of variables = 15 of which all are numeric FALSE
## variable # n.obs type
## CLIENTE* 1 1613 3
## ID.FORM* 2 1613 3
## PRODUCTO* 3 1614 3
## PIEZAS.PROG.* 4 1614 3
## TMO..MIN. 5 1129 1
## HR..FIN* 6 1614 3
## ESTACION.ARRANQUE* 7 1614 3
## Laminas.procesadas.* 8 1614 3
## INICIO.SEP.UP* 9 1614 3
## fin.de.set.up* 10 1614 3
## INICIO.de.PROCESO* 11 1614 3
## FIN.de.PROCESO* 12 1614 3
## TIEMPO.CALIDAD* 13 1614 3
## TIEMPO.MATERIALES. 14 161 1
## X 15 7 1
## H1
## CLIENTE* DENSO
## ID.FORM*
## PRODUCTO* TOYOTA. MCV. Insterto D 2R. CORTE. 1 Golpe = 12 piezas. ( 9 Pza. / Celda).
## PIEZAS.PROG.* 240
## TMO..MIN. 10
## HR..FIN* 9:10
## ESTACION.ARRANQUE* C1
## Laminas.procesadas.* 48
## INICIO.SEP.UP* 9:30
## fin.de.set.up* 9:32
## INICIO.de.PROCESO* 9:;32
## FIN.de.PROCESO* 9:57
## TIEMPO.CALIDAD* 1
## TIEMPO.MATERIALES. <NA>
## X <NA>
## T1
## CLIENTE* STABILUS 3
## ID.FORM* ST-047-14234
## PRODUCTO* AUDI Q5. DIVISOR. ST0254. 6 Pza/GOLP. 1 Pza/CELDA.
## PIEZAS.PROG.* 400
## TMO..MIN. 15
## HR..FIN* 5:45
## ESTACION.ARRANQUE* TROQUEL
## Laminas.procesadas.*
## INICIO.SEP.UP*
## fin.de.set.up*
## INICIO.de.PROCESO*
## FIN.de.PROCESO*
## TIEMPO.CALIDAD*
## TIEMPO.MATERIALES. <NA>
## X <NA>#R: Existen 15 variables y 1614 registros en la base de datos.Aplica al menos 2 técnicas de limpieza de bases de datos y explícalas brevemente, ¿por qué realizaste esas técnicas?
Entender la base de datos
summary(produccion)## CLIENTE ID.FORM PRODUCTO PIEZAS.PROG.
## Length:1614 Length:1614 Length:1614 Length:1614
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## TMO..MIN. HR..FIN ESTACION.ARRANQUE Laminas.procesadas.
## Min. : 10.00 Length:1614 Length:1614 Length:1614
## 1st Qu.: 15.00 Class :character Class :character Class :character
## Median : 20.00 Mode :character Mode :character Mode :character
## Mean : 22.92
## 3rd Qu.: 25.00
## Max. :120.00
## NA's :485
## INICIO.SEP.UP fin.de.set.up INICIO.de.PROCESO FIN.de.PROCESO
## Length:1614 Length:1614 Length:1614 Length:1614
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## TIEMPO.CALIDAD TIEMPO.MATERIALES. X
## Length:1614 Min. : 0.000 Min. :1.000
## Class :character 1st Qu.: 0.000 1st Qu.:1.000
## Mode :character Median : 0.000 Median :3.000
## Mean : 5.733 Mean :2.714
## 3rd Qu.:10.000 3rd Qu.:4.000
## Max. :51.000 Max. :5.000
## NA's :1453 NA's :1607Observaciones
Hay muchos NA´s
Se cuentan con variables inecesarias
Técnica 1: Eliminar NA
produccion1 <- produccion
produccion1 [is.na(produccion1)]<-0
summary (produccion1)## CLIENTE ID.FORM PRODUCTO PIEZAS.PROG.
## Length:1614 Length:1614 Length:1614 Length:1614
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## TMO..MIN. HR..FIN ESTACION.ARRANQUE Laminas.procesadas.
