“Evidencia 2”
Mayra Campoy Ramos
2022-10-21
Recursos Humanos Colaboradores
Importar las bases de datos
# file.choose()
bd <- read.csv( "/Users/mayracampoyramos/Desktop/Analisis de Datos Concentracion/Reto/FORM - Recursos Humanos - colaboradores.csv")
library(plyr)
# install.packages("dplyr")
library(dplyr)
# install.packages("janitor")
library(janitor)
library(data.table)
library(ggplot2)
library(naniar)
library(Hmisc)
library(psych)
library(tidyverse)
library(knitr)
# install.packages("pollster")
library(pollster)
library(epiDisplay)
library(descr)
library(tidyr)
colaboradores <- clean_names(bd)
summary(colaboradores)## no_empleado nombre_completo edad genero
## Min. : 1 Length:113 Min. :18.00 Length:113
## 1st Qu.: 29 Class :character 1st Qu.:26.00 Class :character
## Median : 57 Mode :character Median :34.00 Mode :character
## Mean : 57 Mean :36.06
## 3rd Qu.: 85 3rd Qu.:45.00
## Max. :113 Max. :73.00
##
## fecha_alta antiguedad puesto mano_de_obra
## Length:113 Min. : 0.000 Length:113 Length:113
## Class :character 1st Qu.: 0.000 Class :character Class :character
## Mode :character Median : 0.000 Mode :character Mode :character
## Mean : 1.425
## 3rd Qu.: 2.000
## Max. :12.000
##
## salario_diario estado_civil
## Min. :144.4 Length:113
## 1st Qu.:176.7 Class :character
## Median :180.7 Mode :character
## Mean :179.1
## 3rd Qu.:180.7
## Max. :337.1
## NA's :2Limpieza, Transformación, y Organización de Bases de Datos
¿Cuántas variables y cuantos registros tiene la base de datos?
describeData(colaboradores,head=1,tail=1)## n.obs = 113 of which 111 are complete cases. Number of variables = 10 of which all are numeric FALSE
## variable # n.obs type H1
## no_empleado 1 113 1 1
## nombre_completo* 2 113 3 NICOLAS MARTINEZ DE LOERA
## edad 3 113 1 67
## genero* 4 113 3 MASCULINO
## fecha_alta* 5 113 3 01/07/2010
## antiguedad 6 113 1 12
## puesto* 7 113 3 SUPERVISOR DE MAQUINA
## mano_de_obra* 8 113 3 Indirecto
## salario_diario 9 111 1 176.72
## estado_civil* 10 113 3 Soltero
## T1
## no_empleado 113
## nombre_completo* SOFIA VAZQUEZ GAYTAN
## edad 50
## genero* FEMENINO
## fecha_alta* 23/08/2022
## antiguedad 0
## puesto* AYUDANTE GENERAL
## mano_de_obra* Directo
## salario_diario 180.68
## estado_civil* CasadoExisten 10 variables y 113 registros en la base de datos.
Aplica técnicas de limpieza de bases de datos y explícalas brevemente, ¿por qué realizaste esas técnicas?
Técnica 1. Borrar columnas.
colaboradores <- subset(colaboradores, select = -c(no_empleado, nombre_completo, fecha_alta, mano_de_obra))Esta técnica se realizó ya que no se consideraron importantes las columnas de variables.
Técnica 2. Reemplezar NAs con el promedio en la columna de “Salario Diario”
colaboradores$salario_diario[is.na(colaboradores$salario_diario)]<-mean(colaboradores$salario_diario, na.rm = TRUE)
summary (colaboradores)## edad genero antiguedad puesto
## Min. :18.00 Length:113 Min. : 0.000 Length:113
## 1st Qu.:26.00 Class :character 1st Qu.: 0.000 Class :character
## Median :34.00 Mode :character Median : 0.000 Mode :character
## Mean :36.06 Mean : 1.425
## 3rd Qu.:45.00 3rd Qu.: 2.000
## Max. :73.00 Max. :12.000
## salario_diario estado_civil
## Min. :144.4 Length:113
## 1st Qu.:176.7 Class :character
## Median :180.7 Mode :character
## Mean :179.1
## 3rd Qu.:180.7
## Max. :337.1Al reemplazar los NA ’s con el promedio nos ayuda para no contar con registros nulos y contar con los valores más acertados posibles al tiempo de analizarlos.
Exportar base de datos limpia
write.csv(colaboradores, file="colaboradores_bd_limpia.csv", row.names = FALSE)Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa continua
Elige la escala de medición de cada variable.
Variable <-c("Edad","Genero", "Antiguedad","Puesto", "Salario Diario", "Estado Civil")
Type<-c("quantitative (discreta)", "qualitative", "quantitative (discreta)","qualitative", "quantitative (continua)", "qualitative")
Measurement<-c("Años","NA","Meses trabajados","NA", "Cantidad de dinero","NA")
table<-data.frame(Variable,Type,Measurement)
knitr::kable(table)| Variable | Type | Measurement |
|---|---|---|
| Edad | quantitative (discreta) | Años |
| Genero | qualitative | NA |
| Antiguedad | quantitative (discreta) | Meses trabajados |
| Puesto | qualitative | NA |
| Salario Diario | quantitative (continua) | Cantidad de dinero |
| Estado Civil | qualitative | NA |
Análisis Exploratorio de las Bases de Datos
Análisis Estadístico
Media
media_edad <- mean(colaboradores$edad)
media_edad## [1] 36.06195media_antiguedad <- mean(colaboradores$antiguedad)
media_antiguedad## [1] 1.424779media_salario <- mean(colaboradores$salario_diario)
media_salario## [1] 179.0981Mediana
mediana_edad <- median(colaboradores$edad)
mediana_edad## [1] 34mediana_antiguedad <- median(colaboradores$antiguedad)
mediana_antiguedad## [1] 0mediana_salario <- median(colaboradores$salario_diario)
mediana_salario ## [1] 180.68Moda
mode <- function(x) {
ux <- unique(x)
ux[which.max(tabulate(match(x, ux)))]
}
moda_edad <- mode(colaboradores$edad)
moda_edad## [1] 32moda_antiguedad <- mode(colaboradores$antiguedad)
moda_antiguedad## [1] 0moda_salario <- mode(colaboradores$salario_diario)
moda_salario ## [1] 180.68Varianza
varianza_edad <-var(colaboradores$edad)
varianza_edad## [1] 165.0051varianza_antiguedad <-var(colaboradores$antiguedad)
varianza_antiguedad## [1] 6.353666varianza_salario <-var(colaboradores$salario_diario)
varianza_salario## [1] 589.7227Desviación Estándar
desviacion_edad <- sqrt(varianza_edad)
desviacion_edad## [1] 12.84543desviacion_antiguedad <- sqrt(varianza_antiguedad)
desviacion_antiguedad## [1] 2.520648desviacion_salario <- sqrt(varianza_salario)
desviacion_salario## [1] 24.28421Tabla
Variable <-c("Edad","Antiguedad","Salario Diario")
Promedio <-c("36", "1.42","179.098")
Moda <-c("32","0","180.68")
Mediana <-c("34","0","180.68")
Varianza <-c("165.005","6.353","589.722")
Desviación_Estándar <-c ("12.845","2.520","24.284")
tabla1 <-data.frame(Variable,Promedio, Moda, Mediana, Varianza, Desviación_Estándar)
tabla1## Variable Promedio Moda Mediana Varianza Desviación_Estándar
## 1 Edad 36 32 34 165.005 12.845
## 2 Antiguedad 1.42 0 0 6.353 2.520
## 3 Salario Diario 179.098 180.68 180.68 589.722 24.284knitr::kable(tabla1)| Variable | Promedio | Moda | Mediana | Varianza | Desviación_Estándar |
|---|---|---|---|---|---|
| Edad | 36 | 32 | 34 | 165.005 | 12.845 |
| Antiguedad | 1.42 | 0 | 0 | 6.353 | 2.520 |
| Salario Diario | 179.098 | 180.68 | 180.68 | 589.722 | 24.284 |
Gráfico cuantitativo: (Histograma):
Sueldo <- colaboradores$salario_diario
hist(Sueldo, main = "Sueldo de los empleados", ylab = "# de empleados", col = "lightblue")
En esta gráfica podemos observar fácilmente como la mayor parte de los empleados ganan menos de 200 MXN pesos al día.
Bar Plots
hist(colaboradores$edad, freq=TRUE, col="purple", main="Edad en años de los Colaboradores actuales")
Con estas gràfica podemos observar que los colaboradores actuales en promedio tienen entre 20-40 años.
ggplot(colaboradores, aes(x=genero, y=salario_diario, fill=genero)) +
geom_bar(stat="identity") +
facet_grid(~estado_civil) + scale_fill_brewer(palette = "Set2")
Con este gràfico podemos observar que los que estan casados y solteros suelen ganar màs de los que estan divorciados y en uniòn libre. Ademàs, los hombres casados y las mujeres solteras son los que ganan màs.
Dispersion plot
ggplot(data=colaboradores, mapping = aes(edad, salario_diario)) + geom_point(aes(color = genero)) + theme_bw()
Con estas gràficas podemos observar que el colaborador que gana màs es mujer y las que ganan menos tambièn. Sin embargo, el promedio de salario ganado por los colaboradores de todas las edades es de aproximadamente 170 pesos diarios.
Recursos Humanos Bajas
Importar las bases de datos
# file.choose()
bajas <- read.csv("/Users/mayracampoyramos/Desktop/Analisis de Datos Concentracion/FORM - Recursos Humanos - BAJAS evidencia).csv")
bajas <- clean_names(bajas)
summary(bajas)## apellidos nombre fecha_de_nacimiento edad
## Length:237 Length:237 Length:237 Min. :19.00
## Class :character Class :character Class :character 1st Qu.:23.00
## Mode :character Mode :character Mode :character Median :29.00
## Mean :31.09
## 3rd Qu.:37.00
## Max. :61.00
## NA's :3
## genero rfc fecha_de_alta motivo_de_baja
## Length:237 Length:237 Length:237 Length:237
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## no_dias baja puesto departamento
## Min. : 0.00 Length:237 Length:237 Length:237
## 1st Qu.: 9.00 Class :character Class :character Class :character
## Median : 19.00 Mode :character Mode :character Mode :character
## Mean : 79.47
## 3rd Qu.: 48.75
## Max. :1966.00
## NA's :23
## no_seguro_social salario_diario_imss factor_cred_infonavit
## Length:237 Min. :144.4 Length:237
## Class :character 1st Qu.:180.7 Class :character
## Mode :character Median :180.7 Mode :character
## Mean :178.0
## 3rd Qu.:180.7
## Max. :500.0
## NA's :1
## n_credito_infonavit lugar_de_nacimiento curp calle
## Length:237 Length:237 Length:237 Length:237
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## numero_interno colonia codigo_postal municipio
## Length:237 Length:237 Length:237 Length:237
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## estado estado_civil tarjeta_cuenta
## Length:237 Length:237 Length:237
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
##
## Limpieza, Transformación, y Organización de Bases de Datos
¿Cuántas variables y cuantos registros tiene la base de datos?
describeData(bajas,head=1,tail=1)## n.obs = 237 of which 210 are complete cases. Number of variables = 26 of which all are numeric FALSE
## variable # n.obs type H1
## apellidos* 1 237 3 VALDEZ ORTIZ
## nombre* 2 237 3 MARIO
## fecha_de_nacimiento* 3 237 3 24/06/90
## edad 4 234 1 32
## genero* 5 237 3 MASCULINO
## rfc* 6 237 3 VAOM900624HG8
## fecha_de_alta* 7 237 3 09/03/20
## motivo_de_baja* 8 237 3 RENUNCIA VOLUNTARIA
## no_dias 9 214 1 628
## baja* 10 237 3 27/11/21
## puesto* 11 237 3 DISEÑO
## departamento* 12 237 3 ADMINISTRATIVO
## no_seguro_social* 13 237 3 43139026090
## salario_diario_imss 14 236 1 500
## factor_cred_infonavit* 15 237 3 N/A
## n_credito_infonavit* 16 237 3 N/A
## lugar_de_nacimiento* 17 237 3 AVENIDA DEL COLEGIO
## curp* 18 237 3 VAOM900624HCLLRR09
## calle* 19 237 3 LAS FLORES
## numero_interno* 20 237 3 66438
## colonia* 21 237 3 SAN NICOLAS DE LOS G
## codigo_postal* 22 237 3 66438
## municipio* 23 237 3 SAN NICOLAS DE LOS G
## estado* 24 237 3 Nuevo León
## estado_civil* 25 237 3 SOLTERO
## tarjeta_cuenta* 26 237 3 BANORTE
## T1
## apellidos* MUÑOZ BOLAÑOS
## nombre* LIZETH GUADALUPE
## fecha_de_nacimiento* 30/09/99
## edad 23
## genero* FEMENINO
## rfc* MUBL9909302Z9
## fecha_de_alta* 12/08/22
## motivo_de_baja* BAJA POR FALTAS
## no_dias 6
## baja* 18/08/22
## puesto* AYUDANTE GENERAL
## departamento*
## no_seguro_social* 17159986540
## salario_diario_imss 180.68
## factor_cred_infonavit* N/A
## n_credito_infonavit* N/A
## lugar_de_nacimiento* SAN NICOLAS DE LOS GARZA, NUEVO LEON
## curp* MUBL990930MNLXLZ09
## calle* RIO CAURA
## numero_interno* 629
## colonia* SAN ISIDRO
## codigo_postal* APODACA
## municipio* NUEVO LEON
## estado* 66646
## estado_civil* UNION LIBRE
## tarjeta_cuenta* BANORTEExisten 26 variables y 327 registros en la base de datos.
Aplica técnicas de limpieza de bases de datos y explícalas brevemente, ¿por qué realizaste esas técnicas?
Técnica 1.Borrar columnas.
bajas <- subset(bajas, select = -c(apellidos, nombre, fecha_de_nacimiento,rfc, fecha_de_alta, baja, departamento, no_seguro_social, factor_cred_infonavit, n_credito_infonavit, lugar_de_nacimiento, curp, calle, numero_interno, colonia, codigo_postal, municipio, estado, tarjeta_cuenta))Esta técnica se realizó ya que no se consideraron importantes las columnas de variables.
Técnica 2. Convertir las variables como factor o numero
bajas$edad<-as.numeric(bajas$edad)
bajas$genero<-as.factor(bajas$genero)
bajas$motivo_de_baja<-as.factor(bajas$motivo_de_baja)
bajas$no_dias<-as.numeric(bajas$no_dias)
bajas$puesto<-as.factor(bajas$puesto)
bajas$salario_diario_imss<-as.numeric(bajas$salario_diario_imss)
bajas$estado_civil<-as.factor(bajas$estado_civil)
summary (bajas)## edad genero motivo_de_baja
## Min. :19.00 CAPJ000926597: 1 ABANDONO : 1
## 1st Qu.:23.00 FEMENINO :139 BAJA POR FALTAS :141
## Median :29.00 MASCULINO : 97 JUBILACION : 1
## Mean :31.09 RENUNCIA VOLUNTARIA: 86
## 3rd Qu.:37.00 TERMINO DE CONTRATO: 8
## Max. :61.00
## NA's :3
## no_dias puesto salario_diario_imss
## Min. : 0.00 AYUDANTE GENERAL :179 Min. :144.4
## 1st Qu.: 9.00 COSTURERA : 11 1st Qu.:180.7
## Median : 19.00 SOLDADOR : 11 Median :180.7
## Mean : 79.47 AYUDANTE DE EMBARQUES: 7 Mean :178.0
## 3rd Qu.: 48.75 MONTACARGUISTA : 5 3rd Qu.:180.7
## Max. :1966.00 INSPECTOR CALIDAD : 4 Max. :500.0
## NA's :23 (Other) : 20 NA's :1
## estado_civil
## : 2
## CASADO : 64
## DIVORCIADO : 3
## SOLTERO :108
## UNION LIBRE: 60
##
## En esta técnica de limpieza se vuelven a factor o números las variables para generar un estandarizar y generar un formato para que se vuelva más sencillo al realizar gráficos y manipular datos.
Técnica 3. Reemplezar NAs con el promedio en la columna de “Edad”, “Salario Diario” y “Número de días”
bajas$edad[is.na(bajas$edad)]<-mean(bajas$edad, na.rm = TRUE)
bajas$salario_diario_imss[is.na(bajas$salario_diario_imss)]<-mean(bajas$salario_diario_imss, na.rm = TRUE)
bajas$no_dias[is.na(bajas$no_dias)]<-mean(bajas$no_dias, na.rm = TRUE)
summary (bajas)## edad genero motivo_de_baja
## Min. :19.00 CAPJ000926597: 1 ABANDONO : 1
## 1st Qu.:23.00 FEMENINO :139 BAJA POR FALTAS :141
## Median :29.00 MASCULINO : 97 JUBILACION : 1
## Mean :31.09 RENUNCIA VOLUNTARIA: 86
## 3rd Qu.:37.00 TERMINO DE CONTRATO: 8
## Max. :61.00
##
## no_dias puesto salario_diario_imss
## Min. : 0.00 AYUDANTE GENERAL :179 Min. :144.4
## 1st Qu.: 9.00 COSTURERA : 11 1st Qu.:180.7
## Median : 23.00 SOLDADOR : 11 Median :180.7
## Mean : 79.47 AYUDANTE DE EMBARQUES: 7 Mean :178.0
## 3rd Qu.: 79.47 MONTACARGUISTA : 5 3rd Qu.:180.7
## Max. :1966.00 INSPECTOR CALIDAD : 4 Max. :500.0
## (Other) : 20
## estado_civil
## : 2
## CASADO : 64
## DIVORCIADO : 3
## SOLTERO :108
## UNION LIBRE: 60
##
## Al reemplazar los NA ’s con el promedio nos ayuda para no contar con registros nulos y contar con los valores más acertados posibles al tiempo de analizarlos.
Exportar base de datos limpia
write.csv(bajas, file="rh_bajas_bd_limpia.csv", row.names = FALSE)Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa continua
Elige la escala de medición de cada variable.
Variable_rhb <-c("Edad","Genero", "motivo_de baja", "no_dias", "Puesto", "Salario Diario", "Estado Civil")
Type_rhb <-c( "quantitative (discreta)", "qualitative","qualitative", "quantitative (discreta)","qualitative", "quantitative (continua)", "qualitative")
Measurement_rhb <-c("Años","NA", "NA", "Dias trabajados","NA", "Cantidad de dinero","NA")
table_rhb <-data.frame(Variable_rhb ,Type_rhb ,Measurement_rhb )
knitr::kable(table_rhb)| Variable_rhb | Type_rhb | Measurement_rhb |
|---|---|---|
| Edad | quantitative (discreta) | Años |
| Genero | qualitative | NA |
| motivo_de baja | qualitative | NA |
| no_dias | quantitative (discreta) | Dias trabajados |
| Puesto | qualitative | NA |
| Salario Diario | quantitative (continua) | Cantidad de dinero |
| Estado Civil | qualitative | NA |
Análisis Exploratorio de las Bases de Datos
Análisis Estadístico
Media
media_edad1 <- mean(bajas$edad)
media_edad1## [1] 31.08974media_antiguedad1 <- mean(bajas$no_dias)
media_antiguedad1## [1] 79.47196media_salario1 <- mean(bajas$salario_diario)
media_salario1## [1] 177.9627Mediana
mediana_edad1 <- median(bajas$edad)
mediana_edad1## [1] 29mediana_antiguedad1 <- median(bajas$no_dias)
mediana_antiguedad1## [1] 23mediana_salario1 <- median(bajas$salario_diario)
mediana_salario1## [1] 180.68Moda
mode <- function(x) {
ux <- unique(x)
ux[which.max(tabulate(match(x, ux)))]
}
moda_edad1 <- mode(bajas$edad)
moda_edad1## [1] 22moda_antiguedad1 <- mode(bajas$no_dias)
moda_antiguedad1## [1] 79.47196moda_salario1 <- mode(bajas$salario_diario)
moda_salario1 ## [1] 180.68Varianza
varianza_edad1 <-var(bajas$edad)
varianza_edad1## [1] 91.5132varianza_antiguedad1 <-var(bajas$no_dias)
varianza_antiguedad1## [1] 45479.59varianza_salario1 <-var(bajas$salario_diario)
varianza_salario1## [1] 538.6969Desviación Estándar
desviacion_edad1 <- sqrt(varianza_edad1)
desviacion_edad1## [1] 9.566253desviacion_antiguedad1 <- sqrt(varianza_antiguedad1)
desviacion_antiguedad1## [1] 213.2594desviacion_salario1 <- sqrt(varianza_salario1)
desviacion_salario1## [1] 23.20985Tabla
Variable_rhb1 <-c("Edad","Antiguedad","Salario Diario")
Promedio_rhb1 <-c("31.05","79.47","177.985")
Moda_rhb1 <-c("22","79","180.68")
Mediana_rhb1 <-c("29","23","180.68")
Varianza_rhb1 <-c("91.513","45479.59","538.6969")
Desviación_Estándar_rhb1 <-c ("9.566","213.2594","23.20")
tabla_rhb1 <-data.frame (Variable_rhb1,Promedio_rhb1,Moda_rhb1, Mediana_rhb1, Varianza_rhb1,Desviación_Estándar_rhb1 )
tabla_rhb1## Variable_rhb1 Promedio_rhb1 Moda_rhb1 Mediana_rhb1 Varianza_rhb1
## 1 Edad 31.05 22 29 91.513
## 2 Antiguedad 79.47 79 23 45479.59
## 3 Salario Diario 177.985 180.68 180.68 538.6969
## Desviación_Estándar_rhb1
## 1 9.566
## 2 213.2594
## 3 23.20knitr::kable(tabla_rhb1)| Variable_rhb1 | Promedio_rhb1 | Moda_rhb1 | Mediana_rhb1 | Varianza_rhb1 | Desviación_Estándar_rhb1 |
|---|---|---|---|---|---|
| Edad | 31.05 | 22 | 29 | 91.513 | 9.566 |
| Antiguedad | 79.47 | 79 | 23 | 45479.59 | 213.2594 |
| Salario Diario | 177.985 | 180.68 | 180.68 | 538.6969 | 23.20 |
Gráfico cualitativo
table(bajas$motivo_baja)## < table of extent 0 >proporciones <- c(1, 141, 1, 87, 8)
etiquetas <- c("Abandono", "Baja por Faltas", "Jubilaciòn", "Renuncia Voluntaria", "Termino de Contrato")
pct <- round(proporciones/sum(proporciones)*100)
etiquetas <- paste(etiquetas, pct)
etiquetas <- paste(etiquetas,"%",sep="")
pie(proporciones,labels = etiquetas,
col=rainbow(length(etiquetas)),
main="Motivo de bajas de los Colaboradores")
Con esta gràfica podemos observar que el motivo màs comùn de baja de los colaboradores han sido por despidos por faltas con un 59% y por renuncia voluntaria por un 37%.
Bar Plots
hist(bajas$edad, freq=TRUE, col="pink", main="Edad en años de los Ex-Colaboradores")
Los colaboradores que se han dado de baja en su mayoria tienen entre 20 y 30 años, siendo asì los que se van màs jòvenes.
Delivery Plan
Importar las bases de datos
library(data.table)
library(dplyr)
library(plyr)
library(ggplot2)
library(naniar)
library(Hmisc)
library(psych)
library(tidyverse)
library(janitor)
library(knitr)
library(pollster)
library(epiDisplay)
library(descr)
library(tidyr)
library(ggeasy)
library(stringr)
library(patchwork)
# file.choose()
delivery_plan<- read.csv("/Users/mayracampoyramos/Desktop/Analisis de Datos Concentracion/Delivery Plan FINAL - EQUIPO 4 .csv")Limpieza, Transformación, y Organización de Bases de Datos
¿Cuántas variables y cuantos registros tiene la base de datos?
describeData(delivery_plan,head=1,tail=1)## n.obs = 231 of which 231 are complete cases. Number of variables = 27 of which all are numeric FALSE
## variable # n.obs type H1
## CLIENTE.PLANTA* 1 231 3 STB3
## PROYECTO* 2 231 3 CANASTILLA GRIS
## ID.ODOO* 3 231 3 15.785
## ITEM* 4 231 3 CABLE SET CAJA BACK UP CANASTILLA
## JUNIO 5 231 1 0
## JULIO 6 231 1 140
## AGOSTO 7 231 1 530
## SEPTIEMBRE 8 231 1 0
## OCTUBRE 9 231 1 200
## NOVIEMBRE 10 231 1 0
## DICIEMBRE 11 231 1 150
## ene.22 12 231 1 230
## feb.22 13 231 1 500
## mar.22 14 231 1 0
## abr.22 15 231 1 0
## may.22 16 231 1 0
## jun.22 17 231 1 200
## jul.22 18 231 1 900
## ago.22 19 231 1 1000
## sep.22 20 231 1 0
## OCTUBRE.22 21 231 1 0
## nov.22 22 231 1 0
## dic.22 23 231 1 0
## ene.23 24 231 1 0
## feb.23 25 231 1 0
## mar.23 26 231 1 0
## TOTAL.MESES 27 231 1 3850
## T1
## CLIENTE.PLANTA* VARROC
## PROYECTO* CURRENT
## ID.ODOO*
## ITEM* U553 KIT
## JUNIO 0
## JULIO 0
## AGOSTO 0
## SEPTIEMBRE 0
## OCTUBRE 30
## NOVIEMBRE 200
## DICIEMBRE 0
## ene.22 0
## feb.22 0
## mar.22 0
## abr.22 0
## may.22 0
## jun.22 0
## jul.22 0
## ago.22 0
## sep.22 0
## OCTUBRE.22 0
## nov.22 0
## dic.22 0
## ene.23 0
## feb.23 0
## mar.23 0
## TOTAL.MESES 230La base de datos cuenta con 27 variables y 231 registros.
Aplica técnicas de limpieza de bases de datos y explícalas brevemente, ¿por qué realizaste esas técnicas?
Técnica 1. Acondicionar nombres a formato óptimo para R
delivery_plan <- clean_names(delivery_plan)Se optimizan las variables para R, generando un estándar.
Técnica 2. Unir los pedidos programados en una sola columna.
delivery_plan <- delivery_plan %>% dplyr::rename(cliente=cliente_planta,
A_jun_21=junio,
B_jul_21=julio,
C_ago_21=agosto,
D_sep_21=septiembre,
E_oct_21=octubre,
F_nov_21=noviembre,
G_dic_21=diciembre,
H_ene_22=ene_22,
I_feb_22=feb_22,
J_mar_22=mar_22,
K_abr_22=abr_22,
L_may_22=may_22,
M_jun_22=jun_22,
N_jul_22=jul_22,
O_ago_22=ago_22,
P_sep_22=sep_22,
Q_oct_22=octubre_22,
R_nov_22=nov_22,
S_dic_22=dic_22,
T_ene_23=ene_23,
U_feb_23=feb_23,
V_mar_23=feb_23
)
colnames(delivery_plan)## [1] "cliente" "proyecto" "id_odoo" "item" "A_jun_21"
## [6] "B_jul_21" "C_ago_21" "D_sep_21" "E_oct_21" "F_nov_21"
## [11] "G_dic_21" "H_ene_22" "I_feb_22" "J_mar_22" "K_abr_22"
## [16] "L_may_22" "M_jun_22" "N_jul_22" "O_ago_22" "P_sep_22"
## [21] "Q_oct_22" "R_nov_22" "S_dic_22" "T_ene_23" "V_mar_23"
## [26] "mar_23" "total_meses"delivery_plan <- pivot_longer(delivery_plan, cols=5:14, names_to = "Mes", values_to = "Unidades")En este caso se decidió unir todos los pedidos en una columna para generar un orden de los meses y cerrar una base de datos estructurada.
Técnica 3.Eliminación de NA’s
deliveryplan1 <- filter(delivery_plan, Unidades>0)Se eliminan los NA’s en la base de datos para eliminar rengoles/clientes sin registros.
Técnica 4.Eliminación de variables irrelevantes.
deliveryplan2 <- deliveryplan1
deliveryplan2 <- subset (deliveryplan1, select = -c (proyecto, id_odoo, item, K_abr_22, L_may_22, M_jun_22,N_jul_22,O_ago_22, P_sep_22, Q_oct_22, R_nov_22, S_dic_22, T_ene_23, V_mar_23, mar_23, total_meses))
summary(deliveryplan2)## cliente Mes Unidades
## Length:590 Length:590 Min. : 1.0
## Class :character Class :character 1st Qu.: 30.0
## Mode :character Mode :character Median : 80.0
## Mean : 358.4
## 3rd Qu.: 300.0
## Max. :13120.0En este caso, dado que previamente se unieron (merge) las variables de mes, solo se considera necesaria la variables de cliente, fecha y Unidades.
Exportar base de datos limpia
Delivery_Plan <- deliveryplan2
write.csv(Delivery_Plan, file = "Ddeliveryplan_bd_limpia.csv", row.names = FALSE)Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa continua
Elige la escala de medición de cada variable.
Variable_dplan<-c("Unidades", "Mes", "cliente")
Type_dplan <-c("quantitative (discreta)", "qualitative","qualitative")
Measurement_dplan <-c("piezas que se entregan", "NA", "NA")
table_dplan <-data.frame(Variable_dplan,Type_dplan,Measurement_dplan)
knitr::kable(table_dplan)| Variable_dplan | Type_dplan | Measurement_dplan |
|---|---|---|
| Unidades | quantitative (discreta) | piezas que se entregan |
| Mes | qualitative | NA |
| cliente | qualitative | NA |
Análisis Exploratorio de las Bases de Datos
Análisis Estadístico
Media
Media <- mean(deliveryplan2$Unidades)
Media## [1] 358.3729Mediana
Mediana <- median(deliveryplan2$Unidades)
Mediana## [1] 80Moda
mode <- function(x) {
ux <- unique(x)
ux[which.max(tabulate(match(x, ux)))]
}
Moda_clientes <- mode(deliveryplan2$cliente)
Moda_clientes## [1] "VARROC"Moda_mes <- mode(deliveryplan2$Mes)
Moda_mes## [1] "H_ene_22"Moda_unidades <- mode(deliveryplan2$Unidades)
Moda_unidades## [1] 60Varianza
varianza_unidades_prog <- var(deliveryplan2$Unidades)
varianza_unidades_prog## [1] 1005677Desviación Estándar
desviacion_unidades_prog<- sqrt(varianza_unidades_prog)
desviacion_unidades_prog## [1] 1002.834Tabla
Variable_dplan<-c("Unidades", "Mes", "cliente")
Media_dplan<-c("358.3729", "NA", "NA")
Mediana_dplan<-c("80", "NA", "NA")
Moda_dplan<-c(Moda_unidades, Moda_mes, Moda_clientes)
Varianza_dplan<-c("1005677", "NA", "NA")
Desviacion_Estandar_dplan<-c("1002.834", "NA", "NA")
table_dplan <- data.frame(Variable_dplan, Media_dplan, Mediana_dplan, Moda_dplan,Varianza_dplan, Desviacion_Estandar_dplan)
knitr::kable(table_dplan)| Variable_dplan | Media_dplan | Mediana_dplan | Moda_dplan | Varianza_dplan | Desviacion_Estandar_dplan |
|---|---|---|---|---|---|
| Unidades | 358.3729 | 80 | 60 | 1005677 | 1002.834 |
| Mes | NA | NA | H_ene_22 | NA | NA |
| cliente | NA | NA | VARROC | NA | NA |
Dispersion plots
ggplot(deliveryplan2, aes(x = Mes, y = Unidades)) +
geom_point(shape=19, size=3) +
labs(title = "Relación entre Unidades y Meses",caption ="FORM Merma",x="Mes", y="Unidades") +
theme_classic()
Gráfica de los años 2021 y 2022 estableciendo cuantas unidades se vendieron por mes, podemos ver que en Junio 2021 tuvieron un aumento disminuyendo en los proximos meses y volvio a subir en el año 2022 Esta gráfica nos ayuda ver la relacion que tienen las unidades y los meses de año, para asi poder encontrar patrones en la base de datos para ver en que meses se hacen mas pedidos.
Bar Plots
ggplot(deliveryplan2,aes(x= Unidades, y=Mes,fill=cliente)) +
geom_bar(stat="identity")
En gráfica agregando que se observan las unidades planeadas por entregar, se observa de una manera más clara las entregas por cliente. Donde se observa que Hella es el cliente con mayor entrega de pedidos en FORM.
Delivery Performance
Importar las bases de datos
# file.choose()
deliveryperf <- read.csv("/Users/mayracampoyramos/Downloads/FORM - Delivery Performance BD BUENA.csv")
library(dplyr)
library(janitor)
performance <- clean_names(deliveryperf)
summary(performance)## fecha printel mahle magna
## Length:324 Min. :0.0000 Min. :-11.650 Min. :0
## Class :character 1st Qu.:0.0000 1st Qu.: 1.800 1st Qu.:0
## Mode :character Median :0.0000 Median : 3.000 Median :0
## Mean :0.4418 Mean : 2.364 Mean :0
## 3rd Qu.:1.0000 3rd Qu.: 3.150 3rd Qu.:0
## Max. :4.4000 Max. : 20.000 Max. :0
## NA's :25 NA's :25 NA's :25
## varroc x x_1 x_2 x_3
## Min. :0 Mode:logical Mode:logical Mode:logical Mode:logical
## 1st Qu.:0 NA's:324 NA's:324 NA's:324 NA's:324
## Median :0
## Mean :0
## 3rd Qu.:0
## Max. :0
## NA's :25Limpieza, Transformación, y Organización de Bases de Datos
¿Cuántas variables y cuantos registros tiene la base de datos?
describeData(performance,head=1,tail=1)## n.obs = 324 of which 0 are complete cases. Number of variables = 9 of which all are numeric FALSE
## variable # n.obs type H1 T1
## fecha* 1 324 3 22/07/2021
## printel 2 299 1 0 <NA>
## mahle 3 299 1 2.65 <NA>
## magna 4 299 1 0 <NA>
## varroc 5 299 1 0 <NA>
## x* 6 0 2 <NA> <NA>
## x_1* 7 0 2 <NA> <NA>
## x_2* 8 0 2 <NA> <NA>
## x_3* 9 0 2 <NA> <NA>La base de datos cuenta con 9 variables y 324 registros
Aplica técnicas de limpieza de bases de datos y explícalas brevemente, ¿por qué realizaste esas técnicas?
Técnica 1.Borrar columnas.
performance <- subset(performance, select = -c(x, x_1, x_2, x_3))
summary(performance)## fecha printel mahle magna
## Length:324 Min. :0.0000 Min. :-11.650 Min. :0
## Class :character 1st Qu.:0.0000 1st Qu.: 1.800 1st Qu.:0
## Mode :character Median :0.0000 Median : 3.000 Median :0
## Mean :0.4418 Mean : 2.364 Mean :0
## 3rd Qu.:1.0000 3rd Qu.: 3.150 3rd Qu.:0
## Max. :4.4000 Max. : 20.000 Max. :0
## NA's :25 NA's :25 NA's :25
## varroc
## Min. :0
## 1st Qu.:0
## Median :0
## Mean :0
## 3rd Qu.:0
## Max. :0
## NA's :25Esta técnica se realizó ya que no se consideraron importantes las columnas de variables.
Técnica 2.Convertir de caracter a fecha
performance$fecha <- as.Date(performance$fecha, format = "%d/%m/%Y")
tibble(performance)## # A tibble: 324 × 5
## fecha printel mahle magna varroc
## <date> <dbl> <dbl> <dbl> <dbl>
## 1 2021-07-22 0 2.65 0 0
## 2 2021-07-25 1.8 2.85 0 0
## 3 2021-07-26 1.1 2.5 0 0
## 4 2021-07-27 0.5 2.5 0 0
## 5 2021-07-28 0.5 2.55 0 0
## 6 2021-07-29 1 2.65 0 0
## 7 2021-08-01 1 2.51 0 0
## 8 2021-08-02 1 3 0 0
## 9 2021-08-03 0 3 0 0
## 10 2021-08-04 1.2 3.05 0 0
## # … with 314 more rowsTécnica 3.Convertir de caracter a entero
performance$printel <- substr(performance$printel, start = 1, stop = 2)
tibble(performance)## # A tibble: 324 × 5
## fecha printel mahle magna varroc
## <date> <chr> <dbl> <dbl> <dbl>
## 1 2021-07-22 0 2.65 0 0
## 2 2021-07-25 1. 2.85 0 0
## 3 2021-07-26 1. 2.5 0 0
## 4 2021-07-27 0. 2.5 0 0
## 5 2021-07-28 0. 2.55 0 0
## 6 2021-07-29 1 2.65 0 0
## 7 2021-08-01 1 2.51 0 0
## 8 2021-08-02 1 3 0 0
## 9 2021-08-03 0 3 0 0
## 10 2021-08-04 1. 3.05 0 0
## # … with 314 more rowsperformance$printel <- as.numeric(performance$printel)
str(performance)## 'data.frame': 324 obs. of 5 variables:
## $ fecha : Date, format: "2021-07-22" "2021-07-25" ...
## $ printel: num 0 1 1 0 0 1 1 1 0 1 ...
## $ mahle : num 2.65 2.85 2.5 2.5 2.55 2.65 2.51 3 3 3.05 ...
## $ magna : num 0 0 0 0 0 0 0 0 0 0 ...
## $ varroc : num 0 0 0 0 0 0 0 0 0 0 ...performance$mahle <- substr(performance$mahle, start = 1, stop = 2)
performance$mahle <- as.numeric(performance$mahle)
performance$magna <- substr(performance$magna, start = 1, stop = 2)
performance$magna <- as.numeric(performance$magna)
str(performance)## 'data.frame': 324 obs. of 5 variables:
## $ fecha : Date, format: "2021-07-22" "2021-07-25" ...
## $ printel: num 0 1 1 0 0 1 1 1 0 1 ...
## $ mahle : num 2 2 2 2 2 2 2 3 3 3 ...
## $ magna : num 0 0 0 0 0 0 0 0 0 0 ...
## $ varroc : num 0 0 0 0 0 0 0 0 0 0 ...performance$varroc <- substr(performance$varroc, start = 1, stop = 2)
performance$varroc <- as.numeric(performance$varroc)
str(performance)## 'data.frame': 324 obs. of 5 variables:
## $ fecha : Date, format: "2021-07-22" "2021-07-25" ...
## $ printel: num 0 1 1 0 0 1 1 1 0 1 ...
## $ mahle : num 2 2 2 2 2 2 2 3 3 3 ...
## $ magna : num 0 0 0 0 0 0 0 0 0 0 ...
## $ varroc : num 0 0 0 0 0 0 0 0 0 0 ...En estas dos técnicas de limpieza se vuelven a factor o números las variables para generar un estandarizar y generar un formato para que se vuelva más sencillo al realizar gráficos y manipular datos.
Técnica 4.Reemplazar NAs con la mediana de cada variable
sapply(performance, function(x) sum(is.na(x)))## fecha printel mahle magna varroc
## 25 25 25 25 25performance$fecha[is.na(performance$fecha)]<-median(performance$fecha, na.rm = TRUE)
performance$printel[is.na(performance$printel)]<-median(performance$printel, na.rm = TRUE)
performance$mahle[is.na(performance$mahle)]<-median(performance$mahle, na.rm = TRUE)
performance$magna[is.na(performance$magna)]<-median(performance$magna, na.rm = TRUE)
performance$varroc[is.na(performance$varroc)]<-median(performance$varroc, na.rm = TRUE)
summary(performance)## fecha printel mahle magna varroc
## Min. :2021-07-22 Min. :0.0000 Min. :-9.00 Min. :0 Min. :0
## 1st Qu.:2021-10-20 1st Qu.:0.0000 1st Qu.: 2.00 1st Qu.:0 1st Qu.:0
## Median :2022-02-07 Median :0.0000 Median : 3.00 Median :0 Median :0
## Mean :2022-01-30 Mean :0.3395 Mean : 2.21 Mean :0 Mean :0
## 3rd Qu.:2022-04-27 3rd Qu.:0.2500 3rd Qu.: 3.00 3rd Qu.:0 3rd Qu.:0
## Max. :2022-07-23 Max. :4.0000 Max. :20.00 Max. :0 Max. :0Al reemplazar los NA ’s con la mediana nos ayuda para no contar con registros nulos y contar con los valores más acertados posibles al tiempo de analizarlos.
Exportar base de datos limpia
write.csv(performance, file="performance_bd_limpia.csv", row.names = FALSE)Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa continua
Elige la escala de medición de cada variable.
Variable_performance<-c("Fecha"," Printel","Mahle", "Magna", "Varroc")
Type_performance<-c("qualitative", "quantiative (continous)", "quantitative (continous)", "quantitative (continous)", "quantitative (continous)")
escalas_performance <- c("NA", "Piezas Entregadas","Piezas Entregadas","Piezas Entregadas","Piezas Entregadas")
table_performance <- data.frame (Variable_performance, Type_performance, escalas_performance)
knitr::kable(table_performance)| Variable_performance | Type_performance | escalas_performance |
|---|---|---|
| Fecha | qualitative | NA |
| Printel | quantiative (continous) | Piezas Entregadas |
| Mahle | quantitative (continous) | Piezas Entregadas |
| Magna | quantitative (continous) | Piezas Entregadas |
| Varroc | quantitative (continous) | Piezas Entregadas |
Análisis Exploratorio de las Bases de Datos
Análisis Estadístico
Media
media_printel <- mean(performance$printel)
media_printel## [1] 0.3395062media_mahle <- mean(performance$mahle)
media_mahle## [1] 2.209877media_magna <- mean(performance$magna)
media_magna## [1] 0media_varroc <- mean(performance$varroc)
media_varroc## [1] 0Mediana
mediana_printel <- median(performance$printel)
mediana_printel## [1] 0mediana_mahle <- median(performance$mahle)
mediana_mahle## [1] 3mediana_magna <- median(performance$magna)
mediana_magna## [1] 0mediana_varroc <- median(performance$varroc)
mediana_varroc## [1] 0Moda
mode <- function(x) {
ux <- unique(x)
ux[which.max(tabulate(match(x, ux)))]
}
moda_printel <- mode(performance$printel)
moda_printel## [1] 0moda_mahle <- mode(performance$mahle)
moda_mahle## [1] 3moda_magna <- mode(performance$magna)
moda_magna## [1] 0moda_varroc <- mode(performance$varroc)
moda_varroc## [1] 0Varianza
varianza_printel <-var(performance$printel)
varianza_printel## [1] 0.4416542varianza_mahle <-var(performance$mahle)
varianza_mahle## [1] 2.909376varianza_magna <-var(performance$magna)
varianza_magna## [1] 0varianza_varroc <-var(performance$varroc)
varianza_varroc## [1] 0Desviación Estándar
desviacion_printel <- sqrt(varianza_printel)
desviacion_printel## [1] 0.6645707desviacion_mahle <- sqrt(varianza_mahle)
desviacion_mahle## [1] 1.705689desviacion_magna <- sqrt(varianza_magna)
desviacion_magna## [1] 0desviacion_varroc <- sqrt(varianza_varroc)
desviacion_varroc## [1] 0Tabla
Variable_performance<-c("Fecha"," Printel","Mahle", "Magna", "Varroc")
Promedio_performance <-c("NA","0.339", "2.209","0", "0")
Moda_performance <-c("NA","3","0","0", "0")
Mediana_performance <-c("NA","0","3","0", "0")
Varianza_performance <-c("NA","0.441","2.909","0", "0")
Desviación_Estándar_performance <-c ("NA","0.664","1.705","0", "0")
tabla_performance <-data.frame(Variable_performance,Promedio_performance, Moda_performance, Mediana_performance, Varianza_performance, Desviación_Estándar_performance)
knitr::kable(tabla_performance)| Variable_performance | Promedio_performance | Moda_performance | Mediana_performance | Varianza_performance | Desviación_Estándar_performance |
|---|---|---|---|---|---|
| Fecha | NA | NA | NA | NA | NA |
| Printel | 0.339 | 3 | 0 | 0.441 | 0.664 |
| Mahle | 2.209 | 0 | 3 | 2.909 | 1.705 |
| Magna | 0 | 0 | 0 | 0 | 0 |
| Varroc | 0 | 0 | 0 | 0 | 0 |
Dispersion plot
ggplot(performance,aes(x=fecha))+
geom_line(aes(y=printel),color="blue")+
geom_line(aes(y=mahle),color="orange")+
geom_line(aes(y=magna),color="green")+
geom_line(aes(y=varroc),color="green")+
labs(x="Fecha",y="Retraso en horas", color="Legend")+
ggtitle("Retrasos de entrega por cliente")
En esta gráfica podemos observar que FORM con los clientes Magna y Varroc no presentan horas de retraso en sus pedidos, sin embargo, con Mahle y Printel si han presentado retrasos considerables prinicipalmente dentro del primer trimestre del 2022. Teniendo retrasos de hasta 20 horas.
Producción
Antes de importar la base de datos, se optó por:
1. Se integraron los datos de Julio, Agosto y Septiembre.
2. Se incorporó una nueva columna de “Fecha”.
3. Solo se dejaron los datos de “Tiempo de Maquinas”
4. Se eliminaron los NAs y variables no numéricas de las columnas de: “Láminas procesadas”.
Importar las bases de datos
#file.choose()
bd4 <- read.csv("/Users/mayracampoyramos/Desktop/Analisis de Datos Concentracion/EMI_CARTON.csv")
library(janitor)
produccion <- clean_names(bd4)
summary(produccion)## fecha cliente id_form producto
## Length:3988 Length:3988 Length:3988 Length:3988
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## piezas_prog tmo_min hr_fin estacion_arranque
## Length:3988 Length:3988 Length:3988 Length:3988
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## laminas_procesadas inicio_sep_up fin_inicio_de_sep_up inicio_de_proceso
## Min. : 0 Length:3988 Length:3988 Length:3988
## 1st Qu.: 0 Class :character Class :character Class :character
## Median : 51 Mode :character Mode :character Mode :character
## Mean : 102
## 3rd Qu.: 184
## Max. :1263
##
## fin_de_proceso tiempo_calidad tiempo_materiales
## Length:3988 Length:3988 Min. : 0.000
## Class :character Class :character 1st Qu.: 0.000
## Mode :character Mode :character Median : 0.000
## Mean : 3.187
## 3rd Qu.: 1.000
## Max. :60.000
## NA's :3491produccion <- subset(produccion,select = -c (id_form, producto, hr_fin, inicio_sep_up, fin_inicio_de_sep_up, inicio_de_proceso, fin_de_proceso, tiempo_materiales))
summary(produccion)## fecha cliente piezas_prog tmo_min
## Length:3988 Length:3988 Length:3988 Length:3988
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## estacion_arranque laminas_procesadas tiempo_calidad
## Length:3988 Min. : 0 Length:3988
## Class :character 1st Qu.: 0 Class :character
## Mode :character Median : 51 Mode :character
## Mean : 102
## 3rd Qu.: 184
## Max. :1263library(data.table)
library(plyr)
library(dplyr)
library(ggplot2)
library(naniar)
library(Hmisc)
library(psych)
library(tidyverse)
library(knitr)
# install.packages("pollster")
library(pollster)
library(epiDisplay)
library(descr)
library(tidyr)Limpieza, Transformación, y Organización de Bases de Datos
¿Cuántas variables y cuantos registros tiene la base de datos?
describeData(produccion,head=1,tail=1)## n.obs = 3988 of which 3987 are complete cases. Number of variables = 7 of which all are numeric FALSE
## variable # n.obs type H1 T1
## fecha* 1 3988 3 16/07/2022 07/09/2022
## cliente* 2 3987 3 TRMX
## piezas_prog* 3 3988 3 1
## tmo_min* 4 3988 3 10 20
## estacion_arranque* 5 3988 3 C1Y2 ROTATIVA
## laminas_procesadas 6 3988 1 3 0
## tiempo_calidad* 7 3988 3 1Existen 15 variables y 1614 registros en la base de datos.
Aplica técnicas de limpieza de bases de datos y explícalas brevemente, ¿por qué realizaste esas técnicas?
Técnica 1.Convertir a caracter a numerico y de fecha
produccion$piezas_prog<-as.numeric(produccion$piezas_prog)
produccion$tmo_min<-as.numeric(produccion$tmo_min)
produccion$laminas_procesadas<-as.numeric(produccion$laminas_procesadas)
produccion$tiempo_calidad<-as.numeric(produccion$tiempo_calidad)
produccion$fecha <- as.Date(produccion$fecha, format = "%d/%m/%Y")
summary(produccion)## fecha cliente piezas_prog tmo_min
## Min. :2022-07-15 Length:3988 Min. : 1.0 Min. : 0.00
## 1st Qu.:2022-08-03 Class :character 1st Qu.: 100.0 1st Qu.: 15.00
## Median :2022-08-20 Mode :character Median : 153.5 Median : 20.00
## Mean :2022-08-19 Mean : 180.3 Mean : 22.37
## 3rd Qu.:2022-09-06 3rd Qu.: 200.0 3rd Qu.: 25.00
## Max. :2022-09-21 Max. :2000.0 Max. :150.00
## NA's :180 NA's :824
## estacion_arranque laminas_procesadas tiempo_calidad
## Length:3988 Min. : 0 Min. : 0.0000
## Class :character 1st Qu.: 0 1st Qu.: 0.0000
## Mode :character Median : 51 Median : 1.0000
## Mean : 102 Mean : 0.8631
## 3rd Qu.: 184 3rd Qu.: 1.0000
## Max. :1263 Max. :22.0000
## NA's :346En esta técnica de limpieza se vuelven a factor o números las variables para generar un estandarizar y generar un formato para que se vuelva más sencillo al realizar gráficos y manipular datos.
Técnica 2.Reemplazar por el promedio los NA´s de tmo_min, tiempo_calidad, piezas_prog
produccion$tmo_min[is.na(produccion$tmo_min)]<-mean(produccion$tmo_min, na.rm = TRUE)
produccion$tiempo_calidad[is.na(produccion$tiempo_calidad)]<-mean(produccion$tiempo_calidad, na.rm = TRUE)
produccion$piezas_prog[is.na(produccion$piezas_prog)]<-mean(produccion$piezas_prog, na.rm = TRUE)
summary(produccion)## fecha cliente piezas_prog tmo_min
## Min. :2022-07-15 Length:3988 Min. : 1.0 Min. : 0.00
## 1st Qu.:2022-08-03 Class :character 1st Qu.: 100.0 1st Qu.: 15.00
## Median :2022-08-20 Mode :character Median : 180.3 Median : 22.37
## Mean :2022-08-19 Mean : 180.3 Mean : 22.37
## 3rd Qu.:2022-09-06 3rd Qu.: 200.0 3rd Qu.: 25.00
## Max. :2022-09-21 Max. :2000.0 Max. :150.00
## estacion_arranque laminas_procesadas tiempo_calidad
## Length:3988 Min. : 0 Min. : 0.0000
## Class :character 1st Qu.: 0 1st Qu.: 0.8631
## Mode :character Median : 51 Median : 1.0000
## Mean : 102 Mean : 0.8631
## 3rd Qu.: 184 3rd Qu.: 1.0000
## Max. :1263 Max. :22.0000Al reemplazar los NA ’s con el promedio nos ayuda para no contar con registros nulos y contar con los valores más acertados posibles al tiempo de analizarlos.
Técnica 3. Borrar las letras de algunos registros de “Pieza_Prog”.
produccion$piezas_prog <- str_replace(produccion$piezas_prog, "[aeiouLAM=NbBsS]", "")
produccion$piezas_prog <- as.integer(produccion$laminas_procesadas)Esta técnica se realizó ya que no los registros de la variable piezas programadas contenian errores de dedo.
Exportar la base de datos limpia
bd_Produccion_limpia <- produccion
write.csv(bd_Produccion_limpia, file="bd_produccion_limpia.csv", row.names = FALSE)Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa continua
Elige la escala de medición de cada variable.
Variablep <-c("Fecha", "Cliente", "piezas_prog","tmo_min ","estacion_arranque", "laminas_procesadas", "tiempo_calidad")
Typep<-c("qualitative", "qualitative", "quantitative (discreta)", "quantitative (continua)", "qualitative", "quantitative (discreta)", "quantitative (continuo)")
escalasp <- c("NA", "NA", "piezas asignadas", "Minutos", "NA", "piezas terminadas", "horas" )
tablep <- data.frame (Variablep, Typep, escalasp)
knitr::kable(tablep)| Variablep | Typep | escalasp |
|---|---|---|
| Fecha | qualitative | NA |
| Cliente | qualitative | NA |
| piezas_prog | quantitative (discreta) | piezas asignadas |
| tmo_min | quantitative (continua) | Minutos |
| estacion_arranque | qualitative | NA |
| laminas_procesadas | quantitative (discreta) | piezas terminadas |
| tiempo_calidad | quantitative (continuo) | horas |
Análisis Exploratorio de las Bases de Datos
Análisis Estadístico
Media
media_piezas_prog<- mean(produccion$piezas_prog)
media_piezas_prog## [1] 102.0105media_tmo_min<- mean(produccion$tmo_min)
media_tmo_min ## [1] 22.37042media_laminas_procesadas <- mean(produccion$laminas_procesadas)
media_laminas_procesadas## [1] 102.0105media_tiempo_calidad<- mean(produccion$tiempo_calidad)
media_tiempo_calidad## [1] 0.8630972Mediana
median_piezas_prog<- median(produccion$piezas_prog)
median_piezas_prog## [1] 51median_tmo_min<- median(produccion$tmo_min)
median_tmo_min ## [1] 22.37042median_laminas_procesadas <- median(produccion$laminas_procesadas)
media_laminas_procesadas## [1] 102.0105median_tiempo_calidad<- median(produccion$tiempo_calidad)
median_tiempo_calidad## [1] 1Moda
mode <- function(x) {
ux <- unique(x)
ux[which.max(tabulate(match(x, ux)))]
}
moda_piezas_prog <- mode(produccion$piezas_prog)
moda_piezas_prog## [1] 0moda_tmo_min <- mode(produccion$tmo_min)
moda_tmo_min## [1] 25moda_laminas_procesadas<- mode(produccion$laminas_procesadas)
moda_laminas_procesadas## [1] 0moda_tiempo_calidad <- mode(produccion$tiempo_calidad)
moda_tiempo_calidad## [1] 1Varianza
varianza_piezas_prog <-var(produccion$piezas_prog)
varianza_piezas_prog## [1] 18056.03varianza_tmo_min <-var(produccion$tmo_min)
varianza_tmo_min## [1] 142.3682varianza_laminas_procesadas<-var(produccion$laminas_procesadas)
varianza_laminas_procesadas## [1] 18056.03varianza_tiempo_calidad <-var(produccion$tiempo_calidad)
varianza_tiempo_calidad## [1] 0.9819163Desviación Estándar
desviacion_piezas_prog<- sqrt(varianza_piezas_prog)
desviacion_piezas_prog## [1] 134.3727desviacion_tmo_min <- sqrt(varianza_tmo_min)
desviacion_tmo_min## [1] 11.93181desviacion_laminas_procesadas <- sqrt(varianza_laminas_procesadas)
desviacion_laminas_procesadas## [1] 134.3727desviacion_tiempo_calidad <- sqrt(varianza_tiempo_calidad)
desviacion_tiempo_calidad## [1] 0.9909169Tabla
Variable2 <-c("piezas_prog","tmo_min ", "laminas_procesadas", "tiempo_calidad")
Promedio2 <-c("180.323", "22.370","102.01", "0.86")
Moda2 <-c("200", "25","0", "1")
Mediana2 <-c("180.23","22.37","102.0105", "1")
Varianza2 <-c("21940.88","142.3682","18056.03", "0.9819163")
Desviación_Estándar2 <-c ("148.1245","11.93181","134.3727", "0.9909169")
tabla2 <-data.frame(Variable2,Promedio2, Moda2, Mediana2, Varianza2, Desviación_Estándar2)
tabla2## Variable2 Promedio2 Moda2 Mediana2 Varianza2 Desviación_Estándar2
## 1 piezas_prog 180.323 200 180.23 21940.88 148.1245
## 2 tmo_min 22.370 25 22.37 142.3682 11.93181
## 3 laminas_procesadas 102.01 0 102.0105 18056.03 134.3727
## 4 tiempo_calidad 0.86 1 1 0.9819163 0.9909169knitr::kable(tabla2)| Variable2 | Promedio2 | Moda2 | Mediana2 | Varianza2 | Desviación_Estándar2 |
|---|---|---|---|---|---|
| piezas_prog | 180.323 | 200 | 180.23 | 21940.88 | 148.1245 |
| tmo_min | 22.370 | 25 | 22.37 | 142.3682 | 11.93181 |
| laminas_procesadas | 102.01 | 0 | 102.0105 | 18056.03 | 134.3727 |
| tiempo_calidad | 0.86 | 1 | 1 | 0.9819163 | 0.9909169 |
Gráfico cuantitativo
ggplot(produccion,aes(x=fecha))+
geom_line(aes(y=piezas_prog),color="blue")+
labs(x="Fecha",y="piezas programadas", color="blue")+
ggtitle("Grafica de las piezas programadas por fecha")
En este gráfico se muestran los 3 diferentes meses (julio, agosto, sept), donde se puede ver que hubo mayor produccion de piezas programadas en lo que fue de julio hacia agosto.
Bar plots
ggplot(produccion, aes(x=tmo_min, y=laminas_procesadas)) +
geom_bar(stat="identity", fill="grey") + scale_fill_grey() +
labs(title = "Grafico de barras de las piezas programadas dentro del tiempo minimo",
x = "tiempo minimo", y = "laminas procesadas")
En esta gráfico se puede ver que el tiempo mínimo dentro de las láminas procesadas no sobrepasa los 50 lo cual es una buena señal de que no hay mucho tiempo de espera.
ggplot(produccion,aes(x=reorder(tmo_min, piezas_prog), y=piezas_prog,fill=cliente)) +
geom_bar(stat="identity")
Esta gráfica se puede visualizar los datos obtenidos de lo que fueron las piezas programadas dentro del tiempo mínimo dentro de la produccion, donde estas variables se ven dentro de los clientes.
Dispersion plots
ggplot(produccion, aes(x=piezas_prog, y=cliente)) +
geom_point() 
En esta gráfica de dispersion se puede apreciar visualmente la cantidad de piezas que se demandan para los diferentes clientes que tiene la empresa, donde se aprecia que Stabilus 1 toma la delantera.
Merma
Importar las bases de datos
# file.choose()
merma<- read.csv("/Users/mayracampoyramos/Desktop/Analisis de Datos Concentracion/Reto/FORM - Merma 1.csv")Limpieza, Transformación, y Organización de Bases de Datos
¿Cuántas variables y cuantos registros tiene la base de datos?
describeData(merma,head=1,tail=1)## n.obs = 60 of which 60 are complete cases. Number of variables = 3 of which all are numeric FALSE
## variable # n.obs type H1 T1
## Fecha* 1 60 3 11/01/22
## Mes* 2 60 3 ENERO Total general
## Kilos* 3 60 3 5080 185,426Existen 3 variables y 60 registros en la base de datos.
Aplica técnicas de limpieza de bases de datos y explícalas brevemente, ¿por qué realizaste esas técnicas?
Observaciones
No estan en enteros los kilos de merma
Existen filas inecesarias
Técnica 1: Eliminar totales
merma1<- merma[-c(5,12,19,25,31,36,42,54,59,60),]Esta técnica se realizó ya que no se consideraron importantes las filas de los totales.
Técnica 2: Convertir caracter a entero.
merma1$Kilos <- as.integer(merma1$Kilos)
str(merma1)## 'data.frame': 50 obs. of 3 variables:
## $ Fecha: chr "11/01/22" "11/01/22" "22/01/22" "22/01/22" ...
## $ Mes : chr "ENERO" "ENERO" "ENERO" "ENERO" ...
## $ Kilos: int 5080 3810 2990 2680 3650 4380 3870 3590 3410 3930 ...Se optimizan las variables para R, generando un estándar.
Exportar la base de datos limpia
merma_limpia <- merma1
write.csv(merma_limpia, file ="merma_bd_limpia.csv", row.names = FALSE)Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa continua
Elige la escala de medición de cada variable.
Variable_merma<-c("Fecha", "Mes", "Kilos")
Type_merma<-c("cualitativa ", "cualitativa", "cuantitativa discreta")
Measurement_merma <-c("dia", "NA", "cantidad")
table_merma<-data.frame(Variable_merma,Type_merma, Measurement_merma)
knitr::kable(table_merma)| Variable_merma | Type_merma | Measurement_merma |
|---|---|---|
| Fecha | cualitativa | dia |
| Mes | cualitativa | NA |
| Kilos | cuantitativa discreta | cantidad |
Análisis Exploratorio de las Bases de Datos
Análisis Estadístico
Media
media_kilos <- mean(merma1$Kilos)
media_kilos## [1] 3708.52Las variables de fecha y el mes no puede tener media
Mediana
mediana_kilos <- median(merma1$Kilos)
mediana_kilos## [1] 3925Las variables de fecha y el mes no puede tener mediana
Moda
mode <- function (x) {
ux <- unique(x)
ux [which.max(tabulate(match(x,ux)))]
}
mode_fecha <- mode(merma1$Fecha)
mode_fecha## [1] "18/02/22"mode_mes <- mode(merma1$Mes)
mode_mes## [1] "AGOSTO"mode_kilos <- mode(merma1$Kilos)
mode_kilos## [1] 3810Varianza
varianza_kilos <- var(merma1$Kilos)
varianza_kilos ## [1] 1048555Desviación Estándar
desviacionestandar_kilos <- sqrt(varianza_kilos)
desviacionestandar_kilos## [1] 1023.99Tabla
Variable_merma<-c("Fecha", "Mes", "Kilos")
Media_merma<-c("NA", "NA", media_kilos)
Mediana_merma<-c("NA", "NA", mediana_kilos)
Moda_merma<-c(mode_fecha, mode_mes, mode_kilos)
Varianza_merma<-c("NA", "NA",varianza_kilos )
Desviacion_Estandar_merma<-c("NA", "NA", desviacionestandar_kilos)
table_merma<-data.frame(Variable_merma,Media_merma,Mediana_merma,Moda_merma,Varianza_merma,Desviacion_Estandar_merma)
knitr::kable(table_merma)| Variable_merma | Media_merma | Mediana_merma | Moda_merma | Varianza_merma | Desviacion_Estandar_merma |
|---|---|---|---|---|---|
| Fecha | NA | NA | 18/02/22 | NA | NA |
| Mes | NA | NA | AGOSTO | NA | NA |
| Kilos | 3708.52 | 3925 | 3810 | 1048554.70367347 | 1023.98960135026 |
Gráfico de dispersion
# install.packages("ggplot2")
library(ggplot2)
ggplot(data=merma1, mapping = aes(Mes, Kilos)) + geom_point() + theme_bw()
En esta gráfica podemos observar que la generacion de merma de la empresa FORM separa en los meses del 2022. Se observa que el mes que mas se genero merma fue en Agosto continuando con Febrero y Mayo. El mes que menos genero merma es Septiembre y Enero.
Dispersion plots
boxplot(merma1$Kilos)
En esta gráfica podemos observar que la merma generada en FORM se encuentra en una gran distribución. El promedio entra dentro de los 3000 y los 4000 kilos. De la misma manera, se ha llegado a generar menos de 1000 kilos contra la maxima que son arriba de los 6000 kilos.
Scrap
Limpieza, Transformación, y Organización de Bases de Datos
Importar las bases de datos
# file.choose()
scrap<- read.csv("/Users/mayracampoyramos/Desktop/Analisis de Datos Concentracion/Reto/FORM - Scrap.csv")
# install.packages("dplyr")
library(dplyr)
# install.packages("psych")
library(psych)¿Cuántas variables y cuantos registros tiene la base de datos?
describeData(scrap,head=1,tail=1)## n.obs = 251 of which 251 are complete cases. Number of variables = 9 of which all are numeric FALSE
## variable # n.obs type H1
## Referencia* 1 251 3 agosto 2022 (250)
## Fecha* 2 251 3
## Producto* 3 251 3
## Cantidad 4 251 1 1674.002
## Unidad.de.medida* 5 251 3
## Ubicación.de.origen* 6 251 3
## Ubicación.de.desecho* 7 251 3
## Estado* 8 251 3
## Hora* 9 251 3
## T1
## Referencia* SP/08479
## Fecha* 01/08/22
## Producto* [N61506747 TAPA] N61506747. Kit. Tapa.
## Cantidad 1
## Unidad.de.medida* Unidad(es)
## Ubicación.de.origen* SAB/Calidad/Entrega de PT
## Ubicación.de.desecho* Virtual Locations/Scrapped
## Estado* Hecho
## Hora* 13:59:47Existen 9 variables y 251 registros en la base de datos.
Aplica técnicas de limpieza de bases de datos y explícalas brevemente, ¿por qué realizaste esas técnicas?
Observaciones
Se cuenta con una fila al inecesaria
Se cuentan con variables inecesarias
Técnica 1: Eliminar columna.
scrap1<- scrap [-1,]Esta técnica se realizó ya que se contaba con una columna en blanco extra.
Técnica 2: Eliminar variables
scrap1 <- subset(scrap1, select = -c ( Referencia, Producto,Unidad.de.medida, Ubicación.de.desecho, Estado, Hora))
summary(scrap1)## Fecha Cantidad Ubicación.de.origen
## Length:250 Min. : 0.000 Length:250
## Class :character 1st Qu.: 1.000 Class :character
## Mode :character Median : 2.000 Mode :character
## Mean : 6.696
## 3rd Qu.: 7.000
## Max. :96.000Esta técnica se realizó ya que no se consideraron importantes las columnas de variables.
Técnica 3: Convertir caracter a entero.
scrap1$Cantidad <- as.integer(scrap1$Cantidad)
str(scrap1)## 'data.frame': 250 obs. of 3 variables:
## $ Fecha : chr "31/08/22" "31/08/22" "31/08/22" "31/08/22" ...
## $ Cantidad : int 2 1 1 31 1 1 1 9 2 1 ...
## $ Ubicación.de.origen: chr "SAB/Calidad/Entrega de PT" "SAB/Calidad/Entrega de PT" "SAB/Calidad/Entrega de PT" "SAB/Pre-Production" ...En esta técnica de limpieza se vuelven a factor o números las variables para generar un estandarizar y generar un formato para que se vuelva más sencillo al realizar gráficos y manipular datos.
Exportar la base de datos limpia
scrap_limpia <- scrap1
write.csv(scrap_limpia, file ="scrap_bd_limpia.csv", row.names = FALSE)Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa continua
Elige la escala de medición de cada variable.
Variable_scrap<-c("Fecha", "Cantidad", "Ubicación_de_origen")
Type_scrap<-c("cualitativa", "cuantitativa discreta", "cualitativa")
Measurement_scrap <-c("NA", "cantidad generada", "NA")
table_scrap<-data.frame(Variable_scrap,Type_scrap, Measurement_scrap)
knitr::kable(table_scrap)| Variable_scrap | Type_scrap | Measurement_scrap |
|---|---|---|
| Fecha | cualitativa | NA |
| Cantidad | cuantitativa discreta | cantidad generada |
| Ubicación_de_origen | cualitativa | NA |
Análisis Exploratorio de las Bases de Datos
Análisis Estadístico
Media
media_cantidad <- mean(scrap1$Cantidad)
media_cantidad## [1] 6.692Las variables de fecha y ubicación de origen no puede tener media
Mediana
mediana_cantidad <- median(scrap1$Cantidad)
mediana_cantidad## [1] 2Las variables de fecha y ubicación de origen no puede tener mediana
Moda
Moda
mode <- function (x) {
ux <- unique(x)
ux [which.max(tabulate(match(x,ux)))]
}
mode_fecha1 <- mode(scrap1$Fecha)
mode_fecha1## [1] "16/08/22"mode_cantidad <- mode(scrap1$Cantidad)
mode_cantidad## [1] 1mode_ubicacion <- mode(scrap1$Ubicación.de.origen)
mode_ubicacion## [1] "SAB/Pre-Production"Varianza
varianza_cantidad <- var(scrap1$Cantidad)
varianza_cantidad## [1] 140.4309Desviación Estándar
desviacionestandar_cantidad <- sqrt(varianza_cantidad)
desviacionestandar_cantidad## [1] 11.85035Tabla
Variable_scrap<-c("Fecha", "Cantidad", "Ubicación_de_origen")
Media_scrap<-c("NA", media_cantidad, "NA")
Mediana_scrap<-c("NA",mediana_cantidad, "NA")
Moda_scrap<-c(mode_fecha1, mode_cantidad, mode_ubicacion)
Varianza_scrap<-c("NA",varianza_cantidad, "NA")
Desviacion_Estandar_scrap<-c("NA", desviacionestandar_cantidad, "NA")
table_scrap<-data.frame(Variable_scrap,Media_scrap,Mediana_scrap,Moda_scrap,Varianza_scrap,Desviacion_Estandar_scrap)
knitr::kable(table_scrap)| Variable_scrap | Media_scrap | Mediana_scrap | Moda_scrap | Varianza_scrap | Desviacion_Estandar_scrap |
|---|---|---|---|---|---|
| Fecha | NA | NA | 16/08/22 | NA | NA |
| Cantidad | 6.692 | 2 | 1 | 140.430859437751 | 11.8503527136432 |
| Ubicación_de_origen | NA | NA | SAB/Pre-Production | NA | NA |
Gráfico cualitativo (Pay):
pie(table(scrap1$Ubicación.de.origen))
Bar Plots
# install.packages("ggplot2")
library(ggplot2)
ggplot(scrap1, aes(x=Ubicación.de.origen, y=Cantidad)) +
geom_bar(stat="identity", fill="brown") + scale_fill_grey() + # Add bars to the plot
labs(title = "Donde se genera el scrap", # Add a title
subtitle = "RH empresa FORM", # Add a subtitle
caption = "Relación", # Add a caption
x = "Ubicación de origen")
En estas gráficas podemos observar que en la manera de como esta distribuida la generacion de el scrap de la empresa FORM. Se observa de una manera por mucha diferencia en se genera la mayor cantidad en la pre-producción y en la que menos se produce el scrap es en la etapa de la post-producción.
Base de Datos Externa
Importar base de datos
# file.choose()
bd_externa <-read.csv("/Users/mayracampoyramos/Desktop/Analisis de Datos Concentracion/Reto/Producción de cartón en México 1.csv")Limpieza, Transformación, y Organización de Bases de Datos
Técnica 1: Remover valores irrelevantes, columna inecesaria “Industry.Group.ID” no me aporta datos importantes
externa <- bd_externa
externa <- subset (externa,select = -c(Industry.Group.ID))
summary(externa)## State.ID State Region Industry.Group
## Min. : 1.00 Length:999 Min. :1.000 Length:999
## 1st Qu.:10.75 Class :character 1st Qu.:1.000 Class :character
## Median :18.00 Mode :character Median :2.000 Mode :character
## Mean :17.62 Mean :2.333
## 3rd Qu.:25.25 3rd Qu.:3.000
## Max. :31.00 Max. :4.000
## NA's :975 NA's :975
## Economic.Unit
## Min. : 1.00
## 1st Qu.: 1.75
## Median : 5.00
## Mean : 13.17
## 3rd Qu.: 8.75
## Max. :151.00
## NA's :975Esta técnica se realizó ya que se considero inecesaria la columna “Industry.Group.ID”,no me aporta datos importantes.
Técnica 2: Remover NA’s
#?Cuantos NA tengo en la base de datos?
sum(is.na(externa))## [1] 2925#?Cuantos NA tengo por variable?
sapply(externa, function(x) sum (is.na(x)))## State.ID State Region Industry.Group Economic.Unit
## 975 0 975 0 975#Borrar todos los registros NA de una tabla
externa1 <- externa
externa1 <- na.omit(externa1)
summary(externa1)## State.ID State Region Industry.Group
## Min. : 1.00 Length:24 Min. :1.000 Length:24
## 1st Qu.:10.75 Class :character 1st Qu.:1.000 Class :character
## Median :18.00 Mode :character Median :2.000 Mode :character
## Mean :17.62 Mean :2.333
## 3rd Qu.:25.25 3rd Qu.:3.000
## Max. :31.00 Max. :4.000
## Economic.Unit
## Min. : 1.00
## 1st Qu.: 1.75
## Median : 5.00
## Mean : 13.17
## 3rd Qu.: 8.75
## Max. :151.00Se eliminaron los NA ’s de la base de datos ya que viene con espacios vacios.
Análisis Estadístico
Media
media_region <- mean(externa1$Region)
media_region## [1] 2.333333media_economic <- mean(externa1$Economic.Unit)
media_economic## [1] 13.16667Las variables de fecha y ubicación de origen no puede tener media
Mediana
mediana_region <- median(externa1$Region)
mediana_region## [1] 2mediana_economic <- median(externa1$Economic.Unit)
mediana_economic## [1] 5Las variables de fecha y ubicación de origen no puede tener mediana
Moda
mode <- function (x) {
ux <- unique(x)
ux [which.max(tabulate(match(x,ux)))]
}
mode_state <- mode(externa1$State.ID)
mode_state## [1] 1mode_region <- mode(externa1$Region)
mode_region## [1] 1mode_economic <- mode(externa1$Economic.Unit)
mode_economic## [1] 1Varianza
varianza_region <- var(externa1$Region)
varianza_region## [1] 1.188406varianza_economic <- var(externa1$Economic.Unit)
varianza_economic## [1] 946.1449Desviación Estándar
desviacionestandar_region <- sqrt(varianza_region)
desviacionestandar_region## [1] 1.09014desviacionestandar_economic <- sqrt(varianza_economic)
desviacionestandar_economic## [1] 30.75947Tabla
Variable_externa<-c("State.ID", "Region", "Economic.Unit")
Media_externa<-c("NA", media_region, media_economic)
Mediana_externa<-c("NA",mediana_region, mediana_economic)
Moda_externa<-c(mode_state, mode_region, mode_economic)
Varianza_externa<-c("NA",varianza_region, varianza_economic)
Desviacion_Estandar_externa<-c("NA", desviacionestandar_region, desviacionestandar_economic)
table_externa<-data.frame(Variable_externa,Media_externa,Mediana_externa,Moda_externa,Varianza_externa,Desviacion_Estandar_externa)
knitr::kable(table_externa)| Variable_externa | Media_externa | Mediana_externa | Moda_externa | Varianza_externa | Desviacion_Estandar_externa |
|---|---|---|---|---|---|
| State.ID | NA | NA | 1 | NA | NA |
| Region | 2.33333333333333 | 2 | 1 | 1.18840579710145 | 1.09014026487487 |
| Economic.Unit | 13.1666666666667 | 5 | 1 | 946.144927536232 | 30.7594689085529 |
Dispersion plots
ggplot(externa1, aes(x =Region, y =Economic.Unit)) +
geom_point(shape=19, size=3) +
labs(title = "Relación entre Unidades Economicas y Region de Mexico",caption ="Base de Externa",x="Region", y="Economic Unit") +
theme_classic()
En esta gráfica podemos observar que la región no.3 de México es donde se genera con mayor unidades de cartón esto según la base de datos externa tomada de la INEGI.
Bar Plot
ggplot(externa1 ,aes(x=reorder(Region, Economic.Unit), y=Economic.Unit ,fill=State)) +
geom_bar(stat="identity")
En esta gráfica, se volvió a analizar la producción d e carton por región de mexico, agregando que se puede observar de una manera visual y clara de los estados de la república que forman parte de la regiones. Se observa que el mayor productor de cartón es Puebla.
Pronóstico del Desempeño de la Industria Automotriz y la empresa FORM
Importar bases de datos
#file.choose()
bd_prediccion <- read.csv("/Users/mayracampoyramos/Desktop/Analisis de Datos Concentracion/encoded-bd_prediccion.csv")
vehiculos_circulacion <- read.csv("/Users/mayracampoyramos/Desktop/Analisis de Datos Concentracion/encoded-vehiculos_en_circulacion (2).csv")
produccion <- read.csv("/Users/mayracampoyramos/Desktop/Analisis de Datos Concentracion/bd_produccion_limpia (1).csv")Instalar paquetes y llamar librerías
#install.packages("tseries")
library(tseries)
#install.packages("forecast")
library(forecast)
#install.packages("astsa")
library(astsa)
#install.packages("dplyr")
library(dplyr)
#install.packages("jtools")
library(jtools)
#install.packages("lmtest")
library(lmtest)
#install.packages("car")
library(car)
#install.packages("olsrr")
library(olsrr)
#install.packages("corrplot")
library(corrplot)Pronósticos
Desempeño de la industria automotriz para los siguientes 3 periodos de tiempo
Vehículos de motor registrados en circulación
Entender la base de datos
summary(vehiculos_circulacion)## Año Total Automóviles
## Length:47 Min. : 4010430 Min. : 3950042
## Class :character 1st Qu.: 6748523 1st Qu.: 6654340
## Mode :character Median :11002046 Median :10764080
## Mean :14899354 Mean :14673142
## 3rd Qu.:22392796 3rd Qu.:22068938
## Max. :35913468 Max. :35460804
## NA's :5 NA's :5
## Camiones.para.pasajeros Camiones.y.camionetas.para.carga Motocicletas
## Min. : 60388 Min. : 1470816 Min. : 128960
## 1st Qu.: 90931 1st Qu.: 3046906 1st Qu.: 248248
## Median :233490 Median : 5166812 Median : 295262
## Mean :226212 Mean : 5920971 Mean :1156467
## 3rd Qu.:336420 3rd Qu.: 9199181 3rd Qu.:1284405
## Max. :461089 Max. :11262666 Max. :5939262
## NA's :5 NA's :5 NA's :5
## X X.1
## Mode:logical Mode:logical
## NA's:47 NA's:47
##
##
##
##
## str(vehiculos_circulacion)## 'data.frame': 47 obs. of 8 variables:
## $ Año : chr "1980" "1981" "1982" "1983" ...
## $ Total : int 4010430 4406336 4686130 4797562 5047043 5360870 5286295 5420592 5682964 6093682 ...
## $ Automóviles : int 3950042 4341363 4616897 4726236 4970526 5281842 5202922 5336228 5597735 6003532 ...
## $ Camiones.para.pasajeros : int 60388 64973 69233 71326 76517 79028 83373 84364 85229 90150 ...
## $ Camiones.y.camionetas.para.carga: int 1470816 1636899 1751799 1893206 2009875 2114395 2213025 2292078 2424025 2691551 ...
## $ Motocicletas : int 277084 296601 257235 250484 248148 250358 232692 221059 217898 223815 ...
## $ X : logi NA NA NA NA NA NA ...
## $ X.1 : logi NA NA NA NA NA NA ...Limpieza de datos
Eliminar variables (Camiones.y.camionetas.para.carga, Motocicletas, X y X.1)
vehiculos_circulacion1 <- subset(vehiculos_circulacion, select = -c (Camiones.y.camionetas.para.carga, Motocicletas, X, X.1))
vehiculos_circulacion1## Año
## 1 1980
## 2 1981
## 3 1982
## 4 1983
## 5 1984
## 6 1985
## 7 1986
## 8 1987
## 9 1988
## 10 1989
## 11 1990
## 12 1991
## 13 1992
## 14 1993
## 15 1994
## 16 1995
## 17 1996
## 18 1997
## 19 1998
## 20 1999
## 21 2000
## 22 2001
## 23 2002
## 24 2003
## 25 2004
## 26 2005
## 27 2006
## 28 2007
## 29 2008
## 30 2009
## 31 2010
## 32 2011
## 33 2012
## 34 2013
## 35 2014
## 36 2015
## 37 2016
## 38 2017
## 39 2018
## 40 2019
## 41 2020
## 42 2021
## 43
## 44
## 45
## 46 FUENTE: INEGI. Estadísticas de vehículos de motor registrados en circulación.
## 47
## Total Automóviles Camiones.para.pasajeros
## 1 4010430 3950042 60388
## 2 4406336 4341363 64973
## 3 4686130 4616897 69233
## 4 4797562 4726236 71326
## 5 5047043 4970526 76517
## 6 5360870 5281842 79028
## 7 5286295 5202922 83373
## 8 5420592 5336228 84364
## 9 5682964 5597735 85229
## 10 6093682 6003532 90150
## 11 6648825 6555550 93275
## 12 7047618 6950708 96910
## 13 7494357 7399178 95179
## 14 7801892 7715951 85941
## 15 7332309 7217732 114577
## 16 7590001 7469504 120497
## 17 7927797 7830864 96933
## 18 8528440 8402995 125445
## 19 9262652 9086209 176443
## 20 9783153 9582796 200357
## 21 10378575 10176179 202396
## 22 11625518 11351982 273536
## 23 12554275 12254910 299365
## 24 13050150 12742049 308101
## 25 13652596 13388011 264585
## 26 14569197 14300380 268817
## 27 16722002 16411813 310189
## 28 18018701 17696623 322078
## 29 19754229 19420942 333287
## 30 20856689 20519224 337465
## 31 21465511 21152773 312738
## 32 22701891 22374326 327565
## 33 23908143 23569623 338520
## 34 25167066 24819922 347144
## 35 25891628 25543908 347720
## 36 27265446 26907994 357452
## 37 29032067 28664295 367772
## 38 31359162 30958042 401120
## 39 32733646 32290067 443579
## 40 34057197 33603591 453606
## 41 34886784 34425695 461089
## 42 35913468 35460804 452664
## 43 NA NA NA
## 44 NA NA NA
## 45 NA NA NA
## 46 NA NA NA
## 47 NA NA NAEstas variables se eliminan, ya que, camiones y camionetas para carga y motocicletas no son el principal mercado de FORM, además de que los datos de sus variables no son significativas para el pronóstico porque sus valores son muy pequeños a comparación con las demás variables, por lo tanto, sus datos no impactan al análisis, de igual forma, se elimina la variable X y X.1 porque no tienen información relevante.
Eliminar renglones irrelevantes
vehiculos_circulacion2 <- vehiculos_circulacion1[-c(43,44,45,46,47),]
vehiculos_circulacion2## Año Total Automóviles Camiones.para.pasajeros
## 1 1980 4010430 3950042 60388
## 2 1981 4406336 4341363 64973
## 3 1982 4686130 4616897 69233
## 4 1983 4797562 4726236 71326
## 5 1984 5047043 4970526 76517
## 6 1985 5360870 5281842 79028
## 7 1986 5286295 5202922 83373
## 8 1987 5420592 5336228 84364
## 9 1988 5682964 5597735 85229
## 10 1989 6093682 6003532 90150
## 11 1990 6648825 6555550 93275
## 12 1991 7047618 6950708 96910
## 13 1992 7494357 7399178 95179
## 14 1993 7801892 7715951 85941
## 15 1994 7332309 7217732 114577
## 16 1995 7590001 7469504 120497
## 17 1996 7927797 7830864 96933
## 18 1997 8528440 8402995 125445
## 19 1998 9262652 9086209 176443
## 20 1999 9783153 9582796 200357
## 21 2000 10378575 10176179 202396
## 22 2001 11625518 11351982 273536
## 23 2002 12554275 12254910 299365
## 24 2003 13050150 12742049 308101
## 25 2004 13652596 13388011 264585
## 26 2005 14569197 14300380 268817
## 27 2006 16722002 16411813 310189
## 28 2007 18018701 17696623 322078
## 29 2008 19754229 19420942 333287
## 30 2009 20856689 20519224 337465
## 31 2010 21465511 21152773 312738
## 32 2011 22701891 22374326 327565
## 33 2012 23908143 23569623 338520
## 34 2013 25167066 24819922 347144
## 35 2014 25891628 25543908 347720
## 36 2015 27265446 26907994 357452
## 37 2016 29032067 28664295 367772
## 38 2017 31359162 30958042 401120
## 39 2018 32733646 32290067 443579
## 40 2019 34057197 33603591 453606
## 41 2020 34886784 34425695 461089
## 42 2021 35913468 35460804 452664summary(vehiculos_circulacion2)## Año Total Automóviles
## Length:42 Min. : 4010430 Min. : 3950042
## Class :character 1st Qu.: 6748523 1st Qu.: 6654340
## Mode :character Median :11002046 Median :10764080
## Mean :14899354 Mean :14673142
## 3rd Qu.:22392796 3rd Qu.:22068938
## Max. :35913468 Max. :35460804
## Camiones.para.pasajeros
## Min. : 60388
## 1st Qu.: 90931
## Median :233490
## Mean :226212
## 3rd Qu.:336420
## Max. :461089Se eliminan estos renglones, debido a que no tenían contenido, es decir, eran considerados NA´s.
Gráfica
plot(vehiculos_circulacion2$Año,vehiculos_circulacion2$Total, type="l",col="blue", lwd=1.5, xlab ="Año",ylab ="Unidades", main = "Vehiculos de motor en circulación registrados anualmente")
lines(vehiculos_circulacion2$Año,vehiculos_circulacion2$Automóviles,col="red",lty=3)
legend("topleft", legend=c("Total de vehiculos en circulación", "Automóviles en circulación"),
col=c("blue", "red"), lty = 1:2, cex=0.8)
Con este plot, se puede observar el comportamiento de las variables y la comparación a través de los años del total de vehiculos que están en circulación y de los automoviles.
También, se percibe que ambas líneas son muy similares, y están muy cerca una de la otra, por lo que se puede deducir que Automóviles ocupa el mayor porcentaje del total.
Por otro lado, la gráfica tiene una tendencia en su mayoría creciente y positiva, es decir, que cada año hay más automóviles en circulación.
Forecasting usando el Modelo autoregresivo
autoregressive_model <- arma(vehiculos_circulacion2$Total, order = c(1,0))
summary(autoregressive_model <- arma(vehiculos_circulacion2$Total, order = c(1,0)))##
## Call:
## arma(x = vehiculos_circulacion2$Total, order = c(1, 0))
##
## Model:
## ARMA(1,0)
##
## Residuals:
## Min 1Q Median 3Q Max
## -964598 -203485 -37324 133579 1366807
##
## Coefficient(s):
## Estimate Std. Error t value Pr(>|t|)
## ar1 1.043e+00 3.792e-03 275 <2e-16 ***
## intercept 1.595e+05 NaN NaN NaN
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Fit:
## sigma^2 estimated as 1.852e+11, Conditional Sum-of-Squares = 7.406257e+12, AIC = 1212.86autoregressive_model_forecast<-forecast(autoregressive_model$fitted,h=5,level=c(95))
autoregressive_model_forecast## Point Forecast Lo 95 Hi 95
## 43 37884281 35240406 40528155
## 44 39222087 34802632 43641541
## 45 40559893 34284299 46835486
## 46 41897698 33625820 50169577
## 47 43235504 32811356 53659653Lo que se observa en el modelo autoregresivo de los vehículos de motor en circulación y al pronóstico para los siguientes años, es que como se explico anteriormente, tiene una tendencia positiva, por ejemplo, en el siguiente año se esperan 37,884,281 vehículos en circulación con un 95% de confianza, y los rangos pueden ir de 35,240,406 hasta 40,528,155.
En el segundo año, se pronostican 39,222,087, de igual manera con un 95% de confianza, y por último, en el tercer año, se preveen 40,559,893 vehículos en circulación.
Gráfica
plot(autoregressive_model_forecast)
Con este plot, se puede interpretar de manera más visual lo que se explico anteriormente, y para explicarlo con mayor precisión, es necesario saber que la línea negra corresponde a los datos que se tienen en la base de datos, mientras que la línea azul significa el resultado de los datos obtenidos a través del modelo autoregresivo, y se puede observar que va hacia arriba la tendencia.
Por otro lado, la línea azul tiene un sombreado gris que indica los valores de “low” y “high” ante el 95% de confianza.
Forecasting usando Moving Average Model
mam_circulacion <- arma(vehiculos_circulacion2$Total,order = c(1,1))
summary(mam_circulacion <- arma(vehiculos_circulacion2$Total,order = c(1,1)))##
## Call:
## arma(x = vehiculos_circulacion2$Total, order = c(1, 1))
##
## Model:
## ARMA(1,1)
##
## Residuals:
## Min 1Q Median 3Q Max
## -907766 -184323 -41323 113291 1305470
##
## Coefficient(s):
## Estimate Std. Error t value Pr(>|t|)
## ar1 1.042e+00 4.680e-03 222.585 < 2e-16 ***
## ma1 3.442e-01 1.237e-01 2.783 0.00539 **
## intercept 1.767e+05 NaN NaN NaN
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Fit:
## sigma^2 estimated as 1.598e+11, Conditional Sum-of-Squares = 6.391897e+12, AIC = 1208.67mam_circulacion_forecast <- forecast(mam_circulacion$fitted,h=5,level=c(95))
mam_circulacion_forecast## Point Forecast Lo 95 Hi 95
## 43 37635019 34318781 40951258
## 44 38948870 33832084 44065655
## 45 40262720 33315250 47210190
## 46 41576570 32704146 50448994
## 47 42890421 31977035 53803806A través de este código, podemos deducir, que buscamos un modelo no estacionario, y que esta en constante movimiento, y al igual que el modelo autoregresivo, se puede observar una tendencia positiva, y muy similar a ella, así mismo, cuenta con un 95% de confianza.
Por otro lado, los vehículos circulando durante el primer periodo de tiempo se calcula que son 37,635,019, seguido por 38,948,870 y 40,262,720.
Gráfica
plot(mam_circulacion_forecast)
Aquí se puede interpretar gráficamente lo explicado en el punto anterior, y se obseva como la tendencia es positiva, de igual forma, tiene “lows” y “highs”.
Desempeño de 1 de las áreas de la empresa FORM para los siguientes 3 periodos de tiempo
Producción FORM
Entender la base de datos
summary(produccion)## fecha cliente piezas_prog tmo_min
## Length:3985 Length:3985 Min. : 0.0 Min. : 0.00
## Class :character Class :character 1st Qu.: 0.0 1st Qu.: 15.00
## Mode :character Mode :character Median : 51.0 Median : 20.00
## Mean : 102.1 Mean : 21.89
## 3rd Qu.: 184.0 3rd Qu.: 25.00
## Max. :1263.0 Max. :150.00
## estacion_arranque laminas_procesadas tiempo_calidad
## Length:3985 Min. : 0.0 Min. : 0.0000
## Class :character 1st Qu.: 0.0 1st Qu.: 1.0000
## Mode :character Median : 51.0 Median : 1.0000
## Mean : 102.1 Mean : 0.8754
## 3rd Qu.: 184.0 3rd Qu.: 1.0000
## Max. :1263.0 Max. :22.0000str(produccion)## 'data.frame': 3985 obs. of 7 variables:
## $ fecha : chr "16/07/2022" "22/07/2022" "28/07/2022" "12/08/2022" ...
## $ cliente : chr "TRMX" "STABILUS 3" "STABILUS 3" "TRMX" ...
## $ piezas_prog : int 3 2 2 1 1 1 0 2 5 5 ...
## $ tmo_min : int 10 10 10 10 10 10 10 10 10 10 ...
## $ estacion_arranque : chr "C1Y2" "C1Y2" "C1Y2" "C1" ...
## $ laminas_procesadas: int 3 2 2 1 1 1 0 2 5 5 ...
## $ tiempo_calidad : num 1 1 2 1 1 1 0 0 1 1 ...Limpieza de datos
Eliminar NA´s
produccion$cliente <- as.factor(produccion$cliente)
str(produccion)## 'data.frame': 3985 obs. of 7 variables:
## $ fecha : chr "16/07/2022" "22/07/2022" "28/07/2022" "12/08/2022" ...
## $ cliente : Factor w/ 13 levels "DENSO","HANON SYSTEMS",..: 9 7 7 9 9 1 3 10 10 6 ...
## $ piezas_prog : int 3 2 2 1 1 1 0 2 5 5 ...
## $ tmo_min : int 10 10 10 10 10 10 10 10 10 10 ...
## $ estacion_arranque : chr "C1Y2" "C1Y2" "C1Y2" "C1" ...
## $ laminas_procesadas: int 3 2 2 1 1 1 0 2 5 5 ...
## $ tiempo_calidad : num 1 1 2 1 1 1 0 0 1 1 ...summary(produccion)## fecha cliente piezas_prog tmo_min
## Length:3985 STABILUS 1:1343 Min. : 0.0 Min. : 0.00
## Class :character TRMX : 686 1st Qu.: 0.0 1st Qu.: 15.00
## Mode :character STABILUS 3: 599 Median : 51.0 Median : 20.00
## YANFENG : 431 Mean : 102.1 Mean : 21.89
## DENSO : 399 3rd Qu.: 184.0 3rd Qu.: 25.00
## (Other) : 526 Max. :1263.0 Max. :150.00
## NA's : 1
## estacion_arranque laminas_procesadas tiempo_calidad
## Length:3985 Min. : 0.0 Min. : 0.0000
## Class :character 1st Qu.: 0.0 1st Qu.: 1.0000
## Mode :character Median : 51.0 Median : 1.0000
## Mean : 102.1 Mean : 0.8754
## 3rd Qu.: 184.0 3rd Qu.: 1.0000
## Max. :1263.0 Max. :22.0000
## produccion1 <- produccion
produccion1<- produccion1[-c(624),]
summary (produccion1)## fecha cliente piezas_prog tmo_min
## Length:3984 STABILUS 1:1343 Min. : 0.0 Min. : 0.00
## Class :character TRMX : 686 1st Qu.: 0.0 1st Qu.: 15.00
## Mode :character STABILUS 3: 599 Median : 51.0 Median : 20.00
## YANFENG : 431 Mean : 102.1 Mean : 21.89
## DENSO : 399 3rd Qu.: 184.0 3rd Qu.: 25.00
## VARROC : 269 Max. :1263.0 Max. :150.00
## (Other) : 257
## estacion_arranque laminas_procesadas tiempo_calidad
## Length:3984 Min. : 0.0 Min. : 0.0000
## Class :character 1st Qu.: 0.0 1st Qu.: 1.0000
## Mode :character Median : 51.0 Median : 1.0000
## Mean : 102.1 Mean : 0.8754
## 3rd Qu.: 184.0 3rd Qu.: 1.0000
## Max. :1263.0 Max. :22.0000
## Se eliminaron los NA´s que no tenían relevancia, y se reemplazaron otros desde la base de datos con el nombre “sin registro”, ya que, se consideró que era importante quedarse con estos datos para visualizar mejor los datos.
Forecasting usando el Modelo autoregresivo
autoregressive_model_produccion <- arma(produccion1$piezas_prog, order = c(1,0))
summary(autoregressive_model_produccion <- arma(produccion1$piezas_prog, order = c(1,0)))##
## Call:
## arma(x = produccion1$piezas_prog, order = c(1, 0))
##
## Model:
## ARMA(1,0)
##
## Residuals:
## Min 1Q Median 3Q Max
## -645.89 -52.84 -30.07 50.72 1191.16
##
## Coefficient(s):
## Estimate Std. Error t value Pr(>|t|)
## ar1 0.48255 0.01388 34.77 <2e-16 ***
## intercept 52.84244 2.34226 22.56 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Fit:
## sigma^2 estimated as 13861, Conditional Sum-of-Squares = 55195736, AIC = 49304.94autoregressive_model_produccion_forecast<-forecast(autoregressive_model_produccion$fitted,h=5,level=c(95))
autoregressive_model_produccion_forecast## Point Forecast Lo 95 Hi 95
## 3985 82.70478 3.234460 162.1751
## 3986 82.70478 3.191276 162.2183
## 3987 82.70478 3.148106 162.2614
## 3988 82.70478 3.104950 162.3046
## 3989 82.70478 3.061809 162.3477En el caso de este modelo autoregresivo, ambos coeficientes son de gran relevancia para la base de datos, ya que ambas tienen los 3 asteriscos, por otro lado, a la hora de hacer el pronóstico, es notorio que se estima que quedará de la misma forma, es decir, con las mismas piezas programadas, sin embargo se puede ver como mientras “Low” disminuye, “high” aumenta.
Gráfica
plot(autoregressive_model_produccion_forecast)
Como se puede ver en el plot, no se espera una mejora para este modelo, y se pueden ver los forecast, el low y el high, con 95% de confianza.
Forecasting usando Moving Average Model
mam_produccion <- arma(produccion1$piezas_prog,order = c(1,1))
summary(mam_produccion <- arma(produccion1$piezas_prog,order = c(1,1)))##
## Call:
## arma(x = produccion1$piezas_prog, order = c(1, 1))
##
## Model:
## ARMA(1,1)
##
## Residuals:
## Min 1Q Median 3Q Max
## -791.67 -53.47 -22.33 37.73 1208.91
##
## Coefficient(s):
## Estimate Std. Error t value Pr(>|t|)
## ar1 0.83882 0.02370 35.400 < 2e-16 ***
## ma1 -0.51985 0.04204 -12.365 < 2e-16 ***
## intercept 16.48077 2.57279 6.406 1.5e-10 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Fit:
## sigma^2 estimated as 13444, Conditional Sum-of-Squares = 53534365, AIC = 49185.18mam_produccion_forecast <- forecast(mam_produccion$fitted,h=5,level=c(95))
mam_produccion_forecast## Point Forecast Lo 95 Hi 95
## 3985 165.7268 90.147513 241.3062
## 3986 165.7268 59.600542 271.8531
## 3987 165.7268 36.060547 295.3931
## 3988 165.7268 16.181181 315.2725
## 3989 165.7268 -1.349372 332.8031El comportamiento de este modelo indica que no se pronostican cambios a lo largo de los proximos años, con un 95% de confianza, pero si se observa en lows, el cambio de un periodo de tiempo a otro es algo drastico, y va decreciendo, mientras que en high, el comportamiento es variado, ya que, a veces sube y a veces baja sin una tendencia a seguir.
Gráfica
plot(mam_produccion_forecast)
Tendencia del desempeño durante el periodo de análisis y los siguientes 3 periodos de tiempo: En cuanto a los datos externos, es decir, a la industria automotriz, el modelo de estimación de pronóstico indica que la tendencia es positiva, lo cual quiere decir, que cada año se pronóstica que haya más vehículos en circulación con una confianza del 95%. Los datos anteriores, benefician a FORM, deduciendo que si hay más autos en circulación, hay más producción, y por lo tanto, más pedidos y clientes, sin embargo, en la base de datos directamente de FORM, se observa que en algunos casos, no existe una tendencia, y que se esperan como pronóstico las mismas piezas programadas, por lo tanto, habría que tener una estrategia para que más gente llegue a conocer y a ser parte de los clientes de la empresa.
Predicción del Desempeño de la Industria Automotriz
Exportación y ventas de vehículos ligeros
Entender la base de datos
summary(bd_prediccion)## Año Mes Venta Producción
## Min. :2006 Min. : 1.00 Min. : 34927 Min. : 3722
## 1st Qu.:2010 1st Qu.: 3.00 1st Qu.: 78543 1st Qu.:189031
## Median :2014 Median : 6.00 Median : 88580 Median :248433
## Mean :2014 Mean : 6.42 Mean : 94178 Mean :241511
## 3rd Qu.:2018 3rd Qu.: 9.00 3rd Qu.:110134 3rd Qu.:292709
## Max. :2022 Max. :12.00 Max. :192741 Max. :382110
## NA's :2 NA's :2 NA's :2 NA's :2
## Exportación Tipo.de.cambio Inflación porcentaje_ocu
## Min. : 15139 Min. :10.09 Min. :-0.250 Min. :93.58
## 1st Qu.:153219 1st Qu.:12.66 1st Qu.: 0.815 1st Qu.:95.06
## Median :209160 Median :13.56 Median : 1.480 Median :95.88
## Mean :201664 Mean :15.48 Mean : 1.951 Mean :95.76
## 3rd Qu.:243900 3rd Qu.:19.10 3rd Qu.: 2.895 3rd Qu.:96.47
## Max. :327454 Max. :24.24 Max. : 7.360 Max. :97.16
## NA's :2 NA's :2 NA's :2 NA's :2
## porcentaje_desocu conf_consumidor
## Min. :2.840 Min. :28.67
## 1st Qu.:3.527 1st Qu.:36.69
## Median :4.125 Median :38.47
## Mean :4.244 Mean :39.15
## 3rd Qu.:4.940 3rd Qu.:42.59
## Max. :6.420 Max. :47.83
## NA's :2 NA's :2str(bd_prediccion)## 'data.frame': 202 obs. of 10 variables:
## $ Año : int 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 ...
## $ Mes : int 1 2 3 4 5 6 7 8 9 10 ...
## $ Venta : int 96227 89079 96871 77879 86462 87084 83069 90937 92083 97469 ...
## $ Producción : int 155291 166830 192643 132212 171557 194327 118602 179527 164577 179897 ...
## $ Exportación : int 112165 121001 153877 115798 131578 156008 85752 136114 125918 132470 ...
## $ Tipo.de.cambio : num 10.6 10.5 10.7 11 11.1 ...
## $ Inflación : num 0.59 0.74 0.87 1.01 0.56 0.65 0.93 1.44 2.47 2.91 ...
## $ porcentaje_ocu : num 96.5 96.2 96.7 96.8 97.2 ...
## $ porcentaje_desocu: num 3.48 3.75 3.31 3.2 2.84 3.26 4.01 3.87 4 3.82 ...
## $ conf_consumidor : num 43.9 43.9 45.6 44.8 44.7 ...Limpieza de datos
Eliminar columnas irrelevantes (Producción)
bd_prediccion1 <- subset(bd_prediccion, select = -c (Producción))
bd_prediccion1## Año Mes Venta Exportación Tipo.de.cambio Inflación porcentaje_ocu
## 1 2006 1 96227 112165 10.56964 0.59 96.52
## 2 2006 2 89079 121001 10.48426 0.74 96.25
## 3 2006 3 96871 153877 10.69772 0.87 96.69
## 4 2006 4 77879 115798 11.02994 1.01 96.80
## 5 2006 5 86462 131578 11.07152 0.56 97.16
## 6 2006 6 87084 156008 11.38702 0.65 96.74
## 7 2006 7 83069 85752 11.03922 0.93 95.99
## 8 2006 8 90937 136114 10.87617 1.44 96.13
## 9 2006 9 92083 125918 10.97558 2.47 96.00
## 10 2006 10 97469 132470 10.91245 2.91 96.18
## 11 2006 11 102201 152396 10.87905 3.45 96.50
## 12 2006 12 140375 113718 10.87084 4.05 96.68
## 13 2007 1 97675 88915 10.93192 0.52 95.95
## 14 2007 2 86060 111084 10.98198 0.80 95.95
## 15 2007 3 96487 138877 11.12237 1.02 96.27
## 16 2007 4 75020 110462 10.99081 0.96 96.49
## 17 2007 5 84756 140387 10.83582 0.46 96.85
## 18 2007 6 80462 153243 10.83519 0.58 96.72
## 19 2007 7 83105 129581 10.79959 1.01 96.21
## 20 2007 8 88573 168210 11.04243 1.42 96.17
## 21 2007 9 86547 156237 11.03762 2.21 96.24
## 22 2007 10 97182 144970 10.84063 2.61 96.23
## 23 2007 11 97694 149964 10.85821 3.33 96.65
## 24 2007 12 126329 121383 10.85206 3.76 96.89
## 25 2008 1 96846 118416 10.91741 0.46 95.88
## 26 2008 2 86997 140501 10.78461 0.76 96.11
## 27 2008 3 80119 129405 10.73085 1.49 96.39
## 28 2008 4 83106 144234 10.52556 1.72 96.52
## 29 2008 5 85827 150514 10.45804 1.61 96.71
## 30 2008 6 81424 153345 10.32862 2.03 96.63
## 31 2008 7 85324 122144 10.23761 2.60 95.87
## 32 2008 8 86119 143464 10.09196 3.20 95.94
## 33 2008 9 76620 144454 10.60434 3.90 95.86
## 34 2008 10 83307 167497 12.48947 4.61 95.83
## 35 2008 11 78555 138439 13.09469 5.80 95.68
## 36 2008 12 101300 109206 13.37363 6.53 95.98
## 37 2009 1 69664 51061 13.86394 0.23 94.99
## 38 2009 2 61579 77833 14.50219 0.45 94.76
## 39 2009 3 64242 101830 14.72083 1.03 95.34
## 40 2009 4 51395 85121 13.47903 1.38 94.94
## 41 2009 5 53440 83910 13.25065 1.09 94.77
## 42 2009 6 55974 84934 13.34374 1.28 95.02
## 43 2009 7 56443 90872 13.36679 1.55 94.18
## 44 2009 8 58926 111273 13.01394 1.79 93.85
## 45 2009 9 58505 117433 13.40757 2.30 93.58
## 46 2009 10 67882 145761 13.25259 2.61 94.33
## 47 2009 11 64914 134873 13.13145 3.15 94.89
## 48 2009 12 91961 138432 12.85556 3.57 95.27
## 49 2010 1 64064 114193 12.83263 1.09 94.24
## 50 2010 2 59518 153148 12.96185 1.67 94.72
## 51 2010 3 65414 163641 12.60465 2.39 95.26
## 52 2010 4 60432 133406 12.26208 2.07 94.65
## 53 2010 5 61632 145909 12.68247 1.42 95.00
## 54 2010 6 59910 177575 12.71818 1.39 95.08
## 55 2010 7 61960 143521 12.83341 1.61 94.41
## 56 2010 8 66931 175904 12.72952 1.89 94.58
## 57 2010 9 65934 169507 12.86421 2.43 94.34
## 58 2010 10 74095 166931 12.45569 3.06 94.52
## 59 2010 11 75582 168226 12.31381 3.89 94.83
## 60 2010 12 104941 147551 12.40058 4.40 95.06
## 61 2011 1 68767 165045 12.15321 0.49 94.66
## 62 2011 2 66990 155808 12.07712 0.86 94.66
## 63 2011 3 75125 192783 12.01917 1.06 95.36
## 64 2011 4 65246 141334 11.75536 1.05 94.87
## 65 2011 5 68634 176951 11.65234 0.30 94.82
## 66 2011 6 68366 188223 11.80157 0.30 94.60
## 67 2011 7 68533 196835 11.67069 0.78 94.52
## 68 2011 8 75681 170086 12.20000 0.94 94.29
## 69 2011 9 73998 193590 13.08912 1.19 94.57
## 70 2011 10 75748 192244 13.46868 1.87 95.01
## 71 2011 11 83107 199665 13.63712 2.97 95.04
## 72 2011 12 115698 171319 13.74813 3.82 95.49
## 73 2012 1 75297 156417 13.48802 0.71 95.12
## 74 2012 2 74704 197600 12.80356 0.91 94.72
## 75 2012 3 83574 226555 12.75781 0.97 95.48
## 76 2012 4 69890 180545 13.02576 0.65 95.14
## 77 2012 5 80268 184302 13.53816 0.34 95.33
## 78 2012 6 78508 229089 13.97611 0.80 95.25
## 79 2012 7 76378 208151 13.39195 1.36 95.01
## 80 2012 8 83326 188392 13.18333 1.67 94.67
## 81 2012 9 79961 193350 13.00449 2.12 95.09
## 82 2012 10 83172 216576 12.86915 2.63 94.97
## 83 2012 11 91966 219864 12.86915 3.33 94.95
## 84 2012 12 110998 154724 12.87298 3.57 95.60
## 85 2013 1 84403 178562 12.71282 0.40 94.59
## 86 2013 2 80285 175338 12.71638 0.90 95.25
## 87 2013 3 82860 204475 12.40242 1.64 95.52
## 88 2013 4 83647 185548 12.21560 1.70 95.04
## 89 2013 5 87638 191205 12.23945 1.37 95.09
## 90 2013 6 83858 225753 12.95020 1.30 95.00
## 91 2013 7 86760 192940 12.76920 1.27 94.87
## 92 2013 8 88586 226893 12.88348 1.56 94.82
## 93 2013 9 78555 215962 13.08974 1.94 94.69
## 94 2013 10 88416 240316 13.02170 2.43 94.99
## 95 2013 11 100571 224873 13.06409 3.38 95.52
## 96 2013 12 119519 161208 13.00105 3.97 95.73
## 97 2014 1 85614 177928 13.20104 0.89 94.93
## 98 2014 2 80037 197504 13.29067 1.15 95.34
## 99 2014 3 85767 230772 13.21485 1.43 95.20
## 100 2014 4 76941 202328 13.07712 1.24 95.15
## 101 2014 5 88388 234629 12.95623 0.91 95.06
## 102 2014 6 84207 230410 12.97570 1.09 95.18
## 103 2014 7 96366 231934 12.97300 1.37 94.53
## 104 2014 8 103994 226757 13.15002 1.73 94.81
## 105 2014 9 89313 220239 13.21131 2.18 94.91
## 106 2014 10 101090 257382 13.47454 2.74 95.22
## 107 2014 11 111837 237923 13.59030 3.57 95.47
## 108 2014 12 133411 195091 14.45304 4.08 96.24
## 109 2015 1 103805 204907 14.67395 -0.09 95.49
## 110 2015 2 97659 222351 14.90437 0.10 95.67
## 111 2015 3 105034 261256 15.20997 0.51 96.14
## 112 2015 4 94953 233515 15.22746 0.25 95.69
## 113 2015 5 102156 240709 15.25361 -0.25 95.55
## 114 2015 6 107097 242720 15.45056 -0.09 95.59
## 115 2015 7 111863 226511 15.87623 0.06 95.28
## 116 2015 8 112307 234668 16.50888 0.27 95.32
## 117 2015 9 111705 216587 16.83229 0.65 95.50
## 118 2015 10 120214 245224 16.59932 1.16 95.45
## 119 2015 11 126750 223797 16.63219 1.72 96.04
## 120 2015 12 160901 206651 17.01278 2.13 96.04
## 121 2016 1 119833 213244 17.94565 0.38 95.74
## 122 2016 2 111126 219670 18.45920 0.82 95.86
## 123 2016 3 117252 224184 17.67208 0.97 96.25
## 124 2016 4 118754 197020 17.48096 0.65 96.20
## 125 2016 5 121879 226240 18.05380 0.20 95.99
## 126 2016 6 134913 247005 18.62127 0.31 96.08
## 127 2016 7 132109 225530 18.58811 0.57 96.00
## 128 2016 8 134388 262673 18.46011 0.86 96.02
## 129 2016 9 131888 235612 19.11921 1.47 95.88
## 130 2016 10 137503 255115 18.97319 2.09 96.33
## 131 2016 11 154779 245330 19.96946 2.89 96.50
## 132 2016 12 192741 216645 20.54282 3.36 96.62
## 133 2017 1 123447 219061 21.39550 1.70 96.40
## 134 2017 2 118193 248288 20.35246 2.29 96.66
## 135 2017 3 137245 305403 19.41648 2.92 96.81
## 136 2017 4 114938 240141 18.78122 3.04 96.53
## 137 2017 5 123429 269067 18.79971 2.92 96.45
## 138 2017 6 127752 287979 18.20815 3.18 96.71
## 139 2017 7 122678 258557 17.85459 3.57 96.58
## 140 2017 8 125985 276108 17.80650 4.08 96.48
## 141 2017 9 116716 286400 17.80554 4.41 96.41
## 142 2017 10 123602 303514 18.71362 5.06 96.49
## 143 2017 11 141724 290569 18.98973 6.15 96.59
## 144 2017 12 159234 268772 19.10129 6.77 96.85
## 145 2018 1 109445 231088 19.02896 0.53 96.64
## 146 2018 2 109846 271228 18.61594 0.91 96.83
## 147 2018 3 119127 317398 18.65489 1.24 97.06
## 148 2018 4 109748 271048 18.34659 0.90 96.61
## 149 2018 5 115155 288659 19.45515 0.73 96.78
## 150 2018 6 120298 315130 20.31281 1.12 96.63
## 151 2018 7 115047 247367 19.09664 1.66 96.53
## 152 2018 8 119487 322779 18.80423 2.26 96.54
## 153 2018 9 114888 306009 19.03592 2.69 96.42
## 154 2018 10 117602 313471 19.09212 3.22 96.73
## 155 2018 11 134143 291018 20.25495 4.10 96.75
## 156 2018 12 142300 275962 20.15294 4.83 96.64
## 157 2019 1 111514 243652 19.22744 0.09 96.44
## 158 2019 2 104009 273173 19.18334 0.06 96.71
## 159 2019 3 117529 