“Producción FORM”
Carlos González Ayerdi A00829126
2022-09-27
#file.choose()
bd <- read.csv("/Users/carlosgonzalez/Desktop/FORM - Producción Carton.csv")
library(plyr)Comenzaremos entendiendo la base de datos
summary(bd)## No. CLIENTE ID.FORM P..DUCTO
## Min. : 1 Length:2469 Length:2469 Length:2469
## 1st Qu.: 618 Class :character Class :character Class :character
## Median :1235 Mode :character Mode :character Mode :character
## Mean :1235
## 3rd Qu.:1852
## Max. :2469
##
## PIEZAS.P..G. TMO..MIN. HR..FIN ESTACION.AR..NQUE
## Min. : 1.0 Length:2469 Length:2469 Length:2469
## 1st Qu.: 100.0 Class :character Class :character Class :character
## Median : 160.0 Mode :character Mode :character Mode :character
## Mean : 182.7
## 3rd Qu.: 208.0
## Max. :1280.0
## NA's :1
## Laminas.procesadas INICIO.SEP.UP FIN.INICIO.DE.SEP.UP INICIO.de.P....SO
## Min. : 0.0 Length:2469 Length:2469 Length:2469
## 1st Qu.: 0.0 Class :character Class :character Class :character
## Median : 56.5 Mode :character Mode :character Mode :character
## Mean : 108.5
## 3rd Qu.: 200.0
## Max. :1125.0
## NA's :561
## FIN.de.P....SO TIEMPO..CALIDAD TIEMPO.MATERIALES MERMAS.Maquinas.
## Length:2469 Length:2469 Min. : 0.000 Min. : 0.000
## Class :character Class :character 1st Qu.: 0.000 1st Qu.: 0.000
## Mode :character Mode :character Median : 0.000 Median : 1.000
## Mean : 2.321 Mean : 1.626
## 3rd Qu.: 1.000 3rd Qu.: 1.000
## Max. :48.000 Max. :50.000
## NA's :2148 NA's :2362
## Date
## Length:2469
## Class :character
## Mode :character
##
##
##
## Identificar numero de registros y variables
str(bd)## 'data.frame': 2469 obs. of 17 variables:
## $ No. : int 1 2 3 4 5 6 7 8 9 10 ...
## $ CLIENTE : chr "VARROC" "VARROC" "VARROC" "DENSO" ...
## $ ID.FORM : chr "VL-017-13938" "VL-017-13936" "VL-017-14729" "" ...
## $ P..DUCTO : chr "763 . KIT. JA." "747 KIT. JA HSC. ( 2 Partes)" "747 KIT. TAPA." "TOYOTA. MCV. Insterto D 2R. CORTE. 1 Golpe = 12 piezas. ( 9 Pza. / da)." ...
