Etapa 2 Evidencia
José Ramón Vázquez Guzmán A01625203
21 de Octubre 2022
Cargar librerias
library(foreign)
library(dplyr) # data manipulation
library(forcats) # to work with categorical variables
library(ggplot2) # data visualization
library(janitor) # data exploration and cleaning
library(Hmisc) # several useful functions for data analysis
library(psych) # functions for multivariate analysis
library(naniar) # summaries and visualization of missing values NAs
library(dlookr) # summaries and visualization of missing values NAs
library(corrplot) # correlation plots
library(jtools) # presentation of regression analysis
library(lmtest) # diagnostic checks - linear regression analysis
library(car) # diagnostic checks - linear regression analysis
library(olsrr) # diagnostic checks - linear regression analysis
library(kableExtra) # HTML table attributes
library(factoextra) # provides functions to extract and visualize the output of exploratory multivariate data analyses
### Instalar librerias necesarias
# install.packages("tibble")
library(tibble)
# install.packages("tidyverse")
library(tidyverse)
library(ggfortify) # data visualization tools for statistical analysis
library(plyr)
library(base)RH Colaboradores/Bajas
Limpieza de Datos
Las bases de datos fueron divididas en dos ya que en una se toman en cuenta a los colaboradores de la empresa y en otra las bajas que se tuvieron por distintas razones, esto con la intención de poder obtener mejores resultados e interpretaciones más claras.
Importar la base de datos RH de la empresa FORM
#file.choose()
RhColab<-read.csv("/Users/joseramonvazquezguzman/Documents/Tecnológico de Monterrey/Septimo semestre/Analítica de datos /RETO/Bases de datos (limpias) CSV /BaseDatosL RH_Colaboradores.csv")
RhBajas<-read.csv("/Users/joseramonvazquezguzman/Documents/Tecnológico de Monterrey/Septimo semestre/Analítica de datos /RETO/Bases de datos (limpias) CSV /BaseD_Limpia RH_ Bajas .csv")Verifiquemos la estructura de la base de datos
str(RhColab)## 'data.frame': 999 obs. of 13 variables:
## $ numero_de_empleado: int 1 2 3 4 5 6 7 8 9 10 ...
## $ nombre_completo : chr "NICOLAS MARTINEZ DE LOERA" "MARIANA DE LEON MORENO" "JOSE LUIS HERNANDEZ CERVANTES" "MARIA CAZARES MORALES" ...
## $ edad : int 67 43 73 32 57 38 55 26 27 37 ...
## $ genero : chr "MASCULINO" "FEMENINO" "MASCULINO" "FEMENINO" ...
## $ fecha_de_alta : chr "1/7/2010" "1/7/2011" "22/11/2011" "30/1/2013" ...
## $ antiguedad : int 12 11 11 9 8 8 7 6 5 5 ...
## $ BAJA : int NA NA NA NA NA NA NA NA NA NA ...
## $ puesto : chr "Supervisor de Máquin" "Supervisor de pegado" "Externo" "SUPERVISORA" ...
## $ departamento : chr "Produccion Cartón MDL" "Produccion Cartón MDL" "Externo" "Produccion Cartón MC" ...
## $ mano_de_obra : chr "Indirecto" "Indirecto" "Indirecto" "Indirecto" ...
## $ salario_diario : num 177 177 177 337 441 ...
## $ colonia : chr "UNIDAD LABORAL" "SANTA TERESITA" "VILLAS DE HUINALA" "PUEBLO NUEVO" ...
## $ municipio : chr "SAN NICOLAS DE LOS G" "APODACA" "APODACA" "APODACA" ...str(RhBajas)## 'data.frame': 237 obs. of 13 variables:
## $ nombre : chr "MARIO VALDEZ ORTIZ" "ISABEL BARRIOS MENDEZ" "MARIA ELIZABETH GOMEZ HERNANDEZ" "ALONDRA ABIGAIL ESCARCIA GOMEZ" ...
## $ edad : int 32 36 23 21 29 46 29 31 50 19 ...
## $ genero : chr "MASCULINO" "FEMENINO" "FEMENINO" "FEMENINO" ...
## $ fecha_de_alta : chr "9/3/2020" "9/11/2021" "10/11/2021" "10/11/2021" ...
## $ motivo_de_baja : chr "RENUNCIA VOLUNTARIA" "RENUNCIA VOLUNTARIA" "RENUNCIA VOLUNTARIA" "RENUNCIA VOLUNTARIA" ...
## $ dias_de_trabajo : int 628 60 59 59 51 37 37 31 18 224 ...
## $ baja : chr "27/11/2021" "8/1/2022" "8/1/2022" "8/1/2022" ...
## $ puesto_que_desempeña: chr "DISEÑO" "AYUDANTE GENERAL" "AYUDANTE GENERAL" "AYUDANTE GENERAL" ...
## $ salario_imss : num 500 152 152 152 152 ...
## $ colonia : chr "SAN NICOLAS DE LOS G" "COLINAS DEL AEROPÑUERTO" "PUEBLO NUEVO" "PUEBLO NUEVO" ...
## $ municipio : chr "SAN NICOLAS DE LOS G" "PESQUERIA" "APODACA" "APODACA" ...
## $ estado : chr "NUEVO LEÓN" "NUEVO LEÓN" "NUEVO LEÓN" "NUEVO LEÓN" ...
## $ estado_civil : chr "SOLTERO" "UNIÓN LIBRE" "CASADO" "SOLTERO" ...Tipos de Variables
Variable<-c("Nombre","Edad", "Genero", "Fecha de alta", "Motivo de baja", "Días de trbajo","Baja", "Puesto que desempeña", "Salario IMSS", "Colonia", "Municipio", "Estado", "Estado Civil", "Número de empleado", "Nombre completo ", "Antiguedad", "Departamento", "Mano de obra","Salario diario")
Type<-c("qualitative (nominal)", "quantitative (discrete)", "qualitative (nominal)","qualiitative (ordinal)","qualitative (nominal)","qualitative (nominal)","quantitative (contonua)","qualitative (nominal)","qualitative (nominal)","qualitative (nominal)","qualitative (nominal)","quantitative (discrete)","qualitative (nominal)","qualitative (nominal)","qualitative (discrete)","qualitative (nominal)","quantitative (continua)","quantitative (continua)","quantitative (continua)")
table<-data.frame(Variable,Type)
knitr::kable(table)| Variable | Type |
|---|---|
| Nombre | qualitative (nominal) |
| Edad | quantitative (discrete) |
| Genero | qualitative (nominal) |
| Fecha de alta | qualiitative (ordinal) |
| Motivo de baja | qualitative (nominal) |
| Días de trbajo | qualitative (nominal) |
| Baja | quantitative (contonua) |
| Puesto que desempeña | qualitative (nominal) |
| Salario IMSS | qualitative (nominal) |
| Colonia | qualitative (nominal) |
| Municipio | qualitative (nominal) |
| Estado | quantitative (discrete) |
| Estado Civil | qualitative (nominal) |
| Número de empleado | qualitative (nominal) |
| Nombre completo | qualitative (discrete) |
| Antiguedad | qualitative (nominal) |
| Departamento | quantitative (continua) |
| Mano de obra | quantitative (continua) |
| Salario diario | quantitative (continua) |
Contamos con 13 variables y 999 observaciones en total
Seleccionar columnas / variables
RhColab1<-RhColab
RhBajas1<-RhBajas Limpieza de datos
RhColab1<-RhColab %>% select(-one_of('numero_de_empleado', 'BAJA', 'edad'))Renombramos las columnas / variables seleccionadas
Se renombraron las columnas y variables seleccionadas para poder tener conceptos más cortos para a la hora de visualizar tener una mejor y más clara interpretación de la información.
summary(RhColab1)## nombre_completo genero fecha_de_alta antiguedad
## Length:999 Length:999 Length:999 Min. : 0.000
## Class :character Class :character Class :character 1st Qu.: 0.000
## Mode :character Mode :character Mode :character Median : 0.000
## Mean : 1.425
## 3rd Qu.: 2.000
## Max. :12.000
## NA's :886
## puesto departamento mano_de_obra salario_diario
## Length:999 Length:999 Length:999 Min. :144.4
## Class :character Class :character Class :character 1st Qu.:176.7
## Mode :character Mode :character Mode :character Median :180.7
## Mean :181.4
## 3rd Qu.:180.7
## Max. :441.4
## NA's :886
## colonia municipio
## Length:999 Length:999
## Class :character Class :character
## Mode :character Mode :character
##
##
##
## names(RhColab1)<-c('Nom_Comp', 'Gen', 'Fecha_alta', 'Ant', 'Puesto', 'Dep', 'MDO', 'Sal_Diario', 'Col', 'Mun')
names(RhBajas1)<-c('Nom', 'Edad', 'Gen', 'Fecha_alta', 'MB', 'Días_trab', 'Baja', 'PuestDes', 'Sal_IMSS', 'Col', 'Mun', 'Estado', 'EstCiv')Convertimos “fecha_nacimiento” a formato de fecha
Se convirtió a formato de fecha la variable de fecha_nacimiento para su correcta interpretación dentro de los códigos.
RhColab1$Fecha_alta<-as.Date(RhColab$fecha_de_alta,format="%d/%m/%Y")
RhBajas1$Fecha_alta<-as.Date(RhBajas1$Fecha_alta,format="%d/%m/%Y")
RhBajas1$Baja<-as.Date(RhBajas1$Baja,format="%d/%m/%Y") Eliminar NA’s y sustituir con 0’s
Esto para evitar errores a la hora de utilizar la base para generar un análisis más certero.
sum(is.na(RhColab1))## [1] 2658sum(is.na(RhBajas1))## [1] 0RhBajas1[is.na(RhBajas1)]<-0
summary(RhColab1)## Nom_Comp Gen Fecha_alta Ant
## Length:999 Length:999 Min. :2010-07-01 Min. : 0.000
## Class :character Class :character 1st Qu.:2020-08-28 1st Qu.: 0.000
## Mode :character Mode :character Median :2022-02-23 Median : 0.000
## Mean :2021-01-16 Mean : 1.425
## 3rd Qu.:2022-07-05 3rd Qu.: 2.000
## Max. :2022-08-23 Max. :12.000
## NA's :886 NA's :886
## Puesto Dep MDO Sal_Diario
## Length:999 Length:999 Length:999 Min. :144.4
## Class :character Class :character Class :character 1st Qu.:176.7
## Mode :character Mode :character Mode :character Median :180.7
## Mean :181.4
## 3rd Qu.:180.7
## Max. :441.4
## NA's :886
## Col Mun
## Length:999 Length:999
## Class :character Class :character
## Mode :character Mode :character
##
##
##
## summary(RhBajas1)## Nom Edad Gen Fecha_alta
## Length:237 Min. : 0.00 Length:237 Min. :2016-10-12
## Class :character 1st Qu.:23.00 Class :character 1st Qu.:2022-01-19
## Mode :character Median :29.00 Mode :character Median :2022-04-04
## Mean :30.52 Mean :2022-02-10
## 3rd Qu.:37.00 3rd Qu.:2022-06-14
## Max. :61.00 Max. :2022-08-17
## MB Días_trab Baja PuestDes
## Length:237 Min. : 0.00 Min. :2021-11-27 Length:237
## Class :character 1st Qu.: 9.00 1st Qu.:2022-03-01 Class :character
## Mode :character Median : 21.00 Median :2022-05-06 Mode :character
## Mean : 83.42 Mean :2022-05-05
## 3rd Qu.: 49.00 3rd Qu.:2022-07-07
## Max. :1966.00 Max. :2022-08-25
## Sal_IMSS Col Mun Estado
## Min. :144.4 Length:237 Length:237 Length:237
## 1st Qu.:180.7 Class :character Class :character Class :character
## Median :180.7 Mode :character Mode :character Mode :character
## Mean :178.6
## 3rd Qu.:180.7
## Max. :500.0
## EstCiv
## Length:237
## Class :character
## Mode :character
##
##
## RhColab1 <- na.omit(RhColab1)
RhBajas1 <- na.omit(RhBajas1)
summary(RhColab1)## Nom_Comp Gen Fecha_alta Ant
## Length:113 Length:113 Min. :2010-07-01 Min. : 0.000
## Class :character Class :character 1st Qu.:2020-08-28 1st Qu.: 0.000
## Mode :character Mode :character Median :2022-02-23 Median : 0.000
## Mean :2021-01-16 Mean : 1.425
## 3rd Qu.:2022-07-05 3rd Qu.: 2.000
## Max. :2022-08-23 Max. :12.000
## Puesto Dep MDO Sal_Diario
## Length:113 Length:113 Length:113 Min. :144.4
## Class :character Class :character Class :character 1st Qu.:176.7
## Mode :character Mode :character Mode :character Median :180.7
## Mean :181.4
## 3rd Qu.:180.7
## Max. :441.4
## Col Mun
## Length:113 Length:113
## Class :character Class :character
## Mode :character Mode :character
##
##
## summary(RhBajas1) ## Nom Edad Gen Fecha_alta
## Length:237 Min. : 0.00 Length:237 Min. :2016-10-12
## Class :character 1st Qu.:23.00 Class :character 1st Qu.:2022-01-19
## Mode :character Median :29.00 Mode :character Median :2022-04-04
## Mean :30.52 Mean :2022-02-10
## 3rd Qu.:37.00 3rd Qu.:2022-06-14
## Max. :61.00 Max. :2022-08-17
## MB Días_trab Baja PuestDes
## Length:237 Min. : 0.00 Min. :2021-11-27 Length:237
## Class :character 1st Qu.: 9.00 1st Qu.:2022-03-01 Class :character
## Mode :character Median : 21.00 Median :2022-05-06 Mode :character
## Mean : 83.42 Mean :2022-05-05
## 3rd Qu.: 49.00 3rd Qu.:2022-07-07
## Max. :1966.00 Max. :2022-08-25
## Sal_IMSS Col Mun Estado
## Min. :144.4 Length:237 Length:237 Length:237
## 1st Qu.:180.7 Class :character Class :character Class :character
## Median :180.7 Mode :character Mode :character Mode :character
## Mean :178.6
## 3rd Qu.:180.7
## Max. :500.0
## EstCiv
## Length:237
## Class :character
## Mode :character
##
##
## str(RhColab1)## 'data.frame': 113 obs. of 10 variables:
## $ Nom_Comp : chr "NICOLAS MARTINEZ DE LOERA" "MARIANA DE LEON MORENO" "JOSE LUIS HERNANDEZ CERVANTES" "MARIA CAZARES MORALES" ...
## $ Gen : chr "MASCULINO" "FEMENINO" "MASCULINO" "FEMENINO" ...
## $ Fecha_alta: Date, format: "2010-07-01" "2011-07-01" ...
## $ Ant : int 12 11 11 9 8 8 7 6 5 5 ...
## $ Puesto : chr "Supervisor de Máquin" "Supervisor de pegado" "Externo" "SUPERVISORA" ...
## $ Dep : chr "Produccion Cartón MDL" "Produccion Cartón MDL" "Externo" "Produccion Cartón MC" ...
## $ MDO : chr "Indirecto" "Indirecto" "Indirecto" "Indirecto" ...
## $ Sal_Diario: num 177 177 177 337 441 ...
## $ Col : chr "UNIDAD LABORAL" "SANTA TERESITA" "VILLAS DE HUINALA" "PUEBLO NUEVO" ...
## $ Mun : chr "SAN NICOLAS DE LOS G" "APODACA" "APODACA" "APODACA" ...
## - attr(*, "na.action")= 'omit' Named int [1:886] 114 115 116 117 118 119 120 121 122 123 ...
## ..- attr(*, "names")= chr [1:886] "114" "115" "116" "117" ...str(RhBajas1)## 'data.frame': 237 obs. of 13 variables:
## $ Nom : chr "MARIO VALDEZ ORTIZ" "ISABEL BARRIOS MENDEZ" "MARIA ELIZABETH GOMEZ HERNANDEZ" "ALONDRA ABIGAIL ESCARCIA GOMEZ" ...
## $ Edad : int 32 36 23 21 29 46 29 31 50 19 ...
## $ Gen : chr "MASCULINO" "FEMENINO" "FEMENINO" "FEMENINO" ...
## $ Fecha_alta: Date, format: "2020-03-09" "2021-11-09" ...
## $ MB : chr "RENUNCIA VOLUNTARIA" "RENUNCIA VOLUNTARIA" "RENUNCIA VOLUNTARIA" "RENUNCIA VOLUNTARIA" ...
## $ Días_trab : int 628 60 59 59 51 37 37 31 18 224 ...
## $ Baja : Date, format: "2021-11-27" "2022-01-08" ...
## $ PuestDes : chr "DISEÑO" "AYUDANTE GENERAL" "AYUDANTE GENERAL" "AYUDANTE GENERAL" ...
## $ Sal_IMSS : num 500 152 152 152 152 ...
## $ Col : chr "SAN NICOLAS DE LOS G" "COLINAS DEL AEROPÑUERTO" "PUEBLO NUEVO" "PUEBLO NUEVO" ...
## $ Mun : chr "SAN NICOLAS DE LOS G" "PESQUERIA" "APODACA" "APODACA" ...
## $ Estado : chr "NUEVO LEÓN" "NUEVO LEÓN" "NUEVO LEÓN" "NUEVO LEÓN" ...
## $ EstCiv : chr "SOLTERO" "UNIÓN LIBRE" "CASADO" "SOLTERO" ...Calculemos la variable “age” en años
Esto para poder realizar caracterisitcas adicionales de “colabradores”.
library(lubridate)
edad<-trunc((RhColab1$Fecha_alta %--% RhColab1$Fecha_alta) / years(1)) # %--% creates a time interval based on as.date() format
RhColab1$edad<-edad
edad<-trunc((RhBajas1$Fecha_alta %--% RhBajas1$Fecha_alta) / years(1))
edad<-trunc((RhBajas1$Baja %--% RhBajas1$Baja) / years(1))Convertir a caracter variables a factor
Esto para poder crear estadisticos descriptivos
### Colab1
RhColab1$Gen<-as.factor(RhColab1$Gen)
RhColab1$Puesto<-as.factor(RhColab1$Puesto)
RhColab1$Dep<-as.factor(RhColab1$Dep)
RhColab1$Mun<-as.factor(RhColab1$Mun)
RhColab1$Col<-as.factor(RhColab1$Col)
### Bajas1
RhBajas1$Gen<-as.factor(RhBajas1$Gen)
RhBajas1$MB<-as.factor(RhBajas1$MB)
RhBajas1$Días_trab<-as.factor(RhBajas1$Días_trab)
RhBajas1$PuestDes<-as.factor(RhBajas1$PuestDes)
RhBajas1$Col<-as.factor(RhBajas1$Col)
RhBajas1$Mun<-as.factor(RhBajas1$Mun)
RhBajas1$Estado<-as.factor(RhBajas1$Estado)
RhBajas1$EstCiv<-as.factor(RhBajas1$EstCiv)Verificamos la estructura de RhColab1 y RhBajas1
str(RhColab1)## 'data.frame': 113 obs. of 11 variables:
## $ Nom_Comp : chr "NICOLAS MARTINEZ DE LOERA" "MARIANA DE LEON MORENO" "JOSE LUIS HERNANDEZ CERVANTES" "MARIA CAZARES MORALES" ...
## $ Gen : Factor w/ 2 levels "FEMENINO","MASCULINO": 2 1 2 1 1 2 1 2 2 1 ...
## $ Fecha_alta: Date, format: "2010-07-01" "2011-07-01" ...
## $ Ant : int 12 11 11 9 8 8 7 6 5 5 ...
## $ Puesto : Factor w/ 29 levels "AY. GENERAL",..: 27 28 10 29 29 8 7 4 3 7 ...
## $ Dep : Factor w/ 22 levels "","Ay.flexo",..: 18 18 13 17 8 4 8 19 4 10 ...
## $ MDO : chr "Indirecto" "Indirecto" "Indirecto" "Indirecto" ...
## $ Sal_Diario: num 177 177 177 337 441 ...
## $ Col : Factor w/ 73 levels "ALAMOS DEL PARQUE",..: 64 61 69 51 56 18 1 52 14 5 ...
## $ Mun : Factor w/ 9 levels "APODACA","CAÑADA BLANCA",..: 9 1 1 1 1 8 1 1 8 9 ...
## $ edad : num 0 0 0 0 0 0 0 0 0 0 ...
## - attr(*, "na.action")= 'omit' Named int [1:886] 114 115 116 117 118 119 120 121 122 123 ...
## ..- attr(*, "names")= chr [1:886] "114" "115" "116" "117" ...summary(RhColab1)## Nom_Comp Gen Fecha_alta Ant
## Length:113 FEMENINO :61 Min. :2010-07-01 Min. : 0.000
## Class :character MASCULINO:52 1st Qu.:2020-08-28 1st Qu.: 0.000
## Mode :character Median :2022-02-23 Median : 0.000
## Mean :2021-01-16 Mean : 1.425
## 3rd Qu.:2022-07-05 3rd Qu.: 2.000
## Max. :2022-08-23 Max. :12.000
##
## Puesto Dep MDO
## AYUDANTE GENERAL:59 :40 Length:113
## COSTURERA :10 Producción Retorn :10 Class :character
## AY. GENERAL : 7 Costura : 7 Mode :character
## SOLDADOR : 5 Produccion Cartón MDL: 7
## CHOFER : 4 Stabilus : 7
## RESIDENTE : 4 Cedis : 6
## (Other) :24 (Other) :36
## Sal_Diario Col Mun edad
## Min. :144.4 PUEBLO NUEVO :27 APODACA :72 Min. :0
## 1st Qu.:176.7 CANTORAL : 4 JUAREZ :10 1st Qu.:0
## Median :180.7 CAÑADA BLANCA : 3 PESQUERIA: 9 Median :0
## Mean :181.4 MISION SAN PABLO : 3 GUADALUPE: 6 Mean :0
## 3rd Qu.:180.7 PORTAL DE HUINALA : 3 SALTILLO : 5 3rd Qu.:0
## Max. :441.4 VALLE DE SANTA MARIA: 3 MONTERREY: 4 Max. :0
## (Other) :70 (Other) : 7str(RhBajas1)## 'data.frame': 237 obs. of 13 variables:
## $ Nom : chr "MARIO VALDEZ ORTIZ" "ISABEL BARRIOS MENDEZ" "MARIA ELIZABETH GOMEZ HERNANDEZ" "ALONDRA ABIGAIL ESCARCIA GOMEZ" ...
## $ Edad : int 32 36 23 21 29 46 29 31 50 19 ...
## $ Gen : Factor w/ 2 levels "FEMENINO","MASCULINO": 2 1 1 1 1 1 1 2 2 2 ...
## $ Fecha_alta: Date, format: "2020-03-09" "2021-11-09" ...
## $ MB : Factor w/ 5 levels "ABANDONO","BAJA POR FALTAS",..: 4 4 4 4 4 2 2 2 2 4 ...
## $ Días_trab : Factor w/ 95 levels "0","1","2","3",..: 88 53 52 52 48 37 37 31 19 79 ...
## $ Baja : Date, format: "2021-11-27" "2022-01-08" ...
## $ PuestDes : Factor w/ 31 levels "ANALISTA DE NOMINAS /AUX DE R.H.",..: 15 9 9 9 9 9 9 9 9 4 ...
## $ Sal_IMSS : num 500 152 152 152 152 ...
## $ Col : Factor w/ 98 levels "ACANTO RESIDENCIAL",..: 82 18 72 72 73 28 72 48 15 80 ...
## $ Mun : Factor w/ 13 levels "APODACA","CADEREYTA",..: 10 7 1 1 1 1 1 5 4 1 ...
## $ Estado : Factor w/ 3 levels "COAHUILA","NUEVO LEÓN",..: 2 2 2 2 2 2 2 2 2 2 ...
## $ EstCiv : Factor w/ 5 levels "CASADO","DIVORCIADO",..: 3 5 1 3 3 3 5 5 3 3 ...summary(RhBajas1)## Nom Edad Gen Fecha_alta
## Length:237 Min. : 0.00 FEMENINO :140 Min. :2016-10-12
## Class :character 1st Qu.:23.00 MASCULINO: 97 1st Qu.:2022-01-19
## Mode :character Median :29.00 Median :2022-04-04
## Mean :30.52 Mean :2022-02-10
## 3rd Qu.:37.00 3rd Qu.:2022-06-14
## Max. :61.00 Max. :2022-08-17
##
## MB Días_trab Baja
## ABANDONO : 1 15 : 11 Min. :2021-11-27
## BAJA POR FALTAS :141 1 : 9 1st Qu.:2022-03-01
## JUBILACION : 1 6 : 9 Median :2022-05-06
## RENUNCIA VOLUNTARIA: 86 9 : 8 Mean :2022-05-05
## TERMINO DE CONTRATO: 8 0 : 7 3rd Qu.:2022-07-07
## 8 : 7 Max. :2022-08-25
## (Other):186
## PuestDes Sal_IMSS Col
## AYUDANTE GENERAL :173 Min. :144.4 PUEBLO NUEVO : 67
## SOLDADOR : 11 1st Qu.:180.7 VALLE DE SANTA MARIA: 15
## COSTURERA : 10 Median :180.7 CANTORAL : 10
## MONTACARGUISTA : 5 Mean :178.6 PORTAL DE HUINALA : 6
## AY. GENERAL : 4 3rd Qu.:180.7 SAN ISIDRO : 6
## AUXILIAR DE EMBARQUES: 3 Max. :500.0 BOSQUES DE HUINALA : 4
## (Other) : 31 (Other) :129
## Mun Estado EstCiv
## APODACA :162 COAHUILA : 9 CASADO : 64
## PESQUERIA : 32 NUEVO LEÓN:227 DIVORCIADO : 3
## JUAREZ : 15 SALTILLO : 1 SOLTERO :110
## GUADALUPE : 10 Unión libre: 1
## RAMOS ARIZPE : 8 UNIÓN LIBRE: 59
## SAN NICOLAS DE LOS GARZA: 3
## (Other) : 7Visualizasión de Datos
Mostrar graficos de visualización para identificar hallazgos relevantes de nuestras bases de datos RhColab1 y RhBajas1
## Colaboradores
tapply(RhColab1$Sal_Diario,
list(RhColab1$Gen,RhColab1$Puesto), mean)## AY. GENERAL AYUDANTE DE MANTENIMIENTO Ayudante general
## FEMENINO 151.61 NA NA
## MASCULINO 151.61 180.68 176.72
## AYUDANTE GENERAL CHOFER CHOFER GESTOR COSTURERA CUSTOMER SERVICE INF
## FEMENINO 177.4222 NA NA 191.7533 NA
## MASCULINO 176.2268 177.71 180.68 176.7200 176.72
## ENFERMERA Externo EXTERNO GESTOR GUARDIA DE SEGURIDAD
## FEMENINO 176.72 NA NA NA NA
## MASCULINO NA 176.72 151.67 176.72 180.68
## INSPECTOR DE CALIDAD INSPECTORA DE CALIDAD LIDER LIMPIEZA
## FEMENINO 208.65 180.68 144.45 176.72
## MASCULINO NA NA NA NA
## MANTENIMIENTO MONTACARGUISTA MOZO OP. FLEXO-RANURADORA-REFILADORA
## FEMENINO NA NA NA NA
## MASCULINO 279.61 180.68 180.68 176.72
## OPERADOR SIERRA PINTOR RECIBO RESIDENTE SOLDADOR Supervisor de Máquin
## FEMENINO NA NA 176.72 NA NA NA
## MASCULINO 180.68 176.72 NA 177.71 179.888 176.72
## Supervisor de pegado SUPERVISORA
## FEMENINO 176.72 389.21
## MASCULINO NA NAtapply(RhColab1$Sal_Diario,
list(RhColab1$Gen,RhColab1$Dep), mean)## Ay.flexo Calidad Cedis CEDIS Celdas CORTADORAS Costura
## FEMENINO 178.7544 NA 194.665 NA NA 180.68 NA 245.375
## MASCULINO 176.5400 180.68 NA 176.72 180.68 NA 180.68 176.720
## COSTURA Costura T2 EHS Embarques Externo Limpieza Materiales
## FEMENINO 151.61 152.86 176.720 NA NA 176.72 176.72
## MASCULINO NA NA 230.145 177.71 164.195 NA NA
## Paileria Produccion Cartón MC Produccion Cartón MDL Producción Retorn
## FEMENINO NA 194.405 156.0975 161.3000
## MASCULINO 178.7 151.670 168.3700 183.8443
## Rotativa Stabilus Troquel
## FEMENINO NA 180.68 180.68
## MASCULINO 151.61 180.68 180.68## Bajas
tapply(RhBajas1$Sal_IMSS,RhBajas1$Gen,mean)## FEMENINO MASCULINO
## 177.3126 180.5544Reubicamos el “outlier” de salario_diario con la mediana
RhColab1$Sal_Diario<-replace(RhColab1$Sal_Diario,RhColab1$Sal_Diario>1000000,181)Mostramos la visualización grafica de datos para poder identificar hallazgos importantes de rh_alt base de datos.
tapply(RhColab1$Sal_Diario,
list(RhColab1$Gen,RhColab1$Dep), mean)## Ay.flexo Calidad Cedis CEDIS Celdas CORTADORAS Costura
## FEMENINO 178.7544 NA 194.665 NA NA 180.68 NA 245.375
## MASCULINO 176.5400 180.68 NA 176.72 180.68 NA 180.68 176.720
## COSTURA Costura T2 EHS Embarques Externo Limpieza Materiales
## FEMENINO 151.61 152.86 176.720 NA NA 176.72 176.72
## MASCULINO NA NA 230.145 177.71 164.195 NA NA
## Paileria Produccion Cartón MC Produccion Cartón MDL Producción Retorn
## FEMENINO NA 194.405 156.0975 161.3000
## MASCULINO 178.7 151.670 168.3700 183.8443
## Rotativa Stabilus Troquel
## FEMENINO NA 180.68 180.68
## MASCULINO 151.61 180.68 180.68hist(RhBajas1$Edad, freq=TRUE, col='orange', main="Histograma de Edad",xlab="Edad en Años")
Podemos observar que hay una mayor cantidad de empleados en el rango de edad de 20 a 25 años, después le sigue el rango de 25 a 30 y de 30 a 35, siendo la mayor parte de los empleados jóvenes, pero habiendo empleados que sobre pasan incluso la edad de 60 años.
ggplot(RhBajas1, aes(x=Gen, y=Edad, fill=Gen)) +
geom_boxplot() 
La mayor parte de empleados aglomerada en el rango de 20 a 40 años y observamos como hay unos pocos fuera de rango en edades que pasan de 50 a 60 años,siendo estos pocos casos.
ggplot(RhColab1, aes(x=Gen, y=Sal_Diario, fill=Gen)) +
geom_boxplot() 
Aquí en el salario diario se destaca la observación de que la mayor parte de los empleados tienen un salario que ronda entre los 170 pesos; habiendo casos muy espesificos que estan en rangos mucho menores o llegando a los 300 pesos, pero habiendo un salario que llega a los 450 pesos siendo el salario más elevado de toda la base de datos.
ggplot(RhColab1, aes(Gen,Sal_Diario,fill=Gen)) +
geom_bar(stat = "identity") +
scale_fill_brewer(palette = "Set2") + ggtitle("Salario Diario por Genero")
En la gráfica anterior podemos observar la correlación entre el género y
el salario diario de los empleados; podemos concluir que el género
femenino tiene un salario total en promedio más alto el género
masculino.
ggplot(RhBajas1, aes(x=Gen, y=Sal_IMSS, fill=Gen)) +
geom_bar(stat="identity") +
facet_grid(~EstCiv) + scale_fill_brewer(palette = "Set1")
Aquí podemos observar el salario del IMSS en cuanto al género de los empleados y dependiendo de si son casados, divoricados, solteros o estan en unión libre. Se puede concluir que las mujeres tienen en promedio en estas cuatro categorías un salario mayor al de los hombres y los solteros tienen un mayor salario comparado con las otras categorias.
Producción
Limpieza de Datos
Se comenzó realizando una limpieza en excel, para después empezar a limpiar dentro de R dejando finalmente los valores más relevantes.
Importar la base de datos producción de la empresa FORM
producciontotal <- read.csv("/Users/joseramonvazquezguzman/Documents/Tecnológico de Monterrey/Septimo semestre/Analítica de datos /RETO/Bases de datos finales/PRODUCCIÓN/BD Producción csv (1).csv")Entender la base de datos
str(producciontotal)## 'data.frame': 5256 obs. of 16 variables:
## $ Fecha : chr "15/07/22" "15/07/22" "15/07/22" "15/07/22" ...
## $ No. : chr "1" "2" "3" "4" ...
## $ CLIENTE : chr "STABILUS 1" "STABILUS 1" "STABILUS 1" "STABILUS 1" ...
## $ ID.FORM : chr "" "N.A." "CORTE." "ST-026-13892" ...
## $ PIEZAS.PROG. : int 200 100 216 100 20 200 100 12 32 500 ...
## $ TMO..MIN. : chr "20" "15" "20" "10" ...
## $ HR..FIN : chr "9:20" "9:35" "9:55" "10:05" ...
## $ ESTACION.ARRANQUE : chr "C1" "C1" "C1" "C1" ...
## $ Laminas.procesadas : chr "402" "134" "110" "100" ...
## $ INICIO.SEP.UP : chr "9:05" "10:05" "9:40" "11.2" ...
## $ FIN.INICIO.DE.SEP.UP: chr "9.1" "10:16" "9:43" "11:26" ...
## $ INICIO.de.PROCESO : chr "9:12" "10.17" "9:45" "11:30" ...
## $ FIN.de.PROCESO : chr "10:04" "11:05" "9.57" "11:49" ...
## $ TIEMPO.CALIDAD : chr "1" "1" "1" "1" ...
## $ TIEMPO.MATERIALES : int NA NA NA 7 NA NA NA NA NA NA ...
## $ MERMAS.Maquinas. : chr "" "" "" "" ...Tipos de Variables
Variable<-c("Fecha", "Número", "Cliente","Id Form", "Producto", "Piezas programadas", "Tiempo en minutos", "Hora fin ", "Estación de arranque", "Laminas procesadas", "Inicio Set Up", "Fin Set up", "Inicio porceso", "Fin proceso", " Tiempo calidad")
Type<-c("qualitative (nominal)", "quantitative (discrete)", "qualitative (nominal)","qualiitative (ordinal)","qualitative (nominal)","quantitative (discrete)","quantitative (contonua)","quantitative (contonua)","qualitative (nominal)","quantitative (dis rete)","quantitative (contonua)","quantitative (Continua)","quantitative (contonua)","quantitative (contonua)","quantitative (discrete)")
table<-data.frame(Variable,Type)
knitr::kable(table)| Variable | Type |
|---|---|
| Fecha | qualitative (nominal) |
| Número | quantitative (discrete) |
| Cliente | qualitative (nominal) |
| Id Form | qualiitative (ordinal) |
| Producto | qualitative (nominal) |
| Piezas programadas | quantitative (discrete) |
| Tiempo en minutos | quantitative (contonua) |
| Hora fin | quantitative (contonua) |
| Estación de arranque | qualitative (nominal) |
| Laminas procesadas | quantitative (dis rete) |
| Inicio Set Up | quantitative (contonua) |
| Fin Set up | quantitative (Continua) |
| Inicio porceso | quantitative (contonua) |
| Fin proceso | quantitative (contonua) |
| Tiempo calidad | quantitative (discrete) |
Eliminar columnas irrelevantes para el análisis
Se eliminaron las columnas que no generaban valor al análisis.
producciontotal <- subset (producciontotal,select = -c( No., ID.FORM , HR..FIN , ESTACION.ARRANQUE , INICIO.SEP.UP ,FIN.INICIO.DE.SEP.UP , INICIO.de.PROCESO , TIEMPO.MATERIALES , MERMAS.Maquinas. ))
summary (producciontotal)## Fecha CLIENTE PIEZAS.PROG. TMO..MIN.
## Length:5256 Length:5256 Min. : 1.0 Length:5256
## Class :character Class :character 1st Qu.: 78.0 Class :character
## Mode :character Mode :character Median : 144.0 Mode :character
## Mean : 181.3
## 3rd Qu.: 200.0
## Max. :2000.0
## NA's :2
## Laminas.procesadas FIN.de.PROCESO TIEMPO.CALIDAD
## Length:5256 Length:5256 Length:5256
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
##
## Cambiar a entero las variables cuantitativas
producciontotal$PIEZAS.PROG. <- substr(producciontotal$PIEZAS.PROG., start = 1, stop = 2)
tibble (producciontotal)## # A tibble: 5,256 × 7
## Fecha CLIENTE PIEZAS.PROG. TMO..MIN. Laminas.procesadas FIN.d…¹ TIEMP…²
## <chr> <chr> <chr> <chr> <chr> <chr> <chr>
## 1 15/07/22 STABILUS 1 20 20 402 10:04 1
## 2 15/07/22 STABILUS 1 10 15 134 11:05 1
## 3 15/07/22 STABILUS 1 21 20 110 9.57 1
## 4 15/07/22 STABILUS 1 10 10 100 11:49 1
## 5 15/07/22 YANFENG 20 10 51 12:31 1
## 6 15/07/22 TRMX 20 20 402 2:00 1
## 7 15/07/22 STABILUS 1 10 10 22 2.44 1
## 8 15/07/22 YANFENG 12 10 13 3:00 1
## 9 15/07/22 YANFENG 32 10 33 2:12 1
## 10 15/07/22 YANFENG 50 60 501/501 10:59 2
## # … with 5,246 more rows, and abbreviated variable names ¹FIN.de.PROCESO,
## # ²TIEMPO.CALIDADproducciontotal$PIEZAS.PROG. <- as.integer(producciontotal$PIEZAS.PROG.)
str(producciontotal) ## 'data.frame': 5256 obs. of 7 variables:
## $ Fecha : chr "15/07/22" "15/07/22" "15/07/22" "15/07/22" ...
## $ CLIENTE : chr "STABILUS 1" "STABILUS 1" "STABILUS 1" "STABILUS 1" ...
## $ PIEZAS.PROG. : int 20 10 21 10 20 20 10 12 32 50 ...
## $ TMO..MIN. : chr "20" "15" "20" "10" ...
## $ Laminas.procesadas: chr "402" "134" "110" "100" ...
## $ FIN.de.PROCESO : chr "10:04" "11:05" "9.57" "11:49" ...
## $ TIEMPO.CALIDAD : chr "1" "1" "1" "1" ...producciontotal$TMO..MIN. <- substr(producciontotal$TMO..MIN., start = 1, stop = 2)
tibble (producciontotal)## # A tibble: 5,256 × 7
## Fecha CLIENTE PIEZAS.PROG. TMO..MIN. Laminas.procesadas FIN.d…¹ TIEMP…²
## <chr> <chr> <int> <chr> <chr> <chr> <chr>
## 1 15/07/22 STABILUS 1 20 20 402 10:04 1
## 2 15/07/22 STABILUS 1 10 15 134 11:05 1
## 3 15/07/22 STABILUS 1 21 20 110 9.57 1
## 4 15/07/22 STABILUS 1 10 10 100 11:49 1
## 5 15/07/22 YANFENG 20 10 51 12:31 1
## 6 15/07/22 TRMX 20 20 402 2:00 1
## 7 15/07/22 STABILUS 1 10 10 22 2.44 1
## 8 15/07/22 YANFENG 12 10 13 3:00 1
## 9 15/07/22 YANFENG 32 10 33 2:12 1
## 10 15/07/22 YANFENG 50 60 501/501 10:59 2
## # … with 5,246 more rows, and abbreviated variable names ¹FIN.de.PROCESO,
## # ²TIEMPO.CALIDADproducciontotal$TMO..MIN. <- as.integer(producciontotal$TMO..MIN.)
str(producciontotal) ## 'data.frame': 5256 obs. of 7 variables:
## $ Fecha : chr "15/07/22" "15/07/22" "15/07/22" "15/07/22" ...
## $ CLIENTE : chr "STABILUS 1" "STABILUS 1" "STABILUS 1" "STABILUS 1" ...
## $ PIEZAS.PROG. : int 20 10 21 10 20 20 10 12 32 50 ...
## $ TMO..MIN. : int 20 15 20 10 10 20 10 10 10 60 ...
## $ Laminas.procesadas: chr "402" "134" "110" "100" ...
## $ FIN.de.PROCESO : chr "10:04" "11:05" "9.57" "11:49" ...
## $ TIEMPO.CALIDAD : chr "1" "1" "1" "1" ...producciontotal$Laminas.procesadas <- substr(producciontotal$Laminas.procesadas, start = 1, stop = 2)
tibble (producciontotal)## # A tibble: 5,256 × 7
## Fecha CLIENTE PIEZAS.PROG. TMO..MIN. Laminas.procesadas FIN.d…¹ TIEMP…²
## <chr> <chr> <int> <int> <chr> <chr> <chr>
## 1 15/07/22 STABILUS 1 20 20 40 10:04 1
## 2 15/07/22 STABILUS 1 10 15 13 11:05 1
## 3 15/07/22 STABILUS 1 21 20 11 9.57 1
## 4 15/07/22 STABILUS 1 10 10 10 11:49 1
## 5 15/07/22 YANFENG 20 10 51 12:31 1
## 6 15/07/22 TRMX 20 20 40 2:00 1
## 7 15/07/22 STABILUS 1 10 10 22 2.44 1
## 8 15/07/22 YANFENG 12 10 13 3:00 1
## 9 15/07/22 YANFENG 32 10 33 2:12 1
## 10 15/07/22 YANFENG 50 60 50 10:59 2
## # … with 5,246 more rows, and abbreviated variable names ¹FIN.de.PROCESO,
## # ²TIEMPO.CALIDADproducciontotal$Laminas.procesadas <- as.integer(producciontotal$Laminas.procesadas)
str(producciontotal) ## 'data.frame': 5256 obs. of 7 variables:
## $ Fecha : chr "15/07/22" "15/07/22" "15/07/22" "15/07/22" ...
## $ CLIENTE : chr "STABILUS 1" "STABILUS 1" "STABILUS 1" "STABILUS 1" ...
## $ PIEZAS.PROG. : int 20 10 21 10 20 20 10 12 32 50 ...
## $ TMO..MIN. : int 20 15 20 10 10 20 10 10 10 60 ...
## $ Laminas.procesadas: int 40 13 11 10 51 40 22 13 33 50 ...
## $ FIN.de.PROCESO : chr "10:04" "11:05" "9.57" "11:49" ...
## $ TIEMPO.CALIDAD : chr "1" "1" "1" "1" ...producciontotal$TIEMPO.CALIDAD <- substr(producciontotal$TIEMPO.CALIDAD, start = 1, stop = 2)
tibble (producciontotal)## # A tibble: 5,256 × 7
## Fecha CLIENTE PIEZAS.PROG. TMO..MIN. Laminas.procesadas FIN.d…¹ TIEMP…²
## <chr> <chr> <int> <int> <int> <chr> <chr>
## 1 15/07/22 STABILUS 1 20 20 40 10:04 1
## 2 15/07/22 STABILUS 1 10 15 13 11:05 1
## 3 15/07/22 STABILUS 1 21 20 11 9.57 1
## 4 15/07/22 STABILUS 1 10 10 10 11:49 1
## 5 15/07/22 YANFENG 20 10 51 12:31 1
## 6 15/07/22 TRMX 20 20 40 2:00 1
## 7 15/07/22 STABILUS 1 10 10 22 2.44 1
## 8 15/07/22 YANFENG 12 10 13 3:00 1
## 9 15/07/22 YANFENG 32 10 33 2:12 1
## 10 15/07/22 YANFENG 50 60 50 10:59 2
## # … with 5,246 more rows, and abbreviated variable names ¹FIN.de.PROCESO,
## # ²TIEMPO.CALIDADproducciontotal$TIEMPO.CALIDAD <- as.integer(producciontotal$TIEMPO.CALIDAD)
str(producciontotal) ## 'data.frame': 5256 obs. of 7 variables:
## $ Fecha : chr "15/07/22" "15/07/22" "15/07/22" "15/07/22" ...
## $ CLIENTE : chr "STABILUS 1" "STABILUS 1" "STABILUS 1" "STABILUS 1" ...
## $ PIEZAS.PROG. : int 20 10 21 10 20 20 10 12 32 50 ...
## $ TMO..MIN. : int 20 15 20 10 10 20 10 10 10 60 ...
## $ Laminas.procesadas: int 40 13 11 10 51 40 22 13 33 50 ...
## $ FIN.de.PROCESO : chr "10:04" "11:05" "9.57" "11:49" ...
## $ TIEMPO.CALIDAD : int 1 1 1 1 1 1 1 1 1 2 ...Convertir formato de la fecha
Esto para poder tener las interpretaciones y resultados esperados de la manera correcra.
producciontotal$Fecha <- as.Date(producciontotal$Fecha, format = "%d/%m/%Y")
tibble(producciontotal)## # A tibble: 5,256 × 7
## Fecha CLIENTE PIEZAS.PROG. TMO..MIN. Laminas.proces…¹ FIN.d…² TIEMP…³
## <date> <chr> <int> <int> <int> <chr> <int>
## 1 0022-07-15 STABILUS 1 20 20 40 10:04 1
## 2 0022-07-15 STABILUS 1 10 15 13 11:05 1
## 3 0022-07-15 STABILUS 1 21 20 11 9.57 1
## 4 0022-07-15 STABILUS 1 10 10 10 11:49 1
## 5 0022-07-15 YANFENG 20 10 51 12:31 1
## 6 0022-07-15 TRMX 20 20 40 2:00 1
## 7 0022-07-15 STABILUS 1 10 10 22 2.44 1
## 8 0022-07-15 YANFENG 12 10 13 3:00 1
## 9 0022-07-15 YANFENG 32 10 33 2:12 1
## 10 0022-07-15 YANFENG 50 60 50 10:59 2
## # … with 5,246 more rows, and abbreviated variable names ¹Laminas.procesadas,
## # ²FIN.de.PROCESO, ³TIEMPO.CALIDADConvertir variable “Cliente” para análisis descriptivo
producciontotal$CLIENTE<-as.factor(producciontotal$CLIENTE)
str(producciontotal)## 'data.frame': 5256 obs. of 7 variables:
## $ Fecha : Date, format: "0022-07-15" "0022-07-15" ...
## $ CLIENTE : Factor w/ 11 levels "DENSO","HANON SYSTEMS",..: 5 5 5 5 11 7 5 11 11 11 ...
## $ PIEZAS.PROG. : int 20 10 21 10 20 20 10 12 32 50 ...
## $ TMO..MIN. : int 20 15 20 10 10 20 10 10 10 60 ...
## $ Laminas.procesadas: int 40 13 11 10 51 40 22 13 33 50 ...
## $ FIN.de.PROCESO : chr "10:04" "11:05" "9.57" "11:49" ...
## $ TIEMPO.CALIDAD : int 1 1 1 1 1 1 1 1 1 2 ...Identificar valores faltantes
sum(is.na(producciontotal))## [1] 3928¿Cuántos NA tengo por variable?
sapply(producciontotal, function(x) sum (is.na(x)))## Fecha CLIENTE PIEZAS.PROG. TMO..MIN.
## 0 1 2 1489
## Laminas.procesadas FIN.de.PROCESO TIEMPO.CALIDAD
## 1101 0 1335Reemplazar NA
Se reemplazarón los registros NA de la tabla con la mediana
producciontotal<-producciontotal %>% mutate(PIEZAS.PROG.=ifelse(is.na(PIEZAS.PROG.),median(PIEZAS.PROG.,na.rm=T),PIEZAS.PROG.))
producciontotal<-producciontotal %>% mutate(TMO..MIN.=ifelse(is.na(TMO..MIN.),median(TMO..MIN.,na.rm=T),TMO..MIN.))
producciontotal<-producciontotal %>% mutate(laminas_procesadas=ifelse(is.na(Laminas.procesadas),median(Laminas.procesadas,na.rm=T),Laminas.procesadas))
producciontotal<-producciontotal %>% mutate(TIEMPO.CALIDAD=ifelse(is.na(TIEMPO.CALIDAD),median(TIEMPO.CALIDAD,na.rm=T),TIEMPO.CALIDAD))Verificar la suma de NAs
sum(is.na(producciontotal))## [1] 1102sapply(producciontotal, function(x) sum (is.na(x)))## Fecha CLIENTE PIEZAS.PROG. TMO..MIN.
## 0 1 0 0
## Laminas.procesadas FIN.de.PROCESO TIEMPO.CALIDAD laminas_procesadas
## 1101 0 0 0Omitir los valores irrelevantes identificados
producciontotal <- na.omit(producciontotal)
summary(producciontotal) ## Fecha CLIENTE PIEZAS.PROG. TMO..MIN.
## Min. :0022-07-15 STABILUS 1:1354 Min. : 1.00 Min. : 0.00
## 1st Qu.:0022-08-03 TRMX : 704 1st Qu.:14.00 1st Qu.:15.00
## Median :0022-08-19 STABILUS 3: 642 Median :20.00 Median :20.00
## Mean :0022-08-19 YANFENG : 506 Mean :27.83 Mean :22.01
## 3rd Qu.:0022-09-06 DENSO : 414 3rd Qu.:40.00 3rd Qu.:25.00
## Max. :0022-09-21 VARROC : 314 Max. :99.00 Max. :90.00
## (Other) : 220
## Laminas.procesadas FIN.de.PROCESO TIEMPO.CALIDAD laminas_procesadas
## Min. : 0.00 Length:4154 Min. : 0.0000 Min. : 0.00
## 1st Qu.: 0.00 Class :character 1st Qu.: 1.0000 1st Qu.: 0.00
## Median :20.00 Mode :character Median : 1.0000 Median :20.00
## Mean :21.98 Mean : 0.9215 Mean :21.98
## 3rd Qu.:34.00 3rd Qu.: 1.0000 3rd Qu.:34.00
## Max. :98.00 Max. :25.0000 Max. :98.00
## sum(is.na(producciontotal))## [1] 0summary (producciontotal)## Fecha CLIENTE PIEZAS.PROG. TMO..MIN.
## Min. :0022-07-15 STABILUS 1:1354 Min. : 1.00 Min. : 0.00
## 1st Qu.:0022-08-03 TRMX : 704 1st Qu.:14.00 1st Qu.:15.00
## Median :0022-08-19 STABILUS 3: 642 Median :20.00 Median :20.00
## Mean :0022-08-19 YANFENG : 506 Mean :27.83 Mean :22.01
## 3rd Qu.:0022-09-06 DENSO : 414 3rd Qu.:40.00 3rd Qu.:25.00
## Max. :0022-09-21 VARROC : 314 Max. :99.00 Max. :90.00
## (Other) : 220
## Laminas.procesadas FIN.de.PROCESO TIEMPO.CALIDAD laminas_procesadas
## Min. : 0.00 Length:4154 Min. : 0.0000 Min. : 0.00
## 1st Qu.: 0.00 Class :character 1st Qu.: 1.0000 1st Qu.: 0.00
## Median :20.00 Mode :character Median : 1.0000 Median :20.00
## Mean :21.98 Mean : 0.9215 Mean :21.98
## 3rd Qu.:34.00 3rd Qu.: 1.0000 3rd Qu.:34.00
## Max. :98.00 Max. :25.0000 Max. :98.00
## Visualización
¿Cuál es el cliente con mayor tiempo de calidad?
producciontotal2<-producciontotal %>% dplyr::select(CLIENTE,PIEZAS.PROG.,TIEMPO.CALIDAD) %>% group_by(CLIENTE) %>% arrange(desc(PIEZAS.PROG.))
summary(producciontotal2$CLIENTE)## DENSO HANON SYSTEMS HELLA
## 414 12 95
## MERIDIAN LIGHTWEIGHT STABILUS 1 STABILUS 3
## 105 1354 642
## TRMX VARROC VL-017-13939
## 704 314 4
## VL-017-14086 YANFENG
## 4 506producciontotal3<- producciontotal2[-c(10),]library (ggplot2)
ggplot(producciontotal3, aes(x=reorder(CLIENTE,PIEZAS.PROG.), y=PIEZAS.PROG., fill=(TIEMPO.CALIDAD))) +
geom_bar(stat="identity")+
coord_flip()+
guides(fill=guide_legend(reverse=FALSE))
Podemos ver que uno de los clientes con el que se producen mayor número de piezas programadas y que es en un lapzo de tiempo menor es STABILUS 1, seguido de YANFENG.
¿Cuál es el cliente que más piezas programadas tiene en la empresa?
producciontotal3 %>% select(CLIENTE,PIEZAS.PROG.) %>% group_by(CLIENTE) %>% summarise(PIEZAS.PROG.=sum(PIEZAS.PROG.)) %>% arrange(desc(PIEZAS.PROG.))## PIEZAS.PROG.
## 1 115525ggplot(producciontotal3, aes(x=reorder(CLIENTE,PIEZAS.PROG.), y=PIEZAS.PROG.)) +
geom_bar(stat="identity")+
coord_flip()
Se puede ver que el cliente que más piezas programadas tiene es YANFENG dedicandosele un tiempo de calidad de 1.1 minuto, mientras que el cliente VL-017-1486 es el cliente que tiene casi la mitad de piezas programadas y es al que más tiempo se le dedica tiempo.
Esto puede indicar que sus piezas pudieran ser de mucho márgen de error.
Delivery Plan
Importar base de datos
del_plan <- read.csv("/Users/joseramonvazquezguzman/Documents/Tecnológico de Monterrey/Septimo semestre/Analítica de datos /RETO/Bases de datos finales/DELIVERY PLAN/CLEANDBDeliveryPlan.csv")Tipos de Variables
Variable<-c("Cliente planta","Mes", "Unidades")
Type<-c("qualitative (nominal)", "qualitative (ordinal)", "quiantitative (discreta)")
table<-data.frame(Variable,Type)
knitr::kable(table)| Variable | Type |
|---|---|
| Cliente planta | qualitative (nominal) |
| Mes | qualitative (ordinal) |
| Unidades | quiantitative (discreta) |
Convertir meses en una columna
Para mejorar el manejo de las unidades de produccion mensuales ya que originalmente en la base de datos estas eran registradas diariamente.
del_plan<- clean_names(del_plan)
summary(del_plan$mes)## Length Class Mode
## 733 character characterdel_plan$mes<-recode_factor(del_plan$mes,jun_21="junio",jul_21="julio",ago_21="agosto",sep_21="septiembre",
oct_21="octubre",nov_21="noviembre",dic_21="diciembre",oct_22="octubre_22")
function(pivot_longer)
del_plan<-pivot_longer(del_plan, cols=5:16, names_to = "mes", values_to = "unidades")## function(pivot_longer)
## del_plan<-pivot_longer(del_plan, cols=5:16, names_to = "mes", values_to = "unidades")Eliminar columnas no necesarias
Eliminar columnas no necesarias como ID ODOO, Proyecto e ITEM que eran irrelebantes para el análisis.
Formato de las variables
str(del_plan)## 'data.frame': 733 obs. of 3 variables:
## $ cliente_planta: chr "STB3" "STB3" "STB3" "STB3" ...
## $ mes : Factor w/ 12 levels "junio","julio",..: 2 3 5 7 8 9 7 8 9 10 ...
## $ unidades : int 140 530 200 150 230 500 184 125 55 55 ...NA’s y valores atipicos
En la base de datos no se hay NA, solo eliminamos los registros que tienen 0 unidades programadas.
del_plan <- filter(del_plan, unidades>0)
sum(is.na(del_plan))## [1] 0Graficas
Tabla estadisticas
tