Entregable 2.4 FORM
Equipo 2
2022-10-03
knitr::include_url("https://form.com.mx/")¿Quien es Form?*
FORM es una empresa mexicana dedicada a generar soluciones integrales de empaque para la industria automotriz. Fue fundada en el 2011 por Felipe Flores García y hoy en día cuenta con más de 130 empleados. FORM toma gran importancia a ser parte de un entorno sostenible, por lo que diseña empaques ecológicos generando un impacto positivo al medio ambiente, es por ello que su principal material es el cartón, con el cual obtienen el 50% de sus ganancias y representa el 90% de sus gastos y costos. Por ello la importancia de una buena logística y cadena de suministros en FORM, para optimizar y eficientizar y de ese modo tener rentabilidad.
Entregable 2.4 Equipo 2
1. Scrap
Llamar base de datos.
#file.choose()
SCRAP<- read.csv("C:\\Users\\danyc\\Downloads\\FORM - Scrap Limpia .csv")Entender Base de Datos
resumen <- summary(SCRAP)
resumen## Referencia Fecha Hora Producto
## Length:250 Length:250 Length:250 Length:250
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## Cantidad Unidad.de.medida Ubicación.de.origen Ubicación.de.desecho
## Min. : 0.000 Length:250 Length:250 Length:250
## 1st Qu.: 1.000 Class :character Class :character Class :character
## Median : 2.000 Mode :character Mode :character Mode :character
## Mean : 6.696
## 3rd Qu.: 7.000
## Max. :96.000
## Estado
## Length:250
## Class :character
## Mode :character
##
##
## 1.¿Cuántas variables y cuántos registros tiene la base de datos?
str(SCRAP)## 'data.frame': 250 obs. of 9 variables:
## $ Referencia : chr "SP/08731" "SP/08730" "SP/08729" "SP/08728" ...
## $ Fecha : chr "31/08/2022" "31/08/2022" "31/08/2022" "31/08/2022" ...
## $ Hora : chr "14:55:40" "14:49:25" "13:49:29" "09:30:07" ...
## $ Producto : chr "[BACKFRAME 60% CUELLO ARMADO] 18805. 60% Backframe. Cuello Armado." "[N61506747 CAJA] N61506747. Kit. Caja." "[N61506729 SEPARADOR] N61506729. Kit. Separador." "[341332 DIVISOR - U611 & U625] 341332. U611. U625. Divisor Troquelado." ...
## $ Cantidad : num 2 1 1 31 1 1 1 9 2 1 ...
## $ Unidad.de.medida : chr "Unidad(es)" "Unidad(es)" "Unidad(es)" "Unidad(es)" ...
## $ Ubicación.de.origen : chr "SAB/Calidad/Entrega de PT" "SAB/Calidad/Entrega de PT" "SAB/Calidad/Entrega de PT" "SAB/Pre-Production" ...
## $ Ubicación.de.desecho: chr "Virtual Locations/Scrapped" "Virtual Locations/Scrapped" "Virtual Locations/Scrapped" "Virtual Locations/Scrapped" ...
## $ Estado : chr "Hecho" "Hecho" "Hecho" "Hecho" ...#library(psych)
#install.packages("psych")
#describe(FORM)Nota:En esta base de datos se eliminaron la columana que no era relevante para el analisis,Se eliminan Referencia, Producto, Unidad.de.medida , Ubicación.de.desecho, Estado, debido a que son irrelevantes, por que es el mismo dato para todos los registros.Por lo tanto es irrelevante.
bd1<- SCRAP
bd1<-subset(SCRAP,select=-c(Referencia, Unidad.de.medida , Ubicación.de.desecho, Estado))
str(bd1)## 'data.frame': 250 obs. of 5 variables:
## $ Fecha : chr "31/08/2022" "31/08/2022" "31/08/2022" "31/08/2022" ...
## $ Hora : chr "14:55:40" "14:49:25" "13:49:29" "09:30:07" ...
## $ Producto : chr "[BACKFRAME 60% CUELLO ARMADO] 18805. 60% Backframe. Cuello Armado." "[N61506747 CAJA] N61506747. Kit. Caja." "[N61506729 SEPARADOR] N61506729. Kit. Separador." "[341332 DIVISOR - U611 & U625] 341332. U611. U625. Divisor Troquelado." ...
## $ Cantidad : num 2 1 1 31 1 1 1 9 2 1 ...
## $ Ubicación.de.origen: chr "SAB/Calidad/Entrega de PT" "SAB/Calidad/Entrega de PT" "SAB/Calidad/Entrega de PT" "SAB/Pre-Production" ...summary(bd1)## Fecha Hora Producto Cantidad
## Length:250 Length:250 Length:250 Min. : 0.000
## Class :character Class :character Class :character 1st Qu.: 1.000
## Mode :character Mode :character Mode :character Median : 2.000
## Mean : 6.696
## 3rd Qu.: 7.000
## Max. :96.000
## Ubicación.de.origen
## Length:250
## Class :character
## Mode :character
##
##
## 2. Para el caso de variables cuantitativas considerar la posibilidad de reemplazar la presencia de “missing values” con estadísticos descriptivos (por ejemplo, media, mediana, moda).*
#install.packages("dplyr")
#install.packages("mirage")
#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#library(mirage)Tecnica 5:Valores faltantes
¿Cuantos N/A tengo en mi base de datos?
#Debido a que en la base de datos no se encuentran Missing Values, en esta base de datos no se pueden remplazar valores por media, mediana y moda ya que no aplica.
#bd1<-SCRAP
#bd1
sum(is.na(bd1))## [1] 0sum(is.na(SCRAP))## [1] 0sapply(bd1, function(x) sum(is.na(x)))## Fecha Hora Producto Cantidad
## 0 0 0 0
## Ubicación.de.origen
## 0sapply(SCRAP, function(x) sum(is.na(x)))## Referencia Fecha Hora
## 0 0 0
## Producto Cantidad Unidad.de.medida
## 0 0 0
## Ubicación.de.origen Ubicación.de.desecho Estado
## 0 0 0Cambiar columnas y variables
Cambiar los nombres de las columnas / variables a nombres más cortos y específicos. Por ejemplo, municipio → mpio, salario mínimo diario → salario_min.
#seleccionar columnas / variables.
bd1<-SCRAP %>% select(one_of('Fecha','Hora','Producto','Cantidad','Ubicación.de.origen'))
#Renombrar las columnas /variables seleccionadas.
colnames(bd1) <-c ('Fecha','Hora','Prod.','Cant.','Origen')Nota: Se cambiaron los nombres de las variables a nombres mas cortos. Para no contar con nombres largos.
Tabla de estadísticos descriptivos
Crear tabla que muestre los principales estadísticos descrptivos (media,mediana, moda, desviación estandar) de cada una de las variables para cada base de datos. Comentar brevemente los principales resultados que se muestran en la tabla.
#DESCARGAR EL PAQUETE
#install.packages("kkbleExtra")
#summary(bd1)
#describe(bd1)
#install.packages("sd")
#install.packages("modeest")
#library(modeest)
#sd(FORM_1$Kilo, na.rm = FALSE)
#install.packages("dplyr")
#library(dplyr)
#library(kbleExtra)
summary(bd1)## Fecha Hora Prod. Cant.
## Length:250 Length:250 Length:250 Min. : 0.000
## Class :character Class :character Class :character 1st Qu.: 1.000
## Mode :character Mode :character Mode :character Median : 2.000
## Mean : 6.696
## 3rd Qu.: 7.000
## Max. :96.000
## Origen
## Length:250
## Class :character
## Mode :character
##
##
## sd(bd1$Cantidad, na.rm= TRUE) ## [1] NAVariable<-c("Cant.")
Mediana<-c("2.00")
Media <- c("6.696")
Moda <- c("1") #EXCEL
Desviación_estandar<-c("11.84885")
table1 <- data.frame (Variable, Mediana, Media, Moda, Desviación_estandar)
knitr::kable(table1)| Variable | Mediana | Media | Moda | Desviación_estandar |
|---|---|---|---|---|
| Cant. | 2.00 | 6.696 | 1 | 11.84885 |
##Crear 1-2 “time series plots” (line plot) que muestran la dispersión de variables selecionadas.
#install.packages("ggplot2")
#install.packages("barplot")
library(ggplot2)
summary(bd1)## Fecha Hora Prod. Cant.
## Length:250 Length:250 Length:250 Min. : 0.000
## Class :character Class :character Class :character 1st Qu.: 1.000
## Mode :character Mode :character Mode :character Median : 2.000
## Mean : 6.696
## 3rd Qu.: 7.000
## Max. :96.000
## Origen
## Length:250
## Class :character
## Mode :character
##
##
## ggplot(bd1,aes(x=Cant.))+
geom_line(aes(y=Origen),color="Red")+
labs(x="Cant",y="Origen", color="Legend")+
ggtitle("Mayores catidades de Scrap por origen")
Infromacíon Relevante.
En esta actividad de la limpia y organización de la base de datos de Scrap. Nos dimos cuentas que la base de datos contaba con distintas variables que no eran tan relevantes para analizar la bd scrap. Por lo tanto decidiomos eliminarlas para contar con menos variables y asi poder realizar un mejor analisis.
En este analisis nos dimos cuenta que los datos estaban orgnaizados es decir no contaban con missing values por lo tanto es algo bueno para el analisis, de todos modos es importante conciderarlos si es relevante para el analisis, en este caso no se hubieran eliminado si no que se hubieran remplazado por la mediana dependiendte de la variable que estuvieramos analisando.
Analisando estas variables se confirma que en el area de pre-producción,es donde se genera la mayoria del scrap en su mayoria se genera casi el 85% de scrap, que generan dentro de la empresa, por lo tanto es alago alarmante por lo tanto se tienen que tomar decisiones importantes para poder realizar cambios en esta area para reducir la cantidad de scrap.
2. Merma
Llamar base de datos.
#file.choose()
FORM <- read.csv("C:\\Users\\danyc\\Downloads\\FORM - Merma limpia.csv")Entender Base de Datos
resumen <- summary(FORM)
resumen## Fecha Kilos
## Length:42 Min. : 1040
## Class :character 1st Qu.: 3682
## Mode :character Median : 4025
## Mean : 4415
## 3rd Qu.: 4325
## Max. :189001.¿Cuántas variables y cuántos registros tiene la base de datos?
str(FORM)## 'data.frame': 42 obs. of 2 variables:
## $ Fecha: chr "11/01/22" "22/01/22" "18/02/22" "24/02/22" ...
## $ Kilos: num 8890 5670 18900 3930 4000 4190 2980 3290 4200 3810 ...library(psych)##
## Attaching package: 'psych'## The following objects are masked from 'package:ggplot2':
##
## %+%, alpha#install.packages("psych")
describe(FORM)## vars n mean sd median trimmed mad min max range skew
## Fecha* 1 42 21.5 12.27 21.5 21.50 15.57 1 42 41 0.00
## Kilos 2 42 4414.9 2571.79 4025.0 4025.76 504.08 1040 18900 17860 4.29
## kurtosis se
## Fecha* -1.29 1.89
## Kilos 21.29 396.84Nota:En esta base de datos se eliminaron la columana que no era relevante para el analisis, Se eliminaron los registros de total de merma y la columna de mes ya que no eran irrelevantes. Por lo tanto nos quedamos con 52 registros y 2 variables.
2.Para el caso de variables cuantitativas considerar la posibilidad de reemplazar la presencia de “missing values” con estadísticos descriptivos (por ejemplo, media, mediana, moda).*
#install.packages("dplyr")
#install.packages("merge)
library(dplyr)
#library(merge)#Remplazar valores faltantes por la mediana: No se pueden cambair debido a que los NA´S de la base de datos no tienen información. Por lo tanto se van a Eliminar.
FORM_1<-FORM
FORM_1<- na.omit(FORM_1)
summary(FORM_1)## Fecha Kilos
## Length:42 Min. : 1040
## Class :character 1st Qu.: 3682
## Mode :character Median : 4025
## Mean : 4415
## 3rd Qu.: 4325
## Max. :18900#summary(FORM)
#str(FORM)
#FORM$Kilos<-as.numeric(FORM$Kilos)
#FORM<-FORM %>% mutate(Kilos=if_else(is.na(Kilos),median(Kilos,na.rm = T),Kilos))Nota:En esta base de datos la unica variable que se puede remplazar por la mediana es la columna de kilos. Ya se remplazaron los valores faltantes por la mediana.
Cambiar nombres de columnas y variables
Cambiar los nombres de las columnas / variables a nombres más cortos y específicos. Por ejemplo, municipio → mpio, salario mínimo diario → salario_min.
#seleccionar columnas / variables.
#FORM<-FORM %>% select(-one_of('Fecha','Kilos'))
#Renombrar las columnas /variables seleccionadas.
colnames(FORM_1) <-c ('Fcha','Kilo')Respecto a variables cualitativas (por ejemplo, género, cliente,municipio, estado) homogenizar el nombre de las diferentes categorías.
Respecto a La base de datos analizada no aplica el paso de homogenizar las variables ya que en este caso solo se cuenta con dos variables en la base de datos.
Tabla de estadísticos descriptivos
Crear tabla que muestre los principales estadísticos descriptivos (media,mediana, moda, desviación estandar) de cada una de las variables para cada base de datos. Comentar brevemente los principales resultados que se muestran en la tabla.
#DESCARGAR EL PAQUETE
#install.packages("kbleExtra")
#summary(FORM_1)
#install.packages("sd")
#install.packages("modeest")
#library(modeest)
#sd(FORM_1$Kilo, na.rm = FALSE)
#install.packages("dplyr")
#library(dplyr)
median(FORM_1$Kilo, na.rm = TRUE)## [1] 4025mean(FORM_1$Kilo, na.rm = TRUE)## [1] 4414.905sd(FORM_1$Kilo, na.rm = FALSE)## [1] 2571.793#mfv(FORM_1$Kilo)
variable<-c("'Kilo")
Mediana<-c("4025")
Media <- c("4415")
Moda <- c("4190")
Desviación_estandar<-c("2571.793")
table1 <- data.frame (variable, Mediana, Media, Moda, Desviación_estandar)
knitr::kable(table1)| variable | Mediana | Media | Moda | Desviación_estandar |
|---|---|---|---|---|
| ’Kilo | 4025 | 4415 | 4190 | 2571.793 |
Time Serie Plots
Crear 1-2 “time series plots” (line plot) que muestran la dispersión de variables selecionadas.
FORM_1$Fcha<-as.Date(FORM_1$Fcha,format="%d/%m/%y")
#install.packages("ggplot2")
library(ggplot2)
summary(FORM_1)## Fcha Kilo
## Min. :2022-01-11 Min. : 1040
## 1st Qu.:2022-04-05 1st Qu.: 3682
## Median :2022-06-11 Median : 4025
## Mean :2022-06-04 Mean : 4415
## 3rd Qu.:2022-08-10 3rd Qu.: 4325
## Max. :2022-09-21 Max. :18900ggplot(FORM_1,aes(x=Fcha))+
geom_line(aes(y=Kilo),color="blue")+
labs(x="Fcha",y="Kilo", color="Legend")+
ggtitle("Kilos de merma por mes")
7.Información Relevante
Una reflexión que se toma sobre esta actividad es que solo contamos con dos variables relevantes las cual nos puede decir algo, en este caso solo se utilizo la de fecha y la de los kilos de merma.
Un dato impactante es que la mayoría de las veces la empresa tiene una merma constante, esta varia pero casi todos los meses cuentan con al rededor de 5 toneladas de merma, de acuerdo con las fechas que nos dieron en esta base de datos se analizo que de enero a marzo existió una gran cantidad de merma que llego al rededor de 17 toneladas de merma, por lo tanto se debe de analizar en la empresa que fue lo que sucedió en este lapso de tiempo, puedo ser que un cliente cancelara algún pedido, que haya generado una gran cantidad de merma.
3. Delivery Plan
Importar la base de datos
#file.choose()
delivery<-read.csv("C:\\Users\\danyc\\Downloads\\DELIVERY.csv")
summary(delivery)## ID_Fecha Fecha CLIENTE Pedidos
## Min. : 1.00 Length:228 Length:228 Min. : 0.0
## 1st Qu.: 3.75 Class :character Class :character 1st Qu.: 0.0
## Median : 6.50 Mode :character Mode :character Median : 0.0
## Mean : 6.50 Mean : 1703.1
## 3rd Qu.: 9.25 3rd Qu.: 233.8
## Max. :12.00 Max. :52779.0Observaciones
1.Se hizo limpieza manual de la base de datos para acomodar los clientes como variables y las fechas como registros.
2.Se sustituyeron NAs por cero.
3.Se eliminaron columnas no usadas y que no agreegan valor para el analisis que se busca hacer.
Descargar librerías y paquetes
library(foreign)
library(dplyr)
library(forcats)
library(ggplot2)
library(readr)
library(janitor)##
## Attaching package: 'janitor'## The following objects are masked from 'package:stats':
##
## chisq.test, fisher.testlibrary(naniar)
library(dlookr)##
## Attaching package: 'dlookr'## The following object is masked from 'package:psych':
##
## describe## The following object is masked from 'package:base':
##
## transformCuantas variables y registros hay
str(delivery)## 'data.frame': 228 obs. of 4 variables:
## $ ID_Fecha: int 1 1 1 1 1 1 1 1 1 1 ...
## $ Fecha : chr "31/01/22" "31/01/22" "31/01/22" "31/01/22" ...
## $ CLIENTE : chr "STB3" "STB 1" "YF RAMOS" "INOAC POLYTEC" ...
## $ Pedidos : int 481 0 227 0 400 328 393 0 8975 449 ...Contamos con 3 variables y 380 observaciones.
Contar total de pedidos por cliente
deliverySUM = colSums(delivery[4])
as.data.frame(deliverySUM)## deliverySUM
## Pedidos 388317Contamos con 52,0281 pedidos
#file.choose()
deliveryCLIENTS<-read.csv("C:\\Users\\danyc\\Downloads\\DeliveryCLIENTS.xlsx - Sheet1.csv")
summary(deliveryCLIENTS)## Fecha STB3 STB.1 YF.RAMOS
## Length:19 Min. : 0.0 Min. : 0.000 Min. : 0
## Class :character 1st Qu.: 13.5 1st Qu.: 0.000 1st Qu.: 54
## Mode :character Median : 200.0 Median : 0.000 Median : 100
## Mean : 297.1 Mean : 2.632 Mean : 211
## 3rd Qu.: 460.5 3rd Qu.: 0.000 3rd Qu.: 230
## Max. :1015.0 Max. :50.000 Max. :1243
## INOAC.POLYTEC MERIDIAN YANFENG.sm YFTO
## Min. : 0.000 Min. : 0 Min. : 0.00 Min. : 138.0
## 1st Qu.: 0.000 1st Qu.: 0 1st Qu.: 0.00 1st Qu.: 358.5
## Median : 0.000 Median : 0 Median : 41.00 Median : 628.0
## Mean : 2.684 Mean : 33 Mean : 95.05 Mean : 869.6
## 3rd Qu.: 0.000 3rd Qu.: 0 3rd Qu.:142.50 3rd Qu.: 871.5
## Max. :40.000 Max. :400 Max. :328.00 Max. :2556.0
## YF.QRO TRMX DENSO SEGROVE
## Min. : 0.000 Min. : 0 Min. : 0.0 Min. : 0.00
## 1st Qu.: 0.000 1st Qu.: 2822 1st Qu.: 150.5 1st Qu.: 0.00
## Median : 0.000 Median : 6240 Median : 372.0 Median : 0.00
## Mean : 2.737 Mean : 5796 Mean :1241.3 Mean : 38.74
## 3rd Qu.: 0.000 3rd Qu.: 8374 3rd Qu.:1083.0 3rd Qu.: 0.00
## Max. :36.000 Max. :11833 Max. :8834.0 Max. :736.00
## HANON ANTOLIN.TOLUCA ANTOLIN.ARTEAGA HELLA
## Min. : 0.00 Min. :0 Mode:logical Min. : 0
## 1st Qu.: 0.00 1st Qu.:0 NA's:19 1st Qu.: 4160
## Median : 0.00 Median :0 Median : 8580
## Mean : 21.58 Mean :0 Mean :15013
## 3rd Qu.: 0.00 3rd Qu.:0 3rd Qu.:21191
## Max. :360.00 Max. :0 Max. :52779
## UFI ISRI TRMX.1 ABC.QUERETARO VARROC
## Min. : 0.00 Min. : 0.0 Min. :0 Min. :0.0000 Min. : 0
## 1st Qu.: 0.00 1st Qu.: 0.0 1st Qu.:0 1st Qu.:0.0000 1st Qu.:2078
## Median : 0.00 Median : 0.0 Median :0 Median :0.0000 Median :3509
## Mean : 45.74 Mean : 157.9 Mean :0 Mean :0.4211 Mean :3555
## 3rd Qu.: 3.50 3rd Qu.: 0.0 3rd Qu.:0 3rd Qu.:0.0000 3rd Qu.:4974
## Max. :492.00 Max. :3000.0 Max. :0 Max. :8.0000 Max. :8810
## Total.pedidos.mes
## Length:19
## Class :character
## Mode :character
##
##
## deliveryCLIENTS = colSums(deliveryCLIENTS[2:21])
as.data.frame(deliveryCLIENTS)## deliveryCLIENTS
## STB3 5644
## STB.1 50
## YF.RAMOS 4009
## INOAC.POLYTEC 51
## MERIDIAN 627
## YANFENG.sm 1806
## YFTO 16522
## YF.QRO 52
## TRMX 110127
## DENSO 23584
## SEGROVE 736
## HANON 410
## ANTOLIN.TOLUCA 0
## ANTOLIN.ARTEAGA NA
## HELLA 285238
## UFI 869
## ISRI 3000
## TRMX.1 0
## ABC.QUERETARO 8
## VARROC 67548barplot.default(deliveryCLIENTS)
Con este plot podemos ver que hay muchos clientes con muy pocos pedidos.
Técnicas de Limpieza
Técnica 1: eliminar NAs
Se decidió realizar está técnica para asegurarnos de que no se tenga falta de datos y en caso de tenerlos evitar que estas eviten tener un analisis asertivo al no agregar valor a la base de datos.
¿Cuantos NA tengo en la base de datos?
sum(is.na(delivery))## [1] 0Cuantos NA tengo por variable?
Sapply: Para contar los NA.
sapply(delivery, function(x) sum(is.na(x)))## ID_Fecha Fecha CLIENTE Pedidos
## 0 0 0 0Se encontró un solo NA
Técnica 2: eliminar filas
Se decidó realizar está técnica para eliminar los clientes que tienen menos de 5,000 pedidos.
Eliminar filas con el nombre de los clientes que se desean eliminar.
#delivery1 <- subset (delivery1, CLIENTE == "STB3") #Para conservar ciertas filas
delivery1<-delivery
delivery1<-delivery1[delivery1$CLIENTE!="STB 1", ]
delivery1<-delivery1[delivery1$CLIENTE!="YF RAMOS", ]
delivery1<-delivery1[delivery1$CLIENTE!="INOAC POLYTEC", ]
delivery1<-delivery1[delivery1$CLIENTE!="MERIDIAN", ]
delivery1<-delivery1[delivery1$CLIENTE!="YANFENG sm", ]
delivery1<-delivery1[delivery1$CLIENTE!="YF QRO", ]
delivery1<-delivery1[delivery1$CLIENTE!="SEGROVE", ]
delivery1<-delivery1[delivery1$CLIENTE!="HANON", ]
delivery1<-delivery1[delivery1$CLIENTE!="ANTOLIN TOLUCA", ]
delivery1<-delivery1[delivery1$CLIENTE!="ANTOLIN ARTEAGA", ]
delivery1<-delivery1[delivery1$CLIENTE!="ABC QUERETARO", ]
delivery1<-delivery1[delivery1$CLIENTE!="UFI", ]
delivery1<-delivery1[delivery1$CLIENTE!="ISRI", ]
summary(delivery1)## ID_Fecha Fecha CLIENTE Pedidos
## Min. : 1.00 Length:72 Length:72 Min. : 0
## 1st Qu.: 3.75 Class :character Class :character 1st Qu.: 99
## Median : 6.50 Mode :character Mode :character Median : 1009
## Mean : 6.50 Mean : 5339
## 3rd Qu.: 9.25 3rd Qu.: 5928
## Max. :12.00 Max. :52779*Tabla de Media, Moda y Mediana
table3<-describe(delivery1)
knitr::kable(table3)| described_variables | n | na | mean | sd | se_mean | IQR | skewness | kurtosis | p00 | p01 | p05 | p10 | p20 | p25 | p30 | p40 | p50 | p60 | p70 | p75 | p80 | p90 | p95 | p99 | p100 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| ID_Fecha | 72 | 0 | 6.500 | 3.476278 | 0.4096833 | 5.5 | 0.000000 | -1.217513 | 1 | 1 | 1 | 2 | 3.0 | 3.75 | 4.0 | 5 | 6.5 | 8.0 | 9.0 | 9.25 | 10 | 11.0 | 12.0 | 12.00 | 12 |
| Pedidos | 72 | 0 | 5339.167 | 10093.190781 | 1189.4939408 | 5829.5 | 3.128063 | 10.742837 | 0 | 0 | 0 | 0 | 10.8 | 99.00 | 260.6 | 507 | 1009.0 | 2451.6 | 4289.4 | 5928.50 | 8380 | 12577.3 | 27194.4 | 49479.63 | 52779 |
Identificar variables
Cuantitativa: Discreta, Continua Escala de medición:Intervalo, Razón Cualitativa Escala de medición: Nominales, Ordinales
Variable<-c("Fecha","STB3","YFTO", "TRMX", "DENSO","HELLA","VARROC","Total.pedidos.mes")
Type<-c("Cuantitativa (discreta)", "Cualitativa", "Cualitativa", "Cualitativa","Cualitativa","Cualitativa","Cualitativa","Cuantitativa (discreta)")
Measurement<-c("Razón","Nominal","Nominal","Nominal","Nominal","Nominal","Nominal","Razón")
table2<-data_frame(Variable,Type,Measurement)## Warning: `data_frame()` was deprecated in tibble 1.1.0.
## Please use `tibble()` instead.knitr::kable(table2)| Variable | Type | Measurement |
|---|---|---|
| Fecha | Cuantitativa (discreta) | Razón |
| STB3 | Cualitativa | Nominal |
| YFTO | Cualitativa | Nominal |
| TRMX | Cualitativa | Nominal |
| DENSO | Cualitativa | Nominal |
| HELLA | Cualitativa | Nominal |
| VARROC | Cualitativa | Nominal |
| Total.pedidos.mes | Cuantitativa (discreta) | Razón |
Gráfica Cualitativa
#install.packages("plyr")
library(plyr)## ------------------------------------------------------------------------------## You have loaded plyr after dplyr - this is likely to cause problems.
## If you need functions from both plyr and dplyr, please load plyr first, then dplyr:
## library(plyr); library(dplyr)## ------------------------------------------------------------------------------##
## Attaching package: 'plyr'## The following objects are masked from 'package:dplyr':
##
## arrange, count, desc, failwith, id, mutate, rename, summarise,
## summarizedelivery2<-delivery1
delivery2<- aggregate(delivery2$Pedidos, by=list(category=delivery2$CLIENTE), FUN=sum)
pie(delivery2$x, labels = delivery2$category)
Con esta gráfica podemos darnos cuenta de los clientes que tienen mayores pedidos y en este caso es HELLA en primer lugar y TRMX en segundo lugar.
Gráfica Cuantitativa
delivery2<-delivery2 %>% dplyr::rename(pedidos="x")
delivery2<-delivery2 %>% dplyr::rename(Clientes="category")
delivery2$Clientes<-as.factor(delivery2$Clientes)
ggplot(delivery2, aes(x=Clientes, y=pedidos, fill=pedidos))+
geom_bar(stat="identity")+
theme_minimal()+
labs(title="Pedidos por cliente")
Esta gráfica sirve para tener de manera más visual el impacto que
tiene cada uno de los clientes en la empresa FORM. Podemos ver que HELLA
es el cliente más significativo con casi el triple de pedidos que el
siguiente cliente con mayores pedidos, TRMX. De lado derecho se tiene un
legend que muestra la tonalidad de los plots para ver que tantos pedidos
tiene, por ello HELLAS tiene un color azul claro, representando más de
250,000 pedidos.
Comportamiento de clientes por fecha
summary(delivery1)## ID_Fecha Fecha CLIENTE Pedidos
## Min. : 1.00 Length:72 Length:72 Min. : 0
## 1st Qu.: 3.75 Class :character Class :character 1st Qu.: 99
## Median : 6.50 Mode :character Mode :character Median : 1009
## Mean : 6.50 Mean : 5339
## 3rd Qu.: 9.25 3rd Qu.: 5928
## Max. :12.00 Max. :52779ggplot(delivery1,aes(x=ID_Fecha, y=Pedidos, group=CLIENTE,colour=CLIENTE))+
geom_line()+
ggtitle("Pedidos por cliente")
Con esta gráfica utilizamos el ID Fecha para conocer los pedidos que
se tiene por cliente cada mes y vemos un significativo incremento de
pedidos en el mes de septiembre y octubre. contamos con un legen que
indica cada línea con un color para nombrar la información de cada uno
de los clientes.
Gráfica Boxplot
boxplot(delivery1$Pedidos, main= "Pedidos")
delivery3<-delivery1
delivery3$CLIENTE <-as.factor(delivery3$CLIENTE)
ggplot(delivery3, aes(x=CLIENTE, y=Pedidos))+
geom_boxplot(color="blue", fill="purple")
En esta gráfica podemos visualizarcuantos pedidos tiene programados cada cliente y los clientes que sobre salen son HELLA y TRMX, algo muy relevante en esta gráfica es que se muestra la moda de cada uno, así como también la minima de pedidos y la máxima, y en este caso no se tiene una dispersión por ninguno de los clientes.
Conclusión - Delivery Plan
Para realizar el análisis de la base de datos de “Delivery Plan” fué necesario primero hacer un arreglo de la base de datos de manera manual en el excel. Estó para simplificar el uso de la base de datos y permitir que R pueda analizarla y extraer los datos para generar gráficas. Después aplicamos dos diferentes bases de datos, nos aseguramos de que no haya NAs y eliminamos filas que correspondían a los clientes que tenían menos de 5,000 pedidos. Nos quedamos con una base de datos con los 6 clientes más significativos para FORM. Continuamos identificando las variables en dónde 6 de 8 variables eran cualitativas al ser los clientes de FORM.
Graficamos una gráfica de Pie para identificar de manera visual los mayores clientes, los que vienen siendo HELLA y TRMX. También hicimos un “Barplot” para mostrar la cantidad de pedidos programados que tiene cada cliente, Hella siendo el cliente con mayor pedidos con más de 225,000 y TRMX siguiendo con 80,000. Decidimos también visualizar el comportamiento de los clientes según la fecha y nos dimos cuenta que entre el mes de septiembre y octubre hubo un incremento de pedidos establecidos. Y por último se realizó el “Boxplot” para de ese modo ver de manera precisa la moda de clos pedidos que suele hacer cada uno de los clientes.
4. Recursos Humanos
Limpieza, Transformación y Organización de Bases de Datos
## Descargar librerías
library(foreign)
library(dplyr) # data manipulation
library(forcats) # to work with categorical variables
library(ggplot2) # data visualization
library(readr) # read specific csv files
library(janitor) # data exploration and cleaning
library(Hmisc) # several useful functions for data analysis ## Loading required package: lattice## Loading required package: survival## Loading required package: Formula##
## Attaching package: 'Hmisc'## The following objects are masked from 'package:plyr':
##
## is.discrete, summarize## The following object is masked from 'package:dlookr':
##
## describe## The following object is masked from 'package:psych':
##
## describe## The following objects are masked from 'package:dplyr':
##
## src, summarize## The following objects are masked from 'package:base':
##
## format.pval, unitslibrary(psych) # functions for multivariate analysis
library(naniar) # summaries and visualization of missing values NAs
library(dlookr) # summaries and visualization of missing values NAs
library(corrplot) # correlation plots## corrplot 0.92 loadedlibrary(jtools) # presentation of regression analysis ##
## Attaching package: 'jtools'## The following object is masked from 'package:Hmisc':
##
## %nin%library(lmtest) # diagnostic checks - linear regression analysis ## Loading required package: zoo##
## Attaching package: 'zoo'## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numericlibrary(car) # diagnostic checks - linear regression analysis## Loading required package: carData##
## Attaching package: 'car'## The following object is masked from 'package:psych':
##
## logit## The following object is masked from 'package:dplyr':
##
## recodelibrary(olsrr) # diagnostic checks - linear regression analysis ##
## Attaching package: 'olsrr'## The following object is masked from 'package:datasets':
##
## riverslibrary(kableExtra) # HTML table attributes##
## Attaching package: 'kableExtra'## The following object is masked from 'package:dplyr':
##
## group_rowslibrary(gmodels)
library(openxlsx)
library(crosstable)##
## Attaching package: 'crosstable'## The following object is masked from 'package:plyr':
##
## compact*Nota: Como parte de la limpieza de datos de ambos documentos, se realizaron los promedios de los valores faltantes de forma manual en Excel.
A partir de esta parte del documento, el análisis estará dividido en dos partes. En la primera se analizará la base de datos con la información de los colaboradores actuales de la empresa, mientras que en la segunda se analizarán los datos de aquellos empleados que ya fueron bajas por motivos de despido, renuncia voluntaria, entre otros.
BASE DE DATOS: COLABORADORES DE RECURSOS HUMANOS
## 1. Número de registros y variables
### Importar base de datos
#file.choose()
df1 <-read.csv("C:\\Users\\danyc\\Downloads\\hr csv 1.csv")
summary(df1)## No..De.Empleado APELLIDOS NOMBRE FECHA.DE.NACIMIENTO
## Min. : 1.00 Length:113 Length:113 Length:113
## 1st Qu.: 31.00 Class :character Class :character Class :character
## Median : 63.00 Mode :character Mode :character Mode :character
## Mean : 75.86
## 3rd Qu.:127.00
## Max. :169.00
## EDAD GENERO RFC FECHA.DE.ALTA
## Min. : 0.00 Length:113 Length:113 Length:113
## 1st Qu.:25.00 Class :character Class :character Class :character
## Median :33.00 Mode :character Mode :character Mode :character
## Mean :35.74
## 3rd Qu.:45.00
## Max. :73.00
## PRIMER.MES CUARTO.MES BAJA PUESTO
## Length:113 Length:113 Min. :0.0000 Length:113
## Class :character Class :character 1st Qu.:0.0000 Class :character
## Mode :character Mode :character Median :0.0000 Mode :character
## Mean :0.3451
## 3rd Qu.:0.0000
## Max. :3.0000
## DEPARTAMENTO SALARIO.DIARIO.IMSS FACTOR.CRED.INFONAVIT
## Length:113 Min. :144.4 Min. : 0
## Class :character 1st Qu.:176.7 1st Qu.: 0
## Mode :character Median :180.7 Median : 0
## Mean :181.2 Mean : 2244
## 3rd Qu.:180.7 3rd Qu.: 0
## Max. :441.4 Max. :182096
## N..CREDITO.INFONAVIT LUGAR.DE.NACIMIENTO CURP CALLE
## Min. :0.000e+00 Length:113 Length:113 Length:113
## 1st Qu.:0.000e+00 Class :character Class :character Class :character
## Median :0.000e+00 Mode :character Mode :character Mode :character
## Mean :6.770e+07
## 3rd Qu.:0.000e+00
## Max. :1.922e+09
## NUMERO.INTERNO COLONIA MUNICIPIO ESTADO
## Length:113 Length:113 Length:113 Length:113
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## CODIGO.POSTAL ESTADO.CIVIL TARJETA.CUENTA X
## Min. :25016 Length:113 Length:113 Mode:logical
## 1st Qu.:66640 Class :character Class :character NA's:113
## Median :66646 Mode :character Mode :character
## Mean :63365
## 3rd Qu.:66649
## Max. :67493
## X.1
## Mode:logical
## NA's:113
##
##
##
## describe(df1)## df1
##
## 28 Variables 113 Observations
## --------------------------------------------------------------------------------
## No..De.Empleado
## n missing distinct Info Mean Gmd .05 .10
## 113 0 113 1 75.86 61.43 6.6 12.2
## .25 .50 .75 .90 .95
## 31.0 63.0 127.0 157.8 163.4
##
## lowest : 1 2 3 4 5, highest: 165 166 167 168 169
## --------------------------------------------------------------------------------
## APELLIDOS
## n missing distinct
## 113 0 109
##
## lowest : AGUILERA RODRIGUEZ ALVAREZ DORIA ARRIAGA REYES BADILLO LOZANO BALUIS PAULINO
## highest: VAZQUEZ GAYTAN VERA VALDEZ YABERT ALVARADO ZAMARRON PUENTES ZAPATA GARCIA
## --------------------------------------------------------------------------------
## NOMBRE
## n missing distinct
## 113 0 107
##
## lowest : ADELAIDA ADRIANA ADRIANA IRENE ALFREDO ALMA DELIA
## highest: VICTOR DE JESUS YOLANDA YOLANDA JUDITH YUDITH ESMERALDA YULIANA MIREYA
## --------------------------------------------------------------------------------
## FECHA.DE.NACIMIENTO
## n missing distinct
## 113 0 113
##
## lowest : 01/04/2003 01/05/1990 01/05/2000 01/07/1967 02/06/1982
## highest: 30/11/1968 30/12/1992 31/05/1992 31/07/1990 31/10/1967
## --------------------------------------------------------------------------------
## EDAD
## n missing distinct Info Mean Gmd .05 .10
## 113 0 42 0.999 35.74 15.03 19.0 20.0
## .25 .50 .75 .90 .95
## 25.0 33.0 45.0 55.0 57.4
##
## lowest : 0 18 19 20 21, highest: 58 59 60 67 73
## --------------------------------------------------------------------------------
## GENERO
## n missing distinct
## 113 0 2
##
## Value FEMENINO MASCULINO
## Frequency 61 52
## Proportion 0.54 0.46
## --------------------------------------------------------------------------------
## RFC
## n missing distinct
## 113 0 113
##
## lowest : AADE890611LN5 AIRE011022G3A AURJ6902215X8 BALA8103249E8 BAMJ970519V10
## highest: VAPA8709199G6 VEVM9412238W8 YAAM670808L59 ZAGA770505VA6 ZAPJ830218LZ9
## --------------------------------------------------------------------------------
## FECHA.DE.ALTA
## n missing distinct
## 113 0 94
##
## lowest : 01/06/2022 01/07/2010 01/07/2011 01/08/2022 01/12/2017
## highest: 28/08/2020 29/11/2018 30/01/2013 30/06/2022 30/07/2019
## --------------------------------------------------------------------------------
## PRIMER.MES
## n missing distinct
## 113 0 94
##
## lowest : 01/03/2013 01/06/2019 01/07/2022 01/09/2022 02/02/2022
## highest: 29/12/2018 30/07/2022 31/07/2010 31/07/2011 31/12/2017
## --------------------------------------------------------------------------------
## CUARTO.MES
## n missing distinct
## 113 0 95
##
## lowest : 01/09/2022 01/12/2022 02/02/2022 02/07/2021 02/08/2019
## highest: 30/05/2013 30/08/2019 31/03/2018 31/08/2022 31/10/2014
## --------------------------------------------------------------------------------
## BAJA
## n missing distinct Info Mean Gmd
## 113 0 2 0.305 0.3451 0.6163
##
## Value 0 3
## Frequency 100 13
## Proportion 0.885 0.115
## --------------------------------------------------------------------------------
## PUESTO
## n missing distinct
## 113 0 21
##
## lowest : AYUDANTE DE MANTENIMIENTO AYUDANTE GENERAL CHOFER COSTURERO/A ENFERMERO/A
## highest: RECIBO RESIDENTE SERVICIO AL CLIENTE SOLDADOR SUPERVISOR/A
## --------------------------------------------------------------------------------
## DEPARTAMENTO
## n missing distinct
## 113 0 19
##
## lowest : AY FLEXO CALIDAD CEDIS CELDAS CORTADORAS
## highest: PRODUCCION RETORN ROTATIVA STABILUS TROQUEL VARIOS
## --------------------------------------------------------------------------------
## SALARIO.DIARIO.IMSS
## n missing distinct Info Mean Gmd .05 .10
## 113 0 17 0.848 181.2 22.55 151.6 151.6
## .25 .50 .75 .90 .95
## 176.7 180.7 180.7 180.7 221.5
##
## lowest : 144.45 151.61 151.67 152.86 175.79, highest: 240.75 260.01 279.61 337.05 441.37
##
## Value 144.45 151.61 151.67 152.86 175.79 176.72 180.68 181.68 184.68
## Frequency 3 11 5 1 1 23 59 1 1
## Proportion 0.027 0.097 0.044 0.009 0.009 0.204 0.522 0.009 0.009
##
## Value 185.68 208.65 240.71 240.75 260.01 279.61 337.05 441.37
## Frequency 1 1 1 1 1 1 1 1
## Proportion 0.009 0.009 0.009 0.009 0.009 0.009 0.009 0.009
## --------------------------------------------------------------------------------
## FACTOR.CRED.INFONAVIT
## n missing distinct Info Mean Gmd
## 113 0 5 0.102 2244 4460
##
## lowest : 0.00 1726.06 13619.00 56118.00 182096.00
## highest: 0.00 1726.06 13619.00 56118.00 182096.00
##
## Value 0.00 1726.06 13619.00 56118.00 182096.00
## Frequency 109 1 1 1 1
## Proportion 0.965 0.009 0.009 0.009 0.009
## --------------------------------------------------------------------------------
## N..CREDITO.INFONAVIT
## n missing distinct Info Mean Gmd
## 113 0 5 0.102 67697774 131776900
##
## lowest : 0 1905321932 1910498716 1912437884 1921589926
## highest: 0 1905321932 1910498716 1912437884 1921589926
##
## Value 0 1905321932 1910498716 1912437884 1921589926
## Frequency 109 1 1 1 1
## Proportion 0.965 0.009 0.009 0.009 0.009
## --------------------------------------------------------------------------------
## LUGAR.DE.NACIMIENTO
## n missing distinct
## 113 0 13
##
## lowest : CHIAPAS CIUDAD DE MEXICO COAHUILA DURANGO GUANAJUATO
## highest: SAN LUIS POTOSI TABASCO TAMAULIPAS VERACRUZ ZACATECAS
## --------------------------------------------------------------------------------
## CURP
## n missing distinct
## 113 0 113
##
## lowest : AADE890611HNLLRD AIRE011022MNLRYRA6 AURJ690221HNLGDM07 BALA810324MVZDZD08 BAMJ970519HTSRRN01
## highest: VEVM941223HSPRLN07 VXCA630828HZSZPL02 YAAM670808HZSBLR18 ZAGA770505MTSPRD06 ZAPJ830218MNLMNS04
## --------------------------------------------------------------------------------
## CALLE
## n missing distinct
## 113 0 102
##
## lowest : AGUSTIN LARA AHITI ALAMO CHOPO ALAMO TEMBLON ALBISO
## highest: VILLA PLACENCIA VILLAS DE MADRID VIRREYES DEL NORTE VISTAS DEL RIO ZOLDANO
## --------------------------------------------------------------------------------
## NUMERO.INTERNO
## n missing distinct
## 113 0 92
##
## lowest : 106B 107 108 109 1109, highest: 821B 825 832 833 835
## --------------------------------------------------------------------------------
## COLONIA
## n missing distinct
## 113 0 67
##
## lowest : ALAMOS DEL PARQUE ANALCO 2 ANZURES BALCONES DE HUINALA C. H. BLAS CHUMACERO C.T.M
## highest: VILLAS DE HUINALA VILLAS DE SAN CARLOS VISTAS DEL RIO VIVIENDA DIGNA ZONA CENTRO
## --------------------------------------------------------------------------------
## MUNICIPIO
## n missing distinct
## 113 0 9
##
## lowest : APODACA CAÑADA BLANCA GUADALUPE JUAREZ MONTERREY
## highest: MONTERREY PESQUERIA RAMOS ARIZPE SALTILLO SAN NICOLAS DE LOS GARZA
## --------------------------------------------------------------------------------
## ESTADO
## n missing distinct
## 113 0 2
##
## Value COAHUILA NUEVO LEON
## Frequency 9 104
## Proportion 0.08 0.92
## --------------------------------------------------------------------------------
## CODIGO.POSTAL
## n missing distinct Info Mean Gmd .05 .10
## 113 0 43 0.972 63365 6375 25901 64846
## .25 .50 .75 .90 .95
## 66640 66646 66649 67117 67256
##
## lowest : 25016 25088 25115 25290 25900, highest: 67255 67258 67266 67267 67493
##
## Value 25000 25100 25300 25900 64100 64800 65000 66100 66400 66500 66600
## Frequency 1 2 2 4 2 1 1 1 1 1 71
## Proportion 0.009 0.018 0.018 0.035 0.018 0.009 0.009 0.009 0.009 0.009 0.628
##
## Value 66700 67100 67200 67300 67500
## Frequency 10 5 3 7 1
## Proportion 0.088 0.044 0.027 0.062 0.009
##
## For the frequency table, variable is rounded to the nearest 100
## --------------------------------------------------------------------------------
## ESTADO.CIVIL
## n missing distinct
## 113 0 4
##
## Value CASADO/A DIVORCIADO/A SOLTERO/A UNION LIBRE
## Frequency 44 3 46 20
## Proportion 0.389 0.027 0.407 0.177
## --------------------------------------------------------------------------------
## TARJETA.CUENTA
## n missing distinct
## 113 0 2
##
## Value BANORTE SANTANDER
## Frequency 101 12
## Proportion 0.894 0.106
## --------------------------------------------------------------------------------
##
## Variables with all observations missing:
##
## [1] X X.12. Clasificación de variables
variable<-c("No..De.Empleado","APELLIDOS","NOMBRE","FECHA.DE.NACIMIENTO","EDAD","GENERO","RFC","FECHA.DE.ALTA","PRIMER.MES","CUARTO.MES","BAJA","PUESTO","DEPARTAMENTO","SALARIO.DIARIO.IMSS","FACTOR.CRED.INFONAVIT","N..CREDITO.INFONAVIT","LUGAR.DE.NACIMIENTO","CURP","CALLE","NUMERO.INTERNO","COLONIA","MUNICIPIO","ESTADO","CODIGO.POSTAL","ESTADO.CIVIL","TARJETA.CUENTA")
Type<-c(
"quantitative (continous)",
"qualitative (discrete)",
"qualitative (discrete)",
"qualitative (discrete)",
"quantitative (continous)",
"qualitative (discrete)",
"qualitative (discrete)",
"quantitative (continous)",
"quantitative (continous)",
"quantitative (continous)",
"quantitative (continous)",
"qualitative (discrete)",
"qualitative (discrete)",
"quantitative (continous)",
"quantitative (continous)",
"qualitative (discrete)",
"qualitative (discrete)",
"qualitative (discrete)",
"qualitative (discrete)",
"quantitative (continous)",
"qualitative (discrete)",
"qualitative (discrete)",
"qualitative (discrete)",
"quanitative (continous)",
"qualitative (discrete)",
"qualitative (discrete)"
)
table<-data.frame(variable,Type)
knitr::kable(table)| variable | Type |
|---|---|
| No..De.Empleado | quantitative (continous) |
| APELLIDOS | qualitative (discrete) |
| NOMBRE | qualitative (discrete) |
| FECHA.DE.NACIMIENTO | qualitative (discrete) |
| EDAD | quantitative (continous) |
| GENERO | qualitative (discrete) |
| RFC | qualitative (discrete) |
| FECHA.DE.ALTA | quantitative (continous) |
| PRIMER.MES | quantitative (continous) |
| CUARTO.MES | quantitative (continous) |
| BAJA | quantitative (continous) |
| PUESTO | qualitative (discrete) |
| DEPARTAMENTO | qualitative (discrete) |
| SALARIO.DIARIO.IMSS | quantitative (continous) |
| FACTOR.CRED.INFONAVIT | quantitative (continous) |
| N..CREDITO.INFONAVIT | qualitative (discrete) |
| LUGAR.DE.NACIMIENTO | qualitative (discrete) |
| CURP | qualitative (discrete) |
| CALLE | qualitative (discrete) |
| NUMERO.INTERNO | quantitative (continous) |
| COLONIA | qualitative (discrete) |
| MUNICIPIO | qualitative (discrete) |
| ESTADO | qualitative (discrete) |
| CODIGO.POSTAL | quanitative (continous) |
| ESTADO.CIVIL | qualitative (discrete) |
| TARJETA.CUENTA | qualitative (discrete) |
3. Escalas de medición
variables <- c(
"No..De.Empleado",
"APELLIDOS",
"NOMBRE",
"FECHA.DE.NACIMIENTO",
"EDAD",
"GENERO",
"RFC",
"FECHA.DE.ALTA",
"PRIMER.MES",
"CUARTO.MES",
"BAJA",
"PUESTO",
"DEPARTAMENTO",
"SALARIO.DIARIO.IMSS",
"FACTOR.CRED.INFONAVIT",
"N..CREDITO.INFONAVIT",
"LUGAR.DE.NACIMIENTO",
"CURP",
"CALLE",
"NUMERO.INTERNO",
"COLONIA",
"MUNICIPIO",
"ESTADO",
"CODIGO.POSTAL",
"ESTADO.CIVIL",
"TARJETA.CUENTA"
)
tipos <- c(
"Cuantitativo",
"Cualitativo",
"Cualitativo",
"Cualitativo",
"Cuantitativo",
"Cualitativo",
"Cualitativo",
"Cuantitativo",
"Cuantitativo",
"Cuantitativo",
"Cuantitativo",
"Cualitativo",
"Cualitativo",
"Cuantitativo",
"Cuantitativo",
"Cualitativo",
"Cualitativo",
"Cualitativo",
"Cualitativo",
"Cuantitativo",
"Cualitativo",
"Cualitativo",
"Cualitativo",
"Cuantitativo",
"Cualitativo",
"Cualitativo"
)
escalas <- c(
"Intervalo",
"Nominal",
"Nominal",
"Intervalo",
"Intervalo",
"Nominal",
"Nominal",
"Razón",
"Razón",
"Razón",
"Razón",
"Ordinal",
"Nominal",
"Razón",
"Razón",
"Nominal",
"Nominal",
"Nominal",
"Nominal",
"Razón",
"Nominal",
"Nominal",
"Nominal",
"Ordinal",
"Nominal",
"Nominal"
)
table1 <- data.frame (variables, tipos, escalas)
knitr::kable(table1)| variables | tipos | escalas |
|---|---|---|
| No..De.Empleado | Cuantitativo | Intervalo |
| APELLIDOS | Cualitativo | Nominal |
| NOMBRE | Cualitativo | Nominal |
| FECHA.DE.NACIMIENTO | Cualitativo | Intervalo |
| EDAD | Cuantitativo | Intervalo |
| GENERO | Cualitativo | Nominal |
| RFC | Cualitativo | Nominal |
| FECHA.DE.ALTA | Cuantitativo | Razón |
| PRIMER.MES | Cuantitativo | Razón |
| CUARTO.MES | Cuantitativo | Razón |
| BAJA | Cuantitativo | Razón |
| PUESTO | Cualitativo | Ordinal |
| DEPARTAMENTO | Cualitativo | Nominal |
| SALARIO.DIARIO.IMSS | Cuantitativo | Razón |
| FACTOR.CRED.INFONAVIT | Cuantitativo | Razón |
| N..CREDITO.INFONAVIT | Cualitativo | Nominal |
| LUGAR.DE.NACIMIENTO | Cualitativo | Nominal |
| CURP | Cualitativo | Nominal |
| CALLE | Cualitativo | Nominal |
| NUMERO.INTERNO | Cuantitativo | Razón |
| COLONIA | Cualitativo | Nominal |
| MUNICIPIO | Cualitativo | Nominal |
| ESTADO | Cualitativo | Nominal |
| CODIGO.POSTAL | Cuantitativo | Ordinal |
| ESTADO.CIVIL | Cualitativo | Nominal |
| TARJETA.CUENTA | Cualitativo | Nominal |
#Las escalas de medición permiten organizar datos en orden jerárquico. Éstas pueden ser clasificadas de acuerdo a una degradación de las características de distintas variables. Entre las variables usadas están nominal (aquellas que son mutuamente excluyentes y no asignan un orden o jerarquía), ordinal (establecen un orden, puede ser creciente o decreciente), intervalo (establecen un orden determinado por un intervalo numérico) y razón (existe un intervalo numérico; el cero representa la ausencia de valor; es un cero absoluto).4. Limpieza de datos
Remover valores irrelevantes (eliminar renglones duplicados) y conversión de datos son técnicas elegidas para realizar la limpieza de datos debido a las necesidades de la base de datos y el beneficio que generó para el análisis descriptivo, obteniendo información más clara y concisa.
### Eliminar renglones duplicados
df2<-df1
df2<-distinct(df2)
### ¿Cuántos NA's tengo en la base de datos? Primera limpieza
sum(is.na(df2))## [1] 226### Eliminar columnas
df3<-df2
df3 <- subset(df3, select =-c (X))
df3 <- subset(df3, select =-c (X.1))
df3 <- subset(df3, select =-c (NOMBRE))
df3 <- subset(df3, select =-c (APELLIDOS))
df3 <- subset(df3, select =-c (RFC))
df3 <- subset(df3, select =-c (CUARTO.MES))
df3 <- subset(df3, select =-c (FACTOR.CRED.INFONAVIT))
df3 <- subset(df3, select =-c (CURP))
df3 <- subset(df3, select =-c (CALLE))
df3 <- subset(df3, select =-c (NUMERO.INTERNO))
df3 <- subset(df3, select =-c (TARJETA.CUENTA))
### ¿Cuántos NA's tengo en la base de datos? Segunda limpieza
sum(is.na(df3))## [1] 05. Análisis Exploratorio de las Bases de Datos
Nota: Si salen los counts si se pone solo el documento de RH, si se junta con las otras, sale error, para mejor visualizacion ver canva apartado RH.
describe(df3)## df3
##
## 17 Variables 113 Observations
## --------------------------------------------------------------------------------
## No..De.Empleado
## n missing distinct Info Mean Gmd .05 .10
## 113 0 113 1 75.86 61.43 6.6 12.2
## .25 .50 .75 .90 .95
## 31.0 63.0 127.0 157.8 163.4
##
## lowest : 1 2 3 4 5, highest: 165 166 167 168 169
## --------------------------------------------------------------------------------
## FECHA.DE.NACIMIENTO
## n missing distinct
## 113 0 113
##
## lowest : 01/04/2003 01/05/1990 01/05/2000 01/07/1967 02/06/1982
## highest: 30/11/1968 30/12/1992 31/05/1992 31/07/1990 31/10/1967
## --------------------------------------------------------------------------------
## EDAD
## n missing distinct Info Mean Gmd .05 .10
## 113 0 42 0.999 35.74 15.03 19.0 20.0
## .25 .50 .75 .90 .95
## 25.0 33.0 45.0 55.0 57.4
##
## lowest : 0 18 19 20 21, highest: 58 59 60 67 73
## --------------------------------------------------------------------------------
## GENERO
## n missing distinct
## 113 0 2
##
## Value FEMENINO MASCULINO
## Frequency 61 52
## Proportion 0.54 0.46
## --------------------------------------------------------------------------------
## FECHA.DE.ALTA
## n missing distinct
## 113 0 94
##
## lowest : 01/06/2022 01/07/2010 01/07/2011 01/08/2022 01/12/2017
## highest: 28/08/2020 29/11/2018 30/01/2013 30/06/2022 30/07/2019
## --------------------------------------------------------------------------------
## PRIMER.MES
## n missing distinct
## 113 0 94
##
## lowest : 01/03/2013 01/06/2019 01/07/2022 01/09/2022 02/02/2022
## highest: 29/12/2018 30/07/2022 31/07/2010 31/07/2011 31/12/2017
## --------------------------------------------------------------------------------
## BAJA
## n missing distinct Info Mean Gmd
## 113 0 2 0.305 0.3451 0.6163
##
## Value 0 3
## Frequency 100 13
## Proportion 0.885 0.115
## --------------------------------------------------------------------------------
## PUESTO
## n missing distinct
## 113 0 21
##
## lowest : AYUDANTE DE MANTENIMIENTO AYUDANTE GENERAL CHOFER COSTURERO/A ENFERMERO/A
## highest: RECIBO RESIDENTE SERVICIO AL CLIENTE SOLDADOR SUPERVISOR/A
## --------------------------------------------------------------------------------
## DEPARTAMENTO
## n missing distinct
## 113 0 19
##
## lowest : AY FLEXO CALIDAD CEDIS CELDAS CORTADORAS
## highest: PRODUCCION RETORN ROTATIVA STABILUS TROQUEL VARIOS
## --------------------------------------------------------------------------------
## SALARIO.DIARIO.IMSS
## n missing distinct Info Mean Gmd .05 .10
## 113 0 17 0.848 181.2 22.55 151.6 151.6
## .25 .50 .75 .90 .95
## 176.7 180.7 180.7 180.7 221.5
##
## lowest : 144.45 151.61 151.67 152.86 175.79, highest: 240.75 260.01 279.61 337.05 441.37
##
## Value 144.45 151.61 151.67 152.86 175.79 176.72 180.68 181.68 184.68
## Frequency 3 11 5 1 1 23 59 1 1
## Proportion 0.027 0.097 0.044 0.009 0.009 0.204 0.522 0.009 0.009
##
## Value 185.68 208.65 240.71 240.75 260.01 279.61 337.05 441.37
## Frequency 1 1 1 1 1 1 1 1
## Proportion 0.009 0.009 0.009 0.009 0.009 0.009 0.009 0.009
## --------------------------------------------------------------------------------
## N..CREDITO.INFONAVIT
## n missing distinct Info Mean Gmd
## 113 0 5 0.102 67697774 131776900
##
## lowest : 0 1905321932 1910498716 1912437884 1921589926
## highest: 0 1905321932 1910498716 1912437884 1921589926
##
## Value 0 1905321932 1910498716 1912437884 1921589926
## Frequency 109 1 1 1 1
## Proportion 0.965 0.009 0.009 0.009 0.009
## --------------------------------------------------------------------------------
## LUGAR.DE.NACIMIENTO
## n missing distinct
## 113 0 13
##
## lowest : CHIAPAS CIUDAD DE MEXICO COAHUILA DURANGO GUANAJUATO
## highest: SAN LUIS POTOSI TABASCO TAMAULIPAS VERACRUZ ZACATECAS
## --------------------------------------------------------------------------------
## COLONIA
## n missing distinct
## 113 0 67
##
## lowest : ALAMOS DEL PARQUE ANALCO 2 ANZURES BALCONES DE HUINALA C. H. BLAS CHUMACERO C.T.M
## highest: VILLAS DE HUINALA VILLAS DE SAN CARLOS VISTAS DEL RIO VIVIENDA DIGNA ZONA CENTRO
## --------------------------------------------------------------------------------
## MUNICIPIO
## n missing distinct
## 113 0 9
##
## lowest : APODACA CAÑADA BLANCA GUADALUPE JUAREZ MONTERREY
## highest: MONTERREY PESQUERIA RAMOS ARIZPE SALTILLO SAN NICOLAS DE LOS GARZA
## --------------------------------------------------------------------------------
## ESTADO
## n missing distinct
## 113 0 2
##
## Value COAHUILA NUEVO LEON
## Frequency 9 104
## Proportion 0.08 0.92
## --------------------------------------------------------------------------------
## CODIGO.POSTAL
## n missing distinct Info Mean Gmd .05 .10
## 113 0 43 0.972 63365 6375 25901 64846
## .25 .50 .75 .90 .95
## 66640 66646 66649 67117 67256
##
## lowest : 25016 25088 25115 25290 25900, highest: 67255 67258 67266 67267 67493
##
## Value 25000 25100 25300 25900 64100 64800 65000 66100 66400 66500 66600
## Frequency 1 2 2 4 2 1 1 1 1 1 71
## Proportion 0.009 0.018 0.018 0.035 0.018 0.009 0.009 0.009 0.009 0.009 0.628
##
## Value 66700 67100 67200 67300 67500
## Frequency 10 5 3 7 1
## Proportion 0.088 0.044 0.027 0.062 0.009
##
## For the frequency table, variable is rounded to the nearest 100
## --------------------------------------------------------------------------------
## ESTADO.CIVIL
## n missing distinct
## 113 0 4
##
## Value CASADO/A DIVORCIADO/A SOLTERO/A UNION LIBRE
## Frequency 44 3 46 20
## Proportion 0.389 0.027 0.407 0.177
## --------------------------------------------------------------------------------#count(df3, GENERO, sort = TRUE)
#count(df3, PUESTO, sort = TRUE)
#count(df3, DEPARTAMENTO, sort = TRUE)
#count(df3, SALARIO.DIARIO.IMSS, sort = TRUE)
#count(df3, LUGAR.DE.NACIMIENTO, sort = TRUE)
tibble(df3)## # A tibble: 113 × 17
## No..De.Em…¹ FECHA…² EDAD GENERO FECHA…³ PRIME…⁴ BAJA PUESTO DEPAR…⁵ SALAR…⁶
## <int> <chr> <int> <chr> <chr> <chr> <int> <chr> <chr> <dbl>
## 1 1 10/09/… 67 MASCU… 01/07/… 31/07/… 0 SUPER… PRODUC… 177.
## 2 2 14/05/… 43 FEMEN… 01/07/… 31/07/… 0 SUPER… PRODUC… 177.
## 3 3 21/11/… 73 MASCU… 22/11/… 22/12/… 0 EXTER… EXTERNO 177.
## 4 4 01/05/… 32 FEMEN… 30/01/… 01/03/… 0 SUPER… PRODUC… 337.
## 5 5 06/09/… 57 FEMEN… 05/05/… 04/06/… 0 SUPER… COSTURA 441.
## 6 6 22/06/… 38 MASCU… 03/07/… 02/08/… 0 SERVI… CEDIS 177.
## 7 7 01/07/… 55 FEMEN… 06/08/… 05/09/… 0 COSTU… COSTURA 260.
## 8 8 10/12/… 26 MASCU… 23/08/… 22/09/… 0 AYUDA… PRODUC… 241.
## 9 9 03/11/… 27 MASCU… 11/01/… 10/02/… 0 AYUDA… CEDIS 177.
## 10 10 18/08/… 37 FEMEN… 20/02/… 22/03/… 0 COSTU… COSTURA 153.
## # … with 103 more rows, 7 more variables: N..CREDITO.INFONAVIT <int>,
## # LUGAR.DE.NACIMIENTO <chr>, COLONIA <chr>, MUNICIPIO <chr>, ESTADO <chr>,
## # CODIGO.POSTAL <int>, ESTADO.CIVIL <chr>, and abbreviated variable names
## # ¹No..De.Empleado, ²FECHA.DE.NACIMIENTO, ³FECHA.DE.ALTA, ⁴PRIMER.MES,
## # ⁵DEPARTAMENTO, ⁶SALARIO.DIARIO.IMSSEn esta primera parte del análisis estadístico descriptivo, vemos que el conteo total de empleados actuales es de 113 y hay un mayor número de mujeres (54%) contra empleados que son hombres (46%).
En cuanto a los puestos, vemos que existe una gran cantidad de ayudantes generales, pues es el puesto que ocupa mayor capital humano, contra aquellos que ocupan menos que van desde servicio al cliente hasta operadores.
Entre los departamentos con mayor cantidad de empleados, vemos que está varios y producción retorn. El departamento de “Varios” fue creado para catalogar a aquellos empleados que en la base de datos no tenían definida un área en concreto.
Vemos que la mayoría de los empleados ganan $180.68 pesos de salario diario por el IMSS y de todos los empleados, se calcula que tienen un promedio de salario diario de $236.62 pesos.
En cuanto al lugar de origen, vemos que la mayoría de los empleados provienen del Estado de Nuevo León (70%) y Veracruz (11%), viendo que el 19% restante de los empleados son provenientes de Zona Centro o estados colidantes de Nuevo León.
5.1 Tabla de frecuencia (1)
Las tablas de frecuencia son una ordenación en forma de tabla de los datos estadísticos, asignando a cada dato su frecuencia correspondiente, es decir, el número de veces que aparece un determinado valor en un estudio estadístico.
### Tabla de frecuencia: Salario diario de acuerdo al género
proportion <- prop.table(table(df3$GENERO,df3$SALARIO.DIARIO.IMSS))
proportion %>%
kbl() %>%
kable_styling()| 144.45 | 151.61 | 151.67 | 152.86 | 175.79 | 176.72 | 180.68 | 181.68 | 184.68 | 185.68 | 208.65 | 240.71 | 240.75 | 260.01 | 279.61 | 337.05 | 441.37 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| FEMENINO | 0.0265487 | 0.0619469 | 0.0088496 | 0.0088496 | 0.0000000 | 0.0619469 | 0.3008850 | 0.0088496 | 0.0088496 | 0.0088496 | 0.0088496 | 0.0088496 | 0.0000000 | 0.0088496 | 0.0000000 | 0.0088496 | 0.0088496 |
| MASCULINO | 0.0000000 | 0.0353982 | 0.0353982 | 0.0000000 | 0.0088496 | 0.1415929 | 0.2212389 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0088496 | 0.0000000 | 0.0088496 | 0.0000000 | 0.0000000 |
Esta tabla de frecuencia representa el valor decimal del salario diario de acuerdo al género, es decir, la cantidad de empleados en valor decimal que reciben cierto salario diario de acuerdo a su género.
BASE DE DATOS: BAJAS DE RECURSOS HUMANOS
A partir de la siguiente base de datos, se analizará específicamente la información de aquellas personas que se dieron de baja en años anteriores con el objetivo de entender las principales razones de la alta rotación en la empresa.
### Importar base de datos
df4 <-read.csv("C:\\Users\\danyc\\Downloads\\HR_Bajas 2.csv")
summary(df4)## NO.DE.BAJAS APELLIDOS NOMBRE FECHA.DE.NACIMIENTO
## Min. : 5.00 Length:78 Length:78 Min. :25585
## 1st Qu.: 49.75 Class :character Class :character 1st Qu.:31751
## Median :167.50 Mode :character Mode :character Median :33797
## Mean :139.60 Mean :33611
## 3rd Qu.:212.75 3rd Qu.:36519
## Max. :238.00 Max. :44632
## EDAD GENERO FECHA.DE.ALTA MOTIVO.DE.BAJA
## Min. : 0.00 Length:78 Min. :43961 Length:78
## 1st Qu.:22.25 Class :character 1st Qu.:44567 Class :character
## Median :30.00 Mode :character Median :44726 Mode :character
## Mean :30.50 Mean :44664
## 3rd Qu.:36.00 3rd Qu.:44759
## Max. :52.00 Max. :44790
## DIAS.TRABAJADOS BAJA PUESTO DEPARTAMENTO
## Min. : 0.00 Min. :44569 Length:78 Length:78
## 1st Qu.: 9.00 1st Qu.:44613 Class :character Class :character
## Median : 19.00 Median :44741 Mode :character Mode :character
## Mean : 45.10 Mean :44709
## 3rd Qu.: 39.75 3rd Qu.:44784
## Max. :730.00 Max. :44814
## NO.SEGURO.SOCIAL SALARIO.DIARIO.IMSS FACTOR.CRED.INFONAVIT
## Length:78 Min. :151.6 Min. : 0.0
## Class :character 1st Qu.:180.7 1st Qu.: 0.0
## Mode :character Median :180.7 Median : 0.0
## Mean :174.3 Mean : 130.4
## 3rd Qu.:180.7 3rd Qu.: 0.0
## Max. :183.7 Max. :2795.3
## NO.CREDITO.INFONAVIT LUGAR.DE.NACIMIENTO CURP CALLE
## Min. :0.000e+00 Length:78 Length:78 Length:78
## 1st Qu.:0.000e+00 Class :character Class :character Class :character
## Median :0.000e+00 Mode :character Mode :character Mode :character
## Mean :1.871e+08
## 3rd Qu.:0.000e+00
## Max. :6.919e+09
## NUMERO.INTERNO COLONIA CODIGO.POSTAL MUNICIPIO
## Length:78 Length:78 Min. :25019 Length:78
## Class :character Class :character 1st Qu.:33604 Class :character
## Mode :character Mode :character Median :33604 Mode :character
## Mean :46508
## 3rd Qu.:66645
## Max. :67450
## ESTADO ESTADO.CIVIL TARJETA.CUENTA
## Length:78 Length:78 Length:78
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
## ### ¿Cuántos NA's tengo en la base de datos?
sum(is.na(df4))## [1] 0### Borrar todos los registros NA's de una tabla
df5<-df4
df5<-na.omit(df5)
summary(df5)## NO.DE.BAJAS APELLIDOS NOMBRE FECHA.DE.NACIMIENTO
## Min. : 5.00 Length:78 Length:78 Min. :25585
## 1st Qu.: 49.75 Class :character Class :character 1st Qu.:31751
## Median :167.50 Mode :character Mode :character Median :33797
## Mean :139.60 Mean :33611
## 3rd Qu.:212.75 3rd Qu.:36519
## Max. :238.00 Max. :44632
## EDAD GENERO FECHA.DE.ALTA MOTIVO.DE.BAJA
## Min. : 0.00 Length:78 Min. :43961 Length:78
## 1st Qu.:22.25 Class :character 1st Qu.:44567 Class :character
## Median :30.00 Mode :character Median :44726 Mode :character
## Mean :30.50 Mean :44664
## 3rd Qu.:36.00 3rd Qu.:44759
## Max. :52.00 Max. :44790
## DIAS.TRABAJADOS BAJA PUESTO DEPARTAMENTO
## Min. : 0.00 Min. :44569 Length:78 Length:78
## 1st Qu.: 9.00 1st Qu.:44613 Class :character Class :character
## Median : 19.00 Median :44741 Mode :character Mode :character
## Mean : 45.10 Mean :44709
## 3rd Qu.: 39.75 3rd Qu.:44784
## Max. :730.00 Max. :44814
## NO.SEGURO.SOCIAL SALARIO.DIARIO.IMSS FACTOR.CRED.INFONAVIT
## Length:78 Min. :151.6 Min. : 0.0
## Class :character 1st Qu.:180.7 1st Qu.: 0.0
## Mode :character Median :180.7 Median : 0.0
## Mean :174.3 Mean : 130.4
## 3rd Qu.:180.7 3rd Qu.: 0.0
## Max. :183.7 Max. :2795.3
## NO.CREDITO.INFONAVIT LUGAR.DE.NACIMIENTO CURP CALLE
## Min. :0.000e+00 Length:78 Length:78 Length:78
## 1st Qu.:0.000e+00 Class :character Class :character Class :character
## Median :0.000e+00 Mode :character Mode :character Mode :character
## Mean :1.871e+08
## 3rd Qu.:0.000e+00
## Max. :6.919e+09
## NUMERO.INTERNO COLONIA CODIGO.POSTAL MUNICIPIO
## Length:78 Length:78 Min. :25019 Length:78
## Class :character Class :character 1st Qu.:33604 Class :character
## Mode :character Mode :character Median :33604 Mode :character
## Mean :46508
## 3rd Qu.:66645
## Max. :67450
## ESTADO ESTADO.CIVIL TARJETA.CUENTA
## Length:78 Length:78 Length:78
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
## ### Eliminar columnas
df3<-df2
df3 <- subset(df3, select =-c (APELLIDOS))
df3 <- subset(df3, select =-c (NOMBRE))
df3 <- subset(df3, select =-c (FACTOR.CRED.INFONAVIT))
df3 <- subset(df3, select =-c (CURP))
df3 <- subset(df3, select =-c (CALLE))
df3 <- subset(df3, select =-c (NUMERO.INTERNO))
df3 <- subset(df3, select =-c (TARJETA.CUENTA))
### ¿Cuántos NA's tengo en la base de datos?
sum(is.na(df5))## [1] 0# Con los datos presentados anteriormente, vemos que la edad promedio de los colaboradores es de 35 años, además de que ganan un promedio de $180 pesos.5.2.1 Tabla cruzada (1)
table(df5$PUESTO, df5$MOTIVO.DE.BAJA)##
## BAJA POR FALTAS RENUNCIA VOLUNTARIA
## AYUDANTE DE EMBARQUES 0 0
## AYUDANTE GENERAL 50 18
## COSTURERO/A 1 0
## GUARDIA DE SEGURIDAD 0 1
## INSPECTOR DE CALIDAD 1 0
## JEFE DE SEGURIDAD E HIGIENE 0 1
## MONTACARGUISTA 1 1
## RESIDENTE 1 0
## SOLDADOR 1 0
##
## TERMINO DE CONTRATO
## AYUDANTE DE EMBARQUES 1
## AYUDANTE GENERAL 1
## COSTURERO/A 0
## GUARDIA DE SEGURIDAD 0
## INSPECTOR DE CALIDAD 0
## JEFE DE SEGURIDAD E HIGIENE 0
## MONTACARGUISTA 0
## RESIDENTE 0
## SOLDADOR 0En la tabla vemos que se destacan tres razones principales de bajas de empleados, las cuales son: bajas por faltas, renuncia voluntaria o término de contrato. En su mayoría, hubo una baja por faltas del puesto de ayudante general y renuncia voluntaria para el mismo puesto. Al igual que en la base de datos anterior, vemos que el puesto con mayor rotación a nivel histórico es de ayudante general. Esto sugiere que existe un alto número de contrataciones para el puesto debido a una mala gestión administrativa o bajo rendimiento de los empleados.
5.2.2 Tabla cruzada (2)
table(df5$GENERO, df5$MOTIVO.DE.BAJA)##
## BAJA POR FALTAS RENUNCIA VOLUNTARIA TERMINO DE CONTRATO
## FEMENINO 40 12 1
## MASCULINO 15 9 1La tabla cruzada anterior nos muestra la relación entre los motivos de baja contra el género, es decir, las principales razones de baja de acuerdo al género de cada empleado. Vemos que hubo un total de 53 bajas del género femenino, destacando las bajas por faltas (representa un 75% de las bajas femeninas). Para el género masculino, hubo un total de 25 faltas, destacando principalmente las bajas por faltas (representa un 60% de las bajas masculinas).
5.3 Gráficos de datos cuantitativos y cualitativos (2)
## 5.3.1 Pie chart
### Pie chart: Representación de bajas acorde al estado de residencia
pie(table(df5$ESTADO), col=c("orange","coral1"),
main="Representación de bajas acorde al estado de residencia")
La gráfica anterior nos muestra que hay un mayor número de ex-empleados que viven en el Estado de Nuevo León. Sin embargo, hay un porcentaje que reside en Coahuila. Esto se puede interpretar con que hay un alto nivel de rotación existente debido a la lejanía de residencia de los empleados.
Pie chart: Representación de bajas acorde al género
pie(table(df5$GENERO), col=c("orange","coral1"),
main="Representación de bajas acorde al género")
La anterior gráfica de pastel reafirma lo que mencionamos anteriormente. De acuerdo a las bajas realizadas, la mayoría de los ex-empleados son del género femenino.
5.4 Gráficos de dispersión (2)
### Gráfica de dispersión: Número de bajas VS. Días trabajados
plot(x= df5$NO.DE.BAJAS,
y=df5$DIAS.TRABAJADOS)
La gráfica de dispersión nos muestra la intensidad de relación entre la variable de días trabajados y número de bajas. Esto nos dice que hubo un alto número de bajas de empleados que trabajaron menos de 200 días, es decir, la mayoría de los ex-empleados estuvieron en FORM menos de 1 año.
### Boxplot: Correlación en bajas acorde a variables de género y edad
ggplot(df5, aes(GENERO,SALARIO.DIARIO.IMSS,fill=GENERO)) +
geom_bar(stat = "identity") +
scale_fill_brewer(palette = "Set2") + ggtitle("Salario diario por género")
La gráfica anterior nos muestra la correlación entre el género y el salario diario de los empleados. En este, entendemos que el género femenino tiene un salario diario total más alto que los de género masculino.
6. Referencias
Ana Karen García. (2022, September 8). Industria automotriz anota un buen agosto: crecen producción, exportaciones y ventas internas. El Economista; El Economista. https://www.eleconomista.com.mx/empresas/Industria-automotriz-anota-un-buen-agosto-crecen-produccion-exportaciones-y-ventas-internas-20220907-0031.html
Hernández, F., & Usuga, O. (2022). 9 Tablas de frecuencia | Manual de R. Retrieved 24 September 2022, from https://fhernanb.github.io/Manual-de-R/tablas.html#ejemplo-tabla-de-frecuencia-relativa-de-una-v%C3%ADa
9 Estilos y formatos de tabla | Tablas y graficos con R y R Studio. (2022). Retrieved 24 September 2022, from https://tables.investigaonline.com/tse-formateo.html
5. Production
Importar librerias
library(foreign)
library(dplyr) # data manipulation
library(forcats) # to work with categorical variables
library(ggplot2) # data visualization
library(janitor) # data exploration and cleaning
#install.packages("Hmisc")
library(Hmisc) # several useful functions for data analysis
#install.packages("psych")
library(psych) # functions for multivariate analysis
#install.packages("naniar")
library(naniar) # summaries and visualization of missing values NAs
#install.packages("dlookr")
library(dlookr) # summaries and visualization of missing values NAs
#install.packages("corrplot")
library(corrplot) # correlation plots
#install.packages("jtools")
library(jtools) # presentation of regression analysis
#install.packages("lmtest")
library(lmtest) # diagnostic checks - linear regression analysis
#install.packages("car")
library(car) # diagnostic checks - linear regression analysis
#install.packages("olsrr")
library(olsrr) # diagnostic checks - linear regression analysis
#install.packages("kableExtra")
library(kableExtra) # HTML table attributes
library(tidyverse)Importar base de datos
#file.choose()
produccion<-read.csv("C:\\Users\\danyc\\Downloads\\Base produccion form - Base produccion form - Base produccion form - Base produccion form.csv.csv.csv" )library(dplyr)
Produccion 3988 registros y 15 variables
1. Entender y limpiar la base de datos
describe(produccion)## produccion
##
## 15 Variables 3985 Observations
## --------------------------------------------------------------------------------
## Fecha
## n missing distinct
## 3985 0 58
##
## lowest : 01/09/2022 02/08/2022 02/09/2022 03/08/2022 03/09/2022
## highest: 29/07/2022 29/08/2022 30/07/2022 30/08/2022 31/08/2022
## --------------------------------------------------------------------------------
## CLIENTE
## n missing distinct
## 3984 1 11
##
## lowest : DENSO HANON SYSTEMS HELLA MERIDIAN LIGHTWEIGHT STABILUS 1
## highest: TRMX VARROC VL-017-13939 VL-017-14086 YANFENG
## --------------------------------------------------------------------------------
## ID.FORM
## n missing distinct
## 3798 187 292
##
## lowest : 00-00-19213 00-00-19216 00-00-19217 00-00-19218 00-00-19246
## highest: YN-68-8155-18805 YN-68-8155-68-8160-18277 YN-RAMOS II-18104 YN-RAMOS II-18107 YN-RAMOS II-18109
## --------------------------------------------------------------------------------
## PRODUCTO
## n missing distinct
## 3985 0 381
##
## lowest : 0371813. CAJA IMP. AZUL. PC0015. ( 1 Pza). 1 Pza/Golpe. 0371813. CAJA IMP. AZUL. ST00200. PC0015. ( 1 Pza). 1 Pza/Golpe. Calidad rechaza Suaje por Medidas. 048541 (IMC 200). CAJA. S.M. "048541" ( 66.5 x 154 c.m.). CORTE para Troquel. 0.5Pza/Golpe. ( 2 partes). 048541 . CAJA. S.M. "048541". SOLAPA PEGADA. ST0205 ( 66.5 x 154 c.m.). 0.5Pza/Golpe. ( 2 partes). 051660 (SUN RISE MEDICAL). CAJA S.M. " 051660". SOLAPA PEGADA POR FUERA. ST0201. 2pza/Golpe. 1 Pza.
## highest: VW416 G4 CHATTANOOGA. CELDA. CORTE para TROQUEL. VW416 G4 CHATTANOOGA. CHAROLA ENSAMBLADA. Solictar Sello Manual a Calidad. ( 1 Charola + 5 Celdas + 1 Zig Zad + 1 Divisor). Y0194915 PTN. WS FC 42C 1BT P2. BASE CARRIER. CAJA con Celda ITB 48 cav. SR0090. Etiqueta Blanca. Y0199488 PTN. WS IP 80 CELL IBT. BEZEL OC LOWER. CAJA con Celda ITB 80 cav. Etiqueta Blanca. SR0088. Y0199489 PTN.WS IP 60 CELL IBT. KIN. CAJA con Celda ITB. Etiiqueta Blanca.
## --------------------------------------------------------------------------------
## PIEZAS.PROG.
## n missing distinct
## 3985 0 300
##
## lowest : 1 10 100 1000 100ca, highest: 96 la 96cel 96sie 98 99
## --------------------------------------------------------------------------------
## TMO..MIN.
## n missing distinct
## 3166 819 20
##
## lowest : 0 0:00 10 100 120 , highest: 60 70 75 80 90
##
## Value 0 0:00 10 100 120 15 150 20 25 30 35
## Frequency 20 4 720 2 4 518 1 509 900 44 101
## Proportion 0.006 0.001 0.227 0.001 0.001 0.164 0.000 0.161 0.284 0.014 0.032
##
## Value 40 45 5 50 60 70 75 80 90
## Frequency 118 10 1 130 47 8 17 2 10
## Proportion 0.037 0.003 0.000 0.041 0.015 0.003 0.005 0.001 0.003
## --------------------------------------------------------------------------------
## HR..FIN
## n missing distinct
## 3131 854 158
##
## lowest : 0:00 0:55 1:00 1:05 1:10, highest: 9:36 9:40 9:45 9:50 9:55
## --------------------------------------------------------------------------------
## ESTACION.ARRANQUE
## n missing distinct
## 3985 0 15
##
## lowest : C1 c1y2 C1Y2 c2 C2
## highest: RANURADOR ROTATIVA SIERRA STABILUS TROQUEL
##
## C1 (265, 0.066), c1y2 (2, 0.001), C1Y2 (309, 0.078), c2 (1, 0.000), C2 (45,
## 0.011), C3 (336, 0.084), CAJAS (328, 0.082), CELDAS (157, 0.039), FLEXO (307,
## 0.077), LAMINADO (83, 0.021), RANURADOR (126, 0.032), ROTATIVA (800, 0.201),
## SIERRA (41, 0.010), STABILUS (219, 0.055), TROQUEL (966, 0.242)
## --------------------------------------------------------------------------------
## Laminas.procesadas
## n missing distinct Info Mean Gmd .05 .10
## 3985 0 350 0.976 102.1 127 0.0 0.0
## .25 .50 .75 .90 .95
## 0.0 51.0 184.0 232.0 400.8
##
## lowest : 0 1 2 3 4, highest: 1229 1240 1244 1262 1263
## --------------------------------------------------------------------------------
## INICIO.SEP.UP
## n missing distinct
## 3459 526 598
##
## lowest : :51 0 0:00 0:38 04.05, highest: 9:54 9:55 9:56 9:57 9:59
## --------------------------------------------------------------------------------
## FIN.INICIO.DE.SEP.UP
## n missing distinct
## 3471 514 645
##
## lowest : 0 0:39 01.07 02.05 09.01, highest: 9:56 9:57 9:58 9:59 956
## --------------------------------------------------------------------------------
## INICIO.de.PROCESO
## n missing distinct
## 3750 235 755
##
## lowest : 0 0:00 0:35 02.06 03.08, highest: 9:56 9:57 9:58 9:59 923
## --------------------------------------------------------------------------------
## FIN.de.PROCESO
## n missing distinct
## 3729 256 763
##
## lowest : 0 0.01 0:00 0:35 0:59, highest: 9:55 9:56 9:57 9:58 9:59
## --------------------------------------------------------------------------------
## TIEMPO.CALIDAD
## n missing distinct
## 3652 333 26
##
## lowest : 0 1 1.4 10 10:04, highest: 8:18 8:38 9 9:05 9:47
## --------------------------------------------------------------------------------
## TIEMPO.MATERIALES
## n missing distinct Info Mean Gmd .05 .10
## 496 3489 31 0.611 3.169 5.371 0 0
## .25 .50 .75 .90 .95
## 0 0 1 11 15
##
## lowest : 0 1 2 3 4, highest: 39 44 48 49 60
## --------------------------------------------------------------------------------Paso 1. De caracter a fecha (Tecnica 4. Convertir tipos de datos)
bdp<-produccion
bdp$Fecha<- as.Date(bdp$Fecha, format= "%d/%m/%Y")
summary(bdp)## Fecha CLIENTE ID.FORM PRODUCTO
## Min. :2022-07-15 Length:3985 Length:3985 Length:3985
## 1st Qu.:2022-08-03 Class :character Class :character Class :character
## Median :2022-08-20 Mode :character Mode :character Mode :character
## Mean :2022-08-19
## 3rd Qu.:2022-09-06
## Max. :2022-09-21
##
## PIEZAS.PROG. TMO..MIN. HR..FIN ESTACION.ARRANQUE
## Length:3985 Length:3985 Length:3985 Length:3985
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## Laminas.procesadas INICIO.SEP.UP FIN.INICIO.DE.SEP.UP INICIO.de.PROCESO
## Min. : 0.0 Length:3985 Length:3985 Length:3985
## 1st Qu.: 0.0 Class :character Class :character Class :character
## Median : 51.0 Mode :character Mode :character Mode :character
## Mean : 102.1
## 3rd Qu.: 184.0
## Max. :1263.0
##
## FIN.de.PROCESO TIEMPO.CALIDAD TIEMPO.MATERIALES
## Length:3985 Length:3985 Min. : 0.000
## Class :character Class :character 1st Qu.: 0.000
## Mode :character Mode :character Median : 0.000
## Mean : 3.169
## 3rd Qu.: 1.000
## Max. :60.000
## NA's :3489tibble(bdp)## # A tibble: 3,985 × 15
## Fecha CLIENTE ID.FORM PRODU…¹ PIEZA…² TMO..…³ HR..FIN ESTAC…⁴ Lamin…⁵
## <date> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <int>
## 1 2022-07-16 TRMX 00-059… "TGTX.… 1 "10" "9:05" C1Y2 3
## 2 2022-07-22 STABILUS 3 00-00-… "MOTOR… 1 "10" "10:40" C1Y2 2
## 3 2022-07-28 STABILUS 3 00-00-… "MOTOR… 1 "10" "11:20" C1Y2 2
## 4 2022-08-12 TRMX TR-059… "TR137… 1 "10" "9:35" C1 1
## 5 2022-08-12 TRMX TR-059… "TR137… 1 "10" "9:45" C1 1
## 6 2022-09-10 DENSO DN-034… "MCV. … 1 "10" "8:45" c1y2 1
## 7 2022-07-23 DENSO DN-034… "TOYOT… 2 "" "" CELDAS 0
## 8 2022-08-05 HELLA HE-073… "SUDAF… 2 "10" "11:20" C1Y2 3
## 9 2022-08-05 HELLA HE-073… "SUDAF… 2 "10" "11:30" C1Y2 0
## 10 2022-08-05 HELLA HE-073… "SUDAF… 2 "10" "11:40" C1Y2 0
## # … with 3,975 more rows, 6 more variables: INICIO.SEP.UP <chr>,
## # FIN.INICIO.DE.SEP.UP <chr>, INICIO.de.PROCESO <chr>, FIN.de.PROCESO <chr>,
## # TIEMPO.CALIDAD <chr>, TIEMPO.MATERIALES <int>, and abbreviated variable
## # names ¹PRODUCTO, ²PIEZAS.PROG., ³TMO..MIN., ⁴ESTACION.ARRANQUE,
## # ⁵Laminas.procesadasPaso 2. Eliminar columnas inservibles(Tecnica 1. Remover valores irrelevantes)
bdp1<-bdp
bdp1 <- subset(bdp1, select =-c (ID.FORM))
bdp1 <- subset(bdp1, select =-c (INICIO.SEP.UP,FIN.INICIO.DE.SEP.UP, TIEMPO.MATERIALES))
bdp1 <- subset(bdp1, select =-c (HR..FIN, INICIO.de.PROCESO, FIN.de.PROCESO))Cambiar nombres
colnames(bdp1)<-c('fecha','cliente','producto','piezas_prog','tiempo_min','esta_arranque','laminas_procesadas','tiempo_calidad')Paso 3. Cambiar de caracter a Numerico (Tecnica 4. Convertir tipos de datos)
bdp1$piezas_prog<-as.numeric(bdp1$piezas_prog) ## Warning: NAs introducidos por coerciónbdp1$tiempo_min<-as.numeric(bdp1$tiempo_min) ## Warning: NAs introducidos por coerciónbdp1$laminas_procesadas<-as.numeric(bdp1$laminas_procesadas)
bdp1$tiempo_calidad<-as.numeric(bdp1$tiempo_calidad) ## Warning: NAs introducidos por coerciónbdp2<-bdp1
bdp2$tiempo_min <- substr(bdp2$tiempo_min, start = 1, stop = 2)
tibble(bdp2) ## # A tibble: 3,985 × 8
## fecha cliente producto pieza…¹ tiemp…² esta_…³ lamin…⁴ tiemp…⁵
## <date> <chr> <chr> <dbl> <chr> <chr> <dbl> <dbl>
## 1 2022-07-16 TRMX "TGTX. CAJA RS… 1 10 C1Y2 3 1
## 2 2022-07-22 STABILUS 3 "MOTORGEAR. KI… 1 10 C1Y2 2 1
## 3 2022-07-28 STABILUS 3 "MOTORGEAR. KI… 1 10 C1Y2 2 2
## 4 2022-08-12 TRMX "TR13773. CAJA… 1 10 C1 1 1
## 5 2022-08-12 TRMX "TR13776. CAJA… 1 10 C1 1 1
## 6 2022-09-10 DENSO "MCV. VALVE. P… 1 10 c1y2 1 NA
## 7 2022-07-23 DENSO "TOYOTA. MCV. … 2 <NA> CELDAS 0 0
## 8 2022-08-05 HELLA "SUDAFRICA. TA… 2 10 C1Y2 3 1
## 9 2022-08-05 HELLA "SUDAFRICA. \"… 2 10 C1Y2 0 0
## 10 2022-08-05 HELLA "SUDAFRICA. PA… 2 10 C1Y2 0 0
## # … with 3,975 more rows, and abbreviated variable names ¹piezas_prog,
## # ²tiempo_min, ³esta_arranque, ⁴laminas_procesadas, ⁵tiempo_calidadbdp2$tiempo_min <- as.integer(bdp2$tiempo_min)
str(bdp2) ## 'data.frame': 3985 obs. of 8 variables:
## $ fecha : Date, format: "2022-07-16" "2022-07-22" ...
## $ cliente : chr "TRMX" "STABILUS 3" "STABILUS 3" "TRMX" ...
## $ producto : chr "TGTX. CAJA RSC. ( 1 Pieza) con SOBRE. Kit: TR-059-19014" "MOTORGEAR. KIT. TAPA GRAL. Grapada. 1 Pza/ Kit. ( Kit 19211)" "MOTORGEAR. KIT. TAPA GRAL. Grapada. 1 Pza/ Kit. ( Kit 19211)" "TR13773. CAJA RSC Imp. Negra con SOBRE ( 2 Partes). PC0048." ...
## $ piezas_prog : num 1 1 1 1 1 1 2 2 2 2 ...
## $ tiempo_min : int 10 10 10 10 10 10 NA 10 10 10 ...
## $ esta_arranque : chr "C1Y2" "C1Y2" "C1Y2" "C1" ...
## $ laminas_procesadas: num 3 2 2 1 1 1 0 3 0 0 ...
## $ tiempo_calidad : num 1 1 2 1 1 NA 0 1 0 0 ...bdp2$piezas_prog <- substr(bdp2$piezas_prog, start = 1, stop = 2)
tibble(bdp2) ## # A tibble: 3,985 × 8
## fecha cliente producto pieza…¹ tiemp…² esta_…³ lamin…⁴ tiemp…⁵
## <date> <chr> <chr> <chr> <int> <chr> <dbl> <dbl>
## 1 2022-07-16 TRMX "TGTX. CAJA RS… 1 10 C1Y2 3 1
## 2 2022-07-22 STABILUS 3 "MOTORGEAR. KI… 1 10 C1Y2 2 1
## 3 2022-07-28 STABILUS 3 "MOTORGEAR. KI… 1 10 C1Y2 2 2
## 4 2022-08-12 TRMX "TR13773. CAJA… 1 10 C1 1 1
## 5 2022-08-12 TRMX "TR13776. CAJA… 1 10 C1 1 1
## 6 2022-09-10 DENSO "MCV. VALVE. P… 1 10 c1y2 1 NA
## 7 2022-07-23 DENSO "TOYOTA. MCV. … 2 NA CELDAS 0 0
## 8 2022-08-05 HELLA "SUDAFRICA. TA… 2 10 C1Y2 3 1
## 9 2022-08-05 HELLA "SUDAFRICA. \"… 2 10 C1Y2 0 0
## 10 2022-08-05 HELLA "SUDAFRICA. PA… 2 10 C1Y2 0 0
## # … with 3,975 more rows, and abbreviated variable names ¹piezas_prog,
## # ²tiempo_min, ³esta_arranque, ⁴laminas_procesadas, ⁵tiempo_calidadbdp2$piezas_prog <- as.integer(bdp2$piezas_prog)
str(bdp2)## 'data.frame': 3985 obs. of 8 variables:
## $ fecha : Date, format: "2022-07-16" "2022-07-22" ...
## $ cliente : chr "TRMX" "STABILUS 3" "STABILUS 3" "TRMX" ...
## $ producto : chr "TGTX. CAJA RSC. ( 1 Pieza) con SOBRE. Kit: TR-059-19014" "MOTORGEAR. KIT. TAPA GRAL. Grapada. 1 Pza/ Kit. ( Kit 19211)" "MOTORGEAR. KIT. TAPA GRAL. Grapada. 1 Pza/ Kit. ( Kit 19211)" "TR13773. CAJA RSC Imp. Negra con SOBRE ( 2 Partes). PC0048." ...
## $ piezas_prog : int 1 1 1 1 1 1 2 2 2 2 ...
## $ tiempo_min : int 10 10 10 10 10 10 NA 10 10 10 ...
## $ esta_arranque : chr "C1Y2" "C1Y2" "C1Y2" "C1" ...
## $ laminas_procesadas: num 3 2 2 1 1 1 0 3 0 0 ...
## $ tiempo_calidad : num 1 1 2 1 1 NA 0 1 0 0 ...bdp2$laminas_procesadas <- substr(bdp2$laminas_procesadas, start = 1, stop = 2)
tibble(bdp2) ## # A tibble: 3,985 × 8
## fecha cliente producto pieza…¹ tiemp…² esta_…³ lamin…⁴ tiemp…⁵
## <date> <chr> <chr> <int> <int> <chr> <chr> <dbl>
## 1 2022-07-16 TRMX "TGTX. CAJA RS… 1 10 C1Y2 3 1
## 2 2022-07-22 STABILUS 3 "MOTORGEAR. KI… 1 10 C1Y2 2 1
## 3 2022-07-28 STABILUS 3 "MOTORGEAR. KI… 1 10 C1Y2 2 2
## 4 2022-08-12 TRMX "TR13773. CAJA… 1 10 C1 1 1
## 5 2022-08-12 TRMX "TR13776. CAJA… 1 10 C1 1 1
## 6 2022-09-10 DENSO "MCV. VALVE. P… 1 10 c1y2 1 NA
## 7 2022-07-23 DENSO "TOYOTA. MCV. … 2 NA CELDAS 0 0
## 8 2022-08-05 HELLA "SUDAFRICA. TA… 2 10 C1Y2 3 1
## 9 2022-08-05 HELLA "SUDAFRICA. \"… 2 10 C1Y2 0 0
## 10 2022-08-05 HELLA "SUDAFRICA. PA… 2 10 C1Y2 0 0
## # … with 3,975 more rows, and abbreviated variable names ¹piezas_prog,
## # ²tiempo_min, ³esta_arranque, ⁴laminas_procesadas, ⁵tiempo_calidadbdp2$laminas_procesadas <- as.integer(bdp2$laminas_procesadas)
str(bdp2) ## 'data.frame': 3985 obs. of 8 variables:
## $ fecha : Date, format: "2022-07-16" "2022-07-22" ...
## $ cliente : chr "TRMX" "STABILUS 3" "STABILUS 3" "TRMX" ...
## $ producto : chr "TGTX. CAJA RSC. ( 1 Pieza) con SOBRE. Kit: TR-059-19014" "MOTORGEAR. KIT. TAPA GRAL. Grapada. 1 Pza/ Kit. ( Kit 19211)" "MOTORGEAR. KIT. TAPA GRAL. Grapada. 1 Pza/ Kit. ( Kit 19211)" "TR13773. CAJA RSC Imp. Negra con SOBRE ( 2 Partes). PC0048." ...
## $ piezas_prog : int 1 1 1 1 1 1 2 2 2 2 ...
## $ tiempo_min : int 10 10 10 10 10 10 NA 10 10 10 ...
## $ esta_arranque : chr "C1Y2" "C1Y2" "C1Y2" "C1" ...
## $ laminas_procesadas: int 3 2 2 1 1 1 0 3 0 0 ...
## $ tiempo_calidad : num 1 1 2 1 1 NA 0 1 0 0 ...Paso 4. Cambiar de N/A a promedios
bdp3 <- bdp2
bdp3$tiempo_min[is.na(bdp3$tiempo_min)]<-mean(bdp3$tiempo_min, na.rm = TRUE)
summary (bdp3) ## fecha cliente producto piezas_prog
## Min. :2022-07-15 Length:3985 Length:3985 Min. : 1.0
## 1st Qu.:2022-08-03 Class :character Class :character 1st Qu.:12.0
## Median :2022-08-20 Mode :character Mode :character Median :20.0
## Mean :2022-08-19 Mean :27.2
## 3rd Qu.:2022-09-06 3rd Qu.:40.0
## Max. :2022-09-21 Max. :99.0
## NA's :179
## tiempo_min esta_arranque laminas_procesadas tiempo_calidad
## Min. : 0.00 Length:3985 Min. : 0.00 Min. : 0.0000
## 1st Qu.:15.00 Class :character 1st Qu.: 0.00 1st Qu.: 0.0000
## Median :22.13 Mode :character Median :19.00 Median : 1.0000
## Mean :22.13 Mean :21.42 Mean : 0.8628
## 3rd Qu.:25.00 3rd Qu.:32.00 3rd Qu.: 1.0000
## Max. :90.00 Max. :98.00 Max. :22.0000
## NA's :343Paso 5. Cambiar de N/A a 0
bdp4 <- bdp3
bdp4$laminas_procesadas[bdp4$laminas_procesadas < 1]<- NA
summary (bdp4)## fecha cliente producto piezas_prog
## Min. :2022-07-15 Length:3985 Length:3985 Min. : 1.0
## 1st Qu.:2022-08-03 Class :character Class :character 1st Qu.:12.0
## Median :2022-08-20 Mode :character Mode :character Median :20.0
## Mean :2022-08-19 Mean :27.2
## 3rd Qu.:2022-09-06 3rd Qu.:40.0
## Max. :2022-09-21 Max. :99.0
## NA's :179
## tiempo_min esta_arranque laminas_procesadas tiempo_calidad
## Min. : 0.00 Length:3985 Min. : 1.00 Min. : 0.0000
## 1st Qu.:15.00 Class :character 1st Qu.:15.00 1st Qu.: 0.0000
## Median :22.13 Mode :character Median :21.00 Median : 1.0000
## Mean :22.13 Mean :30.08 Mean : 0.8628
## 3rd Qu.:25.00 3rd Qu.:41.00 3rd Qu.: 1.0000
## Max. :90.00 Max. :98.00 Max. :22.0000
## NA's :1148 NA's :343Paso 6. Borra N/As
bdp5 <- bdp4
bdp5 <- na.omit(bdp5)
str(bdp5)## 'data.frame': 2679 obs. of 8 variables:
## $ fecha : Date, format: "2022-07-16" "2022-07-22" ...
## $ cliente : chr "TRMX" "STABILUS 3" "STABILUS 3" "TRMX" ...
## $ producto : chr "TGTX. CAJA RSC. ( 1 Pieza) con SOBRE. Kit: TR-059-19014" "MOTORGEAR. KIT. TAPA GRAL. Grapada. 1 Pza/ Kit. ( Kit 19211)" "MOTORGEAR. KIT. TAPA GRAL. Grapada. 1 Pza/ Kit. ( Kit 19211)" "TR13773. CAJA RSC Imp. Negra con SOBRE ( 2 Partes). PC0048." ...
## $ piezas_prog : int 1 1 1 1 1 2 3 3 4 4 ...
## $ tiempo_min : num 10 10 10 10 10 10 10 10 10 10 ...
## $ esta_arranque : chr "C1Y2" "C1Y2" "C1Y2" "C1" ...
## $ laminas_procesadas: int 3 2 2 1 1 3 2 5 5 10 ...
## $ tiempo_calidad : num 1 1 2 1 1 1 0 1 1 1 ...
## - attr(*, "na.action")= 'omit' Named int [1:1306] 6 7 9 10 18 22 25 27 28 30 ...
## ..- attr(*, "names")= chr [1:1306] "6" "7" "9" "10" ...Verificar eliminacion de NA´s
colSums(is.na(bdp5))## fecha cliente producto piezas_prog
## 0 0 0 0
## tiempo_min esta_arranque laminas_procesadas tiempo_calidad
## 0 0 0 0summary(bdp5)## fecha cliente producto piezas_prog
## Min. :2022-07-15 Length:2679 Length:2679 Min. : 1.00
## 1st Qu.:2022-08-02 Class :character Class :character 1st Qu.:13.00
## Median :2022-08-18 Mode :character Mode :character Median :20.00
## Mean :2022-08-18 Mean :26.53
## 3rd Qu.:2022-09-02 3rd Qu.:32.50
## Max. :2022-09-21 Max. :99.00
## tiempo_min esta_arranque laminas_procesadas tiempo_calidad
## Min. : 0.00 Length:2679 Min. : 1.00 Min. : 0.00
## 1st Qu.:15.00 Class :character 1st Qu.:16.00 1st Qu.: 1.00
## Median :20.00 Mode :character Median :21.00 Median : 1.00
## Mean :22.16 Mean :30.18 Mean : 1.16
## 3rd Qu.:25.00 3rd Qu.:41.00 3rd Qu.: 1.00
## Max. :90.00 Max. :98.00 Max. :22.00str(bdp5)## 'data.frame': 2679 obs. of 8 variables:
## $ fecha : Date, format: "2022-07-16" "2022-07-22" ...
## $ cliente : chr "TRMX" "STABILUS 3" "STABILUS 3" "TRMX" ...
## $ producto : chr "TGTX. CAJA RSC. ( 1 Pieza) con SOBRE. Kit: TR-059-19014" "MOTORGEAR. KIT. TAPA GRAL. Grapada. 1 Pza/ Kit. ( Kit 19211)" "MOTORGEAR. KIT. TAPA GRAL. Grapada. 1 Pza/ Kit. ( Kit 19211)" "TR13773. CAJA RSC Imp. Negra con SOBRE ( 2 Partes). PC0048." ...
## $ piezas_prog : int 1 1 1 1 1 2 3 3 4 4 ...
## $ tiempo_min : num 10 10 10 10 10 10 10 10 10 10 ...
## $ esta_arranque : chr "C1Y2" "C1Y2" "C1Y2" "C1" ...
## $ laminas_procesadas: int 3 2 2 1 1 3 2 5 5 10 ...
## $ tiempo_calidad : num 1 1 2 1 1 1 0 1 1 1 ...
## - attr(*, "na.action")= 'omit' Named int [1:1306] 6 7 9 10 18 22 25 27 28 30 ...
## ..- attr(*, "names")= chr [1:1306] "6" "7" "9" "10" ...summary(bdp5)## fecha cliente producto piezas_prog
## Min. :2022-07-15 Length:2679 Length:2679 Min. : 1.00
## 1st Qu.:2022-08-02 Class :character Class :character 1st Qu.:13.00
## Median :2022-08-18 Mode :character Mode :character Median :20.00
## Mean :2022-08-18 Mean :26.53
## 3rd Qu.:2022-09-02 3rd Qu.:32.50
## Max. :2022-09-21 Max. :99.00
## tiempo_min esta_arranque laminas_procesadas tiempo_calidad
## Min. : 0.00 Length:2679 Min. : 1.00 Min. : 0.00
## 1st Qu.:15.00 Class :character 1st Qu.:16.00 1st Qu.: 1.00
## Median :20.00 Mode :character Median :21.00 Median : 1.00
## Mean :22.16 Mean :30.18 Mean : 1.16
## 3rd Qu.:25.00 3rd Qu.:41.00 3rd Qu.: 1.00
## Max. :90.00 Max. :98.00 Max. :22.002.Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa continua y Escalas de Medicion.
Variable<-c("Fecha ","cliente","producto", "Piezas programadas","tiempo min","Estacion de arranque","Laminas procesadas", "Tiempo de calidad")
Type<-c("Cualitativa","Cualitativa","Cualitativa", "Cuantitativa(Discreta)", "Cuantitativa(Discreta)","Cualitativa", "Cuantitativa(Discreta)", "Cuantitativa discreta")
Medicion <-c("Nominal", "Nominal","Nominal", "Intervalo", "Intervalo","Nominal", "Intervalo", "Intervalo")
table<-data.frame(Variable,Type, Medicion)
knitr::kable(table)| Variable | Type | Medicion |
|---|---|---|
| Fecha | Cualitativa | Nominal |
| cliente | Cualitativa | Nominal |
| producto | Cualitativa | Nominal |
| Piezas programadas | Cuantitativa(Discreta) | Intervalo |
| tiempo min | Cuantitativa(Discreta) | Intervalo |
| Estacion de arranque | Cualitativa | Nominal |
| Laminas procesadas | Cuantitativa(Discreta) | Intervalo |
| Tiempo de calidad | Cuantitativa discreta | Intervalo |
Exportar csv
write.csv(bdp5,"C:\\Users\\danyc\\OneDrive - Instituto Tecnologico y de Estudios Superiores de Monterrey\\Desktop\\Form_produccionbaselimpia.csv", row.names=FALSE)Importar base de datos limpia
bdl<-read.csv("C:\\Users\\danyc\\OneDrive - Instituto Tecnologico y de Estudios Superiores de Monterrey\\Desktop\\Form_produccionbaselimpia.csv")Datos descriptivos
*Tabla de Media, Moda y Mediana
Los datos aqui muestran una desviacion estandar y datos muy alejados entre los puntos variables lo cual nos indica una alteracion en la uniformidad de los datos lo cual nos puede indicar alguna falla en los datos o bien un detalle de productividad.
bd6<-bdl
tabla<-describe(bd6)Graficas
Barplots-3
Recopilando la informacion me tope con estos datos lo cual nos informa acerca de los clientes mas destacados para form y el tiempo minimo de tardanza en el ensamblaje de los productos, en este caso el primer lugar con mas eficiencia por cliente fue stabilus en la primera vuelta. Nota: LA visualizacion no se completa en este rmd, para mejor visualizacion ver archivo individual.
#bd6<-bd6 %>% select(piezas_prog,tiempo_min,cliente ) %>% group_by(cliente) %>%
#summarise(piezas_prog=sum(piezas_prog),tiempo_min=sum(tiempo_min)) %>% arrange(desc(piezas_prog))
#bd6<-bd6[-c(7,8,9),]
#ggplot(bd6,aes(x=reorder(tiempo_min,piezas_prog), y=piezas_prog,fill=cliente)) +
# geom_bar(stat="identity")
Dentro de esta segunda tabla de barras se puede ver desplegado la
cantidad de piezas programadas que se tuvo por mes en los periodos de
los meses julio, agosto y septiembre. Esto nos dice acerca de la mayor
productividad de agosto, pero porque es esto?
datoscopia<-bdl
datoscopia$ano<-strftime(datoscopia$fecha, "%Y")
datoscopia$mes<-strftime(datoscopia$fecha, "%m")
data_agg<- aggregate(piezas_prog~mes + ano, datoscopia, FUN = sum)
data_agglamina<- aggregate(laminas_procesadas~mes + ano, datoscopia, FUN = sum)
ggplot(data_agg,aes(x=mes,y=piezas_prog)) +
geom_bar(stat="identity")
En esta grafica se puede visualizar la dependencia del tiempo minimo de produccion con las piezas programadas dependiendo de la estacion de arranque, la mayor productividad general tiene unarelacion con la estacion C1 y la C1y2 ya que se ve que es la que menos tiempo hace con mas procesamiento de laminas.
ggplot(datoscopia,aes(x=tiempo_min, y=piezas_prog,fill=esta_arranque)) +
geom_bar(stat="identity")
Dispersion-2
En esta tabla se muestra un claro ejemplo de comparacion que entre mas tiempo de calidad se le de al cliente se lograra hacer un tiempo mucho mas minimo efectivizando los procesos y terminandolos mas rapido como fue con los clientes en azul.
ggplot(datoscopia, aes(x=tiempo_calidad, y=tiempo_min, color=cliente)) +
geom_point() + geom_rug()
En esta grafica, se iene la intencion de ver a los compradores
predominantes dentro de FORM durante los tres meses predictivos, esto
para poder lograr una atencion especializada y ver mas o menos el tiempo
que toman sus productos y generar un tipo de procesos mas fluido.
ggplot(datoscopia, aes(x=cliente, y=laminas_procesadas, color=mes)) +
geom_point() + geom_rug()
Series de tiempo-1
Aqui se puede ver una serie de tiempo no lineal, lo cual nos dice que no se tienen procesos claros y estables para la produccion lo cual lo convierte en un proceso variable y con fallas en los tiempos de entregas como resultado.
ggplot(datoscopia,aes(x=fecha))+
geom_line(aes(y=piezas_prog),color="orange")+
labs(x="Fecha",y="piezas programadas", color="orange")+
ggtitle("Grafica de tasa de rendimiento")
6. Performance
Importar base de datos
#file.choose()
base_de_datos<-read.csv("C:\\Users\\danyc\\OneDrive - Instituto Tecnologico y de Estudios Superiores de Monterrey\\Desktop\\Form\\Formdeliveryfinal3.csv" )Instalacion de paquetes
library(foreign)
library(dplyr) # data manipulation
library(forcats) # to work with categorical variables
library(ggplot2) # data visualization
library(janitor) # data exploration and cleaning
#install.packages("Hmisc")
#library(Hmisc) # several useful functions for data analysis
#install.packages("psych")
#library(psych) # functions for multivariate analysis
#install.packages("naniar")
#library(naniar) # summaries and visualization of missing values NAs
#install.packages("dlookr")
#library(dlookr) # summaries and visualization of missing values NAs
#install.packages("corrplot")
#library(corrplot) # correlation plots
#install.packages("jtools")
#library(jtools) # presentation of regression analysis
#install.packages("lmtest")
#library(lmtest) # diagnostic checks - linear regression analysis
#install.packages("car")
#library(car) # diagnostic checks - linear regression analysis
#install.packages("olsrr")
#library(olsrr) # diagnostic checks - linear regression analysis
#install.packages("kableExtra")
#library(kableExtra) # HTML table attributes
library(tidyverse)Entender mi base de datos
- ¿Cuántas variables y cuantos registros tiene la base de datos? Se muestran 8 variables y 1440 registros dentro de la base de datos.
bd<-base_de_datos
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 Fecha
## 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. : 20.0000str(bd)## 'data.frame': 1440 obs. of 8 variables:
## $ Target : int 1 1 1 1 1 1 1 1 1 1 ...
## $ Cliente : chr "PRINTEL " "MAHLE" "MAHLE" "MAHLE" ...
## $ Vueltas : int 1 1 2 3 1 1 2 3 1 1 ...
## $ Plan.arrival : int 16 8 9 20 0 0 0 0 16 8 ...
## $ Real.arrival : num 16 8 9 20 0 0 0 0 16 8 ...
## $ Real.departure: num 19.3 8.55 10 21 0 0 0 0 18.1 9 ...
## $ Diference : num 3.3 0.55 1 1 0 0 0 0 2.1 1 ...
## $ Fecha : chr "2/1/2022" "2/1/2022" "2/1/2022" "2/1/2022" ...Count de Variables y Escalas
- Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa continua.
Variable<-c("`Target`","`Cliente`","`Vueltas`","`Plan.arrival`","`Real.arrival`","`Real.departure`","`Diference`","`Fecha`")
Type<-c("quantiative (discrete)", "quantiative (continous)", "quantitative (continous)", "quantitative (continous)")
table<-data.frame(Variable,Type)
knitr::kable(table)| Variable | Type |
|---|---|
Target
|
quantiative (discrete) |
Cliente
|
quantiative (continous) |
Vueltas
|
quantitative (continous) |
Plan.arrival
|
quantitative (continous) |
Real.arrival
|
quantiative (discrete) |
Real.departure
|
quantiative (continous) |
Diference
|
quantitative (continous) |
Fecha
|
quantitative (continous) |
- Elige la escala de medición de cada variable.
variables <- c("`Target`","`Cliente`","`Vueltas`","`Plan.arrival`","`Real.arrival`","`Real.departure`","`Diference`","`Fecha`")
tipos <- c("cuantitativo (discreto) ", "cualitativo ", "cuantitativo (discreto) ", "cuantitativo (continuo) ", "cuantitativo (continuo) ", "cuantitativo (continuo) ", "cuantitativo (continuo) ", "cualitativo ")
escalas <- c("intervalo", "nominal", "razon", "razon", "razon", "razon", "razon", "ordinal")
table1 <- data.frame (variables, tipos, escalas)
knitr::kable(table1)| variables | tipos | escalas |
|---|---|---|
Target
|
cuantitativo (discreto) | intervalo |
Cliente
|
cualitativo | nominal |
Vueltas
|
cuantitativo (discreto) | razon |
Plan.arrival
|
cuantitativo (continuo) | razon |
Real.arrival
|
cuantitativo (continuo) | razon |
Real.departure
|
cuantitativo (continuo) | razon |
Diference
|
cuantitativo (continuo) | razon |
Fecha
|
cualitativo | ordinal |
Limpieza de bases de datos
- Aplica al menos 2 técnicas de limpieza de bases de datos y explícalas brevemente, ¿por qué realizaste esas técnicas?
Las técnicas elegidas en nuestra limpia de datos se eligieron por las necesidades que presentaba la base y la utilidad o no que tenían nuestras variables
CONVERSION DE CARACTER A FECHA (TECNICA DE CONVERSION DE DATOS)
bd1<-bd
bd1$Fecha<- as.Date(bd1$Fecha, format= "%d/%m/%y")
summary(bd1)## 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 Fecha
## Min. : 0.000 Min. : 0.000 Min. :-14.3500 Min. :2020-01-02
## 1st Qu.: 0.000 1st Qu.: 0.000 1st Qu.: 0.0000 1st Qu.:2020-05-07
## Median : 0.000 Median : 0.000 Median : 0.0000 Median :2022-02-13
## Mean : 3.823 Mean : 4.142 Mean : 0.3155 Mean :2021-06-24
## 3rd Qu.: 8.000 3rd Qu.: 9.000 3rd Qu.: 0.8000 3rd Qu.:2022-05-02
## Max. :23.500 Max. :24.500 Max. : 20.0000 Max. :2022-07-23tibble(bd1)## # A tibble: 1,440 × 8
## Target Cliente Vueltas Plan.arrival Real.arri…¹ Real.…² Difer…³ Fecha
## <int> <chr> <int> <int> <dbl> <dbl> <dbl> <date>
## 1 1 "PRINTEL " 1 16 16 19.3 3.3 2020-01-02
## 2 1 "MAHLE" 1 8 8 8.55 0.55 2020-01-02
## 3 1 "MAHLE" 2 9 9 10 1 2020-01-02
## 4 1 "MAHLE" 3 20 20 21 1 2020-01-02
## 5 1 "MAGNA" 1 0 0 0 0 2020-01-02
## 6 1 "VARROC" 1 0 0 0 0 2020-01-02
## 7 1 "VARROC" 2 0 0 0 0 2020-01-02
## 8 1 "VARROC" 3 0 0 0 0 2020-01-02
## 9 1 "PRINTEL " 1 16 16 18.1 2.1 2020-01-03
## 10 1 "MAHLE" 1 8 8 9 1 2020-01-03
## # … with 1,430 more rows, and abbreviated variable names ¹Real.arrival,
## # ²Real.departure, ³Diference¿Cuantos N/A tengo en mi base de datos?
sum(is.na(bd1))## [1] 0Eliminar columnas
bd2<-bd1
bd2 <- subset(bd2, select =-c (Target))Nota:
Se elimina el target ya que no nos muestra una información detallada al darnos datos nulos de tener un 1 en todos lados.
LIMPIEZA POR METODO ESTADISTICO
bd3<-bd2
boxplot(bd3$Plan.arrival, horizontal=TRUE)
boxplot(bd3$Real.arrival, horizontal=TRUE)
boxplot(bd3$Real.departure, horizontal=TRUE)
boxplot(bd3$Diference, horizontal=TRUE)
Agregar columna de promedio
bd3$Promedio_real_arrival<- mean(bd3$Real.arrival)Convertir varaibles de caracter a numerico.
bd3$Vueltas<-as.numeric(bd3$Vueltas) ### missing values are converted to NA's
bd3$Plan.arrival<-as.numeric(bd3$Plan.arrival)
bd3$Real.arrival<-as.numeric(bd3$Real.arrival)
bd3$Real.departure<-as.numeric(bd3$Real.departure)
bd3$Diference<-as.numeric(bd3$Diference)
bd3$Promedio_real_arrival<-as.numeric(bd3$Promedio_real_arrival)
bd3<-as.data.frame(bd3)
bd3$Fecha<-as.Date(bd3$Fecha,format="%m/%d/%Y")
bd3$Cliente<-as.factor(bd3$Cliente)
tibble(bd3)## # A tibble: 1,440 × 8
## Cliente Vueltas Plan.arrival Real.arr…¹ Real.…² Difer…³ Fecha Prome…⁴
## <fct> <dbl> <dbl> <dbl> <dbl> <dbl> <date> <dbl>
## 1 "PRINTEL " 1 16 16 19.3 3.3 2020-01-02 3.82
## 2 "MAHLE" 1 8 8 8.55 0.55 2020-01-02 3.82
## 3 "MAHLE" 2 9 9 10 1 2020-01-02 3.82
## 4 "MAHLE" 3 20 20 21 1 2020-01-02 3.82
## 5 "MAGNA" 1 0 0 0 0 2020-01-02 3.82
## 6 "VARROC" 1 0 0 0 0 2020-01-02 3.82
## 7 "VARROC" 2 0 0 0 0 2020-01-02 3.82
## 8 "VARROC" 3 0 0 0 0 2020-01-02 3.82
## 9 "PRINTEL " 1 16 16 18.1 2.1 2020-01-03 3.82
## 10 "MAHLE" 1 8 8 9 1 2020-01-03 3.82
## # … with 1,430 more rows, and abbreviated variable names ¹Real.arrival,
## # ²Real.departure, ³Diference, ⁴Promedio_real_arrivalNotas:
Se muestra que la diferencia de nuestros arrivals no es mucha, pero habría que revisar si el promedio total nos ayudaría. se agrego una columna de promedio general de nuestros arrivals reales.
Renombrar variables cuantitativas y cualitativas
#Seleccionar variables
bd4 <- bd3 %>% select (one_of("Cliente","Vueltas","Plan.arrival","Real.arrival","Real.departure", "Diference", "Fecha","Promedio_real_arrival"))
#Renombrar variabes
colnames(bd3)<-c("Cle", "Vueltas", "P.arrival", "R.arrival", "R.dep", "Dif", "Fecha", "Prom.R.arrival")Exportar base de datos
bd_limpia<-bd3
write.csv(bd_limpia, file="formbaselimpia.csv", row.names = FALSE)Conclusión
Para esta actividad, pudimos limpiar la base de datos que tiene Form al modificarla al 100% para poder acomodar los requerimientos que tiene R para insertar las bases y que hagan sentido a la hora de trabajarlo.
Para esta base de datos ahora lo que nos permitirá lograr es hacer gráficas y tablas para detallar y mostrar la información importante de nuestra base.
Analisis Exploratorio de la Base de Datos
Exportar la base de datos
#file.choose()
bd_limpia<-read.csv("C:\\Users\\danyc\\OneDrive - Instituto Tecnologico y de Estudios Superiores de Monterrey\\Desktop\\Form\\formbaselimpia.csv")Tabla principales estadísticos descrptivos
bd_limpia <- bd3
summary(bd_limpia)## Cle Vueltas P.arrival R.arrival
## MAGNA :180 Min. :1.00 Min. : 0.000 Min. : 0.000
## MAHLE :540 1st Qu.:1.00 1st Qu.: 0.000 1st Qu.: 0.000
## PRINTEL :180 Median :1.50 Median : 4.000 Median : 0.000
## VARROC :540 Mean :1.75 Mean : 6.625 Mean : 3.823
## 3rd Qu.:2.25 3rd Qu.:10.750 3rd Qu.: 8.000
## Max. :3.00 Max. :20.000 Max. :23.500
## R.dep Dif Fecha Prom.R.arrival
## Min. : 0.000 Min. :-14.3500 Min. :2020-01-02 Min. :3.823
## 1st Qu.: 0.000 1st Qu.: 0.0000 1st Qu.:2020-05-07 1st Qu.:3.823
## Median : 0.000 Median : 0.0000 Median :2022-02-13 Median :3.823
## Mean : 4.142 Mean : 0.3155 Mean :2021-06-24 Mean :3.823
## 3rd Qu.: 9.000 3rd Qu.: 0.8000 3rd Qu.:2022-05-02 3rd Qu.:3.823
## Max. :24.500 Max. : 20.0000 Max. :2022-07-23 Max. :3.823sd(bd_limpia$Vueltas, na.rm = FALSE)## [1] 0.8294442sd(bd_limpia$P.arrival, na.rm = FALSE)## [1] 7.501563sd(bd_limpia$R.arrival, na.rm = FALSE)## [1] 6.505902sd(bd_limpia$R.dep, na.rm = FALSE)## [1] 6.948665sd(bd_limpia$Dif, na.rm = FALSE)## [1] 0.9218758Variable<-c("Vueltas","P.arrival", "R.arrival", "R.dep", "Dif")
Mediana<-c("1.50 ","4.000","0.000 ","0.000 ","0.0000 ")
Media <- c("1.75","6.625","3.823","4.142","4.142")
Moda <- c("1","0","0","0","0")
Desviación_estandar<-c("0.8294442"," 7.501563","6.505902","6.948665","6.948665")
table1 <- data.frame (Variable, Mediana, Media, Moda, Desviación_estandar)
knitr::kable(table1)| Variable | Mediana | Media | Moda | Desviación_estandar |
|---|---|---|---|---|
| Vueltas | 1.50 | 1.75 | 1 | 0.8294442 |
| P.arrival | 4.000 | 6.625 | 0 | 7.501563 |
| R.arrival | 0.000 | 3.823 | 0 | 6.505902 |
| R.dep | 0.000 | 4.142 | 0 | 6.948665 |
| Dif | 0.0000 | 4.142 | 0 | 6.948665 |
Notas:
Se ocupo summary para poder obtener la moda, mediana y media de las variables y posteriormente se calcula la desviación estandar con la función sd()
Tabla de Frecuencia
#install.packages('epiDisplay')
library(epiDisplay)## Loading required package: MASS##
## Attaching package: 'MASS'## The following object is masked from 'package:olsrr':
##
## cement## The following object is masked from 'package:dplyr':
##
## select## Loading required package: nnet##
## Attaching package: 'epiDisplay'## The following object is masked from 'package:gmodels':
##
## ci## The following object is masked from 'package:lmtest':
##
## lrtest## The following object is masked from 'package:jtools':
##
## summ## The following object is masked from 'package:lattice':
##
## dotplot## The following objects are masked from 'package:psych':
##
## alpha, cs, lookup## The following object is masked from 'package:ggplot2':
##
## alphatab1(bd_limpia$Dif, sort.group = "decreasing", cum.percent = TRUE) 
## bd_limpia$Dif :
## Frequency Percent Cum. percent
## 0 1014 70.4 70.4
## 1 192 13.3 83.8
## 1.1 20 1.4 85.1
## 1.05 17 1.2 86.3
## 1.2 16 1.1 87.4
## 0.5 14 1.0 88.4
## 1.15 11 0.8 89.2
## 0.9 8 0.6 89.7
## 0.4 8 0.6 90.3
## 1.5 7 0.5 90.8
## 0.8 7 0.5 91.2
## 0.55 7 0.5 91.7
## 2 6 0.4 92.2
## 1.8 6 0.4 92.6
## 1.3 6 0.4 93.0
## 0.3 6 0.4 93.4
## 1.4 5 0.3 93.8
## 1.25 5 0.3 94.1
## 0.95 5 0.3 94.4
## 0.2 5 0.3 94.8
## 1.45 4 0.3 95.1
## 1.35 3 0.2 95.3
## 0.45 3 0.2 95.5
## 0.35 3 0.2 95.7
## 0.1 3 0.2 95.9
## 3.1 2 0.1 96.0
## 2.6 2 0.1 96.2
## 2.38 2 0.1 96.3
## 2.15 2 0.1 96.5
## 1.6 2 0.1 96.6
## 1.03 2 0.1 96.7
## 0.85 2 0.1 96.9
## 0.7 2 0.1 97.0
## 0.6 2 0.1 97.2
## 0.15 2 0.1 97.3
## 4.4 1 0.1 97.4
## 4 1 0.1 97.4
## 3.3 1 0.1 97.5
## 3.05 1 0.1 97.6
## 20 1 0.1 97.6
## 2.85 1 0.1 97.7
## 2.52 1 0.1 97.8
## 2.5 1 0.1 97.8
## 2.4 1 0.1 97.9
## 2.35 1 0.1 98.0
## 2.3 1 0.1 98.1
## 2.27 1 0.1 98.1
## 2.2 1 0.1 98.2
## 2.1 1 0.1 98.3
## 2.05 1 0.1 98.3
## 1.95 1 0.1 98.4
## 1.9 1 0.1 98.5
## 1.88 1 0.1 98.5
## 1.85 1 0.1 98.6
## 1.74 1 0.1 98.7
## 1.73 1 0.1 98.8
## 1.7 1 0.1 98.8
## 1.66 1 0.1 98.9
## 1.65 1 0.1 99.0
## 1.55 1 0.1 99.0
## 1.14 1 0.1 99.1
## 1.13 1 0.1 99.2
## 1.07 1 0.1 99.2
## 1.04 1 0.1 99.3
## 1.01 1 0.1 99.4
## 0.99 1 0.1 99.4
## 0.98 1 0.1 99.5
## 0.75 1 0.1 99.6
## 0.47 1 0.1 99.7
## 0.43 1 0.1 99.7
## 0.34 1 0.1 99.8
## 0.25 1 0.1 99.9
## -14.35 1 0.1 99.9
## -12.15 1 0.1 100.0
## Total 1440 100.0 100.0tab1(bd_limpia$R.arrival, sort.group = "decreasing", cum.percent = TRUE)
## bd_limpia$R.arrival :
## Frequency Percent Cum. percent
## 0 1009 70.1 70.1
## 8 100 6.9 77.0
## 20 83 5.8 82.8
## 9 81 5.6 88.4
## 18 11 0.8 89.2
## 9.4 10 0.7 89.9
## 15 9 0.6 90.5
## 18.2 8 0.6 91.0
## 16 7 0.5 91.5
## 9.5 6 0.4 91.9
## 9.2 6 0.4 92.4
## 9.1 6 0.4 92.8
## 10 6 0.4 93.2
## 9.15 5 0.3 93.5
## 15.1 5 0.3 93.9
## 16.2 4 0.3 94.2
## 9.3 3 0.2 94.4
## 15.2 3 0.2 94.6
## 9.45 2 0.1 94.7
## 9.26 2 0.1 94.9
## 9.12 2 0.1 95.0
## 9.08 2 0.1 95.1
## 8.1 2 0.1 95.3
## 8.05 2 0.1 95.4
## 7.35 2 0.1 95.6
## 7.3 2 0.1 95.7
## 6 2 0.1 95.8
## 23.3 2 0.1 96.0
## 20.2 2 0.1 96.1
## 20.1 2 0.1 96.2
## 19.2 2 0.1 96.4
## 18.4 2 0.1 96.5
## 18.3 2 0.1 96.7
## 16.4 2 0.1 96.8
## 15.3 2 0.1 96.9
## 13 2 0.1 97.1
## 9.35 1 0.1 97.2
## 9.25 1 0.1 97.2
## 9.17 1 0.1 97.3
## 9.11 1 0.1 97.4
## 9.05 1 0.1 97.4
## 8.52 1 0.1 97.5
## 8.45 1 0.1 97.6
## 7.45 1 0.1 97.6
## 7.34 1 0.1 97.7
## 23.5 1 0.1 97.8
## 23.2 1 0.1 97.8
## 23.15 1 0.1 97.9
## 23 1 0.1 98.0
## 22.4 1 0.1 98.1
## 22.08 1 0.1 98.1
## 21.15 1 0.1 98.2
## 21.1 1 0.1 98.3
## 21.05 1 0.1 98.3
## 20.4 1 0.1 98.4
## 20.3 1 0.1 98.5
## 20.15 1 0.1 98.5
## 20.05 1 0.1 98.6
## 19.48 1 0.1 98.7
## 19.15 1 0.1 98.8
## 19.1 1 0.1 98.8
## 18.5 1 0.1 98.9
## 18.35 1 0.1 99.0
## 18.15 1 0.1 99.0
## 18.1 1 0.1 99.1
## 18.05 1 0.1 99.2
## 17.3 1 0.1 99.2
## 17 1 0.1 99.3
## 15.45 1 0.1 99.4
## 15.4 1 0.1 99.4
## 15.16 1 0.1 99.5
## 14 1 0.1 99.6
## 13.4 1 0.1 99.7
## 11.37 1 0.1 99.7
## 11 1 0.1 99.8
## 10.42 1 0.1 99.9
## 10.4 1 0.1 99.9
## 10.05 1 0.1 100.0
## Total 1440 100.0 100.0Notas:
Viendo el gráfico de distribución se pueden ver las frecuencias en las diferencias, se ve una mayor parte en el número 0, lo cual nos indica un buen desarrollo en delivery.
“Time series plots” (line plot)
#Checar que la base de datos esta estructurada y un resumen de la descripción estadistica
summary(bd_limpia)## Cle Vueltas P.arrival R.arrival
## MAGNA :180 Min. :1.00 Min. : 0.000 Min. : 0.000
## MAHLE :540 1st Qu.:1.00 1st Qu.: 0.000 1st Qu.: 0.000
## PRINTEL :180 Median :1.50 Median : 4.000 Median : 0.000
## VARROC :540 Mean :1.75 Mean : 6.625 Mean : 3.823
## 3rd Qu.:2.25 3rd Qu.:10.750 3rd Qu.: 8.000
## Max. :3.00 Max. :20.000 Max. :23.500
## R.dep Dif Fecha Prom.R.arrival
## Min. : 0.000 Min. :-14.3500 Min. :2020-01-02 Min. :3.823
## 1st Qu.: 0.000 1st Qu.: 0.0000 1st Qu.:2020-05-07 1st Qu.:3.823
## Median : 0.000 Median : 0.0000 Median :2022-02-13 Median :3.823
## Mean : 4.142 Mean : 0.3155 Mean :2021-06-24 Mean :3.823
## 3rd Qu.: 9.000 3rd Qu.: 0.8000 3rd Qu.:2022-05-02 3rd Qu.:3.823
## Max. :24.500 Max. : 20.0000 Max. :2022-07-23 Max. :3.823#Graficar
ggplot(bd_limpia,aes(x=Fecha, y=Dif,color=Cle))+
geom_line()+
labs(x="Fecha",y="Delay in Minutes", color="Legend")+
ggtitle("Delays in Performance by Client")
### Checar la presencia de missing values
bd_limpia1 <- bd_limpia
bd_limpia1<-bd_limpia1[-c(300,292),] # Quitar las filas 300 y 292 por que presentan datos negativos y que no sirven para el analisis.
summary(bd_limpia1) # no missing values## Cle Vueltas P.arrival R.arrival
## MAGNA :180 Min. :1.000 Min. : 0.000 Min. : 0.000
## MAHLE :538 1st Qu.:1.000 1st Qu.: 0.000 1st Qu.: 0.000
## PRINTEL :180 Median :1.000 Median : 0.000 Median : 0.000
## VARROC :540 Mean :1.748 Mean : 6.606 Mean : 3.796
## 3rd Qu.:2.000 3rd Qu.: 9.000 3rd Qu.: 8.000
## Max. :3.000 Max. :20.000 Max. :23.500
## R.dep Dif Fecha Prom.R.arrival
## Min. : 0.000 Min. : 0.0000 Min. :2020-01-02 Min. :3.823
## 1st Qu.: 0.000 1st Qu.: 0.0000 1st Qu.:2020-05-06 1st Qu.:3.823
## Median : 0.000 Median : 0.0000 Median :2022-02-13 Median :3.823
## Mean : 4.134 Mean : 0.3344 Mean :2021-06-23 Mean :3.823
## 3rd Qu.: 9.000 3rd Qu.: 0.8000 3rd Qu.:2022-05-09 3rd Qu.:3.823
## Max. :24.500 Max. :20.0000 Max. :2022-07-23 Max. :3.823Quitar clientes que tengan valor de 0 en la base de datos
bd_limpia1<-bd_limpia1[bd_limpia1$Cle!="MAGNA",]
bd_limpia1<-bd_limpia1[bd_limpia1$Cle!="VARROC",]
summary(bd_limpia1)## Cle Vueltas P.arrival R.arrival
## MAGNA : 0 Min. :1.000 Min. : 8.00 Min. : 0.000
## MAHLE :538 1st Qu.:1.000 1st Qu.: 8.25 1st Qu.: 0.000
## PRINTEL :180 Median :1.000 Median : 9.00 Median : 8.000
## VARROC : 0 Mean :1.747 Mean :13.23 Mean : 7.603
## 3rd Qu.:2.000 3rd Qu.:16.00 3rd Qu.:10.000
## Max. :3.000 Max. :20.00 Max. :23.500
## R.dep Dif Fecha Prom.R.arrival
## Min. : 0.00 Min. : 0.0000 Min. :2020-01-02 Min. :3.823
## 1st Qu.: 0.00 1st Qu.: 0.0000 1st Qu.:2020-05-06 1st Qu.:3.823
## Median : 9.00 Median : 0.8000 Median :2022-02-13 Median :3.823
## Mean : 8.28 Mean : 0.6697 Mean :2021-06-23 Mean :3.823
## 3rd Qu.:11.50 3rd Qu.: 1.0000 3rd Qu.:2022-05-09 3rd Qu.:3.823
## Max. :24.50 Max. :20.0000 Max. :2022-07-23 Max. :3.823Realizar la grafica con los 2 clientes que eliminamos
ggplot(bd_limpia1,aes(x=Fecha, y=Dif,color=Cle))+
geom_line()+ geom_hline(yintercept=0.8000,linetype="dashed",color="black")+
labs(x="Fecha",y="Diferencia por día", color="Legend")+
ggtitle("Diferencia de entrega por Cliente")
### Nota (Hallazgo): Encontramos gracias a la grafica realizada de la
Diferencia de tiempo en la entrega de producto por cliente, que los
clientes con mayor Delay son MAHLE Y PRINTEL, al mismo tiempo
encontramos que entre estos dos clientes, el que tiene mayor Delay es
MAHLE, por lo que sería bueno para la empresa el tener un mayor enfoque,
obvio en ambos, pero tambien un poco más en Mahle, para que tenga mejor
referencia de este cliente y mayor confianza con la empresa en las
entregas.
7. Base de Datos Externa
Prediccion de los datos base de datos externa
Instalar paquetes y llamar librerías
library(psych)
library(lubridate)##
## Attaching package: 'lubridate'## The following objects are masked from 'package:base':
##
## date, intersect, setdiff, unionlibrary(ggplot2)
library(GGally)## Registered S3 method overwritten by 'GGally':
## method from
## +.gg ggplot2library(TSstudio)
library(forecast)## Registered S3 method overwritten by 'quantmod':
## method from
## as.zoo.data.frame zooLlamar base de datos
Companies <-read.csv("C:\\Users\\danyc\\Downloads\\externa_bd1 csv1.csv")
summary(Companies)## Geography Category Data.Type Unit
## Length:89 Length:89 Length:89 Length:89
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## Current.Constant X2016 X2017 X2018
## Length:89 Min. : 0 Min. : 0 Min. : 0
## Class :character 1st Qu.: 421 1st Qu.: 432 1st Qu.: 527
## Mode :character Median : 4383 Median : 4804 Median : 5063
## Mean : 939400 Mean : 993634 Mean : 1193476
## 3rd Qu.: 37794 3rd Qu.: 38307 3rd Qu.: 40769
## Max. :25902010 Max. :27472550 Max. :35218716
## X2019 X2020 X2021
## Min. : 0 Min. : 0 Min. : 0
## 1st Qu.: 529 1st Qu.: 548 1st Qu.: 607
## Median : 4849 Median : 5020 Median : 5477
## Mean : 1376491 Mean : 1554963 Mean : 1904399
## 3rd Qu.: 43779 3rd Qu.: 44564 3rd Qu.: 51280
## Max. :39310235 Max. :41193660 Max. :638579421. Limpieza, Transformación y Organización de Bases de Datos
str(Companies)## 'data.frame': 89 obs. of 11 variables:
## $ Geography : chr "Azerbaijan" "Bangladesh" "Cambodia" "China" ...
## $ Category : chr "Corrugated Paper, Paperboard and Containers" "Corrugated Paper, Paperboard and Containers" "Corrugated Paper, Paperboard and Containers" "Corrugated Paper, Paperboard and Containers" ...
## $ Data.Type : chr "Production (turnover) MSP" "Production (turnover) MSP" "Production (turnover) MSP" "Production (turnover) MSP" ...
## $ Unit : chr "AZN million" "BDT million" "KHR million" "CNY million" ...
## $ Current.Constant: chr "Current Prices" "Current Prices" "Current Prices" "Current Prices" ...
## $ X2016 : num 40.6 115106.8 247100 309386.9 212.1 ...
## $ X2017 : num 44.6 135423.7 257700 301286.2 212.7 ...
## $ X2018 : num 47.3 156788.3 299500 317612.9 217.5 ...
## $ X2019 : num 52.2 180445.4 314000 310925.3 216.8 ...
## $ X2020 : num 51.5 198883.5 281100 312534.7 196.7 ...
## $ X2021 : num 66.1 222755.3 285994.4 344612.2 191.4 ...describe(Companies)## Companies
##
## 11 Variables 89 Observations
## --------------------------------------------------------------------------------
## Geography
## n missing distinct
## 89 0 89
##
## lowest : Algeria Angola Argentina Australia Austria
## highest: United Kingdom Uruguay USA Uzbekistan Vietnam
## --------------------------------------------------------------------------------
## Category
## n
## 89
## missing
## 0
## distinct
## 1
## value
## Corrugated Paper, Paperboard and Containers
##
## Value Corrugated Paper, Paperboard and Containers
## Frequency 89
## Proportion 1
## --------------------------------------------------------------------------------
## Data.Type
## n missing distinct
## 89 0 1
## value
## Production (turnover) MSP
##
## Value Production (turnover) MSP
## Frequency 89
## Proportion 1
## --------------------------------------------------------------------------------
## Unit
## n missing distinct
## 89 0 70
##
## lowest : AED million AOA million ARS million AUD million AZN million
## highest: UYU million UZS million VND million XAF million ZAR million
## --------------------------------------------------------------------------------
## Current.Constant
## n missing distinct value
## 89 0 1 Current Prices
##
## Value Current Prices
## Frequency 89
## Proportion 1
## --------------------------------------------------------------------------------
## X2016
## n missing distinct Info Mean Gmd .05 .10
## 89 0 89 1 939400 1802910 4.024e+01 7.196e+01
## .25 .50 .75 .90 .95
## 4.208e+02 4.383e+03 3.779e+04 2.811e+05 2.444e+06
##
## lowest : 0.0 23.5 27.0 35.5 40.0
## highest: 2546890.4 8853225.9 15537060.0 24737853.0 25902010.0
##
## 0 (61, 0.685), 50000 (10, 0.112), 1e+05 (4, 0.045), 150000 (1, 0.011), 2e+05
## (1, 0.011), 250000 (3, 0.034), 3e+05 (1, 0.011), 450000 (1, 0.011), 9e+05 (1,
## 0.011), 2300000 (1, 0.011), 2550000 (1, 0.011), 8850000 (1, 0.011), 15550000
## (1, 0.011), 24750000 (1, 0.011), 25900000 (1, 0.011)
##
## For the frequency table, variable is rounded to the nearest 50000
## --------------------------------------------------------------------------------
## X2017
## n missing distinct Info Mean Gmd .05 .10
## 89 0 89 1 993634 1906261 3.848e+01 8.660e+01
## .25 .50 .75 .90 .95
## 4.318e+02 4.804e+03 3.831e+04 3.074e+05 2.490e+06
##
## lowest : 0.0 23.5 24.8 28.8 37.4
## highest: 2544419.2 9234244.0 17719080.0 25006911.1 27472550.0
##
## 0 (61, 0.685), 50000 (10, 0.112), 1e+05 (3, 0.034), 150000 (2, 0.022), 2e+05
## (2, 0.022), 250000 (1, 0.011), 3e+05 (1, 0.011), 350000 (1, 0.011), 550000 (1,
## 0.011), 1e+06 (1, 0.011), 2400000 (1, 0.011), 2550000 (1, 0.011), 9250000 (1,
## 0.011), 17700000 (1, 0.011), 2.5e+07 (1, 0.011), 27450000 (1, 0.011)
##
## For the frequency table, variable is rounded to the nearest 50000
## --------------------------------------------------------------------------------
## X2018
## n missing distinct Info Mean Gmd .05 .10
## 89 0 89 1 1193476 2294312 43.3 86.7
## .25 .50 .75 .90 .95
## 526.7 5063.1 40769.0 336594.7 2613855.3
##
## lowest : 0.0 26.2 28.5 31.7 42.9
## highest: 2629713.5 10416278.4 20330000.0 30247300.0 35218715.9
##
## Value 0 100000 200000 300000 400000 700000 1200000
## Frequency 68 6 3 3 1 1 1
## Proportion 0.764 0.067 0.034 0.034 0.011 0.011 0.011
##
## Value 2600000 10400000 20300000 30200000 35200000
## Frequency 2 1 1 1 1
## Proportion 0.022 0.011 0.011 0.011 0.011
##
## For the frequency table, variable is rounded to the nearest 100000
## --------------------------------------------------------------------------------
## X2019
## n missing distinct Info Mean Gmd .05 .10
## 89 0 89 1 1376491 2648876 4.098e+01 8.928e+01
## .25 .50 .75 .90 .95
## 5.293e+02 4.849e+03 4.378e+04 3.325e+05 2.729e+06
##
## lowest : 0.0 27.3 32.2 34.6 38.1
## highest: 2751972.0 10231535.7 27384030.0 35183030.0 39310234.8
##
## Value 0 100000 200000 300000 400000 900000 1000000
## Frequency 68 6 2 4 1 1 1
## Proportion 0.764 0.067 0.022 0.045 0.011 0.011 0.011
##
## Value 2700000 2800000 10200000 27400000 35200000 39300000
## Frequency 1 1 1 1 1 1
## Proportion 0.011 0.011 0.011 0.011 0.011 0.011
##
## For the frequency table, variable is rounded to the nearest 100000
## --------------------------------------------------------------------------------
## X2020
## n missing distinct Info Mean Gmd .05 .10
## 89 0 89 1 1554963 2992470 3.546e+01 8.688e+01
## .25 .50 .75 .90 .95
## 5.480e+02 5.020e+03 4.456e+04 3.276e+05 2.613e+06
##
## lowest : 0.0 22.8 30.4 30.7 33.3
## highest: 2643726.9 10503145.6 37653180.0 38605278.4 41193660.0
##
## Value 0 100000 200000 300000 400000 1000000 1100000
## Frequency 68 5 3 4 1 1 1
## Proportion 0.764 0.056 0.034 0.045 0.011 0.011 0.011
##
## Value 2600000 10500000 37700000 38600000 41200000
## Frequency 2 1 1 1 1
## Proportion 0.022 0.011 0.011 0.011 0.011
##
## For the frequency table, variable is rounded to the nearest 100000
## --------------------------------------------------------------------------------
## X2021
## n missing distinct Info Mean Gmd .05 .10
## 89 0 89 1 1904399 3679670 4.066e+01 9.036e+01
## .25 .50 .75 .90 .95
## 6.074e+02 5.477e+03 5.128e+04 3.774e+05 2.859e+06
##
## lowest : 0.0 27.1 31.8 37.0 38.9
## highest: 2933126.1 10586976.2 41570794.1 41644308.6 63857941.8
##
## Value 0 100000 200000 300000 400000 500000 1200000
## Frequency 66 7 2 4 1 1 1
## Proportion 0.742 0.079 0.022 0.045 0.011 0.011 0.011
##
## Value 1400000 2700000 2900000 10600000 41600000 63900000
## Frequency 1 1 1 1 2 1
## Proportion 0.011 0.011 0.011 0.011 0.022 0.011
##
## For the frequency table, variable is rounded to the nearest 100000
## --------------------------------------------------------------------------------Nota: Debido a la versión de R, nos deja descargar el paquete “psych”. Sin embargo, no nos deja llamar a la librería “psych”, por lo tanto utilizamos str, para obtener el numero de las variables de la base de datos.
2. Clasificación de variables
Realizamos una tabla para poder clasificar cada una de las variables de la base de Datos bd1
Variable<-c("Geography","Category","Data.Type", "Unit","Current Constant","Years")
Type<-c("Cualitativa", "Cualitativa", "Cualitativa", "Cualitativa", "Cualitativa", "Cuantitativa (Continua)")
table<-data.frame(Variable,Type)
knitr::kable(table)| Variable | Type |
|---|---|
| Geography | Cualitativa |
| Category | Cualitativa |
| Data.Type | Cualitativa |
| Unit | Cualitativa |
| Current Constant | Cualitativa |
| Years | Cuantitativa (Continua) |
3. Escala de Medición
Realizamos una tabla donde viene clasificado cada variable y agregamos una columna con la escala de medición para cada variable.
Variable<-c("Geography","Category","Data.Type", "Unit","Current Constant","Years")
Type<-c("Cualitativa", "Cualitativa", "Cualitativa", "Cualitativa", "Cualitativa", "Cuantitativa (Continua)")
Escala_de_Medición <- c("Países", "Producto", "Departamento","Tipo de Moneda", "Precio actual", "Ganancia (Razon)")
table<-data.frame(Variable,Type,Escala_de_Medición)
knitr::kable(table)| Variable | Type | Escala_de_Medición |
|---|---|---|
| Geography | Cualitativa | Países |
| Category | Cualitativa | Producto |
| Data.Type | Cualitativa | Departamento |
| Unit | Cualitativa | Tipo de Moneda |
| Current Constant | Cualitativa | Precio actual |
| Years | Cuantitativa (Continua) | Ganancia (Razon) |
4. Limpieza de datos
La primer tecnica de limpieza que utilizamos fue, eliminar columnas
debido a que contabamos con datos los cuales no eran relevantes para el
análisis.
La segunda herramienta de limpieza que utilizamos para la visulización
de los datos fue implementar una nueva columna como el total de la
Producción de las variables que se producen por país.
Remover Valores Irrelevantes
Eliminar columnas
bd1 <- Companies
bd1<-subset(bd1,select=-c(Category,Data.Type,Current.Constant))
str(bd1)## 'data.frame': 89 obs. of 8 variables:
## $ Geography: chr "Azerbaijan" "Bangladesh" "Cambodia" "China" ...
## $ Unit : chr "AZN million" "BDT million" "KHR million" "CNY million" ...
## $ X2016 : num 40.6 115106.8 247100 309386.9 212.1 ...
## $ X2017 : num 44.6 135423.7 257700 301286.2 212.7 ...
## $ X2018 : num 47.3 156788.3 299500 317612.9 217.5 ...
## $ X2019 : num 52.2 180445.4 314000 310925.3 216.8 ...
## $ X2020 : num 51.5 198883.5 281100 312534.7 196.7 ...
## $ X2021 : num 66.1 222755.3 285994.4 344612.2 191.4 ...Agregar Columnas
bd1$Total_Produccion<- bd1$X2016+bd1$X2017+bd1$X2018+bd1$X2019+bd1$X2020+bd1$X2021
bd1$Promedio_X2021<- mean(bd1$X2021)
summary(bd1)## Geography Unit X2016 X2017
## Length:89 Length:89 Min. : 0 Min. : 0
## Class :character Class :character 1st Qu.: 421 1st Qu.: 432
## Mode :character Mode :character Median : 4383 Median : 4804
## Mean : 939400 Mean : 993634
## 3rd Qu.: 37794 3rd Qu.: 38307
## Max. :25902010 Max. :27472550
## X2018 X2019 X2020 X2021
## Min. : 0 Min. : 0 Min. : 0 Min. : 0
## 1st Qu.: 527 1st Qu.: 529 1st Qu.: 548 1st Qu.: 607
## Median : 5063 Median : 4849 Median : 5020 Median : 5477
## Mean : 1193476 Mean : 1376491 Mean : 1554963 Mean : 1904399
## 3rd Qu.: 40769 3rd Qu.: 43779 3rd Qu.: 44564 3rd Qu.: 51280
## Max. :35218716 Max. :39310235 Max. :41193660 Max. :63857942
## Total_Produccion Promedio_X2021
## Min. : 0 Min. :1904399
## 1st Qu.: 3166 1st Qu.:1904399
## Median : 30333 Median :1904399
## Mean : 7962363 Mean :1904399
## 3rd Qu.: 254492 3rd Qu.:1904399
## Max. :204523302 Max. :1904399str(bd1)## 'data.frame': 89 obs. of 10 variables:
## $ Geography : chr "Azerbaijan" "Bangladesh" "Cambodia" "China" ...
## $ Unit : chr "AZN million" "BDT million" "KHR million" "CNY million" ...
## $ X2016 : num 40.6 115106.8 247100 309386.9 212.1 ...
## $ X2017 : num 44.6 135423.7 257700 301286.2 212.7 ...
## $ X2018 : num 47.3 156788.3 299500 317612.9 217.5 ...
## $ X2019 : num 52.2 180445.4 314000 310925.3 216.8 ...
## $ X2020 : num 51.5 198883.5 281100 312534.7 196.7 ...
## $ X2021 : num 66.1 222755.3 285994.4 344612.2 191.4 ...
## $ Total_Produccion: num 302 1009403 1685394 1896358 1247 ...
## $ Promedio_X2021 : num 1904399 1904399 1904399 1904399 1904399 ...¿Cuántos NA’s tengo en la base de datos?
sum(is.na(bd1))## [1] 0Nota: Se eliminan Category, Data.Type y Current.Constant, ya que no nos sirven, debido a que es el mismo dato para todos los registros y es algo que no nos aporta alguna información.
5. Análisis Exploratorio de las Bases de Datos
describe(bd1)## bd1
##
## 10 Variables 89 Observations
## --------------------------------------------------------------------------------
## Geography
## n missing distinct
## 89 0 89
##
## lowest : Algeria Angola Argentina Australia Austria
## highest: United Kingdom Uruguay USA Uzbekistan Vietnam
## --------------------------------------------------------------------------------
## Unit
## n missing distinct
## 89 0 70
##
## lowest : AED million AOA million ARS million AUD million AZN million
## highest: UYU million UZS million VND million XAF million ZAR million
## --------------------------------------------------------------------------------
## X2016
## n missing distinct Info Mean Gmd .05 .10
## 89 0 89 1 939400 1802910 4.024e+01 7.196e+01
## .25 .50 .75 .90 .95
## 4.208e+02 4.383e+03 3.779e+04 2.811e+05 2.444e+06
##
## lowest : 0.0 23.5 27.0 35.5 40.0
## highest: 2546890.4 8853225.9 15537060.0 24737853.0 25902010.0
##
## 0 (61, 0.685), 50000 (10, 0.112), 1e+05 (4, 0.045), 150000 (1, 0.011), 2e+05
## (1, 0.011), 250000 (3, 0.034), 3e+05 (1, 0.011), 450000 (1, 0.011), 9e+05 (1,
## 0.011), 2300000 (1, 0.011), 2550000 (1, 0.011), 8850000 (1, 0.011), 15550000
## (1, 0.011), 24750000 (1, 0.011), 25900000 (1, 0.011)
##
## For the frequency table, variable is rounded to the nearest 50000
## --------------------------------------------------------------------------------
## X2017
## n missing distinct Info Mean Gmd .05 .10
## 89 0 89 1 993634 1906261 3.848e+01 8.660e+01
## .25 .50 .75 .90 .95
## 4.318e+02 4.804e+03 3.831e+04 3.074e+05 2.490e+06
##
## lowest : 0.0 23.5 24.8 28.8 37.4
## highest: 2544419.2 9234244.0 17719080.0 25006911.1 27472550.0
##
## 0 (61, 0.685), 50000 (10, 0.112), 1e+05 (3, 0.034), 150000 (2, 0.022), 2e+05
## (2, 0.022), 250000 (1, 0.011), 3e+05 (1, 0.011), 350000 (1, 0.011), 550000 (1,
## 0.011), 1e+06 (1, 0.011), 2400000 (1, 0.011), 2550000 (1, 0.011), 9250000 (1,
## 0.011), 17700000 (1, 0.011), 2.5e+07 (1, 0.011), 27450000 (1, 0.011)
##
## For the frequency table, variable is rounded to the nearest 50000
## --------------------------------------------------------------------------------
## X2018
## n missing distinct Info Mean Gmd .05 .10
## 89 0 89 1 1193476 2294312 43.3 86.7
## .25 .50 .75 .90 .95
## 526.7 5063.1 40769.0 336594.7 2613855.3
##
## lowest : 0.0 26.2 28.5 31.7 42.9
## highest: 2629713.5 10416278.4 20330000.0 30247300.0 35218715.9
##
## Value 0 100000 200000 300000 400000 700000 1200000
## Frequency 68 6 3 3 1 1 1
## Proportion 0.764 0.067 0.034 0.034 0.011 0.011 0.011
##
## Value 2600000 10400000 20300000 30200000 35200000
## Frequency 2 1 1 1 1
## Proportion 0.022 0.011 0.011 0.011 0.011
##
## For the frequency table, variable is rounded to the nearest 100000
## --------------------------------------------------------------------------------
## X2019
## n missing distinct Info Mean Gmd .05 .10
## 89 0 89 1 1376491 2648876 4.098e+01 8.928e+01
## .25 .50 .75 .90 .95
## 5.293e+02 4.849e+03 4.378e+04 3.325e+05 2.729e+06
##
## lowest : 0.0 27.3 32.2 34.6 38.1
## highest: 2751972.0 10231535.7 27384030.0 35183030.0 39310234.8
##
## Value 0 100000 200000 300000 400000 900000 1000000
## Frequency 68 6 2 4 1 1 1
## Proportion 0.764 0.067 0.022 0.045 0.011 0.011 0.011
##
## Value 2700000 2800000 10200000 27400000 35200000 39300000
## Frequency 1 1 1 1 1 1
## Proportion 0.011 0.011 0.011 0.011 0.011 0.011
##
## For the frequency table, variable is rounded to the nearest 100000
## --------------------------------------------------------------------------------
## X2020
## n missing distinct Info Mean Gmd .05 .10
## 89 0 89 1 1554963 2992470 3.546e+01 8.688e+01
## .25 .50 .75 .90 .95
## 5.480e+02 5.020e+03 4.456e+04 3.276e+05 2.613e+06
##
## lowest : 0.0 22.8 30.4 30.7 33.3
## highest: 2643726.9 10503145.6 37653180.0 38605278.4 41193660.0
##
## Value 0 100000 200000 300000 400000 1000000 1100000
## Frequency 68 5 3 4 1 1 1
## Proportion 0.764 0.056 0.034 0.045 0.011 0.011 0.011
##
## Value 2600000 10500000 37700000 38600000 41200000
## Frequency 2 1 1 1 1
## Proportion 0.022 0.011 0.011 0.011 0.011
##
## For the frequency table, variable is rounded to the nearest 100000
## --------------------------------------------------------------------------------
## X2021
## n missing distinct Info Mean Gmd .05 .10
## 89 0 89 1 1904399 3679670 4.066e+01 9.036e+01
## .25 .50 .75 .90 .95
## 6.074e+02 5.477e+03 5.128e+04 3.774e+05 2.859e+06
##
## lowest : 0.0 27.1 31.8 37.0 38.9
## highest: 2933126.1 10586976.2 41570794.1 41644308.6 63857941.8
##
## Value 0 100000 200000 300000 400000 500000 1200000
## Frequency 66 7 2 4 1 1 1
## Proportion 0.742 0.079 0.022 0.045 0.011 0.011 0.011
##
## Value 1400000 2700000 2900000 10600000 41600000 63900000
## Frequency 1 1 1 1 2 1
## Proportion 0.011 0.011 0.011 0.011 0.022 0.011
##
## For the frequency table, variable is rounded to the nearest 100000
## --------------------------------------------------------------------------------
## Total_Produccion
## n missing distinct Info Mean Gmd .05 .10
## 89 0 89 1 7962363 15296095 2.333e+02 5.224e+02
## .25 .50 .75 .90 .95
## 3.166e+03 3.033e+04 2.545e+05 1.970e+06 1.570e+07
##
## lowest : 0.0 171.5 189.5 194.3 221.3
## highest: 15807772.3 59825405.8 186021771.8 198028864.1 204523301.8
##
## 0 (66, 0.742), 5e+05 (7, 0.079), 1e+06 (3, 0.034), 1500000 (3, 0.034), 2e+06
## (1, 0.011), 2500000 (1, 0.011), 5e+06 (1, 0.011), 6500000 (1, 0.011), 15500000
## (1, 0.011), 1.6e+07 (1, 0.011), 6e+07 (1, 0.011), 1.86e+08 (1, 0.011), 1.98e+08
## (1, 0.011), 204500000 (1, 0.011)
##
## For the frequency table, variable is rounded to the nearest 500000
## --------------------------------------------------------------------------------
## Promedio_X2021
## n missing distinct Info Mean Gmd
## 89 0 1 0 1904399 0
##
## Value 1904399
## Frequency 89
## Proportion 1
## --------------------------------------------------------------------------------En el análisis descriptivo se muestran los valores promedio del total de producciones de 2016 a 2021.
Tabla de Frecuencia
bd2 <- table(bd1$Unit)
bd2 <- prop.table(bd2)
bd2##
## AED million AOA million ARS million AUD million AZN million BDT million
## 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596
## BGN million BRL million BYR million CAD million CHF million CLP million
## 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596
## CNY million COP million CRC million CUC million CZK million DKK million
## 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596
## DOP million DZD million EGP million ETB million EUR million GBP million
## 0.01123596 0.01123596 0.01123596 0.01123596 0.20224719 0.01123596
## GEL million GHS million HKD million HRK million HuF million IDR million
## 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596
## ILS million INR million IQD million IRR million ISK million JPY million
## 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596
## KES million KHR million KRW million KWD million KZT million LKR million
## 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596
## MAD million MXN million MYR million NGN million NOK million NZD million
## 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596
## PAB million PEN million PHP million PKR million PLN million QAR million
## 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596
## RON million RUB million SAR million SEK million SGD million THB million
## 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596
## TND million TRY million TWD million UAH million USD million UYU million
## 0.01123596 0.01123596 0.01123596 0.01123596 0.03370787 0.01123596
## UZS million VND million XAF million ZAR million
## 0.01123596 0.01123596 0.01123596 0.01123596Tabla cruzada
table(bd1$Unit, bd1$Promedio_X2021)##
## 1904399.38539326
## AED million 1
## AOA million 1
## ARS million 1
## AUD million 1
## AZN million 1
## BDT million 1
## BGN million 1
## BRL million 1
## BYR million 1
## CAD million 1
## CHF million 1
## CLP million 1
## CNY million 1
## COP million 1
## CRC million 1
## CUC million 1
## CZK million 1
## DKK million 1
## DOP million 1
## DZD million 1
## EGP million 1
## ETB million 1
## EUR million 18
## GBP million 1
## GEL million 1
## GHS million 1
## HKD million 1
## HRK million 1
## HuF million 1
## IDR million 1
## ILS million 1
## INR million 1
## IQD million 1
## IRR million 1
## ISK million 1
## JPY million 1
## KES million 1
## KHR million 1
## KRW million 1
## KWD million 1
## KZT million 1
## LKR million 1
## MAD million 1
## MXN million 1
## MYR million 1
## NGN million 1
## NOK million 1
## NZD million 1
## PAB million 1
## PEN million 1
## PHP million 1
## PKR million 1
## PLN million 1
## QAR million 1
## RON million 1
## RUB million 1
## SAR million 1
## SEK million 1
## SGD million 1
## THB million 1
## TND million 1
## TRY million 1
## TWD million 1
## UAH million 1
## USD million 3
## UYU million 1
## UZS million 1
## VND million 1
## XAF million 1
## ZAR million 1La tabla nos muestra la cantidad promedio en millones producida en 2021 por cada unidad monetaria. En este caso, vemos que en 2021 se produjo en promedio más de 1MM de “currencies” (no se puede definir una unidad monetaria específica debido a que estamos ponderando distintas monedas internacionales). Conforme se analiza la tabla, vemos que el euro generó 18 veces el promedio de producción de cartón estimado para 2021, es decir, es la moneda internacional que más produjo cartón a nivel internacional en 2021. La siguiente moneda con mayor capacidad de producción fue USD millions.
Gráficas de datos Cualitativas y Cuantitativas
Cualitativa con Unit
barplot(bd2, xlab='Tipo de Moneda',
ylab='Frecuencia Relativa', las=1)
La gráfica nos muestra que de acuerdo a la frecuencia relativa de producción, Indonesia es la unidad monetaria que más cartón ha entregado.
Cuantitativa con Total_Produccion
bd3 <- bd1
aggregate(x=bd3$Total_Produccion, by=list(bd3$Geography),FUN=sum)## Group.1 sum.bd3$Total_Produccion
## 1 Algeria 26366.2
## 2 Angola 4172.7
## 3 Argentina 757754.2
## 4 Australia 21642.9
## 5 Austria 10233.5
## 6 Azerbaijan 302.3
## 7 Bangladesh 1009403.0
## 8 Belarus 2931.2
## 9 Belgium 6339.5
## 10 Brazil 129369.8
## 11 Bulgaria 3166.2
## 12 Cambodia 1685394.4
## 13 Cameroon 197101.1
## 14 Canada 78979.4
## 15 Chile 6391369.9
## 16 China 1896358.2
## 17 Colombia 15542263.1
## 18 Costa Rica 967034.3
## 19 Croatia 8719.9
## 20 Cuba 619.6
## 21 Cyprus 171.5
## 22 Czech Republic 178808.7
## 23 Denmark 32238.2
## 24 Dominican Republic 37293.6
## 25 Ecuador 949.5
## 26 Egypt 96033.6
## 27 Estonia 387.5
## 28 Ethiopia 5442.2
## 29 Finland 2612.9
## 30 France 33450.4
## 31 Georgia 194.3
## 32 Germany 77218.5
## 33 Ghana 673.7
## 34 Greece 2573.7
## 35 Hong Kong, China 1247.2
## 36 Hungary 1504747.7
## 37 Iceland 5561.8
## 38 India 2264525.5
## 39 Indonesia 204523301.8
## 40 Iran 186021771.8
## 41 Iraq 11680.2
## 42 Ireland 1873.4
## 43 Israel 22710.5
## 44 Italy 50972.2
## 45 Japan 15807772.3
## 46 Kazakhstan 203941.1
## 47 Kenya 112343.7
## 48 Kuwait 251.3
## 49 Latvia 463.0
## 50 Lithuania 1775.1
## 51 Luxembourg 0.0
## 52 Malaysia 23655.6
## 53 Mexico 738215.0
## 54 Morocco 16625.1
## 55 Netherlands 13921.1
## 56 New Zealand 7644.6
## 57 Nigeria 206027.0
## 58 Norway 11525.8
## 59 Pakistan 628812.7
## 60 Panama 221.3
## 61 Peru 5083.5
## 62 Philippines 302208.8
## 63 Poland 118115.9
## 64 Portugal 5366.3
## 65 Puerto Rico 537.2
## 66 Qatar 189.5
## 67 Romania 16388.7
## 68 Russia 1590911.6
## 69 Saudi Arabia 36787.1
## 70 Singapore 3636.7
## 71 Slovakia 1317.9
## 72 Slovenia 1137.3
## 73 South Africa 277898.6
## 74 South Korea 59825405.8
## 75 Spain 31015.4
## 76 Sri Lanka 254492.0
## 77 Sweden 60578.6
## 78 Switzerland 5331.3
## 79 Taiwan 615169.6
## 80 Thailand 201398.4
## 81 Tunisia 2715.6
## 82 Turkey 195406.5
## 83 Ukraine 128095.2
## 84 United Arab Emirates 12957.3
## 85 United Kingdom 30332.9
## 86 Uruguay 83173.7
## 87 USA 323594.0
## 88 Uzbekistan 5103054.3
## 89 Vietnam 198028864.1En la tabla anterior se muestra el total de producción generado por cada país. Haciendo una ponderación de los 5 países que mayor producción de cartón tienen (haciendo conteo histórico de 2016 a 2021), vemos que se destacan Irán, Vietnam, Corea del Sur, Japón e Indonesia.
hist(log(bd1$Total_Produccion), main = "Histograma de Producción Total", xlab="Producción Total",
ylab="Frecuencia", col="blue1")
En la gráfica anterior se simboliza la distribución de la muestra respecto a la producción total y la frecuencia de ésta. De acuerdo a la frecuencia total, vemos que se tiene una mayor producción por frecuencia entre 10 y 15, es decir, la producción total es más alta y tiene una frecuencia mayor a 15 que se muestra como el más elevado en el histograma.
Gráficas de Dispersión
Relación Geography con Producción Total
ggplot(bd1, aes(x=Total_Produccion, y=Geography)) +
geom_point(shape=19, size=3) + labs(title = "Relación entre los Países y la Producción Total",caption ="Passport_ProducciónCarton",x="Producción_Total", y="Geography") + theme_classic()