## $ PIEZAS.P..G. : int 199 57 68 192 192 400 80 104 104 160 ...
## $ TMO..MIN. : chr "15" "10" "10" "15" ...
## $ HR..FIN : chr "9:15" "9:25" "9:35" "9:50" ...
## $ ESTACION.AR..NQUE : chr "C1" "C1Y2" "C1Y2" "C1" ...
## $ Laminas.procesadas : int 201 116 69 49 49 801 41 53 53 55 ...
## $ INICIO.SEP.UP : chr "9:00" "9:26" "10:02" "10:12" ...
## $ FIN.INICIO.DE.SEP.UP: chr "9:12" "9:31" "10:09" "10.17" ...
## $ INICIO.de.P....SO : chr "9:13" "9:32" "10:09" "10:18" ...
## $ FIN.de.P....SO : chr "9:26" "9:53" "10.12" "10:20" ...
## $ TIEMPO..CALIDAD : chr "1" "1" "1" "1" ...
## $ TIEMPO.MATERIALES : int NA NA NA NA NA 3 NA NA NA NA ...
## $ MERMAS.Maquinas. : int NA NA NA NA NA NA NA NA NA NA ...
## $ Date : chr "01/08/22" "01/08/22" "01/08/22" "01/08/22" ...Hallazgos: Existen 20 variables y 2567 registros
Identificar tipos de variables y escalas de medición
Variable <-c("$ No.","$ CLIENTE", "$ ID.FORM", "$ P.DUCTO","$ PIEZAS.P.G.", "$ TMO..MIN.","$ HR..FIN","$ ESTACION.AR..NQUE","Laminas.procesadas","$ INICIO.SEP.UP","$ FIN.INICIO.DE.SEP.UP","$ INICIO.de.P..SO","$ FIN.de.P..SO","TIEMPO..CALIDAD","$ TIEMPO.MATERIALES","$ MERMAS.Maquinas.", "$ Date")
Type <-c("Cuantitativa (discreta)", "Cualitativa", "Cuantitativa (discreta)", "Cualitative", "Cuantitativa (discreta)", "Cuantitativa (discreta)", "Cuantitativa (discreta)", "Cualitativa", "Cuantitativa (discreta)", "Cuantitativa (discreta)", "Cuantitativa (discreta)", "Cuantitativa (discreta)","Cuantitativa (discreta)","Cuantitativa (discreta)","Cuantitativa (discreta)","Cuantitativa (discreta)","Cuantitativa (discreta)")
Scale <-c("Numero", "Empresa", "ID", "Categoria", "Piezas", "Minutos", "Tiempo", "Maquinaria", "Sobrantes", "Hora", "Hora", "Hora","Hora","Tiempo","Tiempo","Mermas","Fecha")
clasificacion <- data.frame(Variable, Type, Scale)
clasificacion## Variable Type Scale
## 1 $ No. Cuantitativa (discreta) Numero
## 2 $ CLIENTE Cualitativa Empresa
## 3 $ ID.FORM Cuantitativa (discreta) ID
## 4 $ P.DUCTO Cualitative Categoria
## 5 $ PIEZAS.P.G. Cuantitativa (discreta) Piezas
## 6 $ TMO..MIN. Cuantitativa (discreta) Minutos
## 7 $ HR..FIN Cuantitativa (discreta) Tiempo
## 8 $ ESTACION.AR..NQUE Cualitativa Maquinaria
## 9 Laminas.procesadas Cuantitativa (discreta) Sobrantes
## 10 $ INICIO.SEP.UP Cuantitativa (discreta) Hora
## 11 $ FIN.INICIO.DE.SEP.UP Cuantitativa (discreta) Hora
## 12 $ INICIO.de.P..SO Cuantitativa (discreta) Hora
## 13 $ FIN.de.P..SO Cuantitativa (discreta) Hora
## 14 TIEMPO..CALIDAD Cuantitativa (discreta) Tiempo
## 15 $ TIEMPO.MATERIALES Cuantitativa (discreta) Tiempo
## 16 $ MERMAS.Maquinas. Cuantitativa (discreta) Mermas
## 17 $ Date Cuantitativa (discreta) FechaMetodo de limpieza: Reemplazar NA’s con ceros
library(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:plyr':
##
## arrange, count, desc, failwith, id, mutate, rename, summarise,
## summarize## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionbd[is.na(bd)]<-0
summary(bd)## No. CLIENTE ID.FORM P..DUCTO
## Min. : 1 Length:2469 Length:2469 Length:2469
## 1st Qu.: 618 Class :character Class :character Class :character
## Median :1235 Mode :character Mode :character Mode :character
## Mean :1235
## 3rd Qu.:1852
## Max. :2469
## PIEZAS.P..G. TMO..MIN. HR..FIN ESTACION.AR..NQUE
## Min. : 0.0 Length:2469 Length:2469 Length:2469
## 1st Qu.: 100.0 Class :character Class :character Class :character
## Median : 160.0 Mode :character Mode :character Mode :character
## Mean : 182.7
## 3rd Qu.: 208.0
## Max. :1280.0
## Laminas.procesadas INICIO.SEP.UP FIN.INICIO.DE.SEP.UP INICIO.de.P....SO
## Min. : 0.00 Length:2469 Length:2469 Length:2469
## 1st Qu.: 0.00 Class :character Class :character Class :character
## Median : 29.00 Mode :character Mode :character Mode :character
## Mean : 83.87
## 3rd Qu.: 122.00
## Max. :1125.00
## FIN.de.P....SO TIEMPO..CALIDAD TIEMPO.MATERIALES MERMAS.Maquinas.
## Length:2469 Length:2469 Min. : 0.0000 Min. : 0.00000
## Class :character Class :character 1st Qu.: 0.0000 1st Qu.: 0.00000
## Mode :character Mode :character Median : 0.0000 Median : 0.00000
## Mean : 0.3017 Mean : 0.07047
## 3rd Qu.: 0.0000 3rd Qu.: 0.00000
## Max. :48.0000 Max. :50.00000
## Date
## Length:2469
## Class :character
## Mode :character
##
##
## Tras la acción anterior, restaron 6 variables con 2469 registros respectivamente, las cuales se utilizaran en la posterioridad para el análisis
Se eliminaron columnas/datos irrelevantes que no son necesariamente de utilidad para el fin ultimo de nuestra investigacion y posterior analisis
Eliminar Columnas/datos irrelevantes
bd1 <- bd
bd1<-subset(bd1,select=-c(No.,ID.FORM, P..DUCTO,HR..FIN, ESTACION.AR..NQUE, INICIO.SEP.UP, FIN.INICIO.DE.SEP.UP,INICIO.de.P....SO, FIN.de.P....SO, TIEMPO.MATERIALES, MERMAS.Maquinas.))
str(bd1)## 'data.frame': 2469 obs. of 6 variables:
## $ CLIENTE : chr "VARROC" "VARROC" "VARROC" "DENSO" ...
## $ PIEZAS.P..G. : num 199 57 68 192 192 400 80 104 104 160 ...
## $ TMO..MIN. : chr "15" "10" "10" "15" ...
## $ Laminas.procesadas: num 201 116 69 49 49 801 41 53 53 55 ...
## $ TIEMPO..CALIDAD : chr "1" "1" "1" "1" ...
## $ Date : chr "01/08/22" "01/08/22" "01/08/22" "01/08/22" ...#Se eliminaron columnas/datos irrelevantes que no son necesariamente de utilidad para el fin ultimo de nuestra investigacion y posterior analisis
Tabla de frecuencia
#install.packages("epiDisplay")
library(epiDisplay)## Loading required package: foreign## Loading required package: survival## Loading required package: MASS##
## Attaching package: 'MASS'## The following object is masked from 'package:dplyr':
##
## select## Loading required package: nnettab1<-table(bd1$CLIENTE, bd1$TIEMPO..CALIDAD)
tab1##
## 0 1 1:22 1.4 10 10:00 10:04 10:17 11 11:22
## 5 15 0 0 0 0 0 0 0 0 0
## DENSO 46 37 164 0 0 0 0 0 0 0 0
## HEL 3 0 0 0 0 0 0 0 0 0 0
## HELLA 12 18 47 0 0 0 0 0 0 0 0
## MERIDIAN LIGHTWEIGHT 7 11 18 0 0 1 0 0 0 0 0
## STABILUS 1 132 115 455 0 1 2 1 1 0 1 1
## STABILUS 3 144 68 177 0 0 0 0 0 1 0 0
## STABILUS 3. 1 4 13 0 0 0 0 0 0 0 0
## TRMX 153 79 193 1 0 0 0 0 0 0 0
## VARROC 12 27 91 0 0 1 0 0 0 1 0
## VL-017-14086 0 1 0 0 0 0 0 0 0 0 0
## YANFENG 86 90 162 0 0 2 0 0 0 0 0
##
## 11:43 11:55 12:30 12:45 12:53 17 2 2:15 2:20 2:42 21
## 0 0 0 0 0 0 0 0 0 0 0
## DENSO 0 0 0 0 0 0 1 0 0 0 0
## HEL 0 0 0 0 0 0 0 0 0 0 0
## HELLA 0 0 0 0 0 0 0 0 0 0 0
## MERIDIAN LIGHTWEIGHT 0 0 0 0 0 0 2 0 0 0 0
## STABILUS 1 1 0 1 0 0 0 11 0 0 0 0
## STABILUS 3 0 0 0 0 0 0 5 0 0 0 0
## STABILUS 3. 0 0 0 0 0 0 0 0 0 0 0
## TRMX 0 1 0 1 1 1 4 1 0 0 0
## VARROC 0 0 0 0 0 0 6 0 0 0 1
## VL-017-14086 0 0 0 0 0 0 0 0 0 0 0
## YANFENG 0 0 0 0 0 0 6 0 1 1 0
##
## 22 3 3:15 4 5 7 8 8:18 8:38 9 9:05 9:30
## 0 0 0 0 0 0 0 0 0 0 0 0
## DENSO 0 0 0 0 0 0 0 0 0 0 0 0
## HEL 0 0 0 0 0 0 0 0 0 0 0 0
## HELLA 0 1 0 0 0 0 0 0 0 0 0 0
## MERIDIAN LIGHTWEIGHT 0 1 0 0 0 0 0 0 0 0 0 0
## STABILUS 1 0 2 1 2 2 0 0 0 0 0 0 1
## STABILUS 3 0 0 0 0 0 0 0 1 0 1 0 0
## STABILUS 3. 0 0 0 0 0 0 0 0 0 0 0 0
## TRMX 1 2 0 0 1 0 0 0 1 0 1 0
## VARROC 0 2 0 0 0 1 0 0 0 0 0 0
## VL-017-14086 0 0 0 0 0 0 0 0 0 0 0 0
## YANFENG 0 0 0 0 1 1 1 0 0 0 0 0prop.table(tab1, 2) ##
## 0 1 1:22
## 0.008319468 0.032258065 0.000000000 0.000000000
## DENSO 0.076539101 0.079569892 0.124242424 0.000000000
## HEL 0.004991681 0.000000000 0.000000000 0.000000000
## HELLA 0.019966722 0.038709677 0.035606061 0.000000000
## MERIDIAN LIGHTWEIGHT 0.011647255 0.023655914 0.013636364 0.000000000
## STABILUS 1 0.219633943 0.247311828 0.344696970 0.000000000
## STABILUS 3 0.239600666 0.146236559 0.134090909 0.000000000
## STABILUS 3. 0.001663894 0.008602151 0.009848485 0.000000000
## TRMX 0.254575707 0.169892473 0.146212121 1.000000000
## VARROC 0.019966722 0.058064516 0.068939394 0.000000000
## VL-017-14086 0.000000000 0.002150538 0.000000000 0.000000000
## YANFENG 0.143094842 0.193548387 0.122727273 0.000000000
##
## 1.4 10 10:00 10:04
## 0.000000000 0.000000000 0.000000000 0.000000000
## DENSO 0.000000000 0.000000000 0.000000000 0.000000000
## HEL 0.000000000 0.000000000 0.000000000 0.000000000
## HELLA 0.000000000 0.000000000 0.000000000 0.000000000
## MERIDIAN LIGHTWEIGHT 0.000000000 0.166666667 0.000000000 0.000000000
## STABILUS 1 1.000000000 0.333333333 1.000000000 1.000000000
## STABILUS 3 0.000000000 0.000000000 0.000000000 0.000000000
## STABILUS 3. 0.000000000 0.000000000 0.000000000 0.000000000
## TRMX 0.000000000 0.000000000 0.000000000 0.000000000
## VARROC 0.000000000 0.166666667 0.000000000 0.000000000
## VL-017-14086 0.000000000 0.000000000 0.000000000 0.000000000
## YANFENG 0.000000000 0.333333333 0.000000000 0.000000000
##
## 10:17 11 11:22 11:43
## 0.000000000 0.000000000 0.000000000 0.000000000
## DENSO 0.000000000 0.000000000 0.000000000 0.000000000
## HEL 0.000000000 0.000000000 0.000000000 0.000000000
## HELLA 0.000000000 0.000000000 0.000000000 0.000000000
## MERIDIAN LIGHTWEIGHT 0.000000000 0.000000000 0.000000000 0.000000000
## STABILUS 1 0.000000000 0.500000000 1.000000000 1.000000000
## STABILUS 3 1.000000000 0.000000000 0.000000000 0.000000000
## STABILUS 3. 0.000000000 0.000000000 0.000000000 0.000000000
## TRMX 0.000000000 0.000000000 0.000000000 0.000000000
## VARROC 0.000000000 0.500000000 0.000000000 0.000000000
## VL-017-14086 0.000000000 0.000000000 0.000000000 0.000000000
## YANFENG 0.000000000 0.000000000 0.000000000 0.000000000
##
## 11:55 12:30 12:45 12:53
## 0.000000000 0.000000000 0.000000000 0.000000000
## DENSO 0.000000000 0.000000000 0.000000000 0.000000000
## HEL 0.000000000 0.000000000 0.000000000 0.000000000
## HELLA 0.000000000 0.000000000 0.000000000 0.000000000
## MERIDIAN LIGHTWEIGHT 0.000000000 0.000000000 0.000000000 0.000000000
## STABILUS 1 0.000000000 1.000000000 0.000000000 0.000000000
## STABILUS 3 0.000000000 0.000000000 0.000000000 0.000000000
## STABILUS 3. 0.000000000 0.000000000 0.000000000 0.000000000
## TRMX 1.000000000 0.000000000 1.000000000 1.000000000
## VARROC 0.000000000 0.000000000 0.000000000 0.000000000
## VL-017-14086 0.000000000 0.000000000 0.000000000 0.000000000
## YANFENG 0.000000000 0.000000000 0.000000000 0.000000000
##
## 17 2 2:15 2:20
## 0.000000000 0.000000000 0.000000000 0.000000000
## DENSO 0.000000000 0.028571429 0.000000000 0.000000000
## HEL 0.000000000 0.000000000 0.000000000 0.000000000
## HELLA 0.000000000 0.000000000 0.000000000 0.000000000
## MERIDIAN LIGHTWEIGHT 0.000000000 0.057142857 0.000000000 0.000000000
## STABILUS 1 0.000000000 0.314285714 0.000000000 0.000000000
## STABILUS 3 0.000000000 0.142857143 0.000000000 0.000000000
## STABILUS 3. 0.000000000 0.000000000 0.000000000 0.000000000
## TRMX 1.000000000 0.114285714 1.000000000 0.000000000
## VARROC 0.000000000 0.171428571 0.000000000 0.000000000
## VL-017-14086 0.000000000 0.000000000 0.000000000 0.000000000
## YANFENG 0.000000000 0.171428571 0.000000000 1.000000000
##
## 2:42 21 22 3
## 0.000000000 0.000000000 0.000000000 0.000000000
## DENSO 0.000000000 0.000000000 0.000000000 0.000000000
## HEL 0.000000000 0.000000000 0.000000000 0.000000000
## HELLA 0.000000000 0.000000000 0.000000000 0.125000000
## MERIDIAN LIGHTWEIGHT 0.000000000 0.000000000 0.000000000 0.125000000
## STABILUS 1 0.000000000 0.000000000 0.000000000 0.250000000
## STABILUS 3 0.000000000 0.000000000 0.000000000 0.000000000
## STABILUS 3. 0.000000000 0.000000000 0.000000000 0.000000000
## TRMX 0.000000000 0.000000000 1.000000000 0.250000000
## VARROC 0.000000000 1.000000000 0.000000000 0.250000000
## VL-017-14086 0.000000000 0.000000000 0.000000000 0.000000000
## YANFENG 1.000000000 0.000000000 0.000000000 0.000000000
##
## 3:15 4 5 7
## 0.000000000 0.000000000 0.000000000 0.000000000
## DENSO 0.000000000 0.000000000 0.000000000 0.000000000
## HEL 0.000000000 0.000000000 0.000000000 0.000000000
## HELLA 0.000000000 0.000000000 0.000000000 0.000000000
## MERIDIAN LIGHTWEIGHT 0.000000000 0.000000000 0.000000000 0.000000000
## STABILUS 1 1.000000000 1.000000000 0.500000000 0.000000000
## STABILUS 3 0.000000000 0.000000000 0.000000000 0.000000000
## STABILUS 3. 0.000000000 0.000000000 0.000000000 0.000000000
## TRMX 0.000000000 0.000000000 0.250000000 0.000000000
## VARROC 0.000000000 0.000000000 0.000000000 0.500000000
## VL-017-14086 0.000000000 0.000000000 0.000000000 0.000000000
## YANFENG 0.000000000 0.000000000 0.250000000 0.500000000
##
## 8 8:18 8:38 9
## 0.000000000 0.000000000 0.000000000 0.000000000
## DENSO 0.000000000 0.000000000 0.000000000 0.000000000
## HEL 0.000000000 0.000000000 0.000000000 0.000000000
## HELLA 0.000000000 0.000000000 0.000000000 0.000000000
## MERIDIAN LIGHTWEIGHT 0.000000000 0.000000000 0.000000000 0.000000000
## STABILUS 1 0.000000000 0.000000000 0.000000000 0.000000000
## STABILUS 3 0.000000000 1.000000000 0.000000000 1.000000000
## STABILUS 3. 