EVIDENCIA 2
Ana Arvizu- A01412220
2022-10-13
Librerias requeridas
library(foreign)
library(dplyr) # data manipulation
library(forcats) # to work with categorical variables
library(ggplot2) # data visualization
library(janitor) # data exploration and cleaning
library(Hmisc) # several useful functions for data analysis
library(naniar)
library(dlookr)
library(pollster)
library(descr)
library(data.table)
library(epiDisplay)
library(tidyr)
library(psych) # functions for multivariate analysis
library(corrplot) # correlation plots
library(jtools) # presentation of regression analysis
library(lmtest) # diagnostic checks - linear regression analysis
library(car) # diagnostic checks - linear regression analysis
library(olsrr) # diagnostic checks - linear regression analysis
library(kableExtra) # HTML table attributes
library(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
library(plyr)
library(factoextra) # provides functions to extract and visualize the output of exploratory multivariate data analyses
#install.packages("ggfortify")
library(ggfortify) # data visualization tools for statistical analysis resultsSECCION 1. Limpieza, Transformación, y Organización de Bases de Datos
RECURSOS HUMANOS
Escoger la base datos
# file.choose()
colab <- read.csv("C:\\Users\\sofia\\Downloads\\colab_final (1).csv")
bajas <- read.csv("C:\\Users\\sofia\\Downloads\\bajas_final (2).csv")Entendemos la base de datos
resumen1 <- summary(colab)
resumen1## edad genero alta puesto
## Min. :19.00 Length:104 Min. :2010 Length:104
## 1st Qu.:25.75 Class :character 1st Qu.:2021 Class :character
## Median :33.00 Mode :character Median :2022 Mode :character
## Mean :35.48 Mean :2021
## 3rd Qu.:44.25 3rd Qu.:2022
## Max. :67.00 Max. :2022
## salario_diario lugar.nacim. mpio estado
## Min. :144.4 Length:104 Length:104 Length:104
## 1st Qu.:176.7 Class :character Class :character Class :character
## Median :180.7 Mode :character Mode :character Mode :character
## Mean :179.3
## 3rd Qu.:180.7
## Max. :337.1
## civil
## Length:104
## Class :character
## Mode :character
##
##
## resumen2 <- summary(bajas)
resumen2## nombre edad genero alta
## Length:233 Min. :18.00 Length:233 Length:233
## Class :character 1st Qu.:23.00 Class :character Class :character
## Mode :character Median :29.00 Mode :character Mode :character
## Mean :30.77
## 3rd Qu.:37.00
## Max. :61.00
## motivo_baja duracion puesto salario_diario
## Length:233 Min. : 0.00 Length:233 Min. :144.4
## Class :character 1st Qu.: 9.00 Class :character 1st Qu.:180.7
## Mode :character Median : 20.50 Mode :character Median :180.7
## Mean : 75.59 Mean :177.9
## 3rd Qu.: 47.00 3rd Qu.:180.7
## Max. :1966.00 Max. :500.0
## estado e.civil.
## Length:233 Length:233
## Class :character Class :character
## Mode :character Mode :character
##
##
## COLABORADORES
1.¿Cuántas variables y cuántos registros tiene la base de datos?
# install.packages("psych")
str(colab)## 'data.frame': 104 obs. of 9 variables:
## $ edad : int 32 38 38 37 38 60 56 46 59 43 ...
## $ genero : chr "FEMENINO" "MASCULINO" "FEMENINO" "MASCULINO" ...
## $ alta : int 2013 2018 2015 2016 2020 2020 2022 2022 2022 2022 ...
## $ puesto : chr "SUPERVISORA" "MANTENIMIENTO" "COSTURERA" "AYUDANTE GENERAL" ...
## $ salario_diario: num 337 280 260 241 241 ...
## $ lugar.nacim. : chr "" "" "" "" ...
## $ mpio : chr "APODACA" "APODACA" "APODACA" "APODACA" ...
## $ estado : chr "Nuevo Leon" "Nuevo Leon" "Nuevo Leon" "Nuevo Leon" ...
## $ civil : chr "Casado" "Soltero" "Casado" "Casado" ...library(psych)
describe(colab)## vars n mean sd median trimmed mad min max
## edad 1 104 35.48 12.20 33.00 34.68 13.34 19.00 67.00
## genero* 2 104 1.43 0.50 1.00 1.42 0.00 1.00 2.00
## alta 3 104 2020.69 2.34 2022.00 2021.25 0.00 2010.00 2022.00
## puesto* 4 104 7.01 6.75 3.00 5.69 0.00 1.00 25.00
## salario_diario 5 104 179.35 25.17 180.68 176.88 0.00 144.45 337.05
## lugar.nacim.* 6 104 15.38 13.49 14.50 14.46 20.02 1.00 42.00
## mpio* 7 104 2.58 2.41 1.00 2.13 0.00 1.00 9.00
## estado* 8 104 1.91 0.28 2.00 2.00 0.00 1.00 2.00
## civil* 9 104 2.41 1.18 3.00 2.39 1.48 1.00 4.00
## range skew kurtosis se
## edad 48.0 0.51 -0.80 1.20
## genero* 1.0 0.27 -1.95 0.05
## alta 12.0 -2.49 6.57 0.23
## puesto* 24.0 1.46 0.55 0.66
## salario_diario 192.6 3.31 16.26 2.47
## lugar.nacim.* 41.0 0.30 -1.38 1.32
## mpio* 8.0 1.21 0.05 0.24
## estado* 1.0 -2.90 6.47 0.03
## civil* 3.0 -0.13 -1.57 0.122.¿Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa continua.?
Variable<-c("edad","genero","alta","puesto","salario_diario","lugar.nacim.","mpio","estado","civil")
Type<-c("cuantitativa continua","cualitativa","cuantitativa continua","cualitativa","cuantitativa continua","cualitativa","cualitativa","cualitativa","cualitativa")
table<-data.frame(Variable,Type)
knitr::kable(table)| Variable | Type |
|---|---|
| edad | cuantitativa continua |
| genero | cualitativa |
| alta | cuantitativa continua |
| puesto | cualitativa |
| salario_diario | cuantitativa continua |
| lugar.nacim. | cualitativa |
| mpio | cualitativa |
| estado | cualitativa |
| civil | cualitativa |
3. Elige la escala de medición de cada variable.
Variable<-c("edad","genero","alta","puesto","salario_diario","lugar.nacim.","mpio","estado","civil")
Type<-c("cuantitativa continua","cualitativa","cuantitativa continua","cualitativa","cuantitativa continua","cualitativa","cualitativa","cualitativa","cualitativa")
Escala_de_Medición <- c("Razon","Nominal","Razon","Nominal","Razon","Nominal","Nominal","Nominal","Nominal")
table<-data.frame(Variable,Type,Escala_de_Medición)
knitr::kable(table)| Variable | Type | Escala_de_Medición |
|---|---|---|
| edad | cuantitativa continua | Razon |
| genero | cualitativa | Nominal |
| alta | cuantitativa continua | Razon |
| puesto | cualitativa | Nominal |
| salario_diario | cuantitativa continua | Razon |
| lugar.nacim. | cualitativa | Nominal |
| mpio | cualitativa | Nominal |
| estado | cualitativa | Nominal |
| civil | cualitativa | Nominal |
BAJAS
1.¿Cuántas variables y cuántos registros tiene la base de datos?
# install.packages("psych")
str(bajas)## 'data.frame': 233 obs. of 10 variables:
## $ nombre : chr "MARIO VALDEZ ORTIZ" "ISABEL BARRIOS MENDEZ" "MARIA ELIZABETH GOMEZ HERNANDEZ" "ALONDRA ABIGAIL ESCARCIA GOMEZ" ...
## $ edad : int 32 36 23 21 29 46 29 31 50 19 ...
## $ genero : chr "MASCULINO" "FEMENINO" "FEMENINO" "FEMENINO" ...
## $ alta : chr "09/03/20" "09/11/21" "10/11/21" "10/11/21" ...
## $ motivo_baja : chr "RENUNCIA VOLUNTARIA" "RENUNCIA VOLUNTARIA" "RENUNCIA VOLUNTARIA" "RENUNCIA VOLUNTARIA" ...
## $ duracion : num 628 60 59 59 51 37 37 31 18 224 ...
## $ puesto : chr "DISENO" "AYUDANTE GENERAL" "AYUDANTE GENERAL" "AYUDANTE GENERAL" ...
## $ salario_diario: num 500 152 152 152 152 ...
## $ estado : chr "Nuevo Leon" "Nuevo Leon" "Nuevo Leon" "Nuevo Leon" ...
## $ e.civil. : chr "Soltero" "Union libre" "Matrimonio" "Soltero" ...library(psych)
describe(bajas)## vars n mean sd median trimmed mad min max range
## nombre* 1 233 115.04 66.32 114.00 114.93 84.51 1.00 230 229.00
## edad 2 233 30.77 9.69 29.00 29.76 10.38 18.00 61 43.00
## genero* 3 233 1.41 0.49 1.00 1.39 0.00 1.00 2 1.00
## alta* 4 233 72.08 36.06 75.00 72.28 41.51 1.00 140 139.00
## motivo_baja* 5 233 2.82 1.04 2.00 2.74 0.00 1.00 5 4.00
## duracion 6 233 75.59 215.50 20.50 30.36 20.02 0.00 1966 1966.00
## puesto* 7 233 9.18 5.62 7.00 7.76 0.00 1.00 27 26.00
## salario_diario 8 233 177.93 23.41 180.68 179.12 0.00 144.45 500 355.55
## estado* 9 233 1.97 0.18 2.00 2.00 0.00 1.00 2 1.00
## e.civil.* 10 233 3.94 0.78 4.00 3.96 1.48 1.00 5 4.00
## skew kurtosis se
## nombre* 0.01 -1.21 4.34
## edad 0.79 -0.26 0.64
## genero* 0.36 -1.88 0.03
## alta* -0.07 -0.98 2.36
## motivo_baja* 0.51 -1.49 0.07
## duracion 5.93 39.66 14.12
## puesto* 2.16 3.56 0.37
## salario_diario 10.99 151.07 1.53
## estado* -5.08 23.93 0.01
## e.civil.* -0.28 -0.25 0.052.¿Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa continua.?
Variable<-c("nombre","edad","genero","alta","motivo_baja","duracion","puesto","salario_diario","estado","e.civil.")
Type<-c("cualitativa","cuantitativa continua","cualitativa","cuantitativa continua","cualitativa","cuantitativa continua","cualitativa","cuantitativa continua","cualitativa","cualitativa")
table<-data.frame(Variable,Type)
knitr::kable(table)| Variable | Type |
|---|---|
| nombre | cualitativa |
| edad | cuantitativa continua |
| genero | cualitativa |
| alta | cuantitativa continua |
| motivo_baja | cualitativa |
| duracion | cuantitativa continua |
| puesto | cualitativa |
| salario_diario | cuantitativa continua |
| estado | cualitativa |
| e.civil. | cualitativa |
3. Elige la escala de medición de cada variable.
Variable<-c("nombre","edad","genero","alta","motivo_baja","duracion","puesto","salario_diario","estado","e.civil.")
Type<-c("cualitativa","cuantitativa continua","cualitativa","cuantitativa continua","cualitativa","cuantitativa continua","cualitativa","cuantitativa continua","cualitativa","cualitativa")
Escala_de_Medición <- c("Nominal","Intervalo","Nominal","Intervalo","Nominal","Intervalo","Nominal","Intervalo","Nominal","Nominal")
table<-data.frame(Variable,Type,Escala_de_Medición)
knitr::kable(table)| Variable | Type | Escala_de_Medición |
|---|---|---|
| nombre | cualitativa | Nominal |
| edad | cuantitativa continua | Intervalo |
| genero | cualitativa | Nominal |
| alta | cuantitativa continua | Intervalo |
| motivo_baja | cualitativa | Nominal |
| duracion | cuantitativa continua | Intervalo |
| puesto | cualitativa | Nominal |
| salario_diario | cuantitativa continua | Intervalo |
| estado | cualitativa | Nominal |
| e.civil. | cualitativa | Nominal |
DELIVERY PLAN
Escoger la base datos
# file.choose()
devplan <- read.csv("C:\\Users\\sofia\\Downloads\\DELIVERY PLAN bdf_Prueba.csv")Entendemos la base de datos
resumen <- summary(devplan)
resumen## ID_Fecha Fecha CLIENTE Pedidos
## Min. : 1.00 Length:228 Length:228 Min. : 0.0
## 1st Qu.: 3.75 Class :character Class :character 1st Qu.: 0.0
## Median : 6.50 Mode :character Mode :character Median : 0.0
## Mean : 6.50 Mean : 1703.1
## 3rd Qu.: 9.25 3rd Qu.: 233.8
## Max. :12.00 Max. :52779.0SECCION 1. Limpieza, Transformación, y Organización de Bases de Datos
Técnica 1. Convertir tipos de datos
Convertir de caracter a fecha
La limpieza y modificación de filas y columnas respecto a las variables se realizó directamente en Excel por cuestiones de facilidad ya que la base estaba ordenada de una manera en donde R resultaría mucho más complicado.
devplan1 <- devplan
devplan1$Fecha<-as.Date(devplan1$Fecha,format="%m/%d/%Y") 1.¿Cuántas variables y cuántos registros tiene la base de datos?
# install.packages("psych")
str(devplan1)## 'data.frame': 228 obs. of 4 variables:
## $ ID_Fecha: int 1 1 1 1 1 1 1 1 1 1 ...
## $ Fecha : Date, format: "2022-01-31" "2022-01-31" ...
## $ CLIENTE : chr "STB3" "STB 1" "YF RAMOS" "INOAC POLYTEC" ...
## $ Pedidos : int 481 0 227 0 400 328 393 0 8975 449 ...library(psych)
describe(devplan1)## Warning in FUN(newX[, i], ...): ningún argumento finito para min; retornando Inf## Warning in FUN(newX[, i], ...): ningun argumento finito para max; retornando
## -Inf## vars n mean sd median trimmed mad min max range skew
## ID_Fecha 1 228 6.50 3.46 6.5 6.50 4.45 1 12 11 0.00
## Fecha 2 228 NaN NA NA NaN NA Inf -Inf -Inf NA
## CLIENTE* 3 228 10.00 5.49 10.0 10.00 7.41 1 19 18 0.00
## Pedidos 4 228 1703.14 6164.04 0.0 251.26 0.00 0 52779 52779 5.69
## kurtosis se
## ID_Fecha -1.23 0.23
## Fecha NA NA
## CLIENTE* -1.22 0.36
## Pedidos 37.14 408.222.¿Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa continua.?
Variable<-c("ID_Fecha","Fecha","CLIENTE","Pedidos")
Type<-c("cuantitativa continua","cuantitativa continua","cualitativa","cuantitativa continua")
table<-data.frame(Variable,Type)
knitr::kable(table)| Variable | Type |
|---|---|
| ID_Fecha | cuantitativa continua |
| Fecha | cuantitativa continua |
| CLIENTE | cualitativa |
| Pedidos | cuantitativa continua |
3. Elige la escala de medición de cada variable.
Variable<-c("ID_Fecha","Fecha","CLIENTE","Pedidos")
Type<-c("cuantitativa continua","cuantitativa continua","cualitativa","cuantitativa continua")
Escala_de_Medición <- c("Razon","Razon","Nominal","Razon")
table<-data.frame(Variable,Type,Escala_de_Medición)
knitr::kable(table)| Variable | Type | Escala_de_Medición |
|---|---|---|
| ID_Fecha | cuantitativa continua | Razon |
| Fecha | cuantitativa continua | Razon |
| CLIENTE | cualitativa | Nominal |
| Pedidos | cuantitativa continua | Razon |
Análisis Exploratorio de las Bases de Datos
Tabla con los principales estadísticos descriptivos
Estadísticos descriptivos Delivery Plan
mediana <- median(devplan1$Pedidos, na.rm = TRUE)
mediana## [1] 0describe(devplan1)## Warning in FUN(newX[, i], ...): ningún argumento finito para min; retornando Inf## Warning in FUN(newX[, i], ...): ningun argumento finito para max; retornando
## -Inf## vars n mean sd median trimmed mad min max range skew
## ID_Fecha 1 228 6.50 3.46 6.5 6.50 4.45 1 12 11 0.00
## Fecha 2 228 NaN NA NA NaN NA Inf -Inf -Inf NA
## CLIENTE* 3 228 10.00 5.49 10.0 10.00 7.41 1 19 18 0.00
## Pedidos 4 228 1703.14 6164.04 0.0 251.26 0.00 0 52779 52779 5.69
## kurtosis se
## ID_Fecha -1.23 0.23
## Fecha NA NA
## CLIENTE* -1.22 0.36
## Pedidos 37.14 408.22Para conocer estas funciones estadísticas realizamos una descripción de la base de datos, donde podemos ver que la mediana es 0. Hay un total de 228 registros y utilizamos 4 variables para acomodo de las gráficas en donde contabilizamos el número de pedidos por mes y cliente.
Histograma general
hist(devplan1$Pedidos) 
DELIVERY PERFORMANCE
Escoger la base datos
# file.choose()
devper <- read.csv("C:\\Users\\sofia\\Downloads\\FORM - Delivery Performance C.csv")Entendemos la base de datos
resumen <- summary(devper)
resumen## fecha cliente dif
## Length:52 Length:52 Min. : 0.00
## Class :character Class :character 1st Qu.: 0.00
## Mode :character Mode :character Median : 0.00
## Mean :16.07
## 3rd Qu.:29.38
## Max. :71.25SECCION 1. Limpieza, Transformación, y Organización de Bases de Datos
Técnica 1. Convertir tipos de datos
Se realizó una limpia previa a la base de datos debido a que no se podía manejar en R, ya que el formato en que se encontraba no permitía que R pudiera entender cuales eran las variables de nuestra base de datos, por lo tanto las modificaciones y limpiezas que se realizaron fue la técnica de ‘Remover valores irrelevantes’ en este caso quitamos la conclusión porque no tendría valor en la base de datos, eliminamos target (horas) y tomamos el valor de cada inicio de mes para comparar principio de mes con mes, después en R se trabajo con la técnica de convertir tipos de datos en este caso de caracter a fecha y caracter a hora.
Convertir de caracter a fecha
devper2 <- devper
devper2$fecha <- as.Date(devper2$fecha, format ="%d/%m/%y")
library(tibble)
tibble(devper2) ## # A tibble: 52 × 3
## fecha cliente dif
## <date> <chr> <dbl>
## 1 2021-07-31 "PRINTEL " 4.9
## 2 2021-07-31 "MAHLE" 15.7
## 3 2021-07-31 "MAGNA" 0
## 4 2021-07-31 "VARROC" 0
## 5 2021-08-31 "PRINTEL " 27.7
## 6 2021-08-31 "MAHLE" 67.3
## 7 2021-08-31 "MAGNA" 0
## 8 2021-08-31 "VARROC" 0
## 9 2021-09-30 "PRINTEL " 8.6
## 10 2021-09-30 "MAHLE" 56.8
## # … with 42 more rowsCambiar los nombres de las variables más cortas y específicas
names(devper2) [3] = "delay_performance"
names(devper2)## [1] "fecha" "cliente" "delay_performance"1.¿Cuántas variables y cuántos registros tiene la base de datos?
# install.packages("psych")
str(devper2)## 'data.frame': 52 obs. of 3 variables:
## $ fecha : Date, format: "2021-07-31" "2021-07-31" ...
## $ cliente : chr "PRINTEL " "MAHLE" "MAGNA" "VARROC" ...
## $ delay_performance: num 4.9 15.7 0 0 27.7 ...library(psych)
describe(devper2)## Warning in FUN(newX[, i], ...): ningún argumento finito para min; retornando Inf## Warning in FUN(newX[, i], ...): ningun argumento finito para max; retornando
## -Inf## vars n mean sd median trimmed mad min max range skew
## fecha 1 52 NaN NA NA NaN NA Inf -Inf -Inf NA
## cliente* 2 52 2.50 1.13 2.5 2.50 1.48 1 4.00 3.00 0.00
## delay_performance 3 52 16.07 24.63 0.0 11.88 0.00 0 71.25 71.25 1.15
## kurtosis se
## fecha NA NA
## cliente* -1.42 0.16
## delay_performance -0.33 3.422.¿Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa continua.?
Variable<-c("fecha","cliente","dif")
Type<-c("cuantitativa continua","cualitativa","cuantitativa continua")
table<-data.frame(Variable,Type)
knitr::kable(table)| Variable | Type |
|---|---|
| fecha | cuantitativa continua |
| cliente | cualitativa |
| dif | cuantitativa continua |
3. Elige la escala de medición de cada variable.
Variable<-c("fecha","cliente","dif")
Type<-c("cuantitativa continua","cualitativa","cuantitativa continua")
Escala_de_Medición <- c("Razon","Nominal","Razon")
table<-data.frame(Variable,Type,Escala_de_Medición)
knitr::kable(table)| Variable | Type | Escala_de_Medición |
|---|---|---|
| fecha | cuantitativa continua | Razon |
| cliente | cualitativa | Nominal |
| dif | cuantitativa continua | Razon |
Análisis Exploratorio de las Bases de Datos
Tabla con los principales estadísticos descriptivos
Estadísticos descriptivos Delivery Performance
# install.packages("psych")
library(psych)
describe(devper2)## vars n mean sd median trimmed mad min max range skew
## fecha 1 52 NaN NA NA NaN NA Inf -Inf -Inf NA
## cliente* 2 52 2.50 1.13 2.5 2.50 1.48 1 4.00 3.00 0.00
## delay_performance 3 52 16.07 24.63 0.0 11.88 0.00 0 71.25 71.25 1.15
## kurtosis se
## fecha NA NA
## cliente* -1.42 0.16
## delay_performance -0.33 3.42Variables <-c("Diferencia Delivery")
Media <-c("16.07")
Mediana <-c("0")
Desviacion_estandar <-c("24.63")table3 <-data.frame(Variables, Media, Mediana, Desviacion_estandar)
knitr::kable(table3)| Variables | Media | Mediana | Desviacion_estandar |
|---|---|---|---|
| Diferencia Delivery | 16.07 | 0 | 24.63 |
PRODUCCION
Escoger la base datos
# file.choose()
prod <- read.csv("C:\\Users\\sofia\\OneDrive\\Documentos\\RETO\\Produccion Carton.csv")Entendemos la base de datos
resumen <- summary(prod)
resumen## DIA FECHA CLIENTE IDFORM
## Min. : 1.00 Length:2678 Length:2678 Length:2678
## 1st Qu.: 7.00 Class :character Class :character Class :character
## Median :14.00 Mode :character Mode :character Mode :character
## Mean :13.99
## 3rd Qu.:21.00
## Max. :27.00
## PRODUCTO PZA_PROG TMO_MIN HR_FIN
## Length:2678 Length:2678 Length:2678 Length:2678
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## ESTACION_ARRANQUE LAMINAS_PROCESADAS SEP_UP INICIO.DE.PROCESO
## Length:2678 Length:2678 Length:2678 Length:2678
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## FIN_DE_PROCESO TIEMPO_CALIDAD
## Length:2678 Length:2678
## Class :character Class :character
## Mode :character Mode :character
##
##
## SECCION 1. Limpieza, Transformación, y Organización de Bases de Datos
Técnica 1. Remover datos irrelevantes.
Eliminar columnas
La base de datos de Produccion tenía varias variables que para nuestro analisis no lo ocupabamos por lo que las eliminamos con la función subset
prod1 <- prod
prod1 <- subset (prod1, select = -c (IDFORM,HR_FIN,ESTACION_ARRANQUE,INICIO.DE.PROCESO,FIN_DE_PROCESO))
summary (prod1)## DIA FECHA CLIENTE PRODUCTO
## Min. : 1.00 Length:2678 Length:2678 Length:2678
## 1st Qu.: 7.00 Class :character Class :character Class :character
## Median :14.00 Mode :character Mode :character Mode :character
## Mean :13.99
## 3rd Qu.:21.00
## Max. :27.00
## PZA_PROG TMO_MIN LAMINAS_PROCESADAS SEP_UP
## Length:2678 Length:2678 Length:2678 Length:2678
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## TIEMPO_CALIDAD
## Length:2678
## Class :character
## Mode :character
##
##
## Técnica 2. Convertir tipos de datos.
Convertir de caracter a fecha
La base de datos no contenía ningun formato, por lo que en el analisis los datos podían tener errores por se convirtió la fecha a formato.
library(tibble)
prod2 <- prod1
prod2$FECHA <- as.Date(prod2$FECHA, format = "%d/%m/%Y")
tibble (prod2)## # A tibble: 2,678 × 9
## DIA FECHA CLIENTE PRODUCTO PZA_P…¹ TMO_MIN LAMIN…² SEP_UP TIEMP…³
## <int> <date> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
## 1 1 2022-08-01 VARROC 763 . KIT. C… 199 15 201 00:12 1
## 2 1 2022-08-01 VARROC 747 KIT. CAJ… 57 10 116 00:05 1
## 3 1 2022-08-01 VARROC 747 KIT. TAP… 68 10 69 00:07 1
## 4 1 2022-08-01 DENSO TOYOTA. MCV.… 192 15 49 00:05 1
## 5 1 2022-08-01 DENSO TOYOTA. MCV.… 192 15 49 00:06 1
## 6 1 2022-08-01 YANFENG MODELO Y. TM… 400 30 801 00:02 1
## 7 1 2022-08-01 YANFENG MODELO Y. TM… 80 15 41 00:10 1
## 8 1 2022-08-01 YANFENG MODELO Y. TM… 104 15 53 00:00 1
## 9 1 2022-08-01 YANFENG MODELO Y. TM… 104 15 53 00:00 1
## 10 1 2022-08-01 YANFENG MODELO Y. TM… 160 20 55 00:08 1
## # … with 2,668 more rows, and abbreviated variable names ¹PZA_PROG,
## # ²LAMINAS_PROCESADAS, ³TIEMPO_CALIDADConvertir de caracter a entero
En este caso, se habla de laminas que se trabajaron por lo que necesitamos las cantidades en entero.
prod3 <- prod2
prod3$PZA_PROG <- substr(prod3$PZA_PROG, start = 1, stop = 2)
prod3$TMO_MIN <- substr(prod3$TMO_MIN, start = 1, stop = 2)
prod3$LAMINAS_PROCESADAS <- substr(prod3$LAMINAS_PROCESADAS, start = 1, stop = 2)
tibble(prod3)## # A tibble: 2,678 × 9
## DIA FECHA CLIENTE PRODUCTO PZA_P…¹ TMO_MIN LAMIN…² SEP_UP TIEMP…³
## <int> <date> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
## 1 1 2022-08-01 VARROC 763 . KIT. C… 19 15 20 00:12 1
## 2 1 2022-08-01 VARROC 747 KIT. CAJ… 57 10 11 00:05 1
## 3 1 2022-08-01 VARROC 747 KIT. TAP… 68 10 69 00:07 1
## 4 1 2022-08-01 DENSO TOYOTA. MCV.… 19 15 49 00:05 1
## 5 1 2022-08-01 DENSO TOYOTA. MCV.… 19 15 49 00:06 1
## 6 1 2022-08-01 YANFENG MODELO Y. TM… 40 30 80 00:02 1
## 7 1 2022-08-01 YANFENG MODELO Y. TM… 80 15 41 00:10 1
## 8 1 2022-08-01 YANFENG MODELO Y. TM… 10 15 53 00:00 1
## 9 1 2022-08-01 YANFENG MODELO Y. TM… 10 15 53 00:00 1
## 10 1 2022-08-01 YANFENG MODELO Y. TM… 16 20 55 00:08 1
## # … with 2,668 more rows, and abbreviated variable names ¹PZA_PROG,
## # ²LAMINAS_PROCESADAS, ³TIEMPO_CALIDADprod3$PZA_PROG <- as.integer(prod3$PZA_PROG)
prod3$TMO_MIN <- as.integer(prod3$TMO_MIN)## Warning: NAs introducidos por coerciónprod3$LAMINAS_PROCESADAS <- as.integer(prod3$LAMINAS_PROCESADAS)## Warning: NAs introducidos por coerciónstr(prod3) ## 'data.frame': 2678 obs. of 9 variables:
## $ DIA : int 1 1 1 1 1 1 1 1 1 1 ...
## $ FECHA : Date, format: "2022-08-01" "2022-08-01" ...
## $ CLIENTE : chr "VARROC" "VARROC" "VARROC" "DENSO" ...
## $ PRODUCTO : chr "763 . KIT. CAJA." "747 KIT. CAJA HSC. ( 2 Partes)" "747 KIT. TAPA." "TOYOTA. MCV. Insterto D 2R. CORTE. 1 Golpe = 12 piezas. ( 9 Pza. / Celda)." ...
## $ PZA_PROG : int 19 57 68 19 19 40 80 10 10 16 ...
## $ TMO_MIN : int 15 10 10 15 15 30 15 15 15 20 ...
## $ LAMINAS_PROCESADAS: int 20 11 69 49 49 80 41 53 53 55 ...
## $ SEP_UP : chr "00:12" "00:05" "00:07" "00:05" ...
## $ TIEMPO_CALIDAD : chr "1" "1" "1" "1" ...Técnica 3. Valores faltantes.
¿Cuántos NA tengo en la base de datos?
sum(is.na(prod3))## [1] 1363sum(is.na(prod))## [1] 0¿Cuántos NA tengo por variable?
sapply(prod3, function(x)sum(is.na(x)))## DIA FECHA CLIENTE PRODUCTO
## 0 0 0 0
## PZA_PROG TMO_MIN LAMINAS_PROCESADAS SEP_UP
## 0 737 626 0
## TIEMPO_CALIDAD
## 0Reemplazar NA con ceros
prod4 <-prod3
prod4 [is.na(prod4)]<-0
summary(prod4) ## DIA FECHA CLIENTE PRODUCTO
## Min. : 1.00 Min. :2022-08-01 Length:2678 Length:2678
## 1st Qu.: 7.00 1st Qu.:2022-08-08 Class :character Class :character
## Median :14.00 Median :2022-08-16 Mode :character Mode :character
## Mean :13.99 Mean :2022-08-15
## 3rd Qu.:21.00 3rd Qu.:2022-08-24
## Max. :27.00 Max. :2022-08-31
## PZA_PROG TMO_MIN LAMINAS_PROCESADAS SEP_UP
## Min. : 1.00 Min. : 0.00 Min. : 0.00 Length:2678
## 1st Qu.:14.00 1st Qu.: 0.00 1st Qu.: 0.00 Class :character
## Median :20.00 Median :15.00 Median :11.00 Mode :character
## Mean :27.45 Mean :16.03 Mean :18.11
## 3rd Qu.:40.00 3rd Qu.:25.00 3rd Qu.:27.00
## Max. :99.00 Max. :90.00 Max. :98.00
## TIEMPO_CALIDAD
## Length:2678
## Class :character
## Mode :character
##
##
## 1.¿Cuántas variables y cuántos registros tiene la base de datos?
# install.packages("psych")
str(prod4)## 'data.frame': 2678 obs. of 9 variables:
## $ DIA : int 1 1 1 1 1 1 1 1 1 1 ...
## $ FECHA : Date, format: "2022-08-01" "2022-08-01" ...
## $ CLIENTE : chr "VARROC" "VARROC" "VARROC" "DENSO" ...
## $ PRODUCTO : chr "763 . KIT. CAJA." "747 KIT. CAJA HSC. ( 2 Partes)" "747 KIT. TAPA." "TOYOTA. MCV. Insterto D 2R. CORTE. 1 Golpe = 12 piezas. ( 9 Pza. / Celda)." ...
## $ PZA_PROG : int 19 57 68 19 19 40 80 10 10 16 ...
## $ TMO_MIN : num 15 10 10 15 15 30 15 15 15 20 ...
## $ LAMINAS_PROCESADAS: num 20 11 69 49 49 80 41 53 53 55 ...
## $ SEP_UP : chr "00:12" "00:05" "00:07" "00:05" ...
## $ TIEMPO_CALIDAD : chr "1" "1" "1" "1" ...library(psych)
describe(prod4)## Warning in FUN(newX[, i], ...): ningún argumento finito para min; retornando Inf## Warning in FUN(newX[, i], ...): ningun argumento finito para max; retornando
## -Inf## vars n mean sd median trimmed mad min max range
## DIA 1 2678 13.99 7.94 14 13.99 10.38 1 27 26
## FECHA 2 2678 NaN NA NA NaN NA Inf -Inf -Inf
## CLIENTE* 3 2678 6.49 2.71 6 6.49 2.97 1 11 10
## PRODUCTO* 4 2678 164.57 94.58 161 165.76 114.16 1 321 320
## PZA_PROG 5 2678 27.45 18.21 20 24.66 14.83 1 99 98
## TMO_MIN 6 2678 16.03 14.71 15 14.08 14.83 0 90 90
## LAMINAS_PROCESADAS 7 2678 18.11 22.15 11 14.23 16.31 0 98 98
## SEP_UP* 8 2678 7.02 8.94 3 5.00 0.00 1 76 75
## TIEMPO_CALIDAD* 9 2678 8.12 6.39 12 7.81 0.00 1 36 35
## skew kurtosis se
## DIA 0.01 -1.21 0.15
## FECHA NA NA NA
## CLIENTE* 0.16 -0.76 0.05
## PRODUCTO* -0.03 -1.17 1.83
## PZA_PROG 1.38 1.70 0.35
## TMO_MIN 1.11 1.79 0.28
## LAMINAS_PROCESADAS 1.30 1.02 0.43
## SEP_UP* 3.72 18.40 0.17
## TIEMPO_CALIDAD* 0.70 1.03 0.122.¿Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa continua.?
Variable<-c("DIA","FECHA","CLIENTE","PRODUCTO","PZA_PROG","TMO_MIN","LAMINAS_PROCESADAS","SEP_UP","TIEMPO_CALIDAD")
Type<-c("Cuantitativa continua","Cuantitativa continua","Cualitativa","Cualitativa","Cuantitativa discreta","Cualitativa","Cuantitativa discreta","Cuantitativa continua","Cualitativa")
table<-data.frame(Variable,Type)
knitr::kable(table)| Variable | Type |
|---|---|
| DIA | Cuantitativa continua |
| FECHA | Cuantitativa continua |
| CLIENTE | Cualitativa |
| PRODUCTO | Cualitativa |
| PZA_PROG | Cuantitativa discreta |
| TMO_MIN | Cualitativa |
| LAMINAS_PROCESADAS | Cuantitativa discreta |
| SEP_UP | Cuantitativa continua |
| TIEMPO_CALIDAD | Cualitativa |
3. Elige la escala de medición de cada variable.
Variable<-c("DIA","FECHA","CLIENTE","PRODUCTO","PZA_PROG","TMO_MIN","LAMINAS_PROCESADAS","SEP_UP","TIEMPO_CALIDAD")
Type<-c("Cuantitativa continua","Cuantitativa continua","Cualitativa","Cualitativa","Cuantitativa discreta","Cualitativa","Cuantitativa discreta","Cuantitativa continua","Cualitativa")
Escala_de_Medición <- c("Razon","Razon","Nominal","Nominal","Razon","Intervalo","Razon","Intervalo","Ordinal")
table<-data.frame(Variable,Type,Escala_de_Medición)
knitr::kable(table)| Variable | Type | Escala_de_Medición |
|---|---|---|
| DIA | Cuantitativa continua | Razon |
| FECHA | Cuantitativa continua | Razon |
| CLIENTE | Cualitativa | Nominal |
| PRODUCTO | Cualitativa | Nominal |
| PZA_PROG | Cuantitativa discreta | Razon |
| TMO_MIN | Cualitativa | Intervalo |
| LAMINAS_PROCESADAS | Cuantitativa discreta | Razon |
| SEP_UP | Cuantitativa continua | Intervalo |
| TIEMPO_CALIDAD | Cualitativa | Ordinal |
Análisis Exploratorio de las Bases de Datos
Tabla con los principales estadísticos descrptivos
Estadísticos descriptivos Producción
cruzada1<-table(prod4$FECHA,prod4$PZA_PROG)
knitr::kable(cruzada1)| 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | 15 | 16 | 17 | 18 | 19 | 20 | 21 | 22 | 23 | 24 | 25 | 26 | 27 | 28 | 29 | 30 | 31 | 32 | 33 | 34 | 35 | 36 | 37 | 38 | 39 | 40 | 41 | 42 | 43 | 44 | 45 | 46 | 47 | 48 | 49 | 50 | 51 | 52 | 53 | 54 | 55 | 56 | 57 | 58 | 59 | 60 | 62 | 64 | 65 | 66 | 68 | 69 | 70 | 72 | 75 | 76 | 77 | 78 | 79 | 80 | 88 | 94 | 96 | 99 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2022-08-01 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 15 | 0 | 1 | 0 | 0 | 0 | 5 | 0 | 0 | 17 | 29 | 1 | 0 | 0 | 1 | 0 | 2 | 0 | 0 | 0 | 2 | 0 | 5 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 12 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 4 | 0 | 0 | 0 | 0 | 0 | 1 | 2 | 0 | 0 | 2 | 1 | 0 | 0 | 0 | 1 | 2 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 4 | 0 | 0 | 0 | 1 |
| 2022-08-02 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 30 | 1 | 0 | 1 | 15 | 5 | 5 | 4 | 0 | 0 | 17 | 0 | 0 | 0 | 6 | 0 | 3 | 0 | 0 | 0 | 2 | 0 | 2 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 11 | 0 | 0 | 0 | 1 | 2 | 0 | 0 | 0 | 0 | 9 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 0 |
| 2022-08-03 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 24 | 2 | 4 | 0 | 9 | 4 | 3 | 4 | 0 | 3 | 20 | 2 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 6 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 7 | 0 | 0 | 0 | 2 | 4 | 0 | 0 | 2 | 0 | 4 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 2 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 2 | 0 | 0 | 0 | 0 |
| 2022-08-04 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 11 | 1 | 0 | 0 | 0 | 4 | 3 | 0 | 0 | 5 | 20 | 1 | 1 | 0 | 8 | 1 | 0 | 0 | 2 | 0 | 2 | 0 | 2 | 0 | 0 | 2 | 0 | 0 | 0 | 0 | 7 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 6 | 2 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 |
| 2022-08-05 | 0 | 3 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 14 | 0 | 1 | 0 | 0 | 3 | 7 | 0 | 0 | 8 | 14 | 1 | 0 | 0 | 5 | 0 | 0 | 0 | 0 | 0 | 2 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 2 | 0 | 7 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 5 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 6 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 0 |
| 2022-08-06 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 8 | 0 | 6 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 13 | 0 | 0 | 0 | 4 | 0 | 2 | 0 | 0 | 0 | 4 | 1 | 0 | 0 | 0 | 0 | 0 | 1 | 3 | 0 | 8 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 4 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 3 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 2022-08-08 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 19 | 3 | 2 | 2 | 1 | 3 | 6 | 2 | 3 | 12 | 28 | 4 | 0 | 0 | 0 | 0 | 0 | 3 | 0 | 0 | 2 | 0 | 1 | 0 | 1 | 2 | 4 | 2 | 1 | 0 | 7 | 0 | 0 | 0 | 1 | 1 | 1 | 1 | 0 | 0 | 3 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 3 | 0 | 1 | 2 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 |
| 2022-08-09 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 10 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 3 | 10 | 25 | 2 | 0 | 0 | 0 | 1 | 0 | 2 | 0 | 0 | 2 | 0 | 1 | 2 | 1 | 2 | 3 | 2 | 0 | 1 | 14 | 0 | 0 | 0 | 1 | 0 | 1 | 1 | 0 | 0 | 12 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 2 | 0 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 0 |
| 2022-08-10 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 32 | 2 | 3 | 0 | 1 | 2 | 0 | 1 | 5 | 9 | 18 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 4 | 0 | 0 | 0 | 1 | 0 | 2 | 1 | 1 | 0 | 9 | 0 | 0 | 0 | 2 | 0 | 1 | 1 | 0 | 0 | 2 | 0 | 0 | 0 | 1 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 2 | 0 | 0 | 0 | 1 | 2 | 1 | 0 |
| 2022-08-11 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 25 | 2 | 0 | 0 | 11 | 5 | 0 | 0 | 1 | 0 | 22 | 2 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 5 | 0 | 0 | 0 | 2 | 0 | 1 | 2 | 0 | 0 | 11 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 2 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 2 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 |
| 2022-08-12 | 2 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 13 | 1 | 0 | 1 | 11 | 0 | 2 | 0 | 1 | 0 | 26 | 1 | 0 | 2 | 0 | 0 | 0 | 1 | 1 | 0 | 1 | 0 | 0 | 0 | 2 | 0 | 3 | 1 | 0 | 0 | 9 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 1 | 2 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 2 | 0 | 0 | 0 | 0 | 0 | 6 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 3 | 0 | 0 | 0 | 0 |
| 2022-08-13 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 18 | 1 | 2 | 1 | 2 | 1 | 2 | 0 | 0 | 1 | 24 | 2 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 6 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 8 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 2 | 0 | 5 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 4 | 0 | 2 | 0 | 1 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 |
| 2022-08-15 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 23 | 1 | 2 | 1 | 1 | 2 | 1 | 0 | 0 | 1 | 20 | 1 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 8 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 1 | 0 | 11 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 18 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 3 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 |
| 2022-08-16 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 19 | 0 | 0 | 1 | 0 | 1 | 0 | 3 | 0 | 0 | 21 | 1 | 0 | 0 | 0 | 1 | 1 | 1 | 0 | 0 | 4 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 14 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 13 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 3 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 5 | 0 | 0 | 1 | 0 |
| 2022-08-17 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 30 | 1 | 0 | 1 | 12 | 1 | 1 | 2 | 1 | 0 | 15 | 2 | 1 | 0 | 2 | 0 | 0 | 0 | 0 | 0 | 3 | 0 | 0 | 0 | 0 | 0 | 2 | 2 | 1 | 0 | 8 | 0 | 0 | 0 | 0 | 3 | 0 | 0 | 0 | 0 | 7 | 0 | 0 | 0 | 0 | 0 | 0 | 3 | 0 | 1 | 2 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 2 | 0 | 0 | 0 | 0 | 4 | 0 | 1 | 0 | 0 |
| 2022-08-18 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 19 | 2 | 0 | 1 | 1 | 1 | 0 | 1 | 1 | 0 | 17 | 1 | 0 | 0 | 12 | 0 | 0 | 0 | 0 | 0 | 6 | 0 | 0 | 0 | 0 | 0 | 3 | 0 | 0 | 0 | 9 | 0 | 0 | 0 | 0 | 0 | 1 | 1 | 0 | 0 | 8 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 2 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 3 | 0 | 0 | 0 | 2 |
| 2022-08-19 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 21 | 0 | 0 | 1 | 0 | 1 | 0 | 1 | 2 | 0 | 28 | 1 | 0 | 1 | 11 | 1 | 0 | 0 | 1 | 0 | 4 | 0 | 1 | 0 | 0 | 0 | 2 | 0 | 0 | 0 | 13 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 14 | 0 | 0 | 0 | 0 | 0 | 0 | 3 | 0 | 0 | 4 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 |
| 2022-08-20 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 13 | 0 | 2 | 0 | 1 | 2 | 0 | 0 | 0 | 0 | 17 | 0 | 0 | 3 | 12 | 0 | 0 | 0 | 1 | 1 | 5 | 0 | 0 | 0 | 0 | 0 | 2 | 0 | 0 | 0 | 4 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 7 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 3 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 1 |
| 2022-08-22 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 12 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 26 | 0 | 0 | 3 | 0 | 0 | 0 | 0 | 0 | 0 | 5 | 0 | 0 | 0 | 0 | 0 | 2 | 0 | 0 | 0 | 9 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 12 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 |
| 2022-08-23 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 19 | 0 | 1 | 1 | 0 | 2 | 6 | 0 | 0 | 2 | 28 | 0 | 1 | 1 | 10 | 1 | 0 | 0 | 0 | 0 | 3 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 12 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 4 | 0 | 1 | 0 | 0 | 0 | 0 | 1 | 1 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 2 | 0 | 0 | 2 | 0 |
| 2022-08-24 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 16 | 3 | 1 | 1 | 0 | 2 | 4 | 0 | 0 | 1 | 32 | 0 | 1 | 0 | 12 | 0 | 0 | 0 | 0 | 0 | 5 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 7 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 4 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 0 |
| 2022-08-25 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 21 | 0 | 0 | 1 | 0 | 1 | 2 | 0 | 0 | 0 | 37 | 0 | 1 | 0 | 10 | 0 | 0 | 0 | 0 | 0 | 3 | 0 | 2 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 9 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 7 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 6 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 |
| 2022-08-26 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 30 | 4 | 0 | 1 | 0 | 1 | 1 | 0 | 0 | 2 | 14 | 2 | 0 | 0 | 10 | 0 | 0 | 0 | 0 | 0 | 10 | 0 | 4 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 3 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 9 | 0 | 0 | 0 | 0 | 0 | 1 | 2 | 0 | 0 | 4 | 0 | 0 | 4 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 2 | 0 |
| 2022-08-27 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 16 | 0 | 2 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 25 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 5 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 9 | 1 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 3 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 2 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 2022-08-29 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 15 | 1 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 0 | 25 | 0 | 2 | 0 | 15 | 1 | 0 | 0 | 0 | 0 | 10 | 0 | 2 | 0 | 0 | 2 | 0 | 1 | 1 | 0 | 12 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 9 | 0 | 0 | 2 | 0 | 1 | 2 | 0 | 0 | 0 | 2 | 1 | 0 | 3 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 2 | 0 |
| 2022-08-30 | 0 | 0 | 0 | 0 | 1 | 1 | 0 | 0 | 0 | 26 | 3 | 1 | 1 | 0 | 1 | 2 | 0 | 0 | 2 | 24 | 0 | 0 | 0 | 12 | 0 | 0 | 0 | 1 | 0 | 2 | 0 | 2 | 0 | 0 | 2 | 0 | 0 | 1 | 0 | 9 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 8 | 0 | 0 | 2 | 0 | 0 | 2 | 0 | 0 | 0 | 3 | 0 | 1 | 3 | 0 | 0 | 0 | 1 | 1 | 0 | 0 | 0 | 0 | 0 | 4 | 0 | 0 | 1 | 0 |
| 2022-08-31 | 0 | 0 | 0 | 3 | 0 | 0 | 0 | 0 | 1 | 24 | 1 | 1 | 1 | 0 | 0 | 2 | 0 | 2 | 0 | 24 | 8 | 2 | 0 | 4 | 0 | 0 | 0 | 0 | 0 | 4 | 0 | 2 | 0 | 0 | 0 | 3 | 0 | 0 | 0 | 8 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 5 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 6 | 0 | 0 | 3 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 3 | 0 | 0 | 3 | 0 |
cruzada2<-table(prod4$LAMINAS_PROCESADAS,prod4$TMO_MIN)
knitr::kable(cruzada2)| 0 | 5 | 10 | 12 | 15 | 20 | 25 | 30 | 35 | 40 | 45 | 50 | 60 | 65 | 70 | 75 | 80 | 90 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 719 | 0 | 90 | 0 | 74 | 68 | 141 | 9 | 8 | 7 | 0 | 14 | 9 | 0 | 4 | 0 | 0 | 1 |
| 1 | 0 | 0 | 3 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 3 | 0 | 0 | 2 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 4 | 0 | 0 | 3 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 5 | 0 | 0 | 4 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 6 | 0 | 0 | 3 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 7 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 8 | 0 | 0 | 3 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 9 | 0 | 0 | 5 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 10 | 4 | 0 | 22 | 0 | 22 | 52 | 50 | 4 | 1 | 1 | 2 | 8 | 0 | 0 | 0 | 0 | 0 | 0 |
| 11 | 1 | 0 | 22 | 0 | 14 | 3 | 0 | 2 | 0 | 0 | 0 | 0 | 4 | 0 | 0 | 0 | 0 | 0 |
| 12 | 0 | 0 | 5 | 1 | 5 | 13 | 4 | 0 | 0 | 1 | 0 | 0 | 4 | 0 | 0 | 0 | 1 | 0 |
| 13 | 1 | 0 | 12 | 0 | 3 | 8 | 3 | 1 | 0 | 1 | 0 | 0 | 0 | 0 | 3 | 0 | 0 | 0 |
| 14 | 2 | 0 | 1 | 0 | 1 | 11 | 3 | 1 | 0 | 4 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 15 | 0 | 0 | 4 | 0 | 4 | 10 | 2 | 1 | 2 | 4 | 0 | 5 | 0 | 0 | 0 | 3 | 0 | 0 |
| 16 | 2 | 0 | 9 | 0 | 2 | 9 | 2 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 |
| 17 | 0 | 0 | 9 | 1 | 0 | 1 | 1 | 0 | 0 | 2 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 0 |
| 18 | 1 | 0 | 2 | 0 | 1 | 1 | 1 | 1 | 0 | 2 | 7 | 14 | 0 | 0 | 0 | 0 | 0 | 0 |
| 19 | 0 | 0 | 1 | 0 | 1 | 3 | 6 | 2 | 0 | 1 | 0 | 3 | 0 | 0 | 0 | 0 | 0 | 0 |
| 20 | 5 | 0 | 6 | 0 | 10 | 10 | 226 | 7 | 1 | 5 | 2 | 9 | 2 | 0 | 0 | 0 | 1 | 0 |
| 21 | 0 | 0 | 19 | 1 | 1 | 2 | 4 | 0 | 0 | 2 | 0 | 5 | 0 | 0 | 0 | 0 | 0 | 0 |
| 22 | 0 | 0 | 2 | 0 | 2 | 3 | 5 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 23 | 0 | 0 | 1 | 0 | 1 | 2 | 1 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 |
| 24 | 1 | 0 | 2 | 0 | 1 | 5 | 13 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 25 | 0 | 0 | 3 | 0 | 7 | 3 | 4 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 |
| 26 | 0 | 0 | 8 | 0 | 7 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 |
| 27 | 0 | 0 | 12 | 0 | 7 | 1 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 28 | 0 | 0 | 1 | 0 | 3 | 0 | 2 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 29 | 0 | 0 | 3 | 0 | 1 | 1 | 0 | 1 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 30 | 2 | 0 | 3 | 0 | 4 | 1 | 2 | 2 | 20 | 0 | 0 | 3 | 1 | 0 | 0 | 0 | 0 | 0 |
| 31 | 0 | 0 | 6 | 0 | 2 | 2 | 0 | 1 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 32 | 1 | 0 | 7 | 0 | 8 | 3 | 1 | 0 | 4 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 33 | 0 | 0 | 5 | 0 | 0 | 0 | 0 | 0 | 4 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 |
| 34 | 0 | 0 | 3 | 0 | 0 | 2 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 35 | 1 | 0 | 3 | 0 | 3 | 4 | 1 | 0 | 4 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 |
| 36 | 0 | 0 | 4 | 0 | 1 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 37 | 1 | 0 | 7 | 0 | 9 | 1 | 3 | 1 | 4 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 |
| 38 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 3 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 |
| 39 | 1 | 0 | 10 | 0 | 1 | 1 | 1 | 1 | 2 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 40 | 4 | 0 | 2 | 0 | 5 | 4 | 9 | 3 | 0 | 24 | 0 | 2 | 2 | 0 | 2 | 1 | 0 | 0 |
| 41 | 1 | 0 | 9 | 0 | 3 | 2 | 2 | 1 | 0 | 3 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 42 | 2 | 0 | 3 | 0 | 0 | 2 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 |
| 43 | 1 | 0 | 1 | 0 | 1 | 0 | 4 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 44 | 1 | 0 | 0 | 0 | 1 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 45 | 0 | 0 | 5 | 0 | 4 | 0 | 2 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 47 | 1 | 0 | 6 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 48 | 0 | 0 | 2 | 0 | 0 | 2 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 49 | 0 | 0 | 1 | 0 | 12 | 5 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 50 | 12 | 0 | 8 | 0 | 20 | 0 | 3 | 0 | 0 | 1 | 0 | 3 | 0 | 0 | 0 | 0 | 0 | 0 |
| 51 | 0 | 0 | 29 | 0 | 20 | 0 | 4 | 2 | 0 | 2 | 0 | 0 | 2 | 0 | 0 | 0 | 0 | 0 |
| 52 | 0 | 0 | 7 | 0 | 11 | 3 | 4 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 53 | 0 | 1 | 3 | 0 | 3 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 54 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 55 | 0 | 0 | 1 | 0 | 1 | 3 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 56 | 0 | 0 | 1 | 0 | 1 | 0 | 2 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 57 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 0 | 2 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 58 | 0 | 0 | 2 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 2 | 0 | 0 | 0 | 0 | 0 |
| 59 | 0 | 0 | 1 | 0 | 1 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 60 | 3 | 0 | 1 | 1 | 2 | 2 | 0 | 0 | 0 | 2 | 0 | 1 | 3 | 0 | 0 | 0 | 0 | 0 |
| 61 | 0 | 0 | 7 | 0 | 11 | 12 | 2 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 62 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 64 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 65 | 1 | 0 | 1 | 0 | 2 | 6 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 66 | 0 | 0 | 5 | 0 | 0 | 2 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 67 | 0 | 0 | 1 | 0 | 3 | 2 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 68 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 2 | 0 | 0 | 0 | 0 | 0 |
| 69 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 70 | 0 | 0 | 6 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 |
| 71 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 73 | 0 | 0 | 0 | 0 | 6 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 74 | 0 | 0 | 0 | 0 | 1 | 1 | 1 | 0 | 0 | 0 | 0 | 0 | 2 | 0 | 0 | 0 | 0 | 0 |
| 75 | 1 | 0 | 0 | 0 | 1 | 1 | 0 | 0 | 0 | 2 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 76 | 0 | 0 | 0 | 0 | 3 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 77 | 0 | 0 | 0 | 0 | 0 | 4 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 78 | 0 | 0 | 2 | 0 | 3 | 1 | 3 | 0 | 0 | 2 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 |
| 79 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 3 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 80 | 3 | 0 | 1 | 0 | 0 | 0 | 1 | 1 | 0 | 2 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 81 | 0 | 0 | 0 | 0 | 1 | 13 | 3 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 82 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 |
| 83 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 84 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 2 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 85 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 86 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 2 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 89 | 0 | 0 | 0 | 0 | 1 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 90 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 2 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 91 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 92 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 93 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 95 | 0 | 0 | 3 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 96 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 97 | 0 | 0 | 1 | 0 | 0 | 4 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 98 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
# install.packages("psych")
library(psych)
describe(prod)## vars n mean sd median trimmed mad min max range
## DIA 1 2678 13.99 7.94 14 13.99 10.38 1 27 26
## FECHA* 2 2678 13.99 7.94 14 13.99 10.38 1 27 26
## CLIENTE* 3 2678 6.49 2.71 6 6.49 2.97 1 11 10
## IDFORM* 4 2678 115.19 73.34 120 113.04 94.89 1 257 256
## PRODUCTO* 5 2678 164.57 94.58 161 165.76 114.16 1 321 320
## PZA_PROG* 6 2678 92.37 68.74 70 87.88 87.47 1 245 244
## TMO_MIN* 7 2678 6.51 4.56 7 6.15 4.45 1 23 22
## HR_FIN* 8 2678 70.58 59.09 69 69.26 91.92 1 158 157
## ESTACION_ARRANQUE* 9 2678 16.90 8.31 18 17.34 11.86 1 27 26
## LAMINAS_PROCESADAS* 10 2678 92.26 107.18 34 77.54 48.93 1 342 341
## SEP_UP* 11 2678 7.02 8.94 3 5.00 0.00 1 76 75
## INICIO.DE.PROCESO* 12 2678 185.17 200.63 103 162.63 151.23 1 622 621
## FIN_DE_PROCESO* 13 2678 193.98 210.15 105 171.56 154.19 1 630 629
## TIEMPO_CALIDAD* 14 2678 8.12 6.39 12 7.81 0.00 1 36 35
## skew kurtosis se
## DIA 0.01 -1.21 0.15
## FECHA* 0.01 -1.21 0.15
## CLIENTE* 0.16 -0.76 0.05
## IDFORM* 0.12 -1.10 1.42
## PRODUCTO* -0.03 -1.17 1.83
## PZA_PROG* 0.41 -0.86 1.33
## TMO_MIN* 0.38 -0.53 0.09
## HR_FIN* 0.00 -1.72 1.14
## ESTACION_ARRANQUE* -0.24 -1.40 0.16
## LAMINAS_PROCESADAS* 0.83 -0.72 2.07
## SEP_UP* 3.72 18.40 0.17
## INICIO.DE.PROCESO* 0.59 -1.14 3.88
## FIN_DE_PROCESO* 0.57 -1.23 4.06
## TIEMPO_CALIDAD* 0.70 1.03 0.12Variables <-c("Cantidad" )
Media <-c("6.70" )
Mediana <-c("2" )
Desviacion_estandar <-c("11.85" )
table1 <- describe(prod)
knitr::kable(table1)| vars | n | mean | sd | median | trimmed | mad | min | max | range | skew | kurtosis | se | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| DIA | 1 | 2678 | 13.991785 | 7.935437 | 14 | 13.991604 | 10.3782 | 1 | 27 | 26 | 0.0055451 | -1.2146133 | 0.1533436 |
| FECHA* | 2 | 2678 | 13.991785 | 7.935437 | 14 | 13.991604 | 10.3782 | 1 | 27 | 26 | 0.0055451 | -1.2146133 | 0.1533436 |
| CLIENTE* | 3 | 2678 | 6.488051 | 2.714336 | 6 | 6.494403 | 2.9652 | 1 | 11 | 10 | 0.1641304 | -0.7644564 | 0.0524515 |
| IDFORM* | 4 | 2678 | 115.187827 | 73.343809 | 120 | 113.038246 | 94.8864 | 1 | 257 | 256 | 0.1168419 | -1.1043278 | 1.4172882 |
| PRODUCTO* | 5 | 2678 | 164.572442 | 94.579970 | 161 | 165.757463 | 114.1602 | 1 | 321 | 320 | -0.0334915 | -1.1716116 | 1.8276536 |
| PZA_PROG* | 6 | 2678 | 92.371173 | 68.737320 | 70 | 87.882463 | 87.4734 | 1 | 245 | 244 | 0.4130128 | -0.8627556 | 1.3282729 |
| TMO_MIN* | 7 | 2678 | 6.506348 | 4.558317 | 7 | 6.151586 | 4.4478 | 1 | 23 | 22 | 0.3812195 | -0.5317357 | 0.0880845 |
| HR_FIN* | 8 | 2678 | 70.578043 | 59.089200 | 69 | 69.263993 | 91.9212 | 1 | 158 | 157 | -0.0012525 | -1.7150896 | 1.1418336 |
| ESTACION_ARRANQUE* | 9 | 2678 | 16.899925 | 8.310405 | 18 | 17.341884 | 11.8608 | 1 | 27 | 26 | -0.2376414 | -1.3960407 | 0.1605894 |
| LAMINAS_PROCESADAS* | 10 | 2678 | 92.256535 | 107.182504 | 34 | 77.539179 | 48.9258 | 1 | 342 | 341 | 0.8250050 | -0.7230473 | 2.0711837 |
| SEP_UP* | 11 | 2678 | 7.020164 | 8.940197 | 3 | 4.995802 | 0.0000 | 1 | 76 | 75 | 3.7182375 | 18.3957175 | 0.1727594 |
| INICIO.DE.PROCESO* | 12 | 2678 | 185.165422 | 200.625976 | 103 | 162.630131 | 151.2252 | 1 | 622 | 621 | 0.5933001 | -1.1378681 | 3.8768757 |
| FIN_DE_PROCESO* | 13 | 2678 | 193.981703 | 210.147590 | 105 | 171.555504 | 154.1904 | 1 | 630 | 629 | 0.5664325 | -1.2277725 | 4.0608704 |
| TIEMPO_CALIDAD* | 14 | 2678 | 8.116505 | 6.390530 | 12 | 7.809235 | 0.0000 | 1 | 36 | 35 | 0.6964316 | 1.0294590 | 0.1234899 |
MERMA
Escoger la base datos
# file.choose()
merma <- read.csv("C:\\Users\\sofia\\OneDrive\\Documentos\\RETO\\FORM - Merma.csv")Entendemos la base de datos
resumen <- summary(merma)
resumen## Fecha Mes Kilos
## Length:50 Length:50 Min. : 790
## Class :character Class :character 1st Qu.:3178
## Mode :character Mode :character Median :3925
## Mean :3709
## 3rd Qu.:4232
## Max. :6140SECCION 1. Limpieza, Transformación, y Organización de Bases de Datos
Técnica 1. Convertir tipos de datos.
Convertir de caracter a fecha
La base de datos no contenía ningun formato, por lo que en el analisis los datos podían tener errores por se convirtió la fecha a formato.
library(tibble)
merma1 <- merma
merma1$Fecha <- as.Date(merma1$Fecha, format = "%d/%m/%Y")
tibble (merma1)## # A tibble: 50 × 3
## Fecha Mes Kilos
## <date> <chr> <int>
## 1 2022-01-11 ENERO 5080
## 2 2022-01-11 ENERO 3810
## 3 2022-01-22 ENERO 2990
## 4 2022-01-22 ENERO 2680
## 5 2022-02-18 FEBRERO 3650
## 6 2022-02-18 FEBRERO 4380
## 7 2022-02-18 FEBRERO 3870
## 8 2022-02-18 FEBRERO 3590
## 9 2022-02-18 FEBRERO 3410
## 10 2022-02-24 FEBRERO 3930
## # … with 40 more rowsTécnica 2. Remover valores irrelevantes.
Eliminar columnas
En la base de datos se contenía la fecha y el mes, por lo que consideramos que el mes no es necesario ya que tenemos la fecha, asi que lo eliminamos con la función de subset.
merma2 <- merma1
merma2 <- subset (merma2, select = -c (Mes))
summary (merma2)## Fecha Kilos
## Min. :2022-01-11 Min. : 790
## 1st Qu.:2022-03-12 1st Qu.:3178
## Median :2022-05-24 Median :3925
## Mean :2022-05-25 Mean :3709
## 3rd Qu.:2022-08-10 3rd Qu.:4232
## Max. :2022-09-21 Max. :61401.¿Cuántas variables y cuántos registros tiene la base de datos?
R= 60 registros y 3 variables
# install.packages("psych")
str(merma2)## 'data.frame': 50 obs. of 2 variables:
## $ Fecha: Date, format: "2022-01-11" "2022-01-11" ...
## $ Kilos: int 5080 3810 2990 2680 3650 4380 3870 3590 3410 3930 ...library(psych)
describe(merma2)## Warning in FUN(newX[, i], ...): ningún argumento finito para min; retornando Inf## Warning in FUN(newX[, i], ...): ningun argumento finito para max; retornando
## -Inf## vars n mean sd median trimmed mad min max range skew
## Fecha 1 50 NaN NA NA NaN NA Inf -Inf -Inf NA
## Kilos 2 50 3708.52 1023.99 3925 3798.65 541.15 790 6140 5350 -0.94
## kurtosis se
## Fecha NA NA
## Kilos 1.65 144.812.¿Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa continua.?
Variable<-c("Fecha","Kilos")
Type<-c("Cuantitativa continua","Cuantitativa continua")
table<-data.frame(Variable,Type)
knitr::kable(table)| Variable | Type |
|---|---|
| Fecha | Cuantitativa continua |
| Kilos | Cuantitativa continua |
3. Elige la escala de medición de cada variable.
Variable<-c("Fecha","Kilos")
Type<-c("Cuantitativa continua", "Cuantitativa continua")
Escala_de_Medición <- c("Razon","Razon")
table<-data.frame(Variable,Type,Escala_de_Medición)
knitr::kable(table)| Variable | Type | Escala_de_Medición |
|---|---|---|
| Fecha | Cuantitativa continua | Razon |
| Kilos | Cuantitativa continua | Razon |
Análisis Exploratorio de las Bases de Datos
Tabla con los principales estadísticos descriptivos
Estadísticos descriptivos Merma
# install.packages("psych")
library(psych)
describe(merma2)## vars n mean sd median trimmed mad min max range skew
## Fecha 1 50 NaN NA NA NaN NA Inf -Inf -Inf NA
## Kilos 2 50 3708.52 1023.99 3925 3798.65 541.15 790 6140 5350 -0.94
## kurtosis se
## Fecha NA NA
## Kilos 1.65 144.81Variables <-c("Kilos")
Media <-c("3709.52")
Mediana <-c("3925")
Desviacion_estandar <-c("1023.99")table2 <-data.frame(Variables, Media, Mediana, Desviacion_estandar)
knitr::kable(table2)| Variables | Media | Mediana | Desviacion_estandar |
|---|---|---|---|
| Kilos | 3709.52 | 3925 | 1023.99 |
SCRAP
Escoger la base datos
# file.choose()
scrap <- read.csv("C:\\Users\\sofia\\OneDrive\\Documentos\\RETO\\FORM - Scrap.csv")Entendemos la base de datos
resumen <- summary(scrap)
resumen## Referencia Fecha Producto Cantidad
## Length:250 Length:250 Length:250 Min. : 0.000
## Class :character Class :character Class :character 1st Qu.: 1.000
## Mode :character Mode :character Mode :character Median : 2.000
## Mean : 6.696
## 3rd Qu.: 7.000
## Max. :96.000
## Unidad.de.medida Ubicación.de.origen Ubicación.de.desecho Estado
## Length:250 Length:250 Length:250 Length:250
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
## SECCION 1. Limpieza, Transformación, y Organización de Bases de Datos
Técnica 1. Remover valores irrelevantes
Eliminar columnas
La base de datos contenía Referencia de Form, sin embargo, para nuestro análisis que estamos realizando no es importante por lo que utilizamos la función de subset para eliminar la columna.
scrap1 <- scrap
scrap1<-subset(scrap1,select=-c(Referencia))
str(scrap1)## 'data.frame': 250 obs. of 7 variables:
## $ Fecha : chr "31/08/2022 14:55" "31/08/2022 14:49" "31/08/2022 13:49" "31/08/2022 09:30" ...
## $ 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" ...Técnica 2. Errores tipográficos y errores similares
Cantidades en enteros
Es importante para nuestro análisis que la base de datos las cantidades estuvieran enteros ya que se tratan de cantidad de piezas de cierto producto por lo que para que el análisis sea congruente se deben tener enteros.
scrap2 <- scrap1
scrap2$Cantidad <- ceiling (scrap2$Cantidad)
summary(scrap2) ## Fecha Producto Cantidad Unidad.de.medida
## Length:250 Length:250 Min. : 0.0 Length:250
## Class :character Class :character 1st Qu.: 1.0 Class :character
## Mode :character Mode :character Median : 2.0 Mode :character
## Mean : 6.7
## 3rd Qu.: 7.0
## Max. :96.0
## Ubicación.de.origen Ubicación.de.desecho Estado
## Length:250 Length:250 Length:250
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
## 1.¿Cuántas variables y cuántos registros tiene la base de datos?
R= 251 registros y 7 variables
# install.packages("psych")
str(scrap2)## 'data.frame': 250 obs. of 7 variables:
## $ Fecha : chr "31/08/2022 14:55" "31/08/2022 14:49" "31/08/2022 13:49" "31/08/2022 09:30" ...
## $ Producto : chr "[BACKFRAME 60% CUELLO ARMADO] 18805. 60% Backframe. Cuello Armado." "[N61506747 CAJA] N61506747. Kit. Caja." "[N61506729 SEPARADOR] N61506729. Kit. Separador." "[341332 DIVISOR - U611 & U625] 341332. U611. U625. Divisor Troquelado." ...
## $ Cantidad : num 2 1 1 31 1 1 1 9 2 1 ...
## $ Unidad.de.medida : chr "Unidad(es)" "Unidad(es)" "Unidad(es)" "Unidad(es)" ...
## $ Ubicación.de.origen : chr "SAB/Calidad/Entrega de PT" "SAB/Calidad/Entrega de PT" "SAB/Calidad/Entrega de PT" "SAB/Pre-Production" ...
## $ Ubicación.de.desecho: chr "Virtual Locations/Scrapped" "Virtual Locations/Scrapped" "Virtual Locations/Scrapped" "Virtual Locations/Scrapped" ...
## $ Estado : chr "Hecho" "Hecho" "Hecho" "Hecho" ...library(psych)
describe(scrap2)## vars n mean sd median trimmed mad min max range
## Fecha* 1 250 101.26 59.55 102 100.72 77.10 1 206 205
## Producto* 2 250 44.38 24.72 45 44.12 25.95 1 95 94
## Cantidad 3 250 6.70 11.85 2 3.89 1.48 0 96 96
## Unidad.de.medida* 4 250 1.00 0.00 1 1.00 0.00 1 1 0
## Ubicación.de.origen* 5 250 2.48 0.85 3 2.60 0.00 1 3 2
## Ubicación.de.desecho* 6 250 1.00 0.00 1 1.00 0.00 1 1 0
## Estado* 7 250 1.00 0.00 1 1.00 0.00 1 1 0
## skew kurtosis se
## Fecha* 0.04 -1.21 3.77
## Producto* 0.01 -0.79 1.56
## Cantidad 4.12 21.14 0.75
## Unidad.de.medida* NaN NaN 0.00
## Ubicación.de.origen* -1.10 -0.70 0.05
## Ubicación.de.desecho* NaN NaN 0.00
## Estado* NaN NaN 0.003.¿Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa continua.?
Variable<-c("Fecha","Producto","Cantidad","Unidad.de.medida", "Ubicación.de.origen","Ubicación.de.desecho","Estado")
Type<-c("Cuantitativa continua", "Cualitativa", "Cuantitativa continua", "Cualitativa", "Cualitativa","Cualitativa","Cualitativa")
table<-data.frame(Variable,Type)
knitr::kable(table)| Variable | Type |
|---|---|
| Fecha | Cuantitativa continua |
| Producto | Cualitativa |
| Cantidad | Cuantitativa continua |
| Unidad.de.medida | Cualitativa |
| Ubicación.de.origen | Cualitativa |
| Ubicación.de.desecho | Cualitativa |
| Estado | Cualitativa |
4. Elige la escala de medición de cada variable.
Variable<-c("Fecha","Producto","Cantidad","Unidad.de.medida", "Ubicación.de.origen","Ubicación.de.desecho","Estado")
Type<-c("Cuantitativa continua", "Cualitativa", "Cuantitativa continua", "Cualitativa", "Cualitativa","Cualitativa","Cualitativa")
Escala_de_Medición <- c("Intervalo","Nominal","Discreta","Nominal", "Nominal","Nominal", "Nominal")
table<-data.frame(Variable,Type,Escala_de_Medición)
knitr::kable(table)| Variable | Type | Escala_de_Medición |
|---|---|---|
| Fecha | Cuantitativa continua | Intervalo |
| Producto | Cualitativa | Nominal |
| Cantidad | Cuantitativa continua | Discreta |
| Unidad.de.medida | Cualitativa | Nominal |
| Ubicación.de.origen | Cualitativa | Nominal |
| Ubicación.de.desecho | Cualitativa | Nominal |
| Estado | Cualitativa | Nominal |
Análisis Exploratorio de las Bases de Datos
Tabla con los principales estadísticos descriptivos
Estadísticos descriptivos Scrap
# install.packages("psych")
library(psych)
describe(scrap2)## vars n mean sd median trimmed mad min max range
## Fecha* 1 250 101.26 59.55 102 100.72 77.10 1 206 205
## Producto* 2 250 44.38 24.72 45 44.12 25.95 1 95 94
## Cantidad 3 250 6.70 11.85 2 3.89 1.48 0 96 96
## Unidad.de.medida* 4 250 1.00 0.00 1 1.00 0.00 1 1 0
## Ubicación.de.origen* 5 250 2.48 0.85 3 2.60 0.00 1 3 2
## Ubicación.de.desecho* 6 250 1.00 0.00 1 1.00 0.00 1 1 0
## Estado* 7 250 1.00 0.00 1 1.00 0.00 1 1 0
## skew kurtosis se
## Fecha* 0.04 -1.21 3.77
## Producto* 0.01 -0.79 1.56
## Cantidad 4.12 21.14 0.75
## Unidad.de.medida* NaN NaN 0.00
## Ubicación.de.origen* -1.10 -0.70 0.05
## Ubicación.de.desecho* NaN NaN 0.00
## Estado* NaN NaN 0.00Variables <-c("Cantidad" )
Media <-c("6.70" )
Mediana <-c("2" )
Desviacion_estandar <-c("11.85" )
table1 <-data.frame(Variables, Media , Mediana , Desviacion_estandar)
knitr::kable(table1)| Variables | Media | Mediana | Desviacion_estandar |
|---|---|---|---|
| Cantidad | 6.70 | 2 | 11.85 |
SECCION 2. Análisis Exploratorio de las Bases de Datos
Bar plots
PRODUCCIÓN
barplot(prop.table(table(prod4$LAMINAS_PROCESADAS)),col=c("orange"),main="Laminas procesadas",xlab = "Laminas", ylab ="Frecuencias",las=1)
SCRAP
library(plyr)
pie(prop.table(table(scrap2$Ubicación.de.origen)),col=c("lightgreen","blue","red"),main="Ubicación de origen",las=1)
DELIVERY PLAN: PRINCIPALES CLIENTES: PRINCIPALES CLIENTES
Con la siguiente función podremos identificar los principales clientes para generar un análisis con la información relevante, pues hay clientes con pocos o sin pedidos por lo que generar un diagnóstico respecto a delivery plan con esos datos no es necesario.
ggplot(devplan1, aes(x=reorder(CLIENTE,Pedidos), y=Pedidos)) +
geom_bar(stat="identity")+
coord_flip()
RECURSOS HUMANOS: COLABORADORES ACTUALES
# as.data.frame(bajas)
# as.data.frame(colab)colab<-colab %>% dplyr::select(genero,edad,salario_diario) %>% dplyr::group_by(genero) %>%
dplyr::summarise(across(everything(),mean,na.rm=TRUE)) %>% arrange(desc(edad))
ggplot(colab, aes(x=reorder(genero,edad), y=edad, fill=(salario_diario))) +
geom_bar(stat="identity",col=c("black"))+
coord_flip()+
guides(fill=guide_legend(reverse=FALSE))
La primera gráfica de barras nos da a conocer sobre el salario diario de las personas de Form, segmentado por edad y por género. Lo que nos da a conocer es que en la empresa existe un mayor rango de edad entre las mujeres de Form, llegando a ser casi 40 lo mayor; por otra parte, los hombres presentan un menor rango, con un máximo de (aprox) 33. Igualmente, vemos que en promedio las mujeres ganan 60 centavos más que los hombres.
RECURSOS HUMANOS: BAJAS
bajas<-bajas %>% dplyr::select(motivo_baja,edad,duracion) %>% group_by(motivo_baja) %>%
dplyr::summarise(across(everything(),mean,na.rm=TRUE)) %>% arrange(desc(edad))
ggplot(bajas, aes(x=reorder(motivo_baja,edad), y=edad, fill=(duracion))) +
geom_bar(stat="identity",col=c("black"))+
coord_flip()+
guides(fill=guide_legend(reverse=FALSE))
Viendo ahora los colaboradores que han sido dados de baja en la empresa, vemos que la gran parte de los que se han salido de Form tienen menos de 30 años. Pocos casos han sido de jubilación, llegando a más de 60 en rango. Igualmente, a partir de la gráfica vemos que las razones principales son por abandono y baja por faltas; durando menos de 500 días en su trabajo.
Dispersion plots
PRODUCCIÓN
plot(prod4$TMO_MIN, xlab = "Proceso de lamina", ylab = "Tiempo", main = "Tiempo por Lamina" )
MERMA
ggplot(merma2, aes(x= Fecha, y= Kilos)) + geom_bar(stat="identity", fill="red") + scale_fill_grey() + labs(title = "Kilos de merma", x = "Fecha")
Podemos ver como en inicios de Febrero a Abril tenemos la mayor cantidad de kilos de merma, que incluso pasa del promedio de los demas meses, por lo que es importante analizar que factor hizo que durante ese periodo hubiera más merma.
merma2$Fecha <- as.Date(merma2$Fecha, format = "%d/%m/%Y")
plot(merma2$Fecha, merma2$Kilos, main = "Kilos de merma",
xlab = "Fecha", ylab = "Kilos",
pch = 19, frame = FALSE)
Como podemos observar hay mas dispersión en septiembre, los demás meses ha tenido en promedio la misma cantidad de merma.
SCRAP
hist(scrap2$Cantidad, main = "Cantidad de Material reciclado", xlab = "Cantidad", ylab = "Frecuencia",col = "blue")
Con este histograma nos muestra que entre 0 a 10 Toneladas es lo que mas se frecuenta a reciclar el material.
DELIVERY PLAN
Pedidos
plot(devplan1$Fecha, devplan1$Pedidos, main = "Pedidos por fecha",
xlab = "Fecha", ylab = "Pedidos",
pch = 1, frame = FALSE)
boxplot(devplan1$Pedidos, main = "Pedidos")
Como primer boxplot vimos los pedidos y la gran dispersión que hay entre pedidos, pues detectamos una frecuencia en donde hay clientes que generan pedidos obviamente diferentes como para tener una mediana o una dispersión positiva.
Clientes
devplan2 <- devplan1
devplan2$CLIENTE<-as.factor(devplan2$CLIENTE)
ggplot(devplan2, aes(x=CLIENTE, y=Pedidos)) +
geom_boxplot(color="red", fill="orange", alpha=0.2)
En el gráfico anterior podemos observar a los 6 clientes con mayor presencia en FORM en cuanto a Delivery Plan en donde el objetivo es ver la dispersión y la distribución entre cada uno y respecto a los pronósticos individuales.
Time series plots
DISTRIBUCIÓN
ggplot(devper2,aes(x=fecha, y=delay_performance,color=cliente))+
geom_line()+
labs(x="Fecha",y="Retraso en Minutos", color="Legend")+
ggtitle("Retrasos en el desempeño por parte del cliente")
devper2 <- devper2[devper2$cliente!="Magna",]
devper2 <- devper2[devper2$cliente!="Varroc",]
ggplot(devper2,aes(x=fecha, y=delay_performance,fill=cliente))+
geom_bar(stat="identity")+
geom_hline(yintercept=33,linetype="dashed",color="black")+
labs(x="Fecha",y="Retraso en minutos", color="Legend")+
ggtitle("Retrasos en el desempeño por parte del cliente")
A pesar de que esta diminutendo el retraso con el cliente Mahle seguimos viendo que se encuentra por arriba del promedio.
Hallazgos
Nuestro top 3 clientes de producción son STABILUS 1, STABILUS 3 y TRMX.
Traemos un retraso mayor en distribución con el cliente Mahle, arriba del promedio llegando incluso a tiempos de 1 hora con 40 minutos.
Se tienen sobrepedidos (arriba del promedio) y esto puede afectar si no se tienen la capacidad para recibir pedidos de más.
Dentro de RH tenemos más bajas por distintos motivos: en primer lugar esta por Jubilación, en segundo lugar Renuncia voluntaria y en tercer lugar Baja por Faltas.
Predicción del Desempeño de la Industria Automotriz
Escoger la base datos
# file.choose()
bdex <- read.csv("C:\\Users\\sofia\\Downloads\\us_motor_production_and_domestic_sales1.csv")Entendemos la base de datos
resumen1 <- summary(bdex)
resumen1## Year Total_Production Production_Passenger_Cars
## Min. :2007 Min. : 5710 Min. :1924
## 1st Qu.:2010 1st Qu.: 8709 1st Qu.:2745
## Median :2014 Median :10823 Median :3382
## Mean :2014 Mean :10077 Mean :3326
## 3rd Qu.:2017 3rd Qu.:11268 3rd Qu.:4061
## Max. :2020 Max. :12179 Max. :4369
## Production_Commercial_Vehicles Domestic_Sales Sales_Passenger_Cars
## Min. :3514 Min. : 7868 Min. :2560
## 1st Qu.:5820 1st Qu.:10474 1st Qu.:3865
## Median :6891 Median :12583 Median :4542
## Mean :6751 Mean :11996 Mean :4491
## 3rd Qu.:8095 3rd Qu.:13669 3rd Qu.:5184
## Max. :8512 Max. :14128 Max. :5610
## Sales_Commercial_Vehicles US_Unemployment US_Consumer_Confidence
## Min. : 4309 Min. :3.680 Min. :63.75
## 1st Qu.: 6088 1st Qu.:4.685 1st Qu.:73.02
## Median : 7634 Median :5.980 Median :82.83
## Mean : 7505 Mean :6.430 Mean :82.29
## 3rd Qu.: 8964 3rd Qu.:8.088 3rd Qu.:92.67
## Max. :10133 Max. :9.610 Max. :98.37
## US_Min_Hour_Wage
## Min. :5.500
## 1st Qu.:7.250
## Median :7.250
## Mean :7.025
## 3rd Qu.:7.250
## Max. :7.250Se cambian los nombres de las columnas.
names (bdex) = c("año", "prod_total", "prod_passenger", "prod_veh_comerciales", "ventas_domesticas", "ventas_passenger","ventas_comerciales","desempleo_usa","confianza_cons_usa","salario_hora_min_usa")
names (bdex)## [1] "año" "prod_total" "prod_passenger"
## [4] "prod_veh_comerciales" "ventas_domesticas" "ventas_passenger"
## [7] "ventas_comerciales" "desempleo_usa" "confianza_cons_usa"
## [10] "salario_hora_min_usa"str(bdex)## 'data.frame': 14 obs. of 10 variables:
## $ año : int 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 ...
## $ prod_total : num 10752 8672 5710 7744 8662 ...
## $ prod_passenger : num 3867 3731 2196 2732 2978 ...
## $ prod_veh_comerciales: num 6885 4941 3514 5012 5685 ...
## $ ventas_domesticas : num 12687 10108 7868 9020 10109 ...
## $ ventas_passenger : num 5197 4491 3558 3792 4146 ...
## $ ventas_comerciales : num 7490 5617 4309 5229 5963 ...
## $ desempleo_usa : num 4.62 5.8 9.28 9.61 8.93 8.08 7.36 6.16 5.28 4.88 ...
## $ confianza_cons_usa : num 85.6 63.8 66.3 71.8 67.3 ...
## $ salario_hora_min_usa: num 5.5 6.2 6.9 7.25 7.25 7.25 7.25 7.25 7.25 7.25 ...Primer modelo de regresión
En este caso, se escoge como variable dependiente las ventas de los carros passenger, por ello entiéndase los automóviles de uso cotidiano en Estados Unidos. Para esta variable dependiente, se han tomado las siguientes variables independientes, con el fin de notar su efecto en las ventas. Estas son:
Desempleo USA: este índice es calculado anualmente con la formula. (Unemployed ÷ Labor Force) x 100. Entre menor mejor.
Confianza del consumidor de USA: índice que mide, a partir de una encuesta que tan optimistas o pesimistas se encuentran los consumidores sobre su situación financiera. Entre mayor, mejor.
Salario mínimo por hora: se mide en dólares. Está establecido a nivel federal.
Año: los años que se tienen de los datos, 2007-2020.
regresion1 <- lm (ventas_passenger ~ desempleo_usa + confianza_cons_usa + salario_hora_min_usa + año, data=bdex)
summary (regresion1)##
## Call:
## lm(formula = ventas_passenger ~ desempleo_usa + confianza_cons_usa +
## salario_hora_min_usa + año, data = bdex)
##
## Residuals:
## Min 1Q Median 3Q Max
## -850.29 -560.86 88.28 446.55 847.47
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 646180.04 197959.50 3.264 0.00977 **
## desempleo_usa -255.04 217.62 -1.172 0.27129
## confianza_cons_usa 46.68 41.57 1.123 0.29062
## salario_hora_min_usa 1394.06 697.08 2.000 0.07657 .
## año -324.65 100.49 -3.231 0.01031 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 712.5 on 9 degrees of freedom
## Multiple R-squared: 0.5831, Adjusted R-squared: 0.3978
## F-statistic: 3.147 on 4 and 9 DF, p-value: 0.0707Para la tasa de desempleo y el índice de confianza del consumidor, se ha decidido tomar el promedio del 2007 al 2020, para poder predecir. Con el salario mínimo por hora, al ser establecido a nivel federal, se toma en cuenta la última cantidad: $7.25 dólares. Se quieren las predicciones para los siguientes cinco años, a partir del último año con datos (2020).
datos_nuevos1 <- data.frame(desempleo_usa=6.43,confianza_cons_usa=82.3,salario_hora_min_usa=7.25,año=2021:2025)
predict(regresion1,datos_nuevos1)## 1 2 3 4 5
## 2369.905 2045.254 1720.604 1395.954 1071.303¿Qué observamos?
primer <- plot(predict(regresion1,datos_nuevos1), type = "l", xlab = "Año", ylab ="Ventas Passenger", main="Predicción de Ventas")
En esta predicción de ventas de automóviles passenger, observamos que es hacia abajo. Es decir, tomando en cuenta una tasa de desempleo de 6.43, un índice de confianza de 82.3 y el salario mínimo por hora de $7.25, se espera que las ventas de estos automóviles bajen en EUA del 2021 hasta 2025. Igualmente, resulta destacable mencionar que las variables que más impactan en las ventas de automóviles passenger son el año y el salario mínimo.
effect_plot(regresion1,pred=desempleo_usa,interval=TRUE)
Si tomamos en cuenta la tasa de desempleo de EUA, y su relación con las ventas de los automóviles passenger, observamos que esta es negativa. Debido a que al crecer la tasa de desempleo, bajan las ventas.
effect_plot(regresion1,pred=confianza_cons_usa,interval=TRUE)
> Mientras que el índice de confianza del consumidor de EUA, y su
relación con las ventas de los automóviles passenger,
observamos que esta es positiva. Debido a que al crecer la confianza,
incrementan las ventas.
effect_plot(regresion1,pred=salario_hora_min_usa,interval=TRUE)
Igualmente, al subir el salario mínimo por hora, las ventas de los automóviles passenger incrementan.
effect_plot(regresion1,pred=año,interval=TRUE)
Con el pasar de los años las ventas han decrecido.
Segundo modelo de regresión
En este caso, se escoge como variable dependiente las ventas de los
carros comerciales, por ello entiéndase los cualquier tipo de
vehículo de motor utilizado para transportar mercancías o pasajeros en
Estados Unidos. Para esta variable dependiente, se han tomado las
siguientes variables independientes, con el fin de notar su efecto en
las ventas. Estas son:
1. Desempleo USA: este índice es calculado anualmente con la formula.
(Unemployed ÷ Labor Force) x 100. Entre menor mejor.
2. Confianza del consumidor de USA: índice que mide, a partir de una
encuesta que tan optimistas o pesimistas se encuentran los consumidores
sobre su situación financiera. Entre mayor, mejor.
3. Salario mínimo por hora: se mide en dólares. Está establecido a nivel
federal.
4. Año: los años que se tienen de los datos, 2007-2020.
regresion2 <- lm (ventas_comerciales ~ desempleo_usa + confianza_cons_usa + salario_hora_min_usa + año, data=bdex)
summary (regresion2)##
## Call:
## lm(formula = ventas_comerciales ~ desempleo_usa + confianza_cons_usa +
## salario_hora_min_usa + año, data = bdex)
##
## Residuals:
## Min 1Q Median 3Q Max
## -731.58 -87.12 57.56 160.03 513.82
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -588817.41 97672.75 -6.028 0.000196 ***
## desempleo_usa -147.24 107.37 -1.371 0.203504
## confianza_cons_usa 50.55 20.51 2.464 0.035896 *
## salario_hora_min_usa -839.15 343.94 -2.440 0.037374 *
## año 297.49 49.58 6.000 0.000203 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 351.6 on 9 degrees of freedom
## Multiple R-squared: 0.9732, Adjusted R-squared: 0.9613
## F-statistic: 81.82 on 4 and 9 DF, p-value: 4.516e-07Para la tasa de desempleo y el índice de confianza del consumidor, se ha decidido tomar el promedio del 2007 al 2020, para poder predecir. Con el salario mínimo por hora, al ser establecido a nivel federal, se toma en cuenta la última cantidad: $7.25 dólares. Se quieren las predicciones para los siguientes cinco años, a partir del último año con datos (2020).
datos_nuevos2 <- data.frame(desempleo_usa=6.43,confianza_cons_usa=82.3,salario_hora_min_usa=7.25,año=2021:2025)
predict(regresion2,datos_nuevos2)## 1 2 3 4 5
## 9547.780 9845.274 10142.768 10440.262 10737.756¿Qué observamos?
segundo <- plot(predict(regresion2,datos_nuevos2), type = "l", xlab = "Año", ylab ="Ventas Comerciales", main="Predicción de Ventas")
En esta predicción de ventas de automóviles comerciales, observamos que es hacia arriba Es decir, tomando en cuenta una tasa de desempleo de 6.43, un índice de confianza de 82.3 y el salario mínimo por hora de $7.25, se espera que las ventas de estos automóviles suban en EUA del 2021 hasta 2025. En el caso de las ventas de automóviles comerciales, notamos que el pasar de los años es la variable que más impacta, siguiendo por el nivel de confianza del consumidor y el salario mínimo por hora; mientras que el que menos afecta es la tasa de desempleo.
effect_plot(regresion2,pred=desempleo_usa,interval=TRUE)
Si tomamos en cuenta la tasa de desempleo de EUA, y su relación con las ventas de los automóviles comerciales, observamos que esta es negativa. Debido a que al crecer la tasa de desempleo, bajan las ventas.
effect_plot(regresion2,pred=confianza_cons_usa,interval=TRUE)
Mientras que el índice de confianza del consumidor de EUA, y su relación con las ventas de los automóviles comerciales, observamos que esta es positiva. Debido a que al crecer la confianza, incrementan las ventas. A comparación de la gráfica de ventas passenger con el nivel de confianza, observamos que en este caso la pendiente es más pronunciada, por lo que vemos un mayor impacto.
effect_plot(regresion2,pred=salario_hora_min_usa,interval=TRUE)
Igualmente, al subir el salario mínimo por hora, las ventas de los automóviles comerciales disminuyen. Este podría ser un tema interesante a investigar.
effect_plot(regresion2,pred=año,interval=TRUE)
Con el pasar de los años las ventas han incrementado.
Pronóstico del Desempeño de la Industria Automotriz y la empresa FORM
Pronóstico Producción FORM
plot(prod4$FECHA,prod4$PZA_PROG, type="l",col="blue", lwd=1.5, xlab ="Fecha",ylab ="Piezas programadas", main = "Piezas programadas por fecha")
lines(prod4$FECHA,prod4$LAMINAS_PROCESADAS,col="red",lty=3)
legend("topleft", legend=c("Piezas programadas", "Laminas procesadas"),
col=c("blue", "red"), lty = 1:2, cex=0.8)
(ma_model<-arma(prod4$PZA_PROG,order=c(0,1)))##
## Call:
## arma(x = prod4$PZA_PROG, order = c(0, 1))
##
## Coefficient(s):
## ma1 intercept
## 0.1806 27.4574ma_model_forecast<-forecast(ma_model$fitted,h=3,level=c(95))
ma_model_forecast## Point Forecast Lo 95 Hi 95
## 2679 27.57363 21.20879 33.93847
## 2680 27.57363 21.20877 33.93848
## 2681 27.57363 21.20876 33.93849Pronóstico Merma FORM
# Sumar el Total de KilosxMes
merma3 <- c(14560,22830,22470,18820,23410,18280,19370,32100,13586)
merma_st <- ts(data = merma3, start = c(2022,1), frequency = 12)
merma_st## Jan Feb Mar Apr May Jun Jul Aug Sep
## 2022 14560 22830 22470 18820 23410 18280 19370 32100 13586modelo <- auto.arima(merma_st)
modelo## Series: merma_st
## ARIMA(0,0,0) with non-zero mean
##
## Coefficients:
## mean
## 20602.889
## s.e. 1736.893
##
## sigma^2 = 30544665: log likelihood = -89.8
## AIC=183.59 AICc=185.59 BIC=183.99pronostico <- forecast(modelo, level=c(95), h=3)
pronostico## Point Forecast Lo 95 Hi 95
## Oct 2022 20602.89 9770.711 31435.07
## Nov 2022 20602.89 9770.711 31435.07
## Dec 2022 20602.89 9770.711 31435.07plot(pronostico)
Resultados: ¿Cuál es la tendencia?
Podemos ver que en la industria Automotriz de USA, específicamente en ventas de motores, tenemos una tendencia continua y que nuestros intervalos de confianza ban disminuyendo, pero las predicciones se encuentran entre 8315.732-12595.61 de ventas anuales de motores en USA para los próximos años.
Para Form al desarrollar el pronóstico de Merma vemos que tenemos que para los próximos periodos de octubre, noviembre y diciembre tendremos una cantidad constante de 20602.89 kilos de merma y que nuestro intervalo de confianza cae entre 9770.711 a 31435.07.Interpretando la información vemos que a comparación del último mes de septiembre, los kilos crecerán.
Sección 3. K-means Clustering
library(foreign)
library(dplyr) # data manipulation
library(ggplot2) # data visualization
# install.packages("psych")
library(psych) # functions for multivariate analysis
library(corrplot) # correlation plots
library(jtools) # presentation of regression analysis
library(lmtest) # diagnostic checks - linear regression analysis
library(car) # diagnostic checks - linear regression analysis
library(factoextra) # provides functions to extract and visualize the output of exploratory multivariate data analyses
# install.packages("ggfortify")
library(ggfortify) # data visualization tools for statistical analysis results# file.choose
bd <- read.csv("C:\\Users\\sofia\\Downloads\\bajas_final (2).csv")sapply(bd,function(x) sum(is.na(x)))## nombre edad genero alta motivo_baja
## 0 0 0 0 0
## duracion puesto salario_diario estado e.civil.
## 0 0 0 0 01. Edad y duración - 4 Clusters
bajas1 <-bd
bajas1 <-subset(bajas1,select = -c(genero,alta,motivo_baja,puesto,estado,nombre))
summary(bajas1)## edad duracion salario_diario e.civil.
## Min. :18.00 Min. : 0.00 Min. :144.4 Length:233
## 1st Qu.:23.00 1st Qu.: 9.00 1st Qu.:180.7 Class :character
## Median :29.00 Median : 20.50 Median :180.7 Mode :character
## Mean :30.77 Mean : 75.59 Mean :177.9
## 3rd Qu.:37.00 3rd Qu.: 47.00 3rd Qu.:180.7
## Max. :61.00 Max. :1966.00 Max. :500.0bajas_edaddur_norm<-scale(bajas1[1:2])fviz_nbclust(bajas_edaddur_norm, kmeans, method="wss")+
geom_vline(xintercept=4, linetype=2)+
labs(subtitle = "Elbow method") ## Registered S3 methods overwritten by 'broom':
## method from
## tidy.glht jtools
## tidy.summary.glht jtools
edad_cluster1<-kmeans(bajas_edaddur_norm,4)
edad_cluster1## K-means clustering with 4 clusters of sizes 44, 4, 77, 108
##
## Cluster means:
## edad duracion
## 1 1.6018961 -0.08724706
## 2 1.0813717 6.65505218
## 3 0.2101465 -0.10444505
## 4 -0.8425018 -0.13647287
##
## Clustering vector:
## 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
## 3 3 4 4 3 1 3 3 1 4 4 3 4 3 3 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
## 3 2 4 3 1 4 3 4 4 4 3 4 4 4 3 4 4 3 3 4
## 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60
## 4 3 4 4 4 4 4 4 1 1 1 2 4 1 4 4 1 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 3 4 4 1 4 1 4 4 4 4 3 4 3 4 3 4 4 1
## 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100
## 2 3 1 4 4 4 1 4 4 4 3 1 1 4 4 3 1 3 4 3
## 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120
## 4 4 1 3 4 4 3 2 3 4 3 3 4 3 3 3 1 1 1 4
## 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140
## 4 4 4 4 3 4 3 1 4 3 4 1 4 3 4 3 1 3 1 3
## 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160
## 3 1 1 1 4 3 3 3 4 4 4 3 1 1 4 3 4 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 3 1 4 4 3 4 4 1 3 1 4 1 3 3 1 3 3 4
## 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200
## 4 4 3 1 3 3 4 4 3 3 3 3 3 3 4 3 3 3 3 4
## 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220
## 3 1 3 4 4 4 1 4 4 4 3 3 4 4 3 3 3 1 4 4
## 221 222 223 224 225 226 227 228 229 230 231 232 233
## 3 4 4 4 3 1 3 1 4 4 4 4 4
##
## Within cluster sum of squares by cluster:
## [1] 20.68423 15.74846 31.40781 18.16981
## (between_SS / total_SS = 81.5 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"fviz_cluster(edad_cluster1,data=bajas_edaddur_norm)
Al observar vemos cuatro clusters que toman en cuenta la edad y la
duración:
1. El rojo (será llamado “Senior”) es un cluster que observamos que son
personas de edad mediana-alta y que durán relativamente poco tiempo,
entran dentro del 25% con menor duración.
2. El verde (“Expert”) es el cluster que más se aparta de los demás; son
personas con un mayor rango de edad pero que se alejan de los más
jóvenes, y que han durado mucho má tiempo. Se encuentran en el 50%
superior del tiempo de duración.
3. El azul (“junior”) resulta el cluster intermedio de los de menor
duración. Son personas en un rango de edad medio que también son parte
del 25% inferior que más han durado.
4. El morado (“beginner”) es el segmento más joven y que de las personas
(en general) menos han durado. Se puede considerar que los jóvenes son
los que menos duran en Form a partir de este cluster.
bajas_new2<-bajas1
bajas_new2$Clusters<-edad_cluster1$cluster
bajas_new3<-bajas_new2 %>% group_by(Clusters) %>% summarise(edad=max(edad)) %>% arrange(desc(edad))
bajas_new2$Cluster_Names<-factor(bajas_new2$Clusters,levels = c(1,2,3,4),
labels=c("Senior", "Expert", "Junior", "Beginner"))2. Edad y duración - 5 Clusters
Debido a quee una gráfica anterior indicaba la posibilidad de tener otro clúster que describa a otro grupo, hacemos lo mismo con 5 segmentos, en vez de 4.
bajas_edaddur_norm2<-scale(bajas1[1:2])fviz_nbclust(bajas_edaddur_norm2, kmeans, method="wss")+
geom_vline(xintercept=5, linetype=2)+
labs(subtitle = "Elbow method") 
edad_cluster2<-kmeans(bajas_edaddur_norm,5)
edad_cluster2## K-means clustering with 5 clusters of sizes 42, 4, 71, 8, 108
##
## Cluster means:
## edad duracion
## 1 1.5984349 -0.1859579
## 2 1.0813717 6.6550522
## 3 0.2360562 -0.2410113
## 4 0.2818274 1.9125942
## 5 -0.8377255 -0.1573975
##
## Clustering vector:
## 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
## 4 3 5 5 3 1 3 3 1 5 5 3 5 3 4 5 5 5 5 5
## 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
## 3 2 5 3 1 5 3 5 5 5 3 5 5 5 3 5 5 4 3 5
## 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60
## 4 4 5 5 5 5 5 5 1 1 1 2 5 1 5 5 1 5 5 5
## 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80
## 5 5 3 5 5 1 5 4 4 5 5 5 3 5 3 5 3 5 5 1
## 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100
## 2 5 1 5 5 5 1 5 5 5 3 1 1 5 5 3 1 3 5 3
## 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120
## 5 5 1 3 5 5 3 2 3 5 3 3 5 3 3 3 1 1 1 5
## 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140
## 5 5 5 5 3 5 3 1 5 3 5 4 5 5 5 3 1 3 1 3
## 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160
## 3 1 1 1 5 3 3 3 5 5 5 3 1 1 5 3 5 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 3 1 5 5 3 5 5 1 3 1 5 1 3 3 1 3 3 5
## 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200
## 5 5 3 1 3 3 5 5 3 3 3 3 3 3 5 3 3 3 3 5
## 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220
## 3 1 3 5 5 5 1 5 5 5 3 3 5 5 3 3 3 1 5 5
## 221 222 223 224 225 226 227 228 229 230 231 232 233
## 3 5 5 5 3 1 3 1 5 5 5 5 5
##
## Within cluster sum of squares by cluster:
## [1] 10.710205 15.748462 8.791395 7.972209 13.731016
## (between_SS / total_SS = 87.7 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"fviz_cluster(edad_cluster2,data=bajas_edaddur_norm2)
Comparando esta gráfica de 5 segmentos contra la anteriormente vista de
4. En esta observamos que separa un segmento que deja un “espacio” que
antes no existía; separa y crea un segmento que han durado aprox un 10%
más de tieempo que las tres menores, y que se encuentra en rangos de
edad parecidos. A continuación se comparan los clusters:
1. El rojo (llamado “Senior”): es el nuevo, el cual tiene de baja a
mediana duración y un rango de edad mediana. Después de los que han
durado mucho, ellos van después.
El verde superior (llamado “Expert”): es el cluster que más se aparta de los demás; son personas con un mayor rango de edad pero que se alejan de los más jóvenes, y que han durado mucho má tiempo. Se encuentran en el 50% superior del tiempo de duración.
El verde inferior (llamado “Junior”) son personas adultas que han durado poco tiempo en la empresa, parte del 17% inferior de duración.
El morado (llamado “Middle”): al hacer el nuevo clúster nos damos cuenta de que existe un grupo de personas de mediana edad que duran muy poco, aún más poco que los jóvenes. Investigar estado civil.
El azul (llamado “Beginner”): son las personas más jóvenes y que también han durado poco tiempo. Se quedan aproximadamente por el 10% inferior.
bajas_new6<-bajas1
bajas_new6$Clusters<-edad_cluster2$cluster
bajas_new7<-bajas_new6 %>% group_by(Clusters) %>% summarise(edad=max(edad)) %>% arrange(desc(edad))
bajas_new6$Cluster_Names<-factor(bajas_new6$Clusters,levels = c(1,2,3,4,5),
labels=c("Senior", "Expert", "Junior", "Middle","Beginner"))Al analizar el estado civil de los 5 clústers, llegamos a las
siguientes conclusiones:
1. Del segmento “Senior”, el 75% son solteros. Este es el nuevo clúster
descubierto.
2. El 55% de las personas en el cluster “Middle” (menor duración) son
solteras, el 26% viven en unión libre, y un 19% que viven en
matrimonio.
3. De los expertos, el 75% son solteros.
3. Duración y salario
Importar base de datos
bajas2 <-read.csv("C:\\Users\\sofia\\Downloads\\bajas_final (2).csv") sapply(bajas2,function(x) sum(is.na(x)))## nombre edad genero alta motivo_baja
## 0 0 0 0 0
## duracion puesto salario_diario estado e.civil.
## 0 0 0 0 0rh_bajas2<-bajas2
rh_bajas2<-subset(rh_bajas2,select = -c(genero,alta,motivo_baja,puesto,estado,nombre))
summary(rh_bajas2)## edad duracion salario_diario e.civil.
## Min. :18.00 Min. : 0.00 Min. :144.4 Length:233
## 1st Qu.:23.00 1st Qu.: 9.00 1st Qu.:180.7 Class :character
## Median :29.00 Median : 20.50 Median :180.7 Mode :character
## Mean :30.77 Mean : 75.59 Mean :177.9
## 3rd Qu.:37.00 3rd Qu.: 47.00 3rd Qu.:180.7
## Max. :61.00 Max. :1966.00 Max. :500.0bajas_duracion_norm<-scale(rh_bajas2[2:3]) fviz_nbclust(bajas_duracion_norm, kmeans, method="wss")+
geom_vline(xintercept=5, linetype=2)+
labs(subtitle = "Elbow method") 
duracion_cluster1<-kmeans(bajas_duracion_norm,5)
duracion_cluster1## K-means clustering with 5 clusters of sizes 191, 10, 4, 27, 1
##
## Cluster means:
## duracion salario_diario
## 1 -0.23462767 0.1147221
## 2 1.49983327 -0.3729089
## 3 6.65505218 -0.3962566
## 4 0.02340506 -1.1243505
## 5 2.56340604 13.7596523
##
## Clustering vector:
## 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
## 5 4 4 4 4 4 4 4 4 2 4 4 1 1 2 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 3 4 4 1 1 1 1 1 1 1 1 1 1 1 1 4 2 1 1
## 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60
## 2 2 1 1 1 1 1 1 1 1 1 3 2 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 2 2 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
## 3 4 4 4 4 1 1 1 1 1 1 1 1 1 1 1 4 4 1 1
## 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120
## 1 1 1 1 1 1 1 3 1 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 1 1 1 1 1 1 1 1 1 2 1 1 1 1 1 1 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 1 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 1 1 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
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 1 1
## 221 222 223 224 225 226 227 228 229 230 231 232 233
## 1 1 1 1 1 1 1 1 1 1 1 1 1
##
## Within cluster sum of squares by cluster:
## [1] 3.281687 6.437305 7.884909 1.648877 0.000000
## (between_SS / total_SS = 95.9 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"fviz_cluster(duracion_cluster1,data=bajas_duracion_norm)
Al observar vemos 5 clusters que toman en cuenta la duración y el salario:
Primero vemos nuestro cluster 1 (será llamado “Rehenes”) es un cluster que observamos que son personas que solo entran y salen muy pronto de la empresa (141 días) y tienen un salario diario que es arriba del promedio, alrededor de $180 pesos.
El cluster 2 (“Duraderos”) son los colaboradores que tienen una duración regular, pero que aun así no se encuentran satisfechos por lo que se salen de la empresa al rededor después de 1 año y medio (646 días) y su salario es de $169.
Como cluster 3 tenemos a los colaboradores que son leales a la empresa (“Fieles”) es el segmento donde ya tienen más de 4-5 años trabajando y cuentan con un salario de $168 pesos.
El cluster 4 (“Costosos”) es el cluster que nos cuesta a la empresa porque se invierte en capacitaciones para ellos y terminan saliendo de la empresa; son personas con un poco mas de duración pero no la suficiente (197 días) y su salario es de $151 por debajo promedio.
Por último tenemos el cluster 5 (“Extra”) que tuvo duración corto plazo con un salario muy alto ($500 pesos).
rh_bajas3<- bajas2
rh_bajas3$Clusters<-duracion_cluster1$cluster
rh_bajas4<-rh_bajas3 %>% group_by(Clusters) %>% summarise(duracion=max(duracion)) %>% arrange(desc(duracion))
rh_bajas3$Cluster_Names<-factor(rh_bajas3$Clusters,levels = c(1,2,3,4,5),
labels=c("Rehenes", "Duraderos","Fieles", "Costosos","Extra"))“Rehenes” tiene el segmento con más colaboradores y tiene un total de 191. En porcentaje se puede decir que es el 81.97% total de bajas.
“Costosos” esta en segundo lugar teniendo 27 colaboradores (11.57%).
“Duraderos” tercer lugar con un total de 10 colaboradores (4.29%).
“Fieles” cuarto lugar con 4 colaboradores (1.71%).
Por último esta el “Extra” que fue solo un colaborador que se encuentra fuera de lo normal (0.43%).
4. Edad y salario
#file.choose
bajas3 <-read.csv("C:\\Users\\sofia\\Downloads\\bajas_final (2).csv")str(bajas3)## 'data.frame': 233 obs. of 10 variables:
## $ nombre : chr "MARIO VALDEZ ORTIZ" "ISABEL BARRIOS MENDEZ" "MARIA ELIZABETH GOMEZ HERNANDEZ" "ALONDRA ABIGAIL ESCARCIA GOMEZ" ...
## $ edad : int 32 36 23 21 29 46 29 31 50 19 ...
## $ genero : chr "MASCULINO" "FEMENINO" "FEMENINO" "FEMENINO" ...
## $ alta : chr "09/03/20" "09/11/21" "10/11/21" "10/11/21" ...
## $ motivo_baja : chr "RENUNCIA VOLUNTARIA" "RENUNCIA VOLUNTARIA" "RENUNCIA VOLUNTARIA" "RENUNCIA VOLUNTARIA" ...
## $ duracion : num 628 60 59 59 51 37 37 31 18 224 ...
## $ puesto : chr "DISENO" "AYUDANTE GENERAL" "AYUDANTE GENERAL" "AYUDANTE GENERAL" ...
## $ salario_diario: num 500 152 152 152 152 ...
## $ estado : chr "Nuevo Leon" "Nuevo Leon" "Nuevo Leon" "Nuevo Leon" ...
## $ e.civil. : chr "Soltero" "Union libre" "Matrimonio" "Soltero" ...sapply(bajas3,function(x) sum(is.na(x)))## nombre edad genero alta motivo_baja
## 0 0 0 0 0
## duracion puesto salario_diario estado e.civil.
## 0 0 0 0 0bdr2 <- bajas3
bdr2<-subset(bdr2,select = -c(genero,alta,motivo_baja,puesto,estado,nombre,duracion))
summary(bdr2)## edad salario_diario e.civil.
## Min. :18.00 Min. :144.4 Length:233
## 1st Qu.:23.00 1st Qu.:180.7 Class :character
## Median :29.00 Median :180.7 Mode :character
## Mean :30.77 Mean :177.9
## 3rd Qu.:37.00 3rd Qu.:180.7
## Max. :61.00 Max. :500.0bdr3 <- scale(bdr2[1:2])fviz_nbclust(bdr3, kmeans, method="wss")+
geom_vline(xintercept=4, linetype=2)+
labs(subtitle = "Elbow method") 
bdr4<-kmeans(bdr3,4)
bdr4## K-means clustering with 4 clusters of sizes 1, 38, 76, 118
##
## Cluster means:
## edad salario_diario
## 1 0.1270769 13.759652253
## 2 1.7696042 -0.090629543
## 3 0.3483430 -0.003448058
## 4 -0.7953060 -0.085200655
##
## Clustering vector:
## 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
## 1 3 4 4 4 2 4 3 2 4 4 3 4 3 3 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
## 3 2 4 3 2 4 3 4 4 4 3 4 4 4 3 4 4 4 3 4
## 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60
## 4 3 4 4 4 4 4 4 2 2 3 2 4 2 4 4 2 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 3 4 4 3 4 2 4 4 4 4 3 4 3 4 3 4 4 2
## 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100
## 4 4 2 4 4 4 3 4 4 4 3 3 2 4 4 4 2 3 4 3
## 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120
## 4 4 3 3 4 4 3 4 3 4 3 3 4 3 3 3 2 2 2 4
## 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140
## 4 4 4 4 3 4 3 2 4 3 4 2 4 4 4 3 2 3 2 3
## 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160
## 3 3 2 2 4 3 3 3 4 4 4 3 2 2 4 3 4 3 3 3
## 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180
## 2 2 3 2 4 4 3 4 4 2 3 2 4 2 3 3 2 3 3 4
## 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200
## 4 4 3 2 3 3 4 4 3 3 3 3 3 3 4 3 4 3 3 4
## 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220
## 3 2 3 4 4 4 2 4 4 4 3 3 4 4 3 3 3 2 4 4
## 221 222 223 224 225 226 227 228 229 230 231 232 233
## 3 4 4 4 4 2 3 2 4 4 4 4 4
##
## Within cluster sum of squares by cluster:
## [1] 0.00000 14.98451 20.97488 34.67145
## (between_SS / total_SS = 84.8 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"fviz_cluster(bdr4,data=bdr3)
Vemos que el número óptimo de klusters para las variables edad y salario diario son 4 según el método de Elbow.
Como dato disparado y posible warning vemos que hay un trabajador con un salario diario de 500 pesos lo que podría resultar como un error, sin embargo los otros 3 grupos varían bastante en edad más no en salario pues el rango es muy cercano.
Alto El dato es único en el conteo con un trabajador de 32 años que tiene un salario diario de 500 pesos y es soltero. Su punto en el mapeo es único (color rojo).
Verde Es el cluster con el registro de personas con mayor edad y cuentan con el salario diario más alto 183.68.
Azul Es el cluster con el registro de personas con edad promedio y salario de 180.68.
Morado Es el cluster con mayor registro de personas con edad jóven y salario de 182.68.
bdr5<-bdr2
bdr5$Cluster <- bdr4$cluster
bdr6<-bdr5 %>% group_by(Cluster) %>% summarize(salario_diario=max(salario_diario)) %>% arrange(desc(salario_diario))
bdr5$Cluster_Names<-factor(bdr5$Cluster,levels = c(1,2,3,4),
labels=c("Alto", "Medio","Bajo", "Regular"))Tercer punto: Insights.
- Con la base de datos de bajas se realizó el clúster de edad y
duración, en la cual se tomaron en cuenta las variables de la edad de
los colaboradores y la duración que han tenido en la empresa. Se buscó
el número óptimo de clúster y se tomaron en cuenta los primeros 4. En
este podemos observar que las personas con edad mediana-alta no tienen
una duración de largo tiempo en la empresa ya que forman parte del 25%
con menor duración; otro dato que observamos que las personas con mayor
edad han durado más tiempo en Form y forman parte del superior 50%, y
por último observamos que existe una mayor rotación de personal en los
colaboradores jóvenes.
- En el análisis que se realizó mediante gráficas, obtuvimos que en
los clúster, que la persona con mayor edad en los expert tiene 61, en
senior tiene 57, en junior tiene 39 y en beginnner 27, también que en la
empresa la mayoría de los colaboradores corresponden al clúster de
beginner.
- En cuanto al análisis de la duración de los colaboradores en la
empresa y su salario encontramos estos puntos mas importantes; a) la
mayoría de los empleados ganan arriba del salario diario promedio
establecido por el gobierno, este oscila entre $150-$2000 pesos diarios,
b) los colaboradores que tienen un tiempo medio en la empresa
aproximadamente de un año tiene un salario promedio de $169, mientras
los que duran menos tiempo (alrededor de 141 días) tienen un salario
promedio de alrededor de $180.
- El clúster mas grande es el llamado “Rehnes” tiene un total de
colaboradores de 191, y en porcentaje de bajas se puede decir que es el
81.97% total de bajas, estos tiene la característica de son las personas
que entran y salen muy pronto y tienen un salario por arriba de todos
los demás clúster de $180 pesos, por lo que, en este clúster se necesita
aplicar una estrategia de fidelización de los colaboradores de otra
forma que no sea con un aumento de salario, es decir, Form puede
implementar estrategias con recompensas que sean a largo plazo.
- Como se puede observar en el analisis que se realizó de edad y
salario se pueden destacar los siguientes puntos:
- el cluster que tiene una mayor frecuencia es el de 48 años de
edad,
- el cluster que mas chico es de 22 años o menos por lo que podemos decir que en Form, la mayoría son mayores de 23 años,
- en cuanto al salario tienen un promedio de 180.68, pero existe un
dato único el cual ganaba 500.
En conclusión para Form podemos plantear una estrategia de estandarización de salarios de acuerdo al tiempo que llevan en la empresa y su edad, para poder así tener un mejor control de gastos de la empresa y aplicar nuevas a estrategias a cada uno de los cluster.
SECCION 4. Identificación de Resultados Relevantes y Sugerencias
INSIGHTS *Como podemos observar en la base de datos de Producción, el mayor cliente de Form, en cuestión de laminas procesadas, es Stabilus 1, así se muestra en la grafica de pastel de empresa, mientras que también cuenta con algunos clientes con muy poca producción como es el caso de VL-017-14989.
*En la base de datos Scrap, con las graficas que elaboramos, podemos observar que el mayor numero de desecho se origina en el área de la empresa de Pre-Producción, por lo que podemos enforcarnos en proponer estrategias que reduzcan el numero de desecho significativamente en esta área, así como también en el área donde menos hay desecho es en Post-producción.
En el área de recursos humanos podemos interpretar con las
graficas que en Form, hay un mayor rango de edad entre las mujeres, así
como también podemos observar que las mujeres en promedio ganan más que
los hombres.
En cuestión a las bajas, el análisis de la base de datos nos arroja
que existe una gran rotación de personal, y la mayoría de ellos no han
alcanzado el grado de jubilación, las razones principales de este son
abandono y baja por faltas. En base a la grafica de barras explicada en
la parte de bajas, se menciona que la mayoría de las personas que
abandonan su trabajo son solteras, así como también algunas de ellas no
se conoce su estado civil.
*En las predicciones de desempeño de la industria automotriz se pudo observar que el automóvil de modelo Passenger se encuentra en decremento, tomando como base los datos de la tasa de desempleo de 6.43 y un índice de confianza de 82.3, se espera que siga el decremento de estos automóviles en EUA del 2021 al 2025. Mientras que en el segundo modelo de regresión con la misma base de datos se espera una predicción de ventas positiva en los automóviles comerciales, tomando en cuenta datos como tasa de desempleo de 6.43, un índice de confianza de 82.3, es incremento se espera del 2021 al 2025.
SUGERENCIAS *La estrategia planteada para Form,basada en el analisis de la base de datos de bajas, consiste en crear programas de fidelización de los colaboradores a largo plazo, donde ellos se sientan comprometidos con la empresa y sigan la visión de la misma, ya que esto lo identificamos porque existe una gran rotación en la empresa la cual es por falta de compromiso de los colaboradores hacia la empresa, por lo que tambien se le propone hacer juntas estrategicas con los colaboradores de las areas en la que se den temas de integración, trabajo en equipo entre otros.
- Otra estrategia planteada es que exista un departamento dentro de la empresa en el cual se conforme por personas capacitadas para la recopilación de datos de cada una de las áreas y tomen decisiones en cada una de ellas en base a los datos que se obtengan, y tambien que se lleven acabo junta con los directivos para hacer una planeación de recursos.
Business Analytics y Business Intelligence.
Business Analytics es un enfoque de análisis de datos dentro de alguna empresa, consiste en llevar a cabo soluciones para satisfacer las necesidades de un negocio, lograr metas y alcanzar los objetivos planteados. BA se compone de obtener datos, analizar y mostrar datos de manera visual, ayuda en tomar decisiones basado en tendencias y lo que está pasando en el mercado en general. • Business Analytics ayuda a alcanzar los objetivos empresariales a partir de un análisis de grandes volúmenes de datos mediante herramientas como los es RStudio, Phyton, entre otros. • BA detecta tendencias conforme al tiempo y puede realizar pronósticos a partir de modelos predictivos. • BA utiliza modelos predictivos para optimizar los procesos de una empresa en cualquier área como producción, logística, recursos humanos entre otros. Business Intelligence se utiliza para evaluar, optimizar y coordinar las operaciones internas de una empresa, mientras que Business Analytics es obtener datos, analizarlos y mostrarlos. Existe diferencias entres estos dos, la mayor diferencia es en la poractica de utilizar los datos de una empresa para anticipar tendencias y resultados. Business Analytics ayuda en tomar decisiones basado en tendencias y lo que está pasando en el mercado en general.
KPI’S
Los kpi’s nos permiten medir en tiempo real el funcionamiento de las
estrategias de alguna empresa como lo es Form, marketing o ventas
brindando una información valiosa para tomar decisiones estratégicas que
permitan a la empresa optimizar sus recursos para alcanzar los
objetivos.
Los KPIs también desempeñan una importante función comunicativa ya que informan a directivos, colaboradores e inversores sobre la evolución de la empresa respecto a los objetivos establecidos, para que todos puedan trabajar con una visión y una meta común.
---
title: <span style="Color:ORANGE"> **EVIDENCIA 2**
author: <span style="Color:GRAY"> Ana Arvizu- A01412220 
date: <span style="Color:GRAY" > 2022-10-13
output: 
  html_document: 
    toc: true
    toc_float: true
    theme: united
    highlight: tango
    code_download: true
---


