Evidencia 2
Andrea Paola Sosa A00827359
2022-10-12
Limpieza, Transformacion y Organizacion
Recursos Humanos (Colaboradores y Bajas)
#file.choose()
RhColab<-read.csv("/Users/andreapaolasosa/Library/CloudStorage/OneDrive-InstitutoTecnologicoydeEstudiosSuperioresdeMonterrey/BaseDatosL RH_Colaboradores.csv")
RhBajas<-read.csv("/Users/andreapaolasosa/Library/CloudStorage/OneDrive-InstitutoTecnologicoydeEstudiosSuperioresdeMonterrey/BaseD_Limpia RH_ Bajas .csv")Tipos de Variables Existentes para RHCOLAB
variable<-c("numero_de_empleado","nombre_completo", "edad", "genero", "fecha_de_alta", "antioguedad", "BAJA", "puesto", "departamento", "mano_de_obra", "salario_diario", "colonia", "municipio")
type<-c("Cualitativo (nominal)","Cualitativo (nominal)", "Cuantitativo(discreta)", "Cualitativo (nominal)", "Cuantitativo(discreta)", "cualitativo (nominal)", "Cualitativo (nominal)", "Cualitativo (nominal)", "Cualitativo (nominal)", "Cualitativo (nominal)", "Cuantitativo (continua)", "Cualitativo (nominal)", "Cualitativo (nominal)")
Escala_de_Medición<-c("Numero", "Fecha", "Departamento", "Salario", "Estado")
table<-data.frame(variable,type)
knitr::kable(table)| variable | type |
|---|---|
| numero_de_empleado | Cualitativo (nominal) |
| nombre_completo | Cualitativo (nominal) |
| edad | Cuantitativo(discreta) |
| genero | Cualitativo (nominal) |
| fecha_de_alta | Cuantitativo(discreta) |
| antioguedad | cualitativo (nominal) |
| BAJA | Cualitativo (nominal) |
| puesto | Cualitativo (nominal) |
| departamento | Cualitativo (nominal) |
| mano_de_obra | Cualitativo (nominal) |
| salario_diario | Cuantitativo (continua) |
| colonia | Cualitativo (nominal) |
| municipio | Cualitativo (nominal) |
Tipos de Variables Existentes para RHBAJAS
variable<-c ("nombre","edad", "genero", "fecha_alta", "motivo_baja", "dias_de_trabajo", "baja", "puesto_que_desempeña", "salario_imss", "colonia", "municipio", "estado", "estado_civil" )
type<-c ("Cualitativo (nominal)","Cuantitativo(discreta)", "Cualitativo (nominal)", "Cuantitativo(discreta)", "Cualitativo (nominal)", "Cuantitativo(discreta)", "Cuantitativo(discreta)", "Cualitativo (nominal)", "Cuantitativo(Continua)", "Cualitativo (nominal)", "Cualitativo (nominal)", "Cualitativo (nominal)", "Cualitativo (nominal)" )
Escala_de_Medición<-c("Numero", "Fecha", "Departamento", "Salario", "Estado")
table<-data.frame(variable,type)
knitr::kable(table)| variable | type |
|---|---|
| nombre | Cualitativo (nominal) |
| edad | Cuantitativo(discreta) |
| genero | Cualitativo (nominal) |
| fecha_alta | Cuantitativo(discreta) |
| motivo_baja | Cualitativo (nominal) |
| dias_de_trabajo | Cuantitativo(discreta) |
| baja | Cuantitativo(discreta) |
| puesto_que_desempeña | Cualitativo (nominal) |
| salario_imss | Cuantitativo(Continua) |
| colonia | Cualitativo (nominal) |
| municipio | Cualitativo (nominal) |
| estado | Cualitativo (nominal) |
| estado_civil | Cualitativo (nominal) |
Llamar librerias
library(foreign)
library(dplyr) # data manipulation ##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(forcats) # to work with categorical variables
library(ggplot2) # data visualization
library(janitor) # data exploration and cleaning ##
## Attaching package: 'janitor'## The following objects are masked from 'package:stats':
##
## chisq.test, fisher.testlibrary(Hmisc) # several useful functions for data analysis ## Loading required package: lattice## Loading required package: survival## Loading required package: Formula##
## Attaching package: 'Hmisc'## The following objects are masked from 'package:dplyr':
##
## src, summarize## The following objects are masked from 'package:base':
##
## format.pval, unitslibrary(psych) # functions for multivariate analysis ##
## Attaching package: 'psych'## The following object is masked from 'package:Hmisc':
##
## describe## The following objects are masked from 'package:ggplot2':
##
## %+%, alphalibrary(naniar) # summaries and visualization of missing values NAs
library(dlookr) # summaries and visualization of missing values NAs##
## Attaching package: 'dlookr'## The following object is masked from 'package:psych':
##
## describe## The following object is masked from 'package:Hmisc':
##
## describe## The following object is masked from 'package:base':
##
## transformlibrary(corrplot) # correlation plots## corrplot 0.92 loadedlibrary(jtools) # presentation of regression analysis ##
## Attaching package: 'jtools'## The following object is masked from 'package:Hmisc':
##
## %nin%library(lmtest) # diagnostic checks - linear regression analysis ## Loading required package: zoo##
## Attaching package: 'zoo'## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numericlibrary(car) # diagnostic checks - linear regression analysis## Loading required package: carData##
## Attaching package: 'car'## The following object is masked from 'package:psych':
##
## logit## The following object is masked from 'package:dplyr':
##
## recodelibrary(olsrr) # diagnostic checks - linear regression analysis ##
## Attaching package: 'olsrr'## The following object is masked from 'package:datasets':
##
## riverslibrary(kableExtra) # HTML table attributes##
## Attaching package: 'kableExtra'## The following object is masked from 'package:dplyr':
##
## group_rowsVerificar la estructura de la base de datos
str(RhColab)## 'data.frame': 999 obs. of 13 variables:
## $ numero_de_empleado: int 1 2 3 4 5 6 7 8 9 10 ...
## $ nombre_completo : chr "NICOLAS MARTINEZ DE LOERA" "MARIANA DE LEON MORENO" "JOSE LUIS HERNANDEZ CERVANTES" "MARIA CAZARES MORALES" ...
## $ edad : int 67 43 73 32 57 38 55 26 27 37 ...
## $ genero : chr "MASCULINO" "FEMENINO" "MASCULINO" "FEMENINO" ...
## $ fecha_de_alta : chr "1/7/2010" "1/7/2011" "22/11/2011" "30/1/2013" ...
## $ antiguedad : int 12 11 11 9 8 8 7 6 5 5 ...
## $ BAJA : int NA NA NA NA NA NA NA NA NA NA ...
## $ puesto : chr "Supervisor de Máquin" "Supervisor de pegado" "Externo" "SUPERVISORA" ...
## $ departamento : chr "Produccion Cartón MDL" "Produccion Cartón MDL" "Externo" "Produccion Cartón MC" ...
## $ mano_de_obra : chr "Indirecto" "Indirecto" "Indirecto" "Indirecto" ...
## $ salario_diario : num 177 177 177 337 441 ...
## $ colonia : chr "UNIDAD LABORAL" "SANTA TERESITA" "VILLAS DE HUINALA" "PUEBLO NUEVO" ...
## $ municipio : chr "SAN NICOLAS DE LOS G" "APODACA" "APODACA" "APODACA" ...str(RhBajas)## 'data.frame': 237 obs. of 13 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" ...
## $ fecha_de_alta : chr "9/3/2020" "9/11/2021" "10/11/2021" "10/11/2021" ...
## $ motivo_de_baja : chr "RENUNCIA VOLUNTARIA" "RENUNCIA VOLUNTARIA" "RENUNCIA VOLUNTARIA" "RENUNCIA VOLUNTARIA" ...
## $ dias_de_trabajo : int 628 60 59 59 51 37 37 31 18 224 ...
## $ baja : chr "27/11/2021" "8/1/2022" "8/1/2022" "8/1/2022" ...
## $ puesto_que_desempeña: chr "DISEÑO" "AYUDANTE GENERAL" "AYUDANTE GENERAL" "AYUDANTE GENERAL" ...
## $ salario_imss : num 500 152 152 152 152 ...
## $ colonia : chr "SAN NICOLAS DE LOS G" "COLINAS DEL AEROPÑUERTO" "PUEBLO NUEVO" "PUEBLO NUEVO" ...
## $ municipio : chr "SAN NICOLAS DE LOS G" "PESQUERIA" "APODACA" "APODACA" ...
## $ estado : chr "NUEVO LEÓN" "NUEVO LEÓN" "NUEVO LEÓN" "NUEVO LEÓN" ...
## $ estado_civil : chr "SOLTERO" "UNIÓN LIBRE" "CASADO" "SOLTERO" ...seleccionar columnas / variables
RhColab1<-RhColab
RhBajas1<-RhBajasLimpieza de datos
RhColab1<-RhColab %>% select(-one_of('numero_de_empleado','Fecha_alta' , 'BAJA', 'edad'))
# lets rename the selected columns / variables
summary(RhColab1)## nombre_completo genero fecha_de_alta antiguedad
## Length:999 Length:999 Length:999 Min. : 0.000
## Class :character Class :character Class :character 1st Qu.: 0.000
## Mode :character Mode :character Mode :character Median : 0.000
## Mean : 1.425
## 3rd Qu.: 2.000
## Max. :12.000
## NA's :886
## puesto departamento mano_de_obra salario_diario
## Length:999 Length:999 Length:999 Min. :144.4
## Class :character Class :character Class :character 1st Qu.:176.7
## Mode :character Mode :character Mode :character Median :180.7
## Mean :181.4
## 3rd Qu.:180.7
## Max. :441.4
## NA's :886
## colonia municipio
## Length:999 Length:999
## Class :character Class :character
## Mode :character Mode :character
##
##
##
## names(RhColab1)<-c('Nom_Comp', 'Gen', 'Fecha_alta', 'Ant', 'Puesto', 'Dep', 'MDO', 'Sal_Diario', 'Col', 'Mun')
names(RhBajas1)<-c('Nom', 'Edad', 'Gen', 'Fecha_alta', 'MB', 'Días_trab', 'Baja', 'PuestDes', 'Sal_IMSS', 'Col', 'Mun', 'Estado', 'EstCiv')
##lets convert fecha_nacimiento to date format
RhColab1$Fecha_alta<-as.Date(RhColab$fecha_de_alta, format = "%d/%m/%Y")
RhBajas1$Fecha_alta<-as.Date(RhBajas1$Fecha_alta, format = "%d/%m/%Y")
RhBajas1$Baja<-as.Date(RhBajas1$Baja, format = "%d/%m/%Y")
str(RhColab1)## 'data.frame': 999 obs. of 10 variables:
## $ Nom_Comp : chr "NICOLAS MARTINEZ DE LOERA" "MARIANA DE LEON MORENO" "JOSE LUIS HERNANDEZ CERVANTES" "MARIA CAZARES MORALES" ...
## $ Gen : chr "MASCULINO" "FEMENINO" "MASCULINO" "FEMENINO" ...
## $ Fecha_alta: Date, format: "2010-07-01" "2011-07-01" ...
## $ Ant : int 12 11 11 9 8 8 7 6 5 5 ...
## $ Puesto : chr "Supervisor de Máquin" "Supervisor de pegado" "Externo" "SUPERVISORA" ...
## $ Dep : chr "Produccion Cartón MDL" "Produccion Cartón MDL" "Externo" "Produccion Cartón MC" ...
## $ MDO : chr "Indirecto" "Indirecto" "Indirecto" "Indirecto" ...
## $ Sal_Diario: num 177 177 177 337 441 ...
## $ Col : chr "UNIDAD LABORAL" "SANTA TERESITA" "VILLAS DE HUINALA" "PUEBLO NUEVO" ...
## $ Mun : chr "SAN NICOLAS DE LOS G" "APODACA" "APODACA" "APODACA" ...str(RhBajas1)## 'data.frame': 237 obs. of 13 variables:
## $ Nom : 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 ...
## $ Gen : chr "MASCULINO" "FEMENINO" "FEMENINO" "FEMENINO" ...
## $ Fecha_alta: Date, format: "2020-03-09" "2021-11-09" ...
## $ MB : chr "RENUNCIA VOLUNTARIA" "RENUNCIA VOLUNTARIA" "RENUNCIA VOLUNTARIA" "RENUNCIA VOLUNTARIA" ...
## $ Días_trab : int 628 60 59 59 51 37 37 31 18 224 ...
## $ Baja : Date, format: "2021-11-27" "2022-01-08" ...
## $ PuestDes : chr "DISEÑO" "AYUDANTE GENERAL" "AYUDANTE GENERAL" "AYUDANTE GENERAL" ...
## $ Sal_IMSS : num 500 152 152 152 152 ...
## $ Col : chr "SAN NICOLAS DE LOS G" "COLINAS DEL AEROPÑUERTO" "PUEBLO NUEVO" "PUEBLO NUEVO" ...
## $ Mun : chr "SAN NICOLAS DE LOS G" "PESQUERIA" "APODACA" "APODACA" ...
## $ Estado : chr "NUEVO LEÓN" "NUEVO LEÓN" "NUEVO LEÓN" "NUEVO LEÓN" ...
## $ EstCiv : chr "SOLTERO" "UNIÓN LIBRE" "CASADO" "SOLTERO" ...# Eliminar NA's y sustituir con 0's
sum(is.na(RhColab1))## [1] 2658sum(is.na(RhBajas1))## [1] 0summary(RhColab1)## Nom_Comp Gen Fecha_alta Ant
## Length:999 Length:999 Min. :2010-07-01 Min. : 0.000
## Class :character Class :character 1st Qu.:2020-08-28 1st Qu.: 0.000
## Mode :character Mode :character Median :2022-02-23 Median : 0.000
## Mean :2021-01-16 Mean : 1.425
## 3rd Qu.:2022-07-05 3rd Qu.: 2.000
## Max. :2022-08-23 Max. :12.000
## NA's :886 NA's :886
## Puesto Dep MDO Sal_Diario
## Length:999 Length:999 Length:999 Min. :144.4
## Class :character Class :character Class :character 1st Qu.:176.7
## Mode :character Mode :character Mode :character Median :180.7
## Mean :181.4
## 3rd Qu.:180.7
## Max. :441.4
## NA's :886
## Col Mun
## Length:999 Length:999
## Class :character Class :character
## Mode :character Mode :character
##
##
##
## summary(RhBajas1)## Nom Edad Gen Fecha_alta
## Length:237 Min. : 0.00 Length:237 Min. :2016-10-12
## Class :character 1st Qu.:23.00 Class :character 1st Qu.:2022-01-19
## Mode :character Median :29.00 Mode :character Median :2022-04-04
## Mean :30.52 Mean :2022-02-10
## 3rd Qu.:37.00 3rd Qu.:2022-06-14
## Max. :61.00 Max. :2022-08-17
## MB Días_trab Baja PuestDes
## Length:237 Min. : 0.00 Min. :2021-11-27 Length:237
## Class :character 1st Qu.: 9.00 1st Qu.:2022-03-01 Class :character
## Mode :character Median : 21.00 Median :2022-05-06 Mode :character
## Mean : 83.42 Mean :2022-05-05
## 3rd Qu.: 49.00 3rd Qu.:2022-07-07
## Max. :1966.00 Max. :2022-08-25
## Sal_IMSS Col Mun Estado
## Min. :144.4 Length:237 Length:237 Length:237
## 1st Qu.:180.7 Class :character Class :character Class :character
## Median :180.7 Mode :character Mode :character Mode :character
## Mean :178.6
## 3rd Qu.:180.7
## Max. :500.0
## EstCiv
## Length:237
## Class :character
## Mode :character
##
##
## RhColab1 <- na.omit(RhColab1)
RhBajas1 <- na.omit(RhBajas1)
summary(RhColab1)## Nom_Comp Gen Fecha_alta Ant
## Length:113 Length:113 Min. :2010-07-01 Min. : 0.000
## Class :character Class :character 1st Qu.:2020-08-28 1st Qu.: 0.000
## Mode :character Mode :character Median :2022-02-23 Median : 0.000
## Mean :2021-01-16 Mean : 1.425
## 3rd Qu.:2022-07-05 3rd Qu.: 2.000
## Max. :2022-08-23 Max. :12.000
## Puesto Dep MDO Sal_Diario
## Length:113 Length:113 Length:113 Min. :144.4
## Class :character Class :character Class :character 1st Qu.:176.7
## Mode :character Mode :character Mode :character Median :180.7
## Mean :181.4
## 3rd Qu.:180.7
## Max. :441.4
## Col Mun
## Length:113 Length:113
## Class :character Class :character
## Mode :character Mode :character
##
##
## summary(RhBajas1) ## Nom Edad Gen Fecha_alta
## Length:237 Min. : 0.00 Length:237 Min. :2016-10-12
## Class :character 1st Qu.:23.00 Class :character 1st Qu.:2022-01-19
## Mode :character Median :29.00 Mode :character Median :2022-04-04
## Mean :30.52 Mean :2022-02-10
## 3rd Qu.:37.00 3rd Qu.:2022-06-14
## Max. :61.00 Max. :2022-08-17
## MB Días_trab Baja PuestDes
## Length:237 Min. : 0.00 Min. :2021-11-27 Length:237
## Class :character 1st Qu.: 9.00 1st Qu.:2022-03-01 Class :character
## Mode :character Median : 21.00 Median :2022-05-06 Mode :character
## Mean : 83.42 Mean :2022-05-05
## 3rd Qu.: 49.00 3rd Qu.:2022-07-07
## Max. :1966.00 Max. :2022-08-25
## Sal_IMSS Col Mun Estado
## Min. :144.4 Length:237 Length:237 Length:237
## 1st Qu.:180.7 Class :character Class :character Class :character
## Median :180.7 Mode :character Mode :character Mode :character
## Mean :178.6
## 3rd Qu.:180.7
## Max. :500.0
## EstCiv
## Length:237
## Class :character
## Mode :character
##
##
## str(RhColab1)## 'data.frame': 113 obs. of 10 variables:
## $ Nom_Comp : chr "NICOLAS MARTINEZ DE LOERA" "MARIANA DE LEON MORENO" "JOSE LUIS HERNANDEZ CERVANTES" "MARIA CAZARES MORALES" ...
## $ Gen : chr "MASCULINO" "FEMENINO" "MASCULINO" "FEMENINO" ...
## $ Fecha_alta: Date, format: "2010-07-01" "2011-07-01" ...
## $ Ant : int 12 11 11 9 8 8 7 6 5 5 ...
## $ Puesto : chr "Supervisor de Máquin" "Supervisor de pegado" "Externo" "SUPERVISORA" ...
## $ Dep : chr "Produccion Cartón MDL" "Produccion Cartón MDL" "Externo" "Produccion Cartón MC" ...
## $ MDO : chr "Indirecto" "Indirecto" "Indirecto" "Indirecto" ...
## $ Sal_Diario: num 177 177 177 337 441 ...
## $ Col : chr "UNIDAD LABORAL" "SANTA TERESITA" "VILLAS DE HUINALA" "PUEBLO NUEVO" ...
## $ Mun : chr "SAN NICOLAS DE LOS G" "APODACA" "APODACA" "APODACA" ...
## - attr(*, "na.action")= 'omit' Named int [1:886] 114 115 116 117 118 119 120 121 122 123 ...
## ..- attr(*, "names")= chr [1:886] "114" "115" "116" "117" ...str(RhBajas1)## 'data.frame': 237 obs. of 13 variables:
## $ Nom : 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 ...
## $ Gen : chr "MASCULINO" "FEMENINO" "FEMENINO" "FEMENINO" ...
## $ Fecha_alta: Date, format: "2020-03-09" "2021-11-09" ...
## $ MB : chr "RENUNCIA VOLUNTARIA" "RENUNCIA VOLUNTARIA" "RENUNCIA VOLUNTARIA" "RENUNCIA VOLUNTARIA" ...
## $ Días_trab : int 628 60 59 59 51 37 37 31 18 224 ...
## $ Baja : Date, format: "2021-11-27" "2022-01-08" ...
## $ PuestDes : chr "DISEÑO" "AYUDANTE GENERAL" "AYUDANTE GENERAL" "AYUDANTE GENERAL" ...
## $ Sal_IMSS : num 500 152 152 152 152 ...
## $ Col : chr "SAN NICOLAS DE LOS G" "COLINAS DEL AEROPÑUERTO" "PUEBLO NUEVO" "PUEBLO NUEVO" ...
## $ Mun : chr "SAN NICOLAS DE LOS G" "PESQUERIA" "APODACA" "APODACA" ...
## $ Estado : chr "NUEVO LEÓN" "NUEVO LEÓN" "NUEVO LEÓN" "NUEVO LEÓN" ...
## $ EstCiv : chr "SOLTERO" "UNIÓN LIBRE" "CASADO" "SOLTERO" ...Calcular la variable “año” en años para realizar caracteristicas adicionales de los colaboradores
library(lubridate)##
## Attaching package: 'lubridate'## The following objects are masked from 'package:base':
##
## date, intersect, setdiff, unionedad<-trunc((RhColab1$Fecha_alta %--% RhColab1$Fecha_alta) / years(1)) # %--% creates a time interval based on as.date() format
RhColab1$edad<-edad
edad<-trunc((RhBajas1$Fecha_alta %--% RhBajas1$Fecha_alta) / years(1))
edad<-trunc((RhBajas1$Baja %--% RhBajas1$Baja) / years(1))Convertir las variables a factor para poder crear graficas descriptivas
### Colab1
RhColab1$Gen<-as.factor(RhColab1$Gen)
RhColab1$Puesto<-as.factor(RhColab1$Puesto)
RhColab1$Dep<-as.factor(RhColab1$Dep)
RhColab1$Mun<-as.factor(RhColab1$Mun)
RhColab1$Col<-as.factor(RhColab1$Col)
### Bajas1
RhBajas1$Gen<-as.factor(RhBajas1$Gen)
RhBajas1$MB<-as.factor(RhBajas1$MB)
RhBajas1$Días_trab<-as.factor(RhBajas1$Días_trab)
RhBajas1$PuestDes<-as.factor(RhBajas1$PuestDes)
RhBajas1$Col<-as.factor(RhBajas1$Col)
RhBajas1$Mun<-as.factor(RhBajas1$Mun)
RhBajas1$Estado<-as.factor(RhBajas1$Estado)
RhBajas1$EstCiv<-as.factor(RhBajas1$EstCiv)Verificar la estructura de las bases de datos RhColab1 y RhBajas1
str(RhColab1)## 'data.frame': 113 obs. of 11 variables:
## $ Nom_Comp : chr "NICOLAS MARTINEZ DE LOERA" "MARIANA DE LEON MORENO" "JOSE LUIS HERNANDEZ CERVANTES" "MARIA CAZARES MORALES" ...
## $ Gen : Factor w/ 2 levels "FEMENINO","MASCULINO": 2 1 2 1 1 2 1 2 2 1 ...
## $ Fecha_alta: Date, format: "2010-07-01" "2011-07-01" ...
## $ Ant : int 12 11 11 9 8 8 7 6 5 5 ...
## $ Puesto : Factor w/ 29 levels "AY. GENERAL",..: 27 28 10 29 29 8 7 4 3 7 ...
## $ Dep : Factor w/ 22 levels "","Ay.flexo",..: 18 18 13 17 8 4 8 19 4 10 ...
## $ MDO : chr "Indirecto" "Indirecto" "Indirecto" "Indirecto" ...
## $ Sal_Diario: num 177 177 177 337 441 ...
## $ Col : Factor w/ 73 levels "ALAMOS DEL PARQUE",..: 64 61 69 51 56 18 1 52 14 5 ...
## $ Mun : Factor w/ 9 levels "APODACA","CAÑADA BLANCA",..: 9 1 1 1 1 8 1 1 8 9 ...
## $ edad : num 0 0 0 0 0 0 0 0 0 0 ...
## - attr(*, "na.action")= 'omit' Named int [1:886] 114 115 116 117 118 119 120 121 122 123 ...
## ..- attr(*, "names")= chr [1:886] "114" "115" "116" "117" ...summary(RhColab1)## Nom_Comp Gen Fecha_alta Ant
## Length:113 FEMENINO :61 Min. :2010-07-01 Min. : 0.000
## Class :character MASCULINO:52 1st Qu.:2020-08-28 1st Qu.: 0.000
## Mode :character Median :2022-02-23 Median : 0.000
## Mean :2021-01-16 Mean : 1.425
## 3rd Qu.:2022-07-05 3rd Qu.: 2.000
## Max. :2022-08-23 Max. :12.000
##
## Puesto Dep MDO
## AYUDANTE GENERAL:59 :40 Length:113
## COSTURERA :10 Producción Retorn :10 Class :character
## AY. GENERAL : 7 Costura : 7 Mode :character
## SOLDADOR : 5 Produccion Cartón MDL: 7
## CHOFER : 4 Stabilus : 7
## RESIDENTE : 4 Cedis : 6
## (Other) :24 (Other) :36
## Sal_Diario Col Mun edad
## Min. :144.4 PUEBLO NUEVO :27 APODACA :72 Min. :0
## 1st Qu.:176.7 CANTORAL : 4 JUAREZ :10 1st Qu.:0
## Median :180.7 CAÑADA BLANCA : 3 PESQUERIA: 9 Median :0
## Mean :181.4 MISION SAN PABLO : 3 GUADALUPE: 6 Mean :0
## 3rd Qu.:180.7 PORTAL DE HUINALA : 3 SALTILLO : 5 3rd Qu.:0
## Max. :441.4 VALLE DE SANTA MARIA: 3 MONTERREY: 4 Max. :0
## (Other) :70 (Other) : 7str(RhBajas1)## 'data.frame': 237 obs. of 13 variables:
## $ Nom : 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 ...
## $ Gen : Factor w/ 2 levels "FEMENINO","MASCULINO": 2 1 1 1 1 1 1 2 2 2 ...
## $ Fecha_alta: Date, format: "2020-03-09" "2021-11-09" ...
## $ MB : Factor w/ 5 levels "ABANDONO","BAJA POR FALTAS",..: 4 4 4 4 4 2 2 2 2 4 ...
## $ Días_trab : Factor w/ 95 levels "0","1","2","3",..: 88 53 52 52 48 37 37 31 19 79 ...
## $ Baja : Date, format: "2021-11-27" "2022-01-08" ...
## $ PuestDes : Factor w/ 31 levels "ANALISTA DE NOMINAS /AUX DE R.H.",..: 15 9 9 9 9 9 9 9 9 4 ...
## $ Sal_IMSS : num 500 152 152 152 152 ...
## $ Col : Factor w/ 98 levels "ACANTO RESIDENCIAL",..: 82 18 72 72 73 28 72 48 15 80 ...
## $ Mun : Factor w/ 13 levels "APODACA","CADEREYTA",..: 10 7 1 1 1 1 1 5 4 1 ...
## $ Estado : Factor w/ 3 levels "COAHUILA","NUEVO LEÓN",..: 2 2 2 2 2 2 2 2 2 2 ...
## $ EstCiv : Factor w/ 5 levels "CASADO","DIVORCIADO",..: 3 5 1 3 3 3 5 5 3 3 ...summary(RhBajas1)## Nom Edad Gen Fecha_alta
## Length:237 Min. : 0.00 FEMENINO :140 Min. :2016-10-12
## Class :character 1st Qu.:23.00 MASCULINO: 97 1st Qu.:2022-01-19
## Mode :character Median :29.00 Median :2022-04-04
## Mean :30.52 Mean :2022-02-10
## 3rd Qu.:37.00 3rd Qu.:2022-06-14
## Max. :61.00 Max. :2022-08-17
##
## MB Días_trab Baja
## ABANDONO : 1 15 : 11 Min. :2021-11-27
## BAJA POR FALTAS :141 1 : 9 1st Qu.:2022-03-01
## JUBILACION : 1 6 : 9 Median :2022-05-06
## RENUNCIA VOLUNTARIA: 86 9 : 8 Mean :2022-05-05
## TERMINO DE CONTRATO: 8 0 : 7 3rd Qu.:2022-07-07
## 8 : 7 Max. :2022-08-25
## (Other):186
## PuestDes Sal_IMSS Col
## AYUDANTE GENERAL :173 Min. :144.4 PUEBLO NUEVO : 67
## SOLDADOR : 11 1st Qu.:180.7 VALLE DE SANTA MARIA: 15
## COSTURERA : 10 Median :180.7 CANTORAL : 10
## MONTACARGUISTA : 5 Mean :178.6 PORTAL DE HUINALA : 6
## AY. GENERAL : 4 3rd Qu.:180.7 SAN ISIDRO : 6
## AUXILIAR DE EMBARQUES: 3 Max. :500.0 BOSQUES DE HUINALA : 4
## (Other) : 31 (Other) :129
## Mun Estado EstCiv
## APODACA :162 COAHUILA : 9 CASADO : 64
## PESQUERIA : 32 NUEVO LEÓN:227 DIVORCIADO : 3
## JUAREZ : 15 SALTILLO : 1 SOLTERO :110
## GUADALUPE : 10 Unión libre: 1
## RAMOS ARIZPE : 8 UNIÓN LIBRE: 59
## SAN NICOLAS DE LOS GARZA: 3
## (Other) : 7Mostrar tablas de visualización para identificar perspectivas relevantes de las bases de datos RhColab1 y RhBajas1
## Colaboradores
tapply(RhColab1$Sal_Diario,
list(RhColab1$Gen,RhColab1$Puesto), mean)## AY. GENERAL AYUDANTE DE MANTENIMIENTO Ayudante general
## FEMENINO 151.61 NA NA
## MASCULINO 151.61 180.68 176.72
## AYUDANTE GENERAL CHOFER CHOFER GESTOR COSTURERA CUSTOMER SERVICE INF
## FEMENINO 177.4222 NA NA 191.7533 NA
## MASCULINO 176.2268 177.71 180.68 176.7200 176.72
## ENFERMERA Externo EXTERNO GESTOR GUARDIA DE SEGURIDAD
## FEMENINO 176.72 NA NA NA NA
## MASCULINO NA 176.72 151.67 176.72 180.68
## INSPECTOR DE CALIDAD INSPECTORA DE CALIDAD LIDER LIMPIEZA
## FEMENINO 208.65 180.68 144.45 176.72
## MASCULINO NA NA NA NA
## MANTENIMIENTO MONTACARGUISTA MOZO OP. FLEXO-RANURADORA-REFILADORA
## FEMENINO NA NA NA NA
## MASCULINO 279.61 180.68 180.68 176.72
## OPERADOR SIERRA PINTOR RECIBO RESIDENTE SOLDADOR Supervisor de Máquin
## FEMENINO NA NA 176.72 NA NA NA
## MASCULINO 180.68 176.72 NA 177.71 179.888 176.72
## Supervisor de pegado SUPERVISORA
## FEMENINO 176.72 389.21
## MASCULINO NA NAtapply(RhColab1$Sal_Diario,
list(RhColab1$Gen,RhColab1$Dep), mean)## Ay.flexo Calidad Cedis CEDIS Celdas CORTADORAS Costura
## FEMENINO 178.7544 NA 194.665 NA NA 180.68 NA 245.375
## MASCULINO 176.5400 180.68 NA 176.72 180.68 NA 180.68 176.720
## COSTURA Costura T2 EHS Embarques Externo Limpieza Materiales
## FEMENINO 151.61 152.86 176.720 NA NA 176.72 176.72
## MASCULINO NA NA 230.145 177.71 164.195 NA NA
## Paileria Produccion Cartón MC Produccion Cartón MDL Producción Retorn
## FEMENINO NA 194.405 156.0975 161.3000
## MASCULINO 178.7 151.670 168.3700 183.8443
## Rotativa Stabilus Troquel
## FEMENINO NA 180.68 180.68
## MASCULINO 151.61 180.68 180.68## Bajas
tapply(RhBajas1$Sal_IMSS,RhBajas1$Gen,mean)## FEMENINO MASCULINO
## 177.3126 180.5544Reemplazar el valor atípico de salario_diario con la mediana
RhColab1$Sal_Diario<-replace(RhColab1$Sal_Diario,RhColab1$Sal_Diario>1000000,181)Mostrar gráficos de visualización de datos para que podamos identificar información relevante de nuestro conjunto de datos RHColab y RHBajas
tapply(RhColab1$Sal_Diario,
list(RhColab1$Gen,RhColab1$Dep), mean)## Ay.flexo Calidad Cedis CEDIS Celdas CORTADORAS Costura
## FEMENINO 178.7544 NA 194.665 NA NA 180.68 NA 245.375
## MASCULINO 176.5400 180.68 NA 176.72 180.68 NA 180.68 176.720
## COSTURA Costura T2 EHS Embarques Externo Limpieza Materiales
## FEMENINO 151.61 152.86 176.720 NA NA 176.72 176.72
## MASCULINO NA NA 230.145 177.71 164.195 NA NA
## Paileria Produccion Cartón MC Produccion Cartón MDL Producción Retorn
## FEMENINO NA 194.405 156.0975 161.3000
## MASCULINO 178.7 151.670 168.3700 183.8443
## Rotativa Stabilus Troquel
## FEMENINO NA 180.68 180.68
## MASCULINO 151.61 180.68 180.68hist(RhBajas1$Edad, freq=TRUE, col='orange', main="Histograma de Edad",xlab="Edad en Años")
ggplot(RhBajas1, aes(x=Gen, y=Edad, fill=Gen)) +
geom_boxplot() 
ggplot(RhColab1, aes(x=Gen, y=Sal_Diario, fill=Gen)) +
geom_boxplot() 
ggplot(RhColab1, aes(Gen,Sal_Diario,fill=Gen)) +
geom_bar(stat = "identity") +
scale_fill_brewer(palette = "Set2") + ggtitle("Salario Diario por Genero")
ggplot(RhBajas1, aes(x=Gen, y=Sal_IMSS, fill=Gen)) +
geom_bar(stat="identity") +
facet_grid(~EstCiv) + scale_fill_brewer(palette = "Set1")
Tecnicas Utilizadas
Tecnicas de Limpieza: Las tecnicas que se utilizaron con el fin de poder obtener una mejor visualizacion de los datos fueron: Cambiar el nombre de las variables. Se cambio el nombre de las variables de forma que se pudiera obtener mejor comprension de la variable analizada.
Tecnica 2: Se cambio la avriable de fecha_nacimiento a date format
Tecnica 3: Se eliminaron NAs los cuales se sustituyeron con 0s.
Variables: 122 Registros:28
2 propuestas concretas:
Analisis Exploratorio En promedio la mayor parte de los colaboradores de Form tienen una edad de entre 20 y 30 años, hay empleadas que tienen un máximo de 56 años mientras que hay un empleado que pasa ya de los 60 años de edad. Entre hombres y mujeres están en un rango de 20 a 40 años de edad
El saldo promedio tanto para hombres como para mujeres ronda en un monto de 170 y 180 pesos, pero hay una empleada que llega a un salario diario de 441 pesos, duplicando el saldo promedio de la mayor parte de los empleados de la compañía.
Las mujeres tienen un sueldo mas elevado que los hombres
Delivery Plan
Descargar librerias
#library(data.table)
library(dplyr)
library(plyr)## ------------------------------------------------------------------------------## You have loaded plyr after dplyr - this is likely to cause problems.
## If you need functions from both plyr and dplyr, please load plyr first, then dplyr:
## library(plyr); library(dplyr)## ------------------------------------------------------------------------------##
## Attaching package: 'plyr'## The following objects are masked from 'package:Hmisc':
##
## is.discrete, summarize## The following objects are masked from 'package:dplyr':
##
## arrange, count, desc, failwith, id, mutate, rename, summarise,
## summarizelibrary(ggplot2)
library(naniar)
library(Hmisc)
#library(psych)
library(tidyverse)## Registered S3 methods overwritten by 'broom':
## method from
## tidy.glht jtools
## tidy.summary.glht jtools## ── Attaching packages ─────────────────────────────────────── tidyverse 1.3.2 ──
## ✔ tibble 3.1.8 ✔ purrr 0.3.4
## ✔ tidyr 1.2.1 ✔ stringr 1.4.1
## ✔ readr 2.1.3
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ psych::%+%() masks ggplot2::%+%()
## ✖ psych::alpha() masks ggplot2::alpha()
## ✖ plyr::arrange() masks dplyr::arrange()
## ✖ lubridate::as.difftime() masks base::as.difftime()
## ✖ purrr::compact() masks plyr::compact()
## ✖ plyr::count() masks dplyr::count()
## ✖ lubridate::date() masks base::date()
## ✖ tidyr::extract() masks dlookr::extract()
## ✖ plyr::failwith() masks dplyr::failwith()
## ✖ dplyr::filter() masks stats::filter()
## ✖ kableExtra::group_rows() masks dplyr::group_rows()
## ✖ plyr::id() masks dplyr::id()
## ✖ lubridate::intersect() masks base::intersect()
## ✖ dplyr::lag() masks stats::lag()
## ✖ plyr::mutate() masks dplyr::mutate()
## ✖ car::recode() masks dplyr::recode()
## ✖ plyr::rename() masks dplyr::rename()
## ✖ lubridate::setdiff() masks base::setdiff()
## ✖ purrr::some() masks car::some()
## ✖ Hmisc::src() masks dplyr::src()
## ✖ plyr::summarise() masks dplyr::summarise()
## ✖ plyr::summarize() masks Hmisc::summarize(), dplyr::summarize()
## ✖ lubridate::union() masks base::union()library(janitor)
library(knitr)
library(pollster)##
## Attaching package: 'pollster'
##
## The following object is masked from 'package:janitor':
##
## crosstablibrary(epiDisplay)## Loading required package: MASS
##
## Attaching package: 'MASS'
##
## The following object is masked from 'package:olsrr':
##
## cement
##
## The following object is masked from 'package:dplyr':
##
## select
##
## Loading required package: nnet
##
## Attaching package: 'epiDisplay'
##
## The following object is masked from 'package:lmtest':
##
## lrtest
##
## The following object is masked from 'package:jtools':
##
## summ
##
## The following objects are masked from 'package:psych':
##
## alpha, cs, lookup
##
## The following object is masked from 'package:lattice':
##
## dotplot
##
## The following object is masked from 'package:ggplot2':
##
## alphalibrary(descr)##
## Attaching package: 'descr'
##
## The following object is masked from 'package:pollster':
##
## crosstab
##
## The following object is masked from 'package:janitor':
##
## crosstablibrary(tidyr)Limpieza
Importar base de datos
del_plan <-read.csv ("/Users/andreapaolasosa/Library/CloudStorage/OneDrive-InstitutoTecnologicoydeEstudiosSuperioresdeMonterrey/DP_1.csv")
del_plan <- read.csv ("/Users/andreapaolasosa/Library/CloudStorage/OneDrive-InstitutoTecnologicoydeEstudiosSuperioresdeMonterrey/DP_1.csv")Convertir meses en una columna
del_plan <- clean_names(del_plan)
del_plan<-del_plan %>% dplyr::rename(jun_21=junio,
jul_21=julio,
ago_21=agosto, sep_21=septiembre, oct_21= octubre, nov_21=noviembre, dic_21=diciembre, oct_22=octubre_22)
del_plan<-pivot_longer(del_plan, cols=5:16, names_to = "mes", values_to = "unidades")
del_plan <- dplyr::select(del_plan, -c(5:15))Eliminar columnas no necesarias
del_plan <- dplyr::select(del_plan, -c(2:4))Formato de las variables
str(del_plan)## tibble [2,772 × 3] (S3: tbl_df/tbl/data.frame)
## $ cliente_planta: chr [1:2772] "STB3" "STB3" "STB3" "STB3" ...
## $ mes : chr [1:2772] "jun_21" "jul_21" "ago_21" "sep_21" ...
## $ unidades : int [1:2772] 0 140 530 0 200 0 150 230 500 0 ...NA’s y valores atipicos
del_plan <- filter(del_plan, unidades>0)
sum(is.na(del_plan))## [1] 0Exportar la base de datos
del_plan_limpia<-del_plan
write.csv(del_plan_limpia,file = "CLEANDBDeliveryPlan.csv", row.names = FALSE)Tecnicas Utilizadas: Tecnicas de Limpieza: Convertir meses en una columna: Esta tecnica se implemento para poder tener un manejo optimo de las unidades de produccion mensual debido a que en la base original estan registradas por meses lo cual dificulta a la hora de hacer un analisis.
Eliminar columnas: Se eliminaron las columnas “ID” “ODOO” “Proyecto” e “Item” ya que no eran de gran relevancia para este analisis
Eliminar NA’s y Valores atipicos: No se encontraron NA’s ni valores atipicos en la base asi que se eliminaron los registros que tienen 0 unidades programadas.
Registros: 231 Variables:27
Graficas
Tabla estadisticas
tabla_estadisticos <- describe(del_plan)
tabla_estadisticos## # A tibble: 1 × 26
## described_…¹ n na mean sd se_mean IQR skewn…² kurto…³ p00 p01
## <chr> <int> <int> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 unidades 733 0 406. 1337. 49.4 270 8.38 85.8 1 1
## # … with 15 more variables: p05 <dbl>, p10 <dbl>, p20 <dbl>, p25 <dbl>,
## # p30 <dbl>, p40 <dbl>, p50 <dbl>, p60 <dbl>, p70 <dbl>, p75 <dbl>,
## # p80 <dbl>, p90 <dbl>, p95 <dbl>, p99 <dbl>, p100 <dbl>, and abbreviated
## # variable names ¹described_variables, ²skewness, ³kurtosisBar plots
library(dplyr)
str(del_plan)## tibble [733 × 3] (S3: tbl_df/tbl/data.frame)
## $ cliente_planta: chr [1:733] "STB3" "STB3" "STB3" "STB3" ...
## $ mes : chr [1:733] "jul_21" "ago_21" "oct_21" "dic_21" ...
## $ unidades : int [1:733] 140 530 200 150 230 500 184 125 55 55 ...del_plan$cliente_planta<-as.factor(del_plan$cliente_planta)
del_plan$unidades<-as.numeric(del_plan$unidades)
del_plan2<-aggregate(unidades~cliente_planta, data = del_plan,sum)%>% arrange(desc(unidades))
del_plan3<-filter(del_plan2, unidades>4000)
ggplot(del_plan3, aes(x=reorder(cliente_planta,unidades), y=unidades)) +
geom_bar(stat="identity")+
coord_flip()
### Dispersion
del_plan2$unidades<-as.numeric(del_plan2$unidades)
ggplot(del_plan, aes(x=cliente_planta, y=unidades, fill=cliente_planta)) +
geom_boxplot() 
boxplot(del_plan3$cliente_planta,del_plan3$unidades)
class(del_plan2$unidades)## [1] "numeric"Time series plot
del_plan4<-aggregate(unidades~cliente_planta+mes, data = del_plan,sum)%>% arrange(desc(unidades))
del_plan5<-filter(del_plan4, cliente_planta=="HELLA" & cliente_planta=="TRMX" & cliente_planta=="VARROC" & cliente_planta=="DENSO")
ggplot(del_plan,aes(x=mes, y=unidades,color=cliente_planta))+
geom_line()+
labs(x="Fecha",y="Delay in Minutes", color="Legend")+
ggtitle("Delays in Performance by Client")
Analisis exploratorio
Bar Plot: Las funciones utilizadas para la realizacion de este bar plot fueron: as.factor y as.numeric de esta forma volviendo los datos cualitativos a cuantitativos lo cual los hace mas manejables. El resultado de la grafica mostro a los clientes con mayor numero de unidades en orden descendiente.
Box Plot: Se utilizo la funcion as.numeric. Un hallazgo importante obtenido fue que “Hella” es el cliente con mayor cantidad de unidades y cuenta con algunos outliers por encima de la media, seguido por TRMX el cual no cuenta con outliers.
Time Series Plot: Para la realizacion de esta grafica fue nnecesario introducir la variable de tiempo mes. Un hallazgo importante fue que en la segunda mitad del año se nota un incremento considerable y un decremento justo a finalizar el segundo semestre
Delivery Performance
#file.choose()
bd<-read.csv ("/Users/andreapaolasosa/Desktop/DELIVERYPERORMANCE 2.csv")
bdclientes<-read.csv ("/Users/andreapaolasosa/Desktop/DeliveryPerformancefinal1.csv")Instalar Librerias
library (tidyverse)
library (janitor)
library (dplyr)
#install.packages ("ggplot2")
library (ggplot2)
library (Hmisc)Analizar base de datos
summary (bd)## 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. :71.25str (bd)## 'data.frame': 52 obs. of 3 variables:
## $ fecha : chr "31/07/21" "31/07/21" "31/07/21" "31/07/21" ...
## $ cliente: chr "PRINTEL " "MAHLE" "MAGNA" "VARROC" ...
## $ dif : num 4.9 15.7 0 0 27.7 ...names(bd)<-c('FECHA', 'CLIENTE', 'DIFERENCIA' )Tipos de variables
Variable<-c("FECHA","CLIENTE","DIFERENCIA")
Type<-c("qualitative (ordinal)", "qualitative(nominal)", "quantitative (continuous)")
table<-data.frame(Variable,Type)
knitr::kable(table)| Variable | Type |
|---|---|
| FECHA | qualitative (ordinal) |
| CLIENTE | qualitative(nominal) |
| DIFERENCIA | quantitative (continuous) |
Limpieza de base de datos
Eliminar NA’s y sustituir con 0’s
sum(is.na(bd))## [1] 0bd[is.na(bd)]<-0
bd1<-bd
bd1<-as.data.frame(bd1)
bd1$FECHA<-as.Date(bd1$FECHA,format="%d/%m/%Y")
bd1$CLIENTE<-as.factor(bd1$CLIENTE)
tabyl(bd1, FECHA, CLIENTE)## FECHA MAGNA MAHLE PRINTEL VARROC
## 0021-07-31 1 1 1 1
## 0021-08-31 1 1 1 1
## 0021-09-30 1 1 1 1
## 0021-10-31 1 1 1 1
## 0021-11-30 1 1 1 1
## 0021-12-31 1 1 1 1
## 0022-01-31 1 1 1 1
## 0022-02-28 1 1 1 1
## 0022-03-31 1 1 1 1
## 0022-04-30 1 1 1 1
## 0022-05-31 1 1 1 1
## 0022-06-30 1 1 1 1
## 0022-07-31 1 1 1 1tabyl(bd1, FECHA, DIFERENCIA)## FECHA 0 1.6 10.92 15.7 18.41 27.7 28.77 31.21 33.24 4.9 41.65 46.27 50.65
## 0021-07-31 2 0 0 1 0 0 0 0 0 1 0 0 0
## 0021-08-31 2 0 0 0 0 1 0 0 0 0 0 0 0
## 0021-09-30 2 0 0 0 0 0 0 0 0 0 0 0 0
## 0021-10-31 3 0 0 0 0 0 0 0 0 0 0 0 0
## 0021-11-30 2 0 1 0 0 0 0 0 0 0 0 0 0
## 0021-12-31 2 0 0 0 1 0 0 0 0 0 0 1 0
## 0022-01-31 2 0 0 0 0 0 1 0 0 0 0 0 0
## 0022-02-28 2 0 0 0 0 0 0 1 0 0 0 0 0
## 0022-03-31 3 0 0 0 0 0 0 0 0 0 0 0 0
## 0022-04-30 3 0 0 0 0 0 0 0 0 0 0 0 1
## 0022-05-31 3 0 0 0 0 0 0 0 0 0 0 0 0
## 0022-06-30 3 0 0 0 0 0 0 0 0 0 1 0 0
## 0022-07-31 2 1 0 0 0 0 0 0 1 0 0 0 0
## 56.82 60.1 62.63 63.68 66.44 67.31 67.98 71.25 8.6
## 0 0 0 0 0 0 0 0 0
## 0 0 0 0 0 1 0 0 0
## 1 0 0 0 0 0 0 0 1
## 0 0 0 0 0 0 1 0 0
## 0 1 0 0 0 0 0 0 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 0 1 0
## 0 0 0 1 0 0 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 0 0 0 0 0
## 0 0 0 0 0 0 0 0 0tibble(bd1)## # A tibble: 52 × 3
## FECHA CLIENTE DIFERENCIA
## <date> <fct> <dbl>
## 1 0021-07-31 "PRINTEL " 4.9
## 2 0021-07-31 "MAHLE" 15.7
## 3 0021-07-31 "MAGNA" 0
## 4 0021-07-31 "VARROC" 0
## 5 0021-08-31 "PRINTEL " 27.7
## 6 0021-08-31 "MAHLE" 67.3
## 7 0021-08-31 "MAGNA" 0
## 8 0021-08-31 "VARROC" 0
## 9 0021-09-30 "PRINTEL " 8.6
## 10 0021-09-30 "MAHLE" 56.8
## # … with 42 more rowsLimpieza bdclientes2
bdclientes2<-bdclientes
bdclientes2<-as.data.frame(bdclientes2)
bdclientes2$FECHA<-as.Date(bdclientes2$FECHA,format="%m/%d/%Y")
bdclientes2$PRINTEL<-as.factor(bdclientes2$PRINTEL)
tabyl(bdclientes2, FECHA, PRINTEL)## FECHA 0 1.6 4.9 8.6 10.92 18.41 27.7 28.77 31.21
## 2021-01-07 0 0 1 0 0 0 0 0 0
## 2021-01-08 0 0 0 0 0 0 1 0 0
## 2021-01-09 0 0 0 1 0 0 0 0 0
## 2021-01-10 1 0 0 0 0 0 0 0 0
## 2021-01-11 0 0 0 0 1 0 0 0 0
## 2021-01-12 0 0 0 0 0 1 0 0 0
## 2022-01-01 0 0 0 0 0 0 0 1 0
## 2022-01-02 0 0 0 0 0 0 0 0 1
## 2022-01-03 1 0 0 0 0 0 0 0 0
## 2022-01-04 1 0 0 0 0 0 0 0 0
## 2022-01-05 1 0 0 0 0 0 0 0 0
## 2022-01-06 1 0 0 0 0 0 0 0 0
## 2022-01-07 0 1 0 0 0 0 0 0 0tabyl(bdclientes2, FECHA, MAHLE)## FECHA 15.7 33.24 41.65 46.27 50.65 56.82 60.1 62.63 63.68 66.44 67.31
## 2021-01-07 1 0 0 0 0 0 0 0 0 0 0
## 2021-01-08 0 0 0 0 0 0 0 0 0 0 1
## 2021-01-09 0 0 0 0 0 1 0 0 0 0 0
## 2021-01-10 0 0 0 0 0 0 0 0 0 0 0
## 2021-01-11 0 0 0 0 0 0 1 0 0 0 0
## 2021-01-12 0 0 0 1 0 0 0 0 0 0 0
## 2022-01-01 0 0 0 0 0 0 0 0 0 1 0
## 2022-01-02 0 0 0 0 0 0 0 0 0 0 0
## 2022-01-03 0 0 0 0 0 0 0 0 1 0 0
## 2022-01-04 0 0 0 0 1 0 0 0 0 0 0
## 2022-01-05 0 0 0 0 0 0 0 1 0 0 0
## 2022-01-06 0 0 1 0 0 0 0 0 0 0 0
## 2022-01-07 0 1 0 0 0 0 0 0 0 0 0
## 67.98 71.25
## 0 0
## 0 0
## 0 0
## 1 0
## 0 0
## 0 0
## 0 0
## 0 1
## 0 0
## 0 0
## 0 0
## 0 0
## 0 0tibble(bdclientes2)## # A tibble: 13 × 5
## FECHA PRINTEL MAHLE MAGNA VARROC
## <date> <fct> <dbl> <int> <int>
## 1 2021-01-07 4.9 15.7 0 0
## 2 2021-01-08 27.7 67.3 0 0
## 3 2021-01-09 8.6 56.8 0 0
## 4 2021-01-10 0 68.0 0 0
## 5 2021-01-11 10.92 60.1 0 0
## 6 2021-01-12 18.41 46.3 0 0
## 7 2022-01-01 28.77 66.4 0 0
## 8 2022-01-02 31.21 71.2 0 0
## 9 2022-01-03 0 63.7 0 0
## 10 2022-01-04 0 50.6 0 0
## 11 2022-01-05 0 62.6 0 0
## 12 2022-01-06 0 41.6 0 0
## 13 2022-01-07 1.6 33.2 0 0Tecnicas de Limpieza 1. Eliminar NA’s y sustituir con 0s: Se reemplazaron los NA’s con 0s para poder facilitar el analisis y obtener resultados mas precisos.
2.Se cambio el formato de la fecha a mes/dia/año
Analisis Profundo de la Base de datos
media_bd <- mean(bd$DIFERENCIA)
media_bd## [1] 16.07365median_bd <- median(bd$DIFERENCIA)
median_bd## [1] 0mode_bd <- mode(bd$DIFERENCIA)
mode_bd## [1] "numeric"hist(bd1$DIFERENCIA) 
Analisis Profundo de la Base de datos BDCLIENTES
media_bdclientes <- mean(bdclientes$PRINTEL)
media_bdclientes## [1] 10.16231median_bdclientes <- median(bdclientes$PRINTEL)
median_bdclientes## [1] 4.9mode_bdclientes <- mode(bdclientes$PRINTEL)
mode_bdclientes## [1] "numeric"media_bdclientes <- mean(bdclientes$MAHLE)
media_bdclientes## [1] 54.13231median_bdclientes <- median(bdclientes$MAHLE)
median_bdclientes## [1] 60.1mode_bdclientes <- mode(bdclientes$MAHLE)
mode_bdclientes## [1] "numeric"bdclientes3 <-bdclientes
bdclientes3 <- subset (bdclientes3, select = -c (MAGNA,VARROC))
hist(bdclientes3$PRINTEL)
hist(bdclientes3$MAHLE)
Graficas
Clientes con los Retrasos mas Altos
ggplot(bd,aes(x=FECHA, y=DIFERENCIA,fill=CLIENTE))+
geom_bar(stat="identity")+
geom_hline(yintercept=33,linetype="dashed",color="black")+
labs(x="Fecha",y="Retraso en Minutos", color="Legend")+
ggtitle("Retraso en Desempeño de los Clientes")
Analisis Exploratorio Utilizando la moda, media y
promedio se pudo realizar un analisis con los clientes Printel y Mahle.
En el histograma representando Printel se puede observar que en la clase
de 0 a 5 se encuentra que se tuvo mayor frecuencia, siendo la clase que
más se repite, esto quiere decir que… De los 12 meses, en 7 se tuvo una
diferencia de tiempo de entre 0 y 5 minutos, siendo esta baja pero con
un sesgo a la izquierda. En cuanto a Mahle este histograma tiene un
sesgo hacia la derecha, se tiene una tendencia a tener un mayor retraso
en la clase de 60 a 70 minutos aproximadamente con este cliente, esto en
un aproximado de 6 meses de los 12 tomados en cuenta.
En la ultima grafica la cual representa el retraso en desempeño, se puede observar que Mahle es el cliente que representa un mayor retraso mientras que Printel se mantiene con los tiempos mas bajos, en este caso siempre debajo de los 30 minutos.
Produccion
Limpieza de Datos
Importar la base de datos producción de la empresa FORM
producciontotal <- read.csv ("/Users/andreapaolasosa/Library/CloudStorage/OneDrive-InstitutoTecnologicoydeEstudiosSuperioresdeMonterrey/BD Producción csv.csv")Entender la base de datos
str(producciontotal)## 'data.frame': 5410 obs. of 17 variables:
## $ Fecha : chr "15/07/22" "15/07/22" "15/07/22" "15/07/22" ...
## $ No. : chr "1" "2" "3" "4" ...
## $ CLIENTE : chr "STABILUS 1" "STABILUS 1" "STABILUS 1" "STABILUS 1" ...
## $ ID.FORM : chr "" "N.A." "CORTE." "ST-026-13892" ...
## $ PRODUCTO : chr "STABOMAT 643920. CAJA IMP. CORTE. AZUL.PC0011. ( 2 Pza/Caja)." "KR55006. CAJA IMP. AZUL. CORTE. ( 1 pieza)." "241B KIT. EXPORT. INSERTO CON INSERTO. CORTE para Troquel." "MOPAR GDE. 754549. CAJA IMP. NEGRA. PC0022. ( PC0043: solo si autoriza Calidad). ( 1 Pieza). CORTE." ...
## $ PIEZAS.PROG. : chr "200" "100" "216" "100" ...
## $ TMO..MIN. : chr "20" "15" "20" "10" ...
## $ HR..FIN : chr "9:20" "9:35" "9:55" "10:05" ...
## $ ESTACION.ARRANQUE : chr "C1" "C1" "C1" "C1" ...
## $ Laminas.procesadas : chr "402" "134" "110" "100" ...
## $ INICIO.SEP.UP : chr "9:05" "10:05" "9:40" "11.2" ...
## $ FIN.INICIO.DE.SEP.UP: chr "9.1" "10:16" "9:43" "11:26" ...
## $ INICIO.de.PROCESO : chr "9:12" "10.17" "9:45" "11:30" ...
## $ FIN.de.PROCESO : chr "10:04" "11:05" "9.57" "11:49" ...
## $ TIEMPO.CALIDAD : chr "1" "1" "1" "1" ...
## $ TIEMPO.MATERIALES : int NA NA NA 7 NA NA NA NA NA NA ...
## $ MERMAS.Maquinas. : chr "" "" "" "" ...Eliminar columnas irrelevantes para el análisis
producciontotal <- subset (producciontotal,select = -c(No. , ID.FORM , PRODUCTO, HR..FIN , ESTACION.ARRANQUE , INICIO.SEP.UP ,FIN.INICIO.DE.SEP.UP , INICIO.de.PROCESO , TIEMPO.MATERIALES , MERMAS.Maquinas. ))
summary (producciontotal)## Fecha CLIENTE PIEZAS.PROG. TMO..MIN.
## Length:5410 Length:5410 Length:5410 Length:5410
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
## Laminas.procesadas FIN.de.PROCESO TIEMPO.CALIDAD
## Length:5410 Length:5410 Length:5410
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :characterInstalar librerias necesarias
# install.packages("tibble")
library(tibble)Cambiar a entero las variables cuantitativas
producciontotal$PIEZAS.PROG. <- substr(producciontotal$PIEZAS.PROG., start = 1, stop = 2)
tibble (producciontotal)## # A tibble: 5,410 × 7
## Fecha CLIENTE PIEZAS.PROG. TMO..MIN. Laminas.procesadas FIN.d…¹ TIEMP…²
## <chr> <chr> <chr> <chr> <chr> <chr> <chr>
## 1 15/07/22 STABILUS 1 20 20 402 10:04 1
## 2 15/07/22 STABILUS 1 10 15 134 11:05 1
## 3 15/07/22 STABILUS 1 21 20 110 9.57 1
## 4 15/07/22 STABILUS 1 10 10 100 11:49 1
## 5 15/07/22 YANFENG 20 10 51 12:31 1
## 6 15/07/22 TRMX 20 20 402 2:00 1
## 7 15/07/22 STABILUS 1 10 10 22 2.44 1
## 8 15/07/22 YANFENG 12 10 13 3:00 1
## 9 15/07/22 YANFENG 32 10 33 2:12 1
## 10 15/07/22 YANFENG 50 60 501/501 10:59 2
## # … with 5,400 more rows, and abbreviated variable names ¹FIN.de.PROCESO,
## # ²TIEMPO.CALIDADproducciontotal$PIEZAS.PROG. <- as.integer(producciontotal$PIEZAS.PROG.)
str(producciontotal) ## 'data.frame': 5410 obs. of 7 variables:
## $ Fecha : chr "15/07/22" "15/07/22" "15/07/22" "15/07/22" ...
## $ CLIENTE : chr "STABILUS 1" "STABILUS 1" "STABILUS 1" "STABILUS 1" ...
## $ PIEZAS.PROG. : int 20 10 21 10 20 20 10 12 32 50 ...
## $ TMO..MIN. : chr "20" "15" "20" "10" ...
## $ Laminas.procesadas: chr "402" "134" "110" "100" ...
## $ FIN.de.PROCESO : chr "10:04" "11:05" "9.57" "11:49" ...
## $ TIEMPO.CALIDAD : chr "1" "1" "1" "1" ...producciontotal$TMO..MIN. <- substr(producciontotal$TMO..MIN., start = 1, stop = 2)
tibble (producciontotal)## # A tibble: 5,410 × 7
## Fecha CLIENTE PIEZAS.PROG. TMO..MIN. Laminas.procesadas FIN.d…¹ TIEMP…²
## <chr> <chr> <int> <chr> <chr> <chr> <chr>
## 1 15/07/22 STABILUS 1 20 20 402 10:04 1
## 2 15/07/22 STABILUS 1 10 15 134 11:05 1
## 3 15/07/22 STABILUS 1 21 20 110 9.57 1
## 4 15/07/22 STABILUS 1 10 10 100 11:49 1
## 5 15/07/22 YANFENG 20 10 51 12:31 1
## 6 15/07/22 TRMX 20 20 402 2:00 1
## 7 15/07/22 STABILUS 1 10 10 22 2.44 1
## 8 15/07/22 YANFENG 12 10 13 3:00 1
## 9 15/07/22 YANFENG 32 10 33 2:12 1
## 10 15/07/22 YANFENG 50 60 501/501 10:59 2
## # … with 5,400 more rows, and abbreviated variable names ¹FIN.de.PROCESO,
## # ²TIEMPO.CALIDADproducciontotal$TMO..MIN. <- as.integer(producciontotal$TMO..MIN.)
str(producciontotal) ## 'data.frame': 5410 obs. of 7 variables:
## $ Fecha : chr "15/07/22" "15/07/22" "15/07/22" "15/07/22" ...
## $ CLIENTE : chr "STABILUS 1" "STABILUS 1" "STABILUS 1" "STABILUS 1" ...
## $ PIEZAS.PROG. : int 20 10 21 10 20 20 10 12 32 50 ...
## $ TMO..MIN. : int 20 15 20 10 10 20 10 10 10 60 ...
## $ Laminas.procesadas: chr "402" "134" "110" "100" ...
## $ FIN.de.PROCESO : chr "10:04" "11:05" "9.57" "11:49" ...
## $ TIEMPO.CALIDAD : chr "1" "1" "1" "1" ...producciontotal$Laminas.procesadas <- substr(producciontotal$Laminas.procesadas, start = 1, stop = 2)
tibble (producciontotal)## # A tibble: 5,410 × 7
## Fecha CLIENTE PIEZAS.PROG. TMO..MIN. Laminas.procesadas FIN.d…¹ TIEMP…²
## <chr> <chr> <int> <int> <chr> <chr> <chr>
## 1 15/07/22 STABILUS 1 20 20 40 10:04 1
## 2 15/07/22 STABILUS 1 10 15 13 11:05 1
## 3 15/07/22 STABILUS 1 21 20 11 9.57 1
## 4 15/07/22 STABILUS 1 10 10 10 11:49 1
## 5 15/07/22 YANFENG 20 10 51 12:31 1
## 6 15/07/22 TRMX 20 20 40 2:00 1
## 7 15/07/22 STABILUS 1 10 10 22 2.44 1
## 8 15/07/22 YANFENG 12 10 13 3:00 1
## 9 15/07/22 YANFENG 32 10 33 2:12 1
## 10 15/07/22 YANFENG 50 60 50 10:59 2
## # … with 5,400 more rows, and abbreviated variable names ¹FIN.de.PROCESO,
## # ²TIEMPO.CALIDADproducciontotal$Laminas.procesadas <- as.integer(producciontotal$Laminas.procesadas)
str(producciontotal) ## 'data.frame': 5410 obs. of 7 variables:
## $ Fecha : chr "15/07/22" "15/07/22" "15/07/22" "15/07/22" ...
## $ CLIENTE : chr "STABILUS 1" "STABILUS 1" "STABILUS 1" "STABILUS 1" ...
## $ PIEZAS.PROG. : int 20 10 21 10 20 20 10 12 32 50 ...
## $ TMO..MIN. : int 20 15 20 10 10 20 10 10 10 60 ...
## $ Laminas.procesadas: int 40 13 11 10 51 40 22 13 33 50 ...
## $ FIN.de.PROCESO : chr "10:04" "11:05" "9.57" "11:49" ...
## $ TIEMPO.CALIDAD : chr "1" "1" "1" "1" ...producciontotal$TIEMPO.CALIDAD <- substr(producciontotal$TIEMPO.CALIDAD, start = 1, stop = 2)
tibble (producciontotal)## # A tibble: 5,410 × 7
## Fecha CLIENTE PIEZAS.PROG. TMO..MIN. Laminas.procesadas FIN.d…¹ TIEMP…²
## <chr> <chr> <int> <int> <int> <chr> <chr>
## 1 15/07/22 STABILUS 1 20 20 40 10:04 1
## 2 15/07/22 STABILUS 1 10 15 13 11:05 1
## 3 15/07/22 STABILUS 1 21 20 11 9.57 1
## 4 15/07/22 STABILUS 1 10 10 10 11:49 1
## 5 15/07/22 YANFENG 20 10 51 12:31 1
## 6 15/07/22 TRMX 20 20 40 2:00 1
## 7 15/07/22 STABILUS 1 10 10 22 2.44 1
## 8 15/07/22 YANFENG 12 10 13 3:00 1
## 9 15/07/22 YANFENG 32 10 33 2:12 1
## 10 15/07/22 YANFENG 50 60 50 10:59 2
## # … with 5,400 more rows, and abbreviated variable names ¹FIN.de.PROCESO,
## # ²TIEMPO.CALIDADproducciontotal$TIEMPO.CALIDAD <- as.integer(producciontotal$TIEMPO.CALIDAD)
str(producciontotal) ## 'data.frame': 5410 obs. of 7 variables:
## $ Fecha : chr "15/07/22" "15/07/22" "15/07/22" "15/07/22" ...
## $ CLIENTE : chr "STABILUS 1" "STABILUS 1" "STABILUS 1" "STABILUS 1" ...
## $ PIEZAS.PROG. : int 20 10 21 10 20 20 10 12 32 50 ...
## $ TMO..MIN. : int 20 15 20 10 10 20 10 10 10 60 ...
## $ Laminas.procesadas: int 40 13 11 10 51 40 22 13 33 50 ...
## $ FIN.de.PROCESO : chr "10:04" "11:05" "9.57" "11:49" ...
## $ TIEMPO.CALIDAD : int 1 1 1 1 1 1 1 1 1 2 ...Convertir formato de la fecha
producciontotal$Fecha <- as.Date(producciontotal$Fecha, format = "%d/%m/%Y")
tibble(producciontotal)## # A tibble: 5,410 × 7
## Fecha CLIENTE PIEZAS.PROG. TMO..MIN. Laminas.proces…¹ FIN.d…² TIEMP…³
## <date> <chr> <int> <int> <int> <chr> <int>
## 1 0022-07-15 STABILUS 1 20 20 40 10:04 1
## 2 0022-07-15 STABILUS 1 10 15 13 11:05 1
## 3 0022-07-15 STABILUS 1 21 20 11 9.57 1
## 4 0022-07-15 STABILUS 1 10 10 10 11:49 1
## 5 0022-07-15 YANFENG 20 10 51 12:31 1
## 6 0022-07-15 TRMX 20 20 40 2:00 1
## 7 0022-07-15 STABILUS 1 10 10 22 2.44 1
## 8 0022-07-15 YANFENG 12 10 13 3:00 1
## 9 0022-07-15 YANFENG 32 10 33 2:12 1
## 10 0022-07-15 YANFENG 50 60 50 10:59 2
## # … with 5,400 more rows, and abbreviated variable names ¹Laminas.procesadas,
## # ²FIN.de.PROCESO, ³TIEMPO.CALIDADConvertir variable “Cliente” para análisis descriptivo
producciontotal$CLIENTE<-as.factor(producciontotal$CLIENTE)
str(producciontotal)## 'data.frame': 5410 obs. of 7 variables:
## $ Fecha : Date, format: "0022-07-15" "0022-07-15" ...
## $ CLIENTE : Factor w/ 12 levels "","DENSO","HANON SYSTEMS",..: 6 6 6 6 12 8 6 12 12 12 ...
## $ PIEZAS.PROG. : int 20 10 21 10 20 20 10 12 32 50 ...
## $ TMO..MIN. : int 20 15 20 10 10 20 10 10 10 60 ...
## $ Laminas.procesadas: int 40 13 11 10 51 40 22 13 33 50 ...
## $ FIN.de.PROCESO : chr "10:04" "11:05" "9.57" "11:49" ...
## $ TIEMPO.CALIDAD : int 1 1 1 1 1 1 1 1 1 2 ...Identificar valores faltantes
sum(is.na(producciontotal))## [1] 4283¿Cuántos NA tengo por variable?
sapply(producciontotal, function(x) sum (is.na(x)))## Fecha CLIENTE PIEZAS.PROG. TMO..MIN.
## 0 1 117 1528
## Laminas.procesadas FIN.de.PROCESO TIEMPO.CALIDAD
## 1227 0 1410Reemplazar los registros NA de la tabla con la mediana
Instalar paquetes y librerias necesarias
# install.packages("dplyr")
library(dplyr)producciontotal<-producciontotal %>% mutate(PIEZAS.PROG.=ifelse(is.na(PIEZAS.PROG.),median(PIEZAS.PROG.,na.rm=T),PIEZAS.PROG.))
producciontotal<-producciontotal %>% mutate(TMO..MIN.=ifelse(is.na(TMO..MIN.),median(TMO..MIN.,na.rm=T),TMO..MIN.))
producciontotal<-producciontotal %>% mutate(laminas_procesadas=ifelse(is.na(Laminas.procesadas),median(Laminas.procesadas,na.rm=T),Laminas.procesadas))
producciontotal<-producciontotal %>% mutate(TIEMPO.CALIDAD=ifelse(is.na(TIEMPO.CALIDAD),median(TIEMPO.CALIDAD,na.rm=T),TIEMPO.CALIDAD))Verificar la suma de NAs
sum(is.na(producciontotal))
sapply(producciontotal, function(x) sum (is.na(x)))Omitir los valores irrelevantes identificados
producciontotal <- na.omit(producciontotal)
summary(producciontotal) ## Fecha CLIENTE PIEZAS.PROG. TMO..MIN.
## Min. :0022-07-15 STABILUS 1:1354 Min. : 1.0 Min. : 0
## 1st Qu.:0022-08-03 TRMX : 704 1st Qu.:14.0 1st Qu.:15
## Median :0022-08-19 STABILUS 3: 642 Median :20.0 Median :20
## Mean :0022-08-19 YANFENG : 506 Mean :27.8 Mean :22
## 3rd Qu.:0022-09-05 DENSO : 414 3rd Qu.:40.0 3rd Qu.:25
## Max. :0022-09-21 VARROC : 315 Max. :99.0 Max. :90
## (Other) : 247
## Laminas.procesadas FIN.de.PROCESO TIEMPO.CALIDAD laminas_procesadas
## Min. : 0.00 Length:4182 Min. : 0.0000 Min. : 0.00
## 1st Qu.: 0.00 Class :character 1st Qu.: 1.0000 1st Qu.: 0.00
## Median :20.00 Mode :character Median : 1.0000 Median :20.00
## Mean :21.87 Mean : 0.9173 Mean :21.87
## 3rd Qu.:33.00 3rd Qu.: 1.0000 3rd Qu.:33.00
## Max. :98.00 Max. :25.0000 Max. :98.00
## sum(is.na(producciontotal))## [1] 0Tecnicas Utilizadas Las tecnicas de limpieza utilizadas fueron eliminar columnas irrelevantes para el análisis, cambiar a entero las variables cuantitativas,convertir formato de la fecha, convertir variable “Cliente” para análisis descriptivo, Reemplazar los registros NA de la tabla con la mediana , Verificar la suma de NAs, Omitir los valores irrelevantes identificados.
Exportar base de datos
write.csv(producciontotal,"producciontotal.csv", row.names=FALSE)En las tablas anteriores se puede observar como el cliente que más piezas programadas tiene, “YANFENG” se le dedica un tiempo de calidad de 1.1 minuto, siendo casi el tiempo mínimo de dedicación. Mientras que el cliente VL-017-1486 es el cliente el cual tiene casi la mitad de piezas programadas que YANFENG sin embargo al que más tiempo se le dedica. Por lo que se puede inferir que sus piezas pudieran ser de mucho márgen de error.
Prediccion de Desempeño de la industria automotriz
Modelo predictivo
Importar la base de datos y entenderla
externa <- read.csv("/Users/andreapaolasosa/Library/CloudStorage/OneDrive-InstitutoTecnologicoydeEstudiosSuperioresdeMonterrey/us_motor_production_and_domestic_sales.csv")
summary(externa)## 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
## NA's :8 NA's :8 NA's :8
## 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
## NA's :8 NA's :8 NA's :8
## 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
## NA's :8 NA's :8 NA's :8
## US_Min_Hour_Wage
## Min. :5.500
## 1st Qu.:7.250
## Median :7.250
## Mean :7.025
## 3rd Qu.:7.250
## Max. :7.250
## NA's :8Instalar librerias necesarias
library(jtools)
library(lmtest)
library(car)
library(olsrr) Realizar regresión 1
regresion <- lm(Production_Commercial_Vehicles ~ US_Unemployment + US_Consumer_Confidence + US_Min_Hour_Wage , data=externa)
summary(regresion)##
## Call:
## lm(formula = Production_Commercial_Vehicles ~ US_Unemployment +
## US_Consumer_Confidence + US_Min_Hour_Wage, data = externa)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1198.1 -257.4 109.0 286.7 623.0
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -2217.25 2387.79 -0.929 0.3750
## US_Unemployment -226.91 159.03 -1.427 0.1841
## US_Consumer_Confidence 82.82 28.06 2.952 0.0145 *
## US_Min_Hour_Wage 514.11 387.30 1.327 0.2139
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 525.3 on 10 degrees of freedom
## (8 observations deleted due to missingness)
## Multiple R-squared: 0.9082, Adjusted R-squared: 0.8807
## F-statistic: 32.99 on 3 and 10 DF, p-value: 1.692e-05Analizar el comportamiento de las variables independientes en la regresión
effect_plot(regresion,pred=US_Consumer_Confidence,interval=TRUE)
effect_plot(regresion,pred=US_Unemployment,interval=TRUE)
effect_plot(regresion,pred=US_Min_Hour_Wage,interval=TRUE)
Analisis Exploratorio Siendo la Producción de Autos
Comerciales la variable dependiente, se puede ver como el salario, la
confianza del consumidor y el desempleo generan cambios en ella. Es
decir, se observa que la que mayor impacto tiene es la confianza del
consumidor debido a que valor p esta abajo del 10%, e incluso se observa
su comportamiento en la gráfica como si la producción sube, la confianza
del consumidor igual aumenta.
Realizar regresión 2
regresion2 <- lm(Production_Passenger_Cars ~ US_Unemployment + US_Consumer_Confidence + US_Min_Hour_Wage , data=externa)
summary(regresion2)##
## Call:
## lm(formula = Production_Passenger_Cars ~ US_Unemployment + US_Consumer_Confidence +
## US_Min_Hour_Wage, data = externa)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1096.8 -600.5 -162.9 763.0 1154.1
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 6399.886 4071.397 1.572 0.147
## US_Unemployment -194.101 271.160 -0.716 0.490
## US_Consumer_Confidence -22.272 47.840 -0.466 0.652
## US_Min_Hour_Wage 1.058 660.387 0.002 0.999
##
## Residual standard error: 895.7 on 10 degrees of freedom
## (8 observations deleted due to missingness)
## Multiple R-squared: 0.09057, Adjusted R-squared: -0.1823
## F-statistic: 0.3319 on 3 and 10 DF, p-value: 0.8026Analizar el comportamiento de las variables independientes en la regresión
effect_plot(regresion2,pred=US_Consumer_Confidence,interval=TRUE)
effect_plot(regresion2,pred=US_Unemployment,interval=TRUE)
effect_plot(regresion2,pred=US_Min_Hour_Wage,interval=TRUE)
Analisis Exploratorio A diferencia de la primera
variable dependiente, se observa como la producción de autos de pasajero
tiene coeficientes negativos en las variables independientes del
desempleo y confianza del consumidor por lo tanto su comportamiento en
las gráficas a pesar de que exista una producción alta su tendencia va
para abajo.
Merma
Importar base de datos
bd <-read.csv ("/Users/andreapaolasosa/Library/CloudStorage/OneDrive-InstitutoTecnologicoydeEstudiosSuperioresdeMonterrey/FORM - Merma limpia2.csv")Analizar base de datos.
summary(bd)## Fecha ENERO KilosEnero Fecha1