En la gráfica anterior se muestra la relación entre los países y la producción total. Se ve que hay una dispersión mayor para los países en el centro de la gráfica. Esto significa que hay más irregularidad en la producción total que han generado.
boxplot=subset(bd1,select = -c(Total_Produccion,Geography))
boxplot(bd1$Total_Produccion, main= "Total de producción")
En la gráfica anterior vemos el total de producción de acuerdo a la geografía. Al igual que la gráfica anterior, hay una correlación mayor acorde al total de producción.
Vol<-ts(boxplot,start=c(2016,1),frequency=12)
ts_plot(Vol,
title = "Desempeño de la Industria Automotriz: Producción de cartón global de 2016 a 2021",
Ytitle = "Unidades en miles",
Xtitle = "Años",
slider = TRUE)En esta gráfica se ve el desempeño de la industria automotriz de 2016 a 2021. En general, se muestra que el total de producción de cartón a nivel global fue mayor en 2021 contra otros años.
Predicción del Desempeño de la Industria Automotriz
Importar base de datos
bd5 <-read.csv("C:\\Users\\danyc\\Downloads\\externa_bd2 csv2.csv")
summary(bd5)## Geography Unit Año Produccion
## Length:534 Length:534 Min. :2016 Min. : 0
## Class :character Class :character 1st Qu.:2017 1st Qu.: 501
## Mode :character Mode :character Median :2018 Median : 4826
## Mean :2018 Mean : 1327061
## 3rd Qu.:2020 3rd Qu.: 43907
## Max. :2021 Max. :63857942sum(is.na(bd5))## [1] 0bd5$Total_Produccion<- bd1$X2016+bd1$X2017+bd1$X2018+bd1$X2019+bd1$X2020+bd1$X2021
summary(bd5)## Geography Unit Año Produccion
## Length:534 Length:534 Min. :2016 Min. : 0
## Class :character Class :character 1st Qu.:2017 1st Qu.: 501
## Mode :character Mode :character Median :2018 Median : 4826
## Mean :2018 Mean : 1327061
## 3rd Qu.:2020 3rd Qu.: 43907
## Max. :2021 Max. :63857942
## Total_Produccion
## Min. : 0
## 1st Qu.: 3166
## Median : 30333
## Mean : 7962363
## 3rd Qu.: 254492
## Max. :204523302str(bd5)## 'data.frame': 534 obs. of 5 variables:
## $ Geography : chr "Azerbaijan" "Bangladesh" "Cambodia" "China" ...
## $ Unit : chr "AZN million" "BDT million" "KHR million" "CNY million" ...
## $ Año : int 2016 2016 2016 2016 2016 2016 2016 2016 2016 2016 ...
## $ Produccion : num 40.6 115106.8 247100 309386.9 212.1 ...
## $ Total_Produccion: num 302 1009403 1685394 1896358 1247 ...sum(is.na(bd5))## [1] 0Modelos de regresión lineal múltiple
Modelos de regresión lineal múltiple: Producción de cartón en 2022 a nivel global
regresion <- lm(Total_Produccion ~ Geography + Unit + Año + Produccion, data=bd5)
summary(regresion)##
## Call:
## lm(formula = Total_Produccion ~ Geography + Unit + Año + Produccion,
## data = bd5)
##
## Residuals:
## Min 1Q Median 3Q Max
## -2.765e-06 -9.300e-09 6.000e-10 8.700e-09 3.720e-06
##
## Coefficients: (69 not defined because of singularities)
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 2.637e+04 1.543e-05 1.709e+09 < 2e-16 ***
## GeographyAngola -2.219e+04 1.719e-07 -1.291e+11 < 2e-16 ***
## GeographyArgentina 7.314e+05 1.719e-07 4.254e+12 < 2e-16 ***
## GeographyAustralia -4.723e+03 1.719e-07 -2.748e+10 < 2e-16 ***
## GeographyAustria -1.613e+04 1.719e-07 -9.384e+10 < 2e-16 ***
## GeographyAzerbaijan -2.606e+04 1.719e-07 -1.516e+11 < 2e-16 ***
## GeographyBangladesh 9.830e+05 1.719e-07 5.718e+12 < 2e-16 ***
## GeographyBelarus -2.343e+04 1.719e-07 -1.363e+11 < 2e-16 ***
## GeographyBelgium -2.003e+04 1.719e-07 -1.165e+11 < 2e-16 ***
## GeographyBrazil 1.030e+05 1.719e-07 5.992e+11 < 2e-16 ***
## GeographyBulgaria -2.320e+04 1.719e-07 -1.350e+11 < 2e-16 ***
## GeographyCambodia 1.659e+06 1.719e-07 9.650e+12 < 2e-16 ***
## GeographyCameroon 1.707e+05 1.719e-07 9.932e+11 < 2e-16 ***
## GeographyCanada 5.261e+04 1.719e-07 3.061e+11 < 2e-16 ***
## GeographyChile 6.365e+06 1.720e-07 3.700e+13 < 2e-16 ***
## GeographyChina 1.870e+06 1.719e-07 1.088e+13 < 2e-16 ***
## GeographyColombia 1.552e+07 1.727e-07 8.984e+13 < 2e-16 ***
## GeographyCosta Rica 9.407e+05 1.719e-07 5.472e+12 < 2e-16 ***
## GeographyCroatia -1.765e+04 1.719e-07 -1.026e+11 < 2e-16 ***
## GeographyCuba -2.575e+04 1.719e-07 -1.498e+11 < 2e-16 ***
## GeographyCyprus -2.619e+04 1.719e-07 -1.524e+11 < 2e-16 ***
## GeographyCzech Republic 1.524e+05 1.719e-07 8.868e+11 < 2e-16 ***
## GeographyDenmark 5.872e+03 1.719e-07 3.416e+10 < 2e-16 ***
## GeographyDominican Republic 1.093e+04 1.719e-07 6.356e+10 < 2e-16 ***
## GeographyEcuador -2.542e+04 1.719e-07 -1.478e+11 < 2e-16 ***
## GeographyEgypt 6.967e+04 1.719e-07 4.053e+11 < 2e-16 ***
## GeographyEstonia -2.598e+04 1.719e-07 -1.511e+11 < 2e-16 ***
## GeographyEthiopia -2.092e+04 1.719e-07 -1.217e+11 < 2e-16 ***
## GeographyFinland -2.375e+04 1.719e-07 -1.382e+11 < 2e-16 ***
## GeographyFrance 7.084e+03 1.719e-07 4.121e+10 < 2e-16 ***
## GeographyGeorgia -2.617e+04 1.719e-07 -1.522e+11 < 2e-16 ***
## GeographyGermany 5.085e+04 1.719e-07 2.958e+11 < 2e-16 ***
## GeographyGhana -2.569e+04 1.719e-07 -1.495e+11 < 2e-16 ***
## GeographyGreece -2.379e+04 1.719e-07 -1.384e+11 < 2e-16 ***
## GeographyHong Kong, China -2.512e+04 1.719e-07 -1.461e+11 < 2e-16 ***
## GeographyHungary 1.478e+06 1.719e-07 8.599e+12 < 2e-16 ***
## GeographyIceland -2.080e+04 1.719e-07 -1.210e+11 < 2e-16 ***
## GeographyIndia 2.238e+06 1.719e-07 1.302e+13 < 2e-16 ***
## GeographyIndonesia 2.045e+08 2.788e-07 7.334e+14 < 2e-16 ***
## GeographyIran 1.860e+08 2.635e-07 7.059e+14 < 2e-16 ***
## GeographyIraq -1.469e+04 1.719e-07 -8.543e+10 < 2e-16 ***
## GeographyIreland -2.449e+04 1.719e-07 -1.425e+11 < 2e-16 ***
## GeographyIsrael -3.656e+03 1.719e-07 -2.127e+10 < 2e-16 ***
## GeographyItaly 2.461e+04 1.719e-07 1.431e+11 < 2e-16 ***
## GeographyJapan 1.578e+07 1.727e-07 9.136e+13 < 2e-16 ***
## GeographyKazakhstan 1.776e+05 1.719e-07 1.033e+12 < 2e-16 ***
## GeographyKenya 8.598e+04 1.719e-07 5.001e+11 < 2e-16 ***
## GeographyKuwait -2.611e+04 1.719e-07 -1.519e+11 < 2e-16 ***
## GeographyLatvia -2.590e+04 1.719e-07 -1.507e+11 < 2e-16 ***
## GeographyLithuania -2.459e+04 1.719e-07 -1.430e+11 < 2e-16 ***
## GeographyLuxembourg -2.637e+04 1.719e-07 -1.534e+11 < 2e-16 ***
## GeographyMalaysia -2.711e+03 1.719e-07 -1.577e+10 < 2e-16 ***
## GeographyMexico 7.118e+05 1.719e-07 4.141e+12 < 2e-16 ***
## GeographyMorocco -9.741e+03 1.719e-07 -5.666e+10 < 2e-16 ***
## GeographyNetherlands -1.245e+04 1.719e-07 -7.239e+10 < 2e-16 ***
## GeographyNew Zealand -1.872e+04 1.719e-07 -1.089e+11 < 2e-16 ***
## GeographyNigeria 1.797e+05 1.719e-07 1.045e+12 < 2e-16 ***
## GeographyNorway -1.484e+04 1.719e-07 -8.633e+10 < 2e-16 ***
## GeographyPakistan 6.024e+05 1.719e-07 3.504e+12 < 2e-16 ***
## GeographyPanama -2.614e+04 1.719e-07 -1.521e+11 < 2e-16 ***
## GeographyPeru -2.128e+04 1.719e-07 -1.238e+11 < 2e-16 ***
## GeographyPhilippines 2.758e+05 1.719e-07 1.605e+12 < 2e-16 ***
## GeographyPoland 9.175e+04 1.719e-07 5.337e+11 < 2e-16 ***
## GeographyPortugal -2.100e+04 1.719e-07 -1.222e+11 < 2e-16 ***
## GeographyPuerto Rico -2.583e+04 1.719e-07 -1.502e+11 < 2e-16 ***
## GeographyQatar -2.618e+04 1.719e-07 -1.523e+11 < 2e-16 ***
## GeographyRomania -9.978e+03 1.719e-07 -5.804e+10 < 2e-16 ***
## GeographyRussia 1.565e+06 1.719e-07 9.101e+12 < 2e-16 ***
## GeographySaudi Arabia 1.042e+04 1.719e-07 6.062e+10 < 2e-16 ***
## GeographySingapore -2.273e+04 1.719e-07 -1.322e+11 < 2e-16 ***
## GeographySlovakia -2.505e+04 1.719e-07 -1.457e+11 < 2e-16 ***
## GeographySlovenia -2.523e+04 1.719e-07 -1.468e+11 < 2e-16 ***
## GeographySouth Africa 2.515e+05 1.719e-07 1.463e+12 < 2e-16 ***
## GeographySouth Korea 5.980e+07 1.835e-07 3.259e+14 < 2e-16 ***
## GeographySpain 4.649e+03 1.719e-07 2.704e+10 < 2e-16 ***
## GeographySri Lanka 2.281e+05 1.719e-07 1.327e+12 < 2e-16 ***
## GeographySweden 3.421e+04 1.719e-07 1.990e+11 < 2e-16 ***
## GeographySwitzerland -2.103e+04 1.719e-07 -1.224e+11 < 2e-16 ***
## GeographyTaiwan 5.888e+05 1.719e-07 3.425e+12 < 2e-16 ***
## GeographyThailand 1.750e+05 1.719e-07 1.018e+12 < 2e-16 ***
## GeographyTunisia -2.365e+04 1.719e-07 -1.376e+11 < 2e-16 ***
## GeographyTurkey 1.690e+05 1.719e-07 9.833e+11 < 2e-16 ***
## GeographyUkraine 1.017e+05 1.719e-07 5.918e+11 < 2e-16 ***
## GeographyUnited Arab Emirates -1.341e+04 1.719e-07 -7.800e+10 < 2e-16 ***
## GeographyUnited Kingdom 3.967e+03 1.719e-07 2.307e+10 < 2e-16 ***
## GeographyUruguay 5.681e+04 1.719e-07 3.304e+11 < 2e-16 ***
## GeographyUSA 2.972e+05 1.719e-07 1.729e+12 < 2e-16 ***
## GeographyUzbekistan 5.077e+06 1.720e-07 2.952e+13 < 2e-16 ***
## GeographyVietnam 1.980e+08 2.734e-07 7.243e+14 < 2e-16 ***
## UnitAOA million NA NA NA NA
## UnitARS million NA NA NA NA
## UnitAUD million NA NA NA NA
## UnitAZN million NA NA NA NA
## UnitBDT million NA NA NA NA
## UnitBGN million NA NA NA NA
## UnitBRL million NA NA NA NA
## UnitBYR million NA NA NA NA
## UnitCAD million NA NA NA NA
## UnitCHF million NA NA NA NA
## UnitCLP million NA NA NA NA
## UnitCNY million NA NA NA NA
## UnitCOP million NA NA NA NA
## UnitCRC million NA NA NA NA
## UnitCUC million NA NA NA NA
## UnitCZK million NA NA NA NA
## UnitDKK million NA NA NA NA
## UnitDOP million NA NA NA NA
## UnitDZD million NA NA NA NA
## UnitEGP million NA NA NA NA
## UnitETB million NA NA NA NA
## UnitEUR million NA NA NA NA
## UnitGBP million NA NA NA NA
## UnitGEL million NA NA NA NA
## UnitGHS million NA NA NA NA
## UnitHKD million NA NA NA NA
## UnitHRK million NA NA NA NA
## UnitHuF million NA NA NA NA
## UnitIDR million NA NA NA NA
## UnitILS million NA NA NA NA
## UnitINR million NA NA NA NA
## UnitIQD million NA NA NA NA
## UnitIRR million NA NA NA NA
## UnitISK million NA NA NA NA
## UnitJPY million NA NA NA NA
## UnitKES million NA NA NA NA
## UnitKHR million NA NA NA NA
## UnitKRW million NA NA NA NA
## UnitKWD million NA NA NA NA
## UnitKZT million NA NA NA NA
## UnitLKR million NA NA NA NA
## UnitMAD million NA NA NA NA
## UnitMXN million NA NA NA NA
## UnitMYR million NA NA NA NA
## UnitNGN million NA NA NA NA
## UnitNOK million NA NA NA NA
## UnitNZD million NA NA NA NA
## UnitPAB million NA NA NA NA
## UnitPEN million NA NA NA NA
## UnitPHP million NA NA NA NA
## UnitPKR million NA NA NA NA
## UnitPLN million NA NA NA NA
## UnitQAR million NA NA NA NA
## UnitRON million NA NA NA NA
## UnitRUB million NA NA NA NA
## UnitSAR million NA NA NA NA
## UnitSEK million NA NA NA NA
## UnitSGD million NA NA NA NA
## UnitTHB million NA NA NA NA
## UnitTND million NA NA NA NA
## UnitTRY million NA NA NA NA
## UnitTWD million NA NA NA NA
## UnitUAH million NA NA NA NA
## UnitUSD million NA NA NA NA
## UnitUYU million NA NA NA NA
## UnitUZS million NA NA NA NA
## UnitVND million NA NA NA NA
## UnitXAF million NA NA NA NA
## UnitZAR million NA NA NA NA
## Año -2.623e-10 7.645e-09 -3.400e-02 0.973
## Produccion -2.771e-14 6.441e-15 -4.302e+00 2.08e-05 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 2.978e-07 on 443 degrees of freedom
## Multiple R-squared: 1, Adjusted R-squared: 1
## F-statistic: 8.585e+28 on 90 and 443 DF, p-value: < 2.2e-16regresion <- lm(Total_Produccion ~ Año + Produccion, data=bd5)
summary(regresion)##
## Call:
## lm(formula = Total_Produccion ~ Año + Produccion, data = bd5)
##
## Residuals:
## Min 1Q Median 3Q Max
## -156662104 -2346480 -288323 745268 98830383
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 2.083e+09 5.845e+08 3.563 0.000400 ***
## Año -1.031e+06 2.896e+05 -3.561 0.000402 ***
## Produccion 5.394e+00 7.845e-02 68.757 < 2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 11410000 on 531 degrees of freedom
## Multiple R-squared: 0.899, Adjusted R-squared: 0.8986
## F-statistic: 2364 on 2 and 531 DF, p-value: < 2.2e-16bd5 <- data.frame(Año=2022, Produccion= 170000000)
predict(regresion,bd5)## 1
## 914196926De acuerdo a los datos estimados, se ve que las variables de año y producción son igualmente significativas para la variable dependiente. En el caso de año, este tiene un impacto negativo sobre la otra y la producción tiene una estimación positiva. El modelo anterior nos muestra cuánto se estima que se producirá a nivel global en la industria del cartón para 2022. De acuerdo a una producción total aproximada de 170 millones de cartón en 2021, se espera que en 2022 se produzcan 914,196,926. En este caso, el prónostico fue realizado al crear un nuevo ‘data frame’ y al implementar la función de ‘lm’, usada para crear análisis regresivos y predictivos.
Modelos de regresión lineal múltiple: Producción de cartón en 2022 para Estados Unidos y México
Importar base de datos (3)
bd6 <-read.csv("C:\\Users\\danyc\\Downloads\\externa_bd3 csv3 (1).csv")
summary(bd6)## Año USA MEX
## Min. :2016 Min. :48847 Min. :103443
## 1st Qu.:2017 1st Qu.:52256 1st Qu.:114333
## Median :2018 Median :54328 Median :124555
## Mean :2018 Mean :53932 Mean :123036
## 3rd Qu.:2020 3rd Qu.:55203 3rd Qu.:129521
## Max. :2021 Max. :59031 Max. :143561sum(is.na(bd6))## [1] 0summary(bd6)## Año USA MEX
## Min. :2016 Min. :48847 Min. :103443
## 1st Qu.:2017 1st Qu.:52256 1st Qu.:114333
## Median :2018 Median :54328 Median :124555
## Mean :2018 Mean :53932 Mean :123036
## 3rd Qu.:2020 3rd Qu.:55203 3rd Qu.:129521
## Max. :2021 Max. :59031 Max. :143561str(bd6)## 'data.frame': 6 obs. of 3 variables:
## $ Año: int 2016 2017 2018 2019 2020 2021
## $ USA: num 48847 51672 54006 55387 54651 ...
## $ MEX: num 103443 112231 120639 128471 129871 ...Modelo de regresión múltiple: Producción de cartón en 2022: México
regresion3 <- lm(MEX ~ USA + Año, data=bd6)
summary(regresion3)##
## Call:
## lm(formula = MEX ~ USA + Año, data = bd6)
##
## Residuals:
## 1 2 3 4 5 6
## 574.6 -373.0 -664.0 478.2 -345.3 329.5
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -7.614e+06 1.010e+06 -7.540 0.00484 **
## USA 2.109e+00 2.749e-01 7.674 0.00460 **
## Año 3.777e+03 5.072e+02 7.446 0.00501 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 675 on 3 degrees of freedom
## Multiple R-squared: 0.9986, Adjusted R-squared: 0.9977
## F-statistic: 1100 on 2 and 3 DF, p-value: 5.023e-05regresion3 <- lm(MEX ~ Año, data=bd6)
summary(regresion3)##
## Call:
## lm(formula = MEX ~ Año, data = bd6)
##
## Residuals:
## 1 2 3 4 5 6
## -925.5 395.3 1336.2 1701.6 -4365.0 1857.6
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -1.495e+07 1.281e+06 -11.67 0.000308 ***
## Año 7.467e+03 6.347e+02 11.77 0.000299 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 2655 on 4 degrees of freedom
## Multiple R-squared: 0.9719, Adjusted R-squared: 0.9649
## F-statistic: 138.4 on 1 and 4 DF, p-value: 0.0002986bd6 <- data.frame(Año=2022, Produccion= 740000)
predict(regresion3,bd6)## 1
## 149170.3ggplot(bd6, aes(x=Año, y=Produccion))+
geom_point() +
geom_line(aes(y=Produccion), color="red", linetype="dashed") +
geom_line(aes(y=Produccion), color="red", linetype="dashed") +
geom_smooth(method=lm, formula=y~x, se=TRUE, level=0.95, col='blue', fill='pink2') +
theme_light()## geom_path: Each group consists of only one observation. Do you need to adjust
## the group aesthetic?
## geom_path: Each group consists of only one observation. Do you need to adjust
## the group aesthetic?
La predicción anterior nos arroja que hay un impacto positivo y significativo entre la variable Año y la variable dependiente. Esto significa que hay una predicción positiva de crecimiento acorde al año. De acuerdo a la producción total generada por México de 2016 a 2021 (740 M), el modelo pronóstico estima que en 2022 producirá 149,170.3. En la gráfica previa se muestra el punto de predicción. Si analizamos la producción de 2021 contra el pronóstico de 2022, se estima que la producción mexicana disminuirá. Podemos suponer que esto se debe a la deficiencia en la cadena de suministro global, así como factores económicos globales.
Modelos de regresión lineal múltiple: Producción de cartón en 2022 para Estados Unidos y México
Importar base de datos (3)
bd6 <-read.csv("C:\\Users\\danyc\\Downloads\\externa_bd3 csv3 (1).csv")
summary(bd6)## Año USA MEX
## Min. :2016 Min. :48847 Min. :103443
## 1st Qu.:2017 1st Qu.:52256 1st Qu.:114333
## Median :2018 Median :54328 Median :124555
## Mean :2018 Mean :53932 Mean :123036
## 3rd Qu.:2020 3rd Qu.:55203 3rd Qu.:129521
## Max. :2021 Max. :59031 Max. :143561sum(is.na(bd6))## [1] 0summary(bd6)## Año USA MEX
## Min. :2016 Min. :48847 Min. :103443
## 1st Qu.:2017 1st Qu.:52256 1st Qu.:114333
## Median :2018 Median :54328 Median :124555
## Mean :2018 Mean :53932 Mean :123036
## 3rd Qu.:2020 3rd Qu.:55203 3rd Qu.:129521
## Max. :2021 Max. :59031 Max. :143561str(bd6)## 'data.frame': 6 obs. of 3 variables:
## $ Año: int 2016 2017 2018 2019 2020 2021
## $ USA: num 48847 51672 54006 55387 54651 ...
## $ MEX: num 103443 112231 120639 128471 129871 ...Modelos de regresión lineal múltiple: Producción de cartón en 2022: Estados Unidos
regresion2 <- lm(USA ~ MEX + Año, data=bd6)
summary(regresion2)##
## Call:
## lm(formula = USA ~ MEX + Año, data = bd6)
##
## Residuals:
## 1 2 3 4 5 6
## -293.67 185.92 345.50 -187.61 63.41 -113.54
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 3.266e+06 8.915e+05 3.663 0.0352 *
## MEX 4.511e-01 5.878e-02 7.674 0.0046 **
## Año -1.619e+03 4.452e+02 -3.636 0.0358 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 312.1 on 3 degrees of freedom
## Multiple R-squared: 0.9951, Adjusted R-squared: 0.9918
## F-statistic: 304.3 on 2 and 3 DF, p-value: 0.0003435regresion2 <- lm(USA ~ Año, data=bd6)
summary(regresion2)##
## Call:
## lm(formula = USA ~ Año, data = bd6)
##
## Residuals:
## 1 2 3 4 5 6
## -711.2 364.2 948.3 580.0 -1905.7 724.4
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -3477589.1 592456.5 -5.870 0.00421 **
## Año 1749.6 293.5 5.961 0.00398 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1228 on 4 degrees of freedom
## Multiple R-squared: 0.8988, Adjusted R-squared: 0.8735
## F-statistic: 35.53 on 1 and 4 DF, p-value: 0.003977bd6 <- data.frame(Año=2022, Produccion= 320000)
predict(regresion2,bd6)## 1
## 60055.85Para la predicción de Estados Unidos, vemos que habrá un incremento en la producción de cartón contra 2021. Sin embargo, al analizar la producción total de México contra la producción total de Estados Unidos, vemos que la mexicana es mucho mayor. Podemos suponer que esto se debe debido a la mano de obra económica del mercado mexicano.
De acuerdo a la predicción anterior, se ve un incremento positivo para la variable México con la variable dependiente, a diferencia del año que muestra un impacto menor y negativo, pero igualmente significativo.
Pronostico del desempeño de la industria automotriz y la empresa FORM
#install.packages("forecast")
library(forecast)Pronosticar el desempeño de la industria automotriz (EUA y MEX) para los 3 periodos de tiempo.
#file.choose()
externo<- read.csv("C:\\Users\\danyc\\Downloads\\externa_bd3 csv3.csv")Crear serie de tiempo
produccion_mexico<- c(externo$MEX)
produccion_usa<- c(externo$USA)produccionm<-ts(data=produccion_mexico, start=c(2016,1), frequency=1)
produccionu<-ts(data=produccion_usa, start=c(2016,1), frequency=1)
produccionm## Time Series:
## Start = 2016
## End = 2021
## Frequency = 1
## [1] 103442.8 112230.6 120638.5 128470.9 129871.3 143560.9produccionu## Time Series:
## Start = 2016
## End = 2021
## Frequency = 1
## [1] 48847.2 51672.2 54005.8 55387.1 54651.0 59030.7modelom<- auto.arima(produccionm, D=1)
modelou<- auto.arima(produccionu, D=1)
modelom## Series: produccionm
## ARIMA(0,1,0) with drift
##
## Coefficients:
## drift
## 8023.620
## s.e. 1752.032
##
## sigma^2 = 19186921: log likelihood = -48.46
## AIC=100.92 AICc=106.92 BIC=100.14modelou## Series: produccionu
## ARIMA(0,1,0)
##
## sigma^2 = 7012061: log likelihood = -46.5
## AIC=95 AICc=96.34 BIC=94.61pronosticom <- forecast(modelom, level=c(95), h=4)
pronosticom## Point Forecast Lo 95 Hi 95
## 2022 151584.5 142999.3 160169.7
## 2023 159608.1 147466.8 171749.5
## 2024 167631.8 152761.7 182501.8
## 2025 175655.4 158485.0 192825.8plot(pronosticom)
pronosticou <- forecast(modelou, level=c(95), h=4)
pronosticou## Point Forecast Lo 95 Hi 95
## 2022 59030.7 53840.66 64220.74
## 2023 59030.7 51690.87 66370.53
## 2024 59030.7 50041.28 68020.12
## 2025 59030.7 48650.61 69410.79plot(pronosticou)
Pronosticar el desempeño de produccion de Form para los proximos 3 periodos de tiempo.
#file.choose()
formproduccion<- read.csv("C:\\Users\\danyc\\OneDrive - Instituto Tecnologico y de Estudios Superiores de Monterrey\\Desktop\\Form_produccionbaselimpia.csv")Crear serie de tiempo
produccionform<- c(formproduccion$laminas_procesadas)produccionf<-ts(data=produccionform, start=c(2022,7), end=c(2025, 12), frequency=12)
produccionf## Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
## 2022 3 2 2 1 1 3
## 2023 2 5 5 10 5 1 5 7 12 4 7 1
## 2024 15 9 9 9 10 18 22 22 9 45 22 11
## 2025 22 11 11 21 11 11 11 6 11 11 11 11modelof<- auto.arima(produccionf, D=1)
modelof## Series: produccionf
## ARIMA(2,1,0)(1,1,0)[12]
##
## Coefficients:
## ar1 ar2 sar1
## -0.7093 -0.3922 -0.6559
## s.e. 0.1707 0.1731 0.1338
##
## sigma^2 = 79.45: log likelihood = -106.7
## AIC=221.39 AICc=223.06 BIC=226.86pronosticof <- forecast(modelof, level=c(95), h=3)
pronosticof## Point Forecast Lo 95 Hi 95
## Jan 2026 16.15994 -1.310577 33.63046
## Feb 2026 10.94930 -7.244584 29.14318
## Mar 2026 12.23185 -7.267684 31.73139plot(pronosticof)
Describe los resultados
Realizamos una serie de tiempo tanto para la base de la industria automotriz como para la base de producción de FORM, este es enfocado a las laminas procesadas cada mes y en la industria es por año. Para poder realizar este Analisis de Resultado realizamos una grafica y un modelo de Predicción por medio de la función auto.arima. Gracias a esta función, le especificamos desde que Fecha empezará a obtener datos de la base de Datos y también colocamos la frecuencia, que se refiere a cómo se comporta, en cuestión a si se va a calcular por mes o por año. Así mismo, obtuvimos para la industria tanto en México como en EU, que son los países en los que se enfoca más FORM y obtengan mejor oportunidad de crecimiento. Al realizar este modelo calculamos para los próximos 3 periodos, en este caso para el 2025 y obtuvimos los siguientes resultados: - Industria Automotriz en México:
- Partiendo de un margen del 95%, queriendo decir, que este modelo es más preciso por lo que al ver la grafica obtenemos que tendrá un incremento constante en los próximos 3 años, partiendo del 2022.
- Este crecimiento de la industria automotriz en México se estima un crecimiento del 16% para 2025, lo que beneficia a FORM para continuar produciendo en el mercado Mexicano.
Industria Automotriz en Estados Unidos:
- Para 2022 el pronostico es de 59 mil, que este se puede mantener constante en los próximos 3 años hasta 2025
- Se obtiene un escenario optimista con la precisión del 95%, lo que quiere decir que para finales del 2025, puede estar igual en 59 mil o aumentar hasta los 69 mil. Esto indicaría que va en aumento año con año y terminaría el 2025 con un aumento del casi 20%. Lo que indicaría algo bueno para FORM, dandole oportunidad a aumentar su cartera de clientes dentro del mercado Estadounidense y teniendo un buen impacto de la industria para los próximos periodos.
Empresa FORM:
- Se hizo el pronostico por mes y dando un periodo hasta el 2026, partiendo del 2022 con 3 en cuanto a producción de laminas procesadas, se estima que este tenga un aumento constante, ademas de que entre el 2024 y 2025 tenga un punto de pique más alto, que posteriormente volverá a estabilizarse pero que se mantendrá constante entre los 10 a 20 en producción.
- Se pronostica que para el 2026 se tenga un 33 en producción del área de laminas procesadas, teniendo una precisión del 95% en un escenario optimista. Así mismo este se puede mantener constante en 10 o aumentar como se comentó anteriormente y este crecimiento a términos del 2026 tomando el escenario optimista, sería de poco mas del 90% lo que sería un gran aumento para FORM. También si fuera sin el 95% para inicios del 2026 serían 16 en producción con el 60% de aumento, lo que seguiría siendo algo importante para FORM.
Listar y describir los principales 5-6 resultados / hallazgos de la actividad.
1.Recursos humanos: Uno de los hallazgos en esta base de datos es que las principales causas de bajas de empleados se debe a tres razones. Bajas por faltas, renuncia voluntaria o término de contrato y nos damos cuenta que el puesto con más rotación en la empresa es el de ayudante general. Por lo tanto podemos observar que existe una mala gestión administrativa o que los empleados no están 100% felices por lo tanto no se están esforzando lo suficiente.
La principal causa de bajas en la empresa es debido a faltas, En numero de bajas por sexo masculino y femenino las mujeres son las que más faltan generando 53 bajas en total,pero lo importante es que para los hombres también es su mayor es la razón de baja, lo cual es por faltas ya que se han presentado 25 bajas. Tomando en cuenta la lejanía de la planta esto puede ser un factor que esté generando bajas. Estos datos nos permiten ver una gráfica de dispersión que nos arroja que los ex-empleados tienen un tiempo de duración más corto a un año.
2.Merma:
-Un hallazgo importante en merma es que se está generando alrededor de 3 toneladas a 4 toneladas de merma cada 4 meses, Por lo tanto nosotros consideramos que es mucha merma la que se está generando.
-Otro punto importante es que se está generando una merma muy irregular por ejemplo de enero a abril fue una merma de 3 toneladas promedio, de abril a julio alrededor de 5 toneladas y llegó hasta generar 6 toneladas y de julio a octubre género 3 toneladas promedio pero en un mes se logró tener menos de 1 tonelada de merma.
-Por lo tanto es importante que la empresa genere menores cantidades de merma y que esta merma sea lo mayor constante posible , sabemos que puede variar dependiendo de la cantidad de pedidos pero pues lograr reducir la cantidad de merma nos ayudará a reducir costos.
3.Scrap:
-Analizando estas variables se confirma que en el área de pre-producción,Es donde se genera la mayoría del scrap en su mayoría se genera casi el 85% de scrap, que generan dentro de la empresa, por lo tanto es algo alarmante por lo tanto se tienen que tomar decisiones importantes para poder realizar cambios en esta área para reducir la cantidad de scrap.
-Un punto importante es que con la ayuda de un gráfica lineal, nos dimos cuenta de cuál fue el día en el mes de agosto que generó más scrap,por lo que se puede decir que en el día que se cometieron más errores fue el día 24 de agosto, por lo tanto debemos de observar que es lo que pasó este día en la planta, o si también este factor se está repitiendo mes con mes.
4.Delivery Plan:
-Nos damos cuenta que en esta área de la empresa que es delivery plan, nos muestra que el cliente potencial es Hella, ya que cuenta con mayores pedidos , el segundo lugar para FORM es TRMX.
-Hella es la empresa que más pedidos tiene para FORM siendo alrededor de 225,000 y TRMX lo sigue con 80,000 pedidos. También se analizó que septiembre es uno de los meses fuertes para la empresa en esta área ya que se incrementaron los pedidos establecidos.
5.Delivery Performance:
-Se encontraron hallazgos importantes en esta base de datos como son, que FORM cuenta con dos clientes con mayor Delay. Estos clientes son MAHLE y PRINTEL. Pero en este caso lo que se analizó es que el cliente con mayor dilación es MAHLE, Por lo tanto nosotros recomendaremos a FORM mantener una mejor logística y eficiencia con el objetivo de generar que la empresa tenga una mejor referencia y mucho más confianza con las entregas.
6.Producción
-La primera observación ene producción que nos llama la atención es saber cuál es el cliente más importante para FORM, por lo que en este análisis nos desarrollo que Stabilus 1, es el cliente potencial de la empresa en el área de producción. Analizando los meses de julio , agosto y septiembre nos dimos cuenta que agosto es el mes con más producción, alrededor de 35,000 piezas programadas.
-Se analizó que en la estación c1 y c2 es la estación con mayor productividad debido a que es la que menos tiempo hace con más procesamiento de láminas. Por lo tanto esto es una ventaja que se podría analizar en esta fase de producción para aplicarla a las demás áreas.
-Un punto relevante de esta investigación que nos demostró un gráfico de dispersión es que si se le dedica tiempo de calidad que se le otorga al cliente, la empresa realiza los procesos de una manera mucho más eficiente y detallada, generando productos de calidad y más pronto.
7.Base de datos externa.
-En esta base de datos externa se analizó una serie de tiempo enfocada principalmente en EUA y México ya que son las principales áreas de interés para la empresa de FORM.
-Un hallazgo es que la industria automotriz en México se mantendrá en constante crecimiento en un lapso de 3 años en un futuro. Con un pronóstico de un 95% lo cual es muy óptimo a que suceda.
-Si se analiza hasta el año 2025, existe un 16% de crecimiento en la industria, por lo que a FORM, le conviene hoy en día continuar con la mano de obra en México y seguir vendiendo a compañías extranjeras.
-Por la parte de EUA, se espera un crecimiento para el 2025 de un 20% , por lo que nos determinó que la industria automotriz estado unidos se mantiene en constante crecimiento año tras año.
-Para la empresa de FORM, se espera que exista un crecimiento en los próximos años en lo que es la producción de láminas procesadas, se espera que este tenga un aumento constante, por lo que sería una ventaja competitiva preparar los procesos de láminas desde este año para que en los próximos años que este proceso de laminado aumente no existan tantos errores buscando perfeccionar el proceso.
Reflexion Final
¿Qué es Business Analytics? Es una combinación de habilidades, tecnologías y prácticas para la exploración e investigación del funcionamiento y los procesos empresariales que se han tenido anteriormente por un empresa, para de ese modo obtener información, poder analizar dicha información que se extrae y así impulsar la planificación estratégica empresarial. Business Analytics puede descubrir patrones y predecir tendencias considerando diferentes factores.
Existen diferentes rubros del “Business Analytics”:
Análisis Descriptivo
Análisis de Diagnóstico
Análisis Predictivo
Análisis Prescriptivo
3 objetivos deL uso de la herramienta de Business Analytics?** 1. Determinar qué conjuntos de datos son significantes y útiles para poder analizar y conocer el desempeño de la empresa y cuáles pueden aumentar los ingresos y disminuir los costos.
- Ejemplo: productividad y eficencia.
Analizar y transformar los datos en información útil, identificar y anticipar tendencias y resultados. Simplificar información para hacerla más sencilla de entender y visual.
Tomar decisiones empresariales más inteligentes basadas en datos.
- Ejemplo: Análisis del comportamiento de los clientes, disminución de costo, evitar mermas, aprovechamiento de tiempos y materiales, eficiencia y eficacia.
¿Cuál es la relación entre Business Analytics y Business Intelligence? BI sirve para evaluar, optimizar y coordinar las operaciones internas de una empresa. Trata de aprovechar todo el potencial de los datos que genera una empresa en todas sus actividades diarias y analizar estos datos para obtener información de valor sobre la toma de decisiones.Ayuda para entender el histórico y el como evolucionan los datos. Y como mencionamos anteriormente Business Analytics con el analisis de la información de una empresa logra puede llegar a desubrir patrones, explicaciones del porque de los mismos y predecir tendencias o hechos que pueden llegar a pasar en el negocio.
Estos dos términos tienen una alta relación entre ellas ya que en pocas palabras la Inteligencia de Negocios es el hacer análisis de los datos obtenidos y Analítica de Negocios es predicción a partir de los datos que se obtuvieron con el análisis. Una con lleva a la otra y trabajan juntas para obtener el resultado buscado de un análisis de datos que contenga la información relevante y significativa que nos pueda mostrar predicciones del comportamiento ya sea de la empresa, de la economía, de los ingresos, de los clientes y más. Ambas son necesarias para extraer un buen análisis de la información de una empresa, ya que una analis dos, los organiza y extra aquellos relevantes y la otra puede lograr las pedicciones y análisis.
---
title: <span style = "color:darkorange">**Entregable 2.4 FORM**
author: "Equipo 2"
date: "2022-10-03"
output: 
  html_document:
    theme: cosmo
    highlight: tango
    toc: true
    toc_float: true
    code_download: true
---
# <img src= "C:\\Users\\danyc\\Downloads\\logo.png" />


```{r} 

knitr::include_url("https://form.com.mx/")