## Min. : 0.00 Length:1614 Length:1614 Length:1614
## 1st Qu.: 0.00 Class :character Class :character Class :character
## Median : 15.00 Mode :character Mode :character Mode :character
## Mean : 16.03
## 3rd Qu.: 25.00
## Max. :120.00
## INICIO.SEP.UP fin.de.set.up INICIO.de.PROCESO FIN.de.PROCESO
## Length:1614 Length:1614 Length:1614 Length:1614
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## TIEMPO.CALIDAD TIEMPO.MATERIALES. X
## Length:1614 Min. : 0.0000 Min. :0.00000
## Class :character 1st Qu.: 0.0000 1st Qu.:0.00000
## Mode :character Median : 0.0000 Median :0.00000
## Mean : 0.5719 Mean :0.01177
## 3rd Qu.: 0.0000 3rd Qu.:0.00000
## Max. :51.0000 Max. :5.00000Técnica 2: Eliminar columnas.
produccion1 <- subset(produccion1, select = -c (ID.FORM, PRODUCTO, HR..FIN , ESTACION.ARRANQUE, INICIO.SEP.UP, fin.de.set.up, INICIO.de.PROCESO, FIN.de.PROCESO, X))
produccion1 <- subset(produccion1, select = -c (TIEMPO.MATERIALES.))Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa continua
Elige la escala de medición de cada variable.
Variable<-c("CLIENTE", "PIEZAS.PROG.", "TMO..MIN.", "Laminas.procesadas.", "TIEMPO.CALIDAD")
Type<-c("cualitativa", "cuantitativa discreta", "cuantitativa continua ", "cuantitativa discreta", "cuantitativa continua ")
Measurement <-c("NA", "unidades", "minutos", "unidades", "hora")
table<-data.frame(Variable,Type, Measurement)
knitr::kable(table)| Variable | Type | Measurement |
|---|---|---|
| CLIENTE | cualitativa | NA |
| PIEZAS.PROG. | cuantitativa discreta | unidades |
| TMO..MIN. | cuantitativa continua | minutos |
| Laminas.procesadas. | cuantitativa discreta | unidades |
| TIEMPO.CALIDAD | cuantitativa continua | hora |
Análisis Estadístico
Gráfico cuantitativo:
# install.packages("ggplot2")
library(ggplot2)##
## Attaching package: 'ggplot2'## The following objects are masked from 'package:psych':
##
## %+%, alphaggplot(produccion1, aes(x=CLIENTE, y=TIEMPO.CALIDAD)) +
geom_bar(stat="identity", fill="orange") + scale_fill_grey() + # Add bars to the plot
labs(title = "Relación de Cliente y Tiempo de calidad", # Add a title
subtitle = "RH empresa FORM", # Add a subtitle
caption = "Relación", # Add a caption
x = "Cliente")
Gráfico de dispersión
plot(produccion1$PIEZAS.PROG. ~ produccion1$Laminas.procesadas, horizontal = TRUE)## Warning in xy.coords(x, y, xlabel, ylabel, log): NAs introduced by coercion
## Warning in xy.coords(x, y, xlabel, ylabel, log): NAs introduced by coercion## 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:
Lo primero que se propone hacer, aunque se aplicaron 2 términos de limpiezas de bases de datos, es corregir o innovar la manera de cómo se recopilan los datos. Esto es muy importante ya que, es una manera de tener un control más organizado y poder empezar a realmente a utilizar los análisis de datos.
La segunda propuesta sería enfocada en el tiempo de calidad. Observando la gráfica que se utilizaron la relación de las variables de tiempo de calidad y los clientes, se observa como no está distribuido en una manera proporcional. Se puede ver claramente una forma de “favoritismo” y esto pudiera afectar a la retroalimentación de los demás clientes. Distribución para retener a los clientes y generar también atraer a los demás.