0.000000000 0.000000000 0.000000000 0.000000000
## TRMX 0.000000000 0.000000000 1.000000000 0.000000000
## VARROC 0.000000000 0.000000000 0.000000000 0.000000000
## VL-017-14086 0.000000000 0.000000000 0.000000000 0.000000000
## YANFENG 1.000000000 0.000000000 0.000000000 0.000000000
##
## 9:05 9:30
## 0.000000000 0.000000000
## DENSO 0.000000000 0.000000000
## HEL 0.000000000 0.000000000
## HELLA 0.000000000 0.000000000
## MERIDIAN LIGHTWEIGHT 0.000000000 0.000000000
## STABILUS 1 0.000000000 1.000000000
## STABILUS 3 0.000000000 0.000000000
## STABILUS 3. 0.000000000 0.000000000
## TRMX 1.000000000 0.000000000
## VARROC 0.000000000 0.000000000
## VL-017-14086 0.000000000 0.000000000
## YANFENG 0.000000000 0.000000000Gráficos de datos cualitativos y cuantitativos
Cualitativa
bd2 <- table(bd1$CLIENTE)
bd2 <- prop.table(bd2)
bd2##
## DENSO HEL
## 0.0081004455 0.1004455245 0.0012150668
## HELLA MERIDIAN LIGHTWEIGHT STABILUS 1
## 0.0315917375 0.0162008910 0.2956662616
## STABILUS 3 STABILUS 3. TRMX
## 0.1607938437 0.0072904010 0.1786148238
## VARROC VL-017-14086 YANFENG
## 0.0575131632 0.0004050223 0.1421628190barplot(bd2, xlab='Cliente',
ylab='Frecuencia', las=3, col = "green")
Cuantitativa
Disperción
library(ggplot2)##
## Attaching package: 'ggplot2'## The following object is masked _by_ '.GlobalEnv':
##
## Scale## The following object is masked from 'package:epiDisplay':
##
## alphaggplot(bd1, aes(x=TIEMPO..CALIDAD , y=CLIENTE)) +
geom_point(shape=19, size=3) + labs(title = "Relación entre Tiempo Calidad y Cliente",caption ="FORM Producción",x="Tiempo Calidad", y="CLientes") + theme_classic()
Disperción relacion entre cliente y piezas
ggplot(bd1, aes(x=CLIENTE , y=PIEZAS.P..G.)) +
geom_point(shape=19, size=3) + labs(title = "Relación entre cliente y piezas programadas",caption ="FORM Producción",x="Cliente", y="Piezas Porg") + theme_classic()
Reflexiones:
Comenzando con el primer paso de limpiar la base de datos; Considero que siempre el primer paso para analizar una base de datos es revisar la fuente primaria, la cual en este caso es Excel, donde se detectan de manera más visual algunos errores, como lo fué en este caso, algunos errores en cuanto a formato, letras escritas dentro de variables cuantitativas e incluso columnas invisibles que “entorpecían” el análisis posterior. Tras analizar brevemente la base de datos, se dió lugar a comenzar borrando los datos NA’s y reemplezarlos por 0s, con la finalidad de que estos registros vacíos se tomen como tal y no haya potenciales obstaculos para las gráficas descriptivas presentadas anteriormente. Adicionalmente, otro método de limpieza fué el de eliminar columnas, variables/registros irrelevantes para el estudio planteado, con la finalidad de hacer hacer uso eficiente y correcto del recurso primario.
Posteriormente, a manera de reflexión respecto a la tabla de frecuencia, donde se utilizaron las variables de cliente en relacion con el tiempo de calidad, para efectuar la conclusión de que FORM destina mayores recursos de calidad y tiempo a los clientes principales, tales como STABILUS 1 y 3, junto con TRMX, DENSO y YANFENG.
En adición, se realizó una gráfica de barras con informaciñon CUALITATIVA, donde se plantea evaluar la frecuencia de un cliente, identificando así que TABILUS 1, TRMX, TABILUS 3 Y YANFENG son los clientes que forman una parte mayoritaria de su portafoolio de clientes y por consiguiente del tiempo o horas hombre destinado en el total de clientes.
Propuesta:
En este caso, fundamentando en las variables utilizadas y analisis correspondiente, dado que existe una concentración de esfuerzos de caracter operativo y por consiguiente, financiero; empleando grandes cantidades de tiempo a unos pocos clientes. Es por ello, que es sustentado proponer un equipo especializado en cuentas principales, asignando empleados, recursos y espacio especializados los cuales permitan continuar con la demanda de dichas cuentas principales, sin decuidar e incluso mejorando los tiempos para las cuentas secundarias (que conforman el resto de cuentas activas de la empresa).