#### Librerias requeridas  
```{r message=FALSE, warning=FALSE}
library(foreign)
library(dplyr)        # data manipulation 
library(forcats)      # to work with categorical variables
library(ggplot2)      # data visualization 
library(janitor)      # data exploration and cleaning 
library(Hmisc)        # several useful functions for data analysis 
library(naniar) 
library(dlookr) 
library(pollster)
library(descr)
library(data.table)
library(epiDisplay)
library(tidyr)
library(psych)        # functions for multivariate analysis 
library(corrplot)     # correlation plots
library(jtools)       # presentation of regression analysis 
library(lmtest)       # diagnostic checks - linear regression analysis 
library(car)          # diagnostic checks - linear regression analysis
library(olsrr)        # diagnostic checks - linear regression analysis 
library(kableExtra)   # HTML table attributes
library(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
library(plyr) 
library(factoextra)   # provides functions to extract and visualize the output of exploratory multivariate data analyses
#install.packages("ggfortify")
library(ggfortify)    # data visualization tools for statistical analysis results
```


# <span style="Color:ORANGE"> **SECCION 1. Limpieza, Transformación, y Organización de Bases de Datos**

## <span style="Color: #1941E4"> **RECURSOS HUMANOS**

### <span style="Color: #1941E4"> **Escoger la base datos**

```{r}
# file.choose()
colab <- read.csv("C:\\Users\\sofia\\Downloads\\colab_final (1).csv")
bajas <- read.csv("C:\\Users\\sofia\\Downloads\\bajas_final (2).csv")
```

> Entendemos la base de datos

```{r}
resumen1 <- summary(colab)
resumen1

resumen2 <- summary(bajas)
resumen2
```

#### <span style="Color:#5C75DC"> **COLABORADORES**

#### <span style="Color:#5C75DC"> **1.¿Cuántas variables y cuántos registros tiene la base de datos?**

<center> <span style="color:#5C75DC"> R= 104 registros y 9 variables </center>

```{r}
# install.packages("psych")
str(colab)
library(psych)
describe(colab)
```

#### <span style="Color:#5C75DC"> **2.¿Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa continua.?**

```{r}
Variable<-c("edad","genero","alta","puesto","salario_diario","lugar.nacim.","mpio","estado","civil")
Type<-c("cuantitativa continua","cualitativa","cuantitativa continua","cualitativa","cuantitativa continua","cualitativa","cualitativa","cualitativa","cualitativa")
table<-data.frame(Variable,Type)
knitr::kable(table)
```

#### <span style="Color:#5C75DC"> **3. Elige la escala de medición de cada variable.**

```{r}
Variable<-c("edad","genero","alta","puesto","salario_diario","lugar.nacim.","mpio","estado","civil")
Type<-c("cuantitativa continua","cualitativa","cuantitativa continua","cualitativa","cuantitativa continua","cualitativa","cualitativa","cualitativa","cualitativa")
Escala_de_Medición <- c("Razon","Nominal","Razon","Nominal","Razon","Nominal","Nominal","Nominal","Nominal")
table<-data.frame(Variable,Type,Escala_de_Medición)
knitr::kable(table)
```

#### <span style="Color:#5C75DC"> **BAJAS**

#### <span style="Color:#5C75DC"> **1.¿Cuántas variables y cuántos registros tiene la base de datos?**

<center> <span style="color:#5C75DC"> R= 233 registros y 10 variables </center>

```{r}
# install.packages("psych")
str(bajas)
library(psych)
describe(bajas)
```

#### <span style="Color:#5C75DC"> **2.¿Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa continua.?**

```{r}
Variable<-c("nombre","edad","genero","alta","motivo_baja","duracion","puesto","salario_diario","estado","e.civil.")
Type<-c("cualitativa","cuantitativa continua","cualitativa","cuantitativa continua","cualitativa","cuantitativa continua","cualitativa","cuantitativa continua","cualitativa","cualitativa")
table<-data.frame(Variable,Type)
knitr::kable(table)
```

#### <span style="Color:#5C75DC"> **3. Elige la escala de medición de cada variable.**

```{r}
Variable<-c("nombre","edad","genero","alta","motivo_baja","duracion","puesto","salario_diario","estado","e.civil.")
Type<-c("cualitativa","cuantitativa continua","cualitativa","cuantitativa continua","cualitativa","cuantitativa continua","cualitativa","cuantitativa continua","cualitativa","cualitativa")
Escala_de_Medición <- c("Nominal","Intervalo","Nominal","Intervalo","Nominal","Intervalo","Nominal","Intervalo","Nominal","Nominal")
table<-data.frame(Variable,Type,Escala_de_Medición)
knitr::kable(table)
```


## <span style="Color: #19E428"> **DELIVERY PLAN** 

### <span style="Color: #19E428"> **Escoger la base datos**

```{r}
# file.choose()
devplan <- read.csv("C:\\Users\\sofia\\Downloads\\DELIVERY PLAN bdf_Prueba.csv")
```

> Entendemos la base de datos

```{r}
resumen <- summary(devplan)
resumen
```

### <span style="Color:#19E428"> **SECCION 1. Limpieza, Transformación, y Organización de Bases de Datos**

#### <span style="Color: #85E58C"> **Técnica 1. Convertir tipos de datos**

##### <span style="Color:#85E58C"> **Convertir de caracter a fecha**

> La limpieza y modificación de filas y columnas respecto a las variables se realizó directamente en Excel por cuestiones de facilidad ya que la base estaba ordenada de una manera en donde R resultaría mucho más complicado.


```{r}
devplan1 <- devplan
devplan1$Fecha<-as.Date(devplan1$Fecha,format="%m/%d/%Y") 
```

#### <span style="Color:#85E58C"> **1.¿Cuántas variables y cuántos registros tiene la base de datos?**

<center> <span style="color:#85E58C"> R= 228 registros y 4 variables </center>

```{r}
# install.packages("psych")
str(devplan1)
library(psych)
describe(devplan1)
```

#### <span style="Color:#85E58C"> **2.¿Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa continua.?**

```{r}
Variable<-c("ID_Fecha","Fecha","CLIENTE","Pedidos")
Type<-c("cuantitativa continua","cuantitativa continua","cualitativa","cuantitativa continua")
table<-data.frame(Variable,Type)
knitr::kable(table)
```

#### <span style="Color:#85E58C"> **3. Elige la escala de medición de cada variable.**

```{r}
Variable<-c("ID_Fecha","Fecha","CLIENTE","Pedidos")
Type<-c("cuantitativa continua","cuantitativa continua","cualitativa","cuantitativa continua")
Escala_de_Medición <- c("Razon","Razon","Nominal","Razon")
table<-data.frame(Variable,Type,Escala_de_Medición)
knitr::kable(table)
```

### <span style="color:#19E428">**Análisis Exploratorio de las Bases de Datos**

#### Tabla con los principales estadísticos descriptivos

#### **Estadísticos descriptivos Delivery Plan**
```{r}
mediana <- median(devplan1$Pedidos, na.rm = TRUE)
mediana

describe(devplan1)
```
> Para conocer estas funciones estadísticas realizamos una descripción de la base de datos, donde podemos ver que la mediana es 0. Hay un total de 228 registros y utilizamos 4 variables para acomodo de las gráficas en donde contabilizamos el número de pedidos por mes y cliente.    

#### Histograma general 
```{r}
hist(devplan1$Pedidos) 
```


## <span style="Color: #E4E119"> **DELIVERY PERFORMANCE**

### <span style="Color: #E4E119"> **Escoger la base datos**

```{r}
# file.choose()
devper <- read.csv("C:\\Users\\sofia\\Downloads\\FORM - Delivery Performance C.csv")
```

> Entendemos la base de datos

```{r}
resumen <- summary(devper)
resumen
```

### <span style="Color:#E4E119"> **SECCION 1. Limpieza, Transformación, y Organización de Bases de Datos**

#### <span style="Color: #EAE981"> **Técnica 1. Convertir tipos de datos**

> Se realizó una limpia previa a la base de datos debido a que no se podía manejar en R, ya que el formato en que se encontraba  no permitía que R pudiera entender cuales eran las variables de nuestra base de datos, por lo tanto las modificaciones y limpiezas que se realizaron fue la técnica de 'Remover valores irrelevantes' en este caso quitamos la conclusión porque no tendría valor en la base de datos, eliminamos target (horas) y tomamos el valor de cada inicio de mes para comparar principio de mes con mes, después en R se trabajo con la **técnica de convertir tipos de datos** en este caso de caracter a fecha y caracter a hora. 


##### <span style="Color:#EAE981"> **Convertir de caracter a fecha**

```{r}
devper2 <- devper
devper2$fecha <- as.Date(devper2$fecha, format ="%d/%m/%y")
library(tibble)
tibble(devper2)  
```

##### <span style="Color:#EAE981"> **Cambiar los nombres de las variables más cortas y específicas**

```{r}
names(devper2) [3] = "delay_performance"
names(devper2)
```

#### <span style="Color:#EAE981"> **1.¿Cuántas variables y cuántos registros tiene la base de datos?**

<center> <span style="color:#EAE981"> R= 52 registros y 3 variables </center>

```{r}
# install.packages("psych")
str(devper2)
library(psych)
describe(devper2)
```

#### <span style="Color:#EAE981"> **2.¿Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa continua.?**

```{r}
Variable<-c("fecha","cliente","dif")
Type<-c("cuantitativa continua","cualitativa","cuantitativa continua")
table<-data.frame(Variable,Type)
knitr::kable(table)
```

#### <span style="Color:#EAE981"> **3. Elige la escala de medición de cada variable.**

```{r}
Variable<-c("fecha","cliente","dif")
Type<-c("cuantitativa continua","cualitativa","cuantitativa continua")
Escala_de_Medición <- c("Razon","Nominal","Razon")
table<-data.frame(Variable,Type,Escala_de_Medición)
knitr::kable(table)
```

### <span style="color:#E4E119">**Análisis Exploratorio de las Bases de Datos**

#### Tabla con los principales estadísticos descriptivos

#### **Estadísticos descriptivos Delivery Performance**
```{r message=FALSE, warning=FALSE}
# install.packages("psych")
library(psych)
describe(devper2)

Variables <-c("Diferencia Delivery")
Media <-c("16.07")
Mediana <-c("0")
Desviacion_estandar <-c("24.63")
```

```{r}
table3 <-data.frame(Variables, Media, Mediana, Desviacion_estandar)
knitr::kable(table3)
```


## <span style="Color: #6C19E4"> **PRODUCCION**

### <span style="Color:#6C19E4"> **Escoger la base datos**

```{r}
# file.choose()
prod <- read.csv("C:\\Users\\sofia\\OneDrive\\Documentos\\RETO\\Produccion Carton.csv")
```

> Entendemos la base de datos

```{r}
resumen <- summary(prod)
resumen
```

### <span style="Color: #6C19E4"> **SECCION 1. Limpieza, Transformación, y Organización de Bases de Datos**

#### <span style="Color:#9968DF"> **Técnica 1. Remover datos irrelevantes.**

##### <span style="Color:#9968DF"> **Eliminar columnas**

> La base de datos de Produccion tenía varias variables que para nuestro analisis no lo ocupabamos por lo que las eliminamos con la función *subset*

```{r}
prod1 <- prod
prod1 <- subset (prod1, select = -c (IDFORM,HR_FIN,ESTACION_ARRANQUE,INICIO.DE.PROCESO,FIN_DE_PROCESO))
summary (prod1)
```

#### <span style="Color:#9968DF"> **Técnica 2. Convertir tipos de datos.**

##### <span style="Color:#9968DF"> **Convertir de caracter a fecha**

> La base de datos no contenía ningun formato, por lo que en el analisis los datos podían tener errores por se convirtió la fecha a formato.

```{r}
library(tibble)
prod2 <- prod1
prod2$FECHA <- as.Date(prod2$FECHA, format = "%d/%m/%Y")
tibble (prod2)
```

