Evidencia 2
Emilio Olvera
2022-10-19
Importar Paquetes
library(plyr)
library(tidyverse)
library(knitr)
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
#file.choose()
merma<- read.csv("/Users/emilioolvera/Downloads/FORM - Merma.csv")
scrap<- read.csv("/Users/emilioolvera/Downloads/Scrap.csv")
produccion<- read.csv("/Users/emilioolvera/Downloads/EMI_CARTON.csv")
performance <- read.csv("/Users/emilioolvera/Desktop/Portafolio del modulo/FORM - Delivery Performance.csv")
d_plan <- read.csv("/Users/emilioolvera/Downloads/Delivery Plan FINAL - EQUIPO 4 .csv")
bajas <- read.csv("/Users/emilioolvera/Downloads/FORM - Recursos Humanos - bajas.csv")
colaboradores <- read.csv("/Users/emilioolvera/Downloads/FORM - Recursos Humanos - colaboradores.csv")Cambiar nombres de variables
Delivery Performance
performance<-clean_names(performance)
colnames(performance)## [1] "target" "cliente" "vueltas" "plan_arrival"
## [5] "real_arrival" "real_departure" "diference" "date"Delivery Plan
d_plan<-clean_names(d_plan)
d_plan<-d_plan %>% dplyr::rename(cliente=cliente_planta,
jun_21=junio,
jul_21=julio,
ago_21=agosto,
sep_21=septiembre,
oct_21=octubre,
nov_21=noviembre,
dic_21=diciembre,
oct_22=octubre_22)
colnames(d_plan)## [1] "cliente" "proyecto" "id_odoo" "item" "jun_21"
## [6] "jul_21" "ago_21" "sep_21" "oct_21" "nov_21"
## [11] "dic_21" "ene_22" "feb_22" "mar_22" "abr_22"
## [16] "may_22" "jun_22" "jul_22" "ago_22" "sep_22"
## [21] "oct_22" "nov_22" "dic_22" "ene_23" "feb_23"
## [26] "mar_23" "total_meses"Variables y Registros por base de datos
La base de datos Merma tiene 3 variables y 60 registros.
describe(merma)## # A tibble: 0 × 9
## # … with 9 variables: described_variables <chr>, n <int>, na <int>, mean <dbl>,
## # sd <dbl>, se_mean <dbl>, IQR <dbl>, skewness <dbl>, kurtosis <dbl>dim(merma)## [1] 60 3La base de datos Scrap tiene 8 variables y 251 registros.
describe(scrap)## # A tibble: 1 × 26
## described_…¹ n na mean sd se_mean IQR skewn…² kurto…³ p00 p01
## <chr> <int> <int> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Cantidad 251 0 13.3 106. 6.68 6 15.6 245. 0 1
## # … with 15 more variables: p05 <dbl>, p10 <dbl>, p20 <dbl>, p25 <dbl>,
## # p30 <dbl>, p40 <dbl>, p50 <dbl>, p60 <dbl>, p70 <dbl>, p75 <dbl>,
## # p80 <dbl>, p90 <dbl>, p95 <dbl>, p99 <dbl>, p100 <dbl>, and abbreviated
## # variable names ¹described_variables, ²skewness, ³kurtosisdim(scrap)## [1] 251 8La base de datos Producción de Carton tiene 17 variables y 2469 registros.
describe(produccion)## # A tibble: 2 × 26
## describe…¹ n na mean sd se_mean IQR skewn…² kurto…³ p00 p01
## <chr> <int> <int> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Laminas.p… 3988 0 102. 134. 2.13 184 2.71 13.1 0 0
## 2 TIEMPO.MA… 497 3491 3.19 7.57 0.340 1 3.71 17.4 0 0
## # … with 15 more variables: p05 <dbl>, p10 <dbl>, p20 <dbl>, p25 <dbl>,
## # p30 <dbl>, p40 <dbl>, p50 <dbl>, p60 <dbl>, p70 <dbl>, p75 <dbl>,
## # p80 <dbl>, p90 <dbl>, p95 <dbl>, p99 <dbl>, p100 <dbl>, and abbreviated
## # variable names ¹described_variables, ²skewness, ³kurtosisdim(produccion)## [1] 3988 15La base de datos Delivery Performance tiene 5 variables y 325 registros.
describe(performance)## # A tibble: 6 × 26
## described_…¹ n na mean sd se_mean IQR skewn…² kurto…³ p00 p01
## <chr> <int> <int> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 target 1440 0 1 0 0 0 NaN NaN 1 1
## 2 vueltas 1440 0 1.75 0.829 0.0219 1.25 0.494 -1.37 1 1
## 3 plan_arrival 1440 0 6.62 7.50 0.198 10.8 0.614 -1.12 0 0
## 4 real_arrival 1440 0 3.82 6.51 0.171 8 1.51 0.965 0 0
## 5 real_depart… 1440 0 4.14 6.95 0.183 9 1.44 0.706 0 0
## 6 diference 1440 0 0.316 0.922 0.0243 0.8 2.73 211. -14.4 0
## # … with 15 more variables: p05 <dbl>, p10 <dbl>, p20 <dbl>, p25 <dbl>,
## # p30 <dbl>, p40 <dbl>, p50 <dbl>, p60 <dbl>, p70 <dbl>, p75 <dbl>,
## # p80 <dbl>, p90 <dbl>, p95 <dbl>, p99 <dbl>, p100 <dbl>, and abbreviated
## # variable names ¹described_variables, ²skewness, ³kurtosisdim(performance)## [1] 1440 8La base de datos Delivery Plan tiene 27 variables y 231 registros.
describe(d_plan)## # A tibble: 23 × 26
## described…¹ n na mean sd se_mean IQR skewn…² kurto…³ p00 p01
## <chr> <int> <int> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 jun_21 231 0 29.1 123. 8.07 0 6.77 55.9 0 0
## 2 jul_21 231 0 136. 929. 61.1 0 12.4 169. 0 0
## 3 ago_21 231 0 77.4 340. 22.3 0 7.11 56.9 0 0
## 4 sep_21 231 0 81 316. 20.8 0 6.68 53.9 0 0
## 5 oct_21 231 0 62 274. 18.0 11.5 8.59 86.5 0 0
## 6 nov_21 231 0 89.7 465. 30.6 4 11.4 149. 0 0
## 7 dic_21 231 0 100. 516. 34.0 1.5 9.27 102. 0 0
## 8 ene_22 231 0 82.4 319. 21.0 26.5 6.76 53.4 0 0
## 9 feb_22 231 0 104. 684. 45.0 0 12.2 164. 0 0
## 10 mar_22 231 0 154. 768. 50.6 20 9.39 104. 0 0
## # … with 13 more rows, 15 more variables: p05 <dbl>, p10 <dbl>, p20 <dbl>,
## # p25 <dbl>, p30 <dbl>, p40 <dbl>, p50 <dbl>, p60 <dbl>, p70 <dbl>,
## # p75 <dbl>, p80 <dbl>, p90 <dbl>, p95 <dbl>, p99 <dbl>, p100 <dbl>, and
## # abbreviated variable names ¹described_variables, ²skewness, ³kurtosisdim(d_plan)## [1] 231 27La base de datos Bajas tiene 10 variables y 238 registros.
describe(bajas)## # A tibble: 4 × 26
## descri…¹ n na mean sd se_mean IQR skewn…² kurto…³ p00 p01
## <chr> <int> <int> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 no_empl… 238 0 120. 68.8 4.46 118. 0 -1.2 1 3.37
## 2 edad 238 0 31.1 9.57 0.620 14 0.811 -0.150 19 19
## 3 antigüe… 238 0 0.605 0.819 0.0531 1 2.71 12.4 0 0
## 4 salario… 238 0 178. 23.2 1.50 0 11.2 159. 144. 152.
## # … with 15 more variables: p05 <dbl>, p10 <dbl>, p20 <dbl>, p25 <dbl>,
## # p30 <dbl>, p40 <dbl>, p50 <dbl>, p60 <dbl>, p70 <dbl>, p75 <dbl>,
## # p80 <dbl>, p90 <dbl>, p95 <dbl>, p99 <dbl>, p100 <dbl>, and abbreviated
## # variable names ¹described_variables, ²skewness, ³kurtosisdim(bajas)## [1] 238 10La base de datos Colaboradores tiene 10 variables y 113 registros.
describe(colaboradores)## # A tibble: 4 × 26
## describe…¹ n na mean sd se_mean IQR skewn…² kurto…³ p00 p01
## <chr> <int> <int> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 no_emplea… 113 0 57 32.8 3.08 56 0 -1.2 1 2.12
## 2 edad 113 0 36.1 12.8 1.21 19 0.560 -0.537 18 19
## 3 antigüedad 113 0 1.42 2.52 0.237 2 2.43 5.98 0 0
## 4 salario_d… 111 2 179. 24.5 2.33 3.96 3.48 18.5 144. 144.
## # … with 15 more variables: p05 <dbl>, p10 <dbl>, p20 <dbl>, p25 <dbl>,
## # p30 <dbl>, p40 <dbl>, p50 <dbl>, p60 <dbl>, p70 <dbl>, p75 <dbl>,
## # p80 <dbl>, p90 <dbl>, p95 <dbl>, p99 <dbl>, p100 <dbl>, and abbreviated
## # variable names ¹described_variables, ²skewness, ³kurtosisdim(colaboradores)## [1] 113 10
Merma
Variable<-c("Fecha","Mes","Kilos")
Tipo<-c("Qualitative (nominal)", "Qualitative (nominal)", "Quantitative (discrete)")
Escala <- c("Fecha (y/m/d)","N/A", "Kilogramos")
table<-data.frame(Variable,Tipo,Escala)
knitr::kable(table)| Variable | Tipo | Escala |
|---|---|---|
| Fecha | Qualitative (nominal) | Fecha (y/m/d) |
| Mes | Qualitative (nominal) | N/A |
| Kilos | Quantitative (discrete) | Kilogramos |
Scrap
Variable2<-c("Referencia","Fecha","Producto","Cantidad", "Ubicación de origen")
Tipo2<-c("Qualitative (nominal)", "Qualitative (nominal)", "Qualitative (nominal)","Quantitative (discrete)", "Qualitative (nominal)")
Escala2 <- c("N/A","Fecha (y/m/d)", "N/A","Unidades","N/A")
table2<-data.frame(Variable2,Tipo2,Escala2)
knitr::kable(table2)| Variable2 | Tipo2 | Escala2 |
|---|---|---|
| Referencia | Qualitative (nominal) | N/A |
| Fecha | Qualitative (nominal) | Fecha (y/m/d) |
| Producto | Qualitative (nominal) | N/A |
| Cantidad | Quantitative (discrete) | Unidades |
| Ubicación de origen | Qualitative (nominal) | N/A |
Producción de Carton
Variable<-c("`Cliente`","`ID Form`", "`Producto`","`Piezas programadas`", "`Tiempo minutos`", "`Hora fin`", "`Estacion arranque`", "`Laminas procesadas`", "`Inicio set up`", "`Fin inicio set up`", "`Inicio de proceso`", "`Fin de proceso`", "`Tiempo calidad`")
Type<-c("Cualitativa","Cualitativa", "Cualitativa","Cuantitativa (discreta)", "Cuantitativa (discreta)", "Cuantitativa (continua)", "Cualitativa", "Cuantitativa (discreta)", "Cuantitativa (continua)", "Cuantitativa (continua)", "Cuantitativa (continua)", "Cuantitativa (continua)", "Cuantitativa (discreta)" )
Escalas<-c("Nominal", "Nominal","Nominal", "Intervalo", "Intervalo", "Intervalo", "Intervalo","Intervalo","Intervalo","Intervalo","Intervalo","Intervalo","Intervalo" )
table<-data.frame(Variable,Type,Escalas)
knitr::kable(table)| Variable | Type | Escalas |
|---|---|---|
Cliente
|
Cualitativa | Nominal |
ID Form
|
Cualitativa | Nominal |
Producto
|
Cualitativa | Nominal |
Piezas programadas
|
Cuantitativa (discreta) | Intervalo |
Tiempo minutos
|
Cuantitativa (discreta) | Intervalo |
Hora fin
|
Cuantitativa (continua) | Intervalo |
Estacion arranque
|
Cualitativa | Intervalo |
Laminas procesadas
|
Cuantitativa (discreta) | Intervalo |
Inicio set up
|
Cuantitativa (continua) | Intervalo |
Fin inicio set up
|
Cuantitativa (continua) | Intervalo |
Inicio de proceso
|
Cuantitativa (continua) | Intervalo |
Fin de proceso
|
Cuantitativa (continua) | Intervalo |
Tiempo calidad
|
Cuantitativa (discreta) | Intervalo |
Delivery Performance
Variable<-c("`Target`","`Cliente`","`Vueltas`","`Plan.arrival`","`Real.arrival`","`Real.departure`","`Diference`","`Date`")
Type<-c("quantiative (discrete)", "quantiative (continous)", "quantitative (continous)", "quantitative (continous)")
escalas <- c("intervalo", "nominal", "razon", "razon", "razon", "razon", "razon", "ordinal")
table <- data.frame (Variable, Type, escalas)
knitr::kable(table)| Variable | Type | escalas |
|---|---|---|
Target
|
quantiative (discrete) | intervalo |
Cliente
|
quantiative (continous) | nominal |
Vueltas
|
quantitative (continous) | razon |
Plan.arrival
|
quantitative (continous) | razon |
Real.arrival
|
quantiative (discrete) | razon |
Real.departure
|
quantiative (continous) | razon |
Diference
|
quantitative (continous) | razon |
Date
|
quantitative (continous) | ordinal |
Delivery Plan
variable <-c("CLIENTE.PLANTA,", "PROYECTO", "ID.0D00", "ITEM", "ENE.22", "FEBRERO.22", "MARZO.22", "ABRIL.22", "MAYO.22", "JUNIO.22", "JULIO.22", "AGOSTO.22", "SEPTIEMBRE.22", "OCTUBRE.22", "NOVIEMBRE.22", "DICIEMBRE.22", "ENERO.23", "FEBRERO.23", "MARZO.23")
Measurment <-c("CUALITATIVE", "CUALITATIVE", "CUALITATIVE", "CUALITATIVE", "CUANTITATIVE (DISCRETE)", "CUANTITATIVE (DISCRETE)", "CUANTITATIVE (DISCRETE)", "CUANTITATIVE (DISCRETE)", "CUANTITATIVE (DISCRETE)", "CUANTITATIVE (DISCRETE)", "CUANTITATIVE (DISCRETE)", "CUANTITATIVE (DISCRETE)", "CUANTITATIVE (DISCRETE)", "CUANTITATIVE (DISCRETE)", "CUANTITATIVE (DISCRETE)", "CUANTITATIVE (DISCRETE)", "CUANTITATIVE (DISCRETE)", "CUANTITATIVE (DISCRETE)", "CUANTITATIVE (DISCRETE)")
Scale <-c("NOMINAL", "NOMINAL", "NOMINAL", "NOMINAL", "RAZON", "RAZON", "RAZON", "RAZON", "RAZON", "RAZON", "RAZON", "RAZON", "RAZON", "RAZON", "RAZON", "RAZON", "RAZON", "RAZON", "RAZON")
clasificacion <- data.frame(variable, Measurment, Scale)
clasificacion## variable Measurment Scale
## 1 CLIENTE.PLANTA, CUALITATIVE NOMINAL
## 2 PROYECTO CUALITATIVE NOMINAL
## 3 ID.0D00 CUALITATIVE NOMINAL
## 4 ITEM CUALITATIVE NOMINAL
## 5 ENE.22 CUANTITATIVE (DISCRETE) RAZON
## 6 FEBRERO.22 CUANTITATIVE (DISCRETE) RAZON
## 7 MARZO.22 CUANTITATIVE (DISCRETE) RAZON
## 8 ABRIL.22 CUANTITATIVE (DISCRETE) RAZON
## 9 MAYO.22 CUANTITATIVE (DISCRETE) RAZON
## 10 JUNIO.22 CUANTITATIVE (DISCRETE) RAZON
## 11 JULIO.22 CUANTITATIVE (DISCRETE) RAZON
## 12 AGOSTO.22 CUANTITATIVE (DISCRETE) RAZON
## 13 SEPTIEMBRE.22 CUANTITATIVE (DISCRETE) RAZON
## 14 OCTUBRE.22 CUANTITATIVE (DISCRETE) RAZON
## 15 NOVIEMBRE.22 CUANTITATIVE (DISCRETE) RAZON
## 16 DICIEMBRE.22 CUANTITATIVE (DISCRETE) RAZON
## 17 ENERO.23 CUANTITATIVE (DISCRETE) RAZON
## 18 FEBRERO.23 CUANTITATIVE (DISCRETE) RAZON
## 19 MARZO.23 CUANTITATIVE (DISCRETE) RAZONBajas
Variable6<-c("Nombre Completo","Fecha Nacimiento", "Genero", "Fecha Alta","Motivo Renuncia","Permanencia","Fecha de Baja","Puesto","Departamento","Salario Diario IMSS","Colonia","CP","Municipio","Estado","Estado Civil")
Tipo6<-c("Cualitative (nominal)","Quantiative (discrete)", "Cualitative (nominal)", "Quantiative (discrete)","Cualitative (nominal)","Quantiative (discrete)","Quantiative (discrete)","Cualitative (nominal)","Cualitative (nominal)","Quantiative (continuous)","Cualitative (nominal)","Cualitative (nominal)","Cualitative (nominal)","Cualitative (nominal)","Cualitative (nominal)")
Escala6<-c("N/A","Fecha (Y/M/D)", "N/A", "Fecha (Y/M/D)","N/A","Dias","Fecha (Y/M/D)","N/A","N/A","Pesos Mexicanos","N/A","N/A","N/A","N/A","N/A")
table6<-data.frame(Variable6,Tipo6,Escala6)
knitr::kable(table)| Variable | Type | escalas |
|---|---|---|
Target
|
quantiative (discrete) | intervalo |
Cliente
|
quantiative (continous) | nominal |
Vueltas
|
quantitative (continous) | razon |
Plan.arrival
|
quantitative (continous) | razon |
Real.arrival
|
quantiative (discrete) | razon |
Real.departure
|
quantiative (continous) | razon |
Diference
|
quantitative (continous) | razon |
Date
|
quantitative (continous) | ordinal |
Colaboradores
Variable7<-c("Nombre Completo","Fecha Nacimiento", "Genero", "Fecha Alta","Puesto","Departamento","Salario Diario IMSS","Colonia","Municipio","Estado","CP","Estado Civil")
Tipo7<-c("Cualitative (nominal)","Quantiative (discrete)", "Cualitative (nominal)", "Quantiative (discrete)","Cualitative (nominal)","Cualitative (nominal)","Quantiative (continuous)","Cualitative (nominal)","Cualitative (nominal)","Cualitative (nominal)","Cualitative (nominal)","Cualitative (nominal)")
Escala7<-c("N/A","Fecha (Y/M/D)", "N/A", "Fecha (Y/M/D)","N/A","N/A","Pesos Mexicanos","N/A","N/A","N/A","CP","N/A")
table7<-data.frame(Variable7,Tipo7,Escala7)
knitr::kable(table)| Variable | Type | escalas |
|---|---|---|
Target
|
quantiative (discrete) | intervalo |
Cliente
|
quantiative (continous) | nominal |
Vueltas
|
quantitative (continous) | razon |
Plan.arrival
|
quantitative (continous) | razon |
Real.arrival
|
quantiative (discrete) | razon |
Real.departure
|
quantiative (continous) | razon |
Diference
|
quantitative (continous) | razon |
Date
|
quantitative (continous) | ordinal |
Paquetes
library(data.table)
library(dplyr)
library(plyr)
library(ggplot2)
library(naniar)
library(Hmisc)
library(psych)
library(tidyverse)
library(knitr)
# install.packages("pollster")
library(pollster)
library(epiDisplay)
library(descr)
library(tidyr)
#install.packages("MASS")
library(MASS)Merma
1: Eliminar totales
merma1<- merma[-c(5,12,19,25,31,36,42,54,59,60),]2: Convertir caracter a entero.
merma1$Kilos <- as.integer(merma1$Kilos)
str(merma1)## 'data.frame': 50 obs. of 3 variables:
## $ Fecha: chr "1/11/22" "1/11/22" "1/22/22" "1/22/22" ...
## $ Mes : chr "ENERO" "ENERO" "ENERO" "ENERO" ...
## $ Kilos: int 5080 3810 2990 2680 3650 4380 3870 3590 3410 3930 ...3: La variable de Kilos estaba en formato de carácter y se paso a numérica.
str(merma)## 'data.frame': 60 obs. of 3 variables:
## $ Fecha: chr "1/11/22" "1/11/22" "1/22/22" "1/22/22" ...
## $ Mes : chr "ENERO" "ENERO" "ENERO" "ENERO" ...
## $ Kilos: chr "5080" "3810" "2990" "2680" ...merma$Kilos <- as.numeric(merma$Kilos)## Warning: NAs introduced by coercionAnálisis Exploratorio de las Bases de Datos - MERMA
Media
Las variables de fecha y el mes no puede tener media
media_kilos <- mean(merma1$Kilos)
media_kilos## [1] 3708.52Mediana
Las variables de fecha y el mes no puede tener mediana
mediana_kilos <- median(merma1$Kilos)
mediana_kilos## [1] 3925Moda
mode <- function (x) {
ux <- unique(x)
ux [which.max(tabulate(match(x,ux)))]
}
mode_fecha <- mode(merma1$Fecha)
mode_fecha## [1] "2/18/22"mode_mes <- mode(merma1$Mes)
mode_mes## [1] "AGOSTO"mode_kilos <- mode(merma1$Kilos)
mode_kilos## [1] 3810Podemos observar aqui que con esta funcion podemos ver que el mes con mayor merma fue agosto como lo indica la moda
Desviación Estándar
Las variables de fecha y el mes no puede tener desviacion estandar
varianza_kilos <- var(merma1$Kilos)
varianza_kilos ## [1] 1048555desviacionestandar_kilos <- sqrt(varianza_kilos)
desviacionestandar_kilos## [1] 1023.99Tabla
Variable<-c("Fecha", "Mes", "Kilos")
Media<-c("NA", "NA", media_kilos)
Mediana<-c("NA", "NA", mediana_kilos)
Moda<-c(mode_fecha, mode_mes, mode_kilos)
Desviacion_Estandar<-c("NA", "NA", desviacionestandar_kilos)
table<-data.frame(Variable,Media,Mediana,Moda,Desviacion_Estandar)
knitr::kable(table)| Variable | Media | Mediana | Moda | Desviacion_Estandar |
|---|---|---|---|---|
| Fecha | NA | NA | 2/18/22 | NA |
| Mes | NA | NA | AGOSTO | NA |
| Kilos | 3708.52 | 3925 | 3810 | 1023.98960135026 |
Scrap
Eliminar renglón de Unidades totales de scrap
scrap1 <- scrap [- c(1),]Borrar todos los registros NA de una tabla para tener una base de datos mas eficiente, se quiso hacer esto para no tomar en cuenta el dia que no hubo produccion
scrap2 <- scrap1
scrap2 <- na.omit(scrap2)
str(scrap2)## 'data.frame': 250 obs. of 8 variables:
## $ Referencia : chr "SP/08731" "SP/08730" "SP/08729" "SP/08728" ...
## $ Fecha : chr "2022-08-31 14:55:40" "2022-08-31 14:49:25" "2022-08-31 13:49:29" "2022-08-31 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" ...Análisis Exploratorio de las Bases de Datos - SCRAP
Media
Las variables de fecha y ubicación de origen no puede tener media
media_cantidad <- mean(scrap1$Cantidad)
media_cantidad## [1] 6.696Mediana
Las variables de fecha y ubicación de origen no puede tener mediana
mediana_cantidad <- median(scrap1$Cantidad)
mediana_cantidad## [1] 2Moda
mode <- function (x) {
ux <- unique(x)
ux [which.max(tabulate(match(x,ux)))]
}
mode_fecha1 <- mode(scrap1$Fecha)
mode_fecha1## [1] "2022-08-31 14:55:40"mode_cantidad <- mode(scrap1$Cantidad)
mode_cantidad## [1] 1mode_ubicacion <- mode(scrap1$Ubicación.de.origen)
mode_ubicacion## [1] "SAB/Pre-Production"Desviación Estándar
Las variables de fecha y ubicación de origen no puede tener desviacion estandar
varianza_cantidad <- var(scrap1$Cantidad)
varianza_cantidad## [1] 140.3952desviacionestandar_cantidad <- sqrt(varianza_cantidad)
desviacionestandar_cantidad## [1] 11.84885Tabla
Variable<-c("Fecha", "Cantidad", "Ubicación_de_origen")
Media<-c("NA", media_cantidad, "NA")
Mediana<-c("NA",mediana_cantidad, "NA")
Moda<-c(mode_fecha1, mode_cantidad, mode_ubicacion)
Desviacion_Estandar<-c("NA", desviacionestandar_cantidad, "NA")
table<-data.frame(Variable,Media,Mediana,Moda,Desviacion_Estandar)
knitr::kable(table)| Variable | Media | Mediana | Moda | Desviacion_Estandar |
|---|---|---|---|---|
| Fecha | NA | NA | 2022-08-31 14:55:40 | NA |
| Cantidad | 6.696 | 2 | 1 | 11.8488465539324 |
| Ubicación_de_origen | NA | NA | SAB/Pre-Production | NA |
Delivery Performance
#file.choose()
bd2 <- read.csv("/Users/emilioolvera/Downloads/FORM - Delivery Performance BD BUENA.csv")
library(dplyr)
library(janitor)
performance <- clean_names(bd2)
summary(performance)## fecha printel mahle magna
## Length:324 Min. :0.0000 Min. :-11.650 Min. :0
## Class :character 1st Qu.:0.0000 1st Qu.: 1.800 1st Qu.:0
## Mode :character Median :0.0000 Median : 3.000 Median :0
## Mean :0.4418 Mean : 2.364 Mean :0
## 3rd Qu.:1.0000 3rd Qu.: 3.150 3rd Qu.:0
## Max. :4.4000 Max. : 20.000 Max. :0
## NA's :25 NA's :25 NA's :25
## varroc x x_1 x_2 x_3
## Min. :0 Mode:logical Mode:logical Mode:logical Mode:logical
## 1st Qu.:0 NA's:324 NA's:324 NA's:324 NA's:324
## Median :0
## Mean :0
## 3rd Qu.:0
## Max. :0
## NA's :25Técnica 1.Borrar columnas.
performance <- subset(performance, select = -c(x, x_1, x_2, x_3))
summary(performance)## fecha printel mahle magna
## Length:324 Min. :0.0000 Min. :-11.650 Min. :0
## Class :character 1st Qu.:0.0000 1st Qu.: 1.800 1st Qu.:0
## Mode :character Median :0.0000 Median : 3.000 Median :0
## Mean :0.4418 Mean : 2.364 Mean :0
## 3rd Qu.:1.0000 3rd Qu.: 3.150 3rd Qu.:0
## Max. :4.4000 Max. : 20.000 Max. :0
## NA's :25 NA's :25 NA's :25
## varroc
## Min. :0
## 1st Qu.:0
## Median :0
## Mean :0
## 3rd Qu.:0
## Max. :0
## NA's :25Técnica 2.Convertir de caracter a fecha
performance$fecha <- as.Date(performance$fecha, format = "%d/%m/%Y")
tibble(performance)## # A tibble: 324 × 5
## fecha printel mahle magna varroc
## <date> <dbl> <dbl> <dbl> <dbl>
## 1 2021-07-22 0 2.65 0 0
## 2 2021-07-25 1.8 2.85 0 0
## 3 2021-07-26 1.1 2.5 0 0
## 4 2021-07-27 0.5 2.5 0 0
## 5 2021-07-28 0.5 2.55 0 0
## 6 2021-07-29 1 2.65 0 0
## 7 2021-08-01 1 2.51 0 0
## 8 2021-08-02 1 3 0 0
## 9 2021-08-03 0 3 0 0
## 10 2021-08-04 1.2 3.05 0 0
## # … with 314 more rowsTécnica 3.Convertir de caracter a entero
performance$printel <- substr(performance$printel, start = 1, stop = 2)
tibble(performance)## # A tibble: 324 × 5
## fecha printel mahle magna varroc
## <date> <chr> <dbl> <dbl> <dbl>
## 1 2021-07-22 0 2.65 0 0
## 2 2021-07-25 1. 2.85 0 0
## 3 2021-07-26 1. 2.5 0 0
## 4 2021-07-27 0. 2.5 0 0
## 5 2021-07-28 0. 2.55 0 0
## 6 2021-07-29 1 2.65 0 0
## 7 2021-08-01 1 2.51 0 0
## 8 2021-08-02 1 3 0 0
## 9 2021-08-03 0 3 0 0
## 10 2021-08-04 1. 3.05 0 0
## # … with 314 more rowsperformance$printel <- as.numeric(performance$printel)
str(performance)## 'data.frame': 324 obs. of 5 variables:
## $ fecha : Date, format: "2021-07-22" "2021-07-25" ...
## $ printel: num 0 1 1 0 0 1 1 1 0 1 ...
## $ mahle : num 2.65 2.85 2.5 2.5 2.55 2.65 2.51 3 3 3.05 ...
## $ magna : num 0 0 0 0 0 0 0 0 0 0 ...
## $ varroc : num 0 0 0 0 0 0 0 0 0 0 ...performance$mahle <- substr(performance$mahle, start = 1, stop = 2)
performance$mahle <- as.numeric(performance$mahle)
performance$magna <- substr(performance$magna, start = 1, stop = 2)
performance$magna <- as.numeric(performance$magna)
str(performance)## 'data.frame': 324 obs. of 5 variables:
## $ fecha : Date, format: "2021-07-22" "2021-07-25" ...
## $ printel: num 0 1 1 0 0 1 1 1 0 1 ...
## $ mahle : num 2 2 2 2 2 2 2 3 3 3 ...
## $ magna : num 0 0 0 0 0 0 0 0 0 0 ...
## $ varroc : num 0 0 0 0 0 0 0 0 0 0 ...performance$varroc <- substr(performance$varroc, start = 1, stop = 2)
performance$varroc <- as.numeric(performance$varroc)
str(performance)## 'data.frame': 324 obs. of 5 variables:
## $ fecha : Date, format: "2021-07-22" "2021-07-25" ...
## $ printel: num 0 1 1 0 0 1 1 1 0 1 ...
## $ mahle : num 2 2 2 2 2 2 2 3 3 3 ...
## $ magna : num 0 0 0 0 0 0 0 0 0 0 ...
## $ varroc : num 0 0 0 0 0 0 0 0 0 0 ...Técnica 4.Reemplazar NAs con la mediana de cada variable
sapply(performance, function(x) sum(is.na(x)))## fecha printel mahle magna varroc
## 25 25 25 25 25performance$fecha[is.na(performance$fecha)]<-median(performance$fecha, na.rm = TRUE)
performance$printel[is.na(performance$printel)]<-median(performance$printel, na.rm = TRUE)
performance$mahle[is.na(performance$mahle)]<-median(performance$mahle, na.rm = TRUE)
performance$magna[is.na(performance$magna)]<-median(performance$magna, na.rm = TRUE)
performance$varroc[is.na(performance$varroc)]<-median(performance$varroc, na.rm = TRUE)
summary(performance)## fecha printel mahle magna varroc
## Min. :2021-07-22 Min. :0.0000 Min. :-9.00 Min. :0 Min. :0
## 1st Qu.:2021-10-20 1st Qu.:0.0000 1st Qu.: 2.00 1st Qu.:0 1st Qu.:0
## Median :2022-02-07 Median :0.0000 Median : 3.00 Median :0 Median :0
## Mean :2022-01-30 Mean :0.3395 Mean : 2.21 Mean :0 Mean :0
## 3rd Qu.:2022-04-27 3rd Qu.:0.2500 3rd Qu.: 3.00 3rd Qu.:0 3rd Qu.:0
## Max. :2022-07-23 Max. :4.0000 Max. :20.00 Max. :0 Max. :0Análisis Exploratorio de las Bases de Datos- Delivery Performance
Media
media_printel <- mean(performance$printel)
media_printel## [1] 0.3395062media_mahle <- mean(performance$mahle)
media_mahle## [1] 2.209877media_magna <- mean(performance$magna)
media_magna## [1] 0media_varroc <- mean(performance$varroc)
media_varroc## [1] 0Mediana
mediana_printel <- median(performance$printel)
mediana_printel## [1] 0mediana_mahle <- median(performance$mahle)
mediana_mahle## [1] 3mediana_magna <- median(performance$magna)
mediana_magna## [1] 0mediana_varroc <- median(performance$varroc)
mediana_varroc## [1] 0Moda
mode <- function(x) {
ux <- unique(x)
ux[which.max(tabulate(match(x, ux)))]
}
moda_printel <- mode(performance$printel)
moda_printel## [1] 0moda_mahle <- mode(performance$mahle)
moda_mahle## [1] 3moda_magna <- mode(performance$magna)
moda_magna## [1] 0moda_varroc <- mode(performance$varroc)
moda_varroc## [1] 0Varianza
varianza_printel <-var(performance$printel)
varianza_printel## [1] 0.4416542varianza_mahle <-var(performance$mahle)
varianza_mahle## [1] 2.909376varianza_magna <-var(performance$magna)
varianza_magna## [1] 0varianza_varroc <-var(performance$varroc)
varianza_varroc## [1] 0Desviación Estándar
desviacion_printel <- sqrt(varianza_printel)
desviacion_printel## [1] 0.6645707desviacion_mahle <- sqrt(varianza_mahle)
desviacion_mahle## [1] 1.705689desviacion_magna <- sqrt(varianza_magna)
desviacion_magna## [1] 0desviacion_varroc <- sqrt(varianza_varroc)
desviacion_varroc## [1] 0Tabla
Variable2 <-c("Printel","Mahle", "Magna", "Varroc")
Promedio2 <-c("0.339", "2.209","0", "0")
Moda2 <-c(" "," "," ", " ")
Mediana2 <-c("0","3","0", "0")
Varianza2 <-c("0.441","2.909","0", "0")
Desviación_Estándar2 <-c ("0.664","1.705","0", "0")
tabla2 <-data.frame(Variable2,Promedio2, Moda2, Mediana2, Varianza2, Desviación_Estándar2)
tabla2## Variable2 Promedio2 Moda2 Mediana2 Varianza2 Desviación_Estándar2
## 1 Printel 0.339 0 0.441 0.664
## 2 Mahle 2.209 3 2.909 1.705
## 3 Magna 0 0 0 0
## 4 Varroc 0 0 0 0knitr::kable(tabla2)| Variable2 | Promedio2 | Moda2 | Mediana2 | Varianza2 | Desviación_Estándar2 |
|---|---|---|---|---|---|
| Printel | 0.339 | 0 | 0.441 | 0.664 | |
| Mahle | 2.209 | 3 | 2.909 | 1.705 | |
| Magna | 0 | 0 | 0 | 0 | |
| Varroc | 0 | 0 | 0 | 0 |
Delivery Plan
Importar las bases de datos
library(data.table)
library(dplyr)
library(plyr)
library(ggplot2)
library(naniar)
library(Hmisc)
library(psych)
library(tidyverse)
library(janitor)
library(knitr)
library(pollster)
library(epiDisplay)
library(descr)
library(tidyr)
library(ggeasy)
library(stringr)
library(patchwork)
# file.choose()
bd <- read.csv("/Users/emilioolvera/Downloads/Delivery Plan FINAL - EQUIPO 4 .csv")Técnica 1. Acondicionar nombres a formato óptimo para R
bd <- clean_names(bd)Técnica 2.Unir los pedidos programados en una sola columna.
bd <- bd %>% dplyr::rename(cliente=cliente_planta,
A_jun_21=junio,
B_jul_21=julio,
C_ago_21=agosto,
D_sep_21=septiembre,
E_oct_21=octubre,
F_nov_21=noviembre,
G_dic_21=diciembre,
H_ene_22=ene_22,
I_feb_22=feb_22,
J_mar_22=mar_22,
K_abr_22=abr_22,
L_may_22=may_22,
M_jun_22=jun_22,
N_jul_22=jul_22,
O_ago_22=ago_22,
P_sep_22=sep_22,
Q_oct_22=octubre_22,
R_nov_22=nov_22,
S_dic_22=dic_22,
T_ene_23=ene_23,
U_feb_23=feb_23,
V_mar_23=feb_23
)
colnames(bd)## [1] "cliente" "proyecto" "id_odoo" "item" "A_jun_21"
## [6] "B_jul_21" "C_ago_21" "D_sep_21" "E_oct_21" "F_nov_21"
## [11] "G_dic_21" "H_ene_22" "I_feb_22" "J_mar_22" "K_abr_22"
## [16] "L_may_22" "M_jun_22" "N_jul_22" "O_ago_22" "P_sep_22"
## [21] "Q_oct_22" "R_nov_22" "S_dic_22" "T_ene_23" "V_mar_23"
## [26] "mar_23" "total_meses"bd <- pivot_longer(bd, cols=5:14, names_to = "Mes", values_to = "Unidades")
str(bd)## tibble [2,310 × 19] (S3: tbl_df/tbl/data.frame)
## $ cliente : chr [1:2310] "STB3" "STB3" "STB3" "STB3" ...
## $ proyecto : chr [1:2310] "CANASTILLA GRIS" "CANASTILLA GRIS" "CANASTILLA GRIS" "CANASTILLA GRIS" ...
## $ id_odoo : chr [1:2310] "15.785" "15.785" "15.785" "15.785" ...
## $ item : chr [1:2310] "CABLE SET CAJA BACK UP CANASTILLA" "CABLE SET CAJA BACK UP CANASTILLA" "CABLE SET CAJA BACK UP CANASTILLA" "CABLE SET CAJA BACK UP CANASTILLA" ...
## $ K_abr_22 : int [1:2310] 0 0 0 0 0 0 0 0 0 0 ...
## $ L_may_22 : int [1:2310] 0 0 0 0 0 0 0 0 0 0 ...
## $ M_jun_22 : int [1:2310] 200 200 200 200 200 200 200 200 200 200 ...
## $ N_jul_22 : int [1:2310] 900 900 900 900 900 900 900 900 900 900 ...
## $ O_ago_22 : int [1:2310] 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 ...
## $ P_sep_22 : int [1:2310] 0 0 0 0 0 0 0 0 0 0 ...
## $ Q_oct_22 : int [1:2310] 0 0 0 0 0 0 0 0 0 0 ...
## $ R_nov_22 : int [1:2310] 0 0 0 0 0 0 0 0 0 0 ...
## $ S_dic_22 : int [1:2310] 0 0 0 0 0 0 0 0 0 0 ...
## $ T_ene_23 : int [1:2310] 0 0 0 0 0 0 0 0 0 0 ...
## $ V_mar_23 : int [1:2310] 0 0 0 0 0 0 0 0 0 0 ...
## $ mar_23 : int [1:2310] 0 0 0 0 0 0 0 0 0 0 ...
## $ total_meses: int [1:2310] 3850 3850 3850 3850 3850 3850 3850 3850 3850 3850 ...
## $ Mes : chr [1:2310] "A_jun_21" "B_jul_21" "C_ago_21" "D_sep_21" ...
## $ Unidades : int [1:2310] 0 140 530 0 200 0 150 230 500 0 ...Técnica 3.Eliminación de ceros en la base de datos para eliminar rengoles/clientes sin registros
bd1 <- filter(bd, Unidades>0)Técnica 4.Eliminación de variables irrelevantes. En este caso, dado que previamente se unieron (merge) las variables de mes, solo se considera necesaria la variables de cliente, fecha y Unidades
bd2 <- bd1
bd2 <- subset (bd1, select = -c (proyecto, id_odoo, item, K_abr_22, L_may_22, M_jun_22,N_jul_22,O_ago_22, P_sep_22, Q_oct_22, R_nov_22, S_dic_22, T_ene_23, V_mar_23, mar_23, total_meses))
summary(bd2)## cliente Mes Unidades
## Length:590 Length:590 Min. : 1.0
## Class :character Class :character 1st Qu.: 30.0
## Mode :character Mode :character Median : 80.0
## Mean : 358.4
## 3rd Qu.: 300.0
## Max. :13120.0Análisis Exploratorio de las Bases de Datos - Delivery Plan
Media
Media <- mean(bd2$Unidades)
Media## [1] 358.3729Mediana
Mediana <- median(bd2$Unidades)
Mediana## [1] 80Moda
mode <- function(x) {
ux <- unique(x)
ux[which.max(tabulate(match(x, ux)))]
}
Moda_clientes <- mode(bd2$cliente)
Moda_clientes## [1] "VARROC"Moda_mes <- mode(bd2$Mes)
Moda_mes## [1] "H_ene_22"Moda_unidades <- mode(bd2$Unidades)
Moda_unidades## [1] 60Varianza
varianza_unidades_prog <- var(bd2$Unidades)
varianza_unidades_prog## [1] 1005677Desviación Estándar
desviacion_unidades_prog<- sqrt(varianza_unidades_prog)
desviacion_unidades_prog## [1] 1002.834Tabla
Variable<-c("Unidades", "Mes", "cliente")
Media<-c(Media, "NA", "NA")
Mediana<-c(Mediana, "NA", "NA")
Moda<-c(Moda_unidades, Moda_mes, Moda_clientes)
Desviacion_Estandar<-c("1002.834", "NA", "NA")
table1 <- data.frame(Variable, Media, Mediana, Moda, Desviacion_Estandar)
knitr::kable(table)| Variable | Media | Mediana | Moda | Desviacion_Estandar |
|---|---|---|---|---|
| Fecha | NA | NA | 2022-08-31 14:55:40 | NA |
| Cantidad | 6.696 | 2 | 1 | 11.8488465539324 |
| Ubicación_de_origen | NA | NA | SAB/Pre-Production | NA |
Recursos Humanos Colaboradores
Importar las bases de datos
#file.choose()
bd <- read.csv("/Users/emilioolvera/Downloads/FORM - Recursos Humanos - colaboradores.csv")
# install.packages("dplyr")
library(dplyr)
# install.packages("janitor")
library(janitor)
colaboradores <- clean_names(bd)
summary(colaboradores)## no_empleado nombre_completo edad genero
## Min. : 1 Length:113 Min. :18.00 Length:113
## 1st Qu.: 29 Class :character 1st Qu.:26.00 Class :character
## Median : 57 Mode :character Median :34.00 Mode :character
## Mean : 57 Mean :36.06
## 3rd Qu.: 85 3rd Qu.:45.00
## Max. :113 Max. :73.00
##
## fecha_alta antiguedad puesto mano_de_obra
## Length:113 Min. : 0.000 Length:113 Length:113
## Class :character 1st Qu.: 0.000 Class :character Class :character
## Mode :character Median : 0.000 Mode :character Mode :character
## Mean : 1.425
## 3rd Qu.: 2.000
## Max. :12.000
##
## salario_diario estado_civil
## Min. :144.4 Length:113
## 1st Qu.:176.7 Class :character
## Median :180.7 Mode :character
## Mean :179.1
## 3rd Qu.:180.7
## Max. :337.1
## NA's :2Técnica 1. Borrar columnas.
colaboradores <- subset(colaboradores, select = -c(no_empleado, nombre_completo, fecha_alta, mano_de_obra))Técnica 2. Reemplezar NAs con el promedio en la columna de “Salario Diario”
colaboradores$salario_diario[is.na(colaboradores$salario_diario)]<-mean(colaboradores$salario_diario, na.rm = TRUE)
summary (colaboradores)## edad genero antiguedad puesto
## Min. :18.00 Length:113 Min. : 0.000 Length:113
## 1st Qu.:26.00 Class :character 1st Qu.: 0.000 Class :character
## Median :34.00 Mode :character Median : 0.000 Mode :character
## Mean :36.06 Mean : 1.425
## 3rd Qu.:45.00 3rd Qu.: 2.000
## Max. :73.00 Max. :12.000
## salario_diario estado_civil
## Min. :144.4 Length:113
## 1st Qu.:176.7 Class :character
## Median :180.7 Mode :character
## Mean :179.1
## 3rd Qu.:180.7
## Max. :337.1Análisis Exploratorio de las Bases de Datos - Colaboradores
Media
media_edad <- mean(colaboradores$edad)
media_edad## [1] 36.06195media_antiguedad <- mean(colaboradores$antiguedad)
media_antiguedad## [1] 1.424779media_salario <- mean(colaboradores$salario_diario)
media_salario## [1] 179.0981Mediana
mediana_edad <- median(colaboradores$edad)
mediana_edad## [1] 34mediana_antiguedad <- median(colaboradores$antiguedad)
mediana_antiguedad## [1] 0mediana_salario <- median(colaboradores$salario_diario)
mediana_salario ## [1] 180.68Moda
mode <- function(x) {
ux <- unique(x)
ux[which.max(tabulate(match(x, ux)))]
}
moda_edad <- mode(colaboradores$edad)
moda_edad## [1] 32moda_antiguedad <- mode(colaboradores$antiguedad)
moda_antiguedad## [1] 0moda_salario <- mode(colaboradores$salario_diario)
moda_salario ## [1] 180.68Varianza
varianza_edad <-var(colaboradores$edad)
varianza_edad## [1] 165.0051varianza_antiguedad <-var(colaboradores$antiguedad)
varianza_antiguedad## [1] 6.353666varianza_salario <-var(colaboradores$salario_diario)
varianza_salario## [1] 589.7227Desviación Estándar
desviacion_edad <- sqrt(varianza_edad)
desviacion_edad## [1] 12.84543desviacion_antiguedad <- sqrt(varianza_antiguedad)
desviacion_antiguedad## [1] 2.520648desviacion_salario <- sqrt(varianza_salario)
desviacion_salario## [1] 24.28421Tabla
Variable <-c("Edad","Antiguedad","Salario Diario")
Promedio <-c("36", "1.42","179.098")
Moda <-c("32","0","180.68")
Mediana <-c("34","0","180.68")
Varianza <-c("165.005","6.353","589.722")
Desviación_Estándar <-c ("12.845","2.520","24.284")
tabla <-data.frame(Variable,Promedio, Moda, Mediana, Varianza, Desviación_Estándar)
tabla## Variable Promedio Moda Mediana Varianza Desviación_Estándar
## 1 Edad 36 32 34 165.005 12.845
## 2 Antiguedad 1.42 0 0 6.353 2.520
## 3 Salario Diario 179.098 180.68 180.68 589.722 24.284knitr::kable(tabla)| Variable | Promedio | Moda | Mediana | Varianza | Desviación_Estándar |
|---|---|---|---|---|---|
| Edad | 36 | 32 | 34 | 165.005 | 12.845 |
| Antiguedad | 1.42 | 0 | 0 | 6.353 | 2.520 |
| Salario Diario | 179.098 | 180.68 | 180.68 | 589.722 | 24.284 |
Recursos Humanos Bajas
Importar las bases de datos
#file.choose()
bd1<- read.csv("/Users/emilioolvera/Downloads/FORM - Recursos Humanos - bajas.csv")
bajas <- clean_names(bd1)
summary(bajas)## no_empleado nombre_completo edad genero
## Min. : 1.00 Length:238 Min. :19.00 Length:238
## 1st Qu.: 60.25 Class :character 1st Qu.:23.00 Class :character
## Median :119.50 Mode :character Median :29.00 Mode :character
## Mean :119.50 Mean :31.06
## 3rd Qu.:178.75 3rd Qu.:37.00
## Max. :238.00 Max. :61.00
## fecha_alta antiguedad motivo_baja baja
## Length:238 Min. :0.000 Length:238 Length:238
## Class :character 1st Qu.:0.000 Class :character Class :character
## Mode :character Median :0.000 Mode :character Mode :character
## Mean :0.605
## 3rd Qu.:1.000
## Max. :6.000
## puesto salario_diario
## Length:238 Min. :144.4
## Class :character 1st Qu.:180.7
## Mode :character Median :180.7
## Mean :178.0
## 3rd Qu.:180.7
## Max. :500.0Limpieza, Transformación, y Organización de Bases de Datos
Reemplazar NA con CEROS en la columna de “Antigüedad” ya que es la Mediana y Moda.
bajas$antiguedad[is.na(bajas$antiguedad)]<-0Reemplezar NAs con el promedio en la columna de “Edad” y “Salario Diario”
bajas$edad[is.na(bajas$edad)]<-mean(bajas$edad, na.rm = TRUE)
bajas$salario_diario[is.na(bajas$salario_diario)]<-mean(bajas$salario_diario, na.rm = TRUE)
summary (bajas)## no_empleado nombre_completo edad genero
## Min. : 1.00 Length:238 Min. :19.00 Length:238
## 1st Qu.: 60.25 Class :character 1st Qu.:23.00 Class :character
## Median :119.50 Mode :character Median :29.00 Mode :character
## Mean :119.50 Mean :31.06
## 3rd Qu.:178.75 3rd Qu.:37.00
## Max. :238.00 Max. :61.00
## fecha_alta antiguedad motivo_baja baja
## Length:238 Min. :0.000 Length:238 Length:238
## Class :character 1st Qu.:0.000 Class :character Class :character
## Mode :character Median :0.000 Mode :character Mode :character
## Mean :0.605
## 3rd Qu.:1.000
## Max. :6.000
## puesto salario_diario
## Length:238 Min. :144.4
## Class :character 1st Qu.:180.7
## Mode :character Median :180.7
## Mean :178.0
## 3rd Qu.:180.7
## Max. :500.0Técnica 3.Convertir de caracter a fecha
bajas$baja <- as.Date(bajas$baja, format = "%d/%m/%Y")
tibble(bajas)## # A tibble: 238 × 10
## no_empleado nombre_c…¹ edad genero fecha…² antig…³ motiv…⁴ baja puesto
## <int> <chr> <dbl> <chr> <chr> <dbl> <chr> <date> <chr>
## 1 1 MARIO VAL… 32 MASCU… 09/03/… 3 RENUNC… 2021-11-27 DISEÑO
## 2 2 ISABEL BA… 36 FEMEN… 09/11/… 1 RENUNC… 2022-01-08 AYUDA…
## 3 3 MARIA ELI… 24 FEMEN… 10/11/… 1 RENUNC… 2022-01-08 AYUDA…
## 4 4 ALONDRA A… 21 FEMEN… 10/11/… 1 RENUNC… 2022-01-08 AYUDA…
## 5 5 ERIKA ROS… 30 FEMEN… 18/11/… 1 RENUNC… 2022-01-08 AYUDA…
## 6 6 GUADALUPE… 46 FEMEN… 02/12/… 1 BAJA P… 2022-01-08 AYUDA…
## 7 7 YOANA CRI… 29 FEMEN… 02/12/… 1 BAJA P… 2022-01-08 AYUDA…
## 8 8 CESAR ANT… 31 MASCU… 08/12/… 1 BAJA P… 2022-01-08 AYUDA…
## 9 9 ROBERTO S… 50 MASCU… 21/12/… 1 BAJA P… 2022-01-08 AYUDA…
## 10 10 JAIME DAN… 19 MASCU… 31/05/… 1 RENUNC… 2022-01-10 AYUDA…
## # … with 228 more rows, 1 more variable: salario_diario <dbl>, and abbreviated
## # variable names ¹nombre_completo, ²fecha_alta, ³antiguedad, ⁴motivo_bajabajas$baja[is.na(bajas$baja)]<-mean(bajas$baja, na.rm = TRUE)
summary (bajas)## no_empleado nombre_completo edad genero
## Min. : 1.00 Length:238 Min. :19.00 Length:238
## 1st Qu.: 60.25 Class :character 1st Qu.:23.00 Class :character
## Median :119.50 Mode :character Median :29.00 Mode :character
## Mean :119.50 Mean :31.06
## 3rd Qu.:178.75 3rd Qu.:37.00
## Max. :238.00 Max. :61.00
## fecha_alta antiguedad motivo_baja baja
## Length:238 Min. :0.000 Length:238 Min. :2021-11-27
## Class :character 1st Qu.:0.000 Class :character 1st Qu.:2022-03-01
## Mode :character Median :0.000 Mode :character Median :2022-04-29
## Mean :0.605 Mean :2022-04-29
## 3rd Qu.:1.000 3rd Qu.:2022-06-27
## Max. :6.000 Max. :2022-08-25
## puesto salario_diario
## Length:238 Min. :144.4
## Class :character 1st Qu.:180.7
## Mode :character Median :180.7
## Mean :178.0
## 3rd Qu.:180.7
## Max. :500.0Análisis Exploratorio de las Bases de Datos- RH Bajas
Media
media_edad1 <- mean(bajas$edad)
media_edad1## [1] 31.05882media_antiguedad1 <- mean(bajas$antiguedad)
media_antiguedad1## [1] 0.605042media_salario1 <- mean(bajas$salario_diario)
media_salario1## [1] 177.9855Mediana
mediana_edad1 <- median(bajas$edad)
mediana_edad1## [1] 29mediana_antiguedad1 <- median(bajas$antiguedad)
mediana_antiguedad1## [1] 0mediana_salario1 <- median(bajas$salario_diario)
mediana_salario1## [1] 180.68Moda
mode <- function(x) {
ux <- unique(x)
ux[which.max(tabulate(match(x, ux)))]
}
moda_edad1 <- mode(bajas$edad)
moda_edad1## [1] 22moda_antiguedad1 <- mode(bajas$antiguedad)
moda_antiguedad1## [1] 0moda_salario1 <- mode(bajas$salario_diario)
moda_salario1 ## [1] 180.68Varianza
varianza_edad1 <-var(bajas$edad)
varianza_edad1## [1] 91.49863varianza_antiguedad1 <-var(bajas$antiguedad)
varianza_antiguedad1## [1] 0.6703542varianza_salario1 <-var(bajas$salario_diario)
varianza_salario1## [1] 536.4858Desviación Estándar
desviacion_edad1 <- sqrt(varianza_edad1)
desviacion_edad1## [1] 9.565492desviacion_antiguedad1 <- sqrt(varianza_antiguedad1)
desviacion_antiguedad1## [1] 0.8187516desviacion_salario1 <- sqrt(varianza_salario1)
desviacion_salario1## [1] 23.16216Tabla
Variable1 <-c("Edad","Antiguedad","Salario Diario")
Promedio1 <-c("31.05","0.6","177.985")
Moda1 <-c("22","0","180.68")
Mediana1 <-c("29","0","180.68")
Varianza1 <-c("90.732","0.6677","531.996")
Desviación_Estándar1 <-c ("9.525","0.817","23.065")
tabla1 <-data.frame (Variable1,Promedio1, Moda1, Mediana1, Varianza1, Desviación_Estándar1)
tabla1## Variable1 Promedio1 Moda1 Mediana1 Varianza1 Desviación_Estándar1
## 1 Edad 31.05 22 29 90.732 9.525
## 2 Antiguedad 0.6 0 0 0.6677 0.817
## 3 Salario Diario 177.985 180.68 180.68 531.996 23.065knitr::kable(tabla1)| Variable1 | Promedio1 | Moda1 | Mediana1 | Varianza1 | Desviación_Estándar1 |
|---|---|---|---|---|---|
| Edad | 31.05 | 22 | 29 | 90.732 | 9.525 |
| Antiguedad | 0.6 | 0 | 0 | 0.6677 | 0.817 |
| Salario Diario | 177.985 | 180.68 | 180.68 | 531.996 | 23.065 |
Produccion de carton
Importar las bases de datos
#file.choose()
bd4 <- read.csv("/Users/emilioolvera/Downloads/EMI_CARTON.csv")
library(janitor)
produccion <- clean_names(bd4)
summary(produccion)## fecha cliente id_form producto
## Length:3988 Length:3988 Length:3988 Length:3988
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## piezas_prog tmo_min hr_fin estacion_arranque
## Length:3988 Length:3988 Length:3988 Length:3988
## 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 Length:3988 Length:3988 Length:3988
## 1st Qu.: 0 Class :character Class :character Class :character
## Median : 51 Mode :character Mode :character Mode :character
## Mean : 102
## 3rd Qu.: 184
## Max. :1263
##
## fin_de_proceso tiempo_calidad tiempo_materiales
## Length:3988 Length:3988 Min. : 0.000
## Class :character Class :character 1st Qu.: 0.000
## Mode :character Mode :character Median : 0.000
## Mean : 3.187
## 3rd Qu.: 1.000
## Max. :60.000
## NA's :3491produccion <- subset(produccion,select = -c (id_form, producto, hr_fin, inicio_sep_up, fin_inicio_de_sep_up, inicio_de_proceso, fin_de_proceso, tiempo_materiales))
summary(produccion)## fecha cliente piezas_prog tmo_min
## Length:3988 Length:3988 Length:3988 Length:3988
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## estacion_arranque laminas_procesadas tiempo_calidad
## Length:3988 Min. : 0 Length:3988
## Class :character 1st Qu.: 0 Class :character
## Mode :character Median : 51 Mode :character
## Mean : 102
## 3rd Qu.: 184
## Max. :1263library(data.table)
library(dplyr)
library(plyr)
library(ggplot2)
library(naniar)
library(Hmisc)
library(psych)
library(tidyverse)
library(knitr)
# install.packages("pollster")
library(pollster)
library(epiDisplay)
library(descr)
library(tidyr)Técnica 1.Convertir a caracter a numerico y de fecha
produccion$piezas_prog<-as.numeric(produccion$piezas_prog) ## Warning: NAs introduced by coercionproduccion$tmo_min<-as.numeric(produccion$tmo_min) ## Warning: NAs introduced by coercionproduccion$laminas_procesadas<-as.numeric(produccion$laminas_procesadas)
produccion$tiempo_calidad<-as.numeric(produccion$tiempo_calidad) ## Warning: NAs introduced by coercionproduccion$fecha <- as.Date(produccion$fecha, format = "%d/%m/%Y")
summary(produccion)## fecha cliente piezas_prog tmo_min
## Min. :2022-07-15 Length:3988 Min. : 1.0 Min. : 0.00
## 1st Qu.:2022-08-03 Class :character 1st Qu.: 100.0 1st Qu.: 15.00
## Median :2022-08-20 Mode :character Median : 153.5 Median : 20.00
## Mean :2022-08-19 Mean : 180.3 Mean : 22.37
## 3rd Qu.:2022-09-06 3rd Qu.: 200.0 3rd Qu.: 25.00
## Max. :2022-09-21 Max. :2000.0 Max. :150.00
## NA's :180 NA's :824
## estacion_arranque laminas_procesadas tiempo_calidad
## Length:3988 Min. : 0 Min. : 0.0000
## Class :character 1st Qu.: 0 1st Qu.: 0.0000
## Mode :character Median : 51 Median : 1.0000
## Mean : 102 Mean : 0.8631
## 3rd Qu.: 184 3rd Qu.: 1.0000
## Max. :1263 Max. :22.0000
## NA's :346Al aplicar esta tecnica se introducieron NAs a la base de datos las cuales luego borre
Técnica 2.Borrar las letras de algunos registros de “Pieza_Prog”.
produccion$piezas_prog <- str_replace(produccion$piezas_prog, "[aeiouLAM=NbBsS]", "")
produccion$piezas_prog <- as.integer(produccion$laminas_procesadas)Técnica 3.Reemplazar por la mediana los NA´s de tmo_min y de tiempo_calidad
produccion$tmo_min[is.na(produccion$tmo_min)]<-median(produccion$tmo_min, na.rm = TRUE)
produccion$tiempo_calidad[is.na(produccion$tiempo_calidad)]<-median(produccion$tiempo_calidad, na.rm = TRUE)
summary(produccion)## fecha cliente piezas_prog tmo_min
## Min. :2022-07-15 Length:3988 Min. : 0 Min. : 0.00
## 1st Qu.:2022-08-03 Class :character 1st Qu.: 0 1st Qu.: 15.00
## Median :2022-08-20 Mode :character Median : 51 Median : 20.00
## Mean :2022-08-19 Mean : 102 Mean : 21.88
## 3rd Qu.:2022-09-06 3rd Qu.: 184 3rd Qu.: 25.00
## Max. :2022-09-21 Max. :1263 Max. :150.00
## estacion_arranque laminas_procesadas tiempo_calidad
## Length:3988 Min. : 0 Min. : 0.000
## Class :character 1st Qu.: 0 1st Qu.: 1.000
## Mode :character Median : 51 Median : 1.000
## Mean : 102 Mean : 0.875
## 3rd Qu.: 184 3rd Qu.: 1.000
## Max. :1263 Max. :22.000Análisis Exploratorio de las Bases de Datos- Produccion de carton
Media
media_piezas_prog<- mean(produccion$piezas_prog)
media_piezas_prog## [1] 102.0105media_tmo_min<- mean(produccion$tmo_min)
media_tmo_min ## [1] 21.88064media_laminas_procesadas <- mean(produccion$laminas_procesadas)
media_laminas_procesadas## [1] 102.0105media_tiempo_calidad<- mean(produccion$tiempo_calidad)
media_tiempo_calidad## [1] 0.8749749Mediana
median_piezas_prog<- median(produccion$piezas_prog)
median_piezas_prog## [1] 51median_tmo_min<- median(produccion$tmo_min)
median_tmo_min ## [1] 20median_laminas_procesadas <- median(produccion$laminas_procesadas)
media_laminas_procesadas## [1] 102.0105median_tiempo_calidad<- median(produccion$tiempo_calidad)
median_tiempo_calidad## [1] 1Moda
mode <- function(x) {
ux <- unique(x)
ux[which.max(tabulate(match(x, ux)))]
}
moda_piezas_prog <- mode(produccion$piezas_prog)
moda_piezas_prog## [1] 0moda_tmo_min <- mode(produccion$tmo_min)
moda_tmo_min## [1] 20moda_laminas_procesadas<- mode(produccion$laminas_procesadas)
moda_laminas_procesadas## [1] 0moda_tiempo_calidad <- mode(produccion$tiempo_calidad)
moda_tiempo_calidad## [1] 1Varianza
varianza_piezas_prog <-var(produccion$piezas_prog)
varianza_piezas_prog## [1] 18056.03varianza_tmo_min <-var(produccion$tmo_min)
varianza_tmo_min## [1] 143.2895varianza_laminas_procesadas<-var(produccion$laminas_procesadas)
varianza_laminas_procesadas## [1] 18056.03varianza_tiempo_calidad <-var(produccion$tiempo_calidad)
varianza_tiempo_calidad## [1] 0.9834017Desviación Estándar
desviacion_piezas_prog<- sqrt(varianza_piezas_prog)
desviacion_piezas_prog## [1] 134.3727desviacion_tmo_min <- sqrt(varianza_tmo_min)
desviacion_tmo_min## [1] 11.97036desviacion_laminas_procesadas <- sqrt(varianza_laminas_procesadas)
desviacion_laminas_procesadas## [1] 134.3727desviacion_tiempo_calidad <- sqrt(varianza_tiempo_calidad)
desviacion_tiempo_calidad## [1] 0.9916661Tabla
Variable2 <-c("piezas_prog","tmo_min ", "laminas_procesadas", "tiempo_calidad")
Promedio2 <-c("102.01", "21.88","102.01", "0.8749")
Moda2 <-c("0", "20","0", "1")
Mediana2 <-c("51","20","102.0105", "1")
Varianza2 <-c("18056.03","143.2895","18056.03", "0.9834017")
Desviación_Estándar2 <-c ("134.3727","11.97036","134.3727", "0.9916661")
tabla2 <-data.frame(Variable2,Promedio2, Moda2, Mediana2, Varianza2, Desviación_Estándar2)
tabla2## Variable2 Promedio2 Moda2 Mediana2 Varianza2 Desviación_Estándar2
## 1 piezas_prog 102.01 0 51 18056.03 134.3727
## 2 tmo_min 21.88 20 20 143.2895 11.97036
## 3 laminas_procesadas 102.01 0 102.0105 18056.03 134.3727
## 4 tiempo_calidad 0.8749 1 1 0.9834017 0.9916661knitr::kable(tabla2)| Variable2 | Promedio2 | Moda2 | Mediana2 | Varianza2 | Desviación_Estándar2 |
|---|---|---|---|---|---|
| piezas_prog | 102.01 | 0 | 51 | 18056.03 | 134.3727 |
| tmo_min | 21.88 | 20 | 20 | 143.2895 | 11.97036 |
| laminas_procesadas | 102.01 | 0 | 102.0105 | 18056.03 | 134.3727 |
| tiempo_calidad | 0.8749 | 1 | 1 | 0.9834017 | 0.9916661 |
Tabla de frecuencia para merma - La tabla de frecuencia se hizo de los Kilos y esta me sirvio para ver que nunca tienen el mismo monto de merma
table(merma1$Mes, merma1$Kilos)##
## 790 810 1040 2130 2480 2680 2830 2950 2980 2990 3050 3140 3290
## ABRIL 0 0 0 0 0 0 0 1 0 0 0 0 0
## AGOSTO 1 1 1 0 1 0 0 0 0 0 0 2 0
## ENERO 0 0 0 0 0 1 0 0 0 1 0 0 0
## FEBRERO 0 0 0 0 0 0 0 0 0 0 0 0 0
## JULIO 0 0 0 1 0 0 0 0 0 0 0 0 0
## JUNIO 0 0 0 0 0 0 0 0 0 0 0 0 0
## MARZO 0 0 0 0 0 0 0 0 1 0 0 0 1
## MAYO 0 0 0 0 0 0 0 0 0 0 0 0 0
## SEPTIEMBRE 0 0 0 0 0 0 1 0 0 0 1 0 0
##
## 3410 3590 3650 3680 3690 3739 3780 3810 3870 3920 3930 3940 3960
## ABRIL 0 0 0 0 1 0 0 0 0 0 0 1 0
## AGOSTO 0 0 0 0 0 0 1 0 0 0 0 0 0
## ENERO 0 0 0 0 0 0 0 1 0 0 0 0 0
## FEBRERO 1 1 1 0 0 0 0 0 1 0 1 0 0
## JULIO 0 0 0 0 0 0 0 0 0 1 0 0 1
## JUNIO 0 0 0 0 0 0 0 0 0 0 0 0 0
## MARZO 0 0 0 0 0 0 0 1 0 0 0 0 0
## MAYO 0 0 0 1 0 0 0 0 0 0 0 0 0
## SEPTIEMBRE 0 0 0 0 0 1 0 0 0 0 0 0 0
##
## 3967 4000 4050 4130 4190 4200 4210 4240 4260 4270 4310 4330 4380
## ABRIL 0 0 1 0 1 0 0 0 0 0 0 0 0
## AGOSTO 0 0 0 0 0 1 1 1 0 1 0 0 0
## ENERO 0 0 0 0 0 0 0 0 0 0 0 0 0
## FEBRERO 0 0 0 0 0 0 0 0 0 0 0 0 1
## JULIO 0 0 0 1 0 0 0 0 0 0 0 0 0
## JUNIO 0 0 0 0 0 0 0 0 1 0 0 1 0
## MARZO 0 1 0 0 1 1 0 0 0 0 0 0 0
## MAYO 0 0 0 0 0 0 0 0 0 0 1 0 0
## SEPTIEMBRE 1 0 0 0 0 0 0 0 0 0 0 0 0
##
## 4510 4680 4770 5010 5080 5230 6140
## ABRIL 0 0 0 0 0 0 0
## AGOSTO 0 0 0 0 0 0 0
## ENERO 0 0 0 0 1 0 0
## FEBRERO 0 0 0 0 0 0 0
## JULIO 0 0 0 0 0 1 0
## JUNIO 0 1 0 1 0 0 0
## MARZO 0 0 0 0 0 0 0
## MAYO 1 0 1 0 0 0 1
## SEPTIEMBRE 0 0 0 0 0 0 0prop.table(table(merma1$Mes, merma1$Kilos))##
## 790 810 1040 2130 2480 2680 2830 2950 2980 2990 3050 3140 3290
## ABRIL 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.02 0.00 0.00 0.00 0.00 0.00
## AGOSTO 0.02 0.02 0.02 0.00 0.02 0.00 0.00 0.00 0.00 0.00 0.00 0.04 0.00
## ENERO 0.00 0.00 0.00 0.00 0.00 0.02 0.00 0.00 0.00 0.02 0.00 0.00 0.00
## FEBRERO 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
## JULIO 0.00 0.00 0.00 0.02 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
## JUNIO 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
## MARZO 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.02 0.00 0.00 0.00 0.02
## MAYO 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
## SEPTIEMBRE 0.00 0.00 0.00 0.00 0.00 0.00 0.02 0.00 0.00 0.00 0.02 0.00 0.00
##
## 3410 3590 3650 3680 3690 3739 3780 3810 3870 3920 3930 3940 3960
## ABRIL 0.00 0.00 0.00 0.00 0.02 0.00 0.00 0.00 0.00 0.00 0.00 0.02 0.00
## AGOSTO 0.00 0.00 0.00 0.00 0.00 0.00 0.02 0.00 0.00 0.00 0.00 0.00 0.00
## ENERO 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.02 0.00 0.00 0.00 0.00 0.00
## FEBRERO 0.02 0.02 0.02 0.00 0.00 0.00 0.00 0.00 0.02 0.00 0.02 0.00 0.00
## JULIO 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.02 0.00 0.00 0.02
## JUNIO 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
## MARZO 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.02 0.00 0.00 0.00 0.00 0.00
## MAYO 0.00 0.00 0.00 0.02 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
## SEPTIEMBRE 0.00 0.00 0.00 0.00 0.00 0.02 0.00 0.00 0.00 0.00 0.00 0.00 0.00
##
## 3967 4000 4050 4130 4190 4200 4210 4240 4260 4270 4310 4330 4380
## ABRIL 0.00 0.00 0.02 0.00 0.02 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
## AGOSTO 0.00 0.00 0.00 0.00 0.00 0.02 0.02 0.02 0.00 0.02 0.00 0.00 0.00
## ENERO 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
## FEBRERO 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.02
## JULIO 0.00 0.00 0.00 0.02 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
## JUNIO 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.02 0.00 0.00 0.02 0.00
## MARZO 0.00 0.02 0.00 0.00 0.02 0.02 0.00 0.00 0.00 0.00 0.00 0.00 0.00
## MAYO 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.02 0.00 0.00
## SEPTIEMBRE 0.02 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
##
## 4510 4680 4770 5010 5080 5230 6140
## ABRIL 0.00 0.00 0.00 0.00 0.00 0.00 0.00
## AGOSTO 0.00 0.00 0.00 0.00 0.00 0.00 0.00
## ENERO 0.00 0.00 0.00 0.00 0.02 0.00 0.00
## FEBRERO 0.00 0.00 0.00 0.00 0.00 0.00 0.00
## JULIO 0.00 0.00 0.00 0.00 0.00 0.02 0.00
## JUNIO 0.00 0.02 0.00 0.02 0.00 0.00 0.00
## MARZO 0.00 0.00 0.00 0.00 0.00 0.00 0.00
## MAYO 0.02 0.00 0.02 0.00 0.00 0.00 0.02
## SEPTIEMBRE 0.00 0.00 0.00 0.00 0.00 0.00 0.00Tabla de frecuencia de Scrap - La tabla de frecuencia de scrap se hizo de cantidad y esta me sirvio para ver como varia la cantidad de scrap la cual se ve reflejada yendo a varias ubicaciones la cual es 1
frec_scrap<-scrap1 %>% group_by(Cantidad) %>% tally()
frec_scrap## # A tibble: 33 × 2
## Cantidad n
## <dbl> <int>
## 1 0 1
## 2 1 76
## 3 2 59
## 4 2.5 2
## 5 3 14
## 6 4 18
## 7 5 4
## 8 6 11
## 9 7 4
## 10 8 10
## # … with 23 more rowsTabla de frecuencia de Produccion - La tabla de frecuencia de produccion se hizo de piezas, esta me sirvio para ver como es que las piezas de produccion se van vendiendo
FREC_PROD<-bd4 %>% group_by(PIEZAS.PROG.) %>% tally()
FREC_PROD## # A tibble: 301 × 2
## PIEZAS.PROG. n
## <chr> <int>
## 1 "" 1
## 2 "1" 6
## 3 "10" 57
## 4 "100" 670
## 5 "1000" 12
## 6 "100ca" 17
## 7 "100ce" 1
## 8 "100cel" 2
## 9 "100ra" 2
## 10 "100sie" 1
## # … with 291 more rowsGrafica de dispersion para merma - En esta grafica podemos apreciar los datos de lo que son los kilos que tienen de merma por mes en donde se puede ver que en agosto es cuando se tiene el mayor numero de merma
ggplot(data=merma1, mapping = aes(Mes, Kilos)) + geom_point(aes()) + theme_bw()
Gráfica de Dispersión para Scrap -En esta grafica de dispersion se puede apreciar visualmente la cantidad que se produce en cada ubicacion, tal fue de ayuda para ver que en SAB/Pre-Production es la que mas tiene Scrap.
ggplot(data=scrap1, mapping =
aes(Cantidad, Ubicación.de.origen)) +
geom_point(aes()) + theme_bw()
Grafico de barras de los kilos de MERMA que se producen por mes- Visualmente podemos ver que Agosto tiene el mayor numero de merma a comparacion de los otros meses
ggplot(merma1, aes(x=Mes, y=Kilos)) +
geom_bar(stat="identity", fill="yellow") + scale_fill_grey() +
labs(title = "Grafica de Barras de los kilos de merma que hay por mes.",
x = "Mes", y = "Kilos")
Grafico de barras de SCRAP de la cantidad de las piezas por la ubicación - En esta grafica de barras es visualmente claro que como se menciono anteriormente, el area de pre-production es la que mas scrap lleva.
ggplot(scrap2, aes(x=Ubicación.de.origen, y=Cantidad)) +
geom_bar(stat="identity", fill="BLUE") + scale_fill_grey() +
labs(title = "Grafico de barras de las unidades de Scrap por ubicacion de origen",
x = "Unidades", y = "Ubicación")
Plot de dispersion - Produccion carton- Este gráfico muestra que FORM no experimenta retrasos de horas con sus clientes Magna y Varroc, pero Mahle e Printel han tenido retrasos significativos, principalmente en el primer trimestre de 2022.
ggplot(performance,aes(x=fecha))+
geom_line(aes(y=printel),color="blue")+
geom_line(aes(y=mahle),color="orange")+
geom_line(aes(y=magna),color="green")+
geom_line(aes(y=varroc),color="green")+
labs(x="Fecha",y="Retraso en horas", color="Legend")+
ggtitle("Retrasos de entrega por cliente")
Dispersion plot - Los números de unidades vendidas cada mes se muestran en un gráfico para los años 2021 y 2022. Se puede ver que aumentaron en junio de 2021, disminuyeron en los meses siguientes y luego aumentaron nuevamente en los meses de 2022. Esta información se puede utilizar para identificar patrones en los datos y determinar qué meses reciben la mayor demanda
ggplot(bd2, aes(x = bd2$Mes, y = bd2$Unidades)) +
geom_point(shape=19, size=3) +
labs(title = "Relación entre Unidades y Meses",caption ="FORM Merma",x="Mes", y="Unidades") +
theme_classic()
Histograma colaboradores - Con estas gràfica podemos observar que los colaboradores actuales en promedio tienen entre 20-40 años.
hist(colaboradores$edad, freq=TRUE, col="purple", main="Edad en años de los Colaboradores actuales")
Grafico cualitativo - Con esta gràfica podemos observar que el motivo màs comùn de baja de los colaboradores han sido por despidos por faltas con un 59% y por renuncia voluntaria por un 37%.
table(bajas$motivo_baja)##
## ABANDONO BAJA POR FALTAS JUBILACION RENUNCIA VOLUNTARIA
## 1 141 1 87
## TERMINO DE CONTRATO
## 8proporciones <- c(1, 141, 1, 87, 8)
etiquetas <- c("Abandono", "Baja por Faltas", "Jubilaciòn", "Renuncia Voluntaria", "Termino de Contrato")
pct <- round(proporciones/sum(proporciones)*100)
etiquetas <- paste(etiquetas, pct)
etiquetas <- paste(etiquetas,"%",sep="")
pie(proporciones,labels = etiquetas,
col=rainbow(length(etiquetas)),
main="Motivo de bajas de los Colaboradores")
Bar plot - Con este gràfico podemos observar que los que estan casados y solteros suelen ganar màs de los que estan divorciados y en uniòn libre. Ademàs, los hombres casados y las mujeres solteras son los que ganan màs.
ggplot(colaboradores, aes(x=genero, y=salario_diario, fill=genero)) +
geom_bar(stat="identity") +
facet_grid(~estado_civil) + scale_fill_brewer(palette = "Set2")
Pronóstico del Desempeño de la Industria Automotriz y la empresa FORM
Descripción de variables
Año - Año en el que se efectúo la exportación o venta.
Mes - Mes correspondiente al año en el que se efectúo la exportación o venta.
Venta (variable dependiente) - Venta en México de vehículos ligeros en unidades.
Exportación (variable dependiente) - Exportación en México de vehículos ligeros en unidades.
Tipo de cambio (variable independiente) - Registros historicos del dolar en México.
Inflación (variable independiente)- Inflación durante los años definidos.
porcentaje_ocu (variable independiente) - Porcentaje de la población ocupada.
porcentaje_desocu (variable independiente) - Porcentaje de la población desocupada.
conf_consumidor (variable independiente) - Confianza del consumidor en la industria automotriz en México.
Importar bases de datos
#file.choose
bd_prediccion <- read.csv("/Users/emilioolvera/Downloads/encoded-bd_prediccion.csv")
vehiculos_circulacion <-read.csv("/Users/emilioolvera/Downloads/encoded-vehiculos_en_circulacion (2).csv")
eua <- read.csv("/Users/emilioolvera/Downloads/car_production.csv")
produccion <- read.csv("/Users/emilioolvera/Downloads/bd_produccion_limpia.csv")Instalar paquetes y llamar librerías
#install.packages("tseries")
library(tseries)
#install.packages("forecast")
library(forecast)
#install.packages("astsa")
library(astsa)
#install.packages("dplyr")
library(dplyr)
#install.packages("jtools")
library(jtools)
#install.packages("lmtest")
library(lmtest)
#install.packages("car")
library(car)
#install.packages("olsrr")
library(olsrr)
#install.packages("corrplot")
library(corrplot)
library(ggfortify) # data visualization tools for statistical analysis results
library(ggalluvial) # used to visualize frequency tables involving several categorical variables
library(forecast)
library(tseries)
str(eua)## 'data.frame': 28 obs. of 5 variables:
## $ year : int 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 ...
## $ us_car_production : int 6601200 6326100 6035200 5878300 5492300 5577500 5471000 4808100 4957380 4453370 ...
## $ people_unemployed : int 8000000 7400000 7240000 6740000 6210000 5880000 5690000 6800000 8380000 8770000 ...
## $ imports_value : num 6.63e+14 7.44e+14 7.95e+14 8.70e+14 9.12e+14 ...
## $ retail_price_gasoline: num 1.08 1.11 1.2 1.2 1.03 1.14 1.48 1.42 1.35 1.56 ...corrplot(cor(eua),type='upper',order='hclust',addCoef.col='black') 
model1eua<-lm(us_car_production~people_unemployed+retail_price_gasoline+imports_value,data=eua)
summary(model1eua)##
## Call:
## lm(formula = us_car_production ~ people_unemployed + retail_price_gasoline +
## imports_value, data = eua)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1359520 -352691 -111282 344515 1063427
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 8.275e+06 4.454e+05 18.580 9.46e-16 ***
## people_unemployed -2.132e-01 5.306e-02 -4.018 0.000504 ***
## retail_price_gasoline 1.030e+06 3.207e+05 3.211 0.003741 **
## imports_value -2.627e-09 3.765e-10 -6.978 3.24e-07 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 595000 on 24 degrees of freedom
## Multiple R-squared: 0.827, Adjusted R-squared: 0.8053
## F-statistic: 38.23 on 3 and 24 DF, p-value: 2.66e-09summary(model1eua<-arma(eua$us_car_production,order=c(0,1)))## Warning in arma(eua$us_car_production, order = c(0, 1)): Hessian negative-
## semidefinite## Warning in sqrt(diag(object$vcov)): NaNs produced
## Warning in sqrt(diag(object$vcov)): NaNs produced##
## Call:
## arma(x = eua$us_car_production, order = c(0, 1))
##
## Model:
## ARMA(0,1)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1828929 -510897 -93835 407588 2190313
##
## Coefficient(s):
## Estimate Std. Error t value Pr(>|t|)
## ma1 6.699e-01 1.051e-01 6.373 1.85e-10 ***
## intercept 4.136e+06 NaN NaN NaN
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Fit:
## sigma^2 estimated as 8.49e+11, Conditional Sum-of-Squares = 2.218446e+13, AIC = 852.55model1eua_forecast<-forecast(model1eua$fitted,h=3,level=c(95))## Warning in ets(object, lambda = lambda, biasadj = biasadj,
## allow.multiplicative.trend = allow.multiplicative.trend, : Missing values
## encountered. Using longest contiguous portion of time seriesmodel1eua_forecast## Point Forecast Lo 95 Hi 95
## 29 3446234 2727793 4164676
## 30 3393265 2685866 4100664
## 31 3340296 2643939 4036652
Automotive Industry Mexico and FORM Performance Forecast
Desempeño de la industria automotriz para los siguientes 3 periodos de tiempo
Vehículos de motor registrados en circulación
Entender la base de datos
summary(vehiculos_circulacion)## Año Total Automóviles
## Length:47 Min. : 4010430 Min. : 3950042
## Class :character 1st Qu.: 6748523 1st Qu.: 6654340
## Mode :character Median :11002046 Median :10764080
## Mean :14899354 Mean :14673142
## 3rd Qu.:22392796 3rd Qu.:22068938
## Max. :35913468 Max. :35460804
## NA's :5 NA's :5
## Camiones.para.pasajeros Camiones.y.camionetas.para.carga Motocicletas
## Min. : 60388 Min. : 1470816 Min. : 128960
## 1st Qu.: 90931 1st Qu.: 3046906 1st Qu.: 248248
## Median :233490 Median : 5166812 Median : 295262
## Mean :226212 Mean : 5920971 Mean :1156467
## 3rd Qu.:336420 3rd Qu.: 9199181 3rd Qu.:1284405
## Max. :461089 Max. :11262666 Max. :5939262
## NA's :5 NA's :5 NA's :5
## X X.1
## Mode:logical Mode:logical
## NA's:47 NA's:47
##
##
##
##
## str(vehiculos_circulacion)## 'data.frame': 47 obs. of 8 variables:
## $ Año : chr "1980" "1981" "1982" "1983" ...
## $ Total : int 4010430 4406336 4686130 4797562 5047043 5360870 5286295 5420592 5682964 6093682 ...
## $ Automóviles : int 3950042 4341363 4616897 4726236 4970526 5281842 5202922 5336228 5597735 6003532 ...
## $ Camiones.para.pasajeros : int 60388 64973 69233 71326 76517 79028 83373 84364 85229 90150 ...
## $ Camiones.y.camionetas.para.carga: int 1470816 1636899 1751799 1893206 2009875 2114395 2213025 2292078 2424025 2691551 ...
## $ Motocicletas : int 277084 296601 257235 250484 248148 250358 232692 221059 217898 223815 ...
## $ X : logi NA NA NA NA NA NA ...
## $ X.1 : logi NA NA NA NA NA NA ...Limpieza de datos
Eliminar variables (Camiones.y.camionetas.para.carga, Motocicletas, X y X.1)
vehiculos_circulacion1 <- subset(vehiculos_circulacion, select = -c (Camiones.y.camionetas.para.carga, Motocicletas, X, X.1))
vehiculos_circulacion1## Año
## 1 1980
## 2 1981
## 3 1982
## 4 1983
## 5 1984
## 6 1985
## 7 1986
## 8 1987
## 9 1988
## 10 1989
## 11 1990
## 12 1991
## 13 1992
## 14 1993
## 15 1994
## 16 1995
## 17 1996
## 18 1997
## 19 1998
## 20 1999
## 21 2000
## 22 2001
## 23 2002
## 24 2003
## 25 2004
## 26 2005
## 27 2006
## 28 2007
## 29 2008
## 30 2009
## 31 2010
## 32 2011
## 33 2012
## 34 2013
## 35 2014
## 36 2015
## 37 2016
## 38 2017
## 39 2018
## 40 2019
## 41 2020
## 42 2021
## 43
## 44
## 45
## 46 FUENTE: INEGI. Estadísticas de vehículos de motor registrados en circulación.
## 47
## Total Automóviles Camiones.para.pasajeros
## 1 4010430 3950042 60388
## 2 4406336 4341363 64973
## 3 4686130 4616897 69233
## 4 4797562 4726236 71326
## 5 5047043 4970526 76517
## 6 5360870 5281842 79028
## 7 5286295 5202922 83373
## 8 5420592 5336228 84364
## 9 5682964 5597735 85229
## 10 6093682 6003532 90150
## 11 6648825 6555550 93275
## 12 7047618 6950708 96910
## 13 7494357 7399178 95179
## 14 7801892 7715951 85941
## 15 7332309 7217732 114577
## 16 7590001 7469504 120497
## 17 7927797 7830864 96933
## 18 8528440 8402995 125445
## 19 9262652 9086209 176443
## 20 9783153 9582796 200357
## 21 10378575 10176179 202396
## 22 11625518 11351982 273536
## 23 12554275 12254910 299365
## 24 13050150 12742049 308101
## 25 13652596 13388011 264585
## 26 14569197 14300380 268817
## 27 16722002 16411813 310189
## 28 18018701 17696623 322078
## 29 19754229 19420942 333287
## 30 20856689 20519224 337465
## 31 21465511 21152773 312738
## 32 22701891 22374326 327565
## 33 23908143 23569623 338520
## 34 25167066 24819922 347144
## 35 25891628 25543908 347720
## 36 27265446 26907994 357452
## 37 29032067 28664295 367772
## 38 31359162 30958042 401120
## 39 32733646 32290067 443579
## 40 34057197 33603591 453606
## 41 34886784 34425695 461089
## 42 35913468 35460804 452664
## 43 NA NA NA
## 44 NA NA NA
## 45 NA NA NA
## 46 NA NA NA
## 47 NA NA NADebido a que el mercado principal de FORM no son los camiones, camionetas de carga o motocicletas, así como a que los datos de estas variables no son significativos para el pronóstico debido a que sus valores son muy pequeños en comparación con las otras variables, su se eliminan los datos. De manera similar, las variables X y X.1 también se eliminan porque carecen de información pertinente.
Eliminar renglones irrelevantes
vehiculos_circulacion2 <- vehiculos_circulacion1[-c(43,44,45,46,47),]
vehiculos_circulacion2## Año Total Automóviles Camiones.para.pasajeros
## 1 1980 4010430 3950042 60388
## 2 1981 4406336 4341363 64973
## 3 1982 4686130 4616897 69233
## 4 1983 4797562 4726236 71326
## 5 1984 5047043 4970526 76517
## 6 1985 5360870 5281842 79028
## 7 1986 5286295 5202922 83373
## 8 1987 5420592 5336228 84364
## 9 1988 5682964 5597735 85229
## 10 1989 6093682 6003532 90150
## 11 1990 6648825 6555550 93275
## 12 1991 7047618 6950708 96910
## 13 1992 7494357 7399178 95179
## 14 1993 7801892 7715951 85941
## 15 1994 7332309 7217732 114577
## 16 1995 7590001 7469504 120497
## 17 1996 7927797 7830864 96933
## 18 1997 8528440 8402995 125445
## 19 1998 9262652 9086209 176443
## 20 1999 9783153 9582796 200357
## 21 2000 10378575 10176179 202396
## 22 2001 11625518 11351982 273536
## 23 2002 12554275 12254910 299365
## 24 2003 13050150 12742049 308101
## 25 2004 13652596 13388011 264585
## 26 2005 14569197 14300380 268817
## 27 2006 16722002 16411813 310189
## 28 2007 18018701 17696623 322078
## 29 2008 19754229 19420942 333287
## 30 2009 20856689 20519224 337465
## 31 2010 21465511 21152773 312738
## 32 2011 22701891 22374326 327565
## 33 2012 23908143 23569623 338520
## 34 2013 25167066 24819922 347144
## 35 2014 25891628 25543908 347720
## 36 2015 27265446 26907994 357452
## 37 2016 29032067 28664295 367772
## 38 2017 31359162 30958042 401120
## 39 2018 32733646 32290067 443579
## 40 2019 34057197 33603591 453606
## 41 2020 34886784 34425695 461089
## 42 2021 35913468 35460804 452664summary(vehiculos_circulacion2)## Año Total Automóviles
## Length:42 Min. : 4010430 Min. : 3950042
## Class :character 1st Qu.: 6748523 1st Qu.: 6654340
## Mode :character Median :11002046 Median :10764080
## Mean :14899354 Mean :14673142
## 3rd Qu.:22392796 3rd Qu.:22068938
## Max. :35913468 Max. :35460804
## Camiones.para.pasajeros
## Min. : 60388
## 1st Qu.: 90931
## Median :233490
## Mean :226212
## 3rd Qu.:336420
## Max. :461089Se eliminan estos renglones, debido a que no tenían contenido, es decir, eran considerados NA´s.
Gráfica
plot(vehiculos_circulacion2$Año,vehiculos_circulacion2$Total, type="l",col="blue", lwd=1.5, xlab ="Año",ylab ="Unidades", main = "Vehiculos de motor en circulación registrados anualmente")
lines(vehiculos_circulacion2$Año,vehiculos_circulacion2$Automóviles,col="red",lty=3)
legend("topleft", legend=c("Total de vehiculos en circulación", "Automóviles en circulación"),
col=c("blue", "red"), lty = 1:2, cex=0.8)
Con la ayuda de este gráfico, es fácil ver cómo se comportan las variables y comparar cuántos automóviles se han producido en general a lo largo de los años, Dado que ambas líneas son bastante similares entre sí y están ubicadas muy cerca una de la otra, se puede inferir que el porcentaje de automóviles en el total es el más grande. Por otro lado, el gráfico muestra una tendencia generalmente creciente y positiva, es decir, cada año se conducen más automóviles.
Forecasting usando el Modelo autoregresivo
autoregressive_model <- arma(vehiculos_circulacion2$Total, order = c(1,0))## Warning in arma(vehiculos_circulacion2$Total, order = c(1, 0)): Hessian
## negative-semidefinitesummary(autoregressive_model <- arma(vehiculos_circulacion2$Total, order = c(1,0)))## Warning in arma(vehiculos_circulacion2$Total, order = c(1, 0)): Hessian
## negative-semidefinite## Warning in sqrt(diag(object$vcov)): NaNs produced
## Warning in sqrt(diag(object$vcov)): NaNs produced##
## Call:
## arma(x = vehiculos_circulacion2$Total, order = c(1, 0))
##
## Model:
## ARMA(1,0)
##
## Residuals:
## Min 1Q Median 3Q Max
## -964598 -203485 -37324 133579 1366807
##
## Coefficient(s):
## Estimate Std. Error t value Pr(>|t|)
## ar1 1.043e+00 3.792e-03 275 <2e-16 ***
## intercept 1.595e+05 NaN NaN NaN
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Fit:
## sigma^2 estimated as 1.852e+11, Conditional Sum-of-Squares = 7.406257e+12, AIC = 1212.86autoregressive_model_forecast<-forecast(autoregressive_model$fitted,h=5,level=c(95))## Warning in ets(object, lambda = lambda, biasadj = biasadj,
## allow.multiplicative.trend = allow.multiplicative.trend, : Missing values
## encountered. Using longest contiguous portion of time seriesautoregressive_model_forecast## Point Forecast Lo 95 Hi 95
## 43 37884281 35240406 40528155
## 44 39222087 34802632 43641541
## 45 40559893 34284299 46835486
## 46 41897698 33625820 50169577
## 47 43235504 32811356 53659653Como se mencionó anteriormente, se observa una tendencia positiva en el modelo autoregresivo del número de vehículos automotores en uso y el pronóstico para los próximos años. Por ejemplo, un nivel de confianza del 95% predice que 37884281 vehículos estarán en uso el próximo año, con rangos entre 35240406 y 40528155. Se pronostican 39 222 087 automóviles para el próximo año y 40 559 893 vehículos para los siguientes tres años.
Gráfica
plot(autoregressive_model_forecast)
Se puede comprender en el plot que la línea negra representa los datos en la base de datos, mientras que la línea azul representa la salida de los datos obtenidos mediante el modelo autorregresivo. Está claro a partir de la línea azul que la tendencia esta ascendiendo. En donde los valores “bajo” y “alto” con un 95% de confianza se muestran sombreados en gris en la línea azul
Forecasting usando Moving Average Model
mam_circulacion <- arma(vehiculos_circulacion2$Total,order = c(1,1))
summary(mam_circulacion <- arma(vehiculos_circulacion2$Total,order = c(1,1)))##
## Call:
## arma(x = vehiculos_circulacion2$Total, order = c(1, 1))
##
## Model:
## ARMA(1,1)
##
## Residuals:
## Min 1Q Median 3Q Max
## -907766 -184323 -41323 113291 1305470
##
## Coefficient(s):
## Estimate Std. Error t value Pr(>|t|)
## ar1 1.042e+00 4.680e-03 222.585 < 2e-16 ***
## ma1 3.442e-01 1.237e-01 2.783 0.00539 **
## intercept 1.767e+05 NaN NaN NaN
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Fit:
## sigma^2 estimated as 1.598e+11, Conditional Sum-of-Squares = 6.391897e+12, AIC = 1208.67mam_circulacion_forecast <- forecast(mam_circulacion$fitted,h=5,level=c(95))
mam_circulacion_forecast## Point Forecast Lo 95 Hi 95
## 43 37635019 34318781 40951258
## 44 38948870 33832084 44065655
## 45 40262720 33315250 47210190
## 46 41576570 32704146 50448994
## 47 42890421 31977035 53803806Podemos determinar que estamos buscando un modelo no estacionario, uno que siempre se está moviendo. Al igual que el modelo autorregresivo, tiene una tendencia positiva, tiene un 95% de confianza. Por otra parte, se pronostica que durante el primer período de tiempo habrá 37.635.019 automóviles en circulación, seguido de 38948870 y 40262720.
Gráfica
plot(mam_circulacion_forecast)
Aquí se puede interpretar gráficamente lo explicado en el punto anterior, y se obseva como la tendencia es positiva.
Desempeño de 1 de las áreas de la empresa FORM para los siguientes 3 periodos de tiempo
Producción FORM
Entender la base de datos
summary(produccion)## fecha cliente piezas_prog tmo_min
## Length:3988 Length:3988 Min. : 0 Min. : 0.00
## Class :character Class :character 1st Qu.: 0 1st Qu.: 15.00
## Mode :character Mode :character Median : 51 Median : 20.00
## Mean : 102 Mean : 21.88
## 3rd Qu.: 184 3rd Qu.: 25.00
## Max. :1263 Max. :150.00
## estacion_arranque laminas_procesadas tiempo_calidad
## Length:3988 Min. : 0 Min. : 0.000
## Class :character 1st Qu.: 0 1st Qu.: 1.000
## Mode :character Median : 51 Median : 1.000
## Mean : 102 Mean : 0.875
## 3rd Qu.: 184 3rd Qu.: 1.000
## Max. :1263 Max. :22.000str(produccion)## 'data.frame': 3988 obs. of 7 variables:
## $ fecha : chr "2022-07-16" "2022-07-22" "2022-07-28" "2022-08-12" ...
## $ cliente : chr "TRMX" "STABILUS 3" "STABILUS 3" "TRMX" ...
## $ piezas_prog : int 3 2 2 1 1 1 0 3 0 0 ...
## $ tmo_min : int 10 10 10 10 10 10 20 10 10 10 ...
## $ estacion_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 1 0 1 0 0 ...Limpieza de datos
Eliminar NA´s
produccion$cliente <- as.factor(produccion$cliente)
str(produccion)## 'data.frame': 3988 obs. of 7 variables:
## $ fecha : chr "2022-07-16" "2022-07-22" "2022-07-28" "2022-08-12" ...
## $ cliente : Factor w/ 13 levels "","DENSO","HANON SYSTEMS",..: 9 7 7 9 9 2 2 4 4 4 ...
## $ piezas_prog : int 3 2 2 1 1 1 0 3 0 0 ...
## $ tmo_min : int 10 10 10 10 10 10 20 10 10 10 ...
## $ estacion_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 1 0 1 0 0 ...summary(produccion)## fecha cliente piezas_prog tmo_min
## Length:3988 STABILUS 1:1343 Min. : 0 Min. : 0.00
## Class :character TRMX : 686 1st Qu.: 0 1st Qu.: 15.00
## Mode :character STABILUS 3: 599 Median : 51 Median : 20.00
## YANFENG : 431 Mean : 102 Mean : 21.88
## DENSO : 400 3rd Qu.: 184 3rd Qu.: 25.00
## (Other) : 528 Max. :1263 Max. :150.00
## NA's : 1
## estacion_arranque laminas_procesadas tiempo_calidad
## Length:3988 Min. : 0 Min. : 0.000
## Class :character 1st Qu.: 0 1st Qu.: 1.000
## Mode :character Median : 51 Median : 1.000
## Mean : 102 Mean : 0.875
## 3rd Qu.: 184 3rd Qu.: 1.000
## Max. :1263 Max. :22.000
## produccion1 <- produccion
produccion1<- produccion1[-c(624),]
summary (produccion1)## fecha cliente piezas_prog tmo_min
## Length:3987 STABILUS 1:1342 Min. : 0 Min. : 0.00
## Class :character TRMX : 686 1st Qu.: 0 1st Qu.: 15.00
## Mode :character STABILUS 3: 599 Median : 51 Median : 20.00
## YANFENG : 431 Mean : 102 Mean : 21.88
## DENSO : 400 3rd Qu.: 184 3rd Qu.: 25.00
## (Other) : 528 Max. :1263 Max. :150.00
## NA's : 1
## estacion_arranque laminas_procesadas tiempo_calidad
## Length:3987 Min. : 0 Min. : 0.0000
## Class :character 1st Qu.: 0 1st Qu.: 1.0000
## Mode :character Median : 51 Median : 1.0000
## Mean : 102 Mean : 0.8749
## 3rd Qu.: 184 3rd Qu.: 1.0000
## Max. :1263 Max. :22.0000
## Dado que se consideró vital mantener estos datos para ilustrar mejor los datos, se eliminaron las NA que no son relevantes, mientras que otras de la base de datos con el término “sin registro” se sustituyeron.
Forecasting usando el Modelo autoregresivo
autoregressive_model_produccion <- arma(produccion1$piezas_prog, order = c(1,0))
summary(autoregressive_model_produccion <- arma(produccion1$piezas_prog, order = c(1,0)))##
## Call:
## arma(x = produccion1$piezas_prog, order = c(1, 0))
##
## Model:
## ARMA(1,0)
##
## Residuals:
## Min 1Q Median 3Q Max
## -646.15 -52.78 -30.12 50.73 1191.22
##
## Coefficient(s):
## Estimate Std. Error t value Pr(>|t|)
## ar1 0.48281 0.01387 34.81 <2e-16 ***
## intercept 52.77607 2.34024 22.55 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Fit:
## sigma^2 estimated as 13852, Conditional Sum-of-Squares = 55201381, AIC = 49339.47autoregressive_model_produccion_forecast<-forecast(autoregressive_model_produccion$fitted,h=5,level=c(95))## Warning in ets(object, lambda = lambda, biasadj = biasadj,
## allow.multiplicative.trend = allow.multiplicative.trend, : Missing values
## encountered. Using longest contiguous portion of time seriesautoregressive_model_produccion_forecast## Point Forecast Lo 95 Hi 95
## 3988 82.5431 3.177020 161.9092
## 3989 82.5431 3.134573 161.9516
## 3990 82.5431 3.092141 161.9941
## 3991 82.5431 3.049722 162.0365
## 3992 82.5431 3.007317 162.0789Dado que ambos coeficientes en este modelo autorregresivo tienen tres asteriscos, son extremadamente importantes para la base de datos. Por otro lado, a la hora de hacer un pronóstico, es bien sabido que se supone que se mantiene igual, es decir, con las mismas piezas programadas, pero se puede observar como mientras “Bajo” disminuye, “Alto” aumenta.
Gráfica
plot(autoregressive_model_produccion_forecast)
Como se puede ver en el plot, no se espera una mejora para este modelo, y se pueden ver los forecast, el low y el high, con 95% de confianza.
Forecasting usando Moving Average Model
mam_produccion <- arma(produccion1$piezas_prog,order = c(1,1))
summary(mam_produccion <- arma(produccion1$piezas_prog,order = c(1,1)))##
## Call:
## arma(x = produccion1$piezas_prog, order = c(1, 1))
##
## Model:
## ARMA(1,1)
##
## Residuals:
## Min 1Q Median 3Q Max
## -792.01 -53.39 -22.47 37.71 1208.96
##
## Coefficient(s):
## Estimate Std. Error t value Pr(>|t|)
## ar1 0.83898 0.02365 35.476 < 2e-16 ***
## ma1 -0.51983 0.04199 -12.381 < 2e-16 ***
## intercept 16.45529 2.56687 6.411 1.45e-10 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Fit:
## sigma^2 estimated as 13435, Conditional Sum-of-Squares = 53537644, AIC = 49219.45mam_produccion_forecast <- forecast(mam_produccion$fitted,h=5,level=c(95))## Warning in ets(object, lambda = lambda, biasadj = biasadj,
## allow.multiplicative.trend = allow.multiplicative.trend, : Missing values
## encountered. Using longest contiguous portion of time seriesmam_produccion_forecast## Point Forecast Lo 95 Hi 95
## 3988 165.7197 90.126377 241.3129
## 3989 165.7197 59.559207 271.8801
## 3990 165.7197 36.005593 295.4337
## 3991 165.7197 16.115393 315.3239
## 3992 165.7197 -1.424392 332.8637El comportamiento de este modelo predice que no habrá cambios en los próximos años con un nivel de confianza del 95%, pero si uno observa marcos de tiempo pequeños, el cambio de un período de tiempo a otro es dramático y está disminuyendo, mientras que en marcos de tiempo más altos, el comportamiento es variada porque a veces sube y otras baja sin tendencia a continuar.
Gráfica
plot(mam_produccion_forecast)
Se puede observar que no existe una tendencia específica.
Tendencia de rendimiento durante el transcurso del análisis y los 3 períodos de tiempo posteriores: El modelo de estimación de pronóstico sugiere que la tendencia es buena con respecto a los datos externos, a saber, la industria del automóvil, lo que indica que hay un 95% nivel de confianza en la predicción de que habrá más automóviles en las calles cada año. Los datos antes mencionados son ventajosos para FORM porque sugieren que si hay más automóviles en la carretera, habrá más producción, lo que generará más pedidos y clientes; sin embargo, en la base de datos obtenida directamente de FORM, se observa que en algunos casos, no hay tendencia, y se esperan las mismas partes programadas como pronóstico; por lo tanto, se debe implementar una estrategia para que más personas conozcan y participen en las actividades de la empresa.
Predicción del Desempeño de la Industria Automotriz
Exportación y ventas de vehículos ligeros
Entender la base de datos
summary(bd_prediccion)## Año Mes Venta Producción
## Min. :2006 Min. : 1.00 Min. : 34927 Min. : 3722
## 1st Qu.:2010 1st Qu.: 3.00 1st Qu.: 78543 1st Qu.:189031
## Median :2014 Median : 6.00 Median : 88580 Median :248433
## Mean :2014 Mean : 6.42 Mean : 94178 Mean :241511
## 3rd Qu.:2018 3rd Qu.: 9.00 3rd Qu.:110134 3rd Qu.:292709
## Max. :2022 Max. :12.00 Max. :192741 Max. :382110
## NA's :2 NA's :2 NA's :2 NA's :2
## Exportación Tipo.de.cambio Inflación porcentaje_ocu
## Min. : 15139 Min. :10.09 Min. :-0.250 Min. :93.58
## 1st Qu.:153219 1st Qu.:12.66 1st Qu.: 0.815 1st Qu.:95.06
## Median :209160 Median :13.56 Median : 1.480 Median :95.88
## Mean :201664 Mean :15.48 Mean : 1.951 Mean :95.76
## 3rd Qu.:243900 3rd Qu.:19.10 3rd Qu.: 2.895 3rd Qu.:96.47
## Max. :327454 Max. :24.24 Max. : 7.360 Max. :97.16
## NA's :2 NA's :2 NA's :2 NA's :2
## porcentaje_desocu conf_consumidor
## Min. :2.840 Min. :28.67
## 1st Qu.:3.527 1st Qu.:36.69
## Median :4.125 Median :38.47
## Mean :4.244 Mean :39.15
## 3rd Qu.:4.940 3rd Qu.:42.59
## Max. :6.420 Max. :47.83
## NA's :2 NA's :2str(bd_prediccion)## 'data.frame': 202 obs. of 10 variables:
## $ Año : int 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 ...
## $ Mes : int 1 2 3 4 5 6 7 8 9 10 ...
## $ Venta : int 96227 89079 96871 77879 86462 87084 83069 90937 92083 97469 ...
## $ Producción : int 155291 166830 192643 132212 171557 194327 118602 179527 164577 179897 ...
## $ Exportación : int 112165 121001 153877 115798 131578 156008 85752 136114 125918 132470 ...
## $ Tipo.de.cambio : num 10.6 10.5 10.7 11 11.1 ...
## $ Inflación : num 0.59 0.74 0.87 1.01 0.56 0.65 0.93 1.44 2.47 2.91 ...
## $ porcentaje_ocu : num 96.5 96.2 96.7 96.8 97.2 ...
## $ porcentaje_desocu: num 3.48 3.75 3.31 3.2 2.84 3.26 4.01 3.87 4 3.82 ...
## $ conf_consumidor : num 43.9 43.9 45.6 44.8 44.7 ...Limpieza de datos
Eliminar columnas irrelevantes (Producción)
bd_prediccion1 <- subset(bd_prediccion, select = -c (Producción))
bd_prediccion1## Año Mes Venta Exportación Tipo.de.cambio Inflación porcentaje_ocu
## 1 2006 1 96227 112165 10.56964 0.59 96.52
## 2 2006 2 89079 121001 10.48426 0.74 96.25
## 3 2006 3 96871 153877 10.69772 0.87 96.69
## 4 2006 4 77879 115798 11.02994 1.01 96.80
## 5 2006 5 86462 131578 11.07152 0.56 97.16
## 6 2006 6 87084 156008 11.38702 0.65 96.74
## 7 2006 7 83069 85752 11.03922 0.93 95.99
## 8 2006 8 90937 136114 10.87617 1.44 96.13
## 9 2006 9 92083 125918 10.97558 2.47 96.00
## 10 2006 10 97469 132470 10.91245 2.91 96.18
## 11 2006 11 102201 152396 10.87905 3.45 96.50
## 12 2006 12 140375 113718 10.87084 4.05 96.68
## 13 2007 1 97675 88915 10.93192 0.52 95.95
## 14 2007 2 86060 111084 10.98198 0.80 95.95
## 15 2007 3 96487 138877 11.12237 1.02 96.27
## 16 2007 4 75020 110462 10.99081 0.96 96.49
## 17 2007 5 84756 140387 10.83582 0.46 96.85
## 18 2007 6 80462 153243 10.83519 0.58 96.72
## 19 2007 7 83105 129581 10.79959 1.01 96.21
## 20 2007 8 88573 168210 11.04243 1.42 96.17
## 21 2007 9 86547 156237 11.03762 2.21 96.24
## 22 2007 10 97182 144970 10.84063 2.61 96.23
## 23 2007 11 97694 149964 10.85821 3.33 96.65
## 24 2007 12 126329 121383 10.85206 3.76 96.89
## 25 2008 1 96846 118416 10.91741 0.46 95.88
## 26 2008 2 86997 140501 10.78461 0.76 96.11
## 27 2008 3 80119 129405 10.73085 1.49 96.39
## 28 2008 4 83106 144234 10.52556 1.72 96.52
## 29 2008 5 85827 150514 10.45804 1.61 96.71
## 30 2008 6 81424 153345 10.32862 2.03 96.63
## 31 2008 7 85324 122144 10.23761 2.60 95.87
## 32 2008 8 86119 143464 10.09196 3.20 95.94
## 33 2008 9 76620 144454 10.60434 3.90 95.86
## 34 2008 10 83307 167497 12.48947 4.61 95.83
## 35 2008 11 78555 138439 13.09469 5.80 95.68
## 36 2008 12 101300 109206 13.37363 6.53 95.98
## 37 2009 1 69664 51061 13.86394 0.23 94.99
## 38 2009 2 61579 77833 14.50219 0.45 94.76
## 39 2009 3 64242 101830 14.72083 1.03 95.34
## 40 2009 4 51395 85121 13.47903 1.38 94.94
## 41 2009 5 53440 83910 13.25065 1.09 94.77
## 42 2009 6 55974 84934 13.34374 1.28 95.02
## 43 2009 7 56443 90872 13.36679 1.55 94.18
## 44 2009 8 58926 111273 13.01394 1.79 93.85
## 45 2009 9 58505 117433 13.40757 2.30 93.58
## 46 2009 10 67882 145761 13.25259 2.61 94.33
## 47 2009 11 64914 134873 13.13145 3.15 94.89
## 48 2009 12 91961 138432 12.85556 3.57 95.27
## 49 2010 1 64064 114193 12.83263 1.09 94.24
## 50 2010 2 59518 153148 12.96185 1.67 94.72
## 51 2010 3 65414 163641 12.60465 2.39 95.26
## 52 2010 4 60432 133406 12.26208 2.07 94.65
## 53 2010 5 61632 145909 12.68247 1.42 95.00
## 54 2010 6 59910 177575 12.71818 1.39 95.08
## 55 2010 7 61960 143521 12.83341 1.61 94.41
## 56 2010 8 66931 175904 12.72952 1.89 94.58
## 57 2010 9 65934 169507 12.86421 2.43 94.34
## 58 2010 10 74095 166931 12.45569 3.06 94.52
## 59 2010 11 75582 168226 12.31381 3.89 94.83
## 60 2010 12 104941 147551 12.40058 4.40 95.06
## 61 2011 1 68767 165045 12.15321 0.49 94.66
## 62 2011 2 66990 155808 12.07712 0.86 94.66
## 63 2011 3 75125 192783 12.01917 1.06 95.36
## 64 2011 4 65246 141334 11.75536 1.05 94.87
## 65 2011 5 68634 176951 11.65234 0.30 94.82
## 66 2011 6 68366 188223 11.80157 0.30 94.60
## 67 2011 7 68533 196835 11.67069 0.78 94.52
## 68 2011 8 75681 170086 12.20000 0.94 94.29
## 69 2011 9 73998 193590 13.08912 1.19 94.57
## 70 2011 10 75748 192244 13.46868 1.87 95.01
## 71 2011 11 83107 199665 13.63712 2.97 95.04
## 72 2011 12 115698 171319 13.74813 3.82 95.49
## 73 2012 1 75297 156417 13.48802 0.71 95.12
## 74 2012 2 74704 197600 12.80356 0.91 94.72
## 75 2012 3 83574 226555 12.75781 0.97 95.48
## 76 2012 4 69890 180545 13.02576 0.65 95.14
## 77 2012 5 80268 184302 13.53816 0.34 95.33
## 78 2012 6 78508 229089 13.97611 0.80 95.25
## 79 2012 7 76378 208151 13.39195 1.36 95.01
## 80 2012 8 83326 188392 13.18333 1.67 94.67
## 81 2012 9 79961 193350 13.00449 2.12 95.09
## 82 2012 10 83172 216576 12.86915 2.63 94.97
## 83 2012 11 91966 219864 12.86915 3.33 94.95
## 84 2012 12 110998 154724 12.87298 3.57 95.60
## 85 2013 1 84403 178562 12.71282 0.40 94.59
## 86 2013 2 80285 175338 12.71638 0.90 95.25
## 87 2013 3 82860 204475 12.40242 1.64 95.52
## 88 2013 4 83647 185548 12.21560 1.70 95.04
## 89 2013 5 87638 191205 12.23945 1.37 95.09
## 90 2013 6 83858 225753 12.95020 1.30 95.00
## 91 2013 7 86760 192940 12.76920 1.27 94.87
## 92 2013 8 88586 226893 12.88348 1.56 94.82
## 93 2013 9 78555 215962 13.08974 1.94 94.69
## 94 2013 10 88416 240316 13.02170 2.43 94.99
## 95 2013 11 100571 224873 13.06409 3.38 95.52
## 96 2013 12 119519 161208 13.00105 3.97 95.73
## 97 2014 1 85614 177928 13.20104 0.89 94.93
## 98 2014 2 80037 197504 13.29067 1.15 95.34
## 99 2014 3 85767 230772 13.21485 1.43 95.20
## 100 2014 4 76941 202328 13.07712 1.24 95.15
## 101 2014 5 88388 234629 12.95623 0.91 95.06
## 102 2014 6 84207 230410 12.97570 1.09 95.18
## 103 2014 7 96366 231934 12.97300 1.37 94.53
## 104 2014 8 103994 226757 13.15002 1.73 94.81
## 105 2014 9 89313 220239 13.21131 2.18 94.91
## 106 2014 10 101090 257382 13.47454 2.74 95.22
## 107 2014 11 111837 237923 13.59030 3.57 95.47
## 108 2014 12 133411 195091 14.45304 4.08 96.24
## 109 2015 1 103805 204907 14.67395 -0.09 95.49
## 110 2015 2 97659 222351 14.90437 0.10 95.67
## 111 2015 3 105034 261256 15.20997 0.51 96.14
## 112 2015 4 94953 233515 15.22746 0.25 95.69
## 113 2015 5 102156 240709 15.25361 -0.25 95.55
## 114 2015 6 107097 242720 15.45056 -0.09 95.59
## 115 2015 7 111863 226511 15.87623 0.06 95.28
## 116 2015 8 112307 234668 16.50888 0.27 95.32
## 117 2015 9 111705 216587 16.83229 0.65 95.50
## 118 2015 10 120214 245224 16.59932 1.16 95.45
## 119 2015 11 126750 223797 16.63219 1.72 96.04
## 120 2015 12 160901 206651 17.01278 2.13 96.04
## 121 2016 1 119833 213244 17.94565 0.38 95.74
## 122 2016 2 111126 219670 18.45920 0.82 95.86
## 123 2016 3 117252 224184 17.67208 0.97 96.25
## 124 2016 4 118754 197020 17.48096 0.65 96.20
## 125 2016 5 121879 226240 18.05380 0.20 95.99
## 126 2016 6 134913 247005 18.62127 0.31 96.08
## 127 2016 7 132109 225530 18.58811 0.57 96.00
## 128 2016 8 134388 262673 18.46011 0.86 96.02
## 129 2016 9 131888 235612 19.11921 1.47 95.88
## 130 2016 10 137503 255115 18.97319 2.09 96.33
## 131 2016 11 154779 245330 19.96946 2.89 96.50
## 132 2016 12 192741 216645 20.54282 3.36 96.62
## 133 2017 1 123447 219061 21.39550 1.70 96.40
## 134 2017 2 118193 248288 20.35246 2.29 96.66
## 135 2017 3 137245 305403 19.41648 2.92 96.81
## 136 2017 4 114938 240141 18.78122 3.04 96.53
## 137 2017 5 123429 269067 18.79971 2.92 96.45
## 138 2017 6 127752 287979 18.20815 3.18 96.71
## 139 2017 7 122678 258557 17.85459 3.57 96.58
## 140 2017 8 125985 276108 17.80650 4.08 96.48
## 141 2017 9 116716 286400 17.80554 4.41 96.41
## 142 2017 10 123602 303514 18.71362 5.06 96.49
## 143 2017 11 141724 290569 18.98973 6.15 96.59
## 144 2017 12 159234 268772 19.10129 6.77 96.85
## 145 2018 1 109445 231088 19.02896 0.53 96.64
## 146 2018 2 109846 271228 18.61594 0.91 96.83
## 147 2018 3 119127 317398 18.65489 1.24 97.06
## 148 2018 4 109748 271048 18.34659 0.90 96.61
## 149 2018 5 115155 288659 19.45515 0.73 96.78
## 150 2018 6 120298 315130 20.31281 1.12 96.63
## 151 2018 7 115047 247367 19.09664 1.66 96.53
## 152 2018 8 119487 322779 18.80423 2.26 96.54
## 153 2018 9 114888 306009 19.03592 2.69 96.42
## 154 2018 10 117602 313471 19.09212 3.22 96.73
## 155 2018 11 134143 291018 20.25495 4.10 96.75
## 156 2018 12 142300 275962 20.15294 4.83 96.64
## 157 2019 1 111514 243652 19.22744 0.09 96.44
## 158 2019 2 104009 273173 19.18334 0.06 96.71
## 159 2019 3 117529 325703 19.24878 0.44 96.78
## 160 2019 4 98366 288756 19.01630 0.50 96.50
## 161 2019 5 102422 309017 19.09191 0.21 96.50
## 162 2019 6 106782 327454 19.26678 0.27 96.43
## 163 2019 7 106104 276818 19.06189 0.65 96.26
## 164 2019 8 108074 286075 19.58659 0.63 96.29
## 165 2019 9 100757 286806 19.60990 0.89 96.22
## 166 2019 10 107110 259158 19.36886 1.44 96.31
## 167 2019 11 124804 274845 19.30748 2.26 96.58
## 168 2019 12 130460 236848 19.16932 2.83 97.09
## 169 2020 1 104852 238749 18.81445 0.48 96.22
## 170 2020 2 104338 273634 18.77705 0.90 96.47
## 171 2020 3 87541 295199 21.97384 0.85 97.09
## 172 2020 4 34927 31183 24.23988 -0.17 95.31
## 173 2020 5 42034 15139 23.58032 0.22 95.81
## 174 2020 6 62861 198084 22.26918 0.76 94.51
## 175 2020 7 72921 264520 22.48030 1.43 94.65
## 176 2020 8 77120 264478 22.23107 1.82 94.74
## 177 2020 9 77808 257562 21.60516 2.06 94.87
## 178 2020 10 84351 280474 21.38085 2.68 95.29
## 179 2020 11 95707 287703 20.53330 2.76 95.65
## 180 2020 12 105603 275081 19.97817 3.15 96.21
## 181 2021 1 81657 223533 19.90262 0.86 95.30
## 182 2021 2 82863 213987 20.29248 1.50 95.60
## 183 2021 3 96319 256119 20.76205 2.34 96.13
## 184 2021 4 84287 234584 20.10944 2.67 95.35
## 185 2021 5 86710 242020 20.05320 2.88 96.01
## 186 2021 6 88688 234394 20.04272 3.43 95.98
## 187 2021 7 82157 202021 19.98552 4.04 95.62
## 188 2021 8 78235 212687 20.05125 4.24 95.67
## 189 2021 9 76930 195294 19.99092 4.88 95.82
## 190 2021 10 76640 224535 20.47244 5.76 96.05
## 191 2021 11 82829 240341 20.78256 6.97 96.34
## 192 2021 12 97420 227465 20.98530 7.36 96.49
## 193 2022 1 78585 216630 20.48354 0.59 96.29
## 194 2022 2 79598 201868 20.48437 1.43 96.26
## 195 2022 3 95199 262494 20.60089 2.43 97.03
## 196 2022 4 83459 241286 20.04452 2.98 96.97
## 197 2022 5 91215 244643 20.11331 3.17 96.73
## 198 2022 6 90368 237674 19.96650 4.04 96.65
## 199 2022 7 83137 210170 20.53081 4.81 96.57
## 200 2022 8 91124 248704 20.12613 5.54 96.47
## 201 NA NA NA NA NA NA NA
## 202 NA NA NA NA NA NA NA
## porcentaje_desocu conf_consumidor
## 1 3.48 43.9415
## 2 3.75 43.9100
## 3 3.31 45.6029
## 4 3.20 44.7854
## 5 2.84 44.6508
## 6 3.26 44.2339
## 7 4.01 44.8674
## 8 3.87 45.0383
## 9 4.00 45.0604
## 10 3.82 44.3016
## 11 3.50 43.1883
## 12 3.32 44.7871
## 13 4.05 42.7412
## 14 4.05 42.3778
## 15 3.73 43.5677
## 16 3.51 43.4415
## 17 3.15 43.7534
## 18 3.28 43.0694
## 19 3.79 42.9629
## 20 3.83 43.9863
## 21 3.76 43.0238
## 22 3.77 41.2666
## 23 3.35 40.8568
## 24 3.11 42.8202
## 25 4.12 42.1822
## 26 3.89 41.2208
## 27 3.61 41.8964
## 28 3.48 40.1531
## 29 3.29 38.9120
## 30 3.37 37.6903
## 31 4.13 36.7035
## 32 4.06 37.2616
## 33 4.14 36.6558
## 34 4.17 34.2078
## 35 4.32 34.9500
## 36 4.02 34.9987
## 37 5.01 34.4084
## 38 5.24 33.4023
## 39 4.66 33.4728
## 40 5.06 34.6003
## 41 5.23 33.1933
## 42 4.98 34.2256
## 43 5.82 36.0502
## 44 6.15 34.5306
## 45 6.42 34.4993
## 46 5.67 32.6096
## 47 5.11 33.1707
## 48 4.73 33.9865
## 49 5.76 34.8020
## 50 5.28 34.2586
## 51 4.74 34.6691
## 52 5.35 35.0361
## 53 5.00 35.5938
## 54 4.92 36.7799
## 55 5.59 36.9279
## 56 5.42 37.2006
## 57 5.66 38.3303
## 58 5.48 37.4086
## 59 5.17 37.1774
## 60 4.94 38.1767
## 61 5.34 38.4624
## 62 5.34 38.4413
## 63 4.64 38.3233
## 64 5.13 37.6265
## 65 5.18 37.3597
## 66 5.40 38.7674
## 67 5.48 39.7537
## 68 5.71 38.9023
## 69 5.43 38.4823
## 70 4.99 37.7094
## 71 4.96 37.4238
## 72 4.51 37.7149
## 73 4.88 39.3604
## 74 5.28 38.9804
## 75 4.52 38.8750
## 76 4.86 40.2245
## 77 4.67 39.7323
## 78 4.75 39.7133
## 79 4.99 41.1478
## 80 5.33 40.7832
## 81 4.91 39.3550
## 82 5.03 39.6293
## 83 5.05 39.1214
## 84 4.40 41.1395
## 85 5.41 41.6134
## 86 4.75 39.6882
## 87 4.48 39.9339
## 88 4.96 39.8361
## 89 4.91 39.4471
## 90 5.00 38.7706
## 91 5.13 40.6562
## 92 5.18 40.5308
## 93 5.31 39.1825
## 94 5.01 38.0775
## 95 4.48 36.9465
## 96 4.27 37.3707
## 97 5.07 35.5508
## 98 4.66 35.7346
## 99 4.80 37.1351
## 100 4.85 37.6101
## 101 4.94 37.7513
## 102 4.82 37.9049
## 103 5.47 37.5518
## 104 5.19 37.4502
## 105 5.09 38.2199
## 106 4.78 37.6935
## 107 4.53 38.4760
## 108 3.76 38.6914
## 109 4.51 38.0625
## 110 4.33 37.4911
## 111 3.86 38.5052
## 112 4.31 37.8429
## 113 4.45 38.0317
## 114 4.41 39.1119
## 115 4.72 38.1319
## 116 4.68 37.3836
## 117 4.50 37.4490
## 118 4.55 37.8131
## 119 3.96 38.1829
## 120 3.96 38.3685
## 121 4.26 38.1815
## 122 4.14 36.7321
## 123 3.75 36.8144
## 124 3.80 36.7139
## 125 4.01 37.4848
## 126 3.92 38.3491
## 127 4.00 36.5060
## 128 3.98 35.6554
## 129 4.12 34.7550
## 130 3.67 35.0319
## 131 3.50 34.8752
## 132 3.38 35.4784
## 133 3.60 28.6679
## 134 3.34 31.5156
## 135 3.19 33.7951
## 136 3.47 34.9345
## 137 3.55 35.8733
## 138 3.29 36.0104
## 139 3.42 36.4886
## 140 3.52 36.5055
## 141 3.59 36.7879
## 142 3.51 36.4370
## 143 3.41 36.7168
## 144 3.15 36.3155
## 145 3.36 34.8018
## 146 3.17 34.1893
## 147 2.94 34.3367
## 148 3.39 35.6116
## 149 3.22 36.6479
## 150 3.37 37.1483
## 151 3.47 43.3411
## 152 3.46 43.0057
## 153 3.58 42.1327
## 154 3.27 42.5330
## 155 3.25 41.6750
## 156 3.36 44.8654
## 157 3.56 45.9299
## 158 3.29 47.8261
## 159 3.22 46.3411
## 160 3.50 45.4850
## 161 3.50 44.3235
## 162 3.57 43.6658
## 163 3.74 43.3177
## 164 3.71 43.8192
## 165 3.78 45.2995
## 166 3.69 44.0597
## 167 3.42 43.8407
## 168 2.91 43.7574
## 169 3.78 44.1205
## 170 3.53 43.3299
## 171 2.91 42.0593
## 172 4.69 32.2235
## 173 4.19 31.0682
## 174 5.49 31.9572
## 175 5.35 34.4173
## 176 5.26 35.0648
## 177 5.13 36.2820
## 178 4.71 37.8912
## 179 4.35 37.0767
## 180 3.79 38.7487
## 181 4.70 39.2114
## 182 4.40 38.6401
## 183 3.87 40.5816
## 184 4.65 42.5091
## 185 3.99 42.4227
## 186 4.02 44.3477
## 187 4.38 44.2934
## 188 4.33 42.4746
## 189 4.18 43.3421
## 190 3.95 43.8431
## 191 3.66 45.9354
## 192 3.51 44.8964
## 193 3.71 43.5909
## 194 3.74 42.9401
## 195 2.97 43.5603
## 196 3.03 44.3017
## 197 3.27 43.7823
## 198 3.35 43.2086
## 199 3.43 41.2699
## 200 3.53 40.2979
## 201 NA NA
## 202 NA NAEsta columna se eliminará ya que las variables dependientes serán únicamente Ventas y Exportaciones, mientras que las variables independientes serán la confianza del consumidor, el tipo de cambio, la inflación, la proporción de ocupados y el porcentaje de desocupados que no están trabajando.
Eliminar renglones irrelevantes
bd_prediccion2 <- bd_prediccion1[-c(201, 202),]
bd_prediccion2## Año Mes Venta Exportación Tipo.de.cambio Inflación porcentaje_ocu
## 1 2006 1 96227 112165 10.56964 0.59 96.52
## 2 2006 2 89079 121001 10.48426 0.74 96.25
## 3 2006 3 96871 153877 10.69772 0.87 96.69
## 4 2006 4 77879 115798 11.02994 1.01 96.80
## 5 2006 5 86462 131578 11.07152 0.56 97.16
## 6 2006 6 87084 156008 11.38702 0.65 96.74
## 7 2006 7 83069 85752 11.03922 0.93 95.99
## 8 2006 8 90937 136114 10.87617 1.44 96.13
## 9 2006 9 92083 125918 10.97558 2.47 96.00
## 10 2006 10 97469 132470 10.91245 2.91 96.18
## 11 2006 11 102201 152396 10.87905 3.45 96.50
## 12 2006 12 140375 113718 10.87084 4.05 96.68
## 13 2007 1 97675 88915 10.93192 0.52 95.95
## 14 2007 2 86060 111084 10.98198 0.80 95.95
## 15 2007 3 96487 138877 11.12237 1.02 96.27
## 16 2007 4 75020 110462 10.99081 0.96 96.49
## 17 2007 5 84756 140387 10.83582 0.46 96.85
## 18 2007 6 80462 153243 10.83519 0.58 96.72
## 19 2007 7 83105 129581 10.79959 1.01 96.21
## 20 2007 8 88573 168210 11.04243 1.42 96.17
## 21 2007 9 86547 156237 11.03762 2.21 96.24
## 22 2007 10 97182 144970 10.84063 2.61 96.23
## 23 2007 11 97694 149964 10.85821 3.33 96.65
## 24 2007 12 126329 121383 10.85206 3.76 96.89
## 25 2008 1 96846 118416 10.91741 0.46 95.88
## 26 2008 2 86997 140501 10.78461 0.76 96.11
## 27 2008 3 80119 129405 10.73085 1.49 96.39
## 28 2008 4 83106 144234 10.52556 1.72 96.52
## 29 2008 5 85827 150514 10.45804 1.61 96.71
## 30 2008 6 81424 153345 10.32862 2.03 96.63
## 31 2008 7 85324 122144 10.23761 2.60 95.87
## 32 2008 8 86119 143464 10.09196 3.20 95.94
## 33 2008 9 76620 144454 10.60434 3.90 95.86
## 34 2008 10 83307 167497 12.48947 4.61 95.83
## 35 2008 11 78555 138439 13.09469 5.80 95.68
## 36 2008 12 101300 109206 13.37363 6.53 95.98
## 37 2009 1 69664 51061 13.86394 0.23 94.99
## 38 2009 2 61579 77833 14.50219 0.45 94.76
## 39 2009 3 64242 101830 14.72083 1.03 95.34
## 40 2009 4 51395 85121 13.47903 1.38 94.94
## 41 2009 5 53440 83910 13.25065 1.09 94.77
## 42 2009 6 55974 84934 13.34374 1.28 95.02
## 43 2009 7 56443 90872 13.36679 1.55 94.18
## 44 2009 8 58926 111273 13.01394 1.79 93.85
## 45 2009 9 58505 117433 13.40757 2.30 93.58
## 46 2009 10 67882 145761 13.25259 2.61 94.33
## 47 2009 11 64914 134873 13.13145 3.15 94.89
## 48 2009 12 91961 138432 12.85556 3.57 95.27
## 49 2010 1 64064 114193 12.83263 1.09 94.24
## 50 2010 2 59518 153148 12.96185 1.67 94.72
## 51 2010 3 65414 163641 12.60465 2.39 95.26
## 52 2010 4 60432 133406 12.26208 2.07 94.65
## 53 2010 5 61632 145909 12.68247 1.42 95.00
## 54 2010 6 59910 177575 12.71818 1.39 95.08
## 55 2010 7 61960 143521 12.83341 1.61 94.41
## 56 2010 8 66931 175904 12.72952 1.89 94.58
## 57 2010 9 65934 169507 12.86421 2.43 94.34
## 58 2010 10 74095 166931 12.45569 3.06 94.52
## 59 2010 11 75582 168226 12.31381 3.89 94.83
## 60 2010 12 104941 147551 12.40058 4.40 95.06
## 61 2011 1 68767 165045 12.15321 0.49 94.66
## 62 2011 2 66990 155808 12.07712 0.86 94.66
## 63 2011 3 75125 192783 12.01917 1.06 95.36
## 64 2011 4 65246 141334 11.75536 1.05 94.87
## 65 2011 5 68634 176951 11.65234 0.30 94.82
## 66 2011 6 68366 188223 11.80157 0.30 94.60
## 67 2011 7 68533 196835 11.67069 0.78 94.52
## 68 2011 8 75681 170086 12.20000 0.94 94.29
## 69 2011 9 73998 193590 13.08912 1.19 94.57
## 70 2011 10 75748 192244 13.46868 1.87 95.01
## 71 2011 11 83107 199665 13.63712 2.97 95.04
## 72 2011 12 115698 171319 13.74813 3.82 95.49
## 73 2012 1 75297 156417 13.48802 0.71 95.12
## 74 2012 2 74704 197600 12.80356 0.91 94.72
## 75 2012 3 83574 226555 12.75781 0.97 95.48
## 76 2012 4 69890 180545 13.02576 0.65 95.14
## 77 2012 5 80268 184302 13.53816 0.34 95.33
## 78 2012 6 78508 229089 13.97611 0.80 95.25
## 79 2012 7 76378 208151 13.39195 1.36 95.01
## 80 2012 8 83326 188392 13.18333 1.67 94.67
## 81 2012 9 79961 193350 13.00449 2.12 95.09
## 82 2012 10 83172 216576 12.86915 2.63 94.97
## 83 2012 11 91966 219864 12.86915 3.33 94.95
## 84 2012 12 110998 154724 12.87298 3.57 95.60
## 85 2013 1 84403 178562 12.71282 0.40 94.59
## 86 2013 2 80285 175338 12.71638 0.90 95.25
## 87 2013 3 82860 204475 12.40242 1.64 95.52
## 88 2013 4 83647 185548 12.21560 1.70 95.04
## 89 2013 5 87638 191205 12.23945 1.37 95.09
## 90 2013 6 83858 225753 12.95020 1.30 95.00
## 91 2013 7 86760 192940 12.76920 1.27 94.87
## 92 2013 8 88586 226893 12.88348 1.56 94.82
## 93 2013 9 78555 215962 13.08974 1.94 94.69
## 94 2013 10 88416 240316 13.02170 2.43 94.99
## 95 2013 11 100571 224873 13.06409 3.38 95.52
## 96 2013 12 119519 161208 13.00105 3.97 95.73
## 97 2014 1 85614 177928 13.20104 0.89 94.93
## 98 2014 2 80037 197504 13.29067 1.15 95.34
## 99 2014 3 85767 230772 13.21485 1.43 95.20
## 100 2014 4 76941 202328 13.07712 1.24 95.15
## 101 2014 5 88388 234629 12.95623 0.91 95.06
## 102 2014 6 84207 230410 12.97570 1.09 95.18
## 103 2014 7 96366 231934 12.97300 1.37 94.53
## 104 2014 8 103994 226757 13.15002 1.73 94.81
## 105 2014 9 89313 220239 13.21131 2.18 94.91
## 106 2014 10 101090 257382 13.47454 2.74 95.22
## 107 2014 11 111837 237923 13.59030 3.57 95.47
## 108 2014 12 133411 195091 14.45304 4.08 96.24
## 109 2015 1 103805 204907 14.67395 -0.09 95.49
## 110 2015 2 97659 222351 14.90437 0.10 95.67
## 111 2015 3 105034 261256 15.20997 0.51 96.14
## 112 2015 4 94953 233515 15.22746 0.25 95.69
## 113 2015 5 102156 240709 15.25361 -0.25 95.55
## 114 2015 6 107097 242720 15.45056 -0.09 95.59
## 115 2015 7 111863 226511 15.87623 0.06 95.28
## 116 2015 8 112307 234668 16.50888 0.27 95.32
## 117 2015 9 111705 216587 16.83229 0.65 95.50
## 118 2015 10 120214 245224 16.59932 1.16 95.45
## 119 2015 11 126750 223797 16.63219 1.72 96.04
## 120 2015 12 160901 206651 17.01278 2.13 96.04
## 121 2016 1 119833 213244 17.94565 0.38 95.74
## 122 2016 2 111126 219670 18.45920 0.82 95.86
## 123 2016 3 117252 224184 17.67208 0.97 96.25
## 124 2016 4 118754 197020 17.48096 0.65 96.20
## 125 2016 5 121879 226240 18.05380 0.20 95.99
## 126 2016 6 134913 247005 18.62127 0.31 96.08
## 127 2016 7 132109 225530 18.58811 0.57 96.00
## 128 2016 8 134388 262673 18.46011 0.86 96.02
## 129 2016 9 131888 235612 19.11921 1.47 95.88
## 130 2016 10 137503 255115 18.97319 2.09 96.33
## 131 2016 11 154779 245330 19.96946 2.89 96.50
## 132 2016 12 192741 216645 20.54282 3.36 96.62
## 133 2017 1 123447 219061 21.39550 1.70 96.40
## 134 2017 2 118193 248288 20.35246 2.29 96.66
## 135 2017 3 137245 305403 19.41648 2.92 96.81
## 136 2017 4 114938 240141 18.78122 3.04 96.53
## 137 2017 5 123429 269067 18.79971 2.92 96.45
## 138 2017 6 127752 287979 18.20815 3.18 96.71
## 139 2017 7 122678 258557 17.85459 3.57 96.58
## 140 2017 8 125985 276108 17.80650 4.08 96.48
## 141 2017 9 116716 286400 17.80554 4.41 96.41
## 142 2017 10 123602 303514 18.71362 5.06 96.49
## 143 2017 11 141724 290569 18.98973 6.15 96.59
## 144 2017 12 159234 268772 19.10129 6.77 96.85
## 145 2018 1 109445 231088 19.02896 0.53 96.64
## 146 2018 2 109846 271228 18.61594 0.91 96.83
## 147 2018 3 119127 317398 18.65489 1.24 97.06
## 148 2018 4 109748 271048 18.34659 0.90 96.61
## 149 2018 5 115155 288659 19.45515 0.73 96.78
## 150 2018 6 120298 315130 20.31281 1.12 96.63
## 151 2018 7 115047 247367 19.09664 1.66 96.53
## 152 2018 8 119487 322779 18.80423 2.26 96.54
## 153 2018 9 114888 306009 19.03592 2.69 96.42
## 154 2018 10 117602 313471 19.09212 3.22 96.73
## 155 2018 11 134143 291018 20.25495 4.10 96.75
## 156 2018 12 142300 275962 20.15294 4.83 96.64
## 157 2019 1 111514 243652 19.22744 0.09 96.44
## 158 2019 2 104009 273173 19.18334 0.06 96.71
## 159 2019 3 117529 325703 19.24878 0.44 96.78
## 160 2019 4 98366 288756 19.01630 0.50 96.50
## 161 2019 5 102422 309017 19.09191 0.21 96.50
## 162 2019 6 106782 327454 19.26678 0.27 96.43
## 163 2019 7 106104 276818 19.06189 0.65 96.26
## 164 2019 8 108074 286075 19.58659 0.63 96.29
## 165 2019 9 100757 286806 19.60990 0.89 96.22
## 166 2019 10 107110 259158 19.36886 1.44 96.31
## 167 2019 11 124804 274845 19.30748 2.26 96.58
## 168 2019 12 130460 236848 19.16932 2.83 97.09
## 169 2020 1 104852 238749 18.81445 0.48 96.22
## 170 2020 2 104338 273634 18.77705 0.90 96.47
## 171 2020 3 87541 295199 21.97384 0.85 97.09
## 172 2020 4 34927 31183 24.23988 -0.17 95.31
## 173 2020 5 42034 15139 23.58032 0.22 95.81
## 174 2020 6 62861 198084 22.26918 0.76 94.51
## 175 2020 7 72921 264520 22.48030 1.43 94.65
## 176 2020 8 77120 264478 22.23107 1.82 94.74
## 177 2020 9 77808 257562 21.60516 2.06 94.87
## 178 2020 10 84351 280474 21.38085 2.68 95.29
## 179 2020 11 95707 287703 20.53330 2.76 95.65
## 180 2020 12 105603 275081 19.97817 3.15 96.21
## 181 2021 1 81657 223533 19.90262 0.86 95.30
## 182 2021 2 82863 213987 20.29248 1.50 95.60
## 183 2021 3 96319 256119 20.76205 2.34 96.13
## 184 2021 4 84287 234584 20.10944 2.67 95.35
## 185 2021 5 86710 242020 20.05320 2.88 96.01
## 186 2021 6 88688 234394 20.04272 3.43 95.98
## 187 2021 7 82157 202021 19.98552 4.04 95.62
## 188 2021 8 78235 212687 20.05125 4.24 95.67
## 189 2021 9 76930 195294 19.99092 4.88 95.82
## 190 2021 10 76640 224535 20.47244 5.76 96.05
## 191 2021 11 82829 240341 20.78256 6.97 96.34
## 192 2021 12 97420 227465 20.98530 7.36 96.49
## 193 2022 1 78585 216630 20.48354 0.59 96.29
## 194 2022 2 79598 201868 20.48437 1.43 96.26
## 195 2022 3 95199 262494 20.60089 2.43 97.03
## 196 2022 4 83459 241286 20.04452 2.98 96.97
## 197 2022 5 91215 244643 20.11331 3.17 96.73
## 198 2022 6 90368 237674 19.96650 4.04 96.65
## 199 2022 7 83137 210170 20.53081 4.81 96.57
## 200 2022 8 91124 248704 20.12613 5.54 96.47
## porcentaje_desocu conf_consumidor
## 1 3.48 43.9415
## 2 3.75 43.9100
## 3 3.31 45.6029
## 4 3.20 44.7854
## 5 2.84 44.6508
## 6 3.26 44.2339
## 7 4.01 44.8674
## 8 3.87 45.0383
## 9 4.00 45.0604
## 10 3.82 44.3016
## 11 3.50 43.1883
## 12 3.32 44.7871
## 13 4.05 42.7412
## 14 4.05 42.3778
## 15 3.73 43.5677
## 16 3.51 43.4415
## 17 3.15 43.7534
## 18 3.28 43.0694
## 19 3.79 42.9629
## 20 3.83 43.9863
## 21 3.76 43.0238
## 22 3.77 41.2666
## 23 3.35 40.8568
## 24 3.11 42.8202
## 25 4.12 42.1822
## 26 3.89 41.2208
## 27 3.61 41.8964
## 28 3.48 40.1531
## 29 3.29 38.9120
## 30 3.37 37.6903
## 31 4.13 36.7035
## 32 4.06 37.2616
## 33 4.14 36.6558
## 34 4.17 34.2078
## 35 4.32 34.9500
## 36 4.02 34.9987
## 37 5.01 34.4084
## 38 5.24 33.4023
## 39 4.66 33.4728
## 40 5.06 34.6003
## 41 5.23 33.1933
## 42 4.98 34.2256
## 43 5.82 36.0502
## 44 6.15 34.5306
## 45 6.42 34.4993
## 46 5.67 32.6096
## 47 5.11 33.1707
## 48 4.73 33.9865
## 49 5.76 34.8020
## 50 5.28 34.2586
## 51 4.74 34.6691
## 52 5.35 35.0361
## 53 5.00 35.5938
## 54 4.92 36.7799
## 55 5.59 36.9279
## 56 5.42 37.2006
## 57 5.66 38.3303
## 58 5.48 37.4086
## 59 5.17 37.1774
## 60 4.94 38.1767
## 61 5.34 38.4624
## 62 5.34 38.4413
## 63 4.64 38.3233
## 64 5.13 37.6265
## 65 5.18 37.3597
## 66 5.40 38.7674
## 67 5.48 39.7537
## 68 5.71 38.9023
## 69 5.43 38.4823
## 70 4.99 37.7094
## 71 4.96 37.4238
## 72 4.51 37.7149
## 73 4.88 39.3604
## 74 5.28 38.9804
## 75 4.52 38.8750
## 76 4.86 40.2245
## 77 4.67 39.7323
## 78 4.75 39.7133
## 79 4.99 41.1478
## 80 5.33 40.7832
## 81 4.91 39.3550
## 82 5.03 39.6293
## 83 5.05 39.1214
## 84 4.40 41.1395
## 85 5.41 41.6134
## 86 4.75 39.6882
## 87 4.48 39.9339
## 88 4.96 39.8361
## 89 4.91 39.4471
## 90 5.00 38.7706
## 91 5.13 40.6562
## 92 5.18 40.5308
## 93 5.31 39.1825
## 94 5.01 38.0775
## 95 4.48 36.9465
## 96 4.27 37.3707
## 97 5.07 35.5508
## 98 4.66 35.7346
## 99 4.80 37.1351
## 100 4.85 37.6101
## 101 4.94 37.7513
## 102 4.82 37.9049
## 103 5.47 37.5518
## 104 5.19 37.4502
## 105 5.09 38.2199
## 106 4.78 37.6935
## 107 4.53 38.4760
## 108 3.76 38.6914
## 109 4.51 38.0625
## 110 4.33 37.4911
## 111 3.86 38.5052
## 112 4.31 37.8429
## 113 4.45 38.0317
## 114 4.41 39.1119
## 115 4.72 38.1319
## 116 4.68 37.3836
## 117 4.50 37.4490
## 118 4.55 37.8131
## 119 3.96 38.1829
## 120 3.96 38.3685
## 121 4.26 38.1815
## 122 4.14 36.7321
## 123 3.75 36.8144
## 124 3.80 36.7139
## 125 4.01 37.4848
## 126 3.92 38.3491
## 127 4.00 36.5060
## 128 3.98 35.6554
## 129 4.12 34.7550
## 130 3.67 35.0319
## 131 3.50 34.8752
## 132 3.38 35.4784
## 133 3.60 28.6679
## 134 3.34 31.5156
## 135 3.19 33.7951
## 136 3.47 34.9345
## 137 3.55 35.8733
## 138 3.29 36.0104
## 139 3.42 36.4886
## 140 3.52 36.5055
## 141 3.59 36.7879
## 142 3.51 36.4370
## 143 3.41 36.7168
## 144 3.15 36.3155
## 145 3.36 34.8018
## 146 3.17 34.1893
## 147 2.94 34.3367
## 148 3.39 35.6116
## 149 3.22 36.6479
## 150 3.37 37.1483
## 151 3.47 43.3411
## 152 3.46 43.0057
## 153 3.58 42.1327
## 154 3.27 42.5330
## 155 3.25 41.6750
## 156 3.36 44.8654
## 157 3.56 45.9299
## 158 3.29 47.8261
## 159 3.22 46.3411
## 160 3.50 45.4850
## 161 3.50 44.3235
## 162 3.57 43.6658
## 163 3.74 43.3177
## 164 3.71 43.8192
## 165 3.78 45.2995
## 166 3.69 44.0597
## 167 3.42 43.8407
## 168 2.91 43.7574
## 169 3.78 44.1205
## 170 3.53 43.3299
## 171 2.91 42.0593
## 172 4.69 32.2235
## 173 4.19 31.0682
## 174 5.49 31.9572
## 175 5.35 34.4173
## 176 5.26 35.0648
## 177 5.13 36.2820
## 178 4.71 37.8912
## 179 4.35 37.0767
## 180 3.79 38.7487
## 181 4.70 39.2114
## 182 4.40 38.6401
## 183 3.87 40.5816
## 184 4.65 42.5091
## 185 3.99 42.4227
## 186 4.02 44.3477
## 187 4.38 44.2934
## 188 4.33 42.4746
## 189 4.18 43.3421
## 190 3.95 43.8431
## 191 3.66 45.9354
## 192 3.51 44.8964
## 193 3.71 43.5909
## 194 3.74 42.9401
## 195 2.97 43.5603
## 196 3.03 44.3017
## 197 3.27 43.7823
## 198 3.35 43.2086
## 199 3.43 41.2699
## 200 3.53 40.2979Dentro de la base de datos había dos renglones sin contenido, por lo tanto, se decidió eliminarlo.
Dos modelos diferentes de regresión lineal múltiple para predecir el desempeño de la industria automotriz
Correlación
corrplot(cor(bd_prediccion2), type="upper",order="hclust",addcoef.col="black")
summary(bd_prediccion2)## Año Mes Venta Exportación
## Min. :2006 Min. : 1.00 Min. : 34927 Min. : 15139
## 1st Qu.:2010 1st Qu.: 3.00 1st Qu.: 78543 1st Qu.:153219
## Median :2014 Median : 6.00 Median : 88580 Median :209160
## Mean :2014 Mean : 6.42 Mean : 94178 Mean :201664
## 3rd Qu.:2018 3rd Qu.: 9.00 3rd Qu.:110134 3rd Qu.:243900
## Max. :2022 Max. :12.00 Max. :192741 Max. :327454
## Tipo.de.cambio Inflación porcentaje_ocu porcentaje_desocu
## Min. :10.09 Min. :-0.250 Min. :93.58 Min. :2.840
## 1st Qu.:12.66 1st Qu.: 0.815 1st Qu.:95.06 1st Qu.:3.527
## Median :13.56 Median : 1.480 Median :95.88 Median :4.125
## Mean :15.48 Mean : 1.951 Mean :95.76 Mean :4.244
## 3rd Qu.:19.10 3rd Qu.: 2.895 3rd Qu.:96.47 3rd Qu.:4.940
## Max. :24.24 Max. : 7.360 Max. :97.16 Max. :6.420
## conf_consumidor
## Min. :28.67
## 1st Qu.:36.69
## Median :38.47
## Mean :39.15
## 3rd Qu.:42.59
## Max. :47.83El primer paso fue crear una gráfica de similitudes para determinar si las variables podían estar relacionadas entre sí. Como se puede observar, todas las variables están 100% relacionadas. También es posible analizar qué año y tipo de cambio también son importantes, así como el mes y la inflación, las ventas y el porcentaje de ocupados, las exportaciones y el año, seguido del tipo de cambio y las exportaciones, entre otros.
Modelo de regresión 1
modelo_regresion1 <- lm(Exportación~Año+Mes+Tipo.de.cambio+Inflación+porcentaje_ocu+porcentaje_desocu+conf_consumidor,data=bd_prediccion2)
summary(modelo_regresion1)##
## Call:
## lm(formula = Exportación ~ Año + Mes + Tipo.de.cambio + Inflación +
## porcentaje_ocu + porcentaje_desocu + conf_consumidor, data = bd_prediccion2)
##
## Residuals:
## Min 1Q Median 3Q Max
## -223340 -17123 3169 21264 87133
##
## Coefficients: (1 not defined because of singularities)
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -3.913e+07 3.447e+06 -11.352 < 2e-16 ***
## Año 1.835e+04 1.645e+03 11.151 < 2e-16 ***
## Mes 6.334e+03 1.054e+03 6.007 9.25e-09 ***
## Tipo.de.cambio -1.280e+04 2.212e+03 -5.785 2.89e-08 ***
## Inflación -1.022e+04 2.390e+03 -4.275 3.01e-05 ***
## porcentaje_ocu 2.763e+04 4.394e+03 6.289 2.09e-09 ***
## porcentaje_desocu NA NA NA NA
## conf_consumidor -2.142e+03 8.735e+02 -2.452 0.0151 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 36390 on 193 degrees of freedom
## Multiple R-squared: 0.6723, Adjusted R-squared: 0.6621
## F-statistic: 65.99 on 6 and 193 DF, p-value: < 2.2e-16Se encontró que el tipo de cambio tiene el mayor impacto en las exportaciones en este modelo cuando se ejecutó por primera vez sin las variables año y mes. Este hallazgo tiene sentido dado que México es un gran exportador y que el tipo de cambio afecta de la misma manera a México y al resto del mundo al devaluar el peso.Por otro lado, la mayoría de las variables, a excepción de la proporción de desempleados que tiene los 3 asteriscos, se consideran variables de impacto al sumar las variables año y mes.
Gráfica
effect_plot(modelo_regresion1,pred=Tipo.de.cambio,interval=TRUE)## Warning in predict.lm(model, newdata = pm, se.fit = interval, interval =
## int.type[1], : prediction from a rank-deficient fit may be misleading
Como se observa en el gráfico, el patrón que sigue es negativo, ya que entre más cuesta un dólar en pesos mexicanos o menor es el tipo de cambio es menor las exportaciones.
Modelo de regresión 2
modelo_regresion2 <- lm(Venta~Año+Mes+Tipo.de.cambio+Inflación+porcentaje_ocu+porcentaje_desocu+conf_consumidor,data=bd_prediccion2)
summary(modelo_regresion2)##
## Call:
## lm(formula = Venta ~ Año + Mes + Tipo.de.cambio + Inflación +
## porcentaje_ocu + porcentaje_desocu + conf_consumidor, data = bd_prediccion2)
##
## Residuals:
## Min 1Q Median 3Q Max
## -66653 -9529 -696 9350 64461
##
## Coefficients: (1 not defined because of singularities)
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -7208005.1 1525100.0 -4.726 4.40e-06 ***
## Año 2561.8 727.9 3.519 0.000539 ***
## Mes 3468.4 466.5 7.434 3.34e-12 ***
## Tipo.de.cambio -2373.5 978.9 -2.425 0.016241 *
## Inflación -3991.3 1057.4 -3.775 0.000213 ***
## porcentaje_ocu 23358.2 1943.9 12.016 < 2e-16 ***
## porcentaje_desocu NA NA NA NA
## conf_consumidor -1822.0 386.5 -4.714 4.63e-06 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 16100 on 193 degrees of freedom
## Multiple R-squared: 0.5586, Adjusted R-squared: 0.5449
## F-statistic: 40.71 on 6 and 193 DF, p-value: < 2.2e-16En lugar de las exportaciones, en este modelo de regresión se tomaron en cuenta las ventas de vehículos. Se graficó dos veces, la primera vez sin año y mes, lo que nos dio el porcentaje de población ocupada como variable significativa, y la segunda vez con año y mes sumados. La mayoría de las variables tenían sentido con los tres asteriscos, a excepción del porcentaje de población desocupada y el tipo de cambio.
Gráfica
effect_plot(modelo_regresion2,pred=porcentaje_ocu,interval=TRUE)## Warning in predict.lm(model, newdata = pm, se.fit = interval, interval =
## int.type[1], : prediction from a rank-deficient fit may be misleading
La tendencia del gráfico es positiva. Se graficaron las ventas y la variable importante, el porcentaje de empleo de la población. El gráfico puede interpretarse en general para sugerir que habrá más ventas cuanto mayor sea el porcentaje de la población que tiene empleo.
Interpretación de los modelos de regresión:
Después de examinar ambos modelos de regresión, se puede demostrar que el intercambio es la variable independiente que más influye en la variable dependiente de las exportaciones. Se ve que la Tasa de cambio tiene un efecto negativo que altera la tendencia, lo que deja en claro que cuando el valor del peso mexicano aumenta en relación con el dólar estadounidense, las exportaciones disminuyen. Sin embargo, el porcentaje de la población que está ocupada, o que tiene una vida laboral, es la variable independiente que más incide en la variable dependiente de las ventas. Esto tiene sentido ya que si hay dinero, hay mayor probabilidad de que haya más ventas.
Paso 1. Instalar librerías:
library(foreign)
library(dplyr)
library(ggplot2)
library(psych)
library(corrplot)
library(jtools)
library(lmtest)
library(car)
library(factoextra)
library(forecast)
#install.packages("ggfortify")
library(ggfortify)
#install.packages("ggalluvial")
library(ggalluvial)
library(janitor)tPaso 2. Importar y limpiar la base de datos:
bajas <- read.csv("/Users/emilioolvera/Downloads/FORM - Recursos Humanos - BAJAS evidencia).csv")
bajas <- clean_names(bajas)
summary(bajas)## apellidos nombre fecha_de_nacimiento edad
## Length:237 Length:237 Length:237 Min. :19.00
## Class :character Class :character Class :character 1st Qu.:23.00
## Mode :character Mode :character Mode :character Median :29.00
## Mean :31.09
## 3rd Qu.:37.00
## Max. :61.00
## NA's :3
## genero rfc fecha_de_alta motivo_de_baja
## Length:237 Length:237 Length:237 Length:237
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## no_dias baja puesto departamento
## Min. : 0.00 Length:237 Length:237 Length:237
## 1st Qu.: 9.00 Class :character Class :character Class :character
## Median : 19.00 Mode :character Mode :character Mode :character
## Mean : 79.47
## 3rd Qu.: 48.75
## Max. :1966.00
## NA's :23
## no_seguro_social salario_diario_imss factor_cred_infonavit
## Length:237 Min. :144.4 Length:237
## Class :character 1st Qu.:180.7 Class :character
## Mode :character Median :180.7 Mode :character
## Mean :178.0
## 3rd Qu.:180.7
## Max. :500.0
## NA's :1
## n_credito_infonavit lugar_de_nacimiento curp calle
## Length:237 Length:237 Length:237 Length:237
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## numero_interno colonia codigo_postal municipio
## Length:237 Length:237 Length:237 Length:237
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## estado estado_civil tarjeta_cuenta
## Length:237 Length:237 Length:237
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
##
## #Técnica 1:
#Borrar columnas.
bajas <- subset(bajas, select = -c(apellidos, nombre, fecha_de_nacimiento,rfc, fecha_de_alta, baja, departamento, no_seguro_social, factor_cred_infonavit, n_credito_infonavit, lugar_de_nacimiento, curp, calle, numero_interno, colonia, codigo_postal, municipio, estado, tarjeta_cuenta))
#Técnica 2:
#Reemplezar NAs con el promedio en la columna de "Edad", "Salario Diario" y "Número de días".
bajas$edad[is.na(bajas$edad)]<-mean(bajas$edad, na.rm = TRUE)
bajas$salario_diario_imss[is.na(bajas$salario_diario_imss)]<-mean(bajas$salario_diario_imss, na.rm = TRUE)
bajas$no_dias[is.na(bajas$no_dias)]<-mean(bajas$no_dias, na.rm = TRUE)
summary (bajas)## edad genero motivo_de_baja no_dias
## Min. :19.00 Length:237 Length:237 Min. : 0.00
## 1st Qu.:23.00 Class :character Class :character 1st Qu.: 9.00
## Median :29.00 Mode :character Mode :character Median : 23.00
## Mean :31.09 Mean : 79.47
## 3rd Qu.:37.00 3rd Qu.: 79.47
## Max. :61.00 Max. :1966.00
## puesto salario_diario_imss estado_civil
## Length:237 Min. :144.4 Length:237
## Class :character 1st Qu.:180.7 Class :character
## Mode :character Median :180.7 Mode :character
## Mean :178.0
## 3rd Qu.:180.7
## Max. :500.0#Técnica 3:
#Convertir las variables como factor o número
bajas$edad<-as.numeric(bajas$edad)
bajas$genero<-as.factor(bajas$genero)
bajas$motivo_de_baja<-as.factor(bajas$motivo_de_baja)
bajas$no_dias<-as.numeric(bajas$no_dias)
bajas$puesto<-as.factor(bajas$puesto)
bajas$salario_diario_imss<-as.numeric(bajas$salario_diario_imss)
bajas$estado_civil<-as.factor(bajas$estado_civil)
summary (bajas)## edad genero motivo_de_baja
## Min. :19.00 CAPJ000926597: 1 ABANDONO : 1
## 1st Qu.:23.00 FEMENINO :139 BAJA POR FALTAS :141
## Median :29.00 MASCULINO : 97 JUBILACION : 1
## Mean :31.09 RENUNCIA VOLUNTARIA: 86
## 3rd Qu.:37.00 TERMINO DE CONTRATO: 8
## Max. :61.00
##
## no_dias puesto salario_diario_imss
## Min. : 0.00 AYUDANTE GENERAL :179 Min. :144.4
## 1st Qu.: 9.00 COSTURERA : 11 1st Qu.:180.7
## Median : 23.00 SOLDADOR : 11 Median :180.7
## Mean : 79.47 AYUDANTE DE EMBARQUES: 7 Mean :178.0
## 3rd Qu.: 79.47 MONTACARGUISTA : 5 3rd Qu.:180.7
## Max. :1966.00 INSPECTOR CALIDAD : 4 Max. :500.0
## (Other) : 20
## estado_civil
## : 2
## CASADO : 64
## DIVORCIADO : 3
## SOLTERO :108
## UNION LIBRE: 60
##
## Paso 3. Creación de Clústers:
Cluster 1: Relación de variables de Edad y Número de días.
edad <-bajas
edad<- subset(bajas,select = -c(genero, motivo_de_baja, puesto, salario_diario_imss, estado_civil))
#Normalizar variables
edad_norm<-scale(edad[1:2])
#Función fviz para la visualización de un Elbow Plot y así determinar el número de clusters.
fviz_nbclust(edad_norm, kmeans, method="wss")+
geom_vline(xintercept=4, linetype=2)+
labs(subtitle = "Elbow method")
Con esta gráfica podemos visualizar que el número óptimo de clústers son 4.
#Visualizar clusters
edad_cluster<-kmeans(edad_norm,4)
edad_cluster## K-means clustering with 4 clusters of sizes 80, 4, 45, 108
##
## Cluster means:
## edad no_dias
## 1 0.1895854 -0.06199477
## 2 1.0620936 6.70675123
## 3 1.6004444 -0.10126073
## 4 -0.8466223 -0.16028417
##
## Clustering vector:
## 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
## 1 1 4 4 1 3 1 1 3 4 4 1 4 1 1 4 4 4 4 4
## 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
## 1 2 4 1 3 4 1 4 4 4 1 4 4 4 1 4 4 1 1 4
## 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60
## 4 1 4 4 4 4 4 4 3 3 3 2 4 3 4 4 3 4 4 4
## 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80
## 4 4 1 4 4 3 4 3 1 4 4 4 1 4 1 4 3 4 4 3
## 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100
## 2 1 3 4 4 4 3 4 4 4 1 3 3 4 4 4 1 3 1 4
## 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120
## 1 4 4 3 1 4 4 1 2 1 1 4 1 1 4 1 1 1 3 3
## 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140
## 3 4 4 4 4 4 1 4 1 3 4 1 4 3 4 1 1 1 3 1
## 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160
## 3 1 1 3 3 3 4 1 1 1 1 4 4 4 1 3 3 4 1 4
## 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180
## 1 3 3 3 3 1 3 4 4 1 4 4 3 1 3 4 3 1 1 3
## 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200
## 1 1 4 4 4 1 3 1 1 4 4 1 1 1 1 1 1 1 4 1
## 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220
## 1 1 1 4 1 3 1 4 4 4 3 4 4 4 1 1 4 4 1 1
## 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237
## 1 3 4 4 1 4 4 4 4 3 1 3 4 4 4 4 4
##
## Within cluster sum of squares by cluster:
## [1] 34.04210 16.13273 21.75900 16.53795
## (between_SS / total_SS = 81.3 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"#Visualizar resultados:
fviz_cluster(edad_cluster,data=edad_norm)
Los más jóvenes son los que menos días de trabajo laboran. Donde los que más días laborales tienen son los adultos (27 años 61)
Cluster 2: Relación de variables de Edad y Salario Diario.
edad_salario <-bajas
edad_salario<- subset(bajas,select = -c(genero,estado_civil,motivo_de_baja, puesto, no_dias))
#Normalizar variables
edad_salario_norm<-scale(edad_salario[1:2])
#Función fviz para la visualización de un Elbow Plot y así determinar el número de clusters.
fviz_nbclust(edad_salario_norm, kmeans, method="wss")+
geom_vline(xintercept=4, linetype=2)+
labs(subtitle = "Elbow method") 
Con esta gráfica podemos visualizar que el número óptimo de clústers son 4.
#Visualizar clusters:
edad_salario_cluster<-kmeans(edad_salario_norm,4)
edad_salario_cluster## K-means clustering with 4 clusters of sizes 76, 1, 45, 115
##
## Cluster means:
## edad salario_diario_imss
## 1 0.24407169 -0.03948540
## 2 0.09515287 13.87503094
## 3 1.67245680 -0.06024275
## 4 -0.81656658 -0.07098449
##
## Clustering vector:
## 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
## 2 1 4 4 1 3 1 1 3 4 4 1 4 1 1 4 4 4 4 4
## 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
## 1 3 4 1 3 4 1 4 4 4 1 4 4 4 1 4 4 4 1 4
## 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60
## 4 1 4 4 4 4 4 4 3 3 3 3 4 3 4 4 3 4 4 4
## 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80
## 4 4 1 4 4 3 4 3 4 4 4 4 1 4 1 4 1 4 4 3
## 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100
## 4 4 3 4 4 4 3 4 4 4 1 3 3 4 4 4 1 3 1 4
## 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120
## 1 4 4 3 1 4 4 1 4 1 1 4 1 1 4 1 1 1 3 3
## 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140
## 3 4 4 4 4 4 1 4 1 3 4 1 4 3 4 4 4 1 3 1
## 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160
## 3 1 1 1 3 3 4 1 1 1 1 4 4 4 1 3 3 4 1 4
## 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180
## 1 3 3 3 3 1 3 4 4 1 4 4 3 1 3 4 3 1 1 3
## 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200
## 1 1 4 4 4 1 3 1 1 4 4 1 1 1 1 1 1 1 4 1
## 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220
## 1 1 1 4 1 3 1 4 4 4 3 4 4 4 1 1 4 4 1 1
## 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237
## 1 3 4 4 1 4 4 4 4 3 1 3 4 4 4 4 4
##
## Within cluster sum of squares by cluster:
## [1] 20.84343 0.00000 18.68350 32.00903
## (between_SS / total_SS = 84.8 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"#Visualizar resultados:
fviz_cluster(edad_salario_cluster,data=edad_salario_norm)
Los trabajadores que renuncian tienen salarios bastante idénticos independientemente de su edad, por lo que claramente la edad tiene poca relación con el salario.
Cluster 3: Relación de variables de Salario Diario y Número de días.
dias_salario <-bajas
dias_salario<- subset(bajas,select = -c(genero,estado_civil,motivo_de_baja, puesto, edad))
#Normalizar variables:
dias_salario_norm<-scale(dias_salario[1:2])
#Función fviz para la visualización de un Elbow Plot y así determinar el número de clusters.
fviz_nbclust(dias_salario_norm, kmeans, method="wss")+
geom_vline(xintercept=4, linetype=2)+
labs(subtitle = "Elbow method") 
Con esta gráfica podemos visualizar que el número óptimo de clústers son 4.
#Visualizar clusters:
dias_salario_cluster<-kmeans(dias_salario_norm,4)
dias_salario_cluster## K-means clustering with 4 clusters of sizes 159, 5, 43, 30
##
## Cluster means:
## no_dias salario_diario_imss
## 1 -0.2906680 0.11501794
## 2 5.8798242 2.45410205
## 3 0.2579630 0.08136604
## 4 0.1908225 -1.13523673
##
## Clustering vector:
## 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
## 2 4 4 4 4 4 4 4 4 3 4 4 1 1 4 4 4 4 4 4
## 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
## 4 2 4 4 1 1 1 1 1 1 1 1 1 1 1 1 4 3 1 1
## 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60
## 3 3 1 1 1 1 1 1 1 1 1 2 3 1 1 1 1 1 1 4
## 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80
## 1 1 1 1 1 1 1 4 3 4 1 1 1 1 1 1 1 1 1 1
## 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100
## 2 4 4 4 4 3 1 1 1 1 1 1 1 1 1 1 1 4 4 3
## 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120
## 3 1 1 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1
## 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140
## 1 1 3 1 1 1 1 1 1 1 1 1 1 4 3 3 3 3 1 1
## 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 3 1 1
## 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180
## 1 1 1 3 3 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200
## 3 3 3 3 3 3 3 3 3 3 3 3 3 1 3 3 3 3 3 3
## 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220
## 3 3 3 3 1 1 1 1 3 1 1 1 1 1 1 1 1 1 1 1
## 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237
## 1 3 3 1 1 1 1 1 1 1 1 1 1 1 1 1 1
##
## Within cluster sum of squares by cluster:
## [1] 1.009803 184.768864 12.851574 11.956632
## (between_SS / total_SS = 55.4 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"#Visualizar resultados:
fviz_cluster(dias_salario_cluster,data=dias_salario_norm)
promedio_dias <- mean(bajas$no_dias)
promedio_dias## [1] 79.47196Este cluster muestra que no hay posibilidad de desarrollo del empleo (desde un punto de vista económico) independientemente de cuánto tiempo o cuántos días haya trabajado en FORM ya que, como lo muestra el análisis de conglomerados, el número de días trabajados tiene poco efecto en el día a día. salario.
Paso 4. Creación de Segmentos apartir de los Clústers:
#Decidimos usar el Cluster 2 para generar la clasificación de variables y poder comparar con datos cualitativos.
#Añadir a la base de datos la columna de Clusters y su clasificación:
bajas1<-bajas
bajas1$Clusters<-edad_salario_cluster$cluster
library(dplyr)
library(factoextra)
#Identificamos la clasificación de las distintas edades de los colaboradores.
bajas2<-bajas1 %>% group_by(Clusters) %>% dplyr::summarise(edad=max(edad)) %>% arrange(desc(edad))
bajas1$Cluster_Names<-factor(bajas1$Clusters,levels = c(1,2,3,4),
labels=c("Outlier", "Joven", "Avanzada", "Adulta"))
bajas3 <- bajas1 %>% group_by(Cluster_Names) %>% dplyr::summarize(edad_años=max(edad), salario_imss=mean(salario_diario_imss),Count=n())
clusters<-as.data.frame(bajas3)
clusters## Cluster_Names edad_años salario_imss Count
## 1 Outlier 40 177.0462 76
## 2 Joven 32 500.0000 1
## 3 Avanzada 61 176.5644 45
## 4 Adulta 28 176.3151 115Paso 5. Generación de gráficos:
Gráficos cuantitativos:
#Se realizó una gráfica para analizar el número de registros por cada segmento:
ggplot(bajas3,aes(x=reorder(Cluster_Names,Count),y=Count,fill=Cluster_Names)) +
geom_bar(stat="identity")
Según el gráfico anterior, los jóvenes, seguidos de los adultos y finalmente los trabajadores de mayor edad, han sido los que más bajas han presentado.
#Visualizar la edad por cada segmento:
ggplot(bajas3, aes(x=Cluster_Names,y=edad_años,fill= Cluster_Names,label=round(edad_años,digits=2))) +
geom_col() +
geom_text()
Visualización del máximo de cada tramo. Joven (hasta 28), Avanzado (hasta 61), Adulto (hasta 40), y el Outlier de 32
Gráficas mixtas (Datos Cualitativos y Cuantitativos):
Gráfica de barras: (Clusters y Género)
ggplot(bajas1, aes(factor(Cluster_Names), fill = factor(genero))) +
geom_bar(position = position_dodge2(preserve = "single")) 
Este gráfico nos dice que de cada segmento, hay más mujeres que se han dado de baja.
Gráfica de barras: (Clusters y Estado Civil)
ggplot(bajas1, aes(factor(Cluster_Names), fill = factor(estado_civil))) +
geom_bar(position = position_dodge2(preserve = "single")) 
Podemos ver que la mayoría de los jóvenes eran solteros, se igualaba el número de adultos casados, solteros o en unión libre, y a medida que mejoraba la sociedad aumentaba el número de solteros y casados. Sin embargo, muy pocos trabajadores se han divorciado y dejado la empresa.
Gráfica de barras: (Clusters y Motivo de Baja)
ggplot(bajas1, aes(factor(Cluster_Names), fill = factor(motivo_de_baja))) +
geom_bar(position = position_dodge2(preserve = "single")) 
Podemos ver que la mayoría del grupo de colaboradores jóvenes, adultos y adultos mayores han sido despedidos por ausentarse
Gráfica de pay: (Puesto)
table(bajas1$puesto)##
## ANALISTA DE NOMINAS /AUX DE R.H. AYUDANTE DE EMBARQUES
## 1 7
## AYUDANTE DE MTTO AYUDANTE DE SOLDADOR
## 1 1
## AYUDANTE GENERAL CHOFER
## 179 1
## CORTADOR COSTURERA
## 1 11
## DISEÑO ENCARGADA DE CALIDAD
## 1 1
## FACTURACION GUARDIA DE SEGURIDAD
## 1 2
## INSPECTOR CALIDAD JEFE DE SEGURIDAD E HIGIENE
## 4 1
## LIMPIEZA MARCADORA
## 1 1
## MATERIALISTA MONTACARGUISTA
## 2 5
## PRACTICANTE DE MTTO RESIDENTE
## 1 3
## SERVICIO AL CLIENTE SOLDADOR
## 1 11proporciones <- c(23, 179, 11, 11, 7, 5)
etiquetas <- c("Otros","Ayudante General", "Costurera", "Soldador", "Ayudante Embarques", "Montacarguista")
pct <- round(proporciones/sum(proporciones)*100)
etiquetas <- paste(etiquetas, pct)
etiquetas <- paste(etiquetas,"%",sep="")
pie(proporciones,labels = etiquetas,
col=rainbow(length(etiquetas)),
main="Puesto de los Ex-Colaboradores")
bajas4 <-bajas1 %>% filter(Clusters==1 | Clusters==3) %>% arrange(Clusters)
library(ggalluvial)
ggplot(as.data.frame(bajas4),
aes(y=edad, axis1= genero, axis2=estado_civil)) +
geom_alluvium(aes(fill=Cluster_Names), width = 1/12) +
geom_stratum(width = 1/12, fill = "black", color = "grey") +
geom_label(stat = "stratum", aes(label = after_stat(stratum))) +
scale_x_discrete(limits = c("Gender", "Marital Status"), expand = c(.05, .05)) +
scale_fill_brewer(type = "qual", palette = "Set1") +
ggtitle("FORM's Daily Wage by Sex and Marital Status")
Identificación de Resultados Relevantes y Sugerencias
A partir del análisis de las bases de datos de las diferentes áreas de la empresa FORM, identificar y describir los principales 6-8 hallazgos (meaningful insights).
1. El hallazgo que tuve en el area de merma fue que se ve que fue alta en los meses de de Agosto (370852 kilos de merma) y Septiembre donde se requiere determinar la causa del alto nivel de estos desechos, para asi poder prevenir futuros gastos extra y asi no volver a tener este problema.
2. El hallazgo que tuve en el area de Scrap fue que, en lo que es la Pre-production es donde mas scrap se ve reflejada en la cual yo considero que se implemente un plan para disminuir esto ya que se podria decir que se reflajan gastos extra que son innecesarios
3. El hallazgo que tuve en el area de los colaboradores es que los que estan casados y solteros suelen ganar màs de los que estan divorciados y en union libre
4. El hallazgo que tuve en el area de bajas fue que el motivo màs comùn de baja de los colaboradores han sido por despidos por faltas.
5. El hallazgo que tuve en cuanto a los pronosticos es que el tipo de cambio es un factor que influencia mucho en cuanto a las negociaciones de Mexico esto se debe dado que nuestro pais forma parte del mercado cambiario internacional, y la mayoría de las operaciones se realizan en el mercado peso-dólar, ya que la actividad en otros mercados de divisas es muy baja, asi que si este baja tambien afecta a Mexico.
6. El hallazgo que tuve en el area de colaboradores es que después de tomar en consideración las variables de edad y salario diario pude observar que los adultos entre 41 y 61 años, que se considera en lo que es la jubilación, sufren mayores bajas.
7. Otro hallazgo que tuve fue que los clientes más importantes para FORM son Yanfeng, Stabilus 1 y Varroc.
A partir del análisis de las bases de datos de las diferentes áreas de la empresa FORM, describir 3 sugerencias que le permitan al socio formador mejorar su proceso de captura, organización, y analítica de datos.
PROPUESTA PARA MERMA
Como propuesta para la merma, se tiene que implementar un plan que minimice la cantidad de merma generada, la cual se ve que fue alta en los meses de de Agosto y Septiembre donde se requiere determinar la causa del alto nivel de estos desechos, para asi poder prevenir futuros gastos extra y asi no volver a tener este problema.
PROPUESTA PARA SCRAP
Como propuesta para scrap, puedo decir que en el area de Pre-production siendo el area que mas scrap lleva se tiene que implementar un plan para disminuir esto ya que se podria decir que se reflajan gastos extra que son innecesarios.
PROPUESTA PARA PRODUCCION
Como propuesta para produccion puedo decir que se sigan adaptando a las necesidades de los cientes pero que tambien traten de implementar otras maneras ya que se quiere llegar a todos los clientes posibles y no estar segmentando, por lo cual es importante de tratar de abrirse mas hacia los clientes que no les llegan a pedir las mismas demandas.
PROPUESTA ANALISIS DE DATOS
Como propuesta para su analitica de datos es que para que FORM pueda seguir obteniendo buenos resultados a cuanto a sus datos es que constantemente busquen tener una limpia de estos, en donde me di cuenta que fue esencial al yo trabajar con estos, donde vi que habia muchas cosas que no tenian sentido, tales como errores de dedo, numeros extra, columnas repetidas, etc. El limpiar los datos ayudara a obtener resultados mejores, donde yo creo lo mas optimo para eso es que cierto departamento tenga la tarea de hacer esto ya sea el departamento de IT o tambien podrian tener alguna plataforma externa que les haga este trabajo.
Describir con tus propias palabras los términos Business Analytics y Business Intelligence. Así también, identificar y describir 3 principales diferencias entre Business Analytics y Business Intelligence.
Business Analytics es el proceso mediante el cual las organizaciones analizan datos históricos utilizando técnicas y tecnología estadísticas para aprender cosas nuevas y tomar mejores decisiones estratégicas.
Business Intelligence es un método impulsado por la tecnología para el análisis de datos y la entrega de información que ayuda a los ejecutivos, gerentes y empleados a tomar decisiones comerciales estratégicas.
1. Mientras que BA se utiliza para implementar cambios en las operaciones, BI se utiliza para administrar de manera eficiente el negocio actual.
2. La inteligencia comercial (Business Intelligence) prioriza el análisis descriptivo, que brinda una descripción general de los datos históricos y actuales para demostrar lo que ha ocurrido o está ocurriendo en este momento.
3. Finalmente, Business Analytics es apropiado cuando la expansión futura y la sustentabilidad se consideran el objetivo principal, mientras que Business Intelligence es importante cuando el enfoque de la organización está en operar el negocio existente.
Describir con tus propias palabras el concepto de Indicador Clave de Rendimiento / Key Performance Indicators (KPI).
Un indicador clave de rendimiento, o KPI, se describe como “un valor cuantitativo utilizado para evaluar la eficacia de una persona u organización para lograr un objetivo”. Los indicadores clave de rendimiento en las empresas pueden ser de alto nivel o profundizar en un departamento o persona en particular. Los KPI de alto nivel, como generar $ 1 millón en ingresos anuales recurrentes este año fiscal, a menudo evalúan el éxito de su empresa en general. Estos son KPI de bajo nivel cuando se sumerge en procesos que son exclusivos de divisiones, equipos o personas.
A partir del análisis de las bases de datos de las diferentes áreas de la empresa FORM, proponer y describir 3 posibles KPIs que permitan evaluar el desempeño de algunas de sus áreas.
1. Un indicador de rendimiento que podria ser de gran uso para el area de Merma que esta centrado en la gestión de existencias en el almacén, se denomina KPI de inventario. Las instalaciones que han descubierto estas métricas garantizan un control de inventario efectivo y flujos de entrada y salida fluidos de artículos.
2. Un indicador de rendimiento que podria ser de gran uso para el area de Recursos Humanos es el de “Nivel de satisfacción” el cual tendria que tener enfoque en los empleados, este lo considero importante ya que como su nombre lo dice se tomara como factor importante la satisfaccion que los colaboradores tienen dentro de la empresa, donde esta se podra medir con encuestas ya me sea mensuales, o como mas se acomode la empresa.
3. Un indicador de rendimiento que podria ser de gran uso para el area de ventas, es el de número de leads (Un lead es un potencial cliente interesado en los productos y/o servicios) puede desarrollar índices de indicación de ventas de KPI calculando su tasa de generación de prospectos. Esto es beneficioso tanto a nivel nacional como local. Puedes medir los diferentes niveles de influencia que tienes a nivel local de cada ciudad utilizando un KPI de este tipo en diferentes ciudades.
Referencias
- Klipfolio. (2022, October 19). What is a KPI? Definition, Best Practices, and Examples. Retrieved October 20, 2022, from https://www.klipfolio.com/resources/articles/what-is-a-key-performance-indicator
-Business intelligence vs. business analytics: What’s the difference? (n.d.). Tableau. Retrieved October 20, 2022, from https://www.tableau.com/learn/articles/business-intelligence/bi-business-analytics
- Costa, C., & Costa, C. (2020, December 15). Cuáles son los principales KPI de venta. CRO Creativo ®. Retrieved October 21, 2022, from https://crocreativo.com/blog/cuales-son-los-principales-kpi-de-venta/
---
title: "Evidencia 2"
author: "Emilio Olvera"
date: "2022-10-19"
output: 
  html_document:
    toc: true
    toc_float: true
    code_download: true
---

## <img src="/Users/emilioolvera/Desktop/Screen Shot 2022-10-21 at 4.12.25 PM.png">  

### *Importar Paquetes*

```{r message=FALSE, warning=FALSE, paged.print=FALSE}
library(plyr)
library(tidyverse)
library(knitr)
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

```

## <img src="/Users/emilioolvera/Desktop/FOTOSEVIDENCIA/basesdedatos.png">  

```{r message=FALSE, warning=FALSE, paged.print=FALSE}
#file.choose()
merma<- read.csv("/Users/emilioolvera/Downloads/FORM - Merma.csv")
scrap<- read.csv("/Users/emilioolvera/Downloads/Scrap.csv")
produccion<- read.csv("/Users/emilioolvera/Downloads/EMI_CARTON.csv")
performance <- read.csv("/Users/emilioolvera/Desktop/Portafolio del modulo/FORM - Delivery Performance.csv")
d_plan <- read.csv("/Users/emilioolvera/Downloads/Delivery Plan FINAL - EQUIPO 4 .csv")
bajas <- read.csv("/Users/emilioolvera/Downloads/FORM - Recursos Humanos - bajas.csv")
colaboradores <- read.csv("/Users/emilioolvera/Downloads/FORM - Recursos Humanos - colaboradores.csv")
```

##  *Cambiar nombres de variables*

### *Delivery Performance*

```{r message=FALSE, warning=FALSE, paged.print=FALSE}
performance<-clean_names(performance)
colnames(performance)
```

###  *Delivery Plan*

```{r message=FALSE, warning=FALSE, paged.print=FALSE}
d_plan<-clean_names(d_plan)
d_plan<-d_plan %>% dplyr::rename(cliente=cliente_planta,
                                 jun_21=junio,
                                 jul_21=julio,
                                 ago_21=agosto,
                                 sep_21=septiembre,
                                 oct_21=octubre,
                                 nov_21=noviembre,
                                 dic_21=diciembre,
                                 oct_22=octubre_22)
colnames(d_plan)


```

## **Variables y Registros por base de datos**

La base de datos *Merma* tiene 3 variables y 60 registros.
```{r}
describe(merma)
dim(merma)
```

La base de datos *Scrap* tiene 8 variables y 251 registros.
```{r}
describe(scrap)
dim(scrap)
```

La base de datos *Producción de Carton* tiene 17 variables y 2469 registros.
```{r}
describe(produccion)
dim(produccion)
```

La base de datos *Delivery Performance* tiene 5 variables y 325 registros.
```{r}
describe(performance)
dim(performance)
```

La base de datos *Delivery Plan* tiene 27 variables y 231 registros.
```{r}
describe(d_plan)
dim(d_plan)
```

La base de datos *Bajas* tiene 10 variables y 238 registros.
```{r}
describe(bajas)
dim(bajas)
```

La base de datos *Colaboradores* tiene 10 variables y 113 registros.
```{r}
describe(colaboradores)
dim(colaboradores)
```

## <img src= "/Users/emilioolvera/Desktop/FOTOSEVIDENCIA/clasificacionvariables.png">

*Merma*

```{r}
Variable<-c("Fecha","Mes","Kilos")

Tipo<-c("Qualitative (nominal)", "Qualitative (nominal)", "Quantitative (discrete)")

Escala <- c("Fecha (y/m/d)","N/A", "Kilogramos")

table<-data.frame(Variable,Tipo,Escala)
knitr::kable(table)

```

*Scrap*

```{r}
Variable2<-c("Referencia","Fecha","Producto","Cantidad", "Ubicación de origen")

Tipo2<-c("Qualitative (nominal)", "Qualitative (nominal)", "Qualitative (nominal)","Quantitative (discrete)", "Qualitative (nominal)")

Escala2 <- c("N/A","Fecha (y/m/d)", "N/A","Unidades","N/A")

table2<-data.frame(Variable2,Tipo2,Escala2)
knitr::kable(table2)

```

*Producción de Carton*

```{r}
Variable<-c("`Cliente`","`ID Form`", "`Producto`","`Piezas programadas`", "`Tiempo minutos`", "`Hora fin`", "`Estacion arranque`", "`Laminas procesadas`", "`Inicio set up`", "`Fin inicio set up`", "`Inicio de proceso`", "`Fin de proceso`", "`Tiempo calidad`")
Type<-c("Cualitativa","Cualitativa", "Cualitativa","Cuantitativa (discreta)", "Cuantitativa (discreta)", "Cuantitativa (continua)", "Cualitativa", "Cuantitativa (discreta)", "Cuantitativa (continua)", "Cuantitativa (continua)", "Cuantitativa (continua)", "Cuantitativa (continua)", "Cuantitativa (discreta)" )
Escalas<-c("Nominal", "Nominal","Nominal", "Intervalo", "Intervalo", "Intervalo", "Intervalo","Intervalo","Intervalo","Intervalo","Intervalo","Intervalo","Intervalo" ) 
table<-data.frame(Variable,Type,Escalas)
knitr::kable(table)
```

*Delivery Performance*

```{r}
Variable<-c("`Target`","`Cliente`","`Vueltas`","`Plan.arrival`","`Real.arrival`","`Real.departure`","`Diference`","`Date`")
Type<-c("quantiative (discrete)", "quantiative (continous)", "quantitative (continous)", "quantitative (continous)")
escalas <- c("intervalo", "nominal", "razon", "razon", "razon", "razon", "razon", "ordinal")
table <- data.frame (Variable, Type, escalas)
knitr::kable(table)
```

*Delivery Plan*

```{r message=FALSE, warning=FALSE, paged.print=FALSE}
variable <-c("CLIENTE.PLANTA,", "PROYECTO", "ID.0D00", "ITEM", "ENE.22", "FEBRERO.22", "MARZO.22", "ABRIL.22", "MAYO.22", "JUNIO.22", "JULIO.22", "AGOSTO.22", "SEPTIEMBRE.22", "OCTUBRE.22", "NOVIEMBRE.22", "DICIEMBRE.22", "ENERO.23", "FEBRERO.23", "MARZO.23")
Measurment <-c("CUALITATIVE", "CUALITATIVE", "CUALITATIVE", "CUALITATIVE", "CUANTITATIVE (DISCRETE)", "CUANTITATIVE (DISCRETE)", "CUANTITATIVE (DISCRETE)", "CUANTITATIVE (DISCRETE)", "CUANTITATIVE (DISCRETE)", "CUANTITATIVE (DISCRETE)", "CUANTITATIVE (DISCRETE)", "CUANTITATIVE (DISCRETE)", "CUANTITATIVE (DISCRETE)", "CUANTITATIVE (DISCRETE)", "CUANTITATIVE (DISCRETE)", "CUANTITATIVE (DISCRETE)", "CUANTITATIVE (DISCRETE)", "CUANTITATIVE (DISCRETE)", "CUANTITATIVE (DISCRETE)")
Scale <-c("NOMINAL", "NOMINAL", "NOMINAL", "NOMINAL", "RAZON", "RAZON", "RAZON", "RAZON", "RAZON", "RAZON", "RAZON", "RAZON", "RAZON", "RAZON", "RAZON", "RAZON", "RAZON", "RAZON", "RAZON")

clasificacion <- data.frame(variable, Measurment, Scale)
clasificacion
```

*Bajas*

```{r}
Variable6<-c("Nombre Completo","Fecha Nacimiento", "Genero", "Fecha Alta","Motivo Renuncia","Permanencia","Fecha de Baja","Puesto","Departamento","Salario Diario IMSS","Colonia","CP","Municipio","Estado","Estado Civil")

Tipo6<-c("Cualitative (nominal)","Quantiative (discrete)", "Cualitative (nominal)", "Quantiative (discrete)","Cualitative (nominal)","Quantiative (discrete)","Quantiative (discrete)","Cualitative (nominal)","Cualitative (nominal)","Quantiative (continuous)","Cualitative (nominal)","Cualitative (nominal)","Cualitative (nominal)","Cualitative (nominal)","Cualitative (nominal)")

Escala6<-c("N/A","Fecha (Y/M/D)", "N/A", "Fecha (Y/M/D)","N/A","Dias","Fecha (Y/M/D)","N/A","N/A","Pesos Mexicanos","N/A","N/A","N/A","N/A","N/A")

table6<-data.frame(Variable6,Tipo6,Escala6)
knitr::kable(table)

```

*Colaboradores*

```{r}
Variable7<-c("Nombre Completo","Fecha Nacimiento", "Genero", "Fecha Alta","Puesto","Departamento","Salario Diario IMSS","Colonia","Municipio","Estado","CP","Estado Civil")

Tipo7<-c("Cualitative (nominal)","Quantiative (discrete)", "Cualitative (nominal)", "Quantiative (discrete)","Cualitative (nominal)","Cualitative (nominal)","Quantiative (continuous)","Cualitative (nominal)","Cualitative (nominal)","Cualitative (nominal)","Cualitative (nominal)","Cualitative (nominal)")

Escala7<-c("N/A","Fecha (Y/M/D)", "N/A", "Fecha (Y/M/D)","N/A","N/A","Pesos Mexicanos","N/A","N/A","N/A","CP","N/A")

table7<-data.frame(Variable7,Tipo7,Escala7)
knitr::kable(table)

```

## <img src="/Users/emilioolvera/Desktop/FOTOSEVIDENCIA/LIMPIEZADEDATOS.png">  

### Paquetes
```{r message=FALSE, warning=FALSE, paged.print=FALSE}
library(data.table)
library(dplyr)
library(plyr)
library(ggplot2)
library(naniar)
library(Hmisc)         
library(psych)
library(tidyverse)
library(knitr)
# install.packages("pollster")
library(pollster)
library(epiDisplay)
library(descr)
library(tidyr)
#install.packages("MASS")
library(MASS)

```

## **Merma**

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

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

### 3: La variable de Kilos estaba en formato de carácter y se paso a numérica.

```{r}
str(merma)
merma$Kilos <- as.numeric(merma$Kilos)
```

## **Análisis Exploratorio de las Bases de Datos - MERMA**

### *Media*

*Las variables de fecha y el mes no puede tener media*
```{r}
media_kilos <- mean(merma1$Kilos)
media_kilos

```

### *Mediana*

*Las variables de fecha y el mes no puede tener mediana*
```{r}
mediana_kilos <- median(merma1$Kilos)
mediana_kilos
```

### *Moda*
```{r}
mode <- function (x) {
  ux <- unique(x)
  ux [which.max(tabulate(match(x,ux)))]
}

mode_fecha <- mode(merma1$Fecha)
mode_fecha

mode_mes <- mode(merma1$Mes)
mode_mes

mode_kilos <- mode(merma1$Kilos)
mode_kilos
```
**Podemos observar aqui que con esta funcion podemos ver que el mes con mayor merma fue agosto como lo indica la moda**

### *Desviación Estándar*

*Las variables de fecha y el mes no puede tener desviacion estandar*
```{r}
varianza_kilos <- var(merma1$Kilos)
varianza_kilos 

desviacionestandar_kilos <- sqrt(varianza_kilos)
desviacionestandar_kilos
```

### *Tabla*
```{r}

Variable<-c("Fecha", "Mes", "Kilos")
Media<-c("NA", "NA", media_kilos)
Mediana<-c("NA", "NA", mediana_kilos)
Moda<-c(mode_fecha, mode_mes, mode_kilos)
Desviacion_Estandar<-c("NA", "NA", desviacionestandar_kilos)
table<-data.frame(Variable,Media,Mediana,Moda,Desviacion_Estandar)
knitr::kable(table)
```

## **Scrap**

### Eliminar renglón de Unidades totales de scrap
```{r}
scrap1 <- scrap [- c(1),]
```
**Borrar todos los registros NA de una tabla para tener una base de datos mas eficiente, se quiso hacer esto para no tomar en cuenta el dia que no hubo produccion**
```{r}
scrap2 <- scrap1
scrap2 <- na.omit(scrap2)    
str(scrap2)
```

## **Análisis Exploratorio de las Bases de Datos - SCRAP**

### *Media*

*Las variables de fecha y ubicación de origen no puede tener media*
```{r}
media_cantidad <- mean(scrap1$Cantidad)
media_cantidad
```

### *Mediana*

*Las variables de fecha y ubicación de origen no puede tener mediana*
```{r}
mediana_cantidad <- median(scrap1$Cantidad)
mediana_cantidad
```

### *Moda*
```{r}
mode <- function (x) {
  ux <- unique(x)
  ux [which.max(tabulate(match(x,ux)))]
}

mode_fecha1 <- mode(scrap1$Fecha)
mode_fecha1

mode_cantidad <- mode(scrap1$Cantidad)
mode_cantidad

mode_ubicacion <- mode(scrap1$Ubicación.de.origen)
mode_ubicacion
```

### *Desviación Estándar*

*Las variables de fecha y ubicación de origen no puede tener desviacion estandar*
```{r}
varianza_cantidad <- var(scrap1$Cantidad)
varianza_cantidad

desviacionestandar_cantidad <- sqrt(varianza_cantidad)
desviacionestandar_cantidad
```

### *Tabla*
```{r}
Variable<-c("Fecha", "Cantidad", "Ubicación_de_origen")
Media<-c("NA", media_cantidad, "NA")
Mediana<-c("NA",mediana_cantidad, "NA")
Moda<-c(mode_fecha1, mode_cantidad, mode_ubicacion)
Desviacion_Estandar<-c("NA", desviacionestandar_cantidad, "NA")
table<-data.frame(Variable,Media,Mediana,Moda,Desviacion_Estandar)
knitr::kable(table)
```

## **Delivery Performance**
```{r message=FALSE, warning=FALSE, paged.print=FALSE}
#file.choose()
bd2 <- read.csv("/Users/emilioolvera/Downloads/FORM - Delivery Performance BD BUENA.csv")
library(dplyr)
library(janitor)
performance <- clean_names(bd2)
summary(performance)
```

### Técnica 1.Borrar columnas.
```{r}
performance <- subset(performance, select = -c(x, x_1, x_2, x_3))
summary(performance)
```

### Técnica 2.Convertir de caracter a fecha
```{r message=FALSE, warning=FALSE, paged.print=FALSE}
performance$fecha <- as.Date(performance$fecha, format = "%d/%m/%Y")
tibble(performance)

```

### Técnica 3.Convertir de caracter a entero 
```{r}
performance$printel <- substr(performance$printel, start = 1, stop = 2)
tibble(performance)
performance$printel <- as.numeric(performance$printel)
str(performance)

performance$mahle <- substr(performance$mahle, start = 1, stop = 2)
performance$mahle <- as.numeric(performance$mahle)

performance$magna <- substr(performance$magna, start = 1, stop = 2)
performance$magna <- as.numeric(performance$magna)
str(performance)

performance$varroc <- substr(performance$varroc, start = 1, stop = 2)
performance$varroc <- as.numeric(performance$varroc)
str(performance)
```

### Técnica 4.Reemplazar NAs con la mediana de cada variable
```{r}
sapply(performance, function(x) sum(is.na(x)))

performance$fecha[is.na(performance$fecha)]<-median(performance$fecha, na.rm = TRUE)
performance$printel[is.na(performance$printel)]<-median(performance$printel, na.rm = TRUE)
performance$mahle[is.na(performance$mahle)]<-median(performance$mahle, na.rm = TRUE)
performance$magna[is.na(performance$magna)]<-median(performance$magna, na.rm = TRUE)
performance$varroc[is.na(performance$varroc)]<-median(performance$varroc, na.rm = TRUE)
summary(performance)
```

## **Análisis Exploratorio de las Bases de Datos- Delivery Performance**

### *Media*
```{r}
media_printel <- mean(performance$printel)
media_printel

media_mahle <- mean(performance$mahle)
media_mahle

media_magna <- mean(performance$magna)
media_magna

media_varroc <- mean(performance$varroc)
media_varroc
```

### *Mediana*
```{r}
mediana_printel <- median(performance$printel)
mediana_printel

mediana_mahle <- median(performance$mahle)
mediana_mahle

mediana_magna <- median(performance$magna)
mediana_magna

mediana_varroc <- median(performance$varroc)
mediana_varroc
```

### *Moda* 
```{r}
mode <- function(x) {
  ux <- unique(x)
  ux[which.max(tabulate(match(x, ux)))]
}
moda_printel <- mode(performance$printel)
moda_printel

moda_mahle <- mode(performance$mahle)
moda_mahle

moda_magna <- mode(performance$magna)
moda_magna

moda_varroc <- mode(performance$varroc)
moda_varroc
```

### *Varianza*
```{r}
varianza_printel <-var(performance$printel)
varianza_printel

varianza_mahle <-var(performance$mahle)
varianza_mahle

varianza_magna <-var(performance$magna)
varianza_magna

varianza_varroc <-var(performance$varroc)
varianza_varroc
```

### *Desviación Estándar*
```{r}
desviacion_printel <- sqrt(varianza_printel)
desviacion_printel

desviacion_mahle <- sqrt(varianza_mahle)
desviacion_mahle

desviacion_magna <- sqrt(varianza_magna)
desviacion_magna

desviacion_varroc <- sqrt(varianza_varroc)
desviacion_varroc
```

### *Tabla*
```{r}
Variable2 <-c("Printel","Mahle", "Magna", "Varroc")
Promedio2 <-c("0.339", "2.209","0", "0")
Moda2 <-c(" "," "," ", " ")
Mediana2 <-c("0","3","0", "0")
Varianza2 <-c("0.441","2.909","0", "0")
Desviación_Estándar2 <-c ("0.664","1.705","0", "0")
tabla2 <-data.frame(Variable2,Promedio2, Moda2, Mediana2, Varianza2, Desviación_Estándar2)
tabla2
knitr::kable(tabla2)
```

## **Delivery Plan**

#### Importar las bases de datos
```{r message=FALSE, warning=FALSE, paged.print=FALSE}
library(data.table)
library(dplyr)
library(plyr)
library(ggplot2)
library(naniar)
library(Hmisc)         
library(psych)
library(tidyverse)
library(janitor)
library(knitr)
library(pollster)
library(epiDisplay)
library(descr)
library(tidyr)
library(ggeasy)
library(stringr)
library(patchwork)

# file.choose()
bd <- read.csv("/Users/emilioolvera/Downloads/Delivery Plan FINAL - EQUIPO 4 .csv")
```

### Técnica 1. Acondicionar nombres a formato óptimo para R
```{r}
bd <- clean_names(bd)
```

### Técnica 2.Unir los pedidos programados en una sola columna.
```{r}
bd <- bd %>% dplyr::rename(cliente=cliente_planta,
                             A_jun_21=junio,
                             B_jul_21=julio,
                             C_ago_21=agosto,
                             D_sep_21=septiembre,
                             E_oct_21=octubre,
                             F_nov_21=noviembre,
                             G_dic_21=diciembre,
                             H_ene_22=ene_22,
                             I_feb_22=feb_22,
                            J_mar_22=mar_22,
                            K_abr_22=abr_22,
                            L_may_22=may_22,
                            M_jun_22=jun_22,
                            N_jul_22=jul_22,
                            O_ago_22=ago_22,
                            P_sep_22=sep_22,
                            Q_oct_22=octubre_22,
                            R_nov_22=nov_22,
                            S_dic_22=dic_22,
                            T_ene_23=ene_23,
                            U_feb_23=feb_23,
                            V_mar_23=feb_23
                          
                           )
colnames(bd)
bd <- pivot_longer(bd, cols=5:14, names_to = "Mes", values_to = "Unidades")
str(bd)
```

### Técnica 3.Eliminación de ceros en la base de datos para eliminar rengoles/clientes sin registros
```{r}
bd1 <- filter(bd, Unidades>0)
```

### Técnica 4.Eliminación de variables irrelevantes. En este caso, dado que previamente se unieron (merge) las variables de mes, solo se considera necesaria la variables de cliente, fecha y Unidades
```{r}
bd2 <- bd1         
bd2 <- subset (bd1, select = -c (proyecto, id_odoo, item, K_abr_22, L_may_22, M_jun_22,N_jul_22,O_ago_22, P_sep_22, Q_oct_22, R_nov_22,  S_dic_22, T_ene_23, V_mar_23, mar_23, total_meses))
summary(bd2)
```

## **Análisis Exploratorio de las Bases de Datos - Delivery Plan**

### *Media*
```{r}
Media <- mean(bd2$Unidades)
Media
```

### *Mediana*
```{r}
Mediana <- median(bd2$Unidades)
Mediana
```

### *Moda*
```{r}
mode <- function(x) {
  ux <- unique(x)
  ux[which.max(tabulate(match(x, ux)))]
}

Moda_clientes <- mode(bd2$cliente)  
Moda_clientes

Moda_mes <- mode(bd2$Mes)  
Moda_mes

Moda_unidades <- mode(bd2$Unidades)  
Moda_unidades
```

### *Varianza*
```{r}
varianza_unidades_prog <- var(bd2$Unidades)
varianza_unidades_prog
```

### *Desviación Estándar*
```{r}
desviacion_unidades_prog<- sqrt(varianza_unidades_prog)
desviacion_unidades_prog
```

### *Tabla*
```{r}
Variable<-c("Unidades", "Mes", "cliente")
Media<-c(Media, "NA", "NA")
Mediana<-c(Mediana, "NA", "NA")
Moda<-c(Moda_unidades, Moda_mes, Moda_clientes)
Desviacion_Estandar<-c("1002.834", "NA", "NA")
table1 <- data.frame(Variable, Media, Mediana, Moda, Desviacion_Estandar)
knitr::kable(table)
```


## **Recursos Humanos Colaboradores**

#### Importar las bases de datos
```{r}
#file.choose()
bd <- read.csv("/Users/emilioolvera/Downloads/FORM - Recursos Humanos - colaboradores.csv")
# install.packages("dplyr")
library(dplyr)
# install.packages("janitor")
library(janitor)
colaboradores <- clean_names(bd)
summary(colaboradores)
```

### Técnica 1. Borrar columnas.
```{r}
colaboradores <- subset(colaboradores, select = -c(no_empleado, nombre_completo, fecha_alta, mano_de_obra))
```

### Técnica 2. Reemplezar NAs con el promedio en la columna de "Salario Diario"
```{r}
colaboradores$salario_diario[is.na(colaboradores$salario_diario)]<-mean(colaboradores$salario_diario, na.rm = TRUE)
summary (colaboradores)
```

## **Análisis Exploratorio de las Bases de Datos - Colaboradores**

### *Media*
```{r}
media_edad <- mean(colaboradores$edad)
media_edad

media_antiguedad <- mean(colaboradores$antiguedad)
media_antiguedad

media_salario <- mean(colaboradores$salario_diario)
media_salario
```

### *Mediana*
```{r}
mediana_edad <- median(colaboradores$edad)
mediana_edad

mediana_antiguedad <- median(colaboradores$antiguedad)
mediana_antiguedad

mediana_salario <- median(colaboradores$salario_diario)
mediana_salario 
```

### *Moda* 
```{r}
mode <- function(x) {
  ux <- unique(x)
  ux[which.max(tabulate(match(x, ux)))]
}
moda_edad <- mode(colaboradores$edad)
moda_edad

moda_antiguedad <- mode(colaboradores$antiguedad)
moda_antiguedad

moda_salario <- mode(colaboradores$salario_diario)
moda_salario 
```

### *Varianza*
```{r}
varianza_edad <-var(colaboradores$edad)
varianza_edad

varianza_antiguedad <-var(colaboradores$antiguedad)
varianza_antiguedad

varianza_salario <-var(colaboradores$salario_diario)
varianza_salario
```

### *Desviación Estándar*
```{r}
desviacion_edad <- sqrt(varianza_edad)
desviacion_edad

desviacion_antiguedad <- sqrt(varianza_antiguedad)
desviacion_antiguedad

desviacion_salario <- sqrt(varianza_salario)
desviacion_salario

```

### *Tabla*
```{r}
Variable <-c("Edad","Antiguedad","Salario Diario")
Promedio <-c("36", "1.42","179.098")
Moda <-c("32","0","180.68")
Mediana <-c("34","0","180.68")
Varianza <-c("165.005","6.353","589.722")
Desviación_Estándar <-c ("12.845","2.520","24.284")
tabla <-data.frame(Variable,Promedio, Moda, Mediana, Varianza, Desviación_Estándar)
tabla
knitr::kable(tabla)
```


## **Recursos Humanos Bajas**

#### Importar las bases de datos
```{r}
#file.choose()
bd1<- read.csv("/Users/emilioolvera/Downloads/FORM - Recursos Humanos - bajas.csv")
bajas <- clean_names(bd1)
summary(bajas)
```

## Limpieza, Transformación, y Organización de Bases de Datos

###  Reemplazar NA con CEROS en la columna de "Antigüedad" ya que es la Mediana y Moda.
```{r}
bajas$antiguedad[is.na(bajas$antiguedad)]<-0
```

### Reemplezar NAs con el promedio en la columna de "Edad" y "Salario Diario"
```{r}
bajas$edad[is.na(bajas$edad)]<-mean(bajas$edad, na.rm = TRUE)
bajas$salario_diario[is.na(bajas$salario_diario)]<-mean(bajas$salario_diario, na.rm = TRUE)
summary (bajas)
```

### Técnica 3.Convertir de caracter a fecha
```{r}
bajas$baja <- as.Date(bajas$baja, format = "%d/%m/%Y")
tibble(bajas)
bajas$baja[is.na(bajas$baja)]<-mean(bajas$baja, na.rm = TRUE)
summary (bajas)
```

## **Análisis Exploratorio de las Bases de Datos- RH Bajas**

### *Media*
```{r}
media_edad1 <- mean(bajas$edad)
media_edad1

media_antiguedad1 <- mean(bajas$antiguedad)
media_antiguedad1

media_salario1 <- mean(bajas$salario_diario)
media_salario1
```

### *Mediana*
```{r}
mediana_edad1 <- median(bajas$edad)
mediana_edad1

mediana_antiguedad1 <- median(bajas$antiguedad)
mediana_antiguedad1

mediana_salario1 <- median(bajas$salario_diario)
mediana_salario1
```

### *Moda* 
```{r}
mode <- function(x) {
  ux <- unique(x)
  ux[which.max(tabulate(match(x, ux)))]
}
moda_edad1 <- mode(bajas$edad)
moda_edad1

moda_antiguedad1 <- mode(bajas$antiguedad)
moda_antiguedad1

moda_salario1 <- mode(bajas$salario_diario)
moda_salario1 
```

### *Varianza*
```{r}
varianza_edad1 <-var(bajas$edad)
varianza_edad1

varianza_antiguedad1 <-var(bajas$antiguedad)
varianza_antiguedad1

varianza_salario1 <-var(bajas$salario_diario)
varianza_salario1
```

### *Desviación Estándar*
```{r}
desviacion_edad1 <- sqrt(varianza_edad1)
desviacion_edad1

desviacion_antiguedad1 <- sqrt(varianza_antiguedad1)
desviacion_antiguedad1

desviacion_salario1 <- sqrt(varianza_salario1)
desviacion_salario1
```

### *Tabla*
```{r}
Variable1 <-c("Edad","Antiguedad","Salario Diario")
Promedio1 <-c("31.05","0.6","177.985")
Moda1 <-c("22","0","180.68")
Mediana1 <-c("29","0","180.68")
Varianza1 <-c("90.732","0.6677","531.996")
Desviación_Estándar1 <-c ("9.525","0.817","23.065")
tabla1 <-data.frame (Variable1,Promedio1, Moda1, Mediana1, Varianza1, Desviación_Estándar1)
tabla1
knitr::kable(tabla1)
```


## **Produccion de carton**

#### Importar las bases de datos
```{r message=FALSE, warning=FALSE, paged.print=FALSE}
#file.choose()
bd4 <- read.csv("/Users/emilioolvera/Downloads/EMI_CARTON.csv")
library(janitor)
produccion <- clean_names(bd4)
summary(produccion)

produccion <- subset(produccion,select = -c (id_form, producto, hr_fin, inicio_sep_up, fin_inicio_de_sep_up, inicio_de_proceso, fin_de_proceso, tiempo_materiales))
summary(produccion)

library(data.table)
library(dplyr)
library(plyr)
library(ggplot2)
library(naniar)
library(Hmisc)         
library(psych)
library(tidyverse)
library(knitr)
# install.packages("pollster")
library(pollster)
library(epiDisplay)
library(descr)
library(tidyr)
```

### Técnica 1.Convertir a caracter a numerico y de fecha
```{r}
produccion$piezas_prog<-as.numeric(produccion$piezas_prog)                 
produccion$tmo_min<-as.numeric(produccion$tmo_min)                  
produccion$laminas_procesadas<-as.numeric(produccion$laminas_procesadas)   
produccion$tiempo_calidad<-as.numeric(produccion$tiempo_calidad) 
produccion$fecha <- as.Date(produccion$fecha, format = "%d/%m/%Y")
summary(produccion)
```


*Al aplicar esta tecnica se introducieron NAs a la base de datos las cuales luego borre*

### Técnica 2.Borrar las letras de algunos registros de "Pieza_Prog".
```{r warning=FALSE}
produccion$piezas_prog <- str_replace(produccion$piezas_prog, "[aeiouLAM=NbBsS]", "")
produccion$piezas_prog <- as.integer(produccion$laminas_procesadas)
```

### Técnica 3.Reemplazar por la mediana los NA´s de tmo_min y de tiempo_calidad
```{r warning=FALSE}
produccion$tmo_min[is.na(produccion$tmo_min)]<-median(produccion$tmo_min, na.rm = TRUE)
produccion$tiempo_calidad[is.na(produccion$tiempo_calidad)]<-median(produccion$tiempo_calidad, na.rm = TRUE)
summary(produccion)
```

## **Análisis Exploratorio de las Bases de Datos- Produccion de carton**

### *Media*
```{r}
media_piezas_prog<- mean(produccion$piezas_prog)
media_piezas_prog

media_tmo_min<- mean(produccion$tmo_min)
media_tmo_min 

media_laminas_procesadas <- mean(produccion$laminas_procesadas)
media_laminas_procesadas

media_tiempo_calidad<- mean(produccion$tiempo_calidad)
media_tiempo_calidad
```

### *Mediana*
```{r}
median_piezas_prog<- median(produccion$piezas_prog)
median_piezas_prog

median_tmo_min<- median(produccion$tmo_min)
median_tmo_min 

median_laminas_procesadas <- median(produccion$laminas_procesadas)
media_laminas_procesadas

median_tiempo_calidad<- median(produccion$tiempo_calidad)
median_tiempo_calidad
```

### *Moda* 
```{r}
mode <- function(x) {
  ux <- unique(x)
  ux[which.max(tabulate(match(x, ux)))]
}
moda_piezas_prog <- mode(produccion$piezas_prog)
moda_piezas_prog

moda_tmo_min <- mode(produccion$tmo_min)
moda_tmo_min

moda_laminas_procesadas<- mode(produccion$laminas_procesadas)
moda_laminas_procesadas

moda_tiempo_calidad <- mode(produccion$tiempo_calidad)
moda_tiempo_calidad
```

### *Varianza*
```{r}
varianza_piezas_prog <-var(produccion$piezas_prog)
varianza_piezas_prog

varianza_tmo_min <-var(produccion$tmo_min)
varianza_tmo_min

varianza_laminas_procesadas<-var(produccion$laminas_procesadas)
varianza_laminas_procesadas

varianza_tiempo_calidad <-var(produccion$tiempo_calidad)
varianza_tiempo_calidad
```

### *Desviación Estándar*
```{r}
desviacion_piezas_prog<- sqrt(varianza_piezas_prog)
desviacion_piezas_prog

desviacion_tmo_min <- sqrt(varianza_tmo_min)
desviacion_tmo_min

desviacion_laminas_procesadas <- sqrt(varianza_laminas_procesadas)
desviacion_laminas_procesadas

desviacion_tiempo_calidad <- sqrt(varianza_tiempo_calidad)
desviacion_tiempo_calidad
```

### *Tabla*
```{r}
Variable2 <-c("piezas_prog","tmo_min ", "laminas_procesadas", "tiempo_calidad")
Promedio2 <-c("102.01", "21.88","102.01", "0.8749")
Moda2 <-c("0", "20","0", "1")
Mediana2 <-c("51","20","102.0105", "1")
Varianza2 <-c("18056.03","143.2895","18056.03", "0.9834017")
Desviación_Estándar2 <-c ("134.3727","11.97036","134.3727", "0.9916661")
tabla2 <-data.frame(Variable2,Promedio2, Moda2, Mediana2, Varianza2, Desviación_Estándar2)
tabla2
knitr::kable(tabla2)
```


## <img src="/Users/emilioolvera/Desktop/FOTOSEVIDENCIA/Screen Shot 2022-10-21 at 1.58.14 PM.png">   

*Tabla de frecuencia para merma - La tabla de frecuencia se hizo de los Kilos y esta me sirvio para ver que nunca tienen el mismo monto de merma *

```{r}
table(merma1$Mes, merma1$Kilos)
prop.table(table(merma1$Mes, merma1$Kilos))
```

*Tabla de frecuencia de Scrap - La tabla de frecuencia de scrap se hizo de cantidad y esta me sirvio para ver como varia la cantidad de scrap la cual se ve reflejada yendo a varias ubicaciones la cual es 1*
```{r}
frec_scrap<-scrap1 %>% group_by(Cantidad) %>% tally()
frec_scrap
```


*Tabla de frecuencia de Produccion - La tabla de frecuencia de produccion se hizo de piezas, esta me sirvio para ver como es que las piezas de produccion se van vendiendo*
```{r}
FREC_PROD<-bd4 %>% group_by(PIEZAS.PROG.) %>% tally()
FREC_PROD
```



*Grafica de dispersion para merma - En esta grafica podemos apreciar los datos de lo que son los kilos que tienen de merma por mes en donde se puede ver que en agosto es cuando se tiene el mayor numero de merma*

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

```




*Gráfica de Dispersión para Scrap -En esta grafica de dispersion se puede apreciar visualmente la cantidad que se produce en cada ubicacion, tal fue de ayuda para ver que en SAB/Pre-Production es la que mas tiene Scrap.*
```{r}
ggplot(data=scrap1, mapping =
aes(Cantidad, Ubicación.de.origen)) +
  geom_point(aes()) + theme_bw()
```



*Grafico de barras de los kilos de MERMA que se producen por mes- Visualmente podemos ver que Agosto tiene el mayor numero de merma a comparacion de los otros meses*
```{r}
ggplot(merma1, aes(x=Mes, y=Kilos)) +
  geom_bar(stat="identity", fill="yellow") + scale_fill_grey() + 
  labs(title = "Grafica de Barras de los kilos de merma que hay por mes.", 
       x = "Mes", y = "Kilos")
```




*Grafico de barras de SCRAP de la cantidad de las piezas por la ubicación - En esta grafica de barras es visualmente claro que como se menciono anteriormente, el area de pre-production es la que mas scrap lleva.*
```{r}
ggplot(scrap2, aes(x=Ubicación.de.origen, y=Cantidad)) +
  geom_bar(stat="identity", fill="BLUE") + scale_fill_grey() + 
  labs(title = "Grafico de barras de las unidades de Scrap por ubicacion de origen", 
       x = "Unidades", y = "Ubicación")

```


*Plot de dispersion - Produccion carton- Este gráfico muestra que FORM no experimenta retrasos de horas con sus clientes Magna y Varroc, pero Mahle e Printel han tenido retrasos significativos, principalmente en el primer trimestre de 2022. *
```{r}
ggplot(performance,aes(x=fecha))+
  geom_line(aes(y=printel),color="blue")+
  geom_line(aes(y=mahle),color="orange")+
  geom_line(aes(y=magna),color="green")+
  geom_line(aes(y=varroc),color="green")+
  labs(x="Fecha",y="Retraso en horas", color="Legend")+
  ggtitle("Retrasos de entrega por cliente")
```


*Dispersion plot - Los números de unidades vendidas cada mes se muestran en un gráfico para los años 2021 y 2022. Se puede ver que aumentaron en junio de 2021, disminuyeron en los meses siguientes y luego aumentaron nuevamente en los meses de 2022. Esta información se puede utilizar para identificar patrones en los datos y determinar qué meses reciben la mayor demanda*


```{r warning=FALSE}
ggplot(bd2, aes(x = bd2$Mes, y = bd2$Unidades)) + 
  geom_point(shape=19, size=3) + 
  labs(title = "Relación entre Unidades y Meses",caption ="FORM Merma",x="Mes", y="Unidades") + 
  theme_classic()
```


*Histograma colaboradores - Con estas gràfica podemos observar que los colaboradores actuales en promedio tienen entre 20-40 años.*
```{r}
hist(colaboradores$edad, freq=TRUE, col="purple", main="Edad en años de los Colaboradores actuales")
```




*Grafico cualitativo - Con esta gràfica podemos observar que el motivo màs comùn de baja de los colaboradores han sido por despidos por faltas con un 59% y por renuncia voluntaria por un 37%.*

```{r}
table(bajas$motivo_baja)

proporciones <- c(1, 141, 1, 87, 8)
etiquetas <- c("Abandono", "Baja por Faltas", "Jubilaciòn", "Renuncia Voluntaria", "Termino de Contrato")
pct <- round(proporciones/sum(proporciones)*100)
etiquetas <- paste(etiquetas, pct)
etiquetas <- paste(etiquetas,"%",sep="")
pie(proporciones,labels = etiquetas,
    col=rainbow(length(etiquetas)),
    main="Motivo de bajas de los Colaboradores")
```

*Bar plot - Con este gràfico podemos observar que los que estan casados y solteros suelen ganar màs de los que estan divorciados y en uniòn libre. Ademàs, los hombres casados y las mujeres solteras son los que ganan màs.*
```{r}
ggplot(colaboradores, aes(x=genero, y=salario_diario, fill=genero)) + 
  geom_bar(stat="identity") + 
  facet_grid(~estado_civil) + scale_fill_brewer(palette = "Set2")
```

## <img src= "/Users/emilioolvera/Desktop/Screen Shot 2022-10-21 at 1.59.26 PM.png">

### Pronóstico del Desempeño de la Industria Automotriz y la empresa FORM

### *Descripción de variables*
#### Año - Año en el que se efectúo la exportación o venta.
#### Mes - Mes correspondiente al año en el que se efectúo la exportación o venta. 
#### Venta (variable dependiente) - Venta en México de vehículos ligeros en unidades.
#### Exportación (variable dependiente) - Exportación en México de vehículos ligeros en unidades.
#### Tipo de cambio (variable independiente) - Registros historicos del dolar en México.
#### Inflación (variable independiente)- Inflación durante los años definidos.
#### porcentaje_ocu (variable independiente) - Porcentaje de la población ocupada.
#### porcentaje_desocu (variable independiente) - Porcentaje de la población desocupada.
#### conf_consumidor (variable independiente) - Confianza del consumidor en la industria automotriz en México.

#### Importar bases de datos 
```{r}
#file.choose
bd_prediccion <- read.csv("/Users/emilioolvera/Downloads/encoded-bd_prediccion.csv")
vehiculos_circulacion <-read.csv("/Users/emilioolvera/Downloads/encoded-vehiculos_en_circulacion (2).csv")
eua <- read.csv("/Users/emilioolvera/Downloads/car_production.csv")
produccion <- read.csv("/Users/emilioolvera/Downloads/bd_produccion_limpia.csv")
```

#### Instalar paquetes y llamar librerías
```{r message=FALSE, warning=FALSE}
#install.packages("tseries")
library(tseries)
#install.packages("forecast")
library(forecast)
#install.packages("astsa")
library(astsa)
#install.packages("dplyr")
library(dplyr)
#install.packages("jtools")
library(jtools)
#install.packages("lmtest")
library(lmtest)
#install.packages("car")
library(car)
#install.packages("olsrr")
library(olsrr)
#install.packages("corrplot")
library(corrplot)
library(ggfortify)    # data visualization tools for statistical analysis results
library(ggalluvial)   # used to visualize frequency tables involving several categorical variables
library(forecast)
library(tseries)

```

## <img src="/Users/emilioolvera/Desktop/FOTOSEVIDENCIA/Screen Shot 2022-10-21 at 1.51.15 PM.png"> 

```{r}
str(eua)
```

```{r}
corrplot(cor(eua),type='upper',order='hclust',addCoef.col='black') 
```

```{r}
model1eua<-lm(us_car_production~people_unemployed+retail_price_gasoline+imports_value,data=eua)     
summary(model1eua)
```

```{r}
summary(model1eua<-arma(eua$us_car_production,order=c(0,1)))
```

```{r}
model1eua_forecast<-forecast(model1eua$fitted,h=3,level=c(95))
```

```{r}
model1eua_forecast
```

## <img src="/Users/emilioolvera/Desktop/FOTOSEVIDENCIA/Screen Shot 2022-10-21 at 1.51.30 PM.png">  

## Automotive Industry Mexico and FORM Performance Forecast

```{r include=FALSE}
library(tseries)   # time series analysis and computational finance 
library(forecast)  # provides methods and tools for displaying and analyzing univariate time series forecast
library(astsa)     # applied statistical time series analysis 
```


### *Desempeño de la industria automotriz para los siguientes 3 periodos de tiempo*

#### Vehículos de motor registrados en circulación 

#### Entender la base de datos 
```{r}
summary(vehiculos_circulacion)
str(vehiculos_circulacion)
```

## *Limpieza de datos*

### Eliminar variables (Camiones.y.camionetas.para.carga, Motocicletas, X y X.1) 
```{r}
vehiculos_circulacion1 <- subset(vehiculos_circulacion, select = -c (Camiones.y.camionetas.para.carga, Motocicletas, X, X.1))
vehiculos_circulacion1
```

*Debido a que el mercado principal de FORM no son los camiones, camionetas de carga o motocicletas, así como a que los datos de estas variables no son significativos para el pronóstico debido a que sus valores son muy pequeños en comparación con las otras variables, su se eliminan los datos. De manera similar, las variables X y X.1 también se eliminan porque carecen de información pertinente. *

### Eliminar renglones irrelevantes
```{r}
vehiculos_circulacion2 <- vehiculos_circulacion1[-c(43,44,45,46,47),]
vehiculos_circulacion2
summary(vehiculos_circulacion2)
```
*Se eliminan estos renglones, debido a que no tenían contenido, es decir, eran considerados NA´s.*

### Gráfica
```{r warning=FALSE}
plot(vehiculos_circulacion2$Año,vehiculos_circulacion2$Total, type="l",col="blue", lwd=1.5, xlab ="Año",ylab ="Unidades", main = "Vehiculos de motor en circulación registrados anualmente")
lines(vehiculos_circulacion2$Año,vehiculos_circulacion2$Automóviles,col="red",lty=3)
legend("topleft", legend=c("Total de vehiculos en circulación", "Automóviles en circulación"),
       col=c("blue", "red"), lty = 1:2, cex=0.8)
```

*Con la ayuda de este gráfico, es fácil ver cómo se comportan las variables y comparar cuántos automóviles se han producido en general a lo largo de los años, Dado que ambas líneas son bastante similares entre sí y están ubicadas muy cerca una de la otra, se puede inferir que el porcentaje de automóviles en el total es el más grande. Por otro lado, el gráfico muestra una tendencia generalmente creciente y positiva, es decir, cada año se conducen más automóviles.*

## <img src="/Users/emilioolvera/Desktop/Screen Shot 2022-10-21 at 2.03.09 PM.png">  

## Forecasting usando el Modelo autoregresivo

```{r}
autoregressive_model <- arma(vehiculos_circulacion2$Total, order = c(1,0))
summary(autoregressive_model <- arma(vehiculos_circulacion2$Total, order = c(1,0)))

autoregressive_model_forecast<-forecast(autoregressive_model$fitted,h=5,level=c(95))
autoregressive_model_forecast
```

*Como se mencionó anteriormente, se observa una tendencia positiva en el modelo autoregresivo del número de vehículos automotores en uso y el pronóstico para los próximos años. Por ejemplo, un nivel de confianza del 95% predice que 37884281 vehículos estarán en uso el próximo año, con rangos entre 35240406 y 40528155. Se pronostican 39 222 087 automóviles para el próximo año y 40 559 893 vehículos para los siguientes tres años.*

### Gráfica
```{r}
plot(autoregressive_model_forecast)
```

 *Se puede comprender en el plot que la línea negra representa los datos en la base de datos, mientras que la línea azul representa la salida de los datos obtenidos mediante el modelo autorregresivo. Está claro a partir de la línea azul que la tendencia esta ascendiendo. En donde los valores "bajo" y "alto" con un 95% de confianza se muestran sombreados en gris en la línea azul*

## Forecasting usando Moving Average Model
```{r warning=FALSE}
mam_circulacion <- arma(vehiculos_circulacion2$Total,order = c(1,1))
summary(mam_circulacion <- arma(vehiculos_circulacion2$Total,order = c(1,1)))

mam_circulacion_forecast <- forecast(mam_circulacion$fitted,h=5,level=c(95))
mam_circulacion_forecast
```

*Podemos determinar que estamos buscando un modelo no estacionario, uno que siempre se está moviendo. Al igual que el modelo autorregresivo, tiene una tendencia positiva, tiene un 95% de confianza. Por otra parte, se pronostica que durante el primer período de tiempo habrá 37.635.019 automóviles en circulación, seguido de 38948870 y 40262720.*

### Gráfica
```{r warning=FALSE}
plot(mam_circulacion_forecast)
```

 *Aquí se puede interpretar gráficamente lo explicado en el punto anterior, y se obseva como la tendencia es positiva.*

### **Desempeño de 1 de las áreas de la empresa FORM para los siguientes 3 periodos de tiempo**

#### Producción FORM

### Entender la base de datos 
```{r warning=FALSE}
summary(produccion)
str(produccion)
```

## *Limpieza de datos* 

### Eliminar NA´s
```{r}
produccion$cliente <- as.factor(produccion$cliente)
str(produccion)
summary(produccion)

produccion1 <- produccion 
produccion1<-  produccion1[-c(624),] 
summary (produccion1)
```

*Dado que se consideró vital mantener estos datos para ilustrar mejor los datos, se eliminaron las NA que no son relevantes, mientras que otras de la base de datos con el término "sin registro" se sustituyeron.*

### Forecasting usando el Modelo autoregresivo
```{r}
autoregressive_model_produccion <- arma(produccion1$piezas_prog, order = c(1,0))
summary(autoregressive_model_produccion <- arma(produccion1$piezas_prog, order = c(1,0)))

autoregressive_model_produccion_forecast<-forecast(autoregressive_model_produccion$fitted,h=5,level=c(95))
autoregressive_model_produccion_forecast
```

*Dado que ambos coeficientes en este modelo autorregresivo tienen tres asteriscos, son extremadamente importantes para la base de datos. Por otro lado, a la hora de hacer un pronóstico, es bien sabido que se supone que se mantiene igual, es decir, con las mismas piezas programadas, pero se puede observar como mientras “Bajo” disminuye, “Alto” aumenta.*

### Gráfica
```{r}
plot(autoregressive_model_produccion_forecast)
```

*Como se puede ver en el plot, no se espera una mejora para este modelo, y se pueden ver los forecast, el low y el high, con 95% de confianza.*

### Forecasting usando Moving Average Model
```{r}
mam_produccion <- arma(produccion1$piezas_prog,order = c(1,1))
summary(mam_produccion <- arma(produccion1$piezas_prog,order = c(1,1)))

mam_produccion_forecast <- forecast(mam_produccion$fitted,h=5,level=c(95))
mam_produccion_forecast
```

*El comportamiento de este modelo predice que no habrá cambios en los próximos años con un nivel de confianza del 95%, pero si uno observa marcos de tiempo pequeños, el cambio de un período de tiempo a otro es dramático y está disminuyendo, mientras que en marcos de tiempo más altos, el comportamiento es variada porque a veces sube y otras baja sin tendencia a continuar.*

### Gráfica
```{r}
plot(mam_produccion_forecast)
```
Se puede observar que no existe una tendencia específica.

*Tendencia de rendimiento durante el transcurso del análisis y los 3 períodos de tiempo posteriores: El modelo de estimación de pronóstico sugiere que la tendencia es buena con respecto a los datos externos, a saber, la industria del automóvil, lo que indica que hay un 95% nivel de confianza en la predicción de que habrá más automóviles en las calles cada año. Los datos antes mencionados son ventajosos para FORM porque sugieren que si hay más automóviles en la carretera, habrá más producción, lo que generará más pedidos y clientes; sin embargo, en la base de datos obtenida directamente de FORM, se observa que en algunos casos, no hay tendencia, y se esperan las mismas partes programadas como pronóstico; por lo tanto, se debe implementar una estrategia para que más personas conozcan y participen en las actividades de la empresa.*

## <img src="/Users/emilioolvera/Desktop/Screen Shot 2022-10-21 at 2.04.57 PM.png">

## Predicción del Desempeño de la Industria Automotriz

### Exportación y ventas de vehículos ligeros 

### Entender la base de datos
```{r}
summary(bd_prediccion)
str(bd_prediccion)
```

## *Limpieza de datos* 

### Eliminar columnas irrelevantes (Producción)
```{r}
bd_prediccion1 <- subset(bd_prediccion, select = -c (Producción))
bd_prediccion1
```

*Esta columna se eliminará ya que las variables dependientes serán únicamente Ventas y Exportaciones, mientras que las variables independientes serán la confianza del consumidor, el tipo de cambio, la inflación, la proporción de ocupados y el porcentaje de desocupados que no están trabajando.*

### Eliminar renglones irrelevantes
```{r}
bd_prediccion2 <- bd_prediccion1[-c(201, 202),]
bd_prediccion2
```

*Dentro de la base de datos había dos renglones sin contenido, por lo tanto, se decidió eliminarlo.*

## **Dos modelos diferentes de regresión lineal múltiple para predecir el desempeño de la industria automotriz** 

### Correlación
```{r message=FALSE, warning=FALSE, paged.print=FALSE}
corrplot(cor(bd_prediccion2), type="upper",order="hclust",addcoef.col="black")
summary(bd_prediccion2)
```

*El primer paso fue crear una gráfica de similitudes para determinar si las variables podían estar relacionadas entre sí. Como se puede observar, todas las variables están 100% relacionadas. También es posible analizar qué año y tipo de cambio también son importantes, así como el mes y la inflación, las ventas y el porcentaje de ocupados, las exportaciones y el año, seguido del tipo de cambio y las exportaciones, entre otros.*

## **Modelo de regresión 1**
```{r}
modelo_regresion1 <- lm(Exportación~Año+Mes+Tipo.de.cambio+Inflación+porcentaje_ocu+porcentaje_desocu+conf_consumidor,data=bd_prediccion2) 
summary(modelo_regresion1)
```

*Se encontró que el tipo de cambio tiene el mayor impacto en las exportaciones en este modelo cuando se ejecutó por primera vez sin las variables año y mes. Este hallazgo tiene sentido dado que México es un gran exportador y que el tipo de cambio afecta de la misma manera a México y al resto del mundo al devaluar el peso.Por otro lado, la mayoría de las variables, a excepción de la proporción de desempleados que tiene los 3 asteriscos, se consideran variables de impacto al sumar las variables año y mes.*

### Gráfica
```{r}
effect_plot(modelo_regresion1,pred=Tipo.de.cambio,interval=TRUE)
```

 *Como se observa en el gráfico, el patrón que sigue es negativo, ya que entre más cuesta un dólar en pesos mexicanos o menor es el tipo de cambio es menor las exportaciones.*

## **Modelo de regresión 2**
```{r}
modelo_regresion2 <- lm(Venta~Año+Mes+Tipo.de.cambio+Inflación+porcentaje_ocu+porcentaje_desocu+conf_consumidor,data=bd_prediccion2)
summary(modelo_regresion2)
```

*En lugar de las exportaciones, en este modelo de regresión se tomaron en cuenta las ventas de vehículos. Se graficó dos veces, la primera vez sin año y mes, lo que nos dio el porcentaje de población ocupada como variable significativa, y la segunda vez con año y mes sumados. La mayoría de las variables tenían sentido con los tres asteriscos, a excepción del porcentaje de población desocupada y el tipo de cambio.*

### Gráfica
```{r}
effect_plot(modelo_regresion2,pred=porcentaje_ocu,interval=TRUE)
```

*La tendencia del gráfico es positiva. Se graficaron las ventas y la variable importante, el porcentaje de empleo de la población. El gráfico puede interpretarse en general para sugerir que habrá más ventas cuanto mayor sea el porcentaje de la población que tiene empleo. *


## *Interpretación de los modelos de regresión:*

#### Después de examinar ambos modelos de regresión, se puede demostrar que el intercambio es la variable independiente que más influye en la variable dependiente de las exportaciones. Se ve que la Tasa de cambio tiene un efecto negativo que altera la tendencia, lo que deja en claro que cuando el valor del peso mexicano aumenta en relación con el dólar estadounidense, las exportaciones disminuyen. Sin embargo, el porcentaje de la población que está ocupada, o que tiene una vida laboral, es la variable independiente que más incide en la variable dependiente de las ventas. Esto tiene sentido ya que si hay dinero, hay mayor probabilidad de que haya más ventas.



## <img src="/Users/emilioolvera/Desktop/Screen Shot 2022-10-21 at 2.06.25 PM.png"> 

#### *Paso 1. Instalar librerías:*
```{r message=FALSE, warning=FALSE, paged.print=FALSE}
library(foreign)
library(dplyr)        
library(ggplot2)      
library(psych)         
library(corrplot)     
library(jtools)       
library(lmtest)       
library(car)          
library(factoextra) 
library(forecast)
#install.packages("ggfortify")
library(ggfortify)    
#install.packages("ggalluvial")
library(ggalluvial)
library(janitor)
```

#### **tPaso 2. Importar y limpiar la base de datos:**
```{r}
bajas <- read.csv("/Users/emilioolvera/Downloads/FORM - Recursos Humanos - BAJAS evidencia).csv")
bajas <- clean_names(bajas)
summary(bajas)

#Técnica 1:
#Borrar columnas.
bajas <- subset(bajas, select = -c(apellidos, nombre, fecha_de_nacimiento,rfc, fecha_de_alta, baja, departamento, no_seguro_social, factor_cred_infonavit, n_credito_infonavit, lugar_de_nacimiento, curp, calle, numero_interno, colonia, codigo_postal, municipio, estado, tarjeta_cuenta))

#Técnica 2: 
#Reemplezar NAs con el promedio en la columna de "Edad", "Salario Diario" y "Número de días".
bajas$edad[is.na(bajas$edad)]<-mean(bajas$edad, na.rm = TRUE)
bajas$salario_diario_imss[is.na(bajas$salario_diario_imss)]<-mean(bajas$salario_diario_imss, na.rm = TRUE)
bajas$no_dias[is.na(bajas$no_dias)]<-mean(bajas$no_dias, na.rm = TRUE)
summary (bajas)

#Técnica 3:
#Convertir las variables como factor o número
bajas$edad<-as.numeric(bajas$edad)
bajas$genero<-as.factor(bajas$genero)
bajas$motivo_de_baja<-as.factor(bajas$motivo_de_baja)
bajas$no_dias<-as.numeric(bajas$no_dias)
bajas$puesto<-as.factor(bajas$puesto)
bajas$salario_diario_imss<-as.numeric(bajas$salario_diario_imss)
bajas$estado_civil<-as.factor(bajas$estado_civil)
summary (bajas)

```

#### **Paso 3. Creación de Clústers:**
##### *Cluster 1: Relación de variables de Edad y Número de días.*
```{r}
edad <-bajas 
edad<- subset(bajas,select = -c(genero, motivo_de_baja, puesto, salario_diario_imss, estado_civil))

#Normalizar variables
edad_norm<-scale(edad[1:2]) 

#Función fviz para la visualización de un Elbow Plot y así determinar el número de clusters.
fviz_nbclust(edad_norm, kmeans, method="wss")+ 
  geom_vline(xintercept=4, linetype=2)+            
  labs(subtitle = "Elbow method")

```

*Con esta gráfica podemos visualizar que el número óptimo de clústers son 4.*

```{r}
#Visualizar clusters
edad_cluster<-kmeans(edad_norm,4)
edad_cluster

#Visualizar resultados:
fviz_cluster(edad_cluster,data=edad_norm)
```

*Los más jóvenes son los que menos días de trabajo laboran. Donde los que más días laborales tienen son los adultos (27 años  61) *

##### *Cluster 2: Relación de variables de Edad y Salario Diario.*
```{r}
edad_salario <-bajas 
edad_salario<- subset(bajas,select = -c(genero,estado_civil,motivo_de_baja, puesto, no_dias))

#Normalizar variables
edad_salario_norm<-scale(edad_salario[1:2]) 

#Función fviz para la visualización de un Elbow Plot y así determinar el número de clusters.
fviz_nbclust(edad_salario_norm, kmeans, method="wss")+ 
  geom_vline(xintercept=4, linetype=2)+            
  labs(subtitle = "Elbow method") 
```

*Con esta gráfica podemos visualizar que el número óptimo de clústers son 4.*

```{r}
#Visualizar clusters:
edad_salario_cluster<-kmeans(edad_salario_norm,4)
edad_salario_cluster

#Visualizar resultados:
fviz_cluster(edad_salario_cluster,data=edad_salario_norm)
```

*Los trabajadores que renuncian tienen salarios bastante idénticos independientemente de su edad, por lo que claramente la edad tiene poca relación con el salario.*

##### *Cluster 3: Relación de variables de Salario Diario y Número de días.*
```{r}
dias_salario <-bajas 
dias_salario<- subset(bajas,select = -c(genero,estado_civil,motivo_de_baja, puesto, edad))

#Normalizar variables:
dias_salario_norm<-scale(dias_salario[1:2]) 

#Función fviz para la visualización de un Elbow Plot y así determinar el número de clusters.
fviz_nbclust(dias_salario_norm, kmeans, method="wss")+ 
  geom_vline(xintercept=4, linetype=2)+            
  labs(subtitle = "Elbow method") 

```

*Con esta gráfica podemos visualizar que el número óptimo de clústers son 4.*

```{r}
#Visualizar clusters:
dias_salario_cluster<-kmeans(dias_salario_norm,4)
dias_salario_cluster

#Visualizar resultados:
fviz_cluster(dias_salario_cluster,data=dias_salario_norm)

promedio_dias <- mean(bajas$no_dias)
promedio_dias
```

*Este cluster muestra que no hay posibilidad de desarrollo del empleo (desde un punto de vista económico) independientemente de cuánto tiempo o cuántos días haya trabajado en FORM ya que, como lo muestra el análisis de conglomerados, el número de días trabajados tiene poco efecto en el día a día. salario.*

#### **Paso 4. Creación de Segmentos apartir de los Clústers:**
```{r}
#Decidimos usar el Cluster 2 para generar la clasificación de variables y poder comparar con datos cualitativos.

#Añadir a la base de datos la columna de Clusters y su clasificación:
bajas1<-bajas
bajas1$Clusters<-edad_salario_cluster$cluster

library(dplyr)
library(factoextra) 

#Identificamos la clasificación de las distintas edades de los colaboradores.
bajas2<-bajas1 %>% group_by(Clusters) %>% dplyr::summarise(edad=max(edad)) %>% arrange(desc(edad))
bajas1$Cluster_Names<-factor(bajas1$Clusters,levels = c(1,2,3,4), 
                              labels=c("Outlier", "Joven", "Avanzada", "Adulta"))
bajas3 <- bajas1 %>% group_by(Cluster_Names) %>% dplyr::summarize(edad_años=max(edad), salario_imss=mean(salario_diario_imss),Count=n())
clusters<-as.data.frame(bajas3)
clusters

```

#### **Paso 5. Generación de gráficos:**

##### **Gráficos cuantitativos:**
```{r}
#Se realizó una gráfica para analizar el número de registros por cada segmento: 
ggplot(bajas3,aes(x=reorder(Cluster_Names,Count),y=Count,fill=Cluster_Names)) +
  geom_bar(stat="identity")

```

*Según el gráfico anterior, los jóvenes, seguidos de los adultos y finalmente los trabajadores de mayor edad, han sido los que más bajas han presentado.*

```{r}
#Visualizar la edad por cada segmento:
ggplot(bajas3, aes(x=Cluster_Names,y=edad_años,fill= Cluster_Names,label=round(edad_años,digits=2))) + 
  geom_col() + 
  geom_text()
```

*Visualización del máximo de cada tramo. Joven (hasta 28), Avanzado (hasta 61), Adulto (hasta 40), y el Outlier de 32*

##### **Gráficas mixtas (Datos Cualitativos y Cuantitativos):**

##### Gráfica de barras: (Clusters y Género)
```{r}
ggplot(bajas1, aes(factor(Cluster_Names), fill = factor(genero))) +
  geom_bar(position = position_dodge2(preserve = "single")) 
```

*Este gráfico nos dice que de cada segmento, hay más mujeres que se han dado de baja.*

##### Gráfica de barras: (Clusters y Estado Civil)
```{r}
ggplot(bajas1, aes(factor(Cluster_Names), fill = factor(estado_civil))) +
  geom_bar(position = position_dodge2(preserve = "single")) 
```

*Podemos ver que la mayoría de los jóvenes eran solteros, se igualaba el número de adultos casados, solteros o en unión libre, y a medida que mejoraba la sociedad aumentaba el número de solteros y casados. Sin embargo, muy pocos trabajadores se han divorciado y dejado la empresa.*

##### Gráfica de barras: (Clusters y Motivo de Baja)
```{r}
ggplot(bajas1, aes(factor(Cluster_Names), fill = factor(motivo_de_baja))) +
  geom_bar(position = position_dodge2(preserve = "single")) 
```

*Podemos ver que la mayoría del grupo de colaboradores jóvenes, adultos y adultos mayores han sido despedidos por ausentarse*

##### Gráfica de pay: (Puesto)
```{r}
table(bajas1$puesto)
proporciones <- c(23, 179, 11, 11, 7, 5)
etiquetas <- c("Otros","Ayudante General", "Costurera", "Soldador", "Ayudante Embarques", "Montacarguista")
pct <- round(proporciones/sum(proporciones)*100)
etiquetas <- paste(etiquetas, pct)
etiquetas <- paste(etiquetas,"%",sep="")
pie(proporciones,labels = etiquetas,
    col=rainbow(length(etiquetas)),
    main="Puesto de los Ex-Colaboradores")

```

```{r}
bajas4 <-bajas1 %>% filter(Clusters==1 | Clusters==3) %>% arrange(Clusters)
library(ggalluvial)

ggplot(as.data.frame(bajas4),
       aes(y=edad, axis1= genero, axis2=estado_civil)) +
  geom_alluvium(aes(fill=Cluster_Names), width = 1/12) +
  geom_stratum(width = 1/12, fill = "black", color = "grey") +
  geom_label(stat = "stratum", aes(label = after_stat(stratum))) +
  scale_x_discrete(limits = c("Gender", "Marital Status"), expand = c(.05, .05)) +
  scale_fill_brewer(type = "qual", palette = "Set1") +
  ggtitle("FORM's Daily Wage by Sex and Marital Status")
```

## <img src="/Users/emilioolvera/Desktop/Screen Shot 2022-10-21 at 2.08.11 PM.png">  

### Identificación de Resultados Relevantes y Sugerencias

#### A partir del análisis de las bases de datos de las diferentes áreas de la empresa FORM, identificar y describir los principales 6-8 hallazgos (meaningful insights).

**1.** El hallazgo que tuve en el area de  merma fue que se ve que fue alta en los meses de de Agosto (370852 kilos de merma) y Septiembre donde se requiere determinar la causa del alto nivel de estos desechos, para asi poder prevenir futuros gastos extra y asi no volver a tener este problema.

**2.** El hallazgo que tuve en el area de Scrap fue que, en lo que es la Pre-production es donde mas scrap se ve reflejada en la cual yo considero que se implemente un plan para disminuir esto ya que se podria decir que se reflajan gastos extra que son innecesarios

**3.** El hallazgo que tuve en el area de los colaboradores es que los que estan casados y solteros suelen ganar màs de los que estan divorciados y en union libre

**4.**  El hallazgo que tuve en el area de bajas fue que el motivo màs comùn de baja de los colaboradores han sido por despidos por faltas.

**5.**  El hallazgo que tuve en cuanto a los pronosticos es que el tipo de cambio es un factor que influencia mucho en cuanto a las negociaciones de Mexico esto se debe dado que nuestro pais forma parte del mercado cambiario internacional, y la mayoría de las operaciones se realizan en el mercado peso-dólar, ya que la actividad en otros mercados de divisas es muy baja, asi que si este baja tambien afecta a Mexico.

**6.**  El hallazgo que tuve en el area de colaboradores es que después de tomar en consideración las variables de edad y salario diario pude observar que los adultos entre 41 y 61 años, que se considera en lo que es la jubilación, sufren mayores bajas.

**7.** Otro hallazgo que tuve fue que los clientes más importantes para FORM son Yanfeng, Stabilus 1 y Varroc.

#### A partir del análisis de las bases de datos de las diferentes áreas de la empresa FORM, describir 3 sugerencias que le permitan al socio formador mejorar su proceso de captura, organización, y analítica de datos.

**PROPUESTA PARA MERMA**

Como propuesta para la merma, se tiene que implementar un plan que minimice la cantidad de merma generada, la cual se ve que fue alta en los meses de de Agosto y Septiembre donde se requiere determinar la causa del alto nivel de estos desechos, para asi poder prevenir futuros gastos extra y asi no volver a tener este problema.

**PROPUESTA PARA SCRAP**

Como propuesta para scrap, puedo decir que en el area de Pre-production siendo el area que mas scrap lleva se tiene que implementar un plan para disminuir esto ya que se podria decir que se reflajan gastos extra que son innecesarios.

**PROPUESTA PARA PRODUCCION**

Como propuesta para produccion puedo decir que se sigan adaptando a las necesidades de los cientes pero que tambien traten de implementar otras maneras ya que se quiere llegar a todos los clientes posibles y no estar segmentando, por lo cual es importante de tratar de abrirse mas hacia los clientes que no les llegan a pedir las mismas demandas.

**PROPUESTA ANALISIS DE DATOS**

Como propuesta para su analitica de datos es que para que FORM pueda seguir obteniendo buenos resultados a cuanto a sus datos es que constantemente busquen tener una limpia de estos, en donde me di cuenta que fue esencial al yo trabajar con estos, donde vi que habia muchas cosas que no tenian sentido, tales como errores de dedo, numeros extra, columnas repetidas, etc. El limpiar los datos ayudara a obtener resultados mejores, donde yo creo lo mas optimo para eso es que cierto departamento tenga la tarea de hacer esto ya sea el departamento de IT o tambien podrian tener alguna plataforma externa que les haga este trabajo.


#### Describir con tus propias palabras los términos Business Analytics y Business Intelligence. Así también, identificar y describir 3 principales diferencias entre Business Analytics y Business Intelligence.

**Business Analytics** es el proceso mediante el cual las organizaciones analizan datos históricos utilizando técnicas y tecnología estadísticas para aprender cosas nuevas y tomar mejores decisiones estratégicas.

**Business Intelligence** es un método impulsado por la tecnología para el análisis de datos y la entrega de información que ayuda a los ejecutivos, gerentes y empleados a tomar decisiones comerciales estratégicas.

**1.** Mientras que BA se utiliza para implementar cambios en las operaciones, BI se utiliza para administrar de manera eficiente el negocio actual.

**2.** La inteligencia comercial (Business Intelligence) prioriza el análisis descriptivo, que brinda una descripción general de los datos históricos y actuales para demostrar lo que ha ocurrido o está ocurriendo en este momento.

**3.** Finalmente, Business Analytics es apropiado cuando la expansión futura y la sustentabilidad se consideran el objetivo principal, mientras que Business Intelligence es importante cuando el enfoque de la organización está en operar el negocio existente.


## <img src= "/Users/emilioolvera/Desktop/Screen Shot 2022-10-21 at 2.10.02 PM.png">

#### Describir con tus propias palabras el concepto de Indicador Clave de Rendimiento / Key Performance Indicators (KPI).

Un indicador clave de rendimiento, o KPI, se describe como "un valor cuantitativo utilizado para evaluar la eficacia de una persona u organización para lograr un objetivo". Los indicadores clave de rendimiento en las empresas pueden ser de alto nivel o profundizar en un departamento o persona en particular. Los KPI de alto nivel, como generar $ 1 millón en ingresos anuales recurrentes este año fiscal, a menudo evalúan el éxito de su empresa en general. Estos son KPI de bajo nivel cuando se sumerge en procesos que son exclusivos de divisiones, equipos o personas. 

#### A partir del análisis de las bases de datos de las diferentes áreas de la empresa FORM, proponer y describir 3 posibles KPIs que permitan evaluar el desempeño de algunas de sus áreas.

**1.** Un indicador de rendimiento que podria ser de gran uso para el area de Merma que esta centrado en la gestión de existencias en el almacén, se denomina KPI de inventario. Las instalaciones que han descubierto estas métricas garantizan un control de inventario efectivo y flujos de entrada y salida fluidos de artículos.

**2.** Un indicador de rendimiento que podria ser de gran uso para el area de Recursos Humanos es el de "Nivel de satisfacción" el cual tendria que tener enfoque en los empleados, este lo considero importante ya que como su nombre lo dice se tomara como factor importante la satisfaccion que los colaboradores tienen dentro de la empresa, donde esta se podra medir con encuestas ya me sea mensuales, o como mas se acomode la empresa.

**3.** Un indicador de rendimiento que podria ser de gran uso para el area de ventas, es el de número de leads (Un lead es un potencial cliente interesado en los productos y/o servicios) puede desarrollar índices de indicación de ventas de KPI calculando su tasa de generación de prospectos. Esto es beneficioso tanto a nivel nacional como local. Puedes medir los diferentes niveles de influencia que tienes a nivel local de cada ciudad utilizando un KPI de este tipo en diferentes ciudades. 

## Referencias

*- Klipfolio. (2022, October 19). What is a KPI? Definition, Best Practices, and Examples. Retrieved October 20, 2022, from https://www.klipfolio.com/resources/articles/what-is-a-key-performance-indicator*

*-Business intelligence vs. business analytics: What’s the difference? (n.d.). Tableau. Retrieved October 20, 2022, from https://www.tableau.com/learn/articles/business-intelligence/bi-business-analytics*

*- Costa, C., & Costa, C. (2020, December 15). Cuáles son los principales KPI de venta. CRO Creativo ®. Retrieved October 21, 2022, from https://crocreativo.com/blog/cuales-son-los-principales-kpi-de-venta/*