Scrap
Análisis de las variables relevantes
Importar las bases de datos
# file.choose()
scrap<- read.csv("/Users/mayracampoyramos/Desktop/Analisis de Datos Concentracion/Reto/FORM - Scrap.csv")¿Cuántas variables y cuantos registros tiene la base de datos?
# Instalar librerias
# install.packages("dplyr")
library(dplyr)
# install.packages("psych")
library(psych)
#Sacar número de variables:
describeData(scrap,head=1,tail=1)## n.obs = 251 of which 251 are complete cases. Number of variables = 9 of which all are numeric FALSE
## variable # n.obs type H1
## Referencia* 1 251 3 agosto 2022 (250)
## Fecha* 2 251 3
## Producto* 3 251 3
## Cantidad 4 251 1 1674.002
## Unidad.de.medida* 5 251 3
## Ubicación.de.origen* 6 251 3
## Ubicación.de.desecho* 7 251 3
## Estado* 8 251 3
## Hora* 9 251 3
## T1
## Referencia* SP/08479
## Fecha* 01/08/22
## Producto* [N61506747 TAPA] N61506747. Kit. Tapa.
## Cantidad 1
## Unidad.de.medida* Unidad(es)
## Ubicación.de.origen* SAB/Calidad/Entrega de PT
## Ubicación.de.desecho* Virtual Locations/Scrapped
## Estado* Hecho
## Hora* 13:59:47#R: Existen 19 variables y 251 registros en la base de datos.Aplica al menos 2 técnicas de limpieza de bases de datos y explícalas brevemente, ¿por qué realizaste esas técnicas?
Entender la base de datos
summary(scrap)## Referencia Fecha Producto Cantidad
## Length:251 Length:251 Length:251 Min. : 0.00
## Class :character Class :character Class :character 1st Qu.: 1.00
## Mode :character Mode :character Mode :character Median : 2.00
## Mean : 13.34
## 3rd Qu.: 7.00
## Max. :1674.00
## Unidad.de.medida Ubicación.de.origen Ubicación.de.desecho Estado
## Length:251 Length:251 Length:251 Length:251
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## Hora
## Length:251
## Class :character
## Mode :character
##
##
## Observaciones
Se cuenta con una fila al inecesaria
Se cuentan con variables inecesarias
Técnica 1: Eliminar columna.
scrap1<- scrap [-1,]Técnica 2: Eliminar variables
scrap1 <- subset(scrap1, select = -c ( Referencia, Producto,Unidad.de.medida, Ubicación.de.desecho, Estado, Hora))
summary(scrap1)## Fecha Cantidad Ubicación.de.origen
## Length:250 Min. : 0.000 Length:250
## Class :character 1st Qu.: 1.000 Class :character
## Mode :character Median : 2.000 Mode :character
## Mean : 6.696
## 3rd Qu.: 7.000
## Max. :96.000Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa continua
Elige la escala de medición de cada variable.
Variable<-c("Fecha", "Cantidad", "Ubicación.de.origen")
Type<-c("cuantitativa continua ", "cuantitativa discreta", "cualitativa")
Measurement <-c("dia", "cantidad generada", "NA")
table<-data.frame(Variable,Type, Measurement)
knitr::kable(table)| Variable | Type | Measurement |
|---|---|---|
| Fecha | cuantitativa continua | dia |
| Cantidad | cuantitativa discreta | cantidad generada |
| Ubicación.de.origen | cualitativa | NA |
Análisis Estadístico
Gráfico cualitativo (Pay):
pie(table(scrap1$Ubicación.de.origen))
Gráfico de dispersion
# install.packages("ggplot2")
library("ggplot2")
library("tidyverse")## ── Attaching packages ─────────────────────────────────────── tidyverse 1.3.2 ──
## ✔ tibble 3.1.8 ✔ purrr 0.3.4
## ✔ tidyr 1.2.0 ✔ stringr 1.4.1
## ✔ readr 2.1.2 ✔ forcats 0.5.2
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ ggplot2::%+%() masks psych::%+%()
## ✖ ggplot2::alpha() masks psych::alpha()
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()ggplot(data = scrap1, mapping = aes(Ubicación.de.origen, Cantidad)) + geom_point() + theme_bw()
Propuestas:
Al analizar los gráficos se puede observar que la mayoría del scrap viene de la pre-producción por esto se debe obtener el “número ideal para las compras” es necesario mucho análisis del stock, de la línea de producción y de las ventas.Como FORM funciona en cadena, se hace necesario un análisis holístico de todas las operaciones para entonces definir las cantidades de materia exacta adquiridas.
La segunda propuesta sería analizar las oportunidades de negocio que se pueden implementar para darle una mejor manera de desecho y en una parte se genera más ingreso.
Merma
Análisis de las variables relevantes
Importar las bases de datos
# file.choose()
merma<- read.csv("/Users/mayracampoyramos/Desktop/Analisis de Datos Concentracion/Reto/FORM - Merma 1.csv")¿Cuántas variables y cuantos registros tiene la base de datos?
#Sacar número de variables:
describeData(merma,head=1,tail=1)## n.obs = 60 of which 60 are complete cases. Number of variables = 3 of which all are numeric FALSE
## variable # n.obs type H1 T1
## Fecha* 1 60 3 11/01/22
## Mes* 2 60 3 ENERO Total general
## Kilos* 3 60 3 5080 185,426#R: Existen 3 variables y 60 registros en la base de datos.Aplica al menos 2 técnicas de limpieza de bases de datos y explícalas brevemente, ¿por qué realizaste esas técnicas?
Entender la base de datos
summary(merma)## Fecha Mes Kilos
## Length:60 Length:60 Length:60
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :characterObservaciones
No estan en enteros los kilos de merma
Existen filas inecesarias
Técnica 1: Eliminar totales
merma1<- merma[-c(5,12,19,25,31,36,42,54,59,60),]Técnica 2: Convertir caracter a entero.
merma1$Kilos <- as.integer(merma1$Kilos)
str(merma1)## 'data.frame': 50 obs. of 3 variables:
## $ Fecha: chr "11/01/22" "11/01/22" "22/01/22" "22/01/22" ...
## $ Mes : chr "ENERO" "ENERO" "ENERO" "ENERO" ...
## $ Kilos: int 5080 3810 2990 2680 3650 4380 3870 3590 3410 3930 ...Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa continua
Elige la escala de medición de cada variable.
Variable<-c("Fecha", "Mes", "Kilos")
Type<-c("cuantitativa continua ", "cualitativa", "cuantitativa discreta")