##### <span style="Color:#9968DF"> **Convertir de caracter a entero**

> En este caso, se habla de laminas que se trabajaron por lo que necesitamos las cantidades en entero.

```{r}
prod3 <- prod2
prod3$PZA_PROG <- substr(prod3$PZA_PROG, start = 1, stop = 2) 
prod3$TMO_MIN <- substr(prod3$TMO_MIN, start = 1, stop = 2) 
prod3$LAMINAS_PROCESADAS <- substr(prod3$LAMINAS_PROCESADAS, start = 1, stop = 2) 

tibble(prod3)

prod3$PZA_PROG <- as.integer(prod3$PZA_PROG)
prod3$TMO_MIN <- as.integer(prod3$TMO_MIN)
prod3$LAMINAS_PROCESADAS <- as.integer(prod3$LAMINAS_PROCESADAS)

str(prod3)      
```

#### <span style="Color:#9968DF"> **Técnica 3. Valores faltantes.**

##### <span style="Color:#9968DF"> **¿Cuántos NA tengo en la base de datos?**

```{r}
sum(is.na(prod3))
sum(is.na(prod))
```

##### <span style="Color:#9968DF"> **¿Cuántos NA tengo por variable?**

```{r}
sapply(prod3, function(x)sum(is.na(x)))
```

##### <span style="Color:#9968DF"> **Reemplazar NA con ceros**

```{r}
prod4 <-prod3
prod4 [is.na(prod4)]<-0
summary(prod4) 
```

#### <span style="Color:#9968DF"> **1.¿Cuántas variables y cuántos registros tiene la base de datos?**

<center> <span style="color:#9968DF"> R= 2678 registros y 9 variables </center>

```{r}
# install.packages("psych")
str(prod4)
library(psych)
describe(prod4)
```

#### <span style="Color:#9968DF"> **2.¿Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa continua.?**

```{r}
Variable<-c("DIA","FECHA","CLIENTE","PRODUCTO","PZA_PROG","TMO_MIN","LAMINAS_PROCESADAS","SEP_UP","TIEMPO_CALIDAD")
Type<-c("Cuantitativa continua","Cuantitativa continua","Cualitativa","Cualitativa","Cuantitativa discreta","Cualitativa","Cuantitativa discreta","Cuantitativa continua","Cualitativa")
table<-data.frame(Variable,Type)
knitr::kable(table)
```

#### <span style="Color:#9968DF"> **3. Elige la escala de medición de cada variable.**

```{r}
Variable<-c("DIA","FECHA","CLIENTE","PRODUCTO","PZA_PROG","TMO_MIN","LAMINAS_PROCESADAS","SEP_UP","TIEMPO_CALIDAD")
Type<-c("Cuantitativa continua","Cuantitativa continua","Cualitativa","Cualitativa","Cuantitativa discreta","Cualitativa","Cuantitativa discreta","Cuantitativa continua","Cualitativa")
Escala_de_Medición <- c("Razon","Razon","Nominal","Nominal","Razon","Intervalo","Razon","Intervalo","Ordinal")
table<-data.frame(Variable,Type,Escala_de_Medición)
knitr::kable(table)
```

### <span style="color:#6C19E4">**Análisis Exploratorio de las Bases de Datos**

#### Tabla con los principales estadísticos descrptivos

##### **Estadísticos descriptivos Producción**

```{r}
cruzada1<-table(prod4$FECHA,prod4$PZA_PROG)
knitr::kable(cruzada1)

cruzada2<-table(prod4$LAMINAS_PROCESADAS,prod4$TMO_MIN)
knitr::kable(cruzada2)
```

```{r message=FALSE, warning=FALSE}
# install.packages("psych")
library(psych)
describe(prod)

Variables <-c("Cantidad" )
Media <-c("6.70" )
Mediana <-c("2" )
Desviacion_estandar <-c("11.85" )

table1 <- describe(prod)
knitr::kable(table1)
```


# <span style="Color: #E41969"> **MERMA**

### <span style="Color:#E41969"> **Escoger la base datos**

```{r}
# file.choose()
merma <- read.csv("C:\\Users\\sofia\\OneDrive\\Documentos\\RETO\\FORM - Merma.csv")
```

> Entendemos la base de datos

```{r}
resumen <- summary(merma)
resumen
```

### <span style="Color: #E41969"> **SECCION 1. Limpieza, Transformación, y Organización de Bases de Datos**

#### <span style="Color:#DF729D"> **Técnica 1. Convertir tipos de datos.**

##### <span style="Color:#DF729D"> **Convertir de caracter a fecha**

> La base de datos no contenía ningun formato, por lo que en el analisis los datos podían tener errores por se convirtió la fecha a formato.

```{r}
library(tibble)
merma1 <- merma
merma1$Fecha <- as.Date(merma1$Fecha, format = "%d/%m/%Y")
tibble (merma1)
```

#### <span style="Color:#DF729D"> **Técnica 2. Remover valores irrelevantes.**

##### <span style="Color:#DF729D"> **Eliminar columnas**

> En la base de datos se contenía la fecha y el mes, por lo que consideramos que el mes no es necesario ya que tenemos la fecha, asi que lo eliminamos con la función de *subset*.

```{r}
merma2 <- merma1
merma2 <- subset (merma2, select = -c (Mes))
summary (merma2)
```
 
#### <span style="Color:#DF729D"> **1.¿Cuántas variables y cuántos registros tiene la base de datos?**

> <center> <span style="color:#E41969"> R= 60 registros y 3 variables </center>

```{r}
# install.packages("psych")
str(merma2)
library(psych)
describe(merma2)
```

#### <span style="Color:#DF729D"> **2.¿Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa continua.?**
```{r}
Variable<-c("Fecha","Kilos")
Type<-c("Cuantitativa continua","Cuantitativa continua")
table<-data.frame(Variable,Type)
knitr::kable(table)
```

#### <span style="Color:#DF729D"> **3. Elige la escala de medición de cada variable.**
```{r}
Variable<-c("Fecha","Kilos")
Type<-c("Cuantitativa continua", "Cuantitativa continua")
Escala_de_Medición <- c("Razon","Razon")
table<-data.frame(Variable,Type,Escala_de_Medición)
knitr::kable(table)
```

### <span style="color:E41969">**Análisis Exploratorio de las Bases de Datos**

#### Tabla con los principales estadísticos descriptivos

#### **Estadísticos descriptivos Merma**
```{r message=FALSE, warning=FALSE}
# install.packages("psych")
library(psych)
describe(merma2)

Variables <-c("Kilos")
Media <-c("3709.52")
Mediana <-c("3925")
Desviacion_estandar <-c("1023.99")
```

```{r}
table2 <-data.frame(Variables, Media, Mediana, Desviacion_estandar)
knitr::kable(table2)
```


# <span style="Color:RED"> **SCRAP**

### <span style="Color:RED"> **Escoger la base datos**

```{r}
# file.choose()
scrap <- read.csv("C:\\Users\\sofia\\OneDrive\\Documentos\\RETO\\FORM - Scrap.csv")
```

> Entendemos la base de datos

```{r}
resumen <- summary(scrap)
resumen
```

### <span style="Color:RED"> **SECCION 1. Limpieza, Transformación, y Organización de Bases de Datos**

#### <span style="Color:#F14343"> **Técnica 1.  Remover valores irrelevantes**

##### <span style="Color:#F14343"> **Eliminar columnas**

> La base de datos contenía Referencia de Form, sin embargo, para nuestro análisis que estamos realizando no es importante por lo que utilizamos la función de *subset* para eliminar la columna.

```{r}
scrap1 <- scrap
scrap1<-subset(scrap1,select=-c(Referencia))
str(scrap1)
```

#### <span style="Color:#F14343"> **Técnica 2. Errores tipográficos y errores similares**

##### <span style="Color:#F14343"> **Cantidades en enteros**

> Es importante para nuestro análisis que la base de datos las cantidades estuvieran enteros ya que se tratan de cantidad de piezas de cierto producto por lo que para que el análisis sea congruente se deben tener enteros.

```{r}
scrap2 <- scrap1
scrap2$Cantidad <- ceiling (scrap2$Cantidad)  
summary(scrap2)   
```

#### <span style="Color:#F14343"> **1.¿Cuántas variables y cuántos registros tiene la base de datos?**

> <center> <span style="color:RED"> R= 251 registros y 7 variables </center>

```{r}
# install.packages("psych")
str(scrap2)
library(psych)
describe(scrap2)
```

#### <span style="Color:#F14343"> **3.¿Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa continua.?**
```{r}
Variable<-c("Fecha","Producto","Cantidad","Unidad.de.medida", "Ubicación.de.origen","Ubicación.de.desecho","Estado")
Type<-c("Cuantitativa continua", "Cualitativa", "Cuantitativa continua", "Cualitativa", "Cualitativa","Cualitativa","Cualitativa")
table<-data.frame(Variable,Type)
knitr::kable(table)
```

#### <span style="Color:#F14343"> **4. Elige la escala de medición de cada variable.**
```{r}
Variable<-c("Fecha","Producto","Cantidad","Unidad.de.medida", "Ubicación.de.origen","Ubicación.de.desecho","Estado")
Type<-c("Cuantitativa continua", "Cualitativa", "Cuantitativa continua", "Cualitativa", "Cualitativa","Cualitativa","Cualitativa")
Escala_de_Medición <- c("Intervalo","Nominal","Discreta","Nominal", "Nominal","Nominal", "Nominal")
table<-data.frame(Variable,Type,Escala_de_Medición)
knitr::kable(table)
```

### <span style="color:RED">**Análisis Exploratorio de las Bases de Datos**

#### Tabla con los principales estadísticos descriptivos

#### **Estadísticos descriptivos Scrap**

```{r message=FALSE, warning=FALSE}
# install.packages("psych")
library(psych)
describe(scrap2)

Variables <-c("Cantidad" )
Media <-c("6.70" )
Mediana <-c("2" )
Desviacion_estandar <-c("11.85" )

table1 <-data.frame(Variables, Media , Mediana , Desviacion_estandar)
knitr::kable(table1)
```


# <span style="Color:ORANGE"> **SECCION 2. Análisis Exploratorio de las Bases de Datos**

### Bar plots

#### **PRODUCCIÓN** 
```{r}
barplot(prop.table(table(prod4$LAMINAS_PROCESADAS)),col=c("orange"),main="Laminas procesadas",xlab = "Laminas", ylab ="Frecuencias",las=1)
```

#### **SCRAP** 
```{r message=FALSE, warning=FALSE}
library(plyr)
pie(prop.table(table(scrap2$Ubicación.de.origen)),col=c("lightgreen","blue","red"),main="Ubicación de origen",las=1)
```

#### **DELIVERY PLAN: PRINCIPALES CLIENTES: PRINCIPALES CLIENTES**
> Con la siguiente función podremos identificar los principales clientes para generar un análisis con la información relevante, pues hay clientes con pocos o sin pedidos por lo que generar un diagnóstico respecto a delivery plan con esos datos no es necesario. 

```{r message=FALSE, warning=FALSE}
ggplot(devplan1, aes(x=reorder(CLIENTE,Pedidos), y=Pedidos)) +
  geom_bar(stat="identity")+
  coord_flip()
```

#### **RECURSOS HUMANOS: COLABORADORES ACTUALES**

```{r message=FALSE, warning=FALSE}
# as.data.frame(bajas)
# as.data.frame(colab)
```

```{r message=FALSE, warning=FALSE}

colab<-colab %>% dplyr::select(genero,edad,salario_diario) %>%  dplyr::group_by(genero) %>%
  dplyr::summarise(across(everything(),mean,na.rm=TRUE)) %>% arrange(desc(edad))
ggplot(colab, aes(x=reorder(genero,edad), y=edad, fill=(salario_diario))) +
  geom_bar(stat="identity",col=c("black"))+
  coord_flip()+
  guides(fill=guide_legend(reverse=FALSE))
```

> La primera gráfica de barras nos da a conocer sobre el salario diario de las personas de Form, segmentado por edad y por género. Lo que nos da a conocer es que en la empresa existe un mayor rango de edad entre las mujeres de Form, llegando a ser casi 40 lo mayor; por otra parte, los  hombres presentan un menor rango, con un máximo de (aprox) 33. Igualmente, vemos que en promedio las mujeres ganan 60 centavos más que los hombres.


#### **RECURSOS HUMANOS: BAJAS**

```{r}

bajas<-bajas %>% dplyr::select(motivo_baja,edad,duracion) %>% group_by(motivo_baja) %>%
  dplyr::summarise(across(everything(),mean,na.rm=TRUE)) %>% arrange(desc(edad))
ggplot(bajas, aes(x=reorder(motivo_baja,edad), y=edad, fill=(duracion))) +
  geom_bar(stat="identity",col=c("black"))+
  coord_flip()+
  guides(fill=guide_legend(reverse=FALSE))
```

> Viendo ahora los colaboradores que han sido dados de baja en la empresa, vemos que la gran parte de los que se han salido de Form tienen menos de 30 años. Pocos casos han sido de jubilación, llegando a más de 60 en rango. Igualmente, a partir de la gráfica vemos que las razones principales son por abandono y  baja por faltas; durando menos de 500 días en su trabajo. 

### Dispersion plots  

#### **PRODUCCIÓN** 
```{r}
plot(prod4$TMO_MIN, xlab = "Proceso de lamina", ylab = "Tiempo", main = "Tiempo por Lamina" )
```

#### **MERMA**
```{r}
ggplot(merma2, aes(x= Fecha, y= Kilos)) + geom_bar(stat="identity", fill="red") + scale_fill_grey() + labs(title = "Kilos de merma", x = "Fecha")
```

> Podemos ver como en inicios de Febrero a Abril tenemos la mayor cantidad de kilos de merma, que incluso pasa del promedio de los demas meses, por lo que es importante analizar que factor hizo que durante ese periodo hubiera más merma.  

```{r}
merma2$Fecha <- as.Date(merma2$Fecha, format = "%d/%m/%Y")
plot(merma2$Fecha, merma2$Kilos, main = "Kilos de merma",
     xlab = "Fecha", ylab = "Kilos",
     pch = 19, frame = FALSE)
```

> Como podemos observar hay mas dispersión en septiembre, los demás meses ha tenido en promedio la misma cantidad de merma.  

#### **SCRAP** 
```{r}
hist(scrap2$Cantidad, main = "Cantidad de Material reciclado", xlab = "Cantidad", ylab = "Frecuencia",col = "blue")
```

> Con este histograma nos muestra que entre 0 a 10 Toneladas es lo que mas se frecuenta a reciclar el material. 


#### **DELIVERY PLAN**

#### *Pedidos*
```{r}
plot(devplan1$Fecha, devplan1$Pedidos, main = "Pedidos por fecha",
     xlab = "Fecha", ylab = "Pedidos",
     pch = 1, frame = FALSE)
```

```{r}
boxplot(devplan1$Pedidos, main = "Pedidos")
```

> Como primer boxplot vimos los pedidos y la gran dispersión que hay entre pedidos, pues detectamos una frecuencia en donde hay clientes que generan pedidos obviamente diferentes como para tener una mediana o una dispersión positiva.  

#### *Clientes*

```{r}
devplan2 <- devplan1
devplan2$CLIENTE<-as.factor(devplan2$CLIENTE)
ggplot(devplan2, aes(x=CLIENTE, y=Pedidos)) + 
  geom_boxplot(color="red", fill="orange", alpha=0.2)
```

> En el gráfico anterior podemos observar a los 6 clientes con mayor presencia en FORM en cuanto a Delivery Plan en donde el objetivo es ver la dispersión y la distribución entre cada uno y respecto a los pronósticos individuales.  

### Time series plots 

#### **DISTRIBUCIÓN** 

```{r message=FALSE, warning=FALSE}
ggplot(devper2,aes(x=fecha, y=delay_performance,color=cliente))+
  geom_line()+
  labs(x="Fecha",y="Retraso en Minutos", color="Legend")+
  ggtitle("Retrasos en el desempeño por parte del cliente")
```

```{r message=FALSE, warning=FALSE}
devper2 <- devper2[devper2$cliente!="Magna",]
devper2 <- devper2[devper2$cliente!="Varroc",]

ggplot(devper2,aes(x=fecha, y=delay_performance,fill=cliente))+
  geom_bar(stat="identity")+
  geom_hline(yintercept=33,linetype="dashed",color="black")+
  labs(x="Fecha",y="Retraso en minutos", color="Legend")+
  ggtitle("Retrasos en el desempeño por parte del cliente")
```

> A pesar de que esta diminutendo el retraso con el cliente Mahle seguimos viendo que se encuentra por arriba del promedio.

### Hallazgos

1. Nuestro top 3 clientes de producción son STABILUS 1, STABILUS 3 y TRMX.

2. Traemos un retraso mayor en distribución con el cliente Mahle, arriba del promedio llegando incluso a tiempos de 1 hora con 40 minutos.

3. Se tienen sobrepedidos (arriba del promedio) y esto puede afectar si no se tienen la capacidad para recibir pedidos de más.  

4. Dentro de RH tenemos más bajas por distintos motivos: en primer lugar esta por Jubilación, en segundo lugar Renuncia voluntaria y en tercer lugar Baja por Faltas.

# <span style="Color:ORANGE"> **Predicción del Desempeño de la Industria Automotriz **

### <span style="Color: #1941E4"> **Escoger la base datos**

```{r}
# file.choose()
bdex <- read.csv("C:\\Users\\sofia\\Downloads\\us_motor_production_and_domestic_sales1.csv")
```

> Entendemos la base de datos

```{r}
resumen1 <- summary(bdex)
resumen1
```

Se cambian los nombres de las columnas. 
```{r}
names (bdex) = c("año", "prod_total", "prod_passenger", "prod_veh_comerciales", "ventas_domesticas", "ventas_passenger","ventas_comerciales","desempleo_usa","confianza_cons_usa","salario_hora_min_usa")
names (bdex)
str(bdex)
```

### **Primer modelo de regresión**
En este caso, se escoge como variable dependiente las ventas de los carros *passenger*, por ello entiéndase los automóviles de uso cotidiano en Estados Unidos. Para esta variable dependiente, se han tomado las siguientes variables independientes, con el fin de notar su efecto en las ventas. Estas son:  

1. Desempleo USA: este índice es calculado anualmente con la formula. (Unemployed ÷ Labor Force) x 100. Entre menor mejor. 

2. Confianza del consumidor de USA: índice que mide, a partir de una encuesta que tan optimistas o pesimistas se encuentran los consumidores sobre su situación financiera. Entre mayor, mejor. 

3. Salario mínimo por hora: se mide en dólares. Está establecido a nivel federal. 

4. Año: los años que se tienen de los datos, 2007-2020. 


```{r}
regresion1 <- lm (ventas_passenger ~ desempleo_usa + confianza_cons_usa + salario_hora_min_usa + año, data=bdex)
summary (regresion1)
```
>  Para la tasa de desempleo y el índice de confianza del consumidor, se ha decidido tomar el *promedio* del 2007 al 2020, para poder predecir. Con el salario mínimo por hora, al ser establecido a nivel federal, se toma en cuenta la última cantidad: $7.25 dólares. Se quieren las predicciones para los siguientes cinco años, a partir del último año con datos (2020).

```{r}
datos_nuevos1 <- data.frame(desempleo_usa=6.43,confianza_cons_usa=82.3,salario_hora_min_usa=7.25,año=2021:2025)
predict(regresion1,datos_nuevos1)
```

**¿Qué observamos?**

```{r}
primer <- plot(predict(regresion1,datos_nuevos1), type = "l", xlab = "Año",  ylab ="Ventas Passenger",  main="Predicción de Ventas")
```

> En esta predicción de ventas de automóviles *passenger*, observamos que es hacia abajo. Es decir, tomando en cuenta una tasa de desempleo  de 6.43, un índice de confianza de 82.3 y el salario mínimo por hora de $7.25, se espera que las ventas de estos automóviles **bajen** en EUA del 2021 hasta 2025. Igualmente, resulta destacable mencionar que las  variables que más impactan en las ventas de automóviles *passenger* son el año y el salario mínimo.

```{r}
effect_plot(regresion1,pred=desempleo_usa,interval=TRUE)
```

> Si tomamos en cuenta la tasa de desempleo de EUA, y su relación con las ventas de los automóviles *passenger*, observamos que esta es negativa. Debido a que al crecer la tasa de desempleo, bajan las ventas. 


```{r}
effect_plot(regresion1,pred=confianza_cons_usa,interval=TRUE)
```
> Mientras que el índice de confianza del consumidor de EUA, y su relación con las ventas de los automóviles *passenger*, observamos que esta es positiva. Debido a que al crecer la confianza, incrementan las ventas. 


```{r}
effect_plot(regresion1,pred=salario_hora_min_usa,interval=TRUE)
```

> Igualmente, al subir el salario mínimo por hora, las ventas de los automóviles *passenger* incrementan. 

```{r}
effect_plot(regresion1,pred=año,interval=TRUE)
```

> Con el pasar de los años las ventas han decrecido. 

### **Segundo modelo de regresión**
En este caso, se escoge como variable dependiente las ventas de los carros *comerciales*, por ello entiéndase los cualquier tipo de vehículo de motor utilizado para transportar mercancías o pasajeros en Estados Unidos. Para esta variable dependiente, se han tomado las siguientes variables independientes, con el fin de notar su efecto en las ventas. Estas son:  
1. Desempleo USA: este índice es calculado anualmente con la formula. (Unemployed ÷ Labor Force) x 100. Entre menor mejor.  
2. Confianza del consumidor de USA: índice que mide, a partir de una encuesta que tan optimistas o pesimistas se encuentran los consumidores sobre su situación financiera. Entre mayor, mejor.  
3. Salario mínimo por hora: se mide en dólares. Está establecido a nivel federal.  
4. Año: los años que se tienen de los datos, 2007-2020.


```{r}
regresion2 <- lm (ventas_comerciales ~ desempleo_usa + confianza_cons_usa + salario_hora_min_usa + año, data=bdex)
summary (regresion2)
```

> Para la tasa de desempleo y el índice de confianza del consumidor, se ha decidido tomar el *promedio* del 2007 al 2020, para poder predecir. Con el salario mínimo por hora, al ser establecido a nivel federal, se toma en cuenta la última cantidad: $7.25 dólares. Se quieren las predicciones para los siguientes cinco años, a partir del último año con datos (2020).

```{r}
datos_nuevos2 <- data.frame(desempleo_usa=6.43,confianza_cons_usa=82.3,salario_hora_min_usa=7.25,año=2021:2025)
predict(regresion2,datos_nuevos2)
```

**¿Qué observamos?**

```{r}
segundo <- plot(predict(regresion2,datos_nuevos2), type = "l", xlab = "Año",  ylab ="Ventas Comerciales",  main="Predicción de Ventas")
```

> En esta predicción de ventas de automóviles *comerciales*, observamos que es hacia arriba Es decir, tomando en cuenta una tasa de desempleo  de 6.43, un índice de confianza de 82.3 y el salario mínimo por hora de $7.25, se espera que las ventas de estos automóviles **suban** en EUA del 2021 hasta 2025. En el caso de las ventas de automóviles *comerciales*, notamos que el pasar de los años es la variable que más impacta, siguiendo por el nivel de confianza del consumidor y el salario mínimo por hora; mientras que el que menos afecta es la tasa de desempleo. 

```{r}
effect_plot(regresion2,pred=desempleo_usa,interval=TRUE)
```

> Si tomamos en cuenta la tasa de desempleo de EUA, y su relación con las ventas de los automóviles *comerciales*, observamos que esta es negativa. Debido a que al crecer la tasa de desempleo, bajan las ventas. 

```{r}
effect_plot(regresion2,pred=confianza_cons_usa,interval=TRUE)
```

> Mientras que el índice de confianza del consumidor de EUA, y su relación con las ventas de los automóviles *comerciales*, observamos que esta es positiva. Debido a que al crecer la confianza, incrementan las ventas. A comparación de la gráfica de ventas *passenger* con el nivel de confianza, observamos que en este caso la pendiente es más pronunciada, por lo que vemos un mayor impacto. 

```{r}
effect_plot(regresion2,pred=salario_hora_min_usa,interval=TRUE)
```

> Igualmente, al subir el salario mínimo por hora, las ventas de los automóviles *comerciales* disminuyen. Este podría ser un tema interesante a investigar. 

```{r}
effect_plot(regresion2,pred=año,interval=TRUE)
```

> Con el pasar de los años las ventas han incrementado. 

# <span style="color:orange">**Pronóstico del Desempeño de la Industria Automotriz y la empresa FORM**

### **Pronóstico Producción FORM**
```{r message=FALSE, warning=FALSE}
plot(prod4$FECHA,prod4$PZA_PROG, type="l",col="blue", lwd=1.5, xlab ="Fecha",ylab ="Piezas programadas", main = "Piezas programadas por fecha")
lines(prod4$FECHA,prod4$LAMINAS_PROCESADAS,col="red",lty=3)
legend("topleft", legend=c("Piezas programadas", "Laminas procesadas"),
       col=c("blue", "red"), lty = 1:2, cex=0.8)
```

```{r message=FALSE, warning=FALSE}
(ma_model<-arma(prod4$PZA_PROG,order=c(0,1)))
ma_model_forecast<-forecast(ma_model$fitted,h=3,level=c(95))
ma_model_forecast
```

### **Pronóstico Merma FORM**

```{r}
# Sumar el Total de KilosxMes
merma3 <- c(14560,22830,22470,18820,23410,18280,19370,32100,13586)

merma_st <- ts(data = merma3, start = c(2022,1), frequency = 12)
merma_st
```

```{r}
modelo <- auto.arima(merma_st)
modelo

pronostico <- forecast(modelo, level=c(95), h=3)
pronostico
plot(pronostico)
```

### Resultados: ¿Cuál es la tendencia?

Podemos ver que en la industria Automotriz de USA, específicamente en ventas de motores, tenemos una tendencia continua y que nuestros intervalos de confianza ban disminuyendo, pero las predicciones se encuentran entre 8315.732-12595.61 de ventas anuales de motores en USA para los próximos años.

Para Form al desarrollar el pronóstico de Merma vemos que tenemos que para los próximos periodos de octubre, noviembre y diciembre tendremos una cantidad constante de 20602.89 kilos de merma y que nuestro intervalo de confianza cae entre 9770.711 a 31435.07.Interpretando la información vemos que a comparación del último mes de septiembre, los kilos crecerán.

# <span style="color:orange">**Sección 3. K-means Clustering**

```{r}
library(foreign)
library(dplyr)        # data manipulation 
library(ggplot2)      # data visualization 
# install.packages("psych")
library(psych)        # functions for multivariate analysis 
library(corrplot)     # correlation plots
library(jtools)       # presentation of regression analysis 
library(lmtest)       # diagnostic checks - linear regression analysis 
library(car)          # diagnostic checks - linear regression analysis
library(factoextra)   # provides functions to extract and visualize the output of exploratory multivariate data analyses
# install.packages("ggfortify")
library(ggfortify)    # data visualization tools for statistical analysis results

```

```{r}
# file.choose
bd <- read.csv("C:\\Users\\sofia\\Downloads\\bajas_final (2).csv")
```

```{r}
sapply(bd,function(x) sum(is.na(x)))
```

#### **1. Edad y  duración - 4 Clusters**

```{r}
bajas1 <-bd
bajas1 <-subset(bajas1,select = -c(genero,alta,motivo_baja,puesto,estado,nombre))
summary(bajas1)
```

```{r}
bajas_edaddur_norm<-scale(bajas1[1:2])
```

```{r}
fviz_nbclust(bajas_edaddur_norm, kmeans, method="wss")+ 
  geom_vline(xintercept=4, linetype=2)+         
  labs(subtitle = "Elbow method")  
```

```{r}
edad_cluster1<-kmeans(bajas_edaddur_norm,4)
edad_cluster1
```

```{r}
fviz_cluster(edad_cluster1,data=bajas_edaddur_norm)
```

Al observar vemos cuatro clusters que toman en cuenta la edad y la duración:  
1. El rojo (será llamado "Senior") es un cluster que observamos que son personas de edad mediana-alta y que durán relativamente poco tiempo, entran dentro del 25% con menor duración.   
2. El verde ("Expert") es el cluster que más se aparta de los demás; son personas con un mayor rango de edad pero que se alejan de los más jóvenes, y  que han durado mucho má tiempo. Se encuentran en el 50% superior del tiempo de duración.  
3. El azul ("junior") resulta el cluster intermedio de los de menor duración. Son personas en  un rango de edad medio que también son parte del 25% inferior que más han durado.  
4. El morado ("beginner") es el segmento más joven y que de las personas (en general) menos han durado. Se puede considerar que los jóvenes son los que menos duran en Form a partir de este cluster. 


```{r}
bajas_new2<-bajas1
bajas_new2$Clusters<-edad_cluster1$cluster
bajas_new3<-bajas_new2 %>% group_by(Clusters) %>% summarise(edad=max(edad)) %>% arrange(desc(edad))
bajas_new2$Cluster_Names<-factor(bajas_new2$Clusters,levels = c(1,2,3,4), 
                                 labels=c("Senior", "Expert", "Junior", "Beginner"))
```


#### **2. Edad y  duración - 5 Clusters**

Debido a quee una gráfica anterior indicaba la posibilidad de tener otro clúster que describa a otro grupo, hacemos lo mismo con 5 segmentos, en vez de 4. 

```{r}
bajas_edaddur_norm2<-scale(bajas1[1:2])
```

```{r}
fviz_nbclust(bajas_edaddur_norm2, kmeans, method="wss")+ 
  geom_vline(xintercept=5, linetype=2)+         
  labs(subtitle = "Elbow method")  
```

```{r}
edad_cluster2<-kmeans(bajas_edaddur_norm,5)
edad_cluster2
```

```{r}
fviz_cluster(edad_cluster2,data=bajas_edaddur_norm2)
```
Comparando esta  gráfica de 5 segmentos contra la anteriormente vista de 4. En esta observamos que separa un segmento que deja un "espacio" que antes no existía; separa y crea un segmento que han durado aprox un 10% más de tieempo que las tres menores, y que se encuentra en rangos de edad parecidos. A continuación se comparan los clusters:  
1. El rojo (llamado "Senior"): es el nuevo, el cual tiene de baja a mediana duración y un rango de edad mediana. Después de los que han durado mucho, ellos van después.  
  
2. El verde superior (llamado "Expert"): es el cluster que más se aparta de los demás; son personas con un mayor rango de edad pero que se alejan de los más jóvenes, y  que han durado mucho má tiempo. Se encuentran en el 50% superior del tiempo de duración.  
  
3. El verde inferior (llamado "Junior") son personas adultas que han durado poco tiempo en la empresa, parte del 17% inferior de duración.   
    
4. El morado (llamado "Middle"): al hacer el nuevo clúster nos damos cuenta de que existe un grupo de personas de mediana edad que duran **muy** poco, aún más poco que los jóvenes. *Investigar estado civil*.  
  
5. El azul (llamado "Beginner"): son las personas más jóvenes y que también han durado poco tiempo. Se quedan aproximadamente por el 10% inferior. 

```{r}
bajas_new6<-bajas1
bajas_new6$Clusters<-edad_cluster2$cluster
bajas_new7<-bajas_new6 %>% group_by(Clusters) %>% summarise(edad=max(edad)) %>% arrange(desc(edad))
bajas_new6$Cluster_Names<-factor(bajas_new6$Clusters,levels = c(1,2,3,4,5), 
                                 labels=c("Senior", "Expert", "Junior", "Middle","Beginner"))
```

Al analizar el estado civil de los 5 clústers, llegamos a las siguientes conclusiones:  
1. Del segmento "Senior", el 75% son solteros. Este es el nuevo clúster descubierto.  
2. El 55% de las personas en el cluster "Middle" (menor duración) son solteras, el 26% viven en unión libre, y un 19% que viven en matrimonio.  
3. De los expertos, el 75% son solteros. 

#### **3. Duración y salario**

*Importar base de datos*
```{r message=FALSE, warning=FALSE}
bajas2 <-read.csv("C:\\Users\\sofia\\Downloads\\bajas_final (2).csv") 
```

```{r}
sapply(bajas2,function(x) sum(is.na(x)))
```

```{r}
rh_bajas2<-bajas2
rh_bajas2<-subset(rh_bajas2,select = -c(genero,alta,motivo_baja,puesto,estado,nombre))
summary(rh_bajas2)
```

```{r}
bajas_duracion_norm<-scale(rh_bajas2[2:3]) 
```

```{r}
fviz_nbclust(bajas_duracion_norm, kmeans, method="wss")+ 
  geom_vline(xintercept=5, linetype=2)+         
  labs(subtitle = "Elbow method") 
```

```{r}
duracion_cluster1<-kmeans(bajas_duracion_norm,5)
duracion_cluster1
```

```{r}
fviz_cluster(duracion_cluster1,data=bajas_duracion_norm)
```

Al observar vemos 5 clusters que toman en cuenta la duración y el salario:  

1. Primero vemos nuestro cluster 1 (será llamado "Rehenes") es un cluster que observamos que son personas que solo entran y salen muy pronto de la empresa (141 días) y tienen un salario diario que es arriba del promedio, alrededor de $180 pesos.   

2. El cluster 2 ("Duraderos") son los colaboradores que tienen una duración regular, pero que aun así no se encuentran satisfechos por lo que se salen de la empresa al rededor después de 1 año y medio (646 días) y su salario es de $169.  

3. Como cluster 3 tenemos a los colaboradores que son leales a la empresa ("Fieles") es el segmento donde ya tienen más de 4-5 años trabajando y cuentan con un salario de $168 pesos.  

4. El cluster 4 ("Costosos") es el cluster que nos cuesta a la empresa porque se invierte en capacitaciones para ellos y terminan saliendo de la empresa; son personas con un poco mas de duración pero no la suficiente (197 días) y su salario es de $151 por debajo promedio.  

5. Por último tenemos el cluster 5 ("Extra") que tuvo duración corto plazo con un salario muy alto ($500 pesos). 

```{r}
rh_bajas3<- bajas2
rh_bajas3$Clusters<-duracion_cluster1$cluster
rh_bajas4<-rh_bajas3 %>% group_by(Clusters) %>% summarise(duracion=max(duracion)) %>% arrange(desc(duracion))
rh_bajas3$Cluster_Names<-factor(rh_bajas3$Clusters,levels = c(1,2,3,4,5), 
                                labels=c("Rehenes", "Duraderos","Fieles", "Costosos","Extra"))
```




* **"Rehenes"** tiene el segmento con más colaboradores y tiene un total de 191. En porcentaje se puede decir que es el 81.97% total de bajas.  

* **"Costosos"** esta en segundo lugar teniendo 27 colaboradores (11.57%).    

* **"Duraderos"** tercer lugar con un total de 10 colaboradores (4.29%).  

* **"Fieles"** cuarto lugar con 4 colaboradores (1.71%).  

* Por último esta el **"Extra"** que fue solo un colaborador que se encuentra fuera de lo normal (0.43%).

#### **4. Edad y salario**

```{r}
#file.choose
bajas3 <-read.csv("C:\\Users\\sofia\\Downloads\\bajas_final (2).csv")
```

```{r}
str(bajas3)
```

```{r}
sapply(bajas3,function(x) sum(is.na(x)))
```

```{r}
bdr2 <- bajas3
bdr2<-subset(bdr2,select = -c(genero,alta,motivo_baja,puesto,estado,nombre,duracion))
summary(bdr2)
```

```{r}
bdr3 <- scale(bdr2[1:2])
```

```{r}
fviz_nbclust(bdr3, kmeans, method="wss")+ 
  geom_vline(xintercept=4, linetype=2)+         
  labs(subtitle = "Elbow method") 
```

```{r}
bdr4<-kmeans(bdr3,4)
bdr4
```

```{r}
fviz_cluster(bdr4,data=bdr3)
```

Vemos que el número óptimo de klusters para las variables edad y salario diario son 4 según el método de Elbow.

Como dato disparado y posible warning vemos que hay un trabajador con un salario diario de 500 pesos lo que podría resultar como un error, sin embargo los otros 3 grupos varían bastante en edad más no en salario pues el rango es muy cercano.

1. **Alto** El dato es único en el conteo con un trabajador de 32 años que tiene un salario diario de 500 pesos y es soltero. Su punto en el mapeo es único (color rojo).  
  
2. **Verde** Es el cluster con el registro de personas con mayor edad y cuentan con el salario diario más alto 183.68.  
  
3. **Azul** Es el cluster con el registro de personas con edad promedio y salario de 180.68.  
  
4. **Morado** Es el cluster con mayor registro de personas con edad jóven y salario de 182.68.

```{r}
bdr5<-bdr2
bdr5$Cluster <- bdr4$cluster
bdr6<-bdr5 %>% group_by(Cluster) %>% summarize(salario_diario=max(salario_diario)) %>% arrange(desc(salario_diario))
bdr5$Cluster_Names<-factor(bdr5$Cluster,levels = c(1,2,3,4), 
                           labels=c("Alto", "Medio","Bajo", "Regular"))
```



### <span style="color:darkred">**Tercer punto: Insights.**

* Con la base de datos de bajas se realizó el clúster de edad y duración, en la cual se tomaron en cuenta las variables de la edad de los colaboradores y la duración que han tenido en la empresa. Se buscó el número óptimo de clúster y se tomaron en cuenta los primeros 4. En este podemos observar que las personas con edad mediana-alta no tienen una duración de largo tiempo en la empresa ya que forman parte del 25% con menor duración; otro dato que observamos que las personas con mayor edad han durado más tiempo en Form y forman parte del superior 50%, y por último observamos que existe una mayor rotación de personal en los colaboradores jóvenes.  
* En el análisis que se realizó mediante gráficas, obtuvimos que en los clúster, que la persona con mayor edad en los expert tiene 61, en senior tiene 57, en junior tiene 39 y en beginnner 27, también que en la empresa la mayoría de los colaboradores corresponden al clúster de beginner.   
* En cuanto al análisis de la duración de los colaboradores en la empresa y su salario encontramos estos puntos mas importantes; a) la mayoría de los empleados ganan arriba del salario diario promedio establecido por el gobierno, este oscila entre $150-$2000 pesos diarios, b) los colaboradores que tienen un tiempo medio en la empresa aproximadamente de un año tiene un salario promedio de $169, mientras los que duran menos tiempo (alrededor de 141 días) tienen un salario promedio de alrededor de $180.  
* El clúster mas grande es el llamado “Rehnes” tiene un total de colaboradores de 191, y en porcentaje de bajas se puede decir que es el 81.97% total de bajas, estos tiene la característica de son las personas que entran y salen muy pronto y tienen un salario por arriba de todos los demás clúster de $180 pesos, por lo que, en este clúster se necesita aplicar una estrategia de fidelización de los colaboradores de otra forma que no sea con un aumento de salario, es decir, Form puede implementar estrategias con recompensas que sean a largo plazo.  
* Como se puede observar en el analisis que se realizó de edad y salario se pueden destacar los siguientes puntos:  
a) el cluster que tiene una mayor frecuencia es el de 48 años de edad,  
b) el cluster que mas chico es de 22 años o menos por lo que podemos decir que en Form, la mayoría son mayores de 23 años,
  c) en cuanto al salario tienen un promedio de 180.68, pero existe un dato único el cual ganaba 500.   
  En conclusión para Form podemos plantear una estrategia de estandarización de salarios de acuerdo al tiempo que llevan en la empresa y su edad, para poder así tener un mejor control de gastos de la empresa y aplicar nuevas a estrategias a cada uno de los cluster.

# <span style="Color:ORANGE"> **SECCION 4. Identificación de Resultados Relevantes y Sugerencias**

**INSIGHTS**
*Como podemos observar en la base de datos de Producción, el mayor cliente de Form, en cuestión de laminas procesadas, es Stabilus 1, así se muestra en la grafica de pastel de empresa, mientras que también cuenta con algunos clientes con muy poca producción como es el caso de VL-017-14989.  

*En la base de datos Scrap, con las graficas que elaboramos, podemos observar que el mayor numero de desecho se origina en el área de la empresa de Pre-Producción, por lo que podemos enforcarnos en proponer estrategias que reduzcan el numero de desecho significativamente en esta área, así como también en el área donde menos hay desecho es en Post-producción.  

*En el área de recursos humanos podemos interpretar con las graficas que en Form, hay un mayor rango de edad entre las mujeres, así como también podemos observar que las mujeres en promedio ganan más que los hombres.   
*En cuestión a las bajas, el análisis de la base de datos nos arroja que existe una gran rotación de personal, y la mayoría de ellos no han alcanzado el grado de jubilación, las razones principales de este son abandono y baja por faltas. En base a la grafica de barras explicada en la parte de bajas, se menciona que la mayoría de las personas que abandonan su trabajo son solteras, así como también algunas de ellas no se conoce su estado civil.  

*En las predicciones de desempeño de la industria automotriz se pudo observar que el automóvil de modelo Passenger se encuentra en decremento, tomando como base los datos de la tasa de desempleo de 6.43 y un índice de confianza de 82.3, se espera que siga el decremento de estos automóviles en EUA del 2021 al 2025. Mientras que en el segundo modelo de regresión con la misma base de datos se espera una predicción de ventas positiva en los automóviles comerciales, tomando en cuenta datos como tasa de desempleo de 6.43, un índice de confianza de 82.3, es incremento se espera del 2021 al 2025.

**SUGERENCIAS**
*La estrategia planteada para Form,basada en el analisis de la base de datos de bajas, consiste en crear programas de fidelización de los colaboradores a largo plazo, donde ellos se sientan comprometidos con la empresa y sigan la visión de la misma, ya que esto lo identificamos porque existe una gran rotación en la empresa la cual es por falta de compromiso de los colaboradores hacia la empresa, por lo que tambien se le propone hacer juntas estrategicas con los colaboradores de las areas en la que se den temas de integración, trabajo en equipo entre otros.  

* Otra estrategia planteada es que exista un departamento dentro de la empresa en el cual se conforme por personas capacitadas para la recopilación de datos de cada una de las áreas y tomen decisiones en cada una de ellas en base a los datos que se obtengan, y tambien que se lleven acabo junta con los directivos para hacer  una planeación de recursos.


**Business Analytics y Business Intelligence.**

Business Analytics es un enfoque de análisis de datos dentro de alguna empresa, consiste en llevar a cabo soluciones para satisfacer las necesidades de un negocio, lograr metas y alcanzar los objetivos planteados. BA se compone de obtener datos, analizar y mostrar datos de manera visual, ayuda en tomar decisiones basado en tendencias y lo que está pasando en el mercado en general.
•	Business Analytics ayuda a alcanzar los objetivos empresariales a partir de un análisis de grandes volúmenes de datos mediante herramientas como los es RStudio, Phyton, entre otros.
•	BA detecta tendencias conforme al tiempo y puede realizar pronósticos a partir de modelos predictivos.
•	BA utiliza modelos predictivos para optimizar los procesos de una empresa en cualquier área como producción, logística, recursos humanos entre otros. 
Business Intelligence se utiliza para evaluar, optimizar y coordinar las operaciones internas de una empresa, mientras que Business Analytics es obtener datos, analizarlos y mostrarlos. Existe diferencias entres estos dos, la mayor diferencia es en la poractica de utilizar los datos de una empresa para anticipar tendencias y resultados. Business Analytics ayuda en tomar decisiones basado en tendencias y lo que está pasando en el mercado en general.

**KPI'S**  
Los kpi's nos permiten medir en tiempo real el funcionamiento de las estrategias de alguna empresa como lo es Form, marketing o ventas brindando una información valiosa para tomar decisiones estratégicas que permitan a la empresa optimizar sus recursos para alcanzar los objetivos.

Los KPIs también desempeñan una importante función comunicativa ya que informan a directivos, colaboradores e inversores sobre la evolución de la empresa respecto a los objetivos establecidos, para que todos puedan trabajar con una visión y una meta común.