```

# <span style = "color:darkorange">**¿Quien es Form?***
FORM es una empresa mexicana dedicada a generar soluciones integrales de empaque para la industria automotriz. Fue fundada en el 2011 por Felipe Flores García y hoy en día cuenta con más de 130 empleados. FORM toma gran importancia a ser parte de un entorno sostenible, por lo que diseña empaques ecológicos generando un impacto positivo al medio ambiente, es por ello que su principal material es el cartón,  con el cual obtienen el 50% de sus ganancias y representa el 90% de sus gastos y costos. Por ello la importancia de una buena logística y cadena de suministros en FORM, para optimizar  y eficientizar y de ese modo tener rentabilidad. 


# **Entregable 2.4 Equipo 2**

# <span style = "color:darkorange">**1. Scrap** 

## Llamar base de datos.

```{r}
#file.choose()
SCRAP<- read.csv("C:\\Users\\danyc\\Downloads\\FORM - Scrap Limpia .csv")
```

## Entender Base de Datos
```{r}
resumen <- summary(SCRAP)
resumen
```

## *1.¿Cuántas variables y cuántos registros tiene la base de datos?*
<center> <span style="color:Red"> R= 250 registros y 9 variables </center>
```{r}
str(SCRAP)
#library(psych)
#install.packages("psych")
#describe(FORM)
```

**Nota:**En esta base de datos se eliminaron la columana que no era relevante para el analisis,Se eliminan Referencia, Producto, Unidad.de.medida , Ubicación.de.desecho, Estado, debido a que son irrelevantes, por que es el mismo dato para todos los registros.Por lo tanto es irrelevante. 

```{r}
bd1<- SCRAP
bd1<-subset(SCRAP,select=-c(Referencia, Unidad.de.medida , Ubicación.de.desecho, Estado))
str(bd1)
summary(bd1)
```

## *2. *Para el caso de variables cuantitativas considerar la posibilidad de reemplazar la presencia de “missing values” con estadísticos descriptivos (por ejemplo, media, mediana, moda).*


```{r}
#install.packages("dplyr")
#install.packages("mirage")
#install.packages("dplyr")
library(dplyr)
#library(mirage)

```

## Tecnica 5:Valores faltantes
### ¿Cuantos N/A tengo en mi base de datos?

#Debido a que en la base de datos no se encuentran Missing Values, en esta base de datos no se pueden remplazar valores por media, mediana y moda ya que no aplica. 
```{r}

#bd1<-SCRAP
#bd1

sum(is.na(bd1))
sum(is.na(SCRAP))
sapply(bd1, function(x) sum(is.na(x)))
sapply(SCRAP, function(x) sum(is.na(x)))
```

### Cambiar columnas y variables 
*Cambiar los nombres de las columnas / variables a nombres más cortos y específicos. Por ejemplo, municipio → mpio, salario mínimo diario → salario_min.*

```{r}
#seleccionar columnas / variables.
bd1<-SCRAP %>% select(one_of('Fecha','Hora','Producto','Cantidad','Ubicación.de.origen'))

#Renombrar las columnas /variables seleccionadas. 
colnames(bd1) <-c ('Fecha','Hora','Prod.','Cant.','Origen')

```

**Nota:** Se cambiaron los nombres de las variables a nombres mas cortos. Para no contar con nombres largos.

## Tabla de estadísticos descriptivos
*Crear tabla que muestre los principales estadísticos descrptivos (media,mediana, moda, desviación estandar) de cada una de las variables para cada base de datos. Comentar brevemente los principales resultados que se muestran en la tabla.*

```{r}
#DESCARGAR EL PAQUETE
#install.packages("kkbleExtra") 


#summary(bd1)
#describe(bd1)

#install.packages("sd")
#install.packages("modeest")
#library(modeest)
#sd(FORM_1$Kilo, na.rm = FALSE)
#install.packages("dplyr")
#library(dplyr)

#library(kbleExtra)
summary(bd1)
```


```{r}
sd(bd1$Cantidad, na.rm= TRUE)  

Variable<-c("Cant.")
Mediana<-c("2.00")
Media <- c("6.696")
Moda <- c("1") #EXCEL 
Desviación_estandar<-c("11.84885")
table1 <- data.frame (Variable, Mediana, Media, Moda, Desviación_estandar)
knitr::kable(table1)
```


##Crear 1-2 “time series plots” (line plot) que muestran la dispersión de variables selecionadas.

```{r}
#install.packages("ggplot2")
#install.packages("barplot")
library(ggplot2)
summary(bd1)
ggplot(bd1,aes(x=Cant.))+
  geom_line(aes(y=Origen),color="Red")+
  labs(x="Cant",y="Origen", color="Legend")+
   ggtitle("Mayores catidades de Scrap por origen")
```


### *Infromacíon Relevante.*

En esta actividad de la limpia y organización de la base de datos de Scrap. Nos dimos cuentas que la base de datos contaba con distintas variables que no eran tan relevantes para analizar la bd scrap. Por lo tanto decidiomos eliminarlas para contar con menos variables y asi poder realizar un mejor analisis. 

En este analisis nos dimos cuenta que los datos estaban orgnaizados es decir no contaban con missing values por lo tanto es algo bueno para el analisis, de todos modos es importante conciderarlos si es relevante para el analisis, en este caso no se hubieran eliminado si no que se hubieran remplazado por la mediana dependiendte de la variable que estuvieramos analisando.

Analisando estas variables se confirma que en el area de pre-producción,es donde se genera la mayoria del scrap en su mayoria se genera casi el 85% de scrap, que generan dentro de la empresa, por lo tanto es alago alarmante por lo tanto se tienen que tomar decisiones importantes para poder realizar cambios en esta area para reducir la cantidad de scrap. 

# <span style = "color:darkorange">**2. Merma** 

### Llamar base de datos.

```{r}
#file.choose()
FORM <- read.csv("C:\\Users\\danyc\\Downloads\\FORM - Merma limpia.csv")
```

### Entender Base de Datos
```{r}
resumen <- summary(FORM)
resumen
```

### *1.¿Cuántas variables y cuántos registros tiene la base de datos?*
<center> <span style="color:Blue"> R= 52 registros y 2 variables </center>
```{r}
str(FORM)
library(psych)
#install.packages("psych")
describe(FORM)
```

**Nota:**En esta base de datos se eliminaron la columana que no era relevante para el analisis, Se eliminaron los registros de total de merma y la columna de mes ya que no eran irrelevantes. Por lo tanto nos quedamos con 52 registros y 2 variables.  

*2.*Para el caso de variables cuantitativas considerar la posibilidad de reemplazar la presencia de “missing values” con estadísticos descriptivos (por ejemplo, media, mediana, moda).*

```{r}
#install.packages("dplyr")
#install.packages("merge)
library(dplyr)
#library(merge)
```


```{r}
#Remplazar valores faltantes por la mediana: No se pueden cambair debido a que los NA´S de la base de datos no tienen información. Por lo tanto se van a Eliminar. 

FORM_1<-FORM
FORM_1<- na.omit(FORM_1)
summary(FORM_1)

#summary(FORM) 
#str(FORM)
#FORM$Kilos<-as.numeric(FORM$Kilos)
#FORM<-FORM %>% mutate(Kilos=if_else(is.na(Kilos),median(Kilos,na.rm = T),Kilos))
```

**Nota:**En esta base de datos la unica variable que se puede remplazar por la mediana es la columna de kilos. Ya se remplazaron los valores faltantes por la mediana. 


## Cambiar nombres de columnas y variables
*Cambiar los nombres de las columnas / variables a nombres más cortos y específicos. Por ejemplo, municipio → mpio, salario mínimo diario → salario_min.*

```{r}
#seleccionar columnas / variables.
#FORM<-FORM %>% select(-one_of('Fecha','Kilos'))

#Renombrar las columnas /variables seleccionadas. 
colnames(FORM_1) <-c ('Fcha','Kilo')
```

*Respecto a variables cualitativas (por ejemplo, género, cliente,municipio, estado) homogenizar el nombre de las diferentes categorías. *


*Respecto a La base de datos analizada no aplica el paso de homogenizar las variables ya que en este caso solo se cuenta con dos variables en la base de datos.* 

## Tabla de estadísticos descriptivos

*Crear tabla que muestre los principales estadísticos descriptivos (media,mediana, moda, desviación estandar) de cada una de las variables para cada base de datos. Comentar brevemente los principales resultados que se muestran en la tabla.*

```{r}
#DESCARGAR EL PAQUETE 
#install.packages("kbleExtra") 


#summary(FORM_1)


#install.packages("sd")
#install.packages("modeest")
#library(modeest)
#sd(FORM_1$Kilo, na.rm = FALSE)
#install.packages("dplyr")
#library(dplyr)
median(FORM_1$Kilo, na.rm = TRUE)
mean(FORM_1$Kilo, na.rm = TRUE)
sd(FORM_1$Kilo, na.rm = FALSE)
#mfv(FORM_1$Kilo)

variable<-c("'Kilo")
Mediana<-c("4025")
Media <- c("4415")
Moda <- c("4190")
Desviación_estandar<-c("2571.793")
table1 <- data.frame (variable, Mediana, Media, Moda, Desviación_estandar)
knitr::kable(table1)
```

## Time Serie Plots
*Crear 1-2 “time series plots” (line plot) que muestran la dispersión de variables selecionadas.*

```{r}

FORM_1$Fcha<-as.Date(FORM_1$Fcha,format="%d/%m/%y") 

#install.packages("ggplot2")
library(ggplot2)
summary(FORM_1)
ggplot(FORM_1,aes(x=Fcha))+
  geom_line(aes(y=Kilo),color="blue")+
  labs(x="Fcha",y="Kilo", color="Legend")+
   ggtitle("Kilos de merma por mes")
```

## *7.Información Relevante *

Una reflexión que se toma sobre esta actividad es que solo contamos con dos variables relevantes las cual nos puede decir algo, en este caso solo se utilizo la de fecha y la de los kilos de merma. 

Un dato impactante es que la mayoría de las veces la empresa tiene una merma constante, esta varia pero casi todos los meses cuentan con al rededor de 5 toneladas de merma, de acuerdo con las fechas que nos dieron en esta base de datos se analizo que de enero a marzo existió una gran cantidad de merma que llego al rededor de 17 toneladas de merma, por lo tanto se debe de analizar en la empresa que fue lo que sucedió en este lapso de tiempo, puedo ser que un cliente cancelara algún pedido, que haya generado una gran cantidad de merma. 

# <span style = "color:darkorange">**3. Delivery Plan** 


## <span style = "color:orange">**Importar la base de datos** 
```{r}
#file.choose()
delivery<-read.csv("C:\\Users\\danyc\\Downloads\\DELIVERY.csv")
summary(delivery)
```
## <span style = "color:darkorange">**Observaciones** 

1.*Se hizo limpieza manual de la base de datos para acomodar los clientes como variables y las fechas como registros.* 

2.*Se sustituyeron NAs por cero.*

3.*Se eliminaron columnas no usadas y que no agreegan valor para el analisis que se busca hacer.*

## *Descargar librerías y paquetes*
```{r}
library(foreign)
library(dplyr)
library(forcats)
library(ggplot2)
library(readr)
library(janitor)
library(naniar)
library(dlookr)
```

## *Cuantas variables y registros hay*
```{r}
str(delivery)
```
*Contamos con 3 variables y 380 observaciones.* 

## *Contar total de pedidos por cliente*
```{r}
deliverySUM = colSums(delivery[4])

as.data.frame(deliverySUM)
```
*Contamos con 52,0281 pedidos*

```{r}
#file.choose()
deliveryCLIENTS<-read.csv("C:\\Users\\danyc\\Downloads\\DeliveryCLIENTS.xlsx - Sheet1.csv")
summary(deliveryCLIENTS)

deliveryCLIENTS = colSums(deliveryCLIENTS[2:21])
as.data.frame(deliveryCLIENTS)
barplot.default(deliveryCLIENTS)
```

*Con este plot podemos ver que hay muchos clientes con muy pocos pedidos.*


## <span style = "color:orange">**Técnicas de Limpieza** 

### Técnica 1: eliminar NAs
*Se decidió realizar está técnica para asegurarnos de que no se tenga falta de datos y en caso de tenerlos evitar que estas eviten tener un analisis asertivo al no agregar valor a la base de datos.*

#### ¿Cuantos NA tengo en la base de datos?
```{r}
sum(is.na(delivery))
```

#### Cuantos NA tengo por variable?
**Sapply:** Para contar los NA.
```{r}
sapply(delivery, function(x) sum(is.na(x)))
```
*Se encontró un solo NA*

### Técnica 2: eliminar filas 
*Se decidó realizar está técnica para eliminar los clientes que tienen menos de **5,000** pedidos.*

#### Eliminar filas con el nombre de los clientes que se desean eliminar. 
```{r}

#delivery1 <- subset (delivery1,  CLIENTE == "STB3") #Para conservar ciertas filas

delivery1<-delivery

delivery1<-delivery1[delivery1$CLIENTE!="STB 1", ]
delivery1<-delivery1[delivery1$CLIENTE!="YF RAMOS", ]
delivery1<-delivery1[delivery1$CLIENTE!="INOAC POLYTEC", ]
delivery1<-delivery1[delivery1$CLIENTE!="MERIDIAN", ]
delivery1<-delivery1[delivery1$CLIENTE!="YANFENG sm", ]
delivery1<-delivery1[delivery1$CLIENTE!="YF QRO", ]
delivery1<-delivery1[delivery1$CLIENTE!="SEGROVE", ]
delivery1<-delivery1[delivery1$CLIENTE!="HANON", ]
delivery1<-delivery1[delivery1$CLIENTE!="ANTOLIN TOLUCA", ]
delivery1<-delivery1[delivery1$CLIENTE!="ANTOLIN ARTEAGA", ]
delivery1<-delivery1[delivery1$CLIENTE!="ABC QUERETARO", ]
delivery1<-delivery1[delivery1$CLIENTE!="UFI", ]
delivery1<-delivery1[delivery1$CLIENTE!="ISRI", ]

summary(delivery1)
```

## *Tabla de Media, Moda y Mediana
```{r}
table3<-describe(delivery1)
knitr::kable(table3)
```

## *Identificar variables* 

**Cuantitativa:** Discreta, Continua
**Escala de medición:**Intervalo, Razón 
**Cualitativa**
**Escala de medición:** Nominales, Ordinales

```{r}
Variable<-c("Fecha","STB3","YFTO", "TRMX", "DENSO","HELLA","VARROC","Total.pedidos.mes")
Type<-c("Cuantitativa (discreta)", "Cualitativa", "Cualitativa", "Cualitativa","Cualitativa","Cualitativa","Cualitativa","Cuantitativa (discreta)")
Measurement<-c("Razón","Nominal","Nominal","Nominal","Nominal","Nominal","Nominal","Razón")
table2<-data_frame(Variable,Type,Measurement)

knitr::kable(table2)
```

## <span style = "color:darkorange">**Gráfica Cualitativa** 

```{r}
#install.packages("plyr")
library(plyr)
delivery2<-delivery1

delivery2<- aggregate(delivery2$Pedidos, by=list(category=delivery2$CLIENTE), FUN=sum)
pie(delivery2$x, labels = delivery2$category)
```

*Con esta gráfica podemos darnos cuenta de los clientes que tienen mayores pedidos y en este caso es HELLA en primer lugar y TRMX en segundo lugar.*

## <span style = "color:darkorange">**Gráfica Cuantitativa** 
```{r}
delivery2<-delivery2 %>% dplyr::rename(pedidos="x")
delivery2<-delivery2 %>% dplyr::rename(Clientes="category")

delivery2$Clientes<-as.factor(delivery2$Clientes)
ggplot(delivery2, aes(x=Clientes, y=pedidos, fill=pedidos))+
         geom_bar(stat="identity")+
         theme_minimal()+
         labs(title="Pedidos por cliente")
```
*Esta gráfica sirve para tener de manera más visual el impacto que tiene cada uno de los clientes en la empresa FORM. Podemos ver que HELLA es el cliente más significativo con casi el triple de pedidos que el siguiente cliente con mayores pedidos, TRMX. De lado derecho se tiene un legend que muestra la tonalidad de los plots para ver que tantos pedidos tiene, por ello HELLAS tiene un color azul claro, representando más de 250,000 pedidos. * 

## <span style = "color:darkorange">**Comportamiento de clientes por fecha** 
```{r}
summary(delivery1)

ggplot(delivery1,aes(x=ID_Fecha, y=Pedidos, group=CLIENTE,colour=CLIENTE))+
  geom_line()+
  ggtitle("Pedidos por cliente")
```
*Con esta gráfica utilizamos el ID Fecha para conocer los pedidos que se tiene por cliente cada mes y vemos un significativo incremento de pedidos en el mes de septiembre y octubre. contamos con un legen que indica cada línea con un color para nombrar la información de cada uno de los clientes. * 

## <span style = "color:darkorange">**Gráfica Boxplot** 
```{r}
boxplot(delivery1$Pedidos, main= "Pedidos")

delivery3<-delivery1
delivery3$CLIENTE <-as.factor(delivery3$CLIENTE)
ggplot(delivery3, aes(x=CLIENTE, y=Pedidos))+
  geom_boxplot(color="blue", fill="purple")
```

*En esta gráfica podemos visualizarcuantos pedidos tiene programados cada cliente y los clientes que sobre salen son HELLA y TRMX, algo muy relevante en esta gráfica es que se muestra la moda de cada uno, así como también la minima de pedidos y la máxima, y en este caso no se tiene una dispersión por ninguno de los clientes.* 

## **Conclusión - Delivery Plan** 
Para realizar el análisis de la base de datos de "Delivery Plan" fué necesario primero hacer un arreglo de la base de datos de manera manual en el excel. Estó para simplificar el uso de la base de datos y permitir que R pueda analizarla y extraer los datos para generar gráficas. Después aplicamos dos diferentes bases de datos, nos aseguramos de que no haya NAs y eliminamos filas que correspondían a los clientes que tenían menos de 5,000 pedidos. Nos quedamos con una base de datos con los 6 clientes más significativos para FORM. Continuamos identificando las variables en dónde 6 de 8 variables eran cualitativas al ser los clientes de FORM. 

Graficamos una gráfica de Pie para identificar de manera visual los mayores clientes, los que vienen siendo HELLA y TRMX. También hicimos un "Barplot" para mostrar la cantidad de pedidos programados que tiene cada cliente, Hella siendo el cliente con mayor pedidos con más de 225,000 y TRMX siguiendo con 80,000. Decidimos también visualizar el comportamiento de los clientes según la fecha y nos dimos cuenta que entre el mes de septiembre y octubre hubo un incremento de pedidos establecidos. Y por último se realizó el "Boxplot" para de ese modo ver de manera precisa la moda de clos pedidos que suele hacer cada uno de los clientes. 

# <span style = "color:darkorange">**4. Recursos Humanos** 


## Limpieza, Transformación y Organización de Bases de Datos

```{r}
## Descargar librerías
library(foreign)
library(dplyr)        # data manipulation 
library(forcats)      # to work with categorical variables
library(ggplot2)      # data visualization
library(readr)        # read specific csv files
library(janitor)      # data exploration and cleaning 
library(Hmisc)        # several useful functions for data analysis 
library(psych)        # functions for multivariate analysis 
library(naniar)       # summaries and visualization of missing values NAs
library(dlookr)       # summaries and visualization of missing values NAs
library(corrplot)     # correlation plots
library(jtools)       # presentation of regression analysis 
library(lmtest)       # diagnostic checks - linear regression analysis 
library(car)          # diagnostic checks - linear regression analysis
library(olsrr)        # diagnostic checks - linear regression analysis 
library(kableExtra)   # HTML table attributes
library(gmodels)
library(openxlsx)
library(crosstable)
```

*Nota: Como parte de la limpieza de datos de ambos documentos, se realizaron los promedios de los valores faltantes de forma manual en Excel.


__A partir de esta parte del documento, el análisis estará dividido en dos partes. En la primera se analizará la base de datos con la información de los colaboradores actuales de la empresa, mientras que en la segunda se analizarán los datos de aquellos empleados que ya fueron bajas por motivos de despido, renuncia voluntaria, entre otros.__

### BASE DE DATOS: COLABORADORES DE RECURSOS HUMANOS
```{r}
## 1. Número de registros y variables

### Importar base de datos
#file.choose()
df1 <-read.csv("C:\\Users\\danyc\\Downloads\\hr csv 1.csv")
summary(df1)
describe(df1)
```


## 2. Clasificación de variables
```{r}

variable<-c("No..De.Empleado","APELLIDOS","NOMBRE","FECHA.DE.NACIMIENTO","EDAD","GENERO","RFC","FECHA.DE.ALTA","PRIMER.MES","CUARTO.MES","BAJA","PUESTO","DEPARTAMENTO","SALARIO.DIARIO.IMSS","FACTOR.CRED.INFONAVIT","N..CREDITO.INFONAVIT","LUGAR.DE.NACIMIENTO","CURP","CALLE","NUMERO.INTERNO","COLONIA","MUNICIPIO","ESTADO","CODIGO.POSTAL","ESTADO.CIVIL","TARJETA.CUENTA")
Type<-c(
        "quantitative (continous)",
        "qualitative (discrete)",
        "qualitative (discrete)",
        "qualitative (discrete)",
        "quantitative (continous)",
        "qualitative (discrete)",
        "qualitative (discrete)",
        "quantitative (continous)",
        "quantitative (continous)",
        "quantitative (continous)",
        "quantitative (continous)",
        "qualitative (discrete)",
        "qualitative (discrete)",
        "quantitative (continous)",
        "quantitative (continous)",
        "qualitative (discrete)",
        "qualitative (discrete)",
        "qualitative (discrete)",
        "qualitative (discrete)",
        "quantitative (continous)",
        "qualitative (discrete)",
        "qualitative (discrete)",
        "qualitative (discrete)",
        "quanitative (continous)",
        "qualitative (discrete)",
        "qualitative (discrete)"
        )

table<-data.frame(variable,Type)
knitr::kable(table)

```

## 3. Escalas de medición
```{r}

variables <- c(
  "No..De.Empleado",
  "APELLIDOS",
  "NOMBRE",
  "FECHA.DE.NACIMIENTO",
  "EDAD",
  "GENERO",
  "RFC",
  "FECHA.DE.ALTA",
  "PRIMER.MES",
  "CUARTO.MES",
  "BAJA",
  "PUESTO",
  "DEPARTAMENTO",
  "SALARIO.DIARIO.IMSS",
  "FACTOR.CRED.INFONAVIT",
  "N..CREDITO.INFONAVIT",
  "LUGAR.DE.NACIMIENTO",
  "CURP",
  "CALLE",
  "NUMERO.INTERNO",
  "COLONIA",
  "MUNICIPIO",
  "ESTADO",
  "CODIGO.POSTAL",
  "ESTADO.CIVIL",
  "TARJETA.CUENTA"
  )

tipos <- c(
              "Cuantitativo",
              "Cualitativo",
              "Cualitativo",
              "Cualitativo",
              "Cuantitativo",
              "Cualitativo",
              "Cualitativo",
              "Cuantitativo",
              "Cuantitativo",
              "Cuantitativo",
              "Cuantitativo",
              "Cualitativo",
              "Cualitativo",
              "Cuantitativo",
              "Cuantitativo",
              "Cualitativo",
              "Cualitativo",
              "Cualitativo",
              "Cualitativo",
              "Cuantitativo",
              "Cualitativo",
              "Cualitativo",
              "Cualitativo",
              "Cuantitativo",
              "Cualitativo",
              "Cualitativo"
              )

escalas <- c(
            "Intervalo",
             "Nominal",
             "Nominal",
             "Intervalo",
            "Intervalo",
             "Nominal",
            "Nominal",
            "Razón",
            "Razón",
            "Razón",
            "Razón",
            "Ordinal",
            "Nominal",
            "Razón",
            "Razón",
            "Nominal",
            "Nominal",
            "Nominal",
            "Nominal",
            "Razón",
            "Nominal",
            "Nominal",
            "Nominal",
            "Ordinal",
            "Nominal",
            "Nominal"
            )

table1 <- data.frame (variables, tipos, escalas)
knitr::kable(table1)

```

```{r}
#Las escalas de medición permiten organizar datos en orden jerárquico. Éstas pueden ser clasificadas de acuerdo a una degradación de las características de distintas variables. Entre las variables usadas están nominal (aquellas que son mutuamente excluyentes y no asignan un orden o jerarquía), ordinal (establecen un orden, puede ser creciente o decreciente), intervalo (establecen un orden determinado por un intervalo numérico) y razón (existe un intervalo numérico; el cero representa la ausencia de valor; es un cero absoluto).
```

## 4. Limpieza de datos

Remover valores irrelevantes (eliminar renglones duplicados) y conversión de datos son técnicas elegidas para realizar la limpieza de datos debido a las necesidades de la base de datos y el beneficio que generó para el análisis descriptivo, obteniendo información más clara y concisa.

```{r}

### Eliminar renglones duplicados
df2<-df1
df2<-distinct(df2)

### ¿Cuántos NA's tengo en la base de datos? Primera limpieza
sum(is.na(df2))

### Eliminar columnas
df3<-df2
df3 <- subset(df3, select =-c (X))
df3 <- subset(df3, select =-c (X.1))
df3 <- subset(df3, select =-c (NOMBRE))
df3 <- subset(df3, select =-c (APELLIDOS))
df3 <- subset(df3, select =-c (RFC))
df3 <- subset(df3, select =-c (CUARTO.MES))
df3 <- subset(df3, select =-c (FACTOR.CRED.INFONAVIT))
df3 <- subset(df3, select =-c (CURP))
df3 <- subset(df3, select =-c (CALLE))
df3 <- subset(df3, select =-c (NUMERO.INTERNO))
df3 <- subset(df3, select =-c (TARJETA.CUENTA))

### ¿Cuántos NA's tengo en la base de datos? Segunda limpieza
sum(is.na(df3))

```




## 5. Análisis Exploratorio de las Bases de Datos
Nota: Si salen los counts si se pone solo el documento de RH, si se junta con las otras, sale error, para mejor visualizacion ver canva apartado RH.
```{r}

describe(df3)

#count(df3, GENERO, sort = TRUE)
#count(df3, PUESTO, sort = TRUE)
#count(df3, DEPARTAMENTO, sort = TRUE)
#count(df3, SALARIO.DIARIO.IMSS, sort = TRUE)
#count(df3, LUGAR.DE.NACIMIENTO, sort = TRUE)

tibble(df3)
```

En esta primera parte del análisis estadístico descriptivo, vemos que el conteo total de empleados actuales es de 113 y hay un mayor número de mujeres (54%) contra empleados que son hombres (46%).

En cuanto a los puestos, vemos que existe una gran cantidad de ayudantes generales, pues es el puesto que ocupa mayor capital humano, contra aquellos que ocupan menos que van desde servicio al cliente hasta operadores.

Entre los departamentos con mayor cantidad de empleados, vemos que está varios y producción retorn. El departamento de "Varios" fue creado para catalogar a aquellos empleados que en la base de datos no tenían definida un área en concreto.

Vemos que la mayoría de los empleados ganan $180.68 pesos de salario diario por el IMSS y de todos los empleados, se calcula que tienen un promedio de salario diario de $236.62 pesos.

En cuanto al lugar de origen, vemos que la mayoría de los empleados provienen del Estado de Nuevo León (70%) y Veracruz (11%), viendo que el 19% restante de los empleados son provenientes de Zona Centro o estados colidantes de Nuevo León.



## 5.1 Tabla de frecuencia (1)

Las tablas de frecuencia son una ordenación en forma de tabla de los datos estadísticos, asignando a cada dato su frecuencia correspondiente, es decir, el número de veces que aparece un determinado valor en un estudio estadístico.

```{r}

### Tabla de frecuencia: Salario diario de acuerdo al género
proportion <- prop.table(table(df3$GENERO,df3$SALARIO.DIARIO.IMSS))
proportion %>%
  kbl() %>%
  kable_styling()
```

Esta tabla de frecuencia representa el valor decimal del salario diario de acuerdo al género, es decir, la cantidad de empleados en valor decimal que reciben cierto salario diario de acuerdo a su género.


### BASE DE DATOS: BAJAS DE RECURSOS HUMANOS

__A partir de la siguiente base de datos, se analizará específicamente la información de aquellas personas que se dieron de baja en años anteriores con el objetivo de entender las principales razones de la alta rotación en la empresa.__


```{r}

### Importar base de datos

df4 <-read.csv("C:\\Users\\danyc\\Downloads\\HR_Bajas 2.csv")
summary(df4)

### ¿Cuántos NA's tengo en la base de datos?
sum(is.na(df4))

### Borrar todos los registros NA's de una tabla
df5<-df4
df5<-na.omit(df5)
summary(df5)

### Eliminar columnas
df3<-df2
df3 <- subset(df3, select =-c (APELLIDOS))
df3 <- subset(df3, select =-c (NOMBRE))
df3 <- subset(df3, select =-c (FACTOR.CRED.INFONAVIT))
df3 <- subset(df3, select =-c (CURP))
df3 <- subset(df3, select =-c (CALLE))
df3 <- subset(df3, select =-c (NUMERO.INTERNO))
df3 <- subset(df3, select =-c (TARJETA.CUENTA))


### ¿Cuántos NA's tengo en la base de datos?
sum(is.na(df5))

# Con los datos presentados anteriormente, vemos que la edad promedio de los colaboradores es de 35 años, además de que ganan un promedio de $180 pesos.

```

## 5.2.1 Tabla cruzada (1)
```{r}

table(df5$PUESTO, df5$MOTIVO.DE.BAJA)
```

En la tabla vemos que se destacan tres razones principales de bajas de empleados, las cuales son: bajas por faltas, renuncia voluntaria o término de contrato. En su mayoría, hubo una baja por faltas del puesto de ayudante general y renuncia voluntaria para el mismo puesto. Al igual que en la base de datos anterior, vemos que el puesto con mayor rotación a nivel histórico es de ayudante general. Esto sugiere que existe un alto número de contrataciones para el puesto debido a una mala gestión administrativa o bajo rendimiento de los empleados.

## 5.2.2 Tabla cruzada (2)
```{r}

table(df5$GENERO, df5$MOTIVO.DE.BAJA)
```

La tabla cruzada anterior nos muestra la relación entre los motivos de baja contra el género, es decir, las principales razones de baja de acuerdo al género de cada empleado. Vemos que hubo un total de 53 bajas del género femenino, destacando las bajas por faltas (representa un 75% de las bajas femeninas). Para el género masculino, hubo un total de 25 faltas, destacando principalmente las bajas por faltas (representa un 60% de las bajas masculinas).

## 5.3 Gráficos de datos cuantitativos y cualitativos (2)
```{r}

## 5.3.1 Pie chart

### Pie chart: Representación de bajas acorde al estado de residencia
pie(table(df5$ESTADO), col=c("orange","coral1"),
    main="Representación de bajas acorde al estado de residencia")
```

La gráfica anterior nos muestra que hay un mayor número de ex-empleados que viven en el Estado de Nuevo León. Sin embargo, hay un porcentaje que reside en Coahuila. Esto se puede interpretar con que hay un alto nivel de rotación existente debido a la lejanía de residencia de los empleados.


### Pie chart: Representación de bajas acorde al género
```{r}

pie(table(df5$GENERO), col=c("orange","coral1"),
    main="Representación de bajas acorde al género")

```

La anterior gráfica de pastel reafirma lo que mencionamos anteriormente. De acuerdo a las bajas realizadas, la mayoría de los ex-empleados son del género femenino.


## 5.4 Gráficos de dispersión (2)
```{r}

### Gráfica de dispersión: Número de bajas VS. Días trabajados
plot(x= df5$NO.DE.BAJAS,
     y=df5$DIAS.TRABAJADOS)

```

La gráfica de dispersión nos muestra la intensidad de relación entre la variable de días trabajados y número de bajas. Esto nos dice que hubo un alto número de bajas de empleados que trabajaron menos de 200 días, es decir, la mayoría de los ex-empleados estuvieron en FORM menos de 1 año.

```{r}
### Boxplot: Correlación en bajas acorde a variables de género y edad
ggplot(df5, aes(GENERO,SALARIO.DIARIO.IMSS,fill=GENERO)) +
geom_bar(stat = "identity") +
  scale_fill_brewer(palette = "Set2") + ggtitle("Salario diario por género")
```

La gráfica anterior nos muestra la correlación entre el género y el salario diario de los empleados. En este, entendemos que el género femenino tiene un salario diario total más alto que los de género masculino.


## 6. Referencias
  Ana Karen García. (2022, September 8). Industria automotriz anota un buen agosto: crecen producción, exportaciones y ventas internas. El Economista; El Economista. https://www.eleconomista.com.mx/empresas/Industria-automotriz-anota-un-buen-agosto-crecen-produccion-exportaciones-y-ventas-internas-20220907-0031.html
  
  Hernández, F., & Usuga, O. (2022). 9 Tablas de frecuencia | Manual de R. Retrieved 24 September 2022, from https://fhernanb.github.io/Manual-de-R/tablas.html#ejemplo-tabla-de-frecuencia-relativa-de-una-v%C3%ADa

  9 Estilos y formatos de tabla | Tablas y graficos con R y R Studio. (2022). Retrieved 24 September 2022, from https://tables.investigaonline.com/tse-formateo.html




# <span style = "color:darkorange">**5. Production** 

## Importar librerias
```{r message=FALSE, warning=FALSE}

library(foreign)
library(dplyr)        # data manipulation 
library(forcats)      # to work with categorical variables
library(ggplot2)      # data visualization 
library(janitor)      # data exploration and cleaning 
#install.packages("Hmisc")
library(Hmisc)        # several useful functions for data analysis 
#install.packages("psych")
library(psych)        # functions for multivariate analysis 
#install.packages("naniar")
library(naniar)       # summaries and visualization of missing values NAs

#install.packages("dlookr")
library(dlookr)  # summaries and visualization of missing values NAs
#install.packages("corrplot")
library(corrplot)     # correlation plots
#install.packages("jtools")
library(jtools)       # presentation of regression analysis 
#install.packages("lmtest")
library(lmtest)       # diagnostic checks - linear regression analysis 
#install.packages("car")
library(car)          # diagnostic checks - linear regression analysis
#install.packages("olsrr")
library(olsrr)        # diagnostic checks - linear regression analysis 
#install.packages("kableExtra")
library(kableExtra)   # HTML table attributes
library(tidyverse)
```


## Importar base de datos


```{r}
#file.choose()
produccion<-read.csv("C:\\Users\\danyc\\Downloads\\Base produccion form - Base produccion form - Base produccion form - Base produccion form.csv.csv.csv" )
```
library(dplyr)

**Produccion**
*3988 registros y 15 variables* 

## 1. Entender y limpiar la base de datos 
```{r}
describe(produccion)
```


### Paso 1. De caracter a fecha (Tecnica 4. Convertir tipos de datos)
```{r}
bdp<-produccion
bdp$Fecha<- as.Date(bdp$Fecha, format= "%d/%m/%Y")
summary(bdp)
tibble(bdp)
```


### Paso 2. Eliminar columnas inservibles(Tecnica 1. Remover valores irrelevantes)
```{r}
bdp1<-bdp
bdp1 <- subset(bdp1, select =-c (ID.FORM))
bdp1 <- subset(bdp1, select =-c (INICIO.SEP.UP,FIN.INICIO.DE.SEP.UP, TIEMPO.MATERIALES))
bdp1 <- subset(bdp1, select =-c (HR..FIN, INICIO.de.PROCESO, FIN.de.PROCESO))
```

### Cambiar nombres
```{r}
colnames(bdp1)<-c('fecha','cliente','producto','piezas_prog','tiempo_min','esta_arranque','laminas_procesadas','tiempo_calidad')
```

### Paso 3. Cambiar de caracter a Numerico (Tecnica 4. Convertir tipos de datos)  

```{r}
bdp1$piezas_prog<-as.numeric(bdp1$piezas_prog)               
bdp1$tiempo_min<-as.numeric(bdp1$tiempo_min)                 
bdp1$laminas_procesadas<-as.numeric(bdp1$laminas_procesadas) 
bdp1$tiempo_calidad<-as.numeric(bdp1$tiempo_calidad)         

bdp2<-bdp1
bdp2$tiempo_min <- substr(bdp2$tiempo_min, start = 1, stop = 2)
tibble(bdp2)  
bdp2$tiempo_min <- as.integer(bdp2$tiempo_min)
str(bdp2)  

bdp2$piezas_prog <- substr(bdp2$piezas_prog, start = 1, stop = 2)
tibble(bdp2)  
bdp2$piezas_prog <- as.integer(bdp2$piezas_prog)
str(bdp2)

bdp2$laminas_procesadas <- substr(bdp2$laminas_procesadas, start = 1, stop = 2)
tibble(bdp2)  
bdp2$laminas_procesadas <- as.integer(bdp2$laminas_procesadas)
str(bdp2) 
```


### Paso 4. Cambiar de N/A a promedios 
```{r}
bdp3 <- bdp2
bdp3$tiempo_min[is.na(bdp3$tiempo_min)]<-mean(bdp3$tiempo_min, na.rm = TRUE)
summary (bdp3) 
```


### Paso 5. Cambiar de N/A a 0
```{r}
bdp4 <- bdp3
bdp4$laminas_procesadas[bdp4$laminas_procesadas < 1]<- NA
summary (bdp4)
```


### Paso 6. Borra N/As
```{r}
bdp5 <- bdp4
bdp5 <- na.omit(bdp5)    
str(bdp5)
```


### Verificar eliminacion de NA´s
```{r}
colSums(is.na(bdp5))
summary(bdp5)

str(bdp5)
summary(bdp5)
```


## 2.Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa continua y Escalas de Medicion.

```{r}
Variable<-c("Fecha ","cliente","producto", "Piezas programadas","tiempo min","Estacion de arranque","Laminas procesadas", "Tiempo de calidad")
Type<-c("Cualitativa","Cualitativa","Cualitativa", "Cuantitativa(Discreta)", "Cuantitativa(Discreta)","Cualitativa", "Cuantitativa(Discreta)", "Cuantitativa discreta")
Medicion <-c("Nominal", "Nominal","Nominal", "Intervalo", "Intervalo","Nominal", "Intervalo", "Intervalo") 
table<-data.frame(Variable,Type, Medicion)
knitr::kable(table)
```

### Exportar csv
```{r}
write.csv(bdp5,"C:\\Users\\danyc\\OneDrive - Instituto Tecnologico y de Estudios Superiores de Monterrey\\Desktop\\Form_produccionbaselimpia.csv", row.names=FALSE)
```

### Importar base de datos limpia

```{r}
bdl<-read.csv("C:\\Users\\danyc\\OneDrive - Instituto Tecnologico y de Estudios Superiores de Monterrey\\Desktop\\Form_produccionbaselimpia.csv")
```

## Datos descriptivos 
## *Tabla de Media, Moda y Mediana
Los datos aqui muestran una desviacion estandar y datos muy alejados entre los puntos variables lo cual nos indica una alteracion en la uniformidad de los datos lo cual nos puede indicar alguna falla en los datos o bien un detalle de productividad.
```{r}
bd6<-bdl
tabla<-describe(bd6)

```




### Graficas

#### Barplots-3

Recopilando la informacion me tope con estos datos lo cual nos informa acerca de los clientes mas destacados para form y el tiempo minimo de tardanza en el ensamblaje de los productos, en este caso el primer lugar con mas eficiencia por cliente fue stabilus en la primera vuelta.
Nota: LA visualizacion no se completa en este rmd, para mejor visualizacion ver archivo individual.
```{r}
#bd6<-bd6 %>% select(piezas_prog,tiempo_min,cliente ) %>% group_by(cliente) %>% 
  #summarise(piezas_prog=sum(piezas_prog),tiempo_min=sum(tiempo_min)) %>% arrange(desc(piezas_prog))

#bd6<-bd6[-c(7,8,9),] 


#ggplot(bd6,aes(x=reorder(tiempo_min,piezas_prog), y=piezas_prog,fill=cliente)) +
#  geom_bar(stat="identity")

```
<img src= "C:\\Users\\danyc\\OneDrive\\Pictures\\Screenshots\\Captura de pantalla (300).png"/>  
Dentro de esta segunda tabla de barras se puede ver desplegado la cantidad de piezas programadas que se tuvo por mes en los periodos de los meses julio, agosto y septiembre. Esto nos dice acerca de la mayor productividad de agosto, pero porque es esto?
```{r}
datoscopia<-bdl
datoscopia$ano<-strftime(datoscopia$fecha, "%Y")
datoscopia$mes<-strftime(datoscopia$fecha, "%m")

data_agg<- aggregate(piezas_prog~mes + ano, datoscopia, FUN = sum)
data_agglamina<- aggregate(laminas_procesadas~mes + ano, datoscopia, FUN = sum)
ggplot(data_agg,aes(x=mes,y=piezas_prog)) +
  geom_bar(stat="identity")
```

En esta grafica se puede visualizar la dependencia del tiempo minimo de produccion con las piezas programadas dependiendo de la estacion de arranque, la mayor productividad general tiene unarelacion con la estacion C1 y la C1y2 ya que se ve que es la que menos tiempo hace con mas procesamiento de laminas.
```{r}
ggplot(datoscopia,aes(x=tiempo_min, y=piezas_prog,fill=esta_arranque)) +
  geom_bar(stat="identity")
```



#### Dispersion-2
En esta tabla se muestra un claro ejemplo de comparacion que entre mas tiempo de calidad se le de al cliente se lograra hacer un tiempo mucho mas minimo efectivizando los procesos y terminandolos mas rapido como fue con los clientes en azul.
```{r}
ggplot(datoscopia, aes(x=tiempo_calidad, y=tiempo_min, color=cliente)) +
  geom_point() + geom_rug()
```
En esta grafica, se iene la intencion de ver a los compradores predominantes dentro de FORM durante los tres meses predictivos, esto para poder lograr una atencion especializada y ver mas o menos el tiempo que toman sus productos y generar un tipo de procesos mas fluido.
```{r}
ggplot(datoscopia, aes(x=cliente, y=laminas_procesadas, color=mes)) +
  geom_point() + geom_rug()
```

### Series de tiempo-1
Aqui se puede ver una serie de tiempo no lineal, lo cual nos dice que no se tienen procesos claros y estables para la produccion lo cual lo convierte en un proceso variable y con fallas en los tiempos de entregas como resultado.
```{r}
ggplot(datoscopia,aes(x=fecha))+
  geom_line(aes(y=piezas_prog),color="orange")+
  labs(x="Fecha",y="piezas programadas", color="orange")+
  ggtitle("Grafica de tasa de rendimiento")
```


# <span style = "color:darkorange">**6. Performance** 
## <span style="Color:orange">Importar base de datos  

```{r}
#file.choose()
base_de_datos<-read.csv("C:\\Users\\danyc\\OneDrive - Instituto Tecnologico y de Estudios Superiores de Monterrey\\Desktop\\Form\\Formdeliveryfinal3.csv" )
```

## Instalacion de paquetes 

```{r}

library(foreign)
library(dplyr)        # data manipulation 
library(forcats)      # to work with categorical variables
library(ggplot2)      # data visualization 
library(janitor)      # data exploration and cleaning 
#install.packages("Hmisc")
#library(Hmisc)        # several useful functions for data analysis 
#install.packages("psych")
#library(psych)        # functions for multivariate analysis 
#install.packages("naniar")
#library(naniar)       # summaries and visualization of missing values NAs
#install.packages("dlookr")
#library(dlookr)  # summaries and visualization of missing values NAs
#install.packages("corrplot")
#library(corrplot)     # correlation plots
#install.packages("jtools")
#library(jtools)       # presentation of regression analysis 
#install.packages("lmtest")
#library(lmtest)       # diagnostic checks - linear regression analysis 
#install.packages("car")
#library(car)          # diagnostic checks - linear regression analysis
#install.packages("olsrr")
#library(olsrr)        # diagnostic checks - linear regression analysis 
#install.packages("kableExtra")
#library(kableExtra)   # HTML table attributes
library(tidyverse)
```

## <span style="Color:orange">Entender mi base de datos 
1) ¿Cuántas variables y cuantos registros tiene la base de datos?
Se muestran 8 variables y 1440 registros dentro de la base de datos.
```{r}

bd<-base_de_datos
summary(bd)
str(bd)
```


## <span style="Color:orange">Count de Variables y Escalas  

2) Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa
continua.

```{r}
Variable<-c("`Target`","`Cliente`","`Vueltas`","`Plan.arrival`","`Real.arrival`","`Real.departure`","`Diference`","`Fecha`")
Type<-c("quantiative (discrete)", "quantiative (continous)", "quantitative (continous)", "quantitative (continous)")
table<-data.frame(Variable,Type)
knitr::kable(table)
```

3) Elige la escala de medición de cada variable. 

```{r}
variables <- c("`Target`","`Cliente`","`Vueltas`","`Plan.arrival`","`Real.arrival`","`Real.departure`","`Diference`","`Fecha`")
tipos <- c("cuantitativo (discreto)  ", "cualitativo  ", "cuantitativo (discreto)  ", "cuantitativo (continuo)  ", "cuantitativo (continuo)  ", "cuantitativo (continuo)  ", "cuantitativo (continuo)  ", "cualitativo  ")
escalas <- c("intervalo", "nominal", "razon", "razon", "razon", "razon", "razon", "ordinal")
table1 <- data.frame (variables, tipos, escalas)
knitr::kable(table1)
```



## <span style="Color:orange">Limpieza de bases de datos 

4) Aplica al menos 2 técnicas de limpieza de bases de datos y explícalas
brevemente, ¿por qué realizaste esas técnicas? 