Measurement <-c("dia", "NA", "cantidad")
table<-data.frame(Variable,Type, Measurement)
knitr::kable(table)| Variable | Type | Measurement |
|---|---|---|
| Fecha | cuantitativa continua | dia |
| Mes | cualitativa | NA |
| Kilos | cuantitativa discreta | cantidad |
Análisis Estadístico
Tabla de frecuencia
table(merma1$Mes, merma1$Kilos)##
## 790 810 1040 2130 2480 2680 2830 2950 2980 2990 3050 3140 3290
## ABRIL 0 0 0 0 0 0 0 1 0 0 0 0 0
## AGOSTO 1 1 1 0 1 0 0 0 0 0 0 2 0
## ENERO 0 0 0 0 0 1 0 0 0 1 0 0 0
## FEBRERO 0 0 0 0 0 0 0 0 0 0 0 0 0
## JULIO 0 0 0 1 0 0 0 0 0 0 0 0 0
## JUNIO 0 0 0 0 0 0 0 0 0 0 0 0 0
## MARZO 0 0 0 0 0 0 0 0 1 0 0 0 1
## MAYO 0 0 0 0 0 0 0 0 0 0 0 0 0
## SEPTIEMBRE 0 0 0 0 0 0 1 0 0 0 1 0 0
##
## 3410 3590 3650 3680 3690 3739 3780 3810 3870 3920 3930 3940 3960
## ABRIL 0 0 0 0 1 0 0 0 0 0 0 1 0
## AGOSTO 0 0 0 0 0 0 1 0 0 0 0 0 0
## ENERO 0 0 0 0 0 0 0 1 0 0 0 0 0
## FEBRERO 1 1 1 0 0 0 0 0 1 0 1 0 0
## JULIO 0 0 0 0 0 0 0 0 0 1 0 0 1
## JUNIO 0 0 0 0 0 0 0 0 0 0 0 0 0
## MARZO 0 0 0 0 0 0 0 1 0 0 0 0 0
## MAYO 0 0 0 1 0 0 0 0 0 0 0 0 0
## SEPTIEMBRE 0 0 0 0 0 1 0 0 0 0 0 0 0
##
## 3967 4000 4050 4130 4190 4200 4210 4240 4260 4270 4310 4330 4380
## ABRIL 0 0 1 0 1 0 0 0 0 0 0 0 0
## AGOSTO 0 0 0 0 0 1 1 1 0 1 0 0 0
## ENERO 0 0 0 0 0 0 0 0 0 0 0 0 0
## FEBRERO 0 0 0 0 0 0 0 0 0 0 0 0 1
## JULIO 0 0 0 1 0 0 0 0 0 0 0 0 0
## JUNIO 0 0 0 0 0 0 0 0 1 0 0 1 0
## MARZO 0 1 0 0 1 1 0 0 0 0 0 0 0
## MAYO 0 0 0 0 0 0 0 0 0 0 1 0 0
## SEPTIEMBRE 1 0 0 0 0 0 0 0 0 0 0 0 0
##
## 4510 4680 4770 5010 5080 5230 6140
## ABRIL 0 0 0 0 0 0 0
## AGOSTO 0 0 0 0 0 0 0
## ENERO 0 0 0 0 1 0 0
## FEBRERO 0 0 0 0 0 0 0
## JULIO 0 0 0 0 0 1 0
## JUNIO 0 1 0 1 0 0 0
## MARZO 0 0 0 0 0 0 0
## MAYO 1 0 1 0 0 0 1
## SEPTIEMBRE 0 0 0 0 0 0 0prop.table(table(merma1$Mes, merma1$Kilos))##
## 790 810 1040 2130 2480 2680 2830 2950 2980 2990 3050 3140 3290
## ABRIL 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.02 0.00 0.00 0.00 0.00 0.00
## AGOSTO 0.02 0.02 0.02 0.00 0.02 0.00 0.00 0.00 0.00 0.00 0.00 0.04 0.00
## ENERO 0.00 0.00 0.00 0.00 0.00 0.02 0.00 0.00 0.00 0.02 0.00 0.00 0.00
## FEBRERO 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
## JULIO 0.00 0.00 0.00 0.02 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
## JUNIO 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
## MARZO 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.02 0.00 0.00 0.00 0.02
## MAYO 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
## SEPTIEMBRE 0.00 0.00 0.00 0.00 0.00 0.00 0.02 0.00 0.00 0.00 0.02 0.00 0.00
##
## 3410 3590 3650 3680 3690 3739 3780 3810 3870 3920 3930 3940 3960
## ABRIL 0.00 0.00 0.00 0.00 0.02 0.00 0.00 0.00 0.00 0.00 0.00 0.02 0.00
## AGOSTO 0.00 0.00 0.00 0.00 0.00 0.00 0.02 0.00 0.00 0.00 0.00 0.00 0.00
## ENERO 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.02 0.00 0.00 0.00 0.00 0.00
## FEBRERO 0.02 0.02 0.02 0.00 0.00 0.00 0.00 0.00 