LS0tCnRpdGxlOiA8c3BhbiBzdHlsZT0iQ29sb3I6Qmx1ZSI+ICJQcm9kdWNjacOzbiBGT1JNIiAKYXV0aG9yOiAiQ2FybG9zIEdvbnrDoWxleiBBeWVyZGkgQTAwODI5MTI2IgpkYXRlOiAiMjAyMi0wOS0yNyIKb3V0cHV0OiAKICBodG1sX2RvY3VtZW50OgogICAgdG9jOiB0cnVlCiAgICB0b2NfZmxvYXQ6IHRydWUKICAgIGNvZGVfZG93bmxvYWQ6IHRydWUgCi0tLQpgYGB7cn0KI2ZpbGUuY2hvb3NlKCkKYmQgPC0gcmVhZC5jc3YoIi9Vc2Vycy9jYXJsb3Nnb256YWxlei9EZXNrdG9wL0ZPUk0gLSBQcm9kdWNjaW/MgW4gQ2FydG9uLmNzdiIpCmxpYnJhcnkocGx5cikKYGBgCgojIyBDb21lbnphcmVtb3MgZW50ZW5kaWVuZG8gbGEgYmFzZSBkZSBkYXRvcwpgYGB7cn0Kc3VtbWFyeShiZCkKYGBgCgojIyBJZGVudGlmaWNhciBudW1lcm8gZGUgcmVnaXN0cm9zIHkgdmFyaWFibGVzCmBgYHtyfQpzdHIoYmQpCmBgYAoKKkhhbGxhemdvcyo6IEV4aXN0ZW4gMjAgdmFyaWFibGVzIHkgMjU2NyByZWdpc3Ryb3MKCiMjIElkZW50aWZpY2FyIHRpcG9zIGRlIHZhcmlhYmxlcyB5IGVzY2FsYXMgZGUgbWVkaWNpw7NuCmBgYHtyfQpWYXJpYWJsZSA8LWMoIiQgTm8uIiwiJCBDTElFTlRFIiwgIiQgSUQuRk9STSIsICIkIFAuRFVDVE8iLCIkIFBJRVpBUy5QLkcuIiwgIiQgVE1PLi5NSU4uIiwiJCBIUi4uRklOIiwiJCBFU1RBQ0lPTi5BUi4uTlFVRSIsIkxhbWluYXMucHJvY2VzYWRhcyIsIiQgSU5JQ0lPLlNFUC5VUCIsIiQgRklOLklOSUNJTy5ERS5TRVAuVVAiLCIkIElOSUNJTy5kZS5QLi5TTyIsIiQgRklOLmRlLlAuLlNPIiwiVElFTVBPLi5DQUxJREFEIiwiJCBUSUVNUE8uTUFURVJJQUxFUyIsIiQgTUVSTUFTLk1hcXVpbmFzLiIsICIkIERhdGUiKQpUeXBlIDwtYygiQ3VhbnRpdGF0aXZhIChkaXNjcmV0YSkiLCAiQ3VhbGl0YXRpdmEiLCAiQ3VhbnRpdGF0aXZhIChkaXNjcmV0YSkiLCAiQ3VhbGl0YXRpdmUiLCAiQ3VhbnRpdGF0aXZhIChkaXNjcmV0YSkiLCAiQ3VhbnRpdGF0aXZhIChkaXNjcmV0YSkiLCAiQ3VhbnRpdGF0aXZhIChkaXNjcmV0YSkiLCAiQ3VhbGl0YXRpdmEiLCAiQ3VhbnRpdGF0aXZhIChkaXNjcmV0YSkiLCAiQ3VhbnRpdGF0aXZhIChkaXNjcmV0YSkiLCAiQ3VhbnRpdGF0aXZhIChkaXNjcmV0YSkiLCAiQ3VhbnRpdGF0aXZhIChkaXNjcmV0YSkiLCJDdWFudGl0YXRpdmEgKGRpc2NyZXRhKSIsIkN1YW50aXRhdGl2YSAoZGlzY3JldGEpIiwiQ3VhbnRpdGF0aXZhIChkaXNjcmV0YSkiLCJDdWFudGl0YXRpdmEgKGRpc2NyZXRhKSIsIkN1YW50aXRhdGl2YSAoZGlzY3JldGEpIikKU2NhbGUgPC1jKCJOdW1lcm8iLCAiRW1wcmVzYSIsICJJRCIsICJDYXRlZ29yaWEiLCAiUGllemFzIiwgIk1pbnV0b3MiLCAiVGllbXBvIiwgIk1hcXVpbmFyaWEiLCAiU29icmFudGVzIiwgIkhvcmEiLCAiSG9yYSIsICJIb3JhIiwiSG9yYSIsIlRpZW1wbyIsIlRpZW1wbyIsIk1lcm1hcyIsIkZlY2hhIikKY2xhc2lmaWNhY2lvbiA8LSBkYXRhLmZyYW1lKFZhcmlhYmxlLCBUeXBlLCBTY2FsZSkKY2xhc2lmaWNhY2lvbgpgYGAKCgojIE1ldG9kbyBkZSBsaW1waWV6YTogUmVlbXBsYXphciBOQSdzIGNvbiBjZXJvcwpgYGB7cn0KbGlicmFyeShkcGx5cikKCmJkW2lzLm5hKGJkKV08LTAKc3VtbWFyeShiZCkKYGBgCgpUcmFzIGxhIGFjY2nDs24gYW50ZXJpb3IsIHJlc3Rhcm9uIDYgdmFyaWFibGVzIGNvbiAyNDY5IHJlZ2lzdHJvcyByZXNwZWN0aXZhbWVudGUsIGxhcyBjdWFsZXMgc2UgdXRpbGl6YXJhbiBlbiBsYSBwb3N0ZXJpb3JpZGFkIHBhcmEgZWwgYW7DoWxpc2lzCgoKU2UgZWxpbWluYXJvbiBjb2x1bW5hcy9kYXRvcyBpcnJlbGV2YW50