## Length:10 Length:10 Min. :2680 Length:10
## Class :character Class :character 1st Qu.:2912 Class :character
## Mode :character Mode :character Median :3400 Mode :character
## Mean :3640
## 3rd Qu.:4128
## Max. :5080
## NA's :6
## FEBRERO KilosFebrero Fecha2 MARZO
## Length:10 Min. :3410 Length:10 Length:10
## Class :character 1st Qu.:3605 Class :character Class :character
## Mode :character Median :3760 Mode :character Mode :character
## Mean :3805
## 3rd Qu.:3915
## Max. :4380
## NA's :4
## KilosMarzo Fecha3 ABRIL KilosAbril
## Min. :2980 Length:10 Length:10 Min. :2950
## 1st Qu.:3420 Class :character Class :character 1st Qu.:3690
## Median :3905 Mode :character Mode :character Median :3940
## Mean :3745 Mean :3764
## 3rd Qu.:4142 3rd Qu.:4050
## Max. :4200 Max. :4190
## NA's :4 NA's :5
## Fecha4 MAYO KilosMayo Fecha5
## Length:10 Length:10 Min. :3680 Length:10
## Class :character Class :character 1st Qu.:4310 Class :character
## Mode :character Mode :character Median :4510 Mode :character
## Mean :4682
## 3rd Qu.:4770
## Max. :6140
## NA's :5
## JUNIO KilosJunio Fecha6 JULIO
## Length:10 Min. :4260 Length:10 Length:10
## Class :character 1st Qu.:4312 Class :character Class :character
## Mode :character Median :4505 Mode :character Mode :character
## Mean :4570
## 3rd Qu.:4762
## Max. :5010
## NA's :6
## KilosJulio Fecha7 AGOSTO KilosAgosto
## Min. :2130 Length:10 Length:10 Min. :1040
## 1st Qu.:3920 Class :character Class :character 1st Qu.:3140
## Median :3960 Mode :character Mode :character Median :3780
## Mean :3874 Mean :3567
## 3rd Qu.:4130 3rd Qu.:4210
## Max. :5230 Max. :5080
## NA's :5 NA's :1
## Fecha8 SEPTIEMBRE KilosSeptiembre
## Length:10 Length:10 Min. :2830
## Class :character Class :character 1st Qu.:2995
## Mode :character Mode :character Median :3394
## Mean :3396
## 3rd Qu.:3796
## Max. :3967
## NA's :6str(bd)## 'data.frame': 10 obs. of 27 variables:
## $ Fecha : chr "11/01/22" "11/01/22" "22/01/22" "22/01/22" ...
## $ ENERO : chr "Enero" "Enero" "Enero" "Enero" ...
## $ KilosEnero : int 5080 3810 2990 2680 NA NA NA NA NA NA
## $ Fecha1 : chr "18/02/22" "18/02/22" "18/02/22" "18/02/22" ...
## $ FEBRERO : chr "Febrero" "Febrero" "Febrero" "Febrero" ...
## $ KilosFebrero : int 3650 4380 3870 3590 3410 3930 NA NA NA NA
## $ Fecha2 : chr "03/03/22" "08/03/22" "11/03/22" "16/03/22" ...
## $ MARZO : chr "Marzo" "Marzo" "Marzo" "Marzo" ...
## $ KilosMarzo : int 4000 4190 2980 3290 4200 3810 NA NA NA NA
## $ Fecha3 : chr "04/04/22" "11/04/22" "14/04/22" "21/04/22" ...
## $ ABRIL : chr "Abril" "Abril" "Abril" "Abril" ...
## $ KilosAbril : int 3940 4190 2950 3690 4050 NA NA NA NA NA
## $ Fecha4 : chr "02/05/22" "09/05/22" "14/05/22" "24/05/22" ...
## $ MAYO : chr "Mayo" "Mayo" "Mayo" "Mayo" ...
## $ KilosMayo : int 4310 4770 3680 6140 4510 NA NA NA NA NA
## $ Fecha5 : chr "07/06/22" "15/06/22" "20/06/22" "27/06/22" ...
## $ JUNIO : chr "Junio" "Junio" "Junio" "Junio" ...
## $ KilosJunio : int 4680 4330 5010 4260 NA NA NA NA NA NA
## $ Fecha6 : chr "04/07/22" "11/07/22" "16/07/22" "21/07/22" ...
## $ JULIO : chr "Julio" "Julio" "Julio" "Julio" ...
## $ KilosJulio : int 5230 2130 4130 3920 3960 NA NA NA NA NA
## $ Fecha7 : chr "08/08/22" "10/08/22" "11/08/22" "13/08/22" ...
## $ AGOSTO : chr "Agosto" "Agosto" "Agosto" "Agosto" ...
## $ KilosAgosto : int 3140 4210 3140 3780 4240 4200 5080 1040 3270 NA
## $ Fecha8 : chr "05/09/22" "07/09/22" "15/09/22" "21/09/22" ...
## $ SEPTIEMBRE : chr "Septiembre" "Septiembre" "Septiembre" "Septiembre" ...
## $ KilosSeptiembre: int 3050 2830 3967 3739 NA NA NA NA NA NAdescribe(bd)## # A tibble: 9 × 26
## described_…¹ n na mean sd se_mean IQR skewn…² kurto…³ p00 p01
## <chr> <int> <int> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 KilosEnero 4 6 3640 1072. 536. 1215 0.992 -0.0431 2680 2689.
## 2 KilosFebrero 6 4 3805 340. 139. 310 0.896 0.938 3410 3419
## 3 KilosMarzo 6 4 3745 503. 205. 722. -0.806 -1.10 2980 2996.
## 4 KilosAbril 5 5 3764 490. 219. 360 -1.53 2.36 2950 2980.
## 5 KilosMayo 5 5 4682 909. 407. 460 1.13 2.15 3680 3705.
## 6 KilosJunio 4 6 4570 346. 173. 450 0.690 -1.85 4260 4262.
## 7 KilosJulio 5 5 3874 1113. 498. 210 -0.844 2.29 2130 2202.
## 8 KilosAgosto 9 1 3567. 1142. 381. 1070 -1.29 2.76 1040 1208
## 9 KilosSeptie… 4 6 3396. 543. 271. 801 0.0102 -4.39 2830 2837.
## # … with 15 more variables: p05 <dbl>, p10 <dbl>, p20 <dbl>, p25 <dbl>,
## # p30 <dbl>, p40 <dbl>, p50 <dbl>, p60 <dbl>, p70 <dbl>, p75 <dbl>,
## # p80 <dbl>, p90 <dbl>, p95 <dbl>, p99 <dbl>, p100 <dbl>, and abbreviated
## # variable names ¹described_variables, ²skewness, ³kurtosisInstalar librerias
# install.packages("tidyverse")
#library(tidyverse)
# install.packages("janitor")
#library(janitor)
#library(dplyr)
#library(ggplot2)Tipos de Variables
Variable<-c("Fecha","ENERO","KilosEnero","Fecha1","FEBRERO","KilosFebrero","Fecha2","MARZO","KilosMarzo","Fecha3","ABRIL","KilosAbril","Fecha4","MAYO","KilosMayo","Fecha5","JUNIO","KilosJunio","Fecha6","JULIO","KilosJulio","Fecha7","AGOSTO","KilosAgosto","Fecha8","SEPTIEMBRE","KilosSeptiembre")
Type<-c("qualitative (nominal)", "qualitative (ordinal)", "quantitative (discrete)","qualitative (nominal)","qualitative (ordinal)","quantitative (discrete)","qualitative (nominal)","qualitative (ordinal)","quantitative (discrete)","qualitative (nominal)","qualitative (ordinal)","quantitative (discrete)","qualitative (nominal)","qualitative (ordinal)","quantitative (discrete)","qualitative (nominal)","qualitative (ordinal)","quantitative (discrete)","qualitative (nominal)","qualitative (ordinal)","quantitative (discrete)","qualitative (nominal)","qualitative (ordinal)","quantitative (discrete)","qualitative (nominal)","qualitative (ordinal)","quantitative (discrete)")
table<-data.frame(Variable,Type)
knitr::kable(table)| Variable | Type |
|---|---|
| Fecha | qualitative (nominal) |
| ENERO | qualitative (ordinal) |
| KilosEnero | quantitative (discrete) |
| Fecha1 | qualitative (nominal) |
| FEBRERO | qualitative (ordinal) |
| KilosFebrero | quantitative (discrete) |
| Fecha2 | qualitative (nominal) |
| MARZO | qualitative (ordinal) |
| KilosMarzo | quantitative (discrete) |
| Fecha3 | qualitative (nominal) |
| ABRIL | qualitative (ordinal) |
| KilosAbril | quantitative (discrete) |
| Fecha4 | qualitative (nominal) |
| MAYO | qualitative (ordinal) |
| KilosMayo | quantitative (discrete) |
| Fecha5 | qualitative (nominal) |
| JUNIO | qualitative (ordinal) |
| KilosJunio | quantitative (discrete) |
| Fecha6 | qualitative (nominal) |
| JULIO | qualitative (ordinal) |
| KilosJulio | quantitative (discrete) |
| Fecha7 | qualitative (nominal) |
| AGOSTO | qualitative (ordinal) |
| KilosAgosto | quantitative (discrete) |
| Fecha8 | qualitative (nominal) |
| SEPTIEMBRE | qualitative (ordinal) |
| KilosSeptiembre | quantitative (discrete) |
Eliminar NA’s y sustituir con 0’s
sum(is.na(bd))## [1] 42bd[is.na(bd)]<-0Eliminar duplicados
bd[duplicated(bd), ]## [1] Fecha ENERO KilosEnero Fecha1
## [5] FEBRERO KilosFebrero Fecha2 MARZO
## [9] KilosMarzo Fecha3 ABRIL KilosAbril
## [13] Fecha4 MAYO KilosMayo Fecha5
## [17] JUNIO KilosJunio Fecha6 JULIO
## [21] KilosJulio Fecha7 AGOSTO KilosAgosto
## [25] Fecha8 SEPTIEMBRE KilosSeptiembre
## <0 rows> (or 0-length row.names)sum(duplicated(bd))## [1] 0Eliminar negativos con cero
bd1<-bd
bd1[bd1 <0] <-0
summary(bd1)## Fecha ENERO KilosEnero Fecha1
## Length:10 Length:10 Min. : 0 Length:10
## Class :character Class :character 1st Qu.: 0 Class :character
## Mode :character Mode :character Median : 0 Mode :character
## Mean :1456
## 3rd Qu.:2912
## Max. :5080
## FEBRERO KilosFebrero Fecha2 MARZO
## Length:10 Min. : 0 Length:10 Length:10
## Class :character 1st Qu.: 0 Class :character Class :character
## Mode :character Median :3500 Mode :character Mode :character
## Mean :2283
## 3rd Qu.:3815
## Max. :4380
## KilosMarzo Fecha3 ABRIL KilosAbril
## Min. : 0 Length:10 Length:10 Min. : 0
## 1st Qu.: 0 Class :character Class :character 1st Qu.: 0
## Median :3135 Mode :character Mode :character Median :1475
## Mean :2247 Mean :1882
## 3rd Qu.:3952 3rd Qu.:3878
## Max. :4200 Max. :4190
## Fecha4 MAYO KilosMayo Fecha5
## Length:10 Length:10 Min. : 0 Length:10
## Class :character Class :character 1st Qu.: 0 Class :character
## Mode :character Mode :character Median :1840 Mode :character
## Mean :2341
## 3rd Qu.:4460
## Max. :6140
## JUNIO KilosJunio Fecha6 JULIO
## Length:10 Min. : 0 Length:10 Length:10
## Class :character 1st Qu.: 0 Class :character Class :character
## Mode :character Median : 0 Mode :character Mode :character
## Mean :1828
## 3rd Qu.:4312
## Max. :5010
## KilosJulio Fecha7 AGOSTO KilosAgosto
## Min. : 0 Length:10 Length:10 Min. : 0
## 1st Qu.: 0 Class :character Class :character 1st Qu.:3140
## Median :1065 Mode :character Mode :character Median :3525
## Mean :1937 Mean :3210
## 3rd Qu.:3950 3rd Qu.:4208
## Max. :5230 Max. :5080
## Fecha8 SEPTIEMBRE KilosSeptiembre
## Length:10 Length:10 Min. : 0
## Class :character Class :character 1st Qu.: 0
## Mode :character Mode :character Median : 0
## Mean :1359
## 3rd Qu.:2995
## Max. :3967Analisis Profundo de la Base de datos
media_bd5 <- mean(bd$KilosMayo)
media_bd5## [1] 2341median_bd5 <- median(bd$KilosMayo)
median_bd5## [1] 1840mode_bd5 <- mode(bd$KilosMayo)
mode_bd5## [1] "numeric"media_bd8 <- mean(bd$KilosAgosto)
media_bd8## [1] 3210median_bd8 <- median(bd$KilosAgosto)
median_bd8## [1] 3525mode_bd8 <- mode(bd$KilosAgosto)
mode_bd8## [1] "numeric"Grafica Frecuencia (Fecha)
bd$Fecha7<- as.Date(bd$Fecha7,format = "%d/%m/%Y")
plot(bd$Fecha7, bd$KilosAgosto)
Eliminar columnas
bd2 <-bd
bd2 <- subset (bd2, select = -c (Fecha))Grafica de Mayo & Agosto (Mayor cantidad de merma y registros)
ggplot(bd, aes(x= Fecha4, y= KilosMayo)) + geom_bar(stat="identity", fill="blue") + scale_fill_grey() + labs(title = "Kilos de merma Agosto", x = "Fecha")
ggplot(bd, aes(x= Fecha7, y= KilosAgosto)) + geom_bar(stat="identity", fill="blue") + scale_fill_grey() + labs(title = "Kilos de merma Agosto", x = "Fecha")## Warning: Removed 1 rows containing missing values (position_stack).
Pronostico de la Industria Automotriz
Instalar paquetes y llamar librerias
#install.packages("forecast")
library(forecast)## Registered S3 method overwritten by 'quantmod':
## method from
## as.zoo.data.frame zooSumar el Total de KilosxMes
sum(bd$KilosEnero)## [1] 14560sum(bd$KilosFebrero)## [1] 22830sum(bd$KilosMarzo)## [1] 22470sum(bd$KilosAbril)## [1] 18820sum(bd$KilosMayo)## [1] 23410sum(bd$KilosJunio)## [1] 18280sum(bd$KilosJulio)## [1] 19370sum(bd$KilosAgosto)## [1] 32100sum(bd$KilosSeptiembre)## [1] 13586Crear serie de tiempo
merma <- c(14560,22830,22470,18820,23410,18280,19370,32100,13586)
produccion_st <- ts(data = merma, start = c(2022,1), frequency = 12)
produccion_st## Jan Feb Mar Apr May Jun Jul Aug Sep
## 2022 14560 22830 22470 18820 23410 18280 19370 32100 13586Graficar Pronostico
modelo <- auto.arima(produccion_st)
modelo## Series: produccion_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)
Tecnicas Utilizadas Para la elaboracion de este
analisis fue necesario utilizar ciertas tecnicas de limpieza antes, como
ser, Eliminar NA’s y sustituir con 0’s, Eliminar duplicados,Eliminar
negativos con cero, Eliminar columnas. Todas las tecnicas mencionadas
anteriormente son utilizadas para poder obtener un analisis mas preciso
eliminando informacion que no aporta a la realizacion de este.
Como se puede obervar en la grafica de pronostico,
Scrap
Importar base de datos
bd <- read.csv ("/Users/andreapaolasosa/Library/CloudStorage/OneDrive-InstitutoTecnologicoydeEstudiosSuperioresdeMonterrey/FORM - Scrap Limpia (2).csv")Tipos de Variables Existentes
variable<-c("Referencia","Fecha", "Hora", "Producto", "Cantidad", "Unidad.de.medida", "Ubicación.de.origen", "Ubicación.de.desecho", "Estado")
type<-c("Cualitativo (nominal)","Cuantitativo (disccreta)", "Cuantitativo (discreta)", "Cualitativo (nominal)","Cuantitativo (Continua)", "Cualitativo (nominal)", "Cualitativo (nominal)","Cualitativo (nominal)","Cualitativo (nominal)")
Escala_de_Medición<-c("Numero", "Fecha", "Categoría", "Kg", "Medición", "Posición", "Posición", "Estado")
table<-data.frame(variable,type)
knitr::kable(table)| variable | type |
|---|---|
| Referencia | Cualitativo (nominal) |
| Fecha | Cuantitativo (disccreta) |
| Hora | Cuantitativo (discreta) |
| Producto | Cualitativo (nominal) |
| Cantidad | Cuantitativo (Continua) |
| Unidad.de.medida | Cualitativo (nominal) |
| Ubicación.de.origen | Cualitativo (nominal) |
| Ubicación.de.desecho | Cualitativo (nominal) |
| Estado | Cualitativo (nominal) |
Cantidad de productos por día
bd$Fecha<- as.Date(bd$Fecha,format = "%d/%m/%Y")
plot(bd$Fecha, bd$Cantidad)
summary(bd)## Referencia Fecha Hora Producto
## Length:250 Min. :2022-08-01 Length:250 Length:250
## Class :character 1st Qu.:2022-08-11 Class :character Class :character
## Mode :character Median :2022-08-19 Mode :character Mode :character
## Mean :2022-08-17
## 3rd Qu.:2022-08-25
## Max. :2022-08-31
## Cantidad Unidad.de.medida Ubicación.de.origen Ubicación.de.desecho
## Min. : 0.000 Length:250 Length:250 Length:250
## 1st Qu.: 1.000 Class :character Class :character Class :character
## Median : 2.000 Mode :character Mode :character Mode :character
## Mean : 6.696
## 3rd Qu.: 7.000
## Max. :96.000
## Estado
## Length:250
## Class :character
## Mode :character
##
##
## #library(tidyverse)
#library(janitor)Número de variables y registros en base de datos
#install.packages("psych")
library(psych)
#describe(bd)
str(bd)## 'data.frame': 250 obs. of 9 variables:
## $ Referencia : chr "SP/08731" "SP/08730" "SP/08729" "SP/08728" ...
## $ Fecha : Date, format: "2022-08-31" "2022-08-31" ...
## $ Hora : chr "14:55:40" "14:49:25" "13:49:29" "09:30:07" ...
## $ Producto : chr "[BACKFRAME 60% CUELLO ARMADO] 18805. 60% Backframe. Cuello Armado." "[N61506747 CAJA] N61506747. Kit. Caja." "[N61506729 SEPARADOR] N61506729. Kit. Separador." "[341332 DIVISOR - U611 & U625] 341332. U611. U625. Divisor Troquelado." ...
## $ Cantidad : num 2 1 1 31 1 1 1 9 2 1 ...
## $ Unidad.de.medida : chr "Unidad(es)" "Unidad(es)" "Unidad(es)" "Unidad(es)" ...
## $ Ubicación.de.origen : chr "SAB/Calidad/Entrega de PT" "SAB/Calidad/Entrega de PT" "SAB/Calidad/Entrega de PT" "SAB/Pre-Production" ...
## $ Ubicación.de.desecho: chr "Virtual Locations/Scrapped" "Virtual Locations/Scrapped" "Virtual Locations/Scrapped" "Virtual Locations/Scrapped" ...
## $ Estado : chr "Hecho" "Hecho" "Hecho" "Hecho" ...#tabyl(bd, Producto, Ubicación.de.origen)Tipos de Variables Existentes
variable<-c("Referencia","Fecha", "Hora", "Producto", "Cantidad", "Unidad.de.medida", "Ubicación.de.origen", "Ubicación.de.desecho")
type<-c("Cualitativo (nominal)","Cuantitativo (disccreta)", "Cuantitativo (discreta)", "Cualitativo (nominal)","Cuantitativo (Continua)", "Cualitativo (nominal)", "Cualitativo (nominal)","Cualitativo (nominal)")
table<-data.frame(variable,type)
knitr::kable(table)| variable | type |
|---|---|
| Referencia | Cualitativo (nominal) |
| Fecha | Cuantitativo (disccreta) |
| Hora | Cuantitativo (discreta) |
| Producto | Cualitativo (nominal) |
| Cantidad | Cuantitativo (Continua) |
| Unidad.de.medida | Cualitativo (nominal) |
| Ubicación.de.origen | Cualitativo (nominal) |
| Ubicación.de.desecho | Cualitativo (nominal) |
Limpieza de datos
## Eliminar columnas que no se usan
bd1 <- bd
bd1<- subset(bd1, select = -c (Referencia, Producto, Unidad.de.medida, Hora, Ubicación.de.desecho, Estado))
## Borrar N/A's Tecnicas Utilizadas Eliminar columnas innecesarias para facilitar el analisis con datos relevantes. Borrar NA’s ya que no dicen informacion relevante para el analisis.
bd2 <- bd
bd2<- subset(bd2, select = -c (Referencia, Producto, Unidad.de.medida, Hora, Ubicación.de.desecho, Estado))
media <- mean(bd2$Cantidad)
mediana <- median(bd2$Cantidad)
mode <- function (x) {
ux <- unique(x)
ux [which.max(tabulate(match(x,ux)))]
}
mode <- mode(bd2$Cantidad)
mode## [1] 1hist(bd2$Cantidad)
ggplot(bd2, aes(x=media, y= Ubicación.de.origen)) +
geom_bar(stat="identity", fill="red") + scale_fill_grey() + # Add bars to the plot
labs(title = "Scrap empresa FORM", # Add a title
subtitle = "", # Add a subtitle
caption = "Relación", # Add a caption
x = "Toneladas")
Analisis Exploratorio A traves de analisis realizado,
se peude obervar en el grafico que el área donde más se genera
desperdicio es en SAB/Pre-Production con al rededor de 1200 toneladas.
Este es un insight muy interesante ya que se logra identificar de donde
viene la mayoria de desperdicio y se puede realizar un contraste con las
otras areas las cuales es muy significativa la diferencia. A raiz de
esto se pueden comenzar a pensar estrategias para implementar dentro del
area de SAB/Pre-Production las cuales beneficiarian a Form con la
disminucion de desperdicio.
Seccion 3: K-means clustering
Definición de conceptos Conceptos que contribuyen a la identificación de clusters usando analítica de datos.
I. K- Means Clustering
K- means clustering tiene como objetivo agrupar datos con
características similares en el mismo cluster. Uno de los beneficios más
grandes de la herramienta es que se pueden resumir datos de gran
dimensión.
II. Unsupervised Learning
No se asignan etiquetas al algoritmo de aprendizaje, dejándolo solo para
encontrar la estructura en su entrada. El aprendizaje no supervisado
puede ser un fin en sí mismo (descubrir patrones ocultos en los datos) o
un medio para un fin (aprendizaje de funciones).
III. Eucliedean Distance
La distancia Euclidiana es el cálculo de distancia comúnmente utilizado
para medir la distancia entre dos puntos de datos.
K-means Clusters
Instalar librerias
library(foreign)
library(dplyr) # data manipulation
library(ggplot2) # data visualization
#install.packages("psych")
library(psych) # functions for multivariate analysis
library(corrplot) # correlation plots
#install.packages("jtools")
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
library(plyr)
library(base)
library(tibble)Cluster edad y salario diario Leer la base de datos
bajasdata <-read.csv("/Users/andreapaolasosa/Library/CloudStorage/OneDrive-InstitutoTecnologicoydeEstudiosSuperioresdeMonterrey/RHBAJASLIMPIA1.csv")
summary(bajasdata)## nombre edad genero fecha_alta
## Length:237 Min. : 0.00 Length:237 Length:237
## Class :character 1st Qu.:23.00 Class :character Class :character
## Mode :character Median :29.00 Mode :character Mode :character
## Mean :30.52
## 3rd Qu.:37.00
## Max. :61.00
## motivo_baja dias_laborados fecha_baja puesto
## Length:237 Min. : 0.00 Length:237 Length:237
## Class :character 1st Qu.: 9.00 Class :character Class :character
## Mode :character Median : 21.00 Mode :character Mode :character
## Mean : 83.42
## 3rd Qu.: 49.00
## Max. :1966.00
## sal_imss colonia municipio estado
## Min. :144.4 Length:237 Length:237 Length:237
## 1st Qu.:180.7 Class :character Class :character Class :character
## Median :180.7 Mode :character Mode :character Mode :character
## Mean :178.6
## 3rd Qu.:180.7
## Max. :500.0
## estado_civil
## Length:237
## Class :character
## Mode :character
##
##
## Limpieza. Seleccionar variables relevantes
bajasdata1<-bajasdata
bajasdata1<-subset(bajasdata,select = -c(genero,fecha_alta,motivo_baja,puesto,estado,nombre,colonia,municipio,motivo_baja, estado_civil, dias_laborados, fecha_baja))
summary(bajasdata1)## edad sal_imss
## Min. : 0.00 Min. :144.4
## 1st Qu.:23.00 1st Qu.:180.7
## Median :29.00 Median :180.7
## Mean :30.52 Mean :178.6
## 3rd Qu.:37.00 3rd Qu.:180.7
## Max. :61.00 Max. :500.0Limpieza. Eliminar edad 0
bajasdata2 <- bajasdata1
bajasdata2<-bajasdata1[-c(97,149),]Normalizar la base de datos
bajas_data_norm <- scale(bajasdata2[1:2])Identificar número de clusters
fviz_nbclust(bajas_data_norm, kmeans, method="wss")+
geom_vline(xintercept=4, linetype=2)+
labs(subtitle = "Elbow method") 
Visualizar el cluster
edad_cluster1<-kmeans(bajas_data_norm,3)
edad_cluster1## K-means clustering with 3 clusters of sizes 69, 121, 45
##
## Cluster means:
## edad sal_imss
## 1 0.2811317 0.2784633
## 2 -0.7792176 -0.1288413
## 3 1.6641609 -0.0805373
##
## Clustering vector:
## 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
## 1 1 2 2 2 3 2 2 3 2 2 1 2 1 1 2 2 2 2 2
## 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
## 2 3 2 1 3 2 1 2 2 2 1 2 2 2 1 2 2 2 1 2
## 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60
## 2 2 2 2 2 2 2 2 3 3 3 3 1 3 2 2 3 2 2 3
## 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80
## 2 2 1 2 2 3 2 2 2 2 2 2 1 2 1 2 1 2 2 3
## 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 98 99 100 101
## 2 2 2 2 3 2 3 2 2 2 1 3 3 2 2 2 3 2 2 1
## 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121
## 2 2 3 1 2 2 1 2 1 1 2 1 1 2 1 1 1 3 3 3
## 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141
## 2 2 2 2 2 1 2 1 3 2 1 2 3 2 2 2 1 3 1 3
## 142 143 144 145 146 147 148 150 151 152 153 154 155 156 157 158 159 160 161 162
## 1 1 1 3 3 2 1 1 1 2 2 2 1 3 3 2 1 2 1 3
## 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182
## 3 3 3 1 3 2 2 1 2 2 3 1 3 2 3 1 1 3 1 1
## 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202
## 2 2 2 1 3 3 1 2 2 1 1 1 1 1 1 1 1 2 1 2
## 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222
## 1 1 2 1 3 1 2 2 2 3 2 2 2 1 1 2 2 1 1 1
## 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237
## 2 2 1 2 2 2 2 3 1 3 2 2 2 2 2
##
## Within cluster sum of squares by cluster:
## [1] 204.19421 35.55499 17.05330
## (between_SS / total_SS = 45.1 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"fviz_cluster(edad_cluster1,data=bajas_data_norm)
Analisis Profundo del Cluster
bajasdata3<- bajasdata2
bajasdata3$Clusters<-edad_cluster1$cluster
bajasdata4<-bajasdata3 %>% group_by(Clusters) %>% summarise(edad=max(edad)) %>% arrange(desc(edad))
bajasdata3$Cluster_Names<-factor(bajasdata3$Clusters,levels = c(1,2,3),
labels=c("Jubilación", "Joven", "Adulto"))bajasdata5 <- bajasdata3 %>% dplyr:: group_by(Cluster_Names) %>% dplyr:: summarize(edad_anos=max(edad),
sal_imss=mean(sal_imss),
count=n())clusters<-as.data.frame(bajasdata5)
clusters## Cluster_Names edad_anos sal_imss count
## 1 Jubilación 40 185.7365 69
## 2 Joven 32 175.3303 121
## 3 Adulto 61 176.5644 45Gráfico de barras de las bajas con edad máxima de cluster
ggplot(bajasdata5, aes(x=Cluster_Names,y=edad_anos,fill= Cluster_Names,label=round(edad_anos,digits=2))) +
geom_col() +
geom_text()
Gráfico de barras de las bajas con su salario
ggplot(bajasdata5,aes(x=Cluster_Names,y=sal_imss ,fill= Cluster_Names,label=round(sal_imss,digits=2))) +
geom_col() +
geom_text()
Dispersión de la edad
ggplot(bajasdata3, aes(x=Cluster_Names, y=edad, fill=Cluster_Names)) +
geom_boxplot()+
ggtitle("Dispersion of 'Edad' by Clusters Names")
Dispersión del salario diario
ggplot(bajasdata3, aes(x=Cluster_Names, y=sal_imss, fill=Cluster_Names)) +
geom_boxplot()+
ggtitle("Dispersion of 'Salario_Diario' by Clusters Names")
Cluster edad y días laborados
RHBAJAS <-read.csv("/Users/andreapaolasosa/Library/CloudStorage/OneDrive-InstitutoTecnologicoydeEstudiosSuperioresdeMonterrey/RHBAJASLIMPIA1.csv")Analizar base de datos
summary(RHBAJAS)## nombre edad genero fecha_alta
## Length:237 Min. : 0.00 Length:237 Length:237
## Class :character 1st Qu.:23.00 Class :character Class :character
## Mode :character Median :29.00 Mode :character Mode :character
## Mean :30.52
## 3rd Qu.:37.00
## Max. :61.00
## motivo_baja dias_laborados fecha_baja puesto
## Length:237 Min. : 0.00 Length:237 Length:237
## Class :character 1st Qu.: 9.00 Class :character Class :character
## Mode :character Median : 21.00 Mode :character Mode :character
## Mean : 83.42
## 3rd Qu.: 49.00
## Max. :1966.00
## sal_imss colonia municipio estado
## Min. :144.4 Length:237 Length:237 Length:237
## 1st Qu.:180.7 Class :character Class :character Class :character
## Median :180.7 Mode :character Mode :character Mode :character
## Mean :178.6
## 3rd Qu.:180.7
## Max. :500.0
## estado_civil
## Length:237
## Class :character
## Mode :character
##
##
## str(RHBAJAS)## 'data.frame': 237 obs. of 13 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" ...
## $ fecha_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" ...
## $ dias_laborados: int 628 60 59 59 51 37 37 31 18 224 ...
## $ fecha_baja : chr "27/11/21" "08/01/22" "08/01/22" "08/01/22" ...
## $ puesto : chr "DISEÑO" "AYUDANTE GENERAL" "AYUDANTE GENERAL" "AYUDANTE GENERAL" ...
## $ sal_imss : num 500 152 152 152 152 ...
## $ colonia : chr "SAN NICOLAS DE LOS G" "COLINAS DEL AEROPÑUERTO" "PUEBLO NUEVO" "PUEBLO NUEVO" ...
## $ municipio : chr "SAN NICOLAS DE LOS G" "PESQUERIA" "APODACA" "APODACA" ...
## $ estado : chr "NUEVO LEÓN" "NUEVO LEÓN" "NUEVO LEÓN" "NUEVO LEÓN" ...
## $ estado_civil : chr "SOLTERO" "UNIÓN LIBRE" "CASADO" "SOLTERO" ...describe(RHBAJAS)## # A tibble: 3 × 26
## described_…¹ n na mean sd se_mean IQR skewn…² kurto…³ p00 p01
## <chr> <int> <int> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 edad 237 0 30.5 10.0 0.651 14 0.541 0.216 0 18
## 2 dias_labora… 237 0 83.4 227. 14.7 40 5.40 33.2 0 0
## 3 sal_imss 237 0 179. 25.4 1.65 0 9.51 115. 144. 152.
## # … with 15 more variables: p05 <dbl>, p10 <dbl>, p20 <dbl>, p25 <dbl>,
## # p30 <dbl>, p40 <dbl>, p50 <dbl>, p60 <dbl>, p70 <dbl>, p75 <dbl>,
## # p80 <dbl>, p90 <dbl>, p95 <dbl>, p99 <dbl>, p100 <dbl>, and abbreviated
## # variable names ¹described_variables, ²skewness, ³kurtosisEdad vs dias laborados-Clusters
RHBAJAS1<-RHBAJAS
RHBAJAS1<-subset(RHBAJAS1,select = -c(genero,fecha_alta,motivo_baja,puesto,estado,nombre,colonia,municipio,fecha_baja))
summary(RHBAJAS1)## edad dias_laborados sal_imss estado_civil
## Min. : 0.00 Min. : 0.00 Min. :144.4 Length:237
## 1st Qu.:23.00 1st Qu.: 9.00 1st Qu.:180.7 Class :character
## Median :29.00 Median : 21.00 Median :180.7 Mode :character
## Mean :30.52 Mean : 83.42 Mean :178.6
## 3rd Qu.:37.00 3rd Qu.: 49.00 3rd Qu.:180.7
## Max. :61.00 Max. :1966.00 Max. :500.0Eliminar renglones Eliminamos dos reglones que tenian como edad (0)
RHBAJAS2 <- RHBAJAS1
RHBAJAS2 <- RHBAJAS2 [RHBAJAS2$edad> min(1), ]
summary(RHBAJAS2)## edad dias_laborados sal_imss estado_civil
## Min. :18.00 Min. : 0.00 Min. :144.4 Length:235
## 1st Qu.:23.00 1st Qu.: 9.50 1st Qu.:180.7 Class :character
## Median :29.00 Median : 21.00 Median :180.7 Mode :character
## Mean :30.78 Mean : 84.07 Mean :178.6
## 3rd Qu.:37.00 3rd Qu.: 49.50 3rd Qu.:180.7
## Max. :61.00 Max. :1966.00 Max. :500.0Normalizar la base de datos
RH_EDAD_NORM<-scale(RHBAJAS2[1:2])Se visualizan el # correcto de clusters a realizar
fviz_nbclust(RH_EDAD_NORM, kmeans, method="wss")+
geom_vline(xintercept=4, linetype=2)+
labs(subtitle = "Elbow method") 
Visualizar el cluster
RHEDAD_Cluster1<-kmeans(RH_EDAD_NORM,4)
RHEDAD_Cluster1## K-means clustering with 4 clusters of sizes 43, 107, 5, 80
##
## Cluster means:
## edad dias_laborados
## 1 1.6031879 -0.11611923
## 2 -0.8512555 -0.17238996
## 3 1.2245019 5.86438920
## 4 0.2003094 -0.07353867
##
## Clustering vector:
## 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
## 4 4 2 2 4 1 4 4 1 2 2 4 2 4 4 2 2 2 2 2
## 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
## 4 3 2 4 1 2 4 2 2 2 4 2 2 2 4 2 2 4 4 2
## 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60
## 2 2 2 2 2 2 2 2 1 1 1 1 4 1 2 2 1 2 2 3
## 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80
## 2 2 4 2 2 1 2 2 4 2 2 2 4 2 4 2 4 2 2 1
## 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 98 99 100 101
## 3 2 2 4 1 2 1 2 2 2 4 1 1 2 2 4 1 4 2 4
## 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121
## 2 2 1 4 2 2 4 3 4 4 2 4 4 2 4 4 4 1 1 1
## 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141
## 2 2 2 2 2 4 2 4 1 2 4 2 1 2 4 2 4 1 4 1
## 142 143 144 145 146 147 148 150 151 152 153 154 155 156 157 158 159 160 161 162
## 4 4 1 1 1 2 4 4 4 2 2 2 4 1 1 2 4 2 4 1
## 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182
## 1 1 1 4 1 2 2 4 2 2 1 4 1 2 1 4 4 1 4 4
## 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202
## 2 2 2 4 1 3 4 2 2 4 4 4 4 4 4 4 4 2 4 4
## 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222
## 4 4 2 4 1 4 2 2 2 1 2 2 2 4 4 2 2 4 4 4
## 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237
## 2 2 4 2 2 2 4 1 4 1 2 2 2 2 2
##
## Within cluster sum of squares by cluster:
## [1] 19.40753 15.18543 18.67351 39.82387
## (between_SS / total_SS = 80.1 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"fviz_cluster(RHEDAD_Cluster1,data=RH_EDAD_NORM)
RHEDAD_Cluster1<-kmeans(RH_EDAD_NORM,4)
RHEDAD_Cluster1## K-means clustering with 4 clusters of sizes 9, 111, 42, 73
##
## Cluster means:
## edad dias_laborados
## 1 0.9666914 4.3546434
## 2 -0.8318852 -0.1350561
## 3 1.5964199 -0.1776331
## 4 0.2272521 -0.2293147
##
## Clustering vector:
## 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
## 1 4 2 2 4 3 4 4 3 2 2 4 2 4 4 2 2 2 2 2
## 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
## 4 1 2 4 3 2 4 2 2 2 4 2 2 2 4 2 2 2 4 2
## 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60
## 2 2 2 2 2 2 2 2 3 3 3 3 1 3 2 2 3 2 2 1
## 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80
## 2 2 4 2 2 3 2 2 2 2 2 2 4 2 4 2 4 2 2 3
## 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 98 99 100 101
## 1 2 2 2 3 2 3 2 2 2 4 3 3 2 2 4 3 4 2 4
## 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121
## 2 2 3 4 2 2 4 1 4 4 2 4 4 2 4 4 4 3 3 3
## 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141
## 2 2 2 2 2 4 2 4 3 2 4 2 1 2 2 2 4 3 4 3
## 142 143 144 145 146 147 148 150 151 152 153 154 155 156 157 158 159 160 161 162
## 4 4 3 3 3 2 4 4 4 2 2 2 4 3 3 2 4 2 4 3
## 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182
## 3 3 3 4 3 2 2 4 2 2 3 4 3 2 3 4 4 3 4 4
## 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202
## 2 2 2 4 3 1 4 2 2 4 4 4 4 4 1 4 4 2 4 4
## 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222
## 4 4 2 4 3 4 2 2 2 3 2 2 2 4 4 2 2 4 4 4
## 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237
## 2 2 4 2 2 2 4 3 4 3 2 2 2 2 2
##
## Within cluster sum of squares by cluster:
## [1] 47.52052 21.82479 12.49099 12.27335
## (between_SS / total_SS = 79.9 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"Visualizacion del Cluster
fviz_cluster(RHEDAD_Cluster1,data=RH_EDAD_NORM)
Analisis Profundo del Cluster
RHBAJAS3 <- RHBAJAS2
RHBAJAS3$Clusters<-RHEDAD_Cluster1$cluster
RHBAJAS4<-RHBAJAS3 %>% group_by(Clusters) %>% summarise(edad=max(edad)) %>% arrange(desc(edad))
RHBAJAS3$Cluster_Names<-factor(RHBAJAS3$Clusters,levels = c(1,2,3,4),
labels=c("Adulto", "Principiante", "Mayor", "Juvenil"))RHBAJAS6 <- RHBAJAS3 %>% group_by(Cluster_Names) %>% dplyr:: summarize(edad_anos=max(edad),
dias_laborados=mean(dias_laborados),
Count=n())clusters<-as.data.frame(RHBAJAS6)
clusters## Cluster_Names edad_anos dias_laborados Count
## 1 Adulto 61 1075.77778 9
## 2 Principiante 28 53.31532 111
## 3 Mayor 57 43.61905 42
## 4 Juvenil 39 31.84932 73Analisis de Datos del cluster expresados por graficas
ggplot(RHBAJAS6,aes(x=reorder(Cluster_Names,Count),y=Count,fill=Cluster_Names)) +
geom_bar(stat="identity")
Edades (maximas), al igual se puede realizar con un
(barplot)
ggplot(RHBAJAS6, aes(x=Cluster_Names,y=edad_anos,fill= Cluster_Names,label=round(edad_anos,digits=2))) +
geom_col() +
geom_text()
Dias laborados (Maximos)
ggplot(RHBAJAS6,aes(x=Cluster_Names,y=dias_laborados,fill= Cluster_Names,label=round(dias_laborados,digits=2))) +
geom_col() +
geom_text()
Grafica de Boxplot (Analisis de las edades de los 4
grupos.)
ggplot(RHBAJAS3, aes(x=Cluster_Names, y=edad, fill=Cluster_Names)) +
geom_boxplot()+
ggtitle("Edad (Dispersion)")
Hallazgos identificacos K-Means
Durante esta actividad realizamos un análisis en la base de datos de Recursos Humanos, enfocados en las variables de Edad, Salario y Días Trabajados, por lo que se decidió definir varios pasos a seguir para llegar al objetivo deseado que era finalmente llegar a la construcción de los clusters.
Tomando en cuenta los hallazgos de la edad y el salario diario, se llego a la conclusión de lo siguiente:
Hay más bajas de adultos con el rango de edades de 41 a 61, el cuál se identifico como jubilación.
Los adultos de 33-40 años ganan más con un sueldo diario de 186.16 en promedio.
De igual manera podemos observar cuatro Clusters que toman en cuenta la edad y los días laborados:
- El Cluster Rojo “Adulto” es un grupo en el cual se observa que son
las personas de edad alta y con una característica en común que es que
duran poco tiempo laborando en la empresa.
- El Cluster Azul “Mayor” es el Cluster que más se aparta de los demás
Clusters debido a que son personas con mayor rango de edad y la mayor
parte de los empleados cuentan con esta edad.
- El Cluster Morado “Juvenil” donde se encuentran las personas con un
rango de edad de entre 30 y 36 años, habiendo más personas en el rango
de los 30 a 32 años,
- El Cluster Verde “Principiante” es el grupo de personas más jóvenes en la empresa, con un rango de entre 20 y 30 años.
El grupo que cuenta con más días laborados es el de edad máxima,
siendo los adultos, de igual manera estos cuentan con un salario
mayor.
Por último podemos observar que en los gráficos que se analizan con
estas variables tenemos los siguientes puntos a consideración:
- Edad Máxima
- Días Laborados Máximos
- Recuento de los grupos que presentan mayor actividad en la
empresa.
- La dispersión de edad que existe entre cada uno de los grupos.
Seccion 4
A partir del análisis de las bases de datos de las diferentes áreas de la empresa FORM, identificar y describir los principales 6-8 hallazgos (meaningful insights). A través de los diferentes análisis realizados en las diferentes bases de datos se pudieron obtener hallazgos importantes entre ellos, algunos importantes a destacar son: Analizando la base de datos de RH se pudo observar que hay una alta rotación de personal. Esto es importante mencionar ya que puede afectar a la productividad de la empresa, es por eso que se debe ver con más detalle esta observación y analizar la raíz de lo que está causando la rotación. En la base de datos de delivery plan se pudo obtener cuál fue el cliente con mayor importancia que en este caso fue “Hella” ya que cuenta con el mayor número de unidades y outliers por encima de la media. En cuanto a la base de delivery performance, se pudieron obtener ciertos hallazgos de gran interés. Por ejemplo, Mahle es el cliente con mayores retrasos en cuanto a los tiempos de entrega. Printel es el cliente con el cual siempre se mantienen dentro de los tiempos deseables, que en este caso sería, debajo de los 30 minutos. En la base de producción se identificó que el cliente “Yanfeng” es al cual se le dedica menos tiempo en calidad, lo cual podría ser un riesgo para Form ya que da espacio a un margen más elevado de error. Se identificó que hay una alta cantidad de desperdicio que podría ser utilizada para una nueva fuente de ingreso. Este insight puede ser transformado en una estrategia ya que uno de los principales objetivos es darle un nuevo uso a la merma.
A partir del análisis de las bases de datos de las diferentes áreas de laempresa FORM, describir 3 sugerencias que le permitan al socio formador mejorar su proceso de captura, organización, y analítica de datos. Contar con bases de datos más organizadas y con formato. Esto para facilitar el análisis de los datos y poder obtener muchos más insights de los que se podrían obtener con sus bases actuales y de manera más rápida.
Poner atencion a la parte de Recursos Humanos y la alta rotacion de empleados y tambien que la mayoria son empleados jovenes. Investigar si estos dos factores se relacionan y emplear acciones de retencion de capital humano.
Abrir un departamento de business analytics e intelligence y tener a una persona que se dedique a realizar pronosticos y predicciones que pueden ayudar a determinar comportamientos a futuro. Esto puede ser de gran utilidad para Form para ayudar a identificar areas de mejora y oportunidades de crecimiento y ahorro. Asi mismo puede ayudar a prevenir errores a futuro.
Describir con tus propias palabras los términos Business Analytics and Business Intelligence. Así también, identificar y describir 3 principales diferencias entre Business Analytics y Business Intelligence. Ambas herramientas son utilizadas para el procesamiento de datos y para poder llevar a cabo análisis estadísticos, sin embargo existe una diferencia entre los dos conceptos aunque puedan sonar similares. Business analytics hace referencia a las herramientas que se utilizan al momento de realizar ciertas actividades como el análisis predictivo, facilitando realizar predicciones utilizando como estructura principal los datos analizados. Ayuda a la toma de decisiones dentro de una organización. Business Intelligence, se aplica al análisis de datos y negocios lo cual facilita la toma de decisiones dentro de una empresa. Gracias a Business Intelligence se pueden crear objetivos orientados a las necesidades primordiales de la empresa, siendo mucho más precisas y basadas en datos concretos y no en suposiciones.
3 Diferencias: La diferencia principal entre estas dos herramientas se basa en el enfoque que tiene cada una. Business Analytics es mas análisis estadístico, modelos predictivos y tendencias para poder desarrollar pronósticos de comportamientos a futuro.
Business Intelligence se encarga más de analizar la información y a partir de ella poder tomar decisiones.
Business Analytics se encarga de resolver problemas dentro de una organización antes de que estos ocurran, previniendo pérdidas.
Describir con tus propias palabras el concepto de Indicador Clave de Rendimiento / Key Performance Indicators Los Kpis son indicadores dentro de una empresa que facilitan medir el desempeño de los colaboradores y de la organización. Indica el nivel de rendimiento que se está obteniendo y ayuda a identificar en qué áreas se debe reforzar el enfoque.
A partir del análisis de las bases de datos de las diferentes áreas de la empresa FORM, proponer y describir 3 posibles KPIs que permitan evaluar el desempeño de algunas de sus áreas tasa de pedidos entregados a tiempo(30 min): medir que todos los pedidos sean entregados dentro del tiempo establecido es decir 30 minnutos y prestar atencion a los que estan causando retrasos e investigar la causa de ellos. Esto aumentaria la cantidad de entregas por dia lo cual generaria mayor rentabilidad. tasa de rotación de empleados: medir la tasa de rotacion de empelados y analizar de que manera se puede crear mayor retencion. Impartir capacitaciones tasa de desperdicio: Medir la cantidad de desperdicio generada, de esta manera con los datos precisos, poder buscar alternativas de que se puede hacer con la materia sobrante.
Bibliografia: Escobar, J. (2021, October 26). Business Analytics vs Business Intelligence ¿cuál es la diferencia? Egade.tec.mx; EGADE Insights. https://blog.egade.tec.mx/business-analytics-vs-business-intelligence-diferencias
Grupo Bit. (2022). ¿Cuál es la diferencia entre Business Intelligence y Business Analytics? Grupobit.net. https://business-intelligence.grupobit.net/blog/cual-es-la-diferencia-entre-business-intelligence-y-business-analytics
---
title: "Evidencia 2"
author: "Andrea Paola Sosa A00827359"
date: "2022-10-12"
output:
    html_document:
      toc: true
      toc_float: true 
      code_download: true
---