0.02 0.00 0.02 0.00 0.00
## JULIO 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.02 0.00 0.00 0.02
## JUNIO 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
## MARZO 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.02 0.00 0.00 0.00 0.00 0.00
## MAYO 0.00 0.00 0.00 0.02 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
## SEPTIEMBRE 0.00 0.00 0.00 0.00 0.00 0.02 0.00 0.00 0.00 0.00 0.00 0.00 0.00
##
## 3967 4000 4050 4130 4190 4200 4210 4240 4260 4270 4310 4330 4380
## ABRIL 0.00 0.00 0.02 0.00 0.02 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
## AGOSTO 0.00 0.00 0.00 0.00 0.00 0.02 0.02 0.02 0.00 0.02 0.00 0.00 0.00
## ENERO 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
## FEBRERO 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.02
## JULIO 0.00 0.00 0.00 0.02 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
## JUNIO 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.02 0.00 0.00 0.02 0.00
## MARZO 0.00 0.02 0.00 0.00 0.02 0.02 0.00 0.00 0.00 0.00 0.00 0.00 0.00
## MAYO 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.02 0.00 0.00
## SEPTIEMBRE 0.02 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
##
## 4510 4680 4770 5010 5080 5230 6140
## ABRIL 0.00 0.00 0.00 0.00 0.00 0.00 0.00
## AGOSTO 0.00 0.00 0.00 0.00 0.00 0.00 0.00
## ENERO 0.00 0.00 0.00 0.00 0.02 0.00 0.00
## FEBRERO 0.00 0.00 0.00 0.00 0.00 0.00 0.00
## JULIO 0.00 0.00 0.00 0.00 0.00 0.02 0.00
## JUNIO 0.00 0.02 0.00 0.02 0.00 0.00 0.00
## MARZO 0.00 0.00 0.00 0.00 0.00 0.00 0.00
## MAYO 0.02 0.00 0.02 0.00 0.00 0.00 0.02
## SEPTIEMBRE 0.00 0.00 0.00 0.00 0.00 0.00 0.00Gráfico de dispersion
# install.packages("ggplot2")
library(ggplot2)
ggplot(data=merma1, mapping = aes(Mes, Kilos)) + geom_point() + theme_bw()
Propuestas:
La generación de merma es un punto de oportunidad para FORM. Por esto se propone buscar una empresa en Nuevo León de reciclaje donde se obtenga un beneficio monetario a cambio. De esta manera, podríamos buscar un área de negocio.
La segunda propuesta sería analizar las oportunidades de productos hechos de cartón. Esto sería como abrir un modelo de negocio de la venta de cartón en cajas para más uso comercial.
Incluye una breve reflexión de la actividad.
En esta actividad se realizó un análisis a 3 distintas bases de datos del socio formador FORM, base de datos de la producción de cartón, el scrap y la merma. Al resolver esta actividad pude implementar los conocimientos de los módulos que se han visto de la concentración. De la misma manera, es más importante llegar al análisis y poder tener como resultado propuestas o estrategias para crear un bien al socio formador.
---
title: <span style = "color:brown"> "Entregable 2.4"
author: "Mayra Campoy Ramos"
date: "2022-09-23"
output: 
  html_document:
    toc: true
    toc_float: true
    code_download: true
---
<img src= "/Users/mayracampoyramos/Downloads/1876445.jpeg">

# **Producción** 

## *Análisis de las variables relevantes*

#### Importar las bases de datos
```{r}
# file.choose()
produccion<- read.csv("/Users/mayracampoyramos/Desktop/Analisis de Datos Concentracion/Reto/Produccion de FORM sept.csv")
```
### *¿Cuántas variables y cuantos registros tiene la base de datos?*

```{r}
# Instalar librerias

# install.packages("dplyr")
library(dplyr)
# install.packages("psych")
library(psych)

#Sacar número de variables:
describeData(produccion,head=1,tail=1)

#R: Existen 15 variables y 1614 registros en la base de datos.
```

### *Aplica al menos 2 técnicas de limpieza de bases de datos y explícalas brevemente, ¿por qué realizaste esas técnicas?*

#### Entender la base de datos

```{r}
summary(produccion)
```

#### Observaciones
##### Hay muchos NA´s
##### Se cuentan con variables inecesarias 

### Técnica 1: Eliminar NA
```{r}
produccion1 <- produccion 
produccion1 [is.na(produccion1)]<-0 

summary (produccion1)
```

### Técnica 2: Eliminar columnas.
```{r}
produccion1 <- subset(produccion1, select = -c (ID.FORM, PRODUCTO, HR..FIN , ESTACION.ARRANQUE, INICIO.SEP.UP, fin.de.set.up, INICIO.de.PROCESO, FIN.de.PROCESO, X))
produccion1 <- subset(produccion1, select = -c (TIEMPO.MATERIALES.))

```

### *Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa continua*
### *Elige la escala de medición de cada variable.*
```{r}
Variable<-c("CLIENTE", "PIEZAS.PROG.", "TMO..MIN.", "Laminas.procesadas.", "TIEMPO.CALIDAD")
Type<-c("cualitativa", "cuantitativa discreta", "cuantitativa continua ", "cuantitativa discreta", "cuantitativa continua ")
Measurement <-c("NA", "unidades", "minutos", "unidades", "hora")
table<-data.frame(Variable,Type, Measurement)
knitr::kable(table)
```

## *Análisis Estadístico*

### *Gráfico cuantitativo:*
```{r}
# install.packages("ggplot2")
library(ggplot2)

ggplot(produccion1, aes(x=CLIENTE, y=TIEMPO.CALIDAD)) +
  geom_bar(stat="identity", fill="orange") + scale_fill_grey() + # Add bars to the plot
  labs(title = "Relación de Cliente y Tiempo de calidad", # Add a title
       subtitle = "RH empresa FORM", # Add a subtitle
       caption = "Relación", # Add a caption
       x = "Cliente")
```

### *Gráfico de dispersión*
```{r}
plot(produccion1$PIEZAS.PROG. ~ produccion1$Laminas.procesadas, horizontal = TRUE)
```

### *Propuestas*:

#### Lo primero que se propone hacer, aunque se aplicaron 2 términos de limpiezas de bases de datos, es corregir o innovar la manera de cómo se recopilan los datos. Esto es muy importante ya que, es una manera de tener un control más organizado y poder empezar a realmente a utilizar los análisis de datos. 

#### La segunda propuesta sería enfocada en el tiempo de calidad. Observando la gráfica que se utilizaron la relación de las variables de tiempo de calidad y  los clientes, se observa como no está distribuido en una manera proporcional. Se puede ver claramente una forma de “favoritismo” y esto pudiera afectar a la retroalimentación de los demás clientes. Distribución para retener a los clientes y generar también atraer a los demás. 

# **Scrap** 

## *Análisis de las variables relevantes*

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

### *¿Cuántas variables y cuantos registros tiene la base de datos?*
```{r}
# Instalar librerias

# install.packages("dplyr")
library(dplyr)
# install.packages("psych")
library(psych)

#Sacar número de variables:
describeData(scrap,head=1,tail=1)

#R: Existen 19 variables y 251 registros en la base de datos.
```

### *Aplica al menos 2 técnicas de limpieza de bases de datos y explícalas brevemente, ¿por qué realizaste esas técnicas?*

#### Entender la base de datos

```{r}
summary(scrap)
```

#### Observaciones
##### Se cuenta con una fila al inecesaria
##### Se cuentan con variables inecesarias 

### Técnica 1: Eliminar columna.
```{r}
scrap1<- scrap [-1,]

```

### Técnica 2: Eliminar variables
```{r}
scrap1 <- subset(scrap1, select = -c ( Referencia, Producto,Unidad.de.medida, Ubicación.de.desecho, Estado, Hora))

summary(scrap1)
```

### *Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa continua*
### *Elige la escala de medición de cada variable.*
```{r}
Variable<-c("Fecha", "Cantidad", "Ubicación.de.origen")
Type<-c("cuantitativa continua ", "cuantitativa discreta", "cualitativa")
Measurement <-c("dia", "cantidad generada", "NA")
table<-data.frame(Variable,Type, Measurement)
knitr::kable(table)
```

## *Análisis Estadístico*

### *Gráfico cualitativo (Pay):*
```{r}
pie(table(scrap1$Ubicación.de.origen))
```

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

ggplot(data = scrap1, mapping = aes(Ubicación.de.origen, Cantidad)) + geom_point() + theme_bw()
```

### *Propuestas*:

#### Al analizar los gráficos se puede observar que la mayoría del scrap viene de la pre-producción por esto se debe obtener el “número ideal para las compras” es necesario mucho análisis del stock, de la línea de producción y de las ventas.Como FORM funciona en cadena, se hace necesario un análisis holístico de todas las operaciones para entonces definir las cantidades de materia exacta adquiridas.

#### La segunda propuesta sería analizar las oportunidades de negocio que se pueden implementar para darle una mejor manera de desecho y en una parte se genera más ingreso. 

# **Merma**

## *Análisis de las variables relevantes*

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

### *¿Cuántas variables y cuantos registros tiene la base de datos?*
```{r}
#Sacar número de variables:
describeData(merma,head=1,tail=1)

#R: Existen 3 variables y 60 registros en la base de datos.
```

### *Aplica al menos 2 técnicas de limpieza de bases de datos y explícalas brevemente, ¿por qué realizaste esas técnicas?*

#### Entender la base de datos

```{r}
summary(merma)
```

#### Observaciones
##### No estan en enteros los kilos de merma
##### Existen filas inecesarias

### Técnica 1: Eliminar totales
```{r}
merma1<- merma[-c(5,12,19,25,31,36,42,54,59,60),]
```

### Técnica 2: Convertir caracter a entero.
```{r}
merma1$Kilos <- as.integer(merma1$Kilos)
str(merma1)
```

### *Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa continua*
### *Elige la escala de medición de cada variable.*
```{r}
Variable<-c("Fecha", "Mes", "Kilos")
Type<-c("cuantitativa continua ", "cualitativa", "cuantitativa discreta")
Measurement <-c("dia", "NA", "cantidad")
table<-data.frame(Variable,Type, Measurement)
knitr::kable(table)
```

## *Análisis Estadístico*

### *Tabla de frecuencia*
```{r}
table(merma1$Mes, merma1$Kilos)
prop.table(table(merma1$Mes, merma1$Kilos))
```

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

ggplot(data=merma1, mapping = aes(Mes, Kilos)) + geom_point() + theme_bw()
```

### *Propuestas*:

#### La generación de merma es un punto de oportunidad para FORM. Por esto se propone buscar una empresa en Nuevo León de reciclaje donde se obtenga un beneficio monetario a cambio. De esta manera, podríamos buscar un área de negocio. 

#### La segunda propuesta sería analizar las oportunidades de productos hechos de cartón. Esto sería como abrir un modelo de negocio de la venta de cartón en cajas para más uso comercial. 


# **Incluye una breve reflexión de la actividad.**

En esta actividad se realizó un análisis a 3 distintas bases de datos del socio formador FORM, base de datos de la producción de cartón, el scrap y la merma. Al resolver esta actividad pude implementar los conocimientos de los módulos que se han visto de la concentración. De la misma manera, es más importante llegar al análisis y poder tener como resultado propuestas o estrategias para crear un bien al socio formador. 