325703 19.24878 0.44 96.78
## 160 2019 4 98366 288756 19.01630 0.50 96.50
## 161 2019 5 102422 309017 19.09191 0.21 96.50
## 162 2019 6 106782 327454 19.26678 0.27 96.43
## 163 2019 7 106104 276818 19.06189 0.65 96.26
## 164 2019 8 108074 286075 19.58659 0.63 96.29
## 165 2019 9 100757 286806 19.60990 0.89 96.22
## 166 2019 10 107110 259158 19.36886 1.44 96.31
## 167 2019 11 124804 274845 19.30748 2.26 96.58
## 168 2019 12 130460 236848 19.16932 2.83 97.09
## 169 2020 1 104852 238749 18.81445 0.48 96.22
## 170 2020 2 104338 273634 18.77705 0.90 96.47
## 171 2020 3 87541 295199 21.97384 0.85 97.09
## 172 2020 4 34927 31183 24.23988 -0.17 95.31
## 173 2020 5 42034 15139 23.58032 0.22 95.81
## 174 2020 6 62861 198084 22.26918 0.76 94.51
## 175 2020 7 72921 264520 22.48030 1.43 94.65
## 176 2020 8 77120 264478 22.23107 1.82 94.74
## 177 2020 9 77808 257562 21.60516 2.06 94.87
## 178 2020 10 84351 280474 21.38085 2.68 95.29
## 179 2020 11 95707 287703 20.53330 2.76 95.65
## 180 2020 12 105603 275081 19.97817 3.15 96.21
## 181 2021 1 81657 223533 19.90262 0.86 95.30
## 182 2021 2 82863 213987 20.29248 1.50 95.60
## 183 2021 3 96319 256119 20.76205 2.34 96.13
## 184 2021 4 84287 234584 20.10944 2.67 95.35
## 185 2021 5 86710 242020 20.05320 2.88 96.01
## 186 2021 6 88688 234394 20.04272 3.43 95.98
## 187 2021 7 82157 202021 19.98552 4.04 95.62
## 188 2021 8 78235 212687 20.05125 4.24 95.67
## 189 2021 9 76930 195294 19.99092 4.88 95.82
## 190 2021 10 76640 224535 20.47244 5.76 96.05
## 191 2021 11 82829 240341 20.78256 6.97 96.34
## 192 2021 12 97420 227465 20.98530 7.36 96.49
## 193 2022 1 78585 216630 20.48354 0.59 96.29
## 194 2022 2 79598 201868 20.48437 1.43 96.26
## 195 2022 3 95199 262494 20.60089 2.43 97.03
## 196 2022 4 83459 241286 20.04452 2.98 96.97
## 197 2022 5 91215 244643 20.11331 3.17 96.73
## 198 2022 6 90368 237674 19.96650 4.04 96.65
## 199 2022 7 83137 210170 20.53081 4.81 96.57
## 200 2022 8 91124 248704 20.12613 5.54 96.47
## 201 NA NA NA NA NA NA NA
## 202 NA NA NA NA NA NA NA
## porcentaje_desocu conf_consumidor
## 1 3.48 43.9415
## 2 3.75 43.9100
## 3 3.31 45.6029
## 4 3.20 44.7854
## 5 2.84 44.6508
## 6 3.26 44.2339
## 7 4.01 44.8674
## 8 3.87 45.0383
## 9 4.00 45.0604
## 10 3.82 44.3016
## 11 3.50 43.1883
## 12 3.32 44.7871
## 13 4.05 42.7412
## 14 4.05 42.3778
## 15 3.73 43.5677
## 16 3.51 43.4415
## 17 3.15 43.7534
## 18 3.28 43.0694
## 19 3.79 42.9629
## 20 3.83 43.9863
## 21 3.76 43.0238
## 22 3.77 41.2666
## 23 3.35 40.8568
## 24 3.11 42.8202
## 25 4.12 42.1822
## 26 3.89 41.2208
## 27 3.61 41.8964
## 28 3.48 40.1531
## 29 3.29 38.9120
## 30 3.37 37.6903
## 31 4.13 36.7035
## 32 4.06 37.2616
## 33 4.14 36.6558
## 34 4.17 34.2078
## 35 4.32 34.9500
## 36 4.02 34.9987
## 37 5.01 34.4084
## 38 5.24 33.4023
## 39 4.66 33.4728
## 40 5.06 34.6003
## 41 5.23 33.1933
## 42 4.98 34.2256
## 43 5.82 36.0502
## 44 6.15 34.5306
## 45 6.42 34.4993
## 46 5.67 32.6096
## 47 5.11 33.1707
## 48 4.73 33.9865
## 49 5.76 34.8020
## 50 5.28 34.2586
## 51 4.74 34.6691
## 52 5.35 35.0361
## 53 5.00 35.5938
## 54 4.92 36.7799
## 55 5.59 36.9279
## 56 5.42 37.2006
## 57 5.66 38.3303
## 58 5.48 37.4086
## 59 5.17 37.1774
## 60 4.94 38.1767
## 61 5.34 38.4624
## 62 5.34 38.4413
## 63 4.64 38.3233
## 64 5.13 37.6265
## 65 5.18 37.3597
## 66 5.40 38.7674
## 67 5.48 39.7537
## 68 5.71 38.9023
## 69 5.43 38.4823
## 70 4.99 37.7094
## 71 4.96 37.4238
## 72 4.51 37.7149
## 73 4.88 39.3604
## 74 5.28 38.9804
## 75 4.52 38.8750
## 76 4.86 40.2245
## 77 4.67 39.7323
## 78 4.75 39.7133
## 79 4.99 41.1478
## 80 5.33 40.7832
## 81 4.91 39.3550
## 82 5.03 39.6293
## 83 5.05 39.1214
## 84 4.40 41.1395
## 85 5.41 41.6134
## 86 4.75 39.6882
## 87 4.48 39.9339
## 88 4.96 39.8361
## 89 4.91 39.4471
## 90 5.00 38.7706
## 91 5.13 40.6562
## 92 5.18 40.5308
## 93 5.31 39.1825
## 94 5.01 38.0775
## 95 4.48 36.9465
## 96 4.27 37.3707
## 97 5.07 35.5508
## 98 4.66 35.7346
## 99 4.80 37.1351
## 100 4.85 37.6101
## 101 4.94 37.7513
## 102 4.82 37.9049
## 103 5.47 37.5518
## 104 5.19 37.4502
## 105 5.09 38.2199
## 106 4.78 37.6935
## 107 4.53 38.4760
## 108 3.76 38.6914
## 109 4.51 38.0625
## 110 4.33 37.4911
## 111 3.86 38.5052
## 112 4.31 37.8429
## 113 4.45 38.0317
## 114 4.41 39.1119
## 115 4.72 38.1319
## 116 4.68 37.3836
## 117 4.50 37.4490
## 118 4.55 37.8131
## 119 3.96 38.1829
## 120 3.96 38.3685
## 121 4.26 38.1815
## 122 4.14 36.7321
## 123 3.75 36.8144
## 124 3.80 36.7139
## 125 4.01 37.4848
## 126 3.92 38.3491
## 127 4.00 36.5060
## 128 3.98 35.6554
## 129 4.12 34.7550
## 130 3.67 35.0319
## 131 3.50 34.8752
## 132 3.38 35.4784
## 133 3.60 28.6679
## 134 3.34 31.5156
## 135 3.19 33.7951
## 136 3.47 34.9345
## 137 3.55 35.8733
## 138 3.29 36.0104
## 139 3.42 36.4886
## 140 3.52 36.5055
## 141 3.59 36.7879
## 142 3.51 36.4370
## 143 3.41 36.7168
## 144 3.15 36.3155
## 145 3.36 34.8018
## 146 3.17 34.1893
## 147 2.94 34.3367
## 148 3.39 35.6116
## 149 3.22 36.6479
## 150 3.37 37.1483
## 151 3.47 43.3411
## 152 3.46 43.0057
## 153 3.58 42.1327
## 154 3.27 42.5330
## 155 3.25 41.6750
## 156 3.36 44.8654
## 157 3.56 45.9299
## 158 3.29 47.8261
## 159 3.22 46.3411
## 160 3.50 45.4850
## 161 3.50 44.3235
## 162 3.57 43.6658
## 163 3.74 43.3177
## 164 3.71 43.8192
## 165 3.78 45.2995
## 166 3.69 44.0597
## 167 3.42 43.8407
## 168 2.91 43.7574
## 169 3.78 44.1205
## 170 3.53 43.3299
## 171 2.91 42.0593
## 172 4.69 32.2235
## 173 4.19 31.0682
## 174 5.49 31.9572
## 175 5.35 34.4173
## 176 5.26 35.0648
## 177 5.13 36.2820
## 178 4.71 37.8912
## 179 4.35 37.0767
## 180 3.79 38.7487
## 181 4.70 39.2114
## 182 4.40 38.6401
## 183 3.87 40.5816
## 184 4.65 42.5091
## 185 3.99 42.4227
## 186 4.02 44.3477
## 187 4.38 44.2934
## 188 4.33 42.4746
## 189 4.18 43.3421
## 190 3.95 43.8431
## 191 3.66 45.9354
## 192 3.51 44.8964
## 193 3.71 43.5909
## 194 3.74 42.9401
## 195 2.97 43.5603
## 196 3.03 44.3017
## 197 3.27 43.7823
## 198 3.35 43.2086
## 199 3.43 41.2699
## 200 3.53 40.2979
## 201 NA NA
## 202 NA NAEsta columna se eliminará porque solo se usarán como variables dependientes Ventas y Exportación, y como variables independientes la confianza del consumidor, el tipo de cambio, la inflación, el porcentaje de personas ocupadas, y el porcentaje de personas desocupadas, es decir, sin trabajo.
Eliminar renglones irrelevantes
bd_prediccion2 <- bd_prediccion1[-c(201, 202),]
bd_prediccion2## Año Mes Venta Exportación Tipo.de.cambio Inflación porcentaje_ocu
## 1 2006 1 96227 112165 10.56964 0.59 96.52
## 2 2006 2 89079 121001 10.48426 0.74 96.25
## 3 2006 3 96871 153877 10.69772 0.87 96.69
## 4 2006 4 77879 115798 11.02994 1.01 96.80
## 5 2006 5 86462 131578 11.07152 0.56 97.16
## 6 2006 6 87084 156008 11.38702 0.65 96.74
## 7 2006 7 83069 85752 11.03922 0.93 95.99
## 8 2006 8 90937 136114 10.87617 1.44 96.13
## 9 2006 9 92083 125918 10.97558 2.47 96.00
## 10 2006 10 97469 132470 10.91245 2.91 96.18
## 11 2006 11 102201 152396 10.87905 3.45 96.50
## 12 2006 12 140375 113718 10.87084 4.05 96.68
## 13 2007 1 97675 88915 10.93192 0.52 95.95
## 14 2007 2 86060 111084 10.98198 0.80 95.95
## 15 2007 3 96487 138877 11.12237 1.02 96.27
## 16 2007 4 75020 110462 10.99081 0.96 96.49
## 17 2007 5 84756 140387 10.83582 0.46 96.85
## 18 2007 6 80462 153243 10.83519 0.58 96.72
## 19 2007 7 83105 129581 10.79959 1.01 96.21
## 20 2007 8 88573 168210 11.04243 1.42 96.17
## 21 2007 9 86547 156237 11.03762 2.21 96.24
## 22 2007 10 97182 144970 10.84063 2.61 96.23
## 23 2007 11 97694 149964 10.85821 3.33 96.65
## 24 2007 12 126329 121383 10.85206 3.76 96.89
## 25 2008 1 96846 118416 10.91741 0.46 95.88
## 26 2008 2 86997 140501 10.78461 0.76 96.11
## 27 2008 3 80119 129405 10.73085 1.49 96.39
## 28 2008 4 83106 144234 10.52556 1.72 96.52
## 29 2008 5 85827 150514 10.45804 1.61 96.71
## 30 2008 6 81424 153345 10.32862 2.03 96.63
## 31 2008 7 85324 122144 10.23761 2.60 95.87
## 32 2008 8 86119 143464 10.09196 3.20 95.94
## 33 2008 9 76620 144454 10.60434 3.90 95.86
## 34 2008 10 83307 167497 12.48947 4.61 95.83
## 35 2008 11 78555 138439 13.09469 5.80 95.68
## 36 2008 12 101300 109206 13.37363 6.53 95.98
## 37 2009 1 69664 51061 13.86394 0.23 94.99
## 38 2009 2 61579 77833 14.50219 0.45 94.76
## 39 2009 3 64242 101830 14.72083 1.03 95.34
## 40 2009 4 51395 85121 13.47903 1.38 94.94
## 41 2009 5 53440 83910 13.25065 1.09 94.77
## 42 2009 6 55974 84934 13.34374 1.28 95.02
## 43 2009 7 56443 90872 13.36679 1.55 94.18
## 44 2009 8 58926 111273 13.01394 1.79 93.85
## 45 2009 9 58505 117433 13.40757 2.30 93.58
## 46 2009 10 67882 145761 13.25259 2.61 94.33
## 47 2009 11 64914 134873 13.13145 3.15 94.89
## 48 2009 12 91961 138432 12.85556 3.57 95.27
## 49 2010 1 64064 114193 12.83263 1.09 94.24
## 50 2010 2 59518 153148 12.96185 1.67 94.72
## 51 2010 3 65414 163641 12.60465 2.39 95.26
## 52 2010 4 60432 133406 12.26208 2.07 94.65
## 53 2010 5 61632 145909 12.68247 1.42 95.00
## 54 2010 6 59910 177575 12.71818 1.39 95.08
## 55 2010 7 61960 143521 12.83341 1.61 94.41
## 56 2010 8 66931 175904 12.72952 1.89 94.58
## 57 2010 9 65934 169507 12.86421 2.43 94.34
## 58 2010 10 74095 166931 12.45569 3.06 94.52
## 59 2010 11 75582 168226 12.31381 3.89 94.83
## 60 2010 12 104941 147551 12.40058 4.40 95.06
## 61 2011 1 68767 165045 12.15321 0.49 94.66
## 62 2011 2 66990 155808 12.07712 0.86 94.66
## 63 2011 3 75125 192783 12.01917 1.06 95.36
## 64 2011 4 65246 141334 11.75536 1.05 94.87
## 65 2011 5 68634 176951 11.65234 0.30 94.82
## 66 2011 6 68366 188223 11.80157 0.30 94.60
## 67 2011 7 68533 196835 11.67069 0.78 94.52
## 68 2011 8 75681 170086 12.20000 0.94 94.29
## 69 2011 9 73998 193590 13.08912 1.19 94.57
## 70 2011 10 75748 192244 13.46868 1.87 95.01
## 71 2011 11 83107 199665 13.63712 2.97 95.04
## 72 2011 12 115698 171319 13.74813 3.82 95.49
## 73 2012 1 75297 156417 13.48802 0.71 95.12
## 74 2012 2 74704 197600 12.80356 0.91 94.72
## 75 2012 3 83574 226555 12.75781 0.97 95.48
## 76 2012 4 69890 180545 13.02576 0.65 95.14
## 77 2012 5 80268 184302 13.53816 0.34 95.33
## 78 2012 6 78508 229089 13.97611 0.80 95.25
## 79 2012 7 76378 208151 13.39195 1.36 95.01
## 80 2012 8 83326 188392 13.18333 1.67 94.67
## 81 2012 9 79961 193350 13.00449 2.12 95.09
## 82 2012 10 83172 216576 12.86915 2.63 94.97
## 83 2012 11 91966 219864 12.86915 3.33 94.95
## 84 2012 12 110998 154724 12.87298 3.57 95.60
## 85 2013 1 84403 178562 12.71282 0.40 94.59
## 86 2013 2 80285 175338 12.71638 0.90 95.25
## 87 2013 3 82860 204475 12.40242 1.64 95.52
## 88 2013 4 83647 185548 12.21560 1.70 95.04
## 89 2013 5 87638 191205 12.23945 1.37 95.09
## 90 2013 6 83858 225753 12.95020 1.30 95.00
## 91 2013 7 86760 192940 12.76920 1.27 94.87
## 92 2013 8 88586 226893 12.88348 1.56 94.82
## 93 2013 9 78555 215962 13.08974 1.94 94.69
## 94 2013 10 88416 240316 13.02170 2.43 94.99
## 95 2013 11 100571 224873 13.06409 3.38 95.52
## 96 2013 12 119519 161208 13.00105 3.97 95.73
## 97 2014 1 85614 177928 13.20104 0.89 94.93
## 98 2014 2 80037 197504 13.29067 1.15 95.34
## 99 2014 3 85767 230772 13.21485 1.43 95.20
## 100 2014 4 76941 202328 13.07712 1.24 95.15
## 101 2014 5 88388 234629 12.95623 0.91 95.06
## 102 2014 6 84207 230410 12.97570 1.09 95.18
## 103 2014 7 96366 231934 12.97300 1.37 94.53
## 104 2014 8 103994 226757 13.15002 1.73 94.81
## 105 2014 9 89313 220239 13.21131 2.18 94.91
## 106 2014 10 101090 257382 13.47454 2.74 95.22
## 107 2014 11 111837 237923 13.59030 3.57 95.47
## 108 2014 12 133411 195091 14.45304 4.08 96.24
## 109 2015 1 103805 204907 14.67395 -0.09 95.49
## 110 2015 2 97659 222351 14.90437 0.10 95.67
## 111 2015 3 105034 261256 15.20997 0.51 96.14
## 112 2015 4 94953 233515 15.22746 0.25 95.69
## 113 2015 5 102156 240709 15.25361 -0.25 95.55
## 114 2015 6 107097 242720 15.45056 -0.09 95.59
## 115 2015 7 111863 226511 15.87623 0.06 95.28
## 116 2015 8 112307 234668 16.50888 0.27 95.32
## 117 2015 9 111705 216587 16.83229 0.65 95.50
## 118 2015 10 120214 245224 16.59932 1.16 95.45
## 119 2015 11 126750 223797 16.63219 1.72 96.04
## 120 2015 12 160901 206651 17.01278 2.13 96.04
## 121 2016 1 119833 213244 17.94565 0.38 95.74
## 122 2016 2 111126 219670 18.45920 0.82 95.86
## 123 2016 3 117252 224184 17.67208 0.97 96.25
## 124 2016 4 118754 197020 17.48096 0.65 96.20
## 125 2016 5 121879 226240 18.05380 0.20 95.99
## 126 2016 6 134913 247005 18.62127 0.31 96.08
## 127 2016 7 132109 225530 18.58811 0.57 96.00
## 128 2016 8 134388 262673 18.46011 0.86 96.02
## 129 2016 9 131888 235612 19.11921 1.47 95.88
## 130 2016 10 137503 255115 18.97319 2.09 96.33
## 131 2016 11 154779 245330 19.96946 2.89 96.50
## 132 2016 12 192741 216645 20.54282 3.36 96.62
## 133 2017 1 123447 219061 21.39550 1.70 96.40
## 134 2017 2 118193 248288 20.35246 2.29 96.66
## 135 2017 3 137245 305403 19.41648 2.92 96.81
## 136 2017 4 114938 240141 18.78122 3.04 96.53
## 137 2017 5 123429 269067 18.79971 2.92 96.45
## 138 2017 6 127752 287979 18.20815 3.18 96.71
## 139 2017 7 122678 258557 17.85459 3.57 96.58
## 140 2017 8 125985 276108 17.80650 4.08 96.48
## 141 2017 9 116716 286400 17.80554 4.41 96.41
## 142 2017 10 123602 303514 18.71362 5.06 96.49
## 143 2017 11 141724 290569 18.98973 6.15 96.59
## 144 2017 12 159234 268772 19.10129 6.77 96.85
## 145 2018 1 109445 231088 19.02896 0.53 96.64
## 146 2018 2 109846 271228 18.61594 0.91 96.83
## 147 2018 3 119127 317398 18.65489 1.24 97.06
## 148 2018 4 109748 271048 18.34659 0.90 96.61
## 149 2018 5 115155 288659 19.45515 0.73 96.78
## 150 2018 6 120298 315130 20.31281 1.12 96.63
## 151 2018 7 115047 247367 19.09664 1.66 96.53
## 152 2018 8 119487 322779 18.80423 2.26 96.54
## 153 2018 9 114888 306009 19.03592 2.69 96.42
## 154 2018 10 117602 313471 19.09212 3.22 96.73
## 155 2018 11 134143 291018 20.25495 4.10 96.75
## 156 2018 12 142300 275962 20.15294 4.83 96.64
## 157 2019 1 111514 243652 19.22744 0.09 96.44
## 158 2019 2 104009 273173 19.18334 0.06 96.71
## 159 2019 3 117529 325703 19.24878 0.44 96.78
## 160 2019 4 98366 288756 19.01630 0.50 96.50
## 161 2019 5 102422 309017 19.09191 0.21 96.50
## 162 2019 6 106782 327454 19.26678 0.27 96.43
## 163 2019 7 106104 276818 19.06189 0.65 96.26
## 164 2019 8 108074 286075 19.58659 0.63 96.29
## 165 2019 9 100757 286806 19.60990 0.89 96.22
## 166 2019 10 107110 259158 19.36886 1.44 96.31
## 167 2019 11 124804 274845 19.30748 2.26 96.58
## 168 2019 12 130460 236848 19.16932 2.83 97.09
## 169 2020 1 104852 238749 18.81445 0.48 96.22
## 170 2020 2 104338 273634 18.77705 0.90 96.47
## 171 2020 3 87541 295199 21.97384 0.85 97.09
## 172 2020 4 34927 31183 24.23988 -0.17 95.31
## 173 2020 5 42034 15139 23.58032 0.22 95.81
## 174 2020 6 62861 198084 22.26918 0.76 94.51
## 175 2020 7 72921 264520 22.48030 1.43 94.65
## 176 2020 8 77120 264478 22.23107 1.82 94.74
## 177 2020 9 77808 257562 21.60516 2.06 94.87
## 178 2020 10 84351 280474 21.38085 2.68 95.29
## 179 2020 11 95707 287703 20.53330 2.76 95.65
## 180 2020 12 105603 275081 19.97817 3.15 96.21
## 181 2021 1 81657 223533 19.90262 0.86 95.30
## 182 2021 2 82863 213987 20.29248 1.50 95.60
## 183 2021 3 96319 256119 20.76205 2.34 96.13
## 184 2021 4 84287 234584 20.10944 2.67 95.35
## 185 2021 5 86710 242020 20.05320 2.88 96.01
## 186 2021 6 88688 234394 20.04272 3.43 95.98
## 187 2021 7 82157 202021 19.98552 4.04 95.62
## 188 2021 8 78235 212687 20.05125 4.24 95.67
## 189 2021 9 76930 195294 19.99092 4.88 95.82
## 190 2021 10 76640 224535 20.47244 5.76 96.05
## 191 2021 11 82829 240341 20.78256 6.97 96.34
## 192 2021 12 97420 227465 20.98530 7.36 96.49
## 193 2022 1 78585 216630 20.48354 0.59 96.29
## 194 2022 2 79598 201868 20.48437 1.43 96.26
## 195 2022 3 95199 262494 20.60089 2.43 97.03
## 196 2022 4 83459 241286 20.04452 2.98 96.97
## 197 2022 5 91215 244643 20.11331 3.17 96.73
## 198 2022 6 90368 237674 19.96650 4.04 96.65
## 199 2022 7 83137 210170 20.53081 4.81 96.57
## 200 2022 8 91124 248704 20.12613 5.54 96.47
## porcentaje_desocu conf_consumidor
## 1 3.48 43.9415
## 2 3.75 43.9100
## 3 3.31 45.6029
## 4 3.20 44.7854
## 5 2.84 44.6508
## 6 3.26 44.2339
## 7 4.01 44.8674
## 8 3.87 45.0383
## 9 4.00 45.0604
## 10 3.82 44.3016
## 11 3.50 43.1883
## 12 3.32 44.7871
## 13 4.05 42.7412
## 14 4.05 42.3778
## 15 3.73 43.5677
## 16 3.51 43.4415
## 17 3.15 43.7534
## 18 3.28 43.0694
## 19 3.79 42.9629
## 20 3.83 43.9863
## 21 3.76 43.0238
## 22 3.77 41.2666
## 23 3.35 40.8568
## 24 3.11 42.8202
## 25 4.12 42.1822
## 26 3.89 41.2208
## 27 3.61 41.8964
## 28 3.48 40.1531
## 29 3.29 38.9120
## 30 3.37 37.6903
## 31 4.13 36.7035
## 32 4.06 37.2616
## 33 4.14 36.6558
## 34 4.17 34.2078
## 35 4.32 34.9500
## 36 4.02 34.9987
## 37 5.01 34.4084
## 38 5.24 33.4023
## 39 4.66 33.4728
## 40 5.06 34.6003
## 41 5.23 33.1933
## 42 4.98 34.2256
## 43 5.82 36.0502
## 44 6.15 34.5306
## 45 6.42 34.4993
## 46 5.67 32.6096
## 47 5.11 33.1707
## 48 4.73 33.9865
## 49 5.76 34.8020
## 50 5.28 34.2586
## 51 4.74 34.6691
## 52 5.35 35.0361
## 53 5.00 35.5938
## 54 4.92 36.7799
## 55 5.59 36.9279
## 56 5.42 37.2006
## 57 5.66 38.3303
## 58 5.48 37.4086
## 59 5.17 37.1774
## 60 4.94 38.1767
## 61 5.34 38.4624
## 62 5.34 38.4413
## 63 4.64 38.3233
## 64 5.13 37.6265
## 65 5.18 37.3597
## 66 5.40 38.7674
## 67 5.48 39.7537
## 68 5.71 38.9023
## 69 5.43 38.4823
## 70 4.99 37.7094
## 71 4.96 37.4238
## 72 4.51 37.7149
## 73 4.88 39.3604
## 74 5.28 38.9804
## 75 4.52 38.8750
## 76 4.86 40.2245
## 77 4.67 39.7323
## 78 4.75 39.7133
## 79 4.99 41.1478
## 80 5.33 40.7832
## 81 4.91 39.3550
## 82 5.03 39.6293
## 83 5.05 39.1214
## 84 4.40 41.1395
## 85 5.41 41.6134
## 86 4.75 39.6882
## 87 4.48 39.9339
## 88 4.96 39.8361
## 89 4.91 39.4471
## 90 5.00 38.7706
## 91 5.13 40.6562
## 92 5.18 40.5308
## 93 5.31 39.1825
## 94 5.01 38.0775
## 95 4.48 36.9465
## 96 4.27 37.3707
## 97 5.07 35.5508
## 98 4.66 35.7346
## 99 4.80 37.1351
## 100 4.85 37.6101
## 101 4.94 37.7513
## 102 4.82 37.9049
## 103 5.47 37.5518
## 104 5.19 37.4502
## 105 5.09 38.2199
## 106 4.78 37.6935
## 107 4.53 38.4760
## 108 3.76 38.6914
## 109 4.51 38.0625
## 110 4.33 37.4911
## 111 3.86 38.5052
## 112 4.31 37.8429
## 113 4.45 38.0317
## 114 4.41 39.1119
## 115 4.72 38.1319
## 116 4.68 37.3836
## 117 4.50 37.4490
## 118 4.55 37.8131
## 119 3.96 38.1829
## 120 3.96 38.3685
## 121 4.26 38.1815
## 122 4.14 36.7321
## 123 3.75 36.8144
## 124 3.80 36.7139
## 125 4.01 37.4848
## 126 3.92 38.3491
## 127 4.00 36.5060
## 128 3.98 35.6554
## 129 4.12 34.7550
## 130 3.67 35.0319
## 131 3.50 34.8752
## 132 3.38 35.4784
## 133 3.60 28.6679
## 134 3.34 31.5156
## 135 3.19 33.7951
## 136 3.47 34.9345
## 137 3.55 35.8733
## 138 3.29 36.0104
## 139 3.42 36.4886
## 140 3.52 36.5055
## 141 3.59 36.7879
## 142 3.51 36.4370
## 143 3.41 36.7168
## 144 3.15 36.3155
## 145 3.36 34.8018
## 146 3.17 34.1893
## 147 2.94 34.3367
## 148 3.39 35.6116
## 149 3.22 36.6479
## 150 3.37 37.1483
## 151 3.47 43.3411
## 152 3.46 43.0057
## 153 3.58 42.1327
## 154 3.27 42.5330
## 155 3.25 41.6750
## 156 3.36 44.8654
## 157 3.56 45.9299
## 158 3.29 47.8261
## 159 3.22 46.3411
## 160 3.50 45.4850
## 161 3.50 44.3235
## 162 3.57 43.6658
## 163 3.74 43.3177
## 164 3.71 43.8192
## 165 3.78 45.2995
## 166 3.69 44.0597
## 167 3.42 43.8407
## 168 2.91 43.7574
## 169 3.78 44.1205
## 170 3.53 43.3299
## 171 2.91 42.0593
## 172 4.69 32.2235
## 173 4.19 31.0682
## 174 5.49 31.9572
## 175 5.35 34.4173
## 176 5.26 35.0648
## 177 5.13 36.2820
## 178 4.71 37.8912
## 179 4.35 37.0767
## 180 3.79 38.7487
## 181 4.70 39.2114
## 182 4.40 38.6401
## 183 3.87 40.5816
## 184 4.65 42.5091
## 185 3.99 42.4227
## 186 4.02 44.3477
## 187 4.38 44.2934
## 188 4.33 42.4746
## 189 4.18 43.3421
## 190 3.95 43.8431
## 191 3.66 45.9354
## 192 3.51 44.8964
## 193 3.71 43.5909
## 194 3.74 42.9401
## 195 2.97 43.5603
## 196 3.03 44.3017
## 197 3.27 43.7823
## 198 3.35 43.2086
## 199 3.43 41.2699
## 200 3.53 40.2979Dentro de la base de datos había dos renglones sin contenido, por lo tanto, se decicdió eliminarlo.
2 modelos diferentes de regresión lineal múltiple para predecir el desempeño de la industria automotriz
Correlación
corrplot(cor(bd_prediccion2), type="upper",order="hclust",addcoef.col="black")
summary(bd_prediccion2)## Año Mes Venta Exportación
## Min. :2006 Min. : 1.00 Min. : 34927 Min. : 15139
## 1st Qu.:2010 1st Qu.: 3.00 1st Qu.: 78543 1st Qu.:153219
## Median :2014 Median : 6.00 Median : 88580 Median :209160
## Mean :2014 Mean : 6.42 Mean : 94178 Mean :201664
## 3rd Qu.:2018 3rd Qu.: 9.00 3rd Qu.:110134 3rd Qu.:243900
## Max. :2022 Max. :12.00 Max. :192741 Max. :327454
## Tipo.de.cambio Inflación porcentaje_ocu porcentaje_desocu
## Min. :10.09 Min. :-0.250 Min. :93.58 Min. :2.840
## 1st Qu.:12.66 1st Qu.: 0.815 1st Qu.:95.06 1st Qu.:3.527
## Median :13.56 Median : 1.480 Median :95.88 Median :4.125
## Mean :15.48 Mean : 1.951 Mean :95.76 Mean :4.244
## 3rd Qu.:19.10 3rd Qu.: 2.895 3rd Qu.:96.47 3rd Qu.:4.940
## Max. :24.24 Max. : 7.360 Max. :97.16 Max. :6.420
## conf_consumidor
## Min. :28.67
## 1st Qu.:36.69
## Median :38.47
## Mean :39.15
## 3rd Qu.:42.59
## Max. :47.83Primeramente, se realizo un plot de correlación, con el fin de observar si las variables podrían tener relación entre las mismas variables y las demás, y lo que se puede notar, es que todos tienen el 100% de relación, y también se puede analizar que año y tipo de cambio también es relevante, así como, mes e inflación, venta y porcentaje de personas ocupadas, la exportación y el año, seguido por el tipo de cambio y de la expotación, entre otros.
Modelo de regresión 1
modelo_regresion1 <- lm(Exportación~Año+Mes+Tipo.de.cambio+Inflación+porcentaje_ocu+porcentaje_desocu+conf_consumidor,data=bd_prediccion2)
summary(modelo_regresion1)##
## Call:
## lm(formula = Exportación ~ Año + Mes + Tipo.de.cambio + Inflación +
## porcentaje_ocu + porcentaje_desocu + conf_consumidor, data = bd_prediccion2)
##
## Residuals:
## Min 1Q Median 3Q Max
## -223340 -17123 3169 21264 87133
##
## Coefficients: (1 not defined because of singularities)
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -3.913e+07 3.447e+06 -11.352 < 2e-16 ***
## Año 1.835e+04 1.645e+03 11.151 < 2e-16 ***
## Mes 6.334e+03 1.054e+03 6.007 9.25e-09 ***
## Tipo.de.cambio -1.280e+04 2.212e+03 -5.785 2.89e-08 ***
## Inflación -1.022e+04 2.390e+03 -4.275 3.01e-05 ***
## porcentaje_ocu 2.763e+04 4.394e+03 6.289 2.09e-09 ***
## porcentaje_desocu NA NA NA NA
## conf_consumidor -2.142e+03 8.735e+02 -2.452 0.0151 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 36390 on 193 degrees of freedom
## Multiple R-squared: 0.6723, Adjusted R-squared: 0.6621
## F-statistic: 65.99 on 6 and 193 DF, p-value: < 2.2e-16En este modelo, primero se realizó sin la variable año y mes, y se pudo observar que el tipo de cambio era la variable que más impactaba a la exportación, lo cual tiene sentido sabiendo que el tipo de cambio afecta a México y de igual manera al mundo, al devaluarse la moneda mexicana, es por eso que México es un gran exportador.
Por otro lado, al agregarle la variable año y mes, la mayoría de las variables, con excepción de porcentaje de personas desocupadas tenían los 3 asteriscos, por lo tanto se consideran variables impactantes.
Gráfica
effect_plot(modelo_regresion1,pred=Tipo.de.cambio,interval=TRUE)
Como se puede observar en la gráfica, la tendencia que sigue es negativa, esto quiere decir, que entre más cueste un dolar en pesos Méxicanos o que el tipo de cambio sea más bajo, menos se exporta.
Modelo de regresión 2
modelo_regresion2 <- lm(Venta~Año+Mes+Tipo.de.cambio+Inflación+porcentaje_ocu+porcentaje_desocu+conf_consumidor,data=bd_prediccion2)
summary(modelo_regresion2)##
## Call:
## lm(formula = Venta ~ Año + Mes + Tipo.de.cambio + Inflación +
## porcentaje_ocu + porcentaje_desocu + conf_consumidor, data = bd_prediccion2)
##
## Residuals:
## Min 1Q Median 3Q Max
## -66653 -9529 -696 9350 64461
##
## Coefficients: (1 not defined because of singularities)
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -7208005.1 1525100.0 -4.726 4.40e-06 ***
## Año 2561.8 727.9 3.519 0.000539 ***
## Mes 3468.4 466.5 7.434 3.34e-12 ***
## Tipo.de.cambio -2373.5 978.9 -2.425 0.016241 *
## Inflación -3991.3 1057.4 -3.775 0.000213 ***
## porcentaje_ocu 23358.2 1943.9 12.016 < 2e-16 ***
## porcentaje_desocu NA NA NA NA
## conf_consumidor -1822.0 386.5 -4.714 4.63e-06 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 16100 on 193 degrees of freedom
## Multiple R-squared: 0.5586, Adjusted R-squared: 0.5449
## F-statistic: 40.71 on 6 and 193 DF, p-value: < 2.2e-16En este modelo de regresión, en lugar de exportaciones, se tomaron en cuenta las ventas de vehiculos, y de igual forma se grafico dos veces, la primera sin año y mes, lo cual nos daba como variable significativa la de porcentaje de población ocupada, y después agregando las variables año y mes, la mayoría de las variables tuvieron sentido con los 3 asteriscos, a excepción del porcentaje de población desocupada y el tipo de cambio.
Gráfica
effect_plot(modelo_regresion2,pred=porcentaje_ocu,interval=TRUE)
Aquí se observa que la tendencia de la gráfica es positiva, y lo que se graficó fueron las ventas y la variable significativa que fue porcentaje de población ocupada. Para interpretar de forma general, la gráfica quiere decir que entre más porcentaje de población cuente con trabajo, más ventas habrá.
Descripción de variables
Año - Año en el que se efectúo la exportación o venta.
Mes - Mes correspondiente al año en el que se efectúo la exportación o venta.
Venta (variable dependiente) - Venta en México de vehículos ligeros en unidades.
Exportación (variable dependiente) - Exportación en México de vehículos ligeros en unidades.
Tipo de cambio (variable independiente) - Registros historicos del dolar en México.
Inflación (variable independiente)- Inflación durante los años definidos.
porcentaje_ocu (variable independiente) - Porcentaje de la población ocupada.
porcentaje_desocu (variable independiente) - Porcentaje de la población desocupada.
conf_consumidor (variable independiente) - Confianza del consumidor en la industria automotriz en México.
Interpretación de los modelos de regresión:
Después de analizar ambos modelos de regresión, se puede destacar que para la variable dependiente de exportaciones, la variable independiente que más impacta es la de tipo.de.cambio, esta impacta de manera que la tendencia se vuelve negativa, dando a conocer que entre más aumente el peso mexicano con respecto al dolar, las exportaciones bajan.
Por otro lado, la variable dependiente de ventas, se ve afectada principalmente por la variable independiente de porcentaje de población ocupada, es decir, la que cuenta con vida laboral, esto hace sentido, ya que, si hay ingresos, es más probable que haya más ventas.
Por último, la tendencia de la gráfica es positiva, lo cual significa, que entre más grande el porcentaje de población ocupada, más elevadas ñas ventas.
K-Means Clustering
Identificar y visualizar las características de clústers
Paso 1. Instalar librerías
library(foreign)
library(dplyr)
library(ggplot2)
library(psych)
library(corrplot)
library(jtools)
library(lmtest)
library(car)
library(factoextra)
library(janitor)Paso 2. Creación de Clústers
Cluster 1: Relación de variables de Edad y Número de días.
edad <-bajas
edad<- subset(bajas,select = -c(genero, motivo_de_baja, puesto, salario_diario_imss, estado_civil))
#Normalizar variables
edad_norm<-scale(edad[1:2])
#Función fviz para la visualización de un Elbow Plot y así determinar el número de clusters.
fviz_nbclust(edad_norm, kmeans, method="wss")+
geom_vline(xintercept=4, linetype=2)+
labs(subtitle = "Elbow method")
Con esta gráfica podemos visualizar que el número óptimo de clústers son 4 (optimización).
#Visualizar clusters
edad_cluster<-kmeans(edad_norm,4)
edad_cluster## K-means clustering with 4 clusters of sizes 80, 4, 45, 108
##
## Cluster means:
## edad no_dias
## 1 0.1895854 -0.06199477
## 2 1.0620936 6.70675123
## 3 1.6004444 -0.10126073
## 4 -0.8466223 -0.16028417
##
## Clustering vector:
## 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
## 1 1 4 4 1 3 1 1 3 4 4 1 4 1 1 4 4 4 4 4
## 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
## 1 2 4 1 3 4 1 4 4 4 1 4 4 4 1 4 4 1 1 4
## 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60
## 4 1 4 4 4 4 4 4 3 3 3 2 4 3 4 4 3 4 4 4
## 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80
## 4 4 1 4 4 3 4 3 1 4 4 4 1 4 1 4 3 4 4 3
## 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100
## 2 1 3 4 4 4 3 4 4 4 1 3 3 4 4 4 1 3 1 4
## 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120
## 1 4 4 3 1 4 4 1 2 1 1 4 1 1 4 1 1 1 3 3
## 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140
## 3 4 4 4 4 4 1 4 1 3 4 1 4 3 4 1 1 1 3 1
## 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160
## 3 1 1 3 3 3 4 1 1 1 1 4 4 4 1 3 3 4 1 4
## 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180
## 1 3 3 3 3 1 3 4 4 1 4 4 3 1 3 4 3 1 1 3
## 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200
## 1 1 4 4 4 1 3 1 1 4 4 1 1 1 1 1 1 1 4 1
## 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220
## 1 1 1 4 1 3 1 4 4 4 3 4 4 4 1 1 4 4 1 1
## 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237
## 1 3 4 4 1 4 4 4 4 3 1 3 4 4 4 4 4
##
## Within cluster sum of squares by cluster:
## [1] 34.04210 16.13273 21.75900 16.53795
## (between_SS / total_SS = 81.3 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"#Visualizar resultados:
fviz_cluster(edad_cluster,data=edad_norm)
Los más jóvenes son los que menos días de trabajo laboran. Así como que los que más días laborales tienen, son los adultos desde los 27 años hasta los 61.
Cluster 2: Relación de variables de Edad y Salario Diario.
edad_salario <-bajas
edad_salario<- subset(bajas,select = -c(genero,estado_civil,motivo_de_baja, puesto, no_dias))
#Normalizar variables
edad_salario_norm<-scale(edad_salario[1:2])
#Función fviz para la visualización de un Elbow Plot y así determinar el número de clusters.