Las técnicas elegidas en nuestra limpia de datos se eligieron por las necesidades que presentaba la base y la utilidad o no que tenían nuestras variables 

## CONVERSION DE CARACTER A FECHA (TECNICA DE CONVERSION DE DATOS)  
```{r}
bd1<-bd
bd1$Fecha<- as.Date(bd1$Fecha, format= "%d/%m/%y")
summary(bd1)
tibble(bd1)
```


## ¿Cuantos N/A tengo en mi base de datos?  
```{r}
sum(is.na(bd1))
```


## Eliminar columnas 

```{r}
bd2<-bd1
bd2 <- subset(bd2, select =-c (Target))
```
### *Nota:*
 Se elimina el target ya que no nos muestra una información detallada al darnos datos nulos de tener un 1 en todos lados.

## LIMPIEZA POR METODO ESTADISTICO 
```{r}
bd3<-bd2
boxplot(bd3$Plan.arrival, horizontal=TRUE)
boxplot(bd3$Real.arrival, horizontal=TRUE)
boxplot(bd3$Real.departure, horizontal=TRUE)
boxplot(bd3$Diference, horizontal=TRUE)
```

## <span style="Color:orange">Agregar columna de promedio 
```{r}
bd3$Promedio_real_arrival<- mean(bd3$Real.arrival)
```

## Convertir varaibles de caracter a numerico. 
```{r}
bd3$Vueltas<-as.numeric(bd3$Vueltas)     ### missing values are converted to NA's
bd3$Plan.arrival<-as.numeric(bd3$Plan.arrival)  
bd3$Real.arrival<-as.numeric(bd3$Real.arrival)  
bd3$Real.departure<-as.numeric(bd3$Real.departure)  
bd3$Diference<-as.numeric(bd3$Diference)  
bd3$Promedio_real_arrival<-as.numeric(bd3$Promedio_real_arrival) 

bd3<-as.data.frame(bd3) 
bd3$Fecha<-as.Date(bd3$Fecha,format="%m/%d/%Y") 
bd3$Cliente<-as.factor(bd3$Cliente) 

tibble(bd3)
```


### *Notas:* 
 Se muestra que la diferencia de nuestros arrivals no es mucha, pero habría que revisar si el promedio total nos ayudaría. 
 se agrego una columna de promedio general de nuestros arrivals reales.
 
## Renombrar variables cuantitativas y cualitativas 
```{r}
#Seleccionar variables
bd4 <- bd3 %>% select (one_of("Cliente","Vueltas","Plan.arrival","Real.arrival","Real.departure", "Diference", "Fecha","Promedio_real_arrival"))
#Renombrar variabes
colnames(bd3)<-c("Cle", "Vueltas", "P.arrival", "R.arrival", "R.dep", "Dif", "Fecha", "Prom.R.arrival")

```

## <span style="Color:orange">Exportar base de datos 
```{r}
bd_limpia<-bd3
write.csv(bd_limpia, file="formbaselimpia.csv", row.names = FALSE)
```

## <span style="Color:orange"> *Conclusión* </span> 

Para esta actividad, pudimos limpiar la base de datos que tiene Form al modificarla al 100% para poder acomodar los requerimientos que tiene R para insertar las bases y que hagan sentido a la hora de trabajarlo. 

Para esta base de datos ahora lo que nos permitirá lograr es hacer gráficas y tablas para detallar y mostrar la información **importante** de nuestra base.


## <span style="Color:orange">Analisis Exploratorio de la Base de Datos 

## Exportar la base de datos
```{r}
#file.choose()
bd_limpia<-read.csv("C:\\Users\\danyc\\OneDrive - Instituto Tecnologico y de Estudios Superiores de Monterrey\\Desktop\\Form\\formbaselimpia.csv")
```



## Tabla principales estadísticos descrptivos

```{r}
bd_limpia <- bd3
summary(bd_limpia)
sd(bd_limpia$Vueltas, na.rm = FALSE)
sd(bd_limpia$P.arrival, na.rm = FALSE)
sd(bd_limpia$R.arrival, na.rm = FALSE)
sd(bd_limpia$R.dep, na.rm = FALSE)
sd(bd_limpia$Dif, na.rm = FALSE)

Variable<-c("Vueltas","P.arrival", "R.arrival", "R.dep", "Dif")
Mediana<-c("1.50 ","4.000","0.000 ","0.000 ","0.0000 ")
Media <- c("1.75","6.625","3.823","4.142","4.142")
Moda <- c("1","0","0","0","0")
Desviación_estandar<-c("0.8294442"," 7.501563","6.505902","6.948665","6.948665")
table1 <- data.frame (Variable, Mediana, Media, Moda, Desviación_estandar)
knitr::kable(table1)
```
### *Notas:*
Se ocupo summary para poder obtener la moda, mediana y media de las variables y posteriormente se calcula la desviación estandar con la función sd()

## <span style="Color:orange">Tabla de Frecuencia

```{r}
#install.packages('epiDisplay')
library(epiDisplay)
tab1(bd_limpia$Dif, sort.group = "decreasing", cum.percent = TRUE) 
tab1(bd_limpia$R.arrival, sort.group = "decreasing", cum.percent = TRUE)
```
### *Notas:* 
Viendo el gráfico de distribución se pueden ver las frecuencias en las diferencias, se ve una mayor parte en el número 0, lo cual nos indica un buen desarrollo en delivery.

## <span style="Color:orange">“Time series plots” (line plot)

```{r}
#Checar que la base de datos esta estructurada y un resumen de la descripción estadistica
summary(bd_limpia)

#Graficar 
ggplot(bd_limpia,aes(x=Fecha, y=Dif,color=Cle))+
  geom_line()+
  labs(x="Fecha",y="Delay in Minutes", color="Legend")+
  ggtitle("Delays in Performance by Client")

```
### Checar la presencia de missing values
```{r}
bd_limpia1 <- bd_limpia
bd_limpia1<-bd_limpia1[-c(300,292),] # Quitar las filas 300 y 292 por que presentan datos negativos y que no sirven para el analisis.
summary(bd_limpia1) # no missing values
```


### Quitar clientes que tengan valor de 0 en la base de datos
```{r}
bd_limpia1<-bd_limpia1[bd_limpia1$Cle!="MAGNA",]
bd_limpia1<-bd_limpia1[bd_limpia1$Cle!="VARROC",]
summary(bd_limpia1)
```

### Realizar la grafica con los 2 clientes que eliminamos
```{r}
ggplot(bd_limpia1,aes(x=Fecha, y=Dif,color=Cle))+
  geom_line()+  geom_hline(yintercept=0.8000,linetype="dashed",color="black")+
  labs(x="Fecha",y="Diferencia por día", color="Legend")+
  ggtitle("Diferencia de entrega por Cliente")
```
### Nota (Hallazgo):
Encontramos gracias a la grafica realizada de la Diferencia de tiempo en la entrega de producto por cliente, que los clientes con mayor Delay son MAHLE Y PRINTEL, al mismo tiempo encontramos que entre estos dos clientes, el que tiene mayor Delay es MAHLE, por lo que sería bueno para la empresa el tener un mayor enfoque, obvio en ambos, pero tambien un poco más en Mahle, para que tenga mejor referencia de este cliente y mayor confianza con la empresa en las entregas. 


# <span style = "color:darkorange">**7. Base de Datos Externa** 

## Prediccion de los datos base de datos externa 


### Instalar paquetes y llamar librerías 
```{r}

library(psych)
library(lubridate)
library(ggplot2)
library(GGally)
library(TSstudio)
library(forecast)
```



### Llamar base de datos 
```{r}

Companies <-read.csv("C:\\Users\\danyc\\Downloads\\externa_bd1 csv1.csv")
summary(Companies)
```


### 1. Limpieza, Transformación y Organización de Bases de Datos 
```{r}
str(Companies)
describe(Companies)
```

 Nota: Debido a la versión de R, nos deja descargar el paquete "psych". Sin embargo, no nos deja llamar a la librería "psych", por lo tanto utilizamos str, para obtener el numero de las variables de la base de datos.

### 2. Clasificación de variables 
Realizamos una tabla para poder clasificar cada una de las variables de la base de Datos bd1
```{r}
Variable<-c("Geography","Category","Data.Type", "Unit","Current Constant","Years")
Type<-c("Cualitativa", "Cualitativa", "Cualitativa", "Cualitativa", "Cualitativa", "Cuantitativa (Continua)")
table<-data.frame(Variable,Type)
knitr::kable(table)
```



### 3. Escala de Medición 
Realizamos una tabla donde viene clasificado cada variable y agregamos una columna con la escala de medición para cada variable. 
```{r}

Variable<-c("Geography","Category","Data.Type", "Unit","Current Constant","Years")
Type<-c("Cualitativa", "Cualitativa", "Cualitativa", "Cualitativa", "Cualitativa", "Cuantitativa (Continua)")
Escala_de_Medición <- c("Países", "Producto", "Departamento","Tipo de Moneda", "Precio actual", "Ganancia (Razon)")
table<-data.frame(Variable,Type,Escala_de_Medición)
knitr::kable(table)
```



### 4. Limpieza de datos 
 La primer tecnica de limpieza que utilizamos fue, eliminar columnas debido a que contabamos con datos los cuales no eran relevantes para el análisis.    
 La segunda herramienta de limpieza que utilizamos para la visulización de los datos fue implementar una nueva columna como el total de la Producción de las variables que se producen por país.

### Remover Valores Irrelevantes 

#### Eliminar columnas 

```{r}
bd1 <- Companies
bd1<-subset(bd1,select=-c(Category,Data.Type,Current.Constant))
str(bd1)
```

#### Agregar Columnas 
```{r}
bd1$Total_Produccion<- bd1$X2016+bd1$X2017+bd1$X2018+bd1$X2019+bd1$X2020+bd1$X2021
bd1$Promedio_X2021<- mean(bd1$X2021)

summary(bd1)
str(bd1)
```


#### ¿Cuántos NA's tengo en la base de datos? 

```{r}
sum(is.na(bd1))
```
 Nota: Se eliminan Category, Data.Type y Current.Constant, ya que no nos sirven, debido a que es el mismo dato para todos los registros y es algo que no nos aporta alguna información. 

### 5. Análisis Exploratorio de las Bases de Datos 
```{r}
describe(bd1)
```



En el análisis descriptivo se muestran los valores promedio del total de producciones de 2016 a 2021.

### Tabla de Frecuencia 
```{r}
bd2 <- table(bd1$Unit)
bd2 <- prop.table(bd2)
bd2
```


### Tabla cruzada 
```{r}
table(bd1$Unit, bd1$Promedio_X2021)
```


La tabla nos muestra la cantidad promedio en millones producida en 2021 por cada unidad monetaria. En este caso, vemos que en 2021 se produjo en promedio más de 1MM de "currencies" (no se puede definir una unidad monetaria específica debido a que estamos ponderando distintas monedas internacionales). Conforme se analiza la tabla, vemos que el euro generó 18 veces el promedio de producción de cartón estimado para 2021, es decir, es la moneda internacional que más produjo cartón a nivel internacional en 2021. La siguiente moneda con mayor capacidad de producción fue USD millions. 

### Gráficas de datos Cualitativas y Cuantitativas 

#### Cualitativa con Unit 
```{r}
barplot(bd2, xlab='Tipo de Moneda',
        ylab='Frecuencia Relativa', las=1)
```


La gráfica nos muestra que de acuerdo a la frecuencia relativa de producción, Indonesia es la unidad monetaria que más cartón ha entregado. 

#### Cuantitativa con Total_Produccion 
```{r}
bd3 <- bd1
aggregate(x=bd3$Total_Produccion, by=list(bd3$Geography),FUN=sum)
```

 En la tabla anterior se muestra el total de producción generado por cada país. Haciendo una ponderación de los 5 países que mayor producción de cartón tienen (haciendo  conteo histórico de 2016 a 2021), vemos que se destacan Irán, Vietnam, Corea del Sur, Japón e Indonesia. 

```{r}
hist(log(bd1$Total_Produccion), main = "Histograma de Producción Total", xlab="Producción Total", 
     ylab="Frecuencia", col="blue1")
```


 En la gráfica anterior se simboliza la distribución de la muestra respecto a la producción total y la frecuencia de ésta. De acuerdo a la frecuencia total, vemos que se tiene una mayor producción por frecuencia entre 10 y 15, es decir, la producción total es más alta y tiene una frecuencia mayor a 15 que se muestra como el más elevado en el histograma.

### Gráficas de Dispersión

#### Relación Geography con Producción Total
```{r}
ggplot(bd1, aes(x=Total_Produccion, y=Geography)) + 
  geom_point(shape=19, size=3) + labs(title = "Relación entre los Países y la Producción Total",caption ="Passport_ProducciónCarton",x="Producción_Total", y="Geography") + theme_classic()

```

 En la gráfica anterior se muestra la relación entre los países y la producción total. Se ve que hay una dispersión mayor para los países en el centro de la gráfica. Esto significa que hay más irregularidad en la producción total que han generado. 

```{r}
boxplot=subset(bd1,select = -c(Total_Produccion,Geography))
boxplot(bd1$Total_Produccion, main= "Total de producción")
```


En la gráfica anterior vemos el total de producción de acuerdo a la geografía. Al igual que la gráfica anterior, hay una correlación mayor acorde al total de producción. 

```{r}
Vol<-ts(boxplot,start=c(2016,1),frequency=12)
ts_plot(Vol,
        title = "Desempeño de la Industria Automotriz: Producción de cartón global de 2016 a 2021",
        Ytitle = "Unidades en miles",
        Xtitle = "Años", 
        slider = TRUE)
```


 En esta gráfica se ve el desempeño de la industria automotriz de 2016 a 2021. En general, se muestra que el total de producción de cartón a nivel global fue mayor en 2021 contra otros años. 


### Predicción del Desempeño de la Industria Automotriz 

### Importar base de datos  
```{r}
bd5 <-read.csv("C:\\Users\\danyc\\Downloads\\externa_bd2 csv2.csv")
summary(bd5)

sum(is.na(bd5))

bd5$Total_Produccion<- bd1$X2016+bd1$X2017+bd1$X2018+bd1$X2019+bd1$X2020+bd1$X2021

summary(bd5)
str(bd5)

sum(is.na(bd5))
```


#### Modelos de regresión lineal múltiple

#### Modelos de regresión lineal múltiple: Producción de cartón en 2022 a nivel global 
```{r}
regresion <- lm(Total_Produccion ~ Geography + Unit + Año + Produccion, data=bd5)
summary(regresion)

regresion <- lm(Total_Produccion ~ Año + Produccion, data=bd5)
summary(regresion)

bd5 <- data.frame(Año=2022, Produccion= 170000000)
predict(regresion,bd5)
```


De acuerdo a los datos estimados, se ve que las variables de año y producción son igualmente significativas para la variable dependiente. En el caso de año, este tiene un impacto negativo sobre la otra y la producción tiene una estimación positiva. 
El modelo anterior nos muestra cuánto se estima que se producirá a nivel global en la industria del cartón para 2022. De acuerdo a una producción total aproximada de 170 millones de cartón en 2021, se espera que en 2022 se produzcan 914,196,926. En este caso, el prónostico fue realizado al crear un nuevo 'data frame' y al implementar la función de 'lm', usada para crear análisis regresivos y predictivos. 


#### Modelos de regresión lineal múltiple: Producción de cartón en 2022 para Estados Unidos y México

### Importar base de datos (3)
```{r}
bd6 <-read.csv("C:\\Users\\danyc\\Downloads\\externa_bd3 csv3 (1).csv")
summary(bd6)

sum(is.na(bd6))

summary(bd6)
str(bd6)
```


### Modelo de regresión múltiple: Producción de cartón en 2022: México
```{r}
regresion3 <- lm(MEX ~ USA + Año, data=bd6)
summary(regresion3)

regresion3 <- lm(MEX ~ Año, data=bd6)
summary(regresion3)

bd6 <- data.frame(Año=2022, Produccion= 740000)
predict(regresion3,bd6)

ggplot(bd6, aes(x=Año, y=Produccion))+
  geom_point() +
  geom_line(aes(y=Produccion), color="red", linetype="dashed") +
  geom_line(aes(y=Produccion), color="red", linetype="dashed") +
  geom_smooth(method=lm, formula=y~x, se=TRUE, level=0.95, col='blue', fill='pink2') +
  theme_light()
```


 La predicción anterior nos arroja que hay un impacto positivo y significativo entre la variable Año y la variable dependiente. Esto significa que hay una predicción positiva de crecimiento acorde al año.
 De acuerdo a la producción total generada por México de 2016 a 2021 (740 M), el modelo pronóstico estima que en 2022 producirá 149,170.3. En la gráfica previa se muestra el punto de predicción. Si analizamos la producción de 2021 contra el pronóstico de 2022, se estima que la producción mexicana disminuirá. Podemos suponer que esto se debe a la deficiencia en la cadena de suministro global, así como factores económicos globales. 


#### Modelos de regresión lineal múltiple: Producción de cartón en 2022 para Estados Unidos y México

### Importar base de datos (3)
```{r}
bd6 <-read.csv("C:\\Users\\danyc\\Downloads\\externa_bd3 csv3 (1).csv")
summary(bd6)

sum(is.na(bd6))

summary(bd6)
str(bd6)
```


#### Modelos de regresión lineal múltiple: Producción de cartón en 2022: Estados Unidos
```{r}
regresion2 <- lm(USA ~ MEX + Año, data=bd6)
summary(regresion2)

regresion2 <- lm(USA ~ Año, data=bd6)
summary(regresion2)

bd6 <- data.frame(Año=2022, Produccion= 320000)
predict(regresion2,bd6)
```


Para la predicción de Estados Unidos, vemos que habrá un incremento en la producción de cartón contra 2021. Sin embargo, al analizar la producción total de México contra la producción total de Estados Unidos, vemos que la mexicana es mucho mayor. Podemos suponer que esto se debe debido a la mano de obra económica del mercado mexicano. 

De acuerdo a la predicción anterior, se ve un incremento positivo para la variable México con la variable dependiente, a diferencia del año que muestra un impacto menor y negativo, pero igualmente significativo. 



## Pronostico del desempeño de la industria automotriz y la empresa FORM
```{r}
#install.packages("forecast")
library(forecast)
```


### Pronosticar el desempeño de la industria automotriz (EUA y MEX) para los 3 periodos de tiempo.
```{r}
#file.choose()
externo<- read.csv("C:\\Users\\danyc\\Downloads\\externa_bd3 csv3.csv")
```

### Crear serie de tiempo
```{r}
produccion_mexico<- c(externo$MEX)
produccion_usa<- c(externo$USA)
```

```{r}
produccionm<-ts(data=produccion_mexico, start=c(2016,1), frequency=1)
produccionu<-ts(data=produccion_usa, start=c(2016,1), frequency=1)
produccionm
produccionu
```


```{r}
modelom<- auto.arima(produccionm, D=1)
modelou<- auto.arima(produccionu, D=1)
modelom
modelou
```

```{r}
pronosticom <- forecast(modelom, level=c(95), h=4)
pronosticom
plot(pronosticom)
```

```{r}
pronosticou <- forecast(modelou, level=c(95), h=4)
pronosticou
plot(pronosticou)
```

### Pronosticar el desempeño de produccion de Form para los proximos 3 periodos de tiempo.

```{r}
#file.choose()
formproduccion<- read.csv("C:\\Users\\danyc\\OneDrive - Instituto Tecnologico y de Estudios Superiores de Monterrey\\Desktop\\Form_produccionbaselimpia.csv")
```
### Crear serie de tiempo
```{r}
produccionform<- c(formproduccion$laminas_procesadas)

```

```{r}
produccionf<-ts(data=produccionform, start=c(2022,7), end=c(2025, 12), frequency=12)

produccionf
```


```{r}
modelof<- auto.arima(produccionf, D=1)

modelof

```

```{r}
pronosticof <- forecast(modelof, level=c(95), h=3)
pronosticof
plot(pronosticof)
```

### Describe los resultados 
Realizamos una serie de tiempo tanto para la base de la industria automotriz como para la base de producción de FORM, este es enfocado a las laminas procesadas cada mes y en la industria es por año. Para poder realizar este Analisis de Resultado realizamos una grafica y un modelo de Predicción por medio de la función auto.arima. Gracias a esta función, le especificamos desde que Fecha empezará a obtener datos de la base de Datos y también colocamos la frecuencia, que se refiere a cómo se comporta, en cuestión a si se va a calcular por mes o por año. Así mismo, obtuvimos para la industria tanto en México como en EU, que son los países en los que se enfoca más FORM y obtengan mejor oportunidad de crecimiento. Al realizar este modelo calculamos para los próximos 3 periodos, en este caso para el 2025 y obtuvimos los siguientes resultados:
- *Industria Automotriz en México*: 

  1. Partiendo de un margen del 95%, queriendo decir, que este modelo es más preciso por lo que al ver la grafica obtenemos      que tendrá un incremento constante en los próximos 3 años, partiendo del 2022. 
  2. Este crecimiento de la industria automotriz en México se estima un crecimiento del 16% para 2025, lo que beneficia a      FORM para continuar produciendo en el mercado Mexicano. 

- *Industria Automotriz en Estados Unidos*: 

  1. Para 2022 el pronostico es de 59 mil, que este se puede mantener constante en los próximos 3 años hasta 2025
  2. Se obtiene un escenario optimista con la precisión del 95%, lo que quiere decir que para finales del 2025, puede estar igual en 59 mil o aumentar hasta los 69 mil. Esto indicaría que va en aumento año con año y terminaría el 2025 con un aumento del casi 20%. Lo que indicaría algo bueno para FORM, dandole oportunidad a aumentar su cartera de clientes dentro del mercado Estadounidense y teniendo un buen impacto de la industria para los próximos periodos. 
  
- *Empresa FORM*:

  1. Se hizo el pronostico por mes y dando un periodo hasta el 2026, partiendo del 2022 con 3 en cuanto a producción de laminas procesadas, se estima que este tenga un aumento constante, ademas de que entre el 2024 y 2025 tenga un punto de pique más alto, que posteriormente volverá a estabilizarse pero que se mantendrá constante entre los 10 a 20 en producción.
  2. Se pronostica que para el 2026 se tenga un 33 en producción del área de laminas procesadas, teniendo una precisión del 95% en un escenario optimista. Así mismo este se puede mantener constante en 10 o aumentar como se comentó anteriormente y este crecimiento a términos del 2026 tomando el escenario optimista, sería de poco mas del 90% lo que sería un gran aumento para FORM. También si fuera sin el 95% para inicios del 2026 serían 16 en producción con el 60% de aumento, lo que seguiría siendo algo importante para FORM.

# <span style = "color:darkorange">***Listar y describir los principales 5-6 resultados / hallazgos de la actividad.***
1.Recursos humanos: 
Uno de los hallazgos en esta base de datos es que las principales causas de bajas de empleados se debe a tres razones. Bajas por faltas, renuncia voluntaria o término de contrato y nos damos cuenta que el puesto con más rotación en la empresa es el de ayudante general. Por lo tanto podemos observar que existe una mala gestión administrativa o que los empleados no están 100% felices por lo tanto no se están esforzando lo suficiente. 

La principal causa de bajas en la empresa es debido a faltas, En numero de bajas por sexo masculino y femenino las mujeres son las que más faltan generando 53 bajas en total,pero lo importante es que para los hombres también es su mayor es la razón de baja, lo cual es por faltas ya que se han presentado 25 bajas. Tomando en cuenta la lejanía de la planta esto puede ser un factor que esté generando bajas. Estos datos nos permiten ver una gráfica de dispersión que nos arroja que los ex-empleados tienen un tiempo de duración más corto a un año. 


2.Merma: 

-Un hallazgo importante en merma es que se está generando alrededor de 3 toneladas a 4 toneladas de merma cada 4 meses, Por lo tanto nosotros consideramos que es mucha merma la que se está generando. 

-Otro punto importante es que se está generando una merma muy irregular por ejemplo de enero a abril fue una merma de 3 toneladas promedio, de abril a julio alrededor de 5 toneladas y llegó hasta generar 6 toneladas y de julio a octubre género 3 toneladas promedio pero en un mes se logró tener menos de 1 tonelada de merma. 

-Por lo tanto es importante que la empresa genere menores cantidades de merma y que esta merma sea lo mayor constante posible , sabemos que puede variar dependiendo de la cantidad de pedidos pero pues lograr reducir la cantidad de merma nos ayudará a reducir costos. 

3.Scrap: 

-Analizando estas variables se confirma que en el área de pre-producción,Es donde se genera la mayoría del scrap en su mayoría se genera casi el 85% de scrap, que generan dentro de la empresa, por lo tanto es algo alarmante por lo tanto se tienen que tomar decisiones importantes para poder realizar cambios en esta área para reducir la cantidad de scrap.

-Un punto importante es que con la ayuda de un gráfica lineal, nos dimos cuenta de cuál fue el día en el mes de agosto que generó más scrap,por lo que se puede decir que en el día que se cometieron más errores fue el día 24 de agosto, por lo tanto debemos de observar que es lo que pasó este día en la planta, o si también este factor se está repitiendo mes con mes.


4.Delivery Plan:

-Nos damos cuenta que en esta área de la empresa que es delivery plan, nos muestra que el cliente potencial es Hella, ya que cuenta con mayores pedidos , el segundo lugar para FORM es TRMX. 

-Hella es la empresa que más pedidos tiene para FORM siendo alrededor de 225,000 y TRMX lo sigue con 80,000 pedidos. También se analizó que septiembre es uno de los meses fuertes para la empresa en esta área ya que se incrementaron los pedidos establecidos. 



5.Delivery Performance:

-Se encontraron hallazgos importantes en esta base de datos como son, que FORM cuenta con dos clientes con mayor Delay. Estos clientes son MAHLE y PRINTEL. Pero en este caso lo que se analizó es que el cliente con mayor dilación es MAHLE, Por lo tanto nosotros recomendaremos a FORM mantener una mejor logística y eficiencia con el objetivo de generar que la empresa tenga una mejor referencia y mucho más confianza con las entregas. 


6.Producción 

-La primera observación ene producción que nos llama la atención es saber cuál es el cliente más importante para FORM, por lo que en este análisis nos desarrollo que Stabilus 1, es el cliente potencial de la empresa en el área de producción. Analizando los meses de julio , agosto y septiembre nos dimos cuenta que agosto es el mes con más producción, alrededor de 35,000 piezas programadas. 

-Se analizó que en la estación c1 y c2 es la estación con mayor productividad debido a que es la que menos tiempo hace con más procesamiento de láminas. Por lo tanto esto es una ventaja que se podría analizar en esta fase de producción para aplicarla a las demás áreas. 

-Un punto relevante de esta investigación que nos demostró un gráfico de dispersión es que si se le dedica tiempo de calidad que se le otorga al cliente, la empresa realiza los procesos de una manera mucho más eficiente y detallada, generando productos de calidad y más pronto. 


7.Base de datos externa.

-En esta base de datos externa se analizó una serie de tiempo enfocada principalmente en EUA y México ya que son las principales áreas de interés para la empresa de FORM. 

-Un hallazgo es que la industria automotriz en México se mantendrá en constante crecimiento en un lapso de 3 años en un futuro. Con un pronóstico de un 95% lo cual es muy óptimo a que suceda. 

-Si se analiza hasta el año 2025, existe un 16% de crecimiento en la industria, por lo que a FORM, le conviene hoy en día continuar con la mano de obra en México y seguir vendiendo a compañías extranjeras. 

-Por la parte de EUA, se espera un crecimiento para el 2025 de un 20% , por lo que nos determinó que la industria automotriz estado unidos se mantiene en constante crecimiento año tras año. 

-Para la empresa de FORM, se espera que exista un crecimiento en los próximos años en lo que es la producción de láminas procesadas, se espera que este tenga un aumento constante, por lo que sería una ventaja competitiva preparar los procesos de láminas desde este año para que en los próximos años que este proceso de laminado aumente no existan tantos errores buscando perfeccionar el proceso.

# <span style = "color:darkorange">***Reflexion Final***


*¿Qué es Business Analytics?*
Es una combinación de habilidades, tecnologías y prácticas para la exploración e investigación del funcionamiento y los procesos empresariales que se han tenido anteriormente por un empresa, para de ese modo obtener información, poder analizar dicha información que se extrae y así impulsar la planificación estratégica empresarial. Business Analytics puede descubrir patrones y predecir tendencias considerando diferentes factores. 

Existen diferentes rubros del "Business Analytics":

1. Análisis Descriptivo

2. Análisis de Diagnóstico

3. Análisis Predictivo

4. Análisis Prescriptivo

*3 objetivos deL uso de la herramienta de *Business Analytics?**
1. Determinar qué conjuntos de datos son significantes y útiles para poder analizar y conocer el desempeño de la empresa y cuáles pueden aumentar los ingresos y disminuir los costos. 

- *Ejemplo:* productividad y eficencia.

2. Analizar y transformar los datos en información útil, identificar y anticipar tendencias y resultados. Simplificar información para hacerla más sencilla de entender y visual.  

3. Tomar decisiones empresariales más inteligentes basadas en datos.

- *Ejemplo:* Análisis del comportamiento de los clientes, disminución de costo, evitar mermas, aprovechamiento de tiempos y materiales, eficiencia y eficacia. 

*¿Cuál es la relación entre Business Analytics y Business Intelligence?*
BI sirve para evaluar, optimizar y coordinar las operaciones internas de una empresa. Trata de aprovechar todo el potencial de los datos que genera una empresa en todas sus actividades diarias y analizar estos datos para obtener información de valor sobre la toma de decisiones.Ayuda para entender el histórico y el como evolucionan los datos. Y como mencionamos anteriormente Business Analytics con el analisis de la información de una empresa logra puede llegar a desubrir patrones, explicaciones del porque de los mismos y predecir tendencias o hechos que pueden llegar a pasar en el negocio. 

Estos dos términos tienen una alta relación entre ellas ya que en pocas palabras la Inteligencia de Negocios es el hacer análisis de los datos obtenidos y Analítica de Negocios es predicción a partir de los datos que se obtuvieron con el análisis. Una con lleva a la otra y trabajan juntas para obtener el resultado buscado de un análisis de datos que contenga la información relevante y significativa que nos pueda mostrar predicciones del comportamiento ya sea de la empresa, de la economía, de los ingresos, de los clientes y más. Ambas son necesarias para extraer un buen análisis de la información de una empresa, ya que una analis dos, los organiza y extra aquellos relevantes y la otra puede lograr las pedicciones y análisis.