<img src= "/Users/andreapaolasosa/Downloads/formfoto.png">

### <span style="color:orange"> Limpieza, Transformacion y Organizacion

## <span style="color:orange"> **Recursos Humanos (Colaboradores y  Bajas)**
```{r}
#file.choose()

RhColab<-read.csv("/Users/andreapaolasosa/Library/CloudStorage/OneDrive-InstitutoTecnologicoydeEstudiosSuperioresdeMonterrey/BaseDatosL RH_Colaboradores.csv")
RhBajas<-read.csv("/Users/andreapaolasosa/Library/CloudStorage/OneDrive-InstitutoTecnologicoydeEstudiosSuperioresdeMonterrey/BaseD_Limpia RH_ Bajas .csv")
```
**Tipos de Variables Existentes para RHCOLAB**
```{r}
variable<-c("numero_de_empleado","nombre_completo", "edad", "genero", "fecha_de_alta", "antioguedad", "BAJA", "puesto", "departamento", "mano_de_obra", "salario_diario", "colonia", "municipio")

type<-c("Cualitativo (nominal)","Cualitativo (nominal)", "Cuantitativo(discreta)", "Cualitativo (nominal)", "Cuantitativo(discreta)", "cualitativo (nominal)", "Cualitativo (nominal)", "Cualitativo (nominal)", "Cualitativo (nominal)", "Cualitativo (nominal)", "Cuantitativo (continua)", "Cualitativo (nominal)", "Cualitativo (nominal)")

Escala_de_Medición<-c("Numero", "Fecha", "Departamento", "Salario", "Estado")


table<-data.frame(variable,type)
knitr::kable(table)
```
**Tipos de Variables Existentes para RHBAJAS**
```{r}
variable<-c ("nombre","edad", "genero", "fecha_alta", "motivo_baja", "dias_de_trabajo", "baja", "puesto_que_desempeña", "salario_imss", "colonia", "municipio", "estado", "estado_civil" )


type<-c ("Cualitativo (nominal)","Cuantitativo(discreta)", "Cualitativo (nominal)", "Cuantitativo(discreta)", "Cualitativo (nominal)", "Cuantitativo(discreta)", "Cuantitativo(discreta)", "Cualitativo (nominal)", "Cuantitativo(Continua)", "Cualitativo (nominal)", "Cualitativo (nominal)", "Cualitativo (nominal)", "Cualitativo (nominal)" )

Escala_de_Medición<-c("Numero", "Fecha", "Departamento", "Salario", "Estado")


table<-data.frame(variable,type)
knitr::kable(table)
```
**Llamar librerias **
```{r}
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(psych)        # functions for multivariate analysis 
library(naniar)       # summaries and visualization of missing values NAs
library(dlookr)       # summaries and visualization of missing values NAs
library(corrplot)     # correlation plots
library(jtools)       # presentation of regression analysis 
library(lmtest)       # diagnostic checks - linear regression analysis 
library(car)          # diagnostic checks - linear regression analysis
library(olsrr)        # diagnostic checks - linear regression analysis 
library(kableExtra)   # HTML table attributes
```
**Verificar la estructura de la base de datos**
```{r}
str(RhColab)
str(RhBajas)
```
**seleccionar columnas / variables**
```{r}
RhColab1<-RhColab 
RhBajas1<-RhBajas
```
**Limpieza de datos** 
```{r message=FALSE, warning=FALSE}
RhColab1<-RhColab %>% select(-one_of('numero_de_empleado','Fecha_alta' , 'BAJA', 'edad'))



# lets rename the selected columns / variables
summary(RhColab1)
names(RhColab1)<-c('Nom_Comp', 'Gen', 'Fecha_alta', 'Ant', 'Puesto', 'Dep', 'MDO', 'Sal_Diario', 'Col', 'Mun')
names(RhBajas1)<-c('Nom', 'Edad', 'Gen', 'Fecha_alta', 'MB', 'Días_trab', 'Baja', 'PuestDes', 'Sal_IMSS', 'Col', 'Mun', 'Estado', 'EstCiv')

##lets convert fecha_nacimiento to date format 


RhColab1$Fecha_alta<-as.Date(RhColab$fecha_de_alta, format = "%d/%m/%Y")
RhBajas1$Fecha_alta<-as.Date(RhBajas1$Fecha_alta, format = "%d/%m/%Y")
RhBajas1$Baja<-as.Date(RhBajas1$Baja, format = "%d/%m/%Y")

str(RhColab1)
str(RhBajas1)




# Eliminar NA's y sustituir con 0's

sum(is.na(RhColab1))
sum(is.na(RhBajas1))


summary(RhColab1)
summary(RhBajas1)

RhColab1 <- na.omit(RhColab1)
RhBajas1 <- na.omit(RhBajas1)


summary(RhColab1)
summary(RhBajas1)  

str(RhColab1)
str(RhBajas1)
```
**Calcular la variable "año" en años para realizar caracteristicas adicionales de los colaboradores**
```{r}
library(lubridate)


edad<-trunc((RhColab1$Fecha_alta %--% RhColab1$Fecha_alta) / years(1)) # %--% creates a time interval based on as.date() format
RhColab1$edad<-edad

edad<-trunc((RhBajas1$Fecha_alta %--% RhBajas1$Fecha_alta) / years(1))
edad<-trunc((RhBajas1$Baja %--% RhBajas1$Baja) / years(1))
```
**Convertir las variables a factor para poder crear graficas descriptivas**
```{r}
###  Colab1
RhColab1$Gen<-as.factor(RhColab1$Gen)
RhColab1$Puesto<-as.factor(RhColab1$Puesto)
RhColab1$Dep<-as.factor(RhColab1$Dep)
RhColab1$Mun<-as.factor(RhColab1$Mun)
RhColab1$Col<-as.factor(RhColab1$Col)


###  Bajas1 

RhBajas1$Gen<-as.factor(RhBajas1$Gen)
RhBajas1$MB<-as.factor(RhBajas1$MB)
RhBajas1$Días_trab<-as.factor(RhBajas1$Días_trab)
RhBajas1$PuestDes<-as.factor(RhBajas1$PuestDes)
RhBajas1$Col<-as.factor(RhBajas1$Col)
RhBajas1$Mun<-as.factor(RhBajas1$Mun)
RhBajas1$Estado<-as.factor(RhBajas1$Estado)
RhBajas1$EstCiv<-as.factor(RhBajas1$EstCiv)
```
**Verificar la estructura de las bases de datos RhColab1 y RhBajas1**  
```{r}
str(RhColab1)
summary(RhColab1)

str(RhBajas1)
summary(RhBajas1)
```
**Mostrar tablas de visualización para identificar perspectivas relevantes de las bases de datos RhColab1 y RhBajas1** 
```{r}
## Colaboradores


tapply(RhColab1$Sal_Diario,
       list(RhColab1$Gen,RhColab1$Puesto), mean)

tapply(RhColab1$Sal_Diario,
       list(RhColab1$Gen,RhColab1$Dep), mean)

## Bajas

tapply(RhBajas1$Sal_IMSS,RhBajas1$Gen,mean)
```
**Reemplazar el valor atípico de salario_diario con la mediana**
```{r}
RhColab1$Sal_Diario<-replace(RhColab1$Sal_Diario,RhColab1$Sal_Diario>1000000,181)
```
**Mostrar gráficos de visualización de datos para que podamos identificar información relevante de nuestro conjunto de datos RHColab y RHBajas**
```{r}

tapply(RhColab1$Sal_Diario,
       list(RhColab1$Gen,RhColab1$Dep), mean)

hist(RhBajas1$Edad, freq=TRUE, col='orange', main="Histograma de Edad",xlab="Edad en Años")

ggplot(RhBajas1, aes(x=Gen, y=Edad, fill=Gen)) + 
  geom_boxplot() 

ggplot(RhColab1, aes(x=Gen, y=Sal_Diario, fill=Gen)) + 
  geom_boxplot() 

ggplot(RhColab1, aes(Gen,Sal_Diario,fill=Gen)) +                                    
  geom_bar(stat = "identity") +
  scale_fill_brewer(palette = "Set2") + ggtitle("Salario Diario por Genero")


ggplot(RhBajas1, aes(x=Gen, y=Sal_IMSS, fill=Gen)) + 
  geom_bar(stat="identity") + 
  facet_grid(~EstCiv) + scale_fill_brewer(palette = "Set1")
```


**Tecnicas Utilizadas**

Tecnicas de Limpieza: Las tecnicas que se utilizaron con el fin de poder obtener una mejor visualizacion de los datos fueron: Cambiar el nombre de las variables. Se cambio el nombre de las variables de forma que se pudiera obtener mejor comprension de la variable analizada.