ZXMgcXVlIG5vIHNvbiBuZWNlc2FyaWFtZW50ZSBkZSB1dGlsaWRhZCBwYXJhIGVsIGZpbiB1bHRpbW8gZGUgbnVlc3RyYSBpbnZlc3RpZ2FjaW9uIHkgcG9zdGVyaW9yIGFuYWxpc2lzCgoKCiMgRWxpbWluYXIgQ29sdW1uYXMvZGF0b3MgaXJyZWxldmFudGVzCmBgYHtyfQpiZDEgPC0gYmQKYmQxPC1zdWJzZXQoYmQxLHNlbGVjdD0tYyhOby4sSUQuRk9STSwgUC4uRFVDVE8sSFIuLkZJTiwgRVNUQUNJT04uQVIuLk5RVUUsIElOSUNJTy5TRVAuVVAsIEZJTi5JTklDSU8uREUuU0VQLlVQLElOSUNJTy5kZS5QLi4uLlNPLCBGSU4uZGUuUC4uLi5TTywgVElFTVBPLk1BVEVSSUFMRVMsIE1FUk1BUy5NYXF1aW5hcy4pKQpzdHIoYmQxKQpgYGAKCiNTZSBlbGltaW5hcm9uIGNvbHVtbmFzL2RhdG9zIGlycmVsZXZhbnRlcyBxdWUgbm8gc29uIG5lY2VzYXJpYW1lbnRlIGRlIHV0aWxpZGFkIHBhcmEgZWwgZmluIHVsdGltbyBkZSBudWVzdHJhIGludmVzdGlnYWNpb24geSBwb3N0ZXJpb3IgYW5hbGlzaXMKCiMgVGFibGEgZGUgZnJlY3VlbmNpYSAKYGBge3J9CiNpbnN0YWxsLnBhY2thZ2VzKCJlcGlEaXNwbGF5IikKbGlicmFyeShlcGlEaXNwbGF5KQoKdGFiMTwtdGFibGUoYmQxJENMSUVOVEUsIGJkMSRUSUVNUE8uLkNBTElEQUQpCnRhYjEKcHJvcC50YWJsZSh0YWIxLCAyKSAKYGBgCgojIyBHcsOhZmljb3MgZGUgZGF0b3MgY3VhbGl0YXRpdm9zIHkgY3VhbnRpdGF0aXZvcyAKCiMgQ3VhbGl0YXRpdmEKYGBge3J9CmJkMiA8LSB0YWJsZShiZDEkQ0xJRU5URSkKYmQyIDwtIHByb3AudGFibGUoYmQyKQpiZDIKYmFycGxvdChiZDIsIHhsYWI9J0NsaWVudGUnLAogICAgICAgIHlsYWI9J0ZyZWN1ZW5jaWEnLCBsYXM9MywgY29sID0gImdyZWVuIikKYGBgCgojIyBDdWFudGl0YXRpdmEKCiMgRGlzcGVyY2nDs24gCmBgYHtyfQpsaWJyYXJ5KGdncGxvdDIpCmdncGxvdChiZDEsIGFlcyh4PVRJRU1QTy4uQ0FMSURBRCAsIHk9Q0xJRU5URSkpICsgCiAgZ2VvbV9wb2ludChzaGFwZT0xOSwgc2l6ZT0zKSArIGxhYnModGl0bGUgPSAiUmVsYWNpw7NuIGVudHJlIFRpZW1wbyBDYWxpZGFkIHkgQ2xpZW50ZSIsY2FwdGlvbiA9IkZPUk0gUHJvZHVjY2nDs24iLHg9IlRpZW1wbyBDYWxpZGFkIiwgeT0iQ0xpZW50ZXMiKSArIHRoZW1lX2NsYXNzaWMoKQpgYGAKCiMjIERpc3BlcmNpw7NuIHJlbGFjaW9uIGVudHJlIGNsaWVudGUgeSBwaWV6YXMgCmBgYHtyfQpnZ3Bsb3QoYmQxLCBhZXMoeD1DTElFTlRFICwgeT1QSUVaQVMuUC4uRy4pKSArIAogIGdlb21fcG9pbnQoc2hhcGU9MTksIHNpemU9MykgKyBsYWJzKHRpdGxlID0gIlJlbGFjacOzbiBlbnRyZSBjbGllbnRlIHkgcGllemFzIHByb2dyYW1hZGFzIixjYXB0aW9uID0iRk9STSBQcm9kdWNjacOzbiIseD0iQ2xpZW50ZSIsIHk9IlBpZXphcyBQb3JnIikgKyB0aGVtZV9jbGFzc2ljKCkKYGBgCgojIyBSZWZsZXhpb25lczoKQ29tZW56YW5kbyBjb24gZWwgcHJpbWVyIHBhc28gZGUgbGltcGlhciBsYSBiYXNlIGRlIGRhdG9zOyBDb25zaWRlcm8gcXVlIHNpZW1wcmUgZWwgcHJpbWVyIHBhc28gcGFyYSBhbmFsaXphciB1bmEgYmFzZSBkZSBkYXRvcyBlcyByZXZpc2FyIGxhIGZ1ZW50ZSBwcmltYXJpYSwgbGEgY3VhbCBlbiBlc3RlIGNhc28gZXMgRXhjZWwsIGRvbmRlIHNlIGRldGVjdGFuIGRlIG1hbmVyYSBtw6FzIHZpc3VhbCBhbGd1bm9zIGVycm9yZXMsIGNvbW8gbG8gZnXDqSBlbiBlc3RlIGNhc28sIGFsZ3Vub3MgZXJyb3JlcyBlbiBjdWFudG8gYSBmb3JtYXRvLCBsZXRyYXMgZXNjcml0YXMgZGVudHJvIGRlIHZhcmlhYmxlcyBjdWFudGl0YXRpdmFzIGUgaW5jbHVzbyBjb2x1bW5hcyBpbnZpc2libGVzIHF1ZSAiZW50b3JwZWPDrWFuIiBlbCBhbsOhbGlzaXMgcG9zdGVyaW9yLiBUcmFzIGFuYWxpemFyIGJyZXZlbWVudGUgbGEgYmFzZSBkZSBkYXRvcywgc2UgZGnDsyBsdWdhciBhIGNvbWVuemFyIGJvcnJhbmRvIGxvcyBkYXRvcyBOQSdzIHkgcmVlbXBsZXphcmxvcyBwb3IgMHMsIGNvbiBsYSBmaW5hbGlkYWQgZGUgcXVlIGVzdG9zIHJlZ2lzdHJvcyB2YWPDrW9zIHNlIHRvbWVuIGNvbW8gdGFsIHkgbm8gaGF5YSBwb3RlbmNpYWxlcyBvYnN0YWN1bG9zIHBhcmEgbGFzIGdyw6FmaWNhcyBkZXNjcmlwdGl2YXMgcHJlc2VudGFkYXMgYW50ZXJpb3JtZW50ZS4gQWRpY2lvbmFsbWVudGUsIG90cm8gbcOpdG9kbyBkZSBsaW1waWV6YSBmdcOpIGVsIGRlIGVsaW1pbmFyIGNvbHVtbmFzLCB2YXJpYWJsZXMvcmVnaXN0cm9zIGlycmVsZXZhbnRlcyBwYXJhIGVsIGVzdHVkaW8gcGxhbnRlYWRvLCBjb24gbGEgZmluYWxpZGFkIGRlIGhhY2VyIGhhY2VyIHVzbyBlZmljaWVudGUgeSBjb3JyZWN0byBkZWwgcmVjdXJzbyBwcmltYXJpby4KClBvc3Rlcmlvcm1lbnRlLCBhIG1hbmVyYSBkZSByZWZsZXhpw7NuIHJlc3BlY3RvIGEgbGEgdGFibGEgZGUgZnJlY3VlbmNpYSwgZG9uZGUgc2UgdXRpbGl6YXJvbiBsYXMgdmFyaWFibGVzIGRlIGNsaWVudGUgZW4gcmVsYWNpb24gY29uIGVsIHRpZW1wbyBkZSBjYWxpZGFkLCBwYXJhIGVmZWN0dWFyIGxhIGNvbmNsdXNpw7NuIGRlIHF1ZSBGT1JNIGRlc3RpbmEgbWF5b3JlcyByZWN1cnNvcyBkZSBjYWxpZGFkIHkgdGllbXBvIGEgbG9zIGNsaWVudGVzIHByaW5jaXBhbGVzLCB0YWxlcyBjb21vIFNUQUJJTFVTIDEgeSAzLCBqdW50byBjb24gVFJNWCwgREVOU08geSBZQU5GRU5HLgoKRW4gYWRpY2nDs24sIHNlIHJlYWxpesOzIHVuYSBncsOhZmljYSBkZSBiYXJyYXMgY29uIGluZm9ybWFjacOxb24gQ1VBTElUQVRJVkEsIGRvbmRlIHNlIHBsYW50ZWEgZXZhbHVhciBsYSBmcmVjdWVuY2lhIGRlIHVuIGNsaWVudGUsIGlkZW50aWZpY2FuZG8gYXPDrSBxdWUgVEFCSUxVUyAxLCBUUk1YLCBUQUJJTFVTIDMgWSBZQU5GRU5HIHNvbiBsb3MgY2xpZW50ZXMgcXVlIGZvcm1hbiB1bmEgcGFydGUgbWF5b3JpdGFyaWEgZGUgc3UgcG9ydGFmb29saW8gZGUgY2xpZW50ZXMgeSBwb3IgY29uc2lndWllbnRlIGRlbCB0aWVtcG8gbyBob3JhcyBob21icmUgZGVzdGluYWRvIGVuIGVsIHRvdGFsIGRlIGNsaWVudGVzLiAKCgojIFByb3B1ZXN0YTogIApFbiBlc3RlIGNhc28sIGZ1bmRhbWVudGFuZG8gZW4gbGFzIHZhcmlhYmxlcyB1dGlsaXphZGFzIHkgYW5hbGlzaXMgY29ycmVzcG9uZGllbnRlLCBkYWRvIHF1ZSBleGlzdGUgdW5hIGNvbmNlbnRyYWNpw7NuIGRlIGVzZnVlcnpvcyBkZSBjYXJhY3RlciBvcGVyYXRpdm8geSBwb3IgY29uc2lndWllbnRlLCBmaW5hbmNpZXJvOyBlbXBsZWFuZG8gZ3JhbmRlcyBjYW50aWRhZGVzIGRlIHRpZW1wbyBhIHVub3MgcG9jb3MgY2xpZW50ZXMuIEVzIHBvciBlbGxvLCBxdWUgZXMgc3VzdGVudGFkbyBwcm9wb25lciB1biBlcXVpcG8gZXNwZWNpYWxpemFkbyBlbiAqY3VlbnRhcyBwcmluY2lwYWxlcyosIGFzaWduYW5kbyBlbXBsZWFkb3MsIHJlY3Vyc29zIHkgZXNwYWNpbyBlc3BlY2lhbGl6YWRvcyBsb3MgY3VhbGVzIHBlcm1pdGFuIGNvbnRpbnVhciBjb24gbGEgZGVtYW5kYSBkZSBkaWNoYXMgY3VlbnRhcyBwcmluY2lwYWxlcywgc2luIGRlY3VpZGFyIGUgaW5jbHVzbyBtZWpvcmFuZG8gbG9zIHRpZW1wb3MgcGFyYSBsYXMgY3VlbnRhcyBzZWN1bmRhcmlhcyAocXVlIGNvbmZvcm1hbiBlbCByZXN0byBkZSBjdWVudGFzIGFjdGl2YXMgZGUgbGEgZW1wcmVzYSkuIAoK