fviz_nbclust(edad_salario_norm, kmeans, method="wss")+
geom_vline(xintercept=4, linetype=2)+
labs(subtitle = "Elbow method") 
Con esta gráfica podemos visualizar que el número óptimo de clústers son 4 (optimización).
Visualizar clusters y resultados:
edad_salario_cluster<-kmeans(edad_salario_norm,4)
edad_salario_cluster## K-means clustering with 4 clusters of sizes 76, 1, 45, 115
##
## Cluster means:
## edad salario_diario_imss
## 1 0.24407169 -0.03948540
## 2 0.09515287 13.87503094
## 3 1.67245680 -0.06024275
## 4 -0.81656658 -0.07098449
##
## Clustering vector:
## 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
## 2 1 4 4 1 3 1 1 3 4 4 1 4 1 1 4 4 4 4 4
## 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
## 1 3 4 1 3 4 1 4 4 4 1 4 4 4 1 4 4 4 1 4
## 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60
## 4 1 4 4 4 4 4 4 3 3 3 3 4 3 4 4 3 4 4 4
## 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80
## 4 4 1 4 4 3 4 3 4 4 4 4 1 4 1 4 1 4 4 3
## 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100
## 4 4 3 4 4 4 3 4 4 4 1 3 3 4 4 4 1 3 1 4
## 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120
## 1 4 4 3 1 4 4 1 4 1 1 4 1 1 4 1 1 1 3 3
## 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140
## 3 4 4 4 4 4 1 4 1 3 4 1 4 3 4 4 4 1 3 1
## 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160
## 3 1 1 1 3 3 4 1 1 1 1 4 4 4 1 3 3 4 1 4
## 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180
## 1 3 3 3 3 1 3 4 4 1 4 4 3 1 3 4 3 1 1 3
## 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200
## 1 1 4 4 4 1 3 1 1 4 4 1 1 1 1 1 1 1 4 1
## 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220
## 1 1 1 4 1 3 1 4 4 4 3 4 4 4 1 1 4 4 1 1
## 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237
## 1 3 4 4 1 4 4 4 4 3 1 3 4 4 4 4 4
##
## Within cluster sum of squares by cluster:
## [1] 20.84343 0.00000 18.68350 32.00903
## (between_SS / total_SS = 84.8 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"fviz_cluster(edad_salario_cluster,data=edad_salario_norm)
La edad no tiene mucha influencia en el salario. Pues los colaboradores que se han dado de baja tienen un salario muy similar independientemente de su edad.
Cluster 3: Relación de variables de Salario Diario y Número de días.
dias_salario <-bajas
dias_salario<- subset(bajas,select = -c(genero,estado_civil,motivo_de_baja, puesto, edad))
#Normalizar variables:
dias_salario_norm<-scale(dias_salario[1:2])
#Función fviz para la visualización de un Elbow Plot y así determinar el número de clusters.
fviz_nbclust(dias_salario_norm, kmeans, method="wss")+
geom_vline(xintercept=4, linetype=2)+
labs(subtitle = "Elbow method") 
Con esta gráfica podemos visualizar que el número óptimo de clústers son 4 (optimización).
Visualizar clusters y resultados:
dias_salario_cluster<-kmeans(dias_salario_norm,4)
dias_salario_cluster## K-means clustering with 4 clusters of sizes 159, 5, 43, 30
##
## Cluster means:
## no_dias salario_diario_imss
## 1 -0.2906680 0.11501794
## 2 5.8798242 2.45410205
## 3 0.2579630 0.08136604
## 4 0.1908225 -1.13523673
##
## Clustering vector:
## 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
## 2 4 4 4 4 4 4 4 4 3 4 4 1 1 4 4 4 4 4 4
## 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
## 4 2 4 4 1 1 1 1 1 1 1 1 1 1 1 1 4 3 1 1
## 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60
## 3 3 1 1 1 1 1 1 1 1 1 2 3 1 1 1 1 1 1 4
## 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80
## 1 1 1 1 1 1 1 4 3 4 1 1 1 1 1 1 1 1 1 1
## 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100
## 2 4 4 4 4 3 1 1 1 1 1 1 1 1 1 1 1 4 4 3
## 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120
## 3 1 1 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1
## 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140
## 1 1 3 1 1 1 1 1 1 1 1 1 1 4 3 3 3 3 1 1
## 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 3 1 1
## 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180
## 1 1 1 3 3 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200
## 3 3 3 3 3 3 3 3 3 3 3 3 3 1 3 3 3 3 3 3
## 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220
## 3 3 3 3 1 1 1 1 3 1 1 1 1 1 1 1 1 1 1 1
## 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237
## 1 3 3 1 1 1 1 1 1 1 1 1 1 1 1 1 1
##
## Within cluster sum of squares by cluster:
## [1] 1.009803 184.768864 12.851574 11.956632
## (between_SS / total_SS = 55.4 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"fviz_cluster(dias_salario_cluster,data=dias_salario_norm)
promedio_dias <- mean(bajas$no_dias)
promedio_dias## [1] 79.47196En este clúster podemos observar que por más antigüedad o días que labores en FORM, no hay mucha posibilidad de crecimiento laboral (económicamente hablando), pues según el cluster realizado, no influyen los días laborados con el salario diario.
Paso 3.Creación de Segmentos apartir de los Clústers:
Decidimos usar el Cluster 2 para generar la clasificación de variables y poder comparar con datos cualitativos.
#Añadir a la base de datos la columna de Clusters y su clasificación:
bajas1<-bajas
bajas1$Clusters<-edad_salario_cluster$cluster
library(dplyr)
library(factoextra)
#Identificamos la clasificación de las distintas edades de los colaboradores.
bajas2<-bajas1 %>% group_by(Clusters) %>% dplyr::summarise(edad=max(edad)) %>% arrange(desc(edad))
bajas1$Cluster_Names<-factor(bajas1$Clusters,levels = c(1,2,3,4),
labels=c("Outlier", "Joven", "Avanzada", "Adulta"))
bajas3 <- bajas1 %>% group_by(Cluster_Names) %>% dplyr::summarize(edad_años=max(edad), salario_imss=mean(salario_diario_imss),Count=n())
clusters<-as.data.frame(bajas3)
clusters## Cluster_Names edad_años salario_imss Count
## 1 Outlier 40 177.0462 76
## 2 Joven 32 500.0000 1
## 3 Avanzada 61 176.5644 45
## 4 Adulta 28 176.3151 115Paso 5. Generación de gráficos:
Gráficos cuantitativos:
#Se realizó una gráfica para analizar el número de registros por cada segmento:
ggplot(bajas3,aes(x=reorder(Cluster_Names,Count),y=Count,fill=Cluster_Names)) +
geom_bar(stat="identity")
Los colaboradores que más bajas han presentado según la gráfica anterior son jóvenes, seguido por los adultos y después los colaboradores de edad avanzada.
Visualizar la edad por cada segmento:
ggplot(bajas3, aes(x=Cluster_Names,y=edad_años,fill= Cluster_Names,label=round(edad_años,digits=2))) +
geom_col() +
geom_text()
Visualización de los máximos de cada segmento: Jóvenes (hasta los 28), Avanzada (Hasta los 61), Adulta (Hasta los 40) y el Outlier de 32.
Gráficas mixtas (Datos Cualitativos y Cuantitativos):
Gráfica de barras: (Clusters y Género)
ggplot(bajas1, aes(factor(Cluster_Names), fill = factor(genero))) +
geom_bar(position = position_dodge2(preserve = "single")) 
Este gráfico nos dice que de cada segmento, hay más mujeres que se han dado de baja.
Gráfica de barras: (Clusters y Estado Civil)
ggplot(bajas1, aes(factor(Cluster_Names), fill = factor(estado_civil))) +
geom_bar(position = position_dodge2(preserve = "single")) 
Podemos visualizar que de de los jóvenes, la mayoría eran solteros, de los adultos había la misma cantidad de casados, soleros y en unión libre y en avanzados eran más solteros y casados. Más sin embargo, hay muy pocos colaboradores que se han dado de baja divorciados.
Gráfica de barras: (Clusters y Motivo de Baja)
ggplot(bajas1, aes(factor(Cluster_Names), fill = factor(motivo_de_baja))) +
geom_bar(position = position_dodge2(preserve = "single")) 
Podemos observar que en el segmento de colaboradores jovenes, adultos y de edad avanzada, la mayor parte se ha dado de baja por faltas, siguiendo así por renuncia voluntaria.
Gráfica de pay: (Puesto)
table(bajas1$puesto)##
## ANALISTA DE NOMINAS /AUX DE R.H. AYUDANTE DE EMBARQUES
## 1 7
## AYUDANTE DE MTTO AYUDANTE DE SOLDADOR
## 1 1
## AYUDANTE GENERAL CHOFER
## 179 1
## CORTADOR COSTURERA
## 1 11
## DISEÑO ENCARGADA DE CALIDAD
## 1 1
## FACTURACION GUARDIA DE SEGURIDAD
## 1 2
## INSPECTOR CALIDAD JEFE DE SEGURIDAD E HIGIENE
## 4 1
## LIMPIEZA MARCADORA
## 1 1
## MATERIALISTA MONTACARGUISTA
## 2 5
## PRACTICANTE DE MTTO RESIDENTE
## 1 3
## SERVICIO AL CLIENTE SOLDADOR
## 1 11proporciones <- c(23, 179, 11, 11, 7, 5)
etiquetas <- c("Otros","Ayudante General", "Costurera", "Soldador", "Ayudante Embarques", "Montacarguista")
pct <- round(proporciones/sum(proporciones)*100)
etiquetas <- paste(etiquetas, pct)
etiquetas <- paste(etiquetas,"%",sep="")
pie(proporciones,labels = etiquetas,
col=rainbow(length(etiquetas)),
main="Puesto de los Ex-Colaboradores")
Gglluvial
bajas4 <-bajas1 %>% filter(Clusters==1 | Clusters==3) %>% arrange(Clusters)
library(ggalluvial)
ggplot(as.data.frame(bajas4),
aes(y=no_dias, axis1= genero, axis2=estado_civil)) +
geom_alluvium(aes(fill=Cluster_Names), width = 1/12) +
geom_stratum(width = 1/12, fill = "black", color = "grey") +
geom_label(stat = "stratum", aes(label = after_stat(stratum))) +
scale_x_discrete(limits = c("Gender", "Marital Status"), expand = c(.05, .05)) +
scale_fill_brewer(type = "qual", palette = "Set1") +
ggtitle("FORM's Antigüedad de bajas por Genero y Estado Civil")
bajas5 <-bajas1 %>% filter(Clusters==2 | Clusters==4) %>% arrange(Clusters)
library(ggalluvial)
ggplot(as.data.frame(bajas5),
aes(y=no_dias, axis1= genero, axis2=estado_civil)) +
geom_alluvium(aes(fill=Cluster_Names), width = 1/12) +
geom_stratum(width = 1/12, fill = "black", color = "grey") +
geom_label(stat = "stratum", aes(label = after_stat(stratum))) +
scale_x_discrete(limits = c("Gender", "Marital Status"), expand = c(.05, .05)) +
scale_fill_brewer(type = "qual", palette = "Set1") +
ggtitle("FORM's Antigüedad de bajas por Genero y Estado Civil")
Identificar y describir los hallazgos de los clústers:
1. La edad de los colaboradores que se han dado de baja, no tiene influencia en su salario.
2. El salario influye mucho en las bajas, pues todos los que se han dado de baja tienen un salario promedio menor a $180 diarios. Solamente un colaborador con un salario mayor ($500) se ha dado de baja.
3. Los días laborales (antigüedad) de un colaborador, no influyen con el salario, al menos con los que se han dado de baja. Lo que puede significar que la oportunidad de crecer económicamente en FORM de acuerdo a tu antigüedad es mínima.
4. La mayoría de los colaboradores que se han dado de baja, no han trabajado más de 3 meses (79 días) en FORM.
5. Los colaboradores que más bajas han presentado son jóvenes (de edades de los 18-28 años).
6. Independientemente de si los ex-colaboradores son jóvenes, adultos o mayores, de cada segmento las mujeres son las que han presentado más bajas.
7. FORM ha despedido más colaboradores de los que han renunciado, siendo la principal causa la “Baja por faltas”. Lo que puede significar que su proceso de contratación no es el más óptimo ya que terminan contratando personal que no era el adecuado para el puesto.
Identificación de Resultados Relevantes
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).
FORM produce en promedio 3708.52 kilos de merma por mes.
Se produjo una mayor cantidad de piezas en el mes de agosto.
A un tiempo mayor de producción, FORM le invierte menos horas de calidad en las unidades producidas FORM tiene ubicada la mayor parte de su scrap en pre-producción.
Las unidades vendidas de carros aumentaron los últimos 5-10 años y se pronostica que haya un crecimiento positivo de los vehículos en circulación con el paso del tiempo.
Si incrementa el empleo en México, se predice que las ventas de vehículos ligeros incrementarán también.
El salario influye mucho en las bajas, pues todos los que se han dado de baja tienen un salario promedio menor a $180 diarios. Solamente un colaborador con un salario mayor ($500) se ha dado de baja.
FORM ha despedido más colaboradores de los que han renunciado, siendo la principal causa la “Baja por faltas”. Lo que puede significar que su proceso de contratación no es el más óptimo ya que terminan contratando personal que no era el adecuado para el puesto.
A partir del análisis de las bases de datos de las diferentes áreas de la empresa FORM, describir 3 sugerencias que le permitan al socio formador mejorar su proceso de captura, organización, y analítica de datos.
Se sugiere un data analysts, si no se tiene el presupuesto, se podría buscar un curso para empleados para poder llegar a crear bases de datos limpias y estandarizadas para cuando se necesite analizar o simplemente la búsqueda de la información.
Para la captura de datos, no se conoce cuantas personas son las que registran pero sería más sencillo y más organizado si se creara un equipo en los cuales se ocupen que los datos se registren de la manera correcta.
En el caso que no se pueda contratar un data analyst, agregarlo como meta de mediano plazo (dependiendo del presupuesto de FORM) para así poder llegar a ser una pyme pensando en su futuro y generar estrategias de crecimiento.
Business Intelligence
El Business Analytics es el método de análisis que las empresas utilizan para poder crear estrategias en torno al crecimiento e innovación tomando en cuenta su información interna y externa. Es una combinación de los campos de la gestión, los negocios y la ciencia de los datos.
Algunos de los principales objetivos del Business Analytics son determinar qué conjuntos de datos son útiles (organizarlos, filtrarlos y limpiarlos), examinarlos (establecer relaciones y clasificarlos) y ver cómo estos pueden aumentar los ingresos, la productividad, la eficiencia y el rendimiento organizacional. Asimismo, el Business Analytics ayuda a que los colaboradores puedan tomar decisiones más inteligentes (Business Intelligence) basadas en los datos analizados al utilizar diferentes herramientas como el análisis estadístico y predictivo.
La relación entre el “Business Intelligence” y el “Business Analytics” es que un experto en Business Intelligence, toma y procesa la información generada por los expertos en Business Analytics y la convierte en decisiones estratégicas para su negocio.
KPI
Según mis estudios en mercadotecnia, KPI, es técnicamente un tipo de indicador o métrica para poder medir diferentes estrategias o técnicas implementadas en un área del negocio o servicio, dependiendo del caso.
KPI’S para FORM
Colaboradores en crecimiento, en el área de negocio de Recursos Humanos de FORM, contando con todo este análisis e hallazgos implementar con precisión una estrategia para retener y evitar tanta rotación de personal. Siendo más específicos en los jóvenes, que son los que más se dan de baja.
Desperdicio cero, en el área de negocios de producción, se genera mucha scrap en la pre producción donde se puede realizar la estrategia de utilizarla o encontrar una maneras de reciclar generando un valor monetario como llegar a conectar con una empresa ecológica.
100% calidad, en el área de negocios de comercial y servicio a cliente, se comentó que FORM se especializa en personificar sus pedidos pero es importante crear esto con todos sus clientes para generar la retención de todos sus clientes y el poder conseguir más.
Propuestas
FORM genera cierta cantidad de merma creando un punto de oportunidad, oportunidades de negocios en el area de reciclaje, donde se obtenga un beneficio monetario a cambio.
Puebla es el estado donde más se produce cartón, se puede contactar empresas de Puebla productoras de cartón, al haber tanta oferta, lo más probable es que el precio de la materia prima disminuya.
Si se busca expandir y crear bodegas FORM tiene que buscar invertir en aquellas que se puedan situar en los estados o cerca de los estados situados en la región Norte y la región centro, ya que, es donde más producción de cartón existe.
“Tres principales líneas de negocio” Desarrollo de ingeniería de empaque, producción de empaques a la medida y administración 360 del empaque.
Debido a la gran cantidad de merma de cartón desechada por FORM se busca eliminar los desperdicios de tal manera que la empresa pueda disminuir sus gastos al aprovechar al máximo la materia prima adquirida, así como el impactar positivamente el medio ambiente al disminuir los desechos generados.
Estimación de Modelo de Regresión Logística Múltiple
Especificar y estimar 2 especificaciones diferentes de modelos de regresión logística mútiple.
Importar base de datos
library(foreign)
library(dplyr) # data manipulation
library(ggplot2) # data visualization
library(psych) # functions for multivariate analysis
library(corrplot) # correlation plots
library(jtools) # presentation of regression analysis
library(lmtest) # diagnostic checks - linear regression analysis
library(car) # diagnostic checks - linear regression analysis
library(factoextra) # provides functions to extract and visualize the output of exploratory multivariate data analyses
library(ggfortify) # data visualization tools for statistical analysis results
library(tidyverse) # data manipulation and visualization
library(janitor) # examining and cleaning datasets
library(viridis)
library(scales)
library(lubridate)
# file.choose()
rh_regresion <- read.csv("/Users/mayracampoyramos/Desktop/Analisis de Datos Concentracion/Reto/rh_regresion.csv")
summary(rh_regresion)## edad genero antiguedad puesto
## Min. :18.00 Length:349 Min. : 0.0000 Length:349
## 1st Qu.:24.00 Class :character 1st Qu.: 0.0000 Class :character
## Median :30.00 Mode :character Median : 0.0000 Mode :character
## Mean :32.69 Mean : 0.5501
## 3rd Qu.:40.00 3rd Qu.: 0.0000
## Max. :73.00 Max. :12.0000
## salario_diario estado_civil motivo_de_baja bajas
## Min. :144.4 Length:349 Length:349 Min. :0.0000
## 1st Qu.:176.7 Class :character Class :character 1st Qu.:0.0000
## Median :180.7 Mode :character Mode :character Median :1.0000
## Mean :178.3 Mean :0.6762
## 3rd Qu.:180.7 3rd Qu.:1.0000
## Max. :500.0 Max. :1.0000Limpieza de datos
Técnica 1. Convertir las variables como factor o numero
rh_regresion$edad <- as.numeric(rh_regresion$edad)
rh_regresion$genero <- as.factor(rh_regresion$genero)
rh_regresion$antiguedad <- as.numeric(rh_regresion$antiguedad)
rh_regresion$puesto<- as.factor(rh_regresion$puesto)
rh_regresion$salario_diario <- as.numeric(rh_regresion$salario_diario)
rh_regresion$estado_civil<- as.factor(rh_regresion$estado_civil)
rh_regresion$bajas <- as.numeric(rh_regresion$bajas)
rh_regresion$motivo_de_baja<- as.factor(rh_regresion$motivo_de_baja)
summary(rh_regresion)## edad genero antiguedad puesto
## Min. :18.00 FEMENINO :200 Min. : 0.0000 AYUDANTE GENERAL :246
## 1st Qu.:24.00 MASCULINO:149 1st Qu.: 0.0000 COSTURERA : 21
## Median :30.00 Median : 0.0000 SOLDADOR : 16
## Mean :32.69 Mean : 0.5501 AYUDANTE DE EMBARQUES: 7
## 3rd Qu.:40.00 3rd Qu.: 0.0000 RESIDENTE : 7
## Max. :73.00 Max. :12.0000 CHOFER : 6
## (Other) : 46
## salario_diario estado_civil motivo_de_baja bajas
## Min. :144.4 CASADO :108 ABANDONO : 1 Min. :0.0000
## 1st Qu.:176.7 DIVORCIADO : 6 BAJA POR FALTAS :141 1st Qu.:0.0000
## Median :180.7 SOLTERO :154 JUBILACION : 1 Median :1.0000
## Mean :178.3 UNION LIBRE: 81 RENUNCIA VOLUNTARIA: 85 Mean :0.6762
## 3rd Qu.:180.7 TERMINO DE CONTRATO: 8 3rd Qu.:1.0000
## Max. :500.0 NA's :113 Max. :1.0000
## En esta técnica de limpieza se vuelven a factor o números las variables para generar un estandarizar y generar un formato para que se vuelva más sencillo al realizar gráficos y manipular datos.
Técnica 2. Crear una categoría de referencia para la variable “bajas”:
rh_regresion$bajas<-as.factor(rh_regresion$bajas)
rh_regresion$bajas<-fct_recode(rh_regresion$bajas, "BAJA"="1","NO BAJA"="0")replace the “outlier” of salario_diario with the median
rh_regresion$salario_diario<-replace(rh_regresion$salario_diario,rh_regresion$salario_diario>1000000,181)
rh_regresion$salario_diario[is.na(rh_regresion$salario_diario)]<-median(rh_regresion$salario_diario,na.rm=TRUE)lets display data visualization plots so we can identify relevant insights from our rh_alt dataset
tapply(rh_regresion$salario_diario,
list(rh_regresion$genero,rh_regresion$estado_civil), mean)## CASADO DIVORCIADO SOLTERO UNION LIBRE
## FEMENINO 179.1338 180.68 175.5099 177.2578
## MASCULINO 180.2972 178.70 180.7174 177.3359It is worth mentioning that k-means clustering analysis can only include quantitative variables
rh_edad_regresion<-rh_regresion
rh_edad_regresion<- subset(rh_edad_regresion, select = -c(genero, estado_civil, antiguedad, puesto, motivo_de_baja, bajas))The normalizing of a dataset (quantitative variables) using the mean value and standard deviation is performed by scale()
rh_edad_regresion_norm<-scale(rh_edad_regresion[1:2]) fviz_nbclust() helps to determine and visualize the optimal number of clusters
fviz_nbclust(rh_edad_regresion_norm, kmeans, method="wss")+ # wss method considers total within sum of square
geom_vline(xintercept=5, linetype=2)+ # optimal number of clusters is computed with the default method = "euclidean"
labs(subtitle = "Elbow method") 
visualize the clusters’ information. Briefly, you can detect how each dataset’s observation corresponds to a specific cluster.
edad_cluster1<-kmeans(rh_edad_regresion_norm,5)the selection of 5 clusters approximately explains 85% of dataset’s variability.
visualize clustering results
fviz_cluster(edad_cluster1,data=rh_edad_regresion_norm)
lets add the estimated clusters’ information to the original dataset so we can interpret the results
rh_regresion1 <- rh_regresion
rh_regresion1$Clusters<-edad_cluster1$clusterlets create a dataset so we can identify some characteristics of “edad” by cluster
rh_regresion2<-rh_regresion1 %>% group_by(Clusters) %>% summarise(edad=max(edad)) %>% arrange(desc(edad))group the clusters by name
rh_regresion1$Cluster_Names<-factor(rh_regresion1$Clusters,levels = c(1,2,3,4,5),
labels=c("Jóven","Adulta II","Jubilación","Avanzada","Adulta I"))group the clusters by cluster names and Summarize the Columns
rh_regresion3<-rh_regresion1 %>% group_by(Cluster_Names) %>% dplyr::summarize(edad_años=max(edad),
salario_imss=mean(salario_diario),
Count=n())use table format to display the clusters information
clusters<-as.data.frame(rh_regresion3)
clusters## Cluster_Names edad_años salario_imss Count
## 1 Jóven 55 191.3548 73
## 2 Adulta II 29 151.0615 26
## 3 Jubilación 46 150.8006 16
## 4 Avanzada 33 180.3526 172
## 5 Adulta I 73 175.9756 62Estimating Logistic Regression
No me deja descargar el paquete de “caret” por eso nos fuimos directo a la regresion
simple logistic regression
model specification
logit_model1<-glm(bajas~salario_diario, data=rh_regresion1, family=binomial(link='logit'))
summary(logit_model1)##
## Call:
## glm(formula = bajas ~ salario_diario, family = binomial(link = "logit"),
## data = rh_regresion1)
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## -1.5324 -1.4998 0.8862 0.8862 1.1371
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 1.092219 0.839733 1.301 0.193
## salario_diario -0.001993 0.004657 -0.428 0.669
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 439.52 on 348 degrees of freedom
## Residual deviance: 439.34 on 347 degrees of freedom
## AIC: 443.34
##
## Number of Fisher Scoring iterations: 4make predictions based in the regression results
# Which groups / categories do these probabilities refer to?
contrasts(rh_regresion1$bajas) ## BAJA
## NO BAJA 0
## BAJA 1probabilities<-logit_model1 %>% predict(rh_regresion1,type="response")
predicted.classes<-ifelse(probabilities > 0.5, "bajas", "no_bajas")
# display the probabilities of dataset observations related to "bajas" & "no bajas"
head(probabilities) ## 1 2 3 4 5 6
## 0.6769964 0.6769964 0.6769964 0.6035916 0.6752681 0.6769964# display the probabilities associated with "bajas"
head(predicted.classes) ## 1 2 3 4 5 6
## "bajas" "bajas" "bajas" "bajas" "bajas" "bajas"lets assess the accuracy of the estimated logistic regression model1
rh_regresion1$logit_model1_prob <- predict(logit_model1, rh_regresion1, type="response")
rh_regresion1 <- rh_regresion1 %>% mutate(logit_model1_pred = 1*(logit_model1_prob > .50) + 0,
bajas_binary_1 = 1*(bajas == "BAJA") + 0)
rh_regresion1 <- rh_regresion1 %>% mutate(accurate_1=1*(logit_model1_pred == bajas_binary_1))
sum(rh_regresion1$accurate_1)/nrow(rh_regresion1) ## [1] 0.6762178# the calculated R2 indicates that approximately 73% of variation in the dependent variable is explained by the logit model specification. logistic regression plot displaying a S shaped curve
ggplot(rh_regresion1,aes(x=salario_diario, y=as.numeric(bajas)-1)) +
geom_point(alpha=.5) +
stat_smooth(method="glm", se=FALSE, fullrange=TRUE, method.args=list(family=binomial)) +
ylab("Probability") + xlim(100,500)+
labs(
title = "Logistic Regression Model",
x = "Salario Diario",
y = "Probability of Bajas"
)
En este caso se puede observar que la probabilidad de bajas va disminuyendo mientras aumenta el salario. Indica que entre aumente el salario de los colaboradores, menor probabilidad que se den de baja.
multiple logistic regression
logit_model2<-glm(bajas~salario_diario+edad, data=rh_regresion1, family=binomial(link='logit'))
summary(logit_model2)##
## Call:
## glm(formula = bajas ~ salario_diario + edad, family = binomial(link = "logit"),
## data = rh_regresion1)
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## -1.7868 -1.2640 0.7392 0.8647 1.3440
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 2.399657 0.917194 2.616 0.008889 **
## salario_diario -0.001686 0.004697 -0.359 0.719540
## edad -0.040739 0.010520 -3.872 0.000108 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 439.52 on 348 degrees of freedom
## Residual deviance: 423.90 on 346 degrees of freedom
## AIC: 429.9
##
## Number of Fisher Scoring iterations: 4lets assess the accuracy of the estimated logistic regression model2
rh_regresion1$logit_model2_prob <- predict(logit_model2, rh_regresion1, type="response")
rh_regresion1 <- rh_regresion1 %>% mutate(logit_model2_pred = 1*(logit_model2_prob > .50) + 0,
bajas_binary_2 = 1*(bajas == "BAJA") + 0)
rh_regresion1 <- rh_regresion1 %>% mutate(accurate_2=1*(logit_model2_pred == bajas_binary_2))
sum(rh_regresion1$accurate_2)/nrow(rh_regresion1) ## [1] 0.7106017# the calculated R2 indicates that approximately 73% of variation in the dependent variable is explained by the logit model specification. logistic regression plot displaying a S shaped curve
ggplot(rh_regresion1,aes(x=edad, y=as.numeric(bajas)-1)) +
geom_point(alpha=.5) +
stat_smooth(method="glm", se=FALSE, fullrange=TRUE, method.args = list(family=binomial)) +
ylab("Probability") + xlim(18,75)+
labs(
title = "Logistic Regression Model",
x = "Edad",
y = "Probability of Bajas"
)## `geom_smooth()` using formula 'y ~ x'
En este caso se puede observar que la probabilidad de bajas va disminuyendo mientras sea mayor de edad. Se puede deducir que las personas que mas se dan de baja son los jovenes.
lets consider our estimated results from K-Means clustering analysis
logit_model3<-glm(bajas~salario_diario+Cluster_Names, data=rh_regresion1, family=binomial(link='logit'))
summary(logit_model3)##
## Call:
## glm(formula = bajas ~ salario_diario + Cluster_Names, family = binomial(link = "logit"),
## data = rh_regresion1)
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## -1.6848 -1.1777 0.7486 0.9225 1.3771
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 1.246172 1.047794 1.189 0.2343
## salario_diario -0.003409 0.005306 -0.642 0.5206
## Cluster_NamesAdulta II -0.095257 0.526479 -0.181 0.8564
## Cluster_NamesJubilación 0.056329 0.631468 0.089 0.9289
## Cluster_NamesAvanzada 0.498461 0.308869 1.614 0.1066
## Cluster_NamesAdulta I -0.646322 0.363093 -1.780 0.0751 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 439.52 on 348 degrees of freedom
## Residual deviance: 425.23 on 343 degrees of freedom
## AIC: 437.23
##
## Number of Fisher Scoring iterations: 4rh_regresion1$logit_model3_prob <- predict(logit_model3, rh_regresion1, type="response")
rh_regresion1<- rh_regresion1 %>% mutate(logit_model3_pred = 1*(logit_model3_prob > .50) + 0,
bajas_binary_3 = 1*(bajas == "BAJA") + 0)
rh_regresion1 <- rh_regresion1 %>% mutate(accurate_3=1*(logit_model3_pred == bajas_binary_3))
sum(rh_regresion1$accurate_3)/nrow(rh_regresion1) ## [1] 0.6647564Recomendaciones
Esto es un problema ya mencionado anteriormente sobre las bajas de los empleados de FORM, donde se recomienda implementar una estrategia para los colaboradores jóvenes, hablando con los de recursos humanos para poder identificar qué es lo que puede retener a los jóvenes.
Hablando de salario, entre más crezca el salario es menor la probabilidad de bajas, lo que se recomienda aquí no es subir de salarios para evitar bajas si no, crear un tipo de especie de rifa entre empleados,algo que tenga como un premio algo que los motive y será como un extra.
Referencias
(LEDU), E. E. (2018, September 12). Understanding K-means clustering in machine learning. Medium. Retrieved October 8, 2022, from https://towardsdatascience.com/understanding-k-means-clustering-in-machine-learning-6a6e67336aa1
K-means clustering in R programming. GeeksforGeeks. (2020, July 2). Retrieved October 9, 2022, from https://www.geeksforgeeks.org/k-means-clustering-in-r-programming/
Supervised and unsupervised learning in R programming. GeeksforGeeks. (2021, November 29). Retrieved October 9, 2022, from https://www.geeksforgeeks.org/supervised-and-unsupervised-clustering-in-r-programming/
Shadan, M. (n.d.). Unsupervised learning in R. R. Retrieved October 9, 2022, from https://rstudio-pubs-static.s3.amazonaws.com/273129_453610ca694541e1a2c5664bf7ccba1a.html
How to compute the euclidean distance between two arrays in R -. ProjectPro. (n.d.). Retrieved October 9, 2022, from https://www.projectpro.io/recipes/compute-euclidean-distance-between-two-arrays-r
---
title: <span style = "color:orange"> "Evidencia 2"
author: "Mayra Campoy Ramos"
date: "2022-10-21"
output: 
  html_document:
    toc: true
    toc_float: true
    code_download: true
---

<img src= "/Users/mayracampoyramos/Downloads/1876445.jpeg">

# **Recursos Humanos Colaboradores** 

#### Importar las bases de datos
```{r message=FALSE, warning=FALSE}
# file.choose()
bd <- read.csv( "/Users/mayracampoyramos/Desktop/Analisis de Datos Concentracion/Reto/FORM - Recursos Humanos - colaboradores.csv")
library(plyr)
# install.packages("dplyr")
library(dplyr)
# install.packages("janitor")
library(janitor)
library(data.table)
library(ggplot2)
library(naniar)
library(Hmisc)         
library(psych)
library(tidyverse)
library(knitr)
# install.packages("pollster")
library(pollster)
library(epiDisplay)
library(descr)
library(tidyr)

colaboradores <- clean_names(bd)
summary(colaboradores)
```

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

### *¿Cuántas variables y cuantos registros tiene la base de datos?*
```{r message=FALSE, warning=FALSE}
describeData(colaboradores,head=1,tail=1)
```

##### Existen 10 variables y 113 registros en la base de datos.

### *Aplica técnicas de limpieza de bases de datos y explícalas brevemente, ¿por qué realizaste esas técnicas?*

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

##### Esta técnica se realizó ya que no se consideraron importantes las columnas de variables.

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

##### Al reemplazar los NA 's con el promedio nos ayuda para no contar con registros nulos y contar con los valores más acertados posibles al tiempo de analizarlos. 

#### Exportar base de datos limpia
```{r message=FALSE, warning=FALSE}
write.csv(colaboradores, file="colaboradores_bd_limpia.csv", row.names = FALSE)
```

### *Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa continua*
### *Elige la escala de medición de cada variable.*
```{r message=FALSE, warning=FALSE}

Variable <-c("Edad","Genero", "Antiguedad","Puesto", "Salario Diario", "Estado Civil")
Type<-c("quantitative (discreta)", "qualitative", "quantitative (discreta)","qualitative", "quantitative (continua)", "qualitative")
Measurement<-c("Años","NA","Meses trabajados","NA", "Cantidad de dinero","NA")
table<-data.frame(Variable,Type,Measurement)
knitr::kable(table)
```

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

### *Análisis Estadístico*

#### *Media*
```{r message=FALSE, warning=FALSE}
media_edad <- mean(colaboradores$edad)
media_edad

media_antiguedad <- mean(colaboradores$antiguedad)
media_antiguedad

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

#### *Mediana*
```{r message=FALSE, warning=FALSE}
mediana_edad <- median(colaboradores$edad)
mediana_edad

mediana_antiguedad <- median(colaboradores$antiguedad)
mediana_antiguedad

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

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

moda_antiguedad <- mode(colaboradores$antiguedad)
moda_antiguedad

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

#### *Varianza*
```{r message=FALSE, warning=FALSE}
varianza_edad <-var(colaboradores$edad)
varianza_edad

varianza_antiguedad <-var(colaboradores$antiguedad)
varianza_antiguedad

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

#### *Desviación Estándar*
```{r message=FALSE, warning=FALSE}
desviacion_edad <- sqrt(varianza_edad)
desviacion_edad

desviacion_antiguedad <- sqrt(varianza_antiguedad)
desviacion_antiguedad

desviacion_salario <- sqrt(varianza_salario)
desviacion_salario

```

#### *Tabla*
```{r message=FALSE, warning=FALSE}
Variable <-c("Edad","Antiguedad","Salario Diario")
Promedio <-c("36", "1.42","179.098")
Moda <-c("32","0","180.68")
Mediana <-c("34","0","180.68")
Varianza <-c("165.005","6.353","589.722")
Desviación_Estándar <-c ("12.845","2.520","24.284")
tabla1 <-data.frame(Variable,Promedio, Moda, Mediana, Varianza, Desviación_Estándar)
tabla1
knitr::kable(tabla1)
```

### *Gráfico cuantitativo: (Histograma):*

```{r message=FALSE, warning=FALSE}
Sueldo <-  colaboradores$salario_diario   
hist(Sueldo, main = "Sueldo de los empleados", ylab = "# de empleados", col = "lightblue")
```

##### En esta gráfica podemos observar fácilmente como **la mayor parte de los empleados ganan menos de 200 MXN pesos al día.**

### *Bar Plots*
```{r message=FALSE, warning=FALSE}
hist(colaboradores$edad, freq=TRUE, col="purple", main="Edad en años de los Colaboradores actuales")
```

##### Con estas gràfica podemos observar que los colaboradores actuales en promedio tienen entre 20-40 años. 

```{r message=FALSE, warning=FALSE}
ggplot(colaboradores, aes(x=genero, y=salario_diario, fill=genero)) + 
  geom_bar(stat="identity") + 
  facet_grid(~estado_civil) + scale_fill_brewer(palette = "Set2")
```

##### Con este gràfico podemos observar que los que estan casados y solteros suelen ganar màs de los que estan divorciados y en uniòn libre. Ademàs, **los hombres casados y las mujeres solteras son los que ganan màs.**

### *Dispersion plot*
```{r message=FALSE, warning=FALSE}
ggplot(data=colaboradores, mapping = aes(edad, salario_diario)) + geom_point(aes(color = genero)) + theme_bw()
```

##### Con estas gràficas podemos observar que el colaborador que gana màs es mujer y las que ganan menos tambièn. Sin embargo, **el promedio de salario ganado por los colaboradores de todas las edades es de aproximadamente 170 pesos diarios.**

# **Recursos Humanos Bajas** 

#### Importar las bases de datos
```{r message=FALSE, warning=FALSE}
# file.choose()
bajas <- read.csv("/Users/mayracampoyramos/Desktop/Analisis de Datos Concentracion/FORM - Recursos Humanos - BAJAS evidencia).csv")
bajas <- clean_names(bajas)
summary(bajas)
```

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

### *¿Cuántas variables y cuantos registros tiene la base de datos?*
```{r message=FALSE, warning=FALSE}
describeData(bajas,head=1,tail=1)
```

##### Existen 26 variables y 327 registros en la base de datos.

### *Aplica técnicas de limpieza de bases de datos y explícalas brevemente, ¿por qué realizaste esas técnicas?*

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

##### Esta técnica se realizó ya que no se consideraron importantes las columnas de variables.

#### Técnica 2. Convertir las variables como factor o numero
```{r message=FALSE, warning=FALSE}
bajas$edad<-as.numeric(bajas$edad)
bajas$genero<-as.factor(bajas$genero)
bajas$motivo_de_baja<-as.factor(bajas$motivo_de_baja)
bajas$no_dias<-as.numeric(bajas$no_dias)
bajas$puesto<-as.factor(bajas$puesto)
bajas$salario_diario_imss<-as.numeric(bajas$salario_diario_imss)
bajas$estado_civil<-as.factor(bajas$estado_civil)
summary (bajas)
```

##### En esta técnica de limpieza se vuelven a factor o números las variables para generar un estandarizar y generar un formato para que se vuelva más sencillo al realizar gráficos y manipular datos. 

#### Técnica 3. Reemplezar NAs con el promedio en la columna de "Edad", "Salario Diario" y "Número de días"
```{r message=FALSE, warning=FALSE}
bajas$edad[is.na(bajas$edad)]<-mean(bajas$edad, na.rm = TRUE)
bajas$salario_diario_imss[is.na(bajas$salario_diario_imss)]<-mean(bajas$salario_diario_imss, na.rm = TRUE)
bajas$no_dias[is.na(bajas$no_dias)]<-mean(bajas$no_dias, na.rm = TRUE)
summary (bajas)
```

##### Al reemplazar los NA 's con el promedio nos ayuda para no contar con registros nulos y contar con los valores más acertados posibles al tiempo de analizarlos. 

### Exportar base de datos limpia
```{r message=FALSE, warning=FALSE}
write.csv(bajas, file="rh_bajas_bd_limpia.csv", row.names = FALSE)
```

### *Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa continua*
### *Elige la escala de medición de cada variable.*
```{r message=FALSE, warning=FALSE}

Variable_rhb <-c("Edad","Genero", "motivo_de baja", "no_dias", "Puesto", "Salario Diario", "Estado Civil")
Type_rhb <-c( "quantitative (discreta)", "qualitative","qualitative", "quantitative (discreta)","qualitative", "quantitative (continua)", "qualitative")
Measurement_rhb <-c("Años","NA", "NA", "Dias trabajados","NA", "Cantidad de dinero","NA")
table_rhb <-data.frame(Variable_rhb ,Type_rhb ,Measurement_rhb )
knitr::kable(table_rhb)
```

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

### *Análisis Estadístico*

#### *Media*
```{r message=FALSE, warning=FALSE}
media_edad1 <- mean(bajas$edad)
media_edad1

media_antiguedad1 <- mean(bajas$no_dias)
media_antiguedad1

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

#### *Mediana*
```{r message=FALSE, warning=FALSE}
mediana_edad1 <- median(bajas$edad)
mediana_edad1

mediana_antiguedad1 <- median(bajas$no_dias)
mediana_antiguedad1

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

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

moda_antiguedad1 <- mode(bajas$no_dias)
moda_antiguedad1

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

#### *Varianza*
```{r message=FALSE, warning=FALSE}
varianza_edad1 <-var(bajas$edad)
varianza_edad1

varianza_antiguedad1 <-var(bajas$no_dias)
varianza_antiguedad1

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

#### *Desviación Estándar*
```{r message=FALSE, warning=FALSE}
desviacion_edad1 <- sqrt(varianza_edad1)
desviacion_edad1

desviacion_antiguedad1 <- sqrt(varianza_antiguedad1)
desviacion_antiguedad1

desviacion_salario1 <- sqrt(varianza_salario1)
desviacion_salario1
```

#### *Tabla*
```{r message=FALSE, warning=FALSE}
Variable_rhb1 <-c("Edad","Antiguedad","Salario Diario")
Promedio_rhb1 <-c("31.05","79.47","177.985")
Moda_rhb1 <-c("22","79","180.68")
Mediana_rhb1 <-c("29","23","180.68")
Varianza_rhb1 <-c("91.513","45479.59","538.6969")
Desviación_Estándar_rhb1 <-c ("9.566","213.2594","23.20")
tabla_rhb1 <-data.frame (Variable_rhb1,Promedio_rhb1,Moda_rhb1, Mediana_rhb1, Varianza_rhb1,Desviación_Estándar_rhb1 )
tabla_rhb1
knitr::kable(tabla_rhb1)
```

### *Gráfico cualitativo*
```{r message=FALSE, warning=FALSE}
table(bajas$motivo_baja)
proporciones <- c(1, 141, 1, 87, 8)
etiquetas <- c("Abandono", "Baja por Faltas", "Jubilaciòn", "Renuncia Voluntaria", "Termino de Contrato")
pct <- round(proporciones/sum(proporciones)*100)
etiquetas <- paste(etiquetas, pct)
etiquetas <- paste(etiquetas,"%",sep="")
pie(proporciones,labels = etiquetas,
    col=rainbow(length(etiquetas)),
    main="Motivo de bajas de los Colaboradores")
```

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

### *Bar Plots*
```{r message=FALSE, warning=FALSE}
hist(bajas$edad, freq=TRUE, col="pink", main="Edad en años de los Ex-Colaboradores")
```

##### **Los colaboradores que se han dado de baja en su mayoria tienen entre 20 y 30 años**, siendo asì los que se van màs jòvenes.

# **Delivery Plan** 

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

# file.choose()
delivery_plan<- read.csv("/Users/mayracampoyramos/Desktop/Analisis de Datos Concentracion/Delivery Plan FINAL - EQUIPO 4 .csv")
```

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

### *¿Cuántas variables y cuantos registros tiene la base de datos?*
```{r message=FALSE, warning=FALSE}
describeData(delivery_plan,head=1,tail=1)
```

##### La base de datos cuenta con 27 variables y 231 registros.

### *Aplica técnicas de limpieza de bases de datos y explícalas brevemente, ¿por qué realizaste esas técnicas?*

#### Técnica 1. Acondicionar nombres a formato óptimo para R
```{r message=FALSE, warning=FALSE}
delivery_plan <- clean_names(delivery_plan)
```

##### Se optimizan las variables para R, generando un estándar. 

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

##### En este caso se decidió unir todos los pedidos en una columna para generar un orden de los meses y cerrar una base de datos estructurada.

#### Técnica 3.Eliminación de NA's 
```{r message=FALSE, warning=FALSE}
deliveryplan1 <- filter(delivery_plan, Unidades>0)
```

##### Se eliminan los NA's en la base de datos para eliminar rengoles/clientes sin registros.  

#### Técnica 4.Eliminación de variables irrelevantes. 
```{r message=FALSE, warning=FALSE}
deliveryplan2 <- deliveryplan1         
deliveryplan2 <- subset (deliveryplan1, select = -c (proyecto, id_odoo, item, K_abr_22, L_may_22, M_jun_22,N_jul_22,O_ago_22, P_sep_22, Q_oct_22, R_nov_22,  S_dic_22, T_ene_23, V_mar_23, mar_23, total_meses))
summary(deliveryplan2)
```

##### En este caso, dado que previamente se unieron (merge) las variables de mes, solo se considera necesaria la variables de cliente, fecha y Unidades.

### Exportar base de datos limpia
```{r message=FALSE, warning=FALSE}
Delivery_Plan <- deliveryplan2
write.csv(Delivery_Plan, file = "Ddeliveryplan_bd_limpia.csv", row.names = FALSE)
```

### *Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa continua*
### *Elige la escala de medición de cada variable.*
```{r message=FALSE, warning=FALSE}
Variable_dplan<-c("Unidades", "Mes", "cliente")
Type_dplan <-c("quantitative (discreta)", "qualitative","qualitative")
Measurement_dplan <-c("piezas que se entregan", "NA", "NA")
table_dplan <-data.frame(Variable_dplan,Type_dplan,Measurement_dplan)
knitr::kable(table_dplan)
```

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

### *Análisis Estadístico*

#### *Media*
```{r message=FALSE, warning=FALSE}
Media <- mean(deliveryplan2$Unidades)
Media
```

#### *Mediana*
```{r message=FALSE, warning=FALSE}
Mediana <- median(deliveryplan2$Unidades)
Mediana
```

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

Moda_clientes <- mode(deliveryplan2$cliente)  
Moda_clientes

Moda_mes <- mode(deliveryplan2$Mes)  
Moda_mes

Moda_unidades <- mode(deliveryplan2$Unidades)  
Moda_unidades
```

#### *Varianza*
```{r message=FALSE, warning=FALSE}
varianza_unidades_prog <- var(deliveryplan2$Unidades)
varianza_unidades_prog
```

#### *Desviación Estándar*
```{r message=FALSE, warning=FALSE}
desviacion_unidades_prog<- sqrt(varianza_unidades_prog)
desviacion_unidades_prog
```

#### *Tabla*
```{r message=FALSE, warning=FALSE}
Variable_dplan<-c("Unidades", "Mes", "cliente")
Media_dplan<-c("358.3729", "NA", "NA")
Mediana_dplan<-c("80", "NA", "NA")
Moda_dplan<-c(Moda_unidades, Moda_mes, Moda_clientes)
Varianza_dplan<-c("1005677", "NA", "NA")
Desviacion_Estandar_dplan<-c("1002.834", "NA", "NA")
table_dplan <- data.frame(Variable_dplan, Media_dplan, Mediana_dplan, Moda_dplan,Varianza_dplan, Desviacion_Estandar_dplan)
knitr::kable(table_dplan)
```

### *Dispersion plots*
```{r message=FALSE, warning=FALSE}
ggplot(deliveryplan2, aes(x = Mes, y = Unidades)) + 
  geom_point(shape=19, size=3) + 
  labs(title = "Relación entre Unidades y Meses",caption ="FORM Merma",x="Mes", y="Unidades") + 
  theme_classic()
```

##### Gráfica de los años 2021 y 2022 estableciendo cuantas unidades se vendieron por mes, podemos ver que en **Junio 2021 tuvieron un aumento disminuyendo en los proximos meses** y volvio a subir en el año 2022 Esta gráfica nos ayuda ver la relacion que tienen las unidades y los meses de año, para asi poder encontrar patrones en la base de datos para ver en que meses se hacen mas pedidos.

### *Bar Plots*

```{r message=FALSE, warning=FALSE}
ggplot(deliveryplan2,aes(x= Unidades, y=Mes,fill=cliente)) +
  geom_bar(stat="identity")
```

##### En gráfica agregando que se observan las unidades planeadas por entregar, se observa de una manera más clara las entregas por cliente. Donde se observa que Hella es el cliente con mayor entrega de pedidos en FORM.

# **Delivery Performance** 


#### Importar las bases de datos
```{r message=FALSE, warning=FALSE}
# file.choose()
deliveryperf <- read.csv("/Users/mayracampoyramos/Downloads/FORM - Delivery Performance BD BUENA.csv")
library(dplyr)
library(janitor)
performance <- clean_names(deliveryperf)
summary(performance)
```

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

### *¿Cuántas variables y cuantos registros tiene la base de datos?*
```{r message=FALSE, warning=FALSE}
describeData(performance,head=1,tail=1)
```

#### La base de datos cuenta con 9 variables y 324 registros

### *Aplica técnicas de limpieza de bases de datos y explícalas brevemente, ¿por qué realizaste esas técnicas?*

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

##### Esta técnica se realizó ya que no se consideraron importantes las columnas de variables.

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

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

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

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

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

##### En estas dos técnicas de limpieza se vuelven a factor o números las variables para generar un estandarizar y generar un formato para que se vuelva más sencillo al realizar gráficos y manipular datos. 

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

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

##### Al reemplazar los NA 's con la mediana nos ayuda para no contar con registros nulos y contar con los valores más acertados posibles al tiempo de analizarlos. 

### Exportar base de datos limpia
```{r message=FALSE, warning=FALSE}
write.csv(performance, file="performance_bd_limpia.csv", row.names = FALSE)
```

### *Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa continua*
### *Elige la escala de medición de cada variable.*
```{r message=FALSE, warning=FALSE}

Variable_performance<-c("Fecha"," Printel","Mahle", "Magna", "Varroc")
Type_performance<-c("qualitative", "quantiative (continous)", "quantitative (continous)", "quantitative (continous)", "quantitative (continous)")
escalas_performance <- c("NA", "Piezas Entregadas","Piezas Entregadas","Piezas Entregadas","Piezas Entregadas")
table_performance <- data.frame (Variable_performance, Type_performance, escalas_performance)
knitr::kable(table_performance)
```

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

### *Análisis Estadístico*

#### *Media*
```{r message=FALSE, warning=FALSE}
media_printel <- mean(performance$printel)
media_printel

media_mahle <- mean(performance$mahle)
media_mahle

media_magna <- mean(performance$magna)
media_magna

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

#### *Mediana*
```{r message=FALSE, warning=FALSE}
mediana_printel <- median(performance$printel)
mediana_printel

mediana_mahle <- median(performance$mahle)
mediana_mahle

mediana_magna <- median(performance$magna)
mediana_magna

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

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

moda_mahle <- mode(performance$mahle)
moda_mahle

moda_magna <- mode(performance$magna)
moda_magna

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

#### *Varianza*
```{r message=FALSE, warning=FALSE}
varianza_printel <-var(performance$printel)
varianza_printel

varianza_mahle <-var(performance$mahle)
varianza_mahle

varianza_magna <-var(performance$magna)
varianza_magna

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

#### *Desviación Estándar*
```{r message=FALSE, warning=FALSE}
desviacion_printel <- sqrt(varianza_printel)
desviacion_printel

desviacion_mahle <- sqrt(varianza_mahle)
desviacion_mahle

desviacion_magna <- sqrt(varianza_magna)
desviacion_magna

desviacion_varroc <- sqrt(varianza_varroc)
desviacion_varroc
```

#### *Tabla*
```{r message=FALSE, warning=FALSE}
Variable_performance<-c("Fecha"," Printel","Mahle", "Magna", "Varroc")
Promedio_performance <-c("NA","0.339", "2.209","0", "0")
Moda_performance <-c("NA","3","0","0", "0")
Mediana_performance <-c("NA","0","3","0", "0")
Varianza_performance <-c("NA","0.441","2.909","0", "0")
Desviación_Estándar_performance <-c ("NA","0.664","1.705","0", "0")
tabla_performance <-data.frame(Variable_performance,Promedio_performance, Moda_performance, Mediana_performance, Varianza_performance, Desviación_Estándar_performance)
knitr::kable(tabla_performance)
```

### *Dispersion plot*
```{r message=FALSE, warning=FALSE}
ggplot(performance,aes(x=fecha))+
  geom_line(aes(y=printel),color="blue")+
  geom_line(aes(y=mahle),color="orange")+
  geom_line(aes(y=magna),color="green")+
  geom_line(aes(y=varroc),color="green")+
  labs(x="Fecha",y="Retraso en horas", color="Legend")+
  ggtitle("Retrasos de entrega por cliente")
```

##### En esta gráfica podemos observar que FORM con **los clientes Magna y Varroc no presentan horas de retraso en sus pedidos**, sin embargo, con **Mahle y Printel si han presentado retrasos considerables prinicipalmente dentro del primer trimestre del 2022**. Teniendo retrasos de hasta 20 horas.

# **Producción** 

#### Antes de importar la base de datos, se optó por:
##### 1. Se integraron los datos de Julio, Agosto y Septiembre.
##### 2. Se incorporó una nueva columna de "Fecha".
##### 3. Solo se dejaron los datos de "Tiempo de Maquinas"
##### 4. Se eliminaron los NAs y variables no numéricas de las columnas de: "Láminas procesadas".

#### Importar las bases de datos
```{r message=FALSE, warning=FALSE}
#file.choose()
bd4 <- read.csv("/Users/mayracampoyramos/Desktop/Analisis de Datos Concentracion/EMI_CARTON.csv")
library(janitor)
produccion <- clean_names(bd4)
summary(produccion)

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

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

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

### *¿Cuántas variables y cuantos registros tiene la base de datos?*
```{r message=FALSE, warning=FALSE}
describeData(produccion,head=1,tail=1)
```

##### Existen 15 variables y 1614 registros en la base de datos.

### *Aplica técnicas de limpieza de bases de datos y explícalas brevemente, ¿por qué realizaste esas técnicas?*

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

##### En esta técnica de limpieza se vuelven a factor o números las variables para generar un estandarizar y generar un formato para que se vuelva más sencillo al realizar gráficos y manipular datos. 

#### Técnica 2.Reemplazar por el promedio los NA´s de tmo_min, tiempo_calidad, piezas_prog
```{r message=FALSE, warning=FALSE}
produccion$tmo_min[is.na(produccion$tmo_min)]<-mean(produccion$tmo_min, na.rm = TRUE)
produccion$tiempo_calidad[is.na(produccion$tiempo_calidad)]<-mean(produccion$tiempo_calidad, na.rm = TRUE)
produccion$piezas_prog[is.na(produccion$piezas_prog)]<-mean(produccion$piezas_prog, na.rm = TRUE)
summary(produccion)
```

##### Al reemplazar los NA 's con el promedio nos ayuda para no contar con registros nulos y contar con los valores más acertados posibles al tiempo de analizarlos. 

#### Técnica 3. Borrar las letras de algunos registros de "Pieza_Prog".
```{r message=FALSE, warning=FALSE}
produccion$piezas_prog <- str_replace(produccion$piezas_prog, "[aeiouLAM=NbBsS]", "")
produccion$piezas_prog <- as.integer(produccion$laminas_procesadas)
```

##### Esta técnica se realizó ya que no los registros de la variable piezas programadas contenian errores de dedo.

#### Exportar la base de datos limpia 
```{r message=FALSE, warning=FALSE}
bd_Produccion_limpia <- produccion
write.csv(bd_Produccion_limpia, file="bd_produccion_limpia.csv", row.names = FALSE)

```

### *Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa continua*
### *Elige la escala de medición de cada variable.*
```{r message=FALSE, warning=FALSE}

Variablep <-c("Fecha", "Cliente", "piezas_prog","tmo_min ","estacion_arranque", "laminas_procesadas", "tiempo_calidad")
Typep<-c("qualitative", "qualitative", "quantitative (discreta)", "quantitative (continua)", "qualitative", "quantitative (discreta)", "quantitative (continuo)")
escalasp <- c("NA", "NA", "piezas asignadas", "Minutos", "NA", "piezas terminadas", "horas" )
tablep <- data.frame (Variablep, Typep, escalasp)
knitr::kable(tablep)
```

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

### *Análisis Estadístico*

#### *Media*
```{r message=FALSE, warning=FALSE}
media_piezas_prog<- mean(produccion$piezas_prog)
media_piezas_prog

media_tmo_min<- mean(produccion$tmo_min)
media_tmo_min 

media_laminas_procesadas <- mean(produccion$laminas_procesadas)
media_laminas_procesadas

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

#### *Mediana*
```{r message=FALSE, warning=FALSE}
median_piezas_prog<- median(produccion$piezas_prog)
median_piezas_prog

median_tmo_min<- median(produccion$tmo_min)
median_tmo_min 

median_laminas_procesadas <- median(produccion$laminas_procesadas)
media_laminas_procesadas

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

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

moda_tmo_min <- mode(produccion$tmo_min)
moda_tmo_min

moda_laminas_procesadas<- mode(produccion$laminas_procesadas)
moda_laminas_procesadas

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

#### *Varianza*
```{r message=FALSE, warning=FALSE}
varianza_piezas_prog <-var(produccion$piezas_prog)
varianza_piezas_prog

varianza_tmo_min <-var(produccion$tmo_min)
varianza_tmo_min

varianza_laminas_procesadas<-var(produccion$laminas_procesadas)
varianza_laminas_procesadas

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

#### *Desviación Estándar*
```{r message=FALSE, warning=FALSE}
desviacion_piezas_prog<- sqrt(varianza_piezas_prog)
desviacion_piezas_prog

desviacion_tmo_min <- sqrt(varianza_tmo_min)
desviacion_tmo_min

desviacion_laminas_procesadas <- sqrt(varianza_laminas_procesadas)
desviacion_laminas_procesadas

desviacion_tiempo_calidad <- sqrt(varianza_tiempo_calidad)
desviacion_tiempo_calidad
```

### *Tabla*
```{r message=FALSE, warning=FALSE}
Variable2 <-c("piezas_prog","tmo_min ", "laminas_procesadas", "tiempo_calidad")
Promedio2 <-c("180.323", "22.370","102.01", "0.86")
Moda2 <-c("200", "25","0", "1")
Mediana2 <-c("180.23","22.37","102.0105", "1")
Varianza2 <-c("21940.88","142.3682","18056.03", "0.9819163")
Desviación_Estándar2 <-c ("148.1245","11.93181","134.3727", "0.9909169")
tabla2 <-data.frame(Variable2,Promedio2, Moda2, Mediana2, Varianza2, Desviación_Estándar2)
tabla2
knitr::kable(tabla2)
```

### *Gráfico cuantitativo*
```{r message=FALSE, warning=FALSE}
ggplot(produccion,aes(x=fecha))+
  geom_line(aes(y=piezas_prog),color="blue")+
  labs(x="Fecha",y="piezas programadas", color="blue")+
  ggtitle("Grafica de las piezas programadas por fecha")
```

##### En este gráfico se muestran los 3 diferentes meses (julio, agosto, sept), donde se puede ver que hubo **mayor produccion de piezas programadas en lo que fue de julio hacia agosto.**
  
### *Bar plots*
```{r message=FALSE, warning=FALSE}
ggplot(produccion, aes(x=tmo_min, y=laminas_procesadas)) +
  geom_bar(stat="identity", fill="grey") + scale_fill_grey() + 
  labs(title = "Grafico de barras de las piezas programadas dentro del tiempo minimo", 
       x = "tiempo minimo", y = "laminas procesadas")
```

##### En esta gráfico se puede ver que **el tiempo mínimo dentro de las láminas procesadas no sobrepasa los 50** lo cual es una buena señal de que no hay mucho tiempo de espera.

```{r message=FALSE, warning=FALSE}
ggplot(produccion,aes(x=reorder(tmo_min, piezas_prog), y=piezas_prog,fill=cliente)) +
  geom_bar(stat="identity")
```

##### Esta gráfica se puede  visualizar los datos obtenidos de lo que fueron las piezas programadas dentro del tiempo mínimo dentro de la produccion, donde estas variables se ven dentro de los clientes.  

### *Dispersion plots*
```{r message=FALSE, warning=FALSE}
ggplot(produccion, aes(x=piezas_prog, y=cliente)) + 
  geom_point() 
```

#### En esta gráfica de dispersion se puede apreciar visualmente la cantidad de piezas que se demandan para los diferentes clientes que tiene la empresa, donde se aprecia que **Stabilus 1 toma la delantera.** 

# **Merma** 

#### Importar las bases de datos
```{r message=FALSE, warning=FALSE}
# file.choose()
merma<- read.csv("/Users/mayracampoyramos/Desktop/Analisis de Datos Concentracion/Reto/FORM - Merma 1.csv")

```

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

### *¿Cuántas variables y cuantos registros tiene la base de datos?*
```{r message=FALSE, warning=FALSE}
describeData(merma,head=1,tail=1)
```
##### Existen 3 variables y 60 registros en la base de datos.

### *Aplica técnicas de limpieza de bases de datos y explícalas brevemente, ¿por qué realizaste esas técnicas?*

#### Observaciones
##### No estan en enteros los kilos de merma
##### Existen filas inecesarias

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

##### Esta técnica se realizó ya que no se consideraron importantes las filas de los totales.

#### Técnica 2: Convertir caracter a entero.
```{r message=FALSE, warning=FALSE}
merma1$Kilos <- as.integer(merma1$Kilos)
str(merma1)
```

##### Se optimizan las variables para R, generando un estándar. 

#### Exportar la base de datos limpia 
```{r message=FALSE, warning=FALSE}
merma_limpia <- merma1
write.csv(merma_limpia, file ="merma_bd_limpia.csv", row.names = FALSE)
```

### *Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa continua*
### *Elige la escala de medición de cada variable.*
```{r message=FALSE, warning=FALSE}
Variable_merma<-c("Fecha", "Mes", "Kilos")
Type_merma<-c("cualitativa ", "cualitativa", "cuantitativa discreta")
Measurement_merma <-c("dia", "NA", "cantidad")
table_merma<-data.frame(Variable_merma,Type_merma, Measurement_merma)
knitr::kable(table_merma)
```

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

### *Análisis Estadístico*

#### *Media*
```{r message=FALSE, warning=FALSE}
media_kilos <- mean(merma1$Kilos)
media_kilos
```
##### Las variables de fecha y el mes no puede tener media

#### *Mediana*
```{r message=FALSE, warning=FALSE}
mediana_kilos <- median(merma1$Kilos)
mediana_kilos
```
##### Las variables de fecha y el mes no puede tener mediana

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

mode_fecha <- mode(merma1$Fecha)
mode_fecha

mode_mes <- mode(merma1$Mes)
mode_mes

mode_kilos <- mode(merma1$Kilos)
mode_kilos
```

#### *Varianza*
```{r message=FALSE, warning=FALSE}
varianza_kilos <- var(merma1$Kilos)
varianza_kilos 
```

#### *Desviación Estándar*
```{r message=FALSE, warning=FALSE}
desviacionestandar_kilos <- sqrt(varianza_kilos)
desviacionestandar_kilos
```

### *Tabla*
```{r message=FALSE, warning=FALSE}
Variable_merma<-c("Fecha", "Mes", "Kilos")
Media_merma<-c("NA", "NA", media_kilos)
Mediana_merma<-c("NA", "NA", mediana_kilos)
Moda_merma<-c(mode_fecha, mode_mes, mode_kilos)
Varianza_merma<-c("NA", "NA",varianza_kilos )
Desviacion_Estandar_merma<-c("NA", "NA", desviacionestandar_kilos)
table_merma<-data.frame(Variable_merma,Media_merma,Mediana_merma,Moda_merma,Varianza_merma,Desviacion_Estandar_merma)
knitr::kable(table_merma)
```

### *Gráfico de dispersion*
```{r message=FALSE, warning=FALSE}
# install.packages("ggplot2")
library(ggplot2)

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

##### En esta gráfica podemos observar que la generacion de merma de la empresa FORM separa en los meses del 2022. Se observa que **el mes que mas se genero merma fue en Agosto continuando con Febrero y Mayo.** El mes que menos genero merma es Septiembre y Enero.

### *Dispersion plots*
```{r message=FALSE, warning=FALSE}
boxplot(merma1$Kilos)
```

##### En esta gráfica podemos observar que la merma generada en FORM se encuentra en una gran distribución. **El promedio entra dentro de los 3000 y los 4000 kilos.** De la misma manera, se ha llegado a generar menos de 1000 kilos contra la maxima que son arriba de los 6000 kilos. 

# **Scrap** 

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

#### Importar las bases de datos
```{r message=FALSE, warning=FALSE}
# file.choose()
scrap<- read.csv("/Users/mayracampoyramos/Desktop/Analisis de Datos Concentracion/Reto/FORM - Scrap.csv")
# install.packages("dplyr")
library(dplyr)
# install.packages("psych")
library(psych)
```

### *¿Cuántas variables y cuantos registros tiene la base de datos?*
```{r message=FALSE, warning=FALSE}
describeData(scrap,head=1,tail=1)
```
##### Existen 9 variables y 251 registros en la base de datos.

### *Aplica técnicas de limpieza de bases de datos y explícalas brevemente, ¿por qué realizaste esas técnicas?*

#### Observaciones
##### Se cuenta con una fila al inecesaria
##### Se cuentan con variables inecesarias 

#### Técnica 1: Eliminar columna.
```{r message=FALSE, warning=FALSE}
scrap1<- scrap [-1,]
```

##### Esta técnica se realizó ya que se contaba con una columna en blanco extra.

#### Técnica 2: Eliminar variables
```{r message=FALSE, warning=FALSE}
scrap1 <- subset(scrap1, select = -c ( Referencia, Producto,Unidad.de.medida, Ubicación.de.desecho, Estado, Hora))

summary(scrap1)
```

##### Esta técnica se realizó ya que no se consideraron importantes las columnas de variables.

#### Técnica 3: Convertir caracter a entero.
```{r message=FALSE, warning=FALSE}
scrap1$Cantidad <- as.integer(scrap1$Cantidad)
str(scrap1)

```

##### En esta técnica de limpieza se vuelven a factor o números las variables para generar un estandarizar y generar un formato para que se vuelva más sencillo al realizar gráficos y manipular datos. 

### Exportar la base de datos limpia 
```{r message=FALSE, warning=FALSE}
scrap_limpia <- scrap1
write.csv(scrap_limpia, file ="scrap_bd_limpia.csv", row.names = FALSE)
```


### *Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa continua*
### *Elige la escala de medición de cada variable.*
```{r message=FALSE, warning=FALSE}
Variable_scrap<-c("Fecha", "Cantidad", "Ubicación_de_origen")
Type_scrap<-c("cualitativa", "cuantitativa discreta", "cualitativa")
Measurement_scrap <-c("NA", "cantidad generada", "NA")
table_scrap<-data.frame(Variable_scrap,Type_scrap, Measurement_scrap)
knitr::kable(table_scrap)
```

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

### *Análisis Estadístico*

#### *Media*
```{r message=FALSE, warning=FALSE}
media_cantidad <- mean(scrap1$Cantidad)
media_cantidad
```
##### Las variables de fecha y ubicación de origen no puede tener media

#### *Mediana*
```{r message=FALSE, warning=FALSE}
mediana_cantidad <- median(scrap1$Cantidad)
mediana_cantidad
```
##### Las variables de fecha y ubicación de origen no puede tener mediana

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

mode_fecha1 <- mode(scrap1$Fecha)
mode_fecha1

mode_cantidad <- mode(scrap1$Cantidad)
mode_cantidad

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

#### *Varianza*
```{r message=FALSE, warning=FALSE}
varianza_cantidad <- var(scrap1$Cantidad)
varianza_cantidad
```

#### *Desviación Estándar*
```{r message=FALSE, warning=FALSE}
desviacionestandar_cantidad <- sqrt(varianza_cantidad)
desviacionestandar_cantidad
```


#### *Tabla*
```{r message=FALSE, warning=FALSE}
Variable_scrap<-c("Fecha", "Cantidad", "Ubicación_de_origen")
Media_scrap<-c("NA", media_cantidad, "NA")
Mediana_scrap<-c("NA",mediana_cantidad, "NA")
Moda_scrap<-c(mode_fecha1, mode_cantidad, mode_ubicacion)
Varianza_scrap<-c("NA",varianza_cantidad, "NA")
Desviacion_Estandar_scrap<-c("NA", desviacionestandar_cantidad, "NA")
table_scrap<-data.frame(Variable_scrap,Media_scrap,Mediana_scrap,Moda_scrap,Varianza_scrap,Desviacion_Estandar_scrap)
knitr::kable(table_scrap)
```

### *Gráfico cualitativo (Pay):*
```{r message=FALSE, warning=FALSE}
pie(table(scrap1$Ubicación.de.origen))
```

### *Bar Plots*
```{r message=FALSE, warning=FALSE}
# install.packages("ggplot2")
library(ggplot2)

ggplot(scrap1, aes(x=Ubicación.de.origen, y=Cantidad)) +
  geom_bar(stat="identity", fill="brown") + scale_fill_grey() + # Add bars to the plot
  labs(title = "Donde se genera el scrap", # Add a title
       subtitle = "RH empresa FORM", # Add a subtitle
       caption = "Relación", # Add a caption
       x = "Ubicación de origen")
```

##### En estas gráficas podemos observar que en la manera de como esta distribuida la generacion de el scrap de la empresa FORM. Se observa de una manera por mucha diferencia en **se genera la mayor cantidad en la pre-producción** y en la que menos se produce el scrap es en la etapa de la post-producción. 

# **Base de Datos Externa** 

#### Importar base de datos
```{r message=FALSE, warning=FALSE}
# file.choose()
bd_externa <-read.csv("/Users/mayracampoyramos/Desktop/Analisis de Datos Concentracion/Reto/Producción de cartón en México 1.csv")
```

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

#### Técnica 1: Remover valores irrelevantes, columna inecesaria "Industry.Group.ID" no me aporta datos importantes
```{r message=FALSE, warning=FALSE}
externa <- bd_externa
externa <- subset (externa,select = -c(Industry.Group.ID))

summary(externa)
```

##### Esta técnica se realizó ya que se considero inecesaria la columna  "Industry.Group.ID",no me aporta datos importantes.

#### Técnica 2: Remover NA's
```{r message=FALSE, warning=FALSE}
#?Cuantos NA tengo en la base de datos?
sum(is.na(externa))

#?Cuantos NA tengo por variable?
sapply(externa, function(x) sum (is.na(x)))

#Borrar todos los registros NA de una tabla
externa1 <- externa
externa1 <- na.omit(externa1)

summary(externa1)
```

##### Se eliminaron los NA 's de la base de datos ya que viene con espacios vacios.

### *Análisis Estadístico*

#### *Media*
```{r message=FALSE, warning=FALSE}
media_region <- mean(externa1$Region)
media_region

media_economic <- mean(externa1$Economic.Unit)
media_economic
```
##### Las variables de fecha y ubicación de origen no puede tener media

#### *Mediana*
```{r message=FALSE, warning=FALSE}
mediana_region <- median(externa1$Region)
mediana_region

mediana_economic <- median(externa1$Economic.Unit)
mediana_economic
```
##### Las variables de fecha y ubicación de origen no puede tener mediana

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

mode_state <- mode(externa1$State.ID)
mode_state

mode_region <- mode(externa1$Region)
mode_region

mode_economic <- mode(externa1$Economic.Unit)
mode_economic
```

#### *Varianza*
```{r message=FALSE, warning=FALSE}
varianza_region <- var(externa1$Region)
varianza_region

varianza_economic <- var(externa1$Economic.Unit)
varianza_economic
```

#### *Desviación Estándar*
```{r message=FALSE, warning=FALSE}
desviacionestandar_region <- sqrt(varianza_region)
desviacionestandar_region

desviacionestandar_economic <- sqrt(varianza_economic)
desviacionestandar_economic
```


#### *Tabla*
```{r message=FALSE, warning=FALSE}
Variable_externa<-c("State.ID", "Region", "Economic.Unit")
Media_externa<-c("NA", media_region, media_economic)
Mediana_externa<-c("NA",mediana_region, mediana_economic)
Moda_externa<-c(mode_state, mode_region, mode_economic)
Varianza_externa<-c("NA",varianza_region, varianza_economic)
Desviacion_Estandar_externa<-c("NA", desviacionestandar_region, desviacionestandar_economic)
table_externa<-data.frame(Variable_externa,Media_externa,Mediana_externa,Moda_externa,Varianza_externa,Desviacion_Estandar_externa)
knitr::kable(table_externa)
```

### *Dispersion plots*
```{r message=FALSE, warning=FALSE}
ggplot(externa1, aes(x =Region, y =Economic.Unit)) + 
  geom_point(shape=19, size=3) + 
  labs(title = "Relación entre Unidades Economicas y Region de Mexico",caption ="Base de Externa",x="Region", y="Economic Unit") + 
  theme_classic()
```

##### En esta gráfica podemos observar que la región no.3 de México es donde se genera con mayor unidades de cartón esto según la base de datos externa tomada de la INEGI. 

### *Bar Plot*

```{r message=FALSE, warning=FALSE}
ggplot(externa1 ,aes(x=reorder(Region, Economic.Unit), y=Economic.Unit ,fill=State)) +
  geom_bar(stat="identity")
```

###### En esta gráfica, se volvió a analizar la producción d e carton por región de mexico, agregando que se puede observar de una manera visual y clara de los estados de la república que forman parte de la regiones. Se observa que el mayor productor de cartón es Puebla. 

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

#### Importar bases de datos 
```{r message=FALSE, warning=FALSE}
#file.choose()
bd_prediccion <- read.csv("/Users/mayracampoyramos/Desktop/Analisis de Datos Concentracion/encoded-bd_prediccion.csv")
vehiculos_circulacion <- read.csv("/Users/mayracampoyramos/Desktop/Analisis de Datos Concentracion/encoded-vehiculos_en_circulacion (2).csv")
produccion <- read.csv("/Users/mayracampoyramos/Desktop/Analisis de Datos Concentracion/bd_produccion_limpia (1).csv")
```

#### Instalar paquetes y llamar librerías
```{r message=FALSE, warning=FALSE}
#install.packages("tseries")
library(tseries)
#install.packages("forecast")
library(forecast)
#install.packages("astsa")
library(astsa)
#install.packages("dplyr")
library(dplyr)
#install.packages("jtools")
library(jtools)
#install.packages("lmtest")
library(lmtest)
#install.packages("car")
library(car)
#install.packages("olsrr")
library(olsrr)
#install.packages("corrplot")
library(corrplot)
```

## **Pronósticos**

### *Desempeño de la industria automotriz para los siguientes 3 periodos de tiempo*
#### Vehículos de motor registrados en circulación 

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

### *Limpieza de datos*
#### Eliminar variables (Camiones.y.camionetas.para.carga, Motocicletas, X y X.1) 
```{r message=FALSE, warning=FALSE}
vehiculos_circulacion1 <- subset(vehiculos_circulacion, select = -c (Camiones.y.camionetas.para.carga, Motocicletas, X, X.1))
vehiculos_circulacion1
```

##### Estas variables se eliminan, ya que, camiones y camionetas para carga y motocicletas no son el principal mercado de FORM, además de que los datos de sus variables no son significativas para el pronóstico porque sus valores son muy pequeños a comparación con las demás variables, por lo tanto, sus datos no impactan al análisis, de igual forma, se elimina la variable X y X.1 porque no tienen información relevante. 

### Eliminar renglones irrelevantes
```{r message=FALSE, warning=FALSE}
vehiculos_circulacion2 <- vehiculos_circulacion1[-c(43,44,45,46,47),]
vehiculos_circulacion2
summary(vehiculos_circulacion2)
```

#### Se eliminan estos renglones, debido a que no tenían contenido, es decir, eran considerados NA´s.

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

##### Con este plot, se puede observar el comportamiento de las variables y la comparación a través de los años del total de vehiculos que están en circulación y de los automoviles. 

##### También, se percibe que ambas líneas son muy similares, y están muy cerca una de la otra, por lo que se puede deducir que Automóviles ocupa el mayor porcentaje del total.

##### Por otro lado, la gráfica tiene una tendencia en su mayoría creciente y positiva, es decir, que cada año hay más automóviles en circulación.

## **Forecasting usando el Modelo autoregresivo**
```{r message=FALSE, warning=FALSE}
autoregressive_model <- arma(vehiculos_circulacion2$Total, order = c(1,0))
summary(autoregressive_model <- arma(vehiculos_circulacion2$Total, order = c(1,0)))

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

##### Lo que se observa en el modelo autoregresivo de los vehículos de motor en circulación y al pronóstico para los siguientes años, es que como se explico anteriormente, tiene una tendencia positiva, por ejemplo, en el siguiente año se esperan 37,884,281 vehículos en circulación con un 95% de confianza, y los rangos pueden ir de 35,240,406 hasta 40,528,155. 

##### En el segundo año, se pronostican 39,222,087, de igual manera con un 95% de confianza, y por último, en el tercer año, se preveen 40,559,893 vehículos en circulación.

### *Gráfica*
```{r message=FALSE, warning=FALSE}
plot(autoregressive_model_forecast)
```

##### Con este plot, se puede interpretar de manera más visual lo que se explico anteriormente, y para explicarlo con mayor precisión, es necesario saber que la línea negra corresponde a los datos que se tienen en la base de datos, mientras que la línea azul significa el resultado de los datos obtenidos a través del modelo autoregresivo, y se puede observar que va hacia arriba la tendencia.

##### Por otro lado, la línea azul tiene un sombreado gris que indica los valores de "low" y "high" ante el 95% de confianza.

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

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

##### A través de este código, podemos deducir, que buscamos un modelo no estacionario, y que esta en constante movimiento, y al igual que el modelo autoregresivo, se puede observar una tendencia positiva, y muy similar a ella, así mismo, cuenta con un 95% de confianza. 

##### Por otro lado, los vehículos circulando durante el primer periodo de tiempo se calcula que son 37,635,019, seguido por 38,948,870 y 40,262,720.

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

##### Aquí se puede interpretar gráficamente lo explicado en el punto anterior, y se obseva como la tendencia es positiva, de igual forma, tiene "lows" y "highs".

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

### *Producción FORM*

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

## *Limpieza de datos* 

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

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

##### Se eliminaron los NA´s que no tenían relevancia, y se reemplazaron otros desde la base de datos con el nombre "sin registro", ya que, se consideró que era importante quedarse con estos datos para visualizar mejor los datos.

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

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

##### En el caso de este modelo autoregresivo, ambos coeficientes son de gran relevancia para la base de datos, ya que ambas tienen los 3 asteriscos, por otro lado, a la hora de hacer el pronóstico, es notorio que se estima que quedará de la misma forma, es decir, con las mismas piezas programadas, sin embargo se puede ver como mientras "Low" disminuye, "high" aumenta.

### *Gráfica*
```{r message=FALSE, warning=FALSE}
plot(autoregressive_model_produccion_forecast)
```

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

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

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

##### El comportamiento de este modelo indica que no se pronostican cambios a lo largo de los proximos años, con un 95% de confianza, pero si se observa en lows, el cambio de un periodo de tiempo a otro es algo drastico, y va decreciendo, mientras que en high, el comportamiento es variado, ya que, a veces sube y a veces baja sin una tendencia a seguir.

### *Gráfica*
```{r message=FALSE, warning=FALSE}
plot(mam_produccion_forecast)
```

##### Tendencia del desempeño durante el periodo de análisis y los siguientes 3 periodos de tiempo: En cuanto a los datos externos, es decir, a la industria automotriz, el modelo de estimación de pronóstico indica que la tendencia es positiva, lo cual quiere decir, que cada año se pronóstica que haya más vehículos en circulación con una confianza del 95%. Los datos anteriores, benefician a FORM, deduciendo que si hay más autos en circulación, hay más producción, y por lo tanto, más pedidos y clientes, sin embargo, en la base de datos directamente de FORM, se observa que en algunos casos, no existe una tendencia, y que se esperan como pronóstico las mismas piezas programadas, por lo tanto, habría que tener una estrategia para que más gente llegue a conocer y a ser parte de los clientes de la empresa.

# **Predicción del Desempeño de la Industria Automotriz**

### Exportación y ventas de vehículos ligeros 

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

## *Limpieza de datos*

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

##### Esta columna se eliminará porque solo se usarán como variables dependientes Ventas y Exportación, y como variables independientes la confianza del consumidor, el tipo de cambio, la inflación, el porcentaje de personas ocupadas, y el porcentaje de personas desocupadas, es decir, sin trabajo.

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

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

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

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

##### Primeramente, se realizo un plot de correlación, con el fin de observar si las variables podrían tener relación entre las mismas variables y las demás, y lo que se puede notar, es que todos tienen el 100% de relación, y también se puede analizar que año y tipo de cambio también es relevante, así como, mes e inflación, venta y porcentaje de personas ocupadas, la exportación y el año, seguido por el tipo de cambio y de la expotación, entre otros.

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

##### En este modelo, primero se realizó sin la variable año y mes, y se pudo observar que el tipo de cambio era la variable que más impactaba a la exportación, lo cual tiene sentido sabiendo que el tipo de cambio afecta a México y de igual manera al mundo, al devaluarse la moneda mexicana, es por eso que México es un gran exportador.
##### Por otro lado, al agregarle la variable año y mes, la mayoría de las variables, con excepción de porcentaje de personas desocupadas tenían los 3 asteriscos, por lo tanto se consideran variables impactantes.

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

##### Como se puede observar en la gráfica, la tendencia que sigue es negativa, esto quiere decir, que entre más cueste un dolar en pesos Méxicanos o que el tipo de cambio sea más bajo, menos se exporta.

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

##### En este modelo de regresión, en lugar de exportaciones, se tomaron en cuenta las ventas de vehiculos, y de igual forma se grafico dos veces, la primera sin año y mes, lo cual nos daba como variable significativa la de porcentaje de población ocupada, y después agregando las variables año y mes, la mayoría de las variables tuvieron sentido con los 3 asteriscos, a excepción del porcentaje de población desocupada y el tipo de cambio.  

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

##### Aquí se observa que la tendencia de la gráfica es positiva, y lo que se graficó fueron las ventas y la variable significativa que fue porcentaje de población ocupada. Para interpretar de forma general, la gráfica quiere decir que entre más porcentaje de población cuente con trabajo, más ventas habrá.

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

## *Interpretación de los modelos de regresión:*

##### Después de analizar ambos modelos de regresión, se puede destacar que para la variable dependiente de exportaciones, la variable independiente que más impacta es la de tipo.de.cambio, esta impacta de manera que la tendencia se vuelve negativa, dando a conocer que entre más aumente el peso mexicano con respecto al dolar, las exportaciones bajan. 

##### Por otro lado, la variable dependiente de ventas, se ve afectada principalmente por la variable independiente de porcentaje de población ocupada, es decir, la que cuenta con vida laboral, esto hace sentido, ya que, si hay ingresos, es más probable que haya más ventas. 

##### Por último, la tendencia de la gráfica es positiva, lo cual significa, que entre más grande el porcentaje de población ocupada, más elevadas ñas ventas.

# **K-Means Clustering**

### *Identificar y visualizar las características de clústers*

### *Paso 1. Instalar librerías*
```{r message=FALSE, warning=FALSE}
library(foreign)
library(dplyr)        
library(ggplot2)      
library(psych)        
library(corrplot)     
library(jtools)       
library(lmtest)       
library(car)          
library(factoextra)  
library(janitor)
```

### *Paso 2. Creación de Clústers*

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

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

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

```

##### Con esta gráfica podemos visualizar que el **número óptimo de clústers son 4 (optimización).**

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

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

##### Los **más jóvenes son los que menos días de trabajo laboran.** Así como que **los que más días laborales tienen, son los adultos** desde los 27 años hasta los 61.

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

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

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

##### Con esta gráfica podemos visualizar que el **número óptimo de clústers son 4 (optimización).**

### *Visualizar clusters y resultados:*
```{r message=FALSE, warning=FALSE}
edad_salario_cluster<-kmeans(edad_salario_norm,4)
edad_salario_cluster

fviz_cluster(edad_salario_cluster,data=edad_salario_norm)
```

##### La **edad no tiene mucha influencia en el salario.** Pues los colaboradores que se han dado de baja tienen un salario muy similar independientemente de su edad.

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

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

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

```

##### Con esta gráfica podemos visualizar que el **número óptimo de clústers son 4 (optimización).**

### *Visualizar clusters y resultados:*
```{r message=FALSE, warning=FALSE}
dias_salario_cluster<-kmeans(dias_salario_norm,4)
dias_salario_cluster

fviz_cluster(dias_salario_cluster,data=dias_salario_norm)

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

##### En este clúster podemos observar que por más antigüedad o días que labores en FORM, **no hay mucha posibilidad de crecimiento laboral (económicamente hablando)**, pues según el cluster realizado, **no influyen los días laborados con el salario diario.**

### *Paso 3.Creación de Segmentos apartir de los Clústers:*
##### Decidimos usar el Cluster 2 para generar la clasificación de variables y poder comparar con datos cualitativos.

```{r message=FALSE, warning=FALSE}
#Añadir a la base de datos la columna de Clusters y su clasificación:
bajas1<-bajas
bajas1$Clusters<-edad_salario_cluster$cluster

library(dplyr)
library(factoextra) 

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

```

### *Paso 5. Generación de gráficos:*
### *Gráficos cuantitativos:*
```{r message=FALSE, warning=FALSE}
#Se realizó una gráfica para analizar el número de registros por cada segmento: 
ggplot(bajas3,aes(x=reorder(Cluster_Names,Count),y=Count,fill=Cluster_Names)) +
  geom_bar(stat="identity")

```

###### Los **colaboradores que más bajas han presentado** según la gráfica anterior son **jóvenes**, seguido por los adultos y después los colaboradores de edad avanzada.

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

##### Visualización de los máximos de cada segmento: *Jóvenes (hasta los 28), Avanzada (Hasta los 61), Adulta (Hasta los 40) y el Outlier de 32.*

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

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

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

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

##### Podemos visualizar que de de los jóvenes, la mayoría eran solteros, de los adultos había la misma cantidad de casados, soleros y en unión libre y en avanzados eran más solteros y casados. Más sin embargo, **hay muy pocos colaboradores que se han dado de baja divorciados.**

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

##### Podemos observar que en el segmento de colaboradores jovenes, adultos y de edad avanzada, **la mayor parte se ha dado de baja por faltas, siguiendo así por renuncia voluntaria.**

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

```

### Gglluvial

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

ggplot(as.data.frame(bajas4),
       aes(y=no_dias, axis1= genero, axis2=estado_civil)) +
  geom_alluvium(aes(fill=Cluster_Names), width = 1/12) +
  geom_stratum(width = 1/12, fill = "black", color = "grey") +
  geom_label(stat = "stratum", aes(label = after_stat(stratum))) +
  scale_x_discrete(limits = c("Gender", "Marital Status"), expand = c(.05, .05)) +
  scale_fill_brewer(type = "qual", palette = "Set1") +
  ggtitle("FORM's Antigüedad de bajas por Genero y Estado Civil")
```

```{r message=FALSE, warning=FALSE}
bajas5 <-bajas1 %>% filter(Clusters==2 | Clusters==4) %>% arrange(Clusters)
library(ggalluvial)

ggplot(as.data.frame(bajas5),
       aes(y=no_dias, axis1= genero, axis2=estado_civil)) +
  geom_alluvium(aes(fill=Cluster_Names), width = 1/12) +
  geom_stratum(width = 1/12, fill = "black", color = "grey") +
  geom_label(stat = "stratum", aes(label = after_stat(stratum))) +
  scale_x_discrete(limits = c("Gender", "Marital Status"), expand = c(.05, .05)) +
  scale_fill_brewer(type = "qual", palette = "Set1") +
  ggtitle("FORM's Antigüedad de bajas por Genero y Estado Civil")
```

## *Identificar y describir los hallazgos de los clústers:*

##### 1. La edad de los colaboradores que se han dado de baja, no tiene influencia en su salario.

##### 2. El salario influye mucho en las bajas, pues todos los que se han dado de baja tienen un salario promedio menor a $180 diarios. Solamente un colaborador con un salario mayor ($500) se ha dado de baja.

##### 3. Los días laborales (antigüedad) de un colaborador, no influyen con el salario, al menos con los que se han dado de baja. Lo que puede significar que la oportunidad de crecer económicamente en FORM de acuerdo a tu antigüedad es mínima.

##### 4. La mayoría de los colaboradores que se han dado de baja, no han trabajado más de 3 meses (79 días) en FORM.

##### 5. Los colaboradores que más bajas han presentado son jóvenes (de edades de los 18-28 años).

##### 6. Independientemente de si los ex-colaboradores son jóvenes, adultos o mayores, de cada segmento las mujeres son las que han presentado más bajas.

##### 7. FORM ha despedido más colaboradores de los que han renunciado, siendo la principal causa la “Baja por faltas”. Lo que puede significar que su proceso de contratación no es el más óptimo ya que terminan contratando personal que no era el adecuado para el puesto.

# **Identificación de Resultados Relevantes**

## **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).**

##### FORM produce en promedio 3708.52 kilos de merma por mes. 

##### Se produjo una mayor cantidad de piezas en el mes de agosto.

##### A un tiempo mayor de producción, FORM le invierte menos horas de calidad en las unidades producidas FORM tiene ubicada la mayor parte de su scrap en pre-producción.

##### Las unidades vendidas de carros aumentaron los últimos 5-10 años y se pronostica que haya un crecimiento positivo de los vehículos en circulación con el paso del tiempo.

##### Si incrementa el empleo en México, se predice que las ventas de vehículos ligeros incrementarán también.

##### El salario influye mucho en las bajas, pues todos los que se han dado de baja tienen un salario promedio menor a $180 diarios. Solamente un colaborador con un salario mayor ($500) se ha dado de baja.

##### FORM ha despedido más colaboradores de los que han renunciado, siendo la principal causa la “Baja por faltas”. Lo que puede significar que su proceso de contratación no es el más óptimo ya que terminan contratando personal que no era el adecuado para el puesto.

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

##### Se sugiere un data analysts, si no se tiene el presupuesto, se podría buscar un curso para empleados para poder llegar a crear bases de datos limpias y estandarizadas para cuando se necesite analizar o simplemente la búsqueda de la información. 

##### Para la captura de datos, no se conoce cuantas personas son las que registran pero sería más sencillo y más organizado si se creara un equipo en los cuales se ocupen que los datos se registren de la manera correcta. 

##### En el caso que no se pueda contratar un data analyst, agregarlo como meta de mediano plazo (dependiendo del presupuesto de FORM) para así poder llegar a ser una pyme pensando en su futuro y generar estrategias de crecimiento. 

## **Business Intelligence**

###### El *Business Analytics es el método de análisis que las empresas utilizan para poder crear estrategias en torno al crecimiento e innovación tomando en cuenta su información interna y externa*. Es una combinación de los campos de la gestión, los negocios y la ciencia de los datos.

#### Algunos de los principales objetivos del Business Analytics son *determinar qué conjuntos de datos son útiles* (organizarlos, filtrarlos y limpiarlos), *examinarlos* (establecer relaciones y clasificarlos) y ver cómo estos pueden *aumentar los ingresos, la productividad, la eficiencia y el rendimiento organizacional.* Asimismo, el Business Analytics ayuda a que los colaboradores puedan *tomar decisiones más inteligentes (Business Intelligence) basadas en los datos analizados al utilizar diferentes herramientas como el análisis estadístico y predictivo.*

##### La relación entre el “Business Intelligence” y el “Business Analytics” es que un experto en Business Intelligence, toma y procesa la información generada por los expertos en Business Analytics y la convierte en decisiones estratégicas para su negocio.

## **KPI**

##### Según mis estudios en mercadotecnia, KPI, es técnicamente un tipo de indicador o métrica para poder medir diferentes estrategias o técnicas implementadas en un área del negocio o servicio, dependiendo del caso. 

## **KPI'S para FORM** 

##### Colaboradores en crecimiento, en el área de negocio de Recursos Humanos de FORM, contando con todo este análisis e hallazgos implementar con precisión una estrategia para retener y evitar tanta rotación de personal. Siendo más específicos en los jóvenes, que son los que más se dan de baja. 

##### Desperdicio cero, en el área de negocios de producción, se genera mucha scrap en la pre producción donde se puede realizar la estrategia de utilizarla o encontrar una maneras de reciclar generando un valor monetario como llegar a conectar con una empresa ecológica. 

##### 100% calidad, en el área de negocios de comercial y servicio a cliente, se comentó que FORM se especializa en personificar sus pedidos pero es importante crear esto con todos sus clientes para generar la retención de todos sus clientes y el poder conseguir más. 

## **Propuestas**

##### FORM genera cierta cantidad de merma creando un punto de oportunidad, oportunidades de negocios en el area de reciclaje, donde se obtenga un beneficio monetario a cambio.

###### Puebla es el estado donde más se produce cartón, se puede contactar empresas de Puebla productoras de cartón, al haber tanta oferta, lo más probable es que el precio de la materia prima disminuya.

##### Si se busca expandir y crear bodegas FORM tiene que buscar invertir en aquellas que se puedan situar en los estados o cerca de los estados situados en la región Norte y la región centro, ya que, es donde más producción de cartón existe.

##### "Tres principales líneas de negocio" Desarrollo de ingeniería de empaque, producción de empaques a la medida y administración 360 del empaque.

##### Debido a la gran cantidad de merma de cartón desechada por FORM se busca eliminar los desperdicios de tal manera que la empresa pueda disminuir sus gastos al aprovechar al máximo la materia prima adquirida, así como el impactar positivamente el medio ambiente al disminuir los desechos generados.

# **Estimación de Modelo de Regresión Logística Múltiple**

## **Especificar y estimar 2 especificaciones diferentes de modelos de regresión logística mútiple.**

#### Importar base de datos
```{r message=FALSE, warning=FALSE}
library(foreign)
library(dplyr)        # data manipulation 
library(ggplot2)      # data visualization 
library(psych)        # functions for multivariate analysis 
library(corrplot)     # correlation plots
library(jtools)       # presentation of regression analysis 
library(lmtest)       # diagnostic checks - linear regression analysis 
library(car)          # diagnostic checks - linear regression analysis
library(factoextra)   # provides functions to extract and visualize the output of exploratory multivariate data analyses
library(ggfortify)    # data visualization tools for statistical analysis results
library(tidyverse)    # data manipulation and visualization
library(janitor)      # examining and cleaning datasets 
library(viridis)      
library(scales)       
library(lubridate) 

# file.choose()
rh_regresion <- read.csv("/Users/mayracampoyramos/Desktop/Analisis de Datos Concentracion/Reto/rh_regresion.csv")
summary(rh_regresion)
```

### Limpieza de datos

#### Técnica 1. Convertir las variables como factor o numero
```{r message=FALSE, warning=FALSE}
rh_regresion$edad <- as.numeric(rh_regresion$edad)
rh_regresion$genero <- as.factor(rh_regresion$genero)
rh_regresion$antiguedad <- as.numeric(rh_regresion$antiguedad)
rh_regresion$puesto<- as.factor(rh_regresion$puesto)
rh_regresion$salario_diario <- as.numeric(rh_regresion$salario_diario)
rh_regresion$estado_civil<- as.factor(rh_regresion$estado_civil)
rh_regresion$bajas <- as.numeric(rh_regresion$bajas)
rh_regresion$motivo_de_baja<- as.factor(rh_regresion$motivo_de_baja)
summary(rh_regresion)
```

##### En esta técnica de limpieza se vuelven a factor o números las variables para generar un estandarizar y generar un formato para que se vuelva más sencillo al realizar gráficos y manipular datos.

#### Técnica 2. Crear una categoría de referencia para la variable "bajas":
```{r message=FALSE, warning=FALSE}
rh_regresion$bajas<-as.factor(rh_regresion$bajas)
rh_regresion$bajas<-fct_recode(rh_regresion$bajas, "BAJA"="1","NO BAJA"="0")
```

#### replace the "outlier" of salario_diario with the median
```{r message=FALSE, warning=FALSE}
rh_regresion$salario_diario<-replace(rh_regresion$salario_diario,rh_regresion$salario_diario>1000000,181)
rh_regresion$salario_diario[is.na(rh_regresion$salario_diario)]<-median(rh_regresion$salario_diario,na.rm=TRUE)
```

#### lets display data visualization plots so we can identify relevant insights from our rh_alt dataset
```{r message=FALSE, warning=FALSE}
tapply(rh_regresion$salario_diario,
       list(rh_regresion$genero,rh_regresion$estado_civil), mean)
```

#### It is worth mentioning that k-means clustering analysis can only include quantitative variables 
```{r message=FALSE, warning=FALSE}
rh_edad_regresion<-rh_regresion 
rh_edad_regresion<- subset(rh_edad_regresion, select = -c(genero, estado_civil, antiguedad, puesto, motivo_de_baja, bajas))
```


#### The normalizing of a dataset (quantitative variables) using the mean value and standard deviation is performed by scale()
```{r message=FALSE, warning=FALSE}
rh_edad_regresion_norm<-scale(rh_edad_regresion[1:2]) 
```

#### fviz_nbclust() helps to determine and visualize the optimal number of clusters
```{r message=FALSE, warning=FALSE}
fviz_nbclust(rh_edad_regresion_norm, kmeans, method="wss")+ # wss method considers total within sum of square
  geom_vline(xintercept=5, linetype=2)+           # optimal number of clusters is computed with the default method = "euclidean"
  labs(subtitle = "Elbow method")  
```


#### visualize the clusters' information. Briefly, you can detect how each dataset's observation corresponds to a specific cluster. 
```{r message=FALSE, warning=FALSE}
edad_cluster1<-kmeans(rh_edad_regresion_norm,5)
```
#### the selection of 5 clusters approximately explains 85% of dataset's variability. 

#### visualize clustering results 
```{r message=FALSE, warning=FALSE}
fviz_cluster(edad_cluster1,data=rh_edad_regresion_norm)
```

#### lets add the estimated clusters' information to the original dataset so we can interpret the results 
```{r message=FALSE, warning=FALSE}
rh_regresion1 <- rh_regresion
rh_regresion1$Clusters<-edad_cluster1$cluster
```

#### lets create a dataset so we can identify some characteristics of "edad" by cluster 
```{r message=FALSE, warning=FALSE}
rh_regresion2<-rh_regresion1 %>% group_by(Clusters) %>% summarise(edad=max(edad)) %>% arrange(desc(edad))
```

#### group the clusters by name
```{r message=FALSE, warning=FALSE}
rh_regresion1$Cluster_Names<-factor(rh_regresion1$Clusters,levels = c(1,2,3,4,5), 
                              labels=c("Jóven","Adulta II","Jubilación","Avanzada","Adulta I"))
```

#### group the clusters by cluster names and Summarize the Columns
```{r}
rh_regresion3<-rh_regresion1 %>% group_by(Cluster_Names) %>% dplyr::summarize(edad_años=max(edad), 
                                                             salario_imss=mean(salario_diario),
                                                             Count=n())
```

#### use table format to display the clusters information
```{r}
clusters<-as.data.frame(rh_regresion3)
clusters
```

## Estimating Logistic Regression

##### No me deja descargar el paquete de "caret" por eso nos fuimos directo a la regresion


### simple logistic regression
####  model specification
```{r message=FALSE, warning=FALSE}
logit_model1<-glm(bajas~salario_diario, data=rh_regresion1, family=binomial(link='logit'))
summary(logit_model1)
```

#### make predictions based in the regression results
```{r message=FALSE, warning=FALSE}
# Which groups / categories do these probabilities refer to?
contrasts(rh_regresion1$bajas) 
probabilities<-logit_model1 %>% predict(rh_regresion1,type="response")
predicted.classes<-ifelse(probabilities > 0.5, "bajas", "no_bajas")
# display the probabilities of dataset observations related to "bajas" & "no bajas"
head(probabilities) 
# display the probabilities associated with "bajas"
head(predicted.classes) 
```

#### lets assess the accuracy of the estimated logistic regression model1
```{r message=FALSE, warning=FALSE}
rh_regresion1$logit_model1_prob <- predict(logit_model1, rh_regresion1, type="response")

rh_regresion1 <- rh_regresion1  %>% mutate(logit_model1_pred = 1*(logit_model1_prob > .50) + 0,
                         bajas_binary_1 = 1*(bajas == "BAJA") + 0)

rh_regresion1 <- rh_regresion1 %>% mutate(accurate_1=1*(logit_model1_pred == bajas_binary_1))
sum(rh_regresion1$accurate_1)/nrow(rh_regresion1) 
# the calculated R2 indicates that approximately 73% of variation in the dependent variable is explained by the logit model specification. 
```

#### logistic regression plot displaying a S shaped curve
```{r message=FALSE, warning=FALSE}
ggplot(rh_regresion1,aes(x=salario_diario, y=as.numeric(bajas)-1)) + 
  geom_point(alpha=.5) +
  stat_smooth(method="glm", se=FALSE, fullrange=TRUE, method.args=list(family=binomial)) + 
  ylab("Probability") + xlim(100,500)+
  labs(
    title = "Logistic Regression Model", 
    x = "Salario Diario",
    y = "Probability of Bajas"
  )
```

##### En este caso se puede observar que la probabilidad de bajas va disminuyendo mientras aumenta el salario. Indica que entre aumente el salario de los colaboradores, menor probabilidad que se den de baja. 

#### multiple logistic regression
```{r message=FALSE, warning=FALSE}
logit_model2<-glm(bajas~salario_diario+edad, data=rh_regresion1, family=binomial(link='logit'))
summary(logit_model2)
```

#### lets assess the accuracy of the estimated logistic regression model2
```{r message=FALSE, warning=FALSE}
rh_regresion1$logit_model2_prob <- predict(logit_model2, rh_regresion1, type="response")

rh_regresion1 <- rh_regresion1  %>% mutate(logit_model2_pred = 1*(logit_model2_prob > .50) + 0,
                                   bajas_binary_2 = 1*(bajas == "BAJA") + 0)

rh_regresion1 <- rh_regresion1 %>% mutate(accurate_2=1*(logit_model2_pred == bajas_binary_2))
sum(rh_regresion1$accurate_2)/nrow(rh_regresion1) 
# the calculated R2 indicates that approximately 73% of variation in the dependent variable is explained by the logit model specification.  
```

#### logistic regression plot displaying a S shaped curve
```{r}
ggplot(rh_regresion1,aes(x=edad, y=as.numeric(bajas)-1)) + 
  geom_point(alpha=.5) +
  stat_smooth(method="glm", se=FALSE, fullrange=TRUE, method.args = list(family=binomial)) + 
  ylab("Probability") + xlim(18,75)+
  labs(
    title = "Logistic Regression Model", 
    x = "Edad",
    y = "Probability of Bajas"
  )
```

##### En este caso se puede observar que la probabilidad de bajas va disminuyendo mientras sea mayor de edad. Se puede deducir que las personas que mas se dan de baja son los jovenes. 

### lets consider our estimated results from K-Means clustering analysis
```{r message=FALSE, warning=FALSE}
logit_model3<-glm(bajas~salario_diario+Cluster_Names, data=rh_regresion1, family=binomial(link='logit'))
summary(logit_model3)
```

```{r}
rh_regresion1$logit_model3_prob <- predict(logit_model3, rh_regresion1, type="response")

rh_regresion1<- rh_regresion1  %>% mutate(logit_model3_pred = 1*(logit_model3_prob > .50) + 0,
                                   bajas_binary_3 = 1*(bajas == "BAJA") + 0)

rh_regresion1 <- rh_regresion1 %>% mutate(accurate_3=1*(logit_model3_pred == bajas_binary_3))
sum(rh_regresion1$accurate_3)/nrow(rh_regresion1) 

```

## *Recomendaciones*

##### Esto es un problema ya mencionado anteriormente sobre las bajas de los empleados de FORM, donde se recomienda implementar una estrategia para los colaboradores jóvenes, hablando con los de recursos humanos para poder identificar qué es lo que puede retener a los jóvenes. 

##### Hablando de salario, entre más crezca el salario es menor la probabilidad de bajas, lo que se recomienda aquí no es subir de salarios para evitar bajas si no, crear un tipo de especie de rifa entre empleados,algo que tenga como un premio algo que los motive y será como un extra.


# **Referencias**

##### (LEDU), E. E. (2018, September 12). Understanding K-means clustering in machine learning. Medium. Retrieved October 8, 2022, from https://towardsdatascience.com/understanding-k-means-clustering-in-machine-learning-6a6e67336aa1

##### K-means clustering in R programming. GeeksforGeeks. (2020, July 2). Retrieved October 9, 2022, from https://www.geeksforgeeks.org/k-means-clustering-in-r-programming/

##### Supervised and unsupervised learning in R programming. GeeksforGeeks. (2021, November 29). Retrieved October 9, 2022, from https://www.geeksforgeeks.org/supervised-and-unsupervised-clustering-in-r-programming/

##### Shadan, M. (n.d.). Unsupervised learning in R. R. Retrieved October 9, 2022, from https://rstudio-pubs-static.s3.amazonaws.com/273129_453610ca694541e1a2c5664bf7ccba1a.html

##### How to compute the euclidean distance between two arrays in R -. ProjectPro. (n.d.). Retrieved October 9, 2022, from https://www.projectpro.io/recipes/compute-euclidean-distance-between-two-arrays-r