Tecnica 2: Se cambio la avriable de fecha_nacimiento a date format

Tecnica 3: Se eliminaron NAs los cuales se sustituyeron con 0s. 

Variables: 122
Registros:28

2 propuestas concretas:

**Analisis Exploratorio**
 En promedio la mayor parte de los colaboradores de Form tienen una edad de entre 20 y 30 años, hay empleadas que tienen un máximo de 56 años mientras que hay un empleado que pasa ya de los 60 años de edad. Entre hombres y mujeres están en un rango de 20 a 40 años de edad

El saldo promedio tanto para hombres como para mujeres ronda en un monto de 170 y 180 pesos, pero hay una empleada que llega a un salario diario de 441 pesos, duplicando el saldo promedio de la mayor parte de los empleados de la compañía. 

Las mujeres tienen un sueldo mas elevado que los hombres

## <span style="color:orange"> *Delivery Plan*

### Descargar librerias
```{r}
#library(data.table)
library(dplyr)
library(plyr)
library(ggplot2)
library(naniar)
library(Hmisc)         
#library(psych)
library(tidyverse)
library(janitor)
library(knitr)
library(pollster)
library(epiDisplay)
library(descr)
library(tidyr)
```
### Limpieza

### Importar base de datos
```{r}
del_plan <-read.csv ("/Users/andreapaolasosa/Library/CloudStorage/OneDrive-InstitutoTecnologicoydeEstudiosSuperioresdeMonterrey/DP_1.csv")
del_plan <- read.csv ("/Users/andreapaolasosa/Library/CloudStorage/OneDrive-InstitutoTecnologicoydeEstudiosSuperioresdeMonterrey/DP_1.csv")
```
### Convertir meses en una columna
```{r}
del_plan <- clean_names(del_plan)
del_plan<-del_plan %>% dplyr::rename(jun_21=junio,
                               jul_21=julio,
                               ago_21=agosto, sep_21=septiembre, oct_21= octubre, nov_21=noviembre, dic_21=diciembre, oct_22=octubre_22)
del_plan<-pivot_longer(del_plan, cols=5:16, names_to = "mes", values_to = "unidades")

del_plan <- dplyr::select(del_plan, -c(5:15))
```


### Eliminar columnas no necesarias
```{r}
del_plan <- dplyr::select(del_plan, -c(2:4))
```

### Formato de las variables
```{r}
str(del_plan)
```

### NA's y valores atipicos
```{r}
del_plan <- filter(del_plan, unidades>0)
sum(is.na(del_plan))
```

### Exportar la base de datos
```{r}
del_plan_limpia<-del_plan
write.csv(del_plan_limpia,file = "CLEANDBDeliveryPlan.csv", row.names = FALSE)
```
**Tecnicas Utilizadas**:
Tecnicas de Limpieza:
Convertir meses en una columna: Esta tecnica se implemento para poder tener un manejo optimo de las unidades de produccion mensual debido a que en la base original estan registradas por meses lo cual dificulta a la hora de hacer un analisis.

Eliminar columnas: Se eliminaron las columnas "ID" "ODOO" "Proyecto" e "Item" ya que no eran de gran relevancia para este analisis

Eliminar NA's y Valores atipicos: No se encontraron NA's ni valores atipicos en la base asi que se eliminaron los registros que tienen 0 unidades programadas.

Registros: 231
Variables:27

### Graficas

### Tabla estadisticas 
```{r}
tabla_estadisticos <- describe(del_plan)
tabla_estadisticos
```

### Bar plots
```{r}
library(dplyr)
str(del_plan)
del_plan$cliente_planta<-as.factor(del_plan$cliente_planta)
del_plan$unidades<-as.numeric(del_plan$unidades) 

del_plan2<-aggregate(unidades~cliente_planta, data = del_plan,sum)%>% arrange(desc(unidades))
del_plan3<-filter(del_plan2, unidades>4000)

ggplot(del_plan3, aes(x=reorder(cliente_planta,unidades), y=unidades)) +
  geom_bar(stat="identity")+
  coord_flip()
```
### Dispersion
```{r}
del_plan2$unidades<-as.numeric(del_plan2$unidades)

ggplot(del_plan, aes(x=cliente_planta, y=unidades, fill=cliente_planta)) + 
  geom_boxplot() 

boxplot(del_plan3$cliente_planta,del_plan3$unidades)
class(del_plan2$unidades)
```
### Time series plot
```{r}
del_plan4<-aggregate(unidades~cliente_planta+mes, data = del_plan,sum)%>% arrange(desc(unidades))
del_plan5<-filter(del_plan4, cliente_planta=="HELLA" & cliente_planta=="TRMX" & cliente_planta=="VARROC" & cliente_planta=="DENSO")
ggplot(del_plan,aes(x=mes, y=unidades,color=cliente_planta))+
  geom_line()+
  labs(x="Fecha",y="Delay in Minutes", color="Legend")+
  ggtitle("Delays in Performance by Client")
```
**Analisis exploratorio** 

Bar Plot: Las funciones utilizadas para la realizacion de este bar plot fueron: as.factor y as.numeric de esta forma volviendo los datos cualitativos a cuantitativos lo cual los hace mas manejables. El resultado de la grafica mostro a los clientes con mayor numero de unidades en orden descendiente.

Box Plot: Se utilizo la funcion as.numeric. 
Un hallazgo importante obtenido fue que "Hella" es el cliente con mayor cantidad de unidades y cuenta con algunos outliers por encima de la media, seguido por TRMX el cual no cuenta con outliers.

Time Series Plot: Para la realizacion de esta grafica fue nnecesario introducir la variable de tiempo mes. Un hallazgo importante fue que en la segunda  mitad del año se nota un incremento considerable y un decremento justo a finalizar el segundo semestre



##  <span style="color:orange"> *Delivery Performance*
```{r}
#file.choose()
bd<-read.csv ("/Users/andreapaolasosa/Desktop/DELIVERYPERORMANCE 2.csv") 
bdclientes<-read.csv ("/Users/andreapaolasosa/Desktop/DeliveryPerformancefinal1.csv")
```

#### Instalar Librerias
```{r}
library (tidyverse)
library (janitor)
library (dplyr)
#install.packages ("ggplot2")
library (ggplot2)
library (Hmisc)
```


### Analizar base de datos
```{r}
summary (bd)
str (bd)


names(bd)<-c('FECHA', 'CLIENTE', 'DIFERENCIA' )
```

### Tipos de variables
```{r}
Variable<-c("FECHA","CLIENTE","DIFERENCIA")
Type<-c("qualitative (ordinal)", "qualitative(nominal)", "quantitative (continuous)")  
table<-data.frame(Variable,Type)
knitr::kable(table)
```

#### Limpieza de base de datos
###  Eliminar NA's y sustituir con 0's
```{r}
sum(is.na(bd))
bd[is.na(bd)]<-0


bd1<-bd
bd1<-as.data.frame(bd1) 
bd1$FECHA<-as.Date(bd1$FECHA,format="%d/%m/%Y") 
bd1$CLIENTE<-as.factor(bd1$CLIENTE) 
tabyl(bd1, FECHA, CLIENTE)
tabyl(bd1, FECHA, DIFERENCIA)
tibble(bd1)
```

### Limpieza bdclientes2
```{r}
bdclientes2<-bdclientes
bdclientes2<-as.data.frame(bdclientes2)
bdclientes2$FECHA<-as.Date(bdclientes2$FECHA,format="%m/%d/%Y")
bdclientes2$PRINTEL<-as.factor(bdclientes2$PRINTEL)
tabyl(bdclientes2, FECHA, PRINTEL)
tabyl(bdclientes2, FECHA, MAHLE)
tibble(bdclientes2)
```

**Tecnicas de Limpieza**
1. Eliminar NA's y sustituir con 0s: Se reemplazaron los NA's con 0s para poder facilitar el analisis y obtener resultados mas precisos.

2.Se cambio el formato de la fecha a mes/dia/año

### Analisis Profundo de la Base de datos
```{r}
media_bd <- mean(bd$DIFERENCIA)
media_bd

median_bd <- median(bd$DIFERENCIA)
median_bd

mode_bd <- mode(bd$DIFERENCIA)
mode_bd



hist(bd1$DIFERENCIA) 
```

### Analisis Profundo de la Base de datos BDCLIENTES
```{r}
media_bdclientes <- mean(bdclientes$PRINTEL)
media_bdclientes

median_bdclientes <- median(bdclientes$PRINTEL)
median_bdclientes

mode_bdclientes <- mode(bdclientes$PRINTEL)
mode_bdclientes

media_bdclientes <- mean(bdclientes$MAHLE)
media_bdclientes

median_bdclientes <- median(bdclientes$MAHLE)
median_bdclientes

mode_bdclientes <- mode(bdclientes$MAHLE)
mode_bdclientes

bdclientes3 <-bdclientes
bdclientes3 <- subset (bdclientes3, select = -c (MAGNA,VARROC))


hist(bdclientes3$PRINTEL)
hist(bdclientes3$MAHLE)
```

### Graficas
### Clientes con los Retrasos mas Altos
```{r}
ggplot(bd,aes(x=FECHA, y=DIFERENCIA,fill=CLIENTE))+
  geom_bar(stat="identity")+
  geom_hline(yintercept=33,linetype="dashed",color="black")+
  labs(x="Fecha",y="Retraso en Minutos", color="Legend")+
  ggtitle("Retraso en Desempeño de los Clientes")
```
**Analisis Exploratorio**
Utilizando la moda, media y promedio se pudo realizar un analisis con los clientes Printel y Mahle. En el histograma representando Printel se puede observar que en la clase de 0 a 5 se encuentra que se tuvo mayor frecuencia, siendo la clase que más se repite, esto quiere decir que… 
De los 12 meses, en 7 se tuvo una diferencia de tiempo de entre 0 y 5 minutos, siendo esta baja pero con un sesgo a la izquierda. 
En cuanto a Mahle este histograma tiene un sesgo hacia la derecha, se tiene una tendencia a tener un mayor retraso en la clase de 60 a 70 minutos aproximadamente con este cliente, esto en un aproximado de 6 meses de los 12 tomados en cuenta.

En la ultima grafica la cual representa el retraso en desempeño, se puede observar que Mahle es el cliente que representa un mayor retraso mientras que Printel se mantiene con los tiempos mas bajos, en este caso siempre debajo de los 30 minutos.

## <span style="color:orange"> *Produccion*

### Limpieza de Datos

### Importar la  base de datos producción de la empresa FORM
```{r}
producciontotal <- read.csv ("/Users/andreapaolasosa/Library/CloudStorage/OneDrive-InstitutoTecnologicoydeEstudiosSuperioresdeMonterrey/BD Producción csv.csv")
```

### Entender la base de datos
```{r message=FALSE, warning=FALSE}
str(producciontotal)

```

### Eliminar columnas irrelevantes para el análisis
```{r message=FALSE, warning=FALSE}
producciontotal <- subset (producciontotal,select = -c(No. , ID.FORM , PRODUCTO,  HR..FIN , ESTACION.ARRANQUE , INICIO.SEP.UP ,FIN.INICIO.DE.SEP.UP , INICIO.de.PROCESO , TIEMPO.MATERIALES , MERMAS.Maquinas. ))
summary (producciontotal)

```

### Instalar librerias necesarias
```{r message=FALSE, warning=FALSE}
# install.packages("tibble")
library(tibble)
```

### Cambiar a entero las variables cuantitativas 
```{r message=FALSE, warning=FALSE}
producciontotal$PIEZAS.PROG. <- substr(producciontotal$PIEZAS.PROG., start = 1, stop = 2)
tibble (producciontotal)
producciontotal$PIEZAS.PROG. <- as.integer(producciontotal$PIEZAS.PROG.)
str(producciontotal)    

producciontotal$TMO..MIN. <- substr(producciontotal$TMO..MIN., start = 1, stop = 2)
tibble (producciontotal)
producciontotal$TMO..MIN. <- as.integer(producciontotal$TMO..MIN.)
str(producciontotal)  

producciontotal$Laminas.procesadas <- substr(producciontotal$Laminas.procesadas, start = 1, stop = 2)
tibble (producciontotal)
producciontotal$Laminas.procesadas <- as.integer(producciontotal$Laminas.procesadas)
str(producciontotal) 

producciontotal$TIEMPO.CALIDAD <- substr(producciontotal$TIEMPO.CALIDAD, start = 1, stop = 2)
tibble (producciontotal)
producciontotal$TIEMPO.CALIDAD <- as.integer(producciontotal$TIEMPO.CALIDAD)
str(producciontotal) 
```


### Convertir formato de la fecha
```{r message=FALSE, warning=FALSE}
producciontotal$Fecha <- as.Date(producciontotal$Fecha, format = "%d/%m/%Y")
tibble(producciontotal)
```

### Convertir variable "Cliente" para análisis descriptivo 
```{r message=FALSE, warning=FALSE}
producciontotal$CLIENTE<-as.factor(producciontotal$CLIENTE)  
str(producciontotal)
```

### Identificar valores faltantes 
```{r message=FALSE, warning=FALSE}
sum(is.na(producciontotal))
```

**¿Cuántos NA tengo por variable?**
```{r message=FALSE, warning=FALSE}
sapply(producciontotal, function(x) sum (is.na(x)))
```

### Reemplazar los registros NA de la tabla con la mediana 
**Instalar paquetes y librerias necesarias**
```{r message=FALSE, warning=FALSE}
# install.packages("dplyr")
library(dplyr)
```
```{r message=FALSE, warning=FALSE}
producciontotal<-producciontotal %>% mutate(PIEZAS.PROG.=ifelse(is.na(PIEZAS.PROG.),median(PIEZAS.PROG.,na.rm=T),PIEZAS.PROG.))
producciontotal<-producciontotal %>% mutate(TMO..MIN.=ifelse(is.na(TMO..MIN.),median(TMO..MIN.,na.rm=T),TMO..MIN.))
producciontotal<-producciontotal %>% mutate(laminas_procesadas=ifelse(is.na(Laminas.procesadas),median(Laminas.procesadas,na.rm=T),Laminas.procesadas))
producciontotal<-producciontotal %>% mutate(TIEMPO.CALIDAD=ifelse(is.na(TIEMPO.CALIDAD),median(TIEMPO.CALIDAD,na.rm=T),TIEMPO.CALIDAD))
```

### Verificar la suma de NAs
```{rmessage=FALSE, warning=FALSE}
sum(is.na(producciontotal))
sapply(producciontotal, function(x) sum (is.na(x)))
```

### Omitir los valores irrelevantes identificados
```{r message=FALSE, warning=FALSE}
producciontotal <- na.omit(producciontotal)
summary(producciontotal)   
sum(is.na(producciontotal))
```

**Tecnicas Utilizadas**
Las tecnicas de limpieza utilizadas fueron eliminar columnas irrelevantes para el análisis, cambiar a entero las variables cuantitativas,convertir formato de la fecha, convertir variable "Cliente" para análisis descriptivo, Reemplazar los registros NA de la tabla con la mediana , Verificar la suma de NAs, Omitir los valores irrelevantes identificados.


### Exportar base de datos
```{r}
write.csv(producciontotal,"producciontotal.csv", row.names=FALSE)
```

**En las tablas anteriores se puede observar como el cliente que más piezas programadas tiene, "YANFENG" se le dedica un tiempo de calidad de 1.1 minuto, siendo casi el tiempo mínimo de dedicación. Mientras que el cliente VL-017-1486 es el cliente el cual tiene casi la mitad de piezas programadas que YANFENG sin embargo al que más tiempo se le dedica. Por lo que se puede inferir que sus piezas pudieran ser de mucho márgen de error.**

## <span style="color:orange"> *Prediccion de Desempeño de la industria automotriz*
### Modelo predictivo 

### Importar la base de datos y entenderla
```{r message=FALSE, warning=FALSE}
externa <- read.csv("/Users/andreapaolasosa/Library/CloudStorage/OneDrive-InstitutoTecnologicoydeEstudiosSuperioresdeMonterrey/us_motor_production_and_domestic_sales.csv")
summary(externa)
```

### Instalar librerias necesarias
```{r message=FALSE, warning=FALSE}
library(jtools)       
library(lmtest)      
library(car)          
library(olsrr) 
```

### Realizar regresión 1
```{r message=FALSE, warning=FALSE}
regresion <- lm(Production_Commercial_Vehicles ~ US_Unemployment + US_Consumer_Confidence + US_Min_Hour_Wage , data=externa)
summary(regresion)
```

**Analizar el comportamiento de las variables independientes en la regresión**
```{r message=FALSE, warning=FALSE}
effect_plot(regresion,pred=US_Consumer_Confidence,interval=TRUE)
```

```{r message=FALSE, warning=FALSE}
effect_plot(regresion,pred=US_Unemployment,interval=TRUE)
```

```{r message=FALSE, warning=FALSE}
effect_plot(regresion,pred=US_Min_Hour_Wage,interval=TRUE)
```
**Analisis Exploratorio**
Siendo la Producción de Autos Comerciales la variable dependiente, se puede ver  como el salario, la confianza del consumidor y el desempleo generan cambios en ella. Es decir, se observa que la que mayor impacto tiene es la confianza del consumidor debido a que valor p esta abajo del 10%, e incluso se observa su comportamiento en la gráfica como si la producción sube, la confianza del consumidor igual aumenta. 


### Realizar regresión 2 
```{r message=FALSE, warning=FALSE}
regresion2 <- lm(Production_Passenger_Cars ~ US_Unemployment + US_Consumer_Confidence + US_Min_Hour_Wage , data=externa)
summary(regresion2)
```

**Analizar el comportamiento de las variables independientes en la regresión**
```{r message=FALSE, warning=FALSE}
effect_plot(regresion2,pred=US_Consumer_Confidence,interval=TRUE)
```

```{r message=FALSE, warning=FALSE}
effect_plot(regresion2,pred=US_Unemployment,interval=TRUE)
```

```{r message=FALSE, warning=FALSE}
effect_plot(regresion2,pred=US_Min_Hour_Wage,interval=TRUE)
```
**Analisis Exploratorio**
A diferencia de la primera variable dependiente, se observa como la producción de autos de pasajero tiene coeficientes negativos en las variables independientes del desempleo y confianza del consumidor por lo tanto su comportamiento en las gráficas a pesar de que exista una producción alta su tendencia va para abajo.


## <span style="color:orange"> *Merma*

### Importar base de datos
```{r}
bd <-read.csv ("/Users/andreapaolasosa/Library/CloudStorage/OneDrive-InstitutoTecnologicoydeEstudiosSuperioresdeMonterrey/FORM - Merma limpia2.csv")
```
### Analizar base de datos.
```{r}
summary(bd)
str(bd)
describe(bd)
```
### Instalar librerias 
```{r}
# install.packages("tidyverse")
#library(tidyverse)
# install.packages("janitor")
#library(janitor)
#library(dplyr)
#library(ggplot2)
```
### Tipos de Variables
```{r}
Variable<-c("Fecha","ENERO","KilosEnero","Fecha1","FEBRERO","KilosFebrero","Fecha2","MARZO","KilosMarzo","Fecha3","ABRIL","KilosAbril","Fecha4","MAYO","KilosMayo","Fecha5","JUNIO","KilosJunio","Fecha6","JULIO","KilosJulio","Fecha7","AGOSTO","KilosAgosto","Fecha8","SEPTIEMBRE","KilosSeptiembre")
Type<-c("qualitative (nominal)", "qualitative (ordinal)", "quantitative (discrete)","qualitative (nominal)","qualitative (ordinal)","quantitative (discrete)","qualitative (nominal)","qualitative (ordinal)","quantitative (discrete)","qualitative (nominal)","qualitative (ordinal)","quantitative (discrete)","qualitative (nominal)","qualitative (ordinal)","quantitative (discrete)","qualitative (nominal)","qualitative (ordinal)","quantitative (discrete)","qualitative (nominal)","qualitative (ordinal)","quantitative (discrete)","qualitative (nominal)","qualitative (ordinal)","quantitative (discrete)","qualitative (nominal)","qualitative (ordinal)","quantitative (discrete)")
table<-data.frame(Variable,Type)
knitr::kable(table)
```
### Eliminar NA's y sustituir con 0's
```{r}
sum(is.na(bd))
bd[is.na(bd)]<-0
```
### Eliminar duplicados
```{r}
bd[duplicated(bd), ]
sum(duplicated(bd))
```
### Eliminar negativos con cero
```{r}
bd1<-bd
bd1[bd1 <0] <-0
summary(bd1)
```
### Analisis Profundo de la Base de datos
```{r}
media_bd5 <- mean(bd$KilosMayo)
media_bd5
median_bd5 <- median(bd$KilosMayo)
median_bd5
mode_bd5 <- mode(bd$KilosMayo)
mode_bd5

media_bd8 <- mean(bd$KilosAgosto)
media_bd8
median_bd8 <- median(bd$KilosAgosto)
median_bd8
mode_bd8 <- mode(bd$KilosAgosto)
mode_bd8
```
### Grafica Frecuencia (Fecha)
```{r}
bd$Fecha7<- as.Date(bd$Fecha7,format = "%d/%m/%Y")
plot(bd$Fecha7, bd$KilosAgosto)
```

### Eliminar columnas
```{r}
bd2 <-bd
bd2 <- subset (bd2, select = -c (Fecha))
```

### Grafica de Mayo & Agosto (Mayor cantidad de merma y registros)
```{r}
ggplot(bd, aes(x= Fecha4, y= KilosMayo)) + geom_bar(stat="identity", fill="blue") + scale_fill_grey() + labs(title = "Kilos de merma Agosto", x = "Fecha")

ggplot(bd, aes(x= Fecha7, y= KilosAgosto)) + geom_bar(stat="identity", fill="blue") + scale_fill_grey() + labs(title = "Kilos de merma Agosto", x = "Fecha")
```

## <span style="color:orange"> *Pronostico de la Industria Automotriz*

### Instalar paquetes y llamar librerias
```{r}
#install.packages("forecast")
library(forecast)
```

### Sumar el Total de KilosxMes
```{r}
sum(bd$KilosEnero)
sum(bd$KilosFebrero)
sum(bd$KilosMarzo)
sum(bd$KilosAbril)
sum(bd$KilosMayo)
sum(bd$KilosJunio)
sum(bd$KilosJulio)
sum(bd$KilosAgosto)
sum(bd$KilosSeptiembre)
```

### Crear serie de tiempo
```{r}
merma <- c(14560,22830,22470,18820,23410,18280,19370,32100,13586)

produccion_st <- ts(data = merma, start = c(2022,1), frequency = 12)
produccion_st
```


### Graficar Pronostico
```{r}
modelo <- auto.arima(produccion_st)
modelo

pronostico <- forecast(modelo, level=c(95), h=3)
pronostico

plot(pronostico)
```
**Tecnicas Utilizadas**
Para la elaboracion de este analisis fue necesario utilizar ciertas tecnicas de limpieza antes, como ser, Eliminar NA's y sustituir con 0's, Eliminar duplicados,Eliminar negativos con cero, Eliminar columnas. Todas las tecnicas mencionadas anteriormente son utilizadas para poder obtener un analisis mas preciso eliminando informacion que no aporta a la realizacion de este.

Como se puede obervar en la grafica de pronostico,

## <span style="color:orange"> *Scrap*

###  Importar base de datos
```{r}
bd <- read.csv ("/Users/andreapaolasosa/Library/CloudStorage/OneDrive-InstitutoTecnologicoydeEstudiosSuperioresdeMonterrey/FORM - Scrap Limpia  (2).csv")
```

###  Tipos de Variables Existentes
```{r}
variable<-c("Referencia","Fecha", "Hora", "Producto", "Cantidad", "Unidad.de.medida", "Ubicación.de.origen", "Ubicación.de.desecho", "Estado")

type<-c("Cualitativo (nominal)","Cuantitativo (disccreta)", "Cuantitativo (discreta)", "Cualitativo (nominal)","Cuantitativo (Continua)", "Cualitativo (nominal)", "Cualitativo (nominal)","Cualitativo (nominal)","Cualitativo (nominal)")

Escala_de_Medición<-c("Numero", "Fecha", "Categoría", "Kg", "Medición", "Posición", "Posición", "Estado")


table<-data.frame(variable,type)
knitr::kable(table)
```

### Cantidad de productos por día 
```{r}
bd$Fecha<- as.Date(bd$Fecha,format = "%d/%m/%Y")
plot(bd$Fecha, bd$Cantidad)

summary(bd)

#library(tidyverse)
#library(janitor)
```

### Número de variables y registros en base de datos
```{r}
#install.packages("psych")
library(psych)
#describe(bd)
str(bd)

#tabyl(bd, Producto, Ubicación.de.origen)
```

### Tipos de Variables Existentes
```{r}
variable<-c("Referencia","Fecha", "Hora", "Producto", "Cantidad", "Unidad.de.medida", "Ubicación.de.origen", "Ubicación.de.desecho")

type<-c("Cualitativo (nominal)","Cuantitativo (disccreta)", "Cuantitativo (discreta)", "Cualitativo (nominal)","Cuantitativo (Continua)", "Cualitativo (nominal)", "Cualitativo (nominal)","Cualitativo (nominal)")

table<-data.frame(variable,type)
knitr::kable(table)
```

### Limpieza de datos 
```{r}
## Eliminar columnas que no se usan  

bd1 <- bd
bd1<- subset(bd1, select = -c (Referencia, Producto, Unidad.de.medida, Hora, Ubicación.de.desecho, Estado))

## Borrar N/A's 
```

**Tecnicas Utilizadas**
Eliminar columnas innecesarias para facilitar el analisis con datos relevantes.
Borrar NA's ya que no dicen informacion relevante para el analisis.


```{r}
bd2 <- bd
bd2<- subset(bd2, select = -c (Referencia, Producto, Unidad.de.medida, Hora, Ubicación.de.desecho, Estado))

media <- mean(bd2$Cantidad)

mediana <- median(bd2$Cantidad)

mode <- function (x) {
  ux <- unique(x)
  ux [which.max(tabulate(match(x,ux)))]
}

mode <- mode(bd2$Cantidad)
mode

hist(bd2$Cantidad)
```

```{r}

ggplot(bd2, aes(x=media, y= Ubicación.de.origen)) +
  geom_bar(stat="identity", fill="red") + scale_fill_grey() + # Add bars to the plot
  labs(title = "Scrap empresa FORM", # Add a title
       subtitle = "", # Add a subtitle
       caption = "Relación", # Add a caption
       x = "Toneladas")

```
**Analisis Exploratorio**
A traves de analisis realizado, se peude obervar en el grafico que el área donde más se genera desperdicio es en SAB/Pre-Production con al rededor de 1200 toneladas. Este es un insight muy interesante ya que se logra identificar de donde viene la mayoria de desperdicio y se puede realizar un contraste con las otras areas las cuales es muy significativa la diferencia.
A raiz de esto se pueden comenzar a pensar estrategias para implementar dentro del area de SAB/Pre-Production las cuales beneficiarian a Form con la disminucion de desperdicio.


## <span style="color:orange"> Seccion 3: K-means clustering
**Definición de conceptos** 
Conceptos que contribuyen a la identificación de clusters usando analítica de datos. 

**I. K- Means Clustering**  
K- means clustering tiene como objetivo agrupar datos con características similares en el mismo cluster. Uno de los beneficios más grandes de la herramienta es que se pueden resumir datos de gran dimensión.  


**II. Unsupervised Learning**  
No se asignan etiquetas al algoritmo de aprendizaje, dejándolo solo para encontrar la estructura en su entrada.  El aprendizaje no supervisado puede ser un fin en sí mismo (descubrir patrones ocultos en los datos) o un medio para un fin (aprendizaje de funciones).  

**III. Eucliedean Distance**  
La distancia Euclidiana es el cálculo de distancia comúnmente utilizado para medir la distancia entre dos puntos de datos. 

## <span style="color:orange"> K-means Clusters
**Instalar librerias**
```{r  message=FALSE, warning=FALSE}
library(foreign)
library(dplyr)        # data manipulation 
library(ggplot2)      # data visualization 
#install.packages("psych")
library(psych)        # functions for multivariate analysis 
library(corrplot)     # correlation plots
#install.packages("jtools")
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
library(plyr)
library(base)
library(tibble)
```

**Cluster edad y salario diario**
**Leer la base de datos** 
```{r message=FALSE, warning=FALSE}
bajasdata <-read.csv("/Users/andreapaolasosa/Library/CloudStorage/OneDrive-InstitutoTecnologicoydeEstudiosSuperioresdeMonterrey/RHBAJASLIMPIA1.csv")
summary(bajasdata)
```

**Limpieza. Seleccionar variables relevantes**
```{r message=FALSE, warning=FALSE}
bajasdata1<-bajasdata
bajasdata1<-subset(bajasdata,select = -c(genero,fecha_alta,motivo_baja,puesto,estado,nombre,colonia,municipio,motivo_baja, estado_civil, dias_laborados, fecha_baja))
summary(bajasdata1)
```

**Limpieza. Eliminar edad 0**
```{r message=FALSE, warning=FALSE}
bajasdata2 <- bajasdata1
bajasdata2<-bajasdata1[-c(97,149),]
```

**Normalizar la base de datos**
```{r message=FALSE, warning=FALSE}
bajas_data_norm <- scale(bajasdata2[1:2])
```

**Identificar número de clusters**
```{r message=FALSE, warning=FALSE}
fviz_nbclust(bajas_data_norm, kmeans, method="wss")+ 
  geom_vline(xintercept=4, linetype=2)+           
  labs(subtitle = "Elbow method")    
```

**Visualizar el cluster**
```{r message=FALSE, warning=FALSE}
edad_cluster1<-kmeans(bajas_data_norm,3)
edad_cluster1
```
```{r}
fviz_cluster(edad_cluster1,data=bajas_data_norm)
```
**Analisis Profundo del Cluster**
```{r  message=FALSE, warning=FALSE}
bajasdata3<- bajasdata2
bajasdata3$Clusters<-edad_cluster1$cluster
bajasdata4<-bajasdata3 %>% group_by(Clusters) %>% summarise(edad=max(edad)) %>% arrange(desc(edad))
bajasdata3$Cluster_Names<-factor(bajasdata3$Clusters,levels = c(1,2,3), 
                                 labels=c("Jubilación", "Joven", "Adulto"))
```

```{r message=FALSE, warning=FALSE}
bajasdata5 <- bajasdata3 %>% dplyr:: group_by(Cluster_Names) %>% dplyr:: summarize(edad_anos=max(edad), 
                                                             sal_imss=mean(sal_imss),
                                                             count=n())
```

```{r message=FALSE, warning=FALSE}
clusters<-as.data.frame(bajasdata5)
clusters
```
**Gráfico de barras de las bajas con edad máxima de cluster**
```{r message=FALSE, warning=FALSE}
ggplot(bajasdata5, aes(x=Cluster_Names,y=edad_anos,fill= Cluster_Names,label=round(edad_anos,digits=2))) + 
  geom_col() + 
  geom_text()
```
**Gráfico de barras de las bajas con su salario**
```{r message=FALSE, warning=FALSE}
ggplot(bajasdata5,aes(x=Cluster_Names,y=sal_imss ,fill= Cluster_Names,label=round(sal_imss,digits=2))) + 
  geom_col() +  
  geom_text()
```
**Dispersión de la edad**
```{r message=FALSE, warning=FALSE}
ggplot(bajasdata3, aes(x=Cluster_Names, y=edad, fill=Cluster_Names)) +
  geom_boxplot()+
  ggtitle("Dispersion of 'Edad' by Clusters Names")
```
**Dispersión del salario diario**
```{r message=FALSE, warning=FALSE}
ggplot(bajasdata3, aes(x=Cluster_Names, y=sal_imss, fill=Cluster_Names)) +
  geom_boxplot()+
  ggtitle("Dispersion of 'Salario_Diario' by Clusters Names")
```
**Cluster edad y días laborados**
```{r}
RHBAJAS <-read.csv("/Users/andreapaolasosa/Library/CloudStorage/OneDrive-InstitutoTecnologicoydeEstudiosSuperioresdeMonterrey/RHBAJASLIMPIA1.csv")
```
**Analizar base de datos**
```{r message=FALSE, warning=FALSE}
summary(RHBAJAS)
str(RHBAJAS)
describe(RHBAJAS)
```

**Edad vs dias laborados-Clusters**
```{r message=FALSE, warning=FALSE}
RHBAJAS1<-RHBAJAS
RHBAJAS1<-subset(RHBAJAS1,select = -c(genero,fecha_alta,motivo_baja,puesto,estado,nombre,colonia,municipio,fecha_baja))
summary(RHBAJAS1)
```
**Eliminar renglones** 
**Eliminamos dos reglones que tenian como edad (0)**
```{r message=FALSE, warning=FALSE}
RHBAJAS2 <- RHBAJAS1
RHBAJAS2 <- RHBAJAS2 [RHBAJAS2$edad> min(1), ]
summary(RHBAJAS2)
```
**Normalizar la base de datos**
```{r message=FALSE, warning=FALSE}
RH_EDAD_NORM<-scale(RHBAJAS2[1:2])
```
**Se visualizan el # correcto de clusters a realizar**
```{r message=FALSE, warning=FALSE}
fviz_nbclust(RH_EDAD_NORM, kmeans, method="wss")+ 
  geom_vline(xintercept=4, linetype=2)+         
  labs(subtitle = "Elbow method") 
```

**Visualizar el cluster**
```{r message=FALSE, warning=FALSE}
RHEDAD_Cluster1<-kmeans(RH_EDAD_NORM,4)
RHEDAD_Cluster1
fviz_cluster(RHEDAD_Cluster1,data=RH_EDAD_NORM)
```

```{r}
RHEDAD_Cluster1<-kmeans(RH_EDAD_NORM,4)
RHEDAD_Cluster1
```

**Visualizacion del Cluster**
```{r}
fviz_cluster(RHEDAD_Cluster1,data=RH_EDAD_NORM)
```

**Analisis Profundo del Cluster**
```{r}
RHBAJAS3 <- RHBAJAS2
RHBAJAS3$Clusters<-RHEDAD_Cluster1$cluster
RHBAJAS4<-RHBAJAS3 %>% group_by(Clusters) %>% summarise(edad=max(edad)) %>% arrange(desc(edad))
RHBAJAS3$Cluster_Names<-factor(RHBAJAS3$Clusters,levels = c(1,2,3,4), 
                                 labels=c("Adulto", "Principiante", "Mayor", "Juvenil"))
```

```{r message=FALSE, warning=FALSE}
RHBAJAS6 <- RHBAJAS3 %>% group_by(Cluster_Names) %>% dplyr:: summarize(edad_anos=max(edad), 
dias_laborados=mean(dias_laborados),
Count=n())
```

```{r message=FALSE, warning=FALSE}
clusters<-as.data.frame(RHBAJAS6)
clusters
```
**Analisis de Datos del cluster expresados por graficas**
```{r message=FALSE, warning=FALSE}
ggplot(RHBAJAS6,aes(x=reorder(Cluster_Names,Count),y=Count,fill=Cluster_Names)) +
  geom_bar(stat="identity")
```
**Edades (maximas), al igual se puede realizar con un (barplot)**
```{r message=FALSE, warning=FALSE}
ggplot(RHBAJAS6, aes(x=Cluster_Names,y=edad_anos,fill= Cluster_Names,label=round(edad_anos,digits=2))) + 
  geom_col() + 
  geom_text()
```
**Dias laborados (Maximos)**
```{r message=FALSE, warning=FALSE}
ggplot(RHBAJAS6,aes(x=Cluster_Names,y=dias_laborados,fill= Cluster_Names,label=round(dias_laborados,digits=2))) + 
  geom_col() + 
  geom_text()
```
**Grafica de Boxplot (Analisis de las edades de los 4 grupos.)**
```{r message=FALSE, warning=FALSE}
ggplot(RHBAJAS3, aes(x=Cluster_Names, y=edad, fill=Cluster_Names)) +
  geom_boxplot()+
  ggtitle("Edad (Dispersion)")
```


##  <span style="color:orange"> **Hallazgos identificacos K-Means** 

Durante esta actividad realizamos un análisis en la base de datos de Recursos Humanos, enfocados en las variables de Edad, Salario y Días Trabajados, por lo que se decidió definir varios pasos a seguir para llegar al objetivo deseado que era finalmente llegar a la construcción de los clusters.  

Tomando en cuenta los hallazgos de la edad y el salario diario, se llego a la conclusión de lo siguiente:   


1. Hay más bajas de adultos con el rango de edades de 41 a 61, el cuál se identifico como jubilación.   

2. Los adultos de 33-40 años ganan más con un sueldo diario de 186.16 en promedio.  


De igual manera podemos observar cuatro Clusters que toman en cuenta la edad y los días laborados:  

1. El Cluster Rojo "Adulto" es un grupo en el cual se observa que son las personas de edad alta y con una característica en común que es que duran poco tiempo laborando en la empresa.  
2. El Cluster Azul "Mayor" es el Cluster que más se aparta de los demás Clusters debido a que son personas con mayor rango de edad y la mayor parte de los empleados cuentan con esta edad.  
3. El Cluster Morado "Juvenil" donde se encuentran las personas con un rango de edad de entre 30 y 36 años, habiendo más personas en el rango de los 30 a 32 años,  
4. El Cluster Verde "Principiante" es el grupo de personas más jóvenes en la empresa, con un rango de entre 20 y 30 años.  


El grupo que cuenta con más días laborados es el de edad máxima, siendo los adultos, de igual manera estos cuentan con un salario mayor.  
Por último podemos observar que en los gráficos que se analizan con estas variables tenemos los siguientes puntos a consideración:  
- Edad Máxima   
- Días Laborados Máximos   
- Recuento de los grupos que presentan mayor actividad en la empresa.   
- La dispersión de edad que existe entre cada uno de los grupos.



### <span style="color:orange"> *Seccion 4*

**A partir del análisis de las bases de datos de las diferentes áreas de la empresa FORM, identificar y describir los principales 6-8 hallazgos**
(meaningful insights).
A través de los diferentes análisis realizados en las diferentes bases de datos se pudieron obtener hallazgos importantes entre ellos, algunos importantes a destacar son:
Analizando la base de datos de RH se pudo observar que hay una alta rotación de personal. Esto es importante mencionar ya que puede afectar a la productividad de la empresa, es por eso que se debe ver con más detalle esta observación y analizar la raíz de lo que está causando la rotación.
En la base de datos de delivery plan se pudo obtener cuál fue el cliente con mayor importancia que en este caso fue “Hella” ya que cuenta con el mayor número de unidades y outliers por encima de la media.
En cuanto a la base de delivery performance, se pudieron obtener ciertos hallazgos de gran interés. Por ejemplo, Mahle es el cliente con mayores retrasos en cuanto a los tiempos de entrega. 
Printel es el cliente con el cual siempre se mantienen dentro de los tiempos deseables, que en este caso sería, debajo de los 30 minutos.
En la base de producción se identificó que el cliente “Yanfeng” es al cual se le dedica menos tiempo en calidad, lo cual podría ser un riesgo para Form ya que da espacio a un margen más elevado de error.
Se identificó que hay una alta cantidad de desperdicio que podría ser utilizada para una nueva fuente de ingreso. Este insight puede ser transformado en una estrategia ya que uno de los principales objetivos es darle un nuevo uso a la merma. 

**A partir del análisis de las bases de datos de las diferentes áreas de laempresa FORM, describir 3 sugerencias que le permitan al socio formador**
mejorar su proceso de captura, organización, y analítica de datos.
Contar con bases de datos más organizadas y con formato. Esto para facilitar el análisis de los datos y poder obtener muchos más insights de los que se podrían obtener con sus bases actuales y de manera más rápida.

Poner atencion a la parte de Recursos Humanos y la alta rotacion de empleados y tambien que la mayoria son empleados jovenes. Investigar si estos dos factores se relacionan y emplear acciones de retencion de capital humano.

Abrir un departamento de business analytics e intelligence y tener a una persona que se dedique a realizar pronosticos y predicciones que pueden ayudar a determinar comportamientos a futuro. Esto puede ser de gran utilidad para Form para ayudar a identificar areas de mejora y oportunidades de crecimiento y ahorro. Asi mismo puede ayudar a prevenir errores a futuro.

**Describir con tus propias palabras los términos Business Analytics and Business Intelligence. Así también, identificar y describir 3 principales diferencias entre Business Analytics y Business Intelligence.**
Ambas herramientas son utilizadas para el procesamiento de datos y para poder llevar a cabo análisis estadísticos, sin embargo existe una diferencia entre los dos conceptos aunque puedan sonar similares.
Business analytics hace referencia a las herramientas que se utilizan al momento de realizar ciertas actividades como el análisis predictivo, facilitando realizar predicciones utilizando como estructura principal los datos analizados. Ayuda a la toma de decisiones dentro de una organización. 
Business Intelligence, se aplica al análisis de datos y negocios lo cual facilita la toma de decisiones dentro de una empresa. Gracias a Business Intelligence se pueden crear objetivos orientados a las necesidades primordiales de la empresa, siendo mucho más precisas y basadas en datos concretos y no en suposiciones.

3 Diferencias:
La diferencia  principal entre estas dos herramientas se basa en el enfoque que tiene  cada una. Business Analytics es mas análisis estadístico, modelos predictivos y tendencias para poder desarrollar pronósticos de comportamientos a futuro.

Business Intelligence se encarga más de analizar la información y a partir de ella poder tomar decisiones. 

Business Analytics se encarga de resolver problemas dentro de una  organización antes de que estos ocurran, previniendo pérdidas. 

**Describir con tus propias palabras el concepto de Indicador Clave de Rendimiento / Key Performance Indicators**
Los Kpis son indicadores dentro de una empresa que facilitan medir el desempeño de los colaboradores y de la organización. Indica el nivel de rendimiento que se está obteniendo y ayuda  a identificar en qué áreas se debe reforzar el enfoque.

**A partir del análisis de las bases de datos de las diferentes áreas de la empresa FORM, proponer y describir 3 posibles KPIs que permitan evaluar el desempeño de algunas de sus áreas**
tasa de pedidos entregados a tiempo(30 min): medir que todos los pedidos sean entregados dentro del tiempo establecido es decir 30 minnutos y prestar atencion a los que estan causando retrasos e investigar la causa de ellos. Esto aumentaria la cantidad de entregas por dia lo cual generaria mayor rentabilidad.
tasa de rotación de empleados: medir la tasa de rotacion de empelados y analizar de que manera se puede crear mayor retencion. Impartir capacitaciones
tasa de desperdicio: Medir la cantidad de desperdicio generada, de esta manera con los datos precisos, poder buscar alternativas de que se puede hacer con la materia sobrante.




Bibliografia:
Escobar, J. (2021, October 26). Business Analytics vs Business Intelligence ¿cuál es la diferencia? Egade.tec.mx; EGADE Insights. https://blog.egade.tec.mx/business-analytics-vs-business-intelligence-diferencias

Grupo Bit. (2022). ¿Cuál es la diferencia entre Business Intelligence y Business Analytics? Grupobit.net. https://business-intelligence.grupobit.net/blog/cual-es-la-diferencia-entre-business-intelligence-y-business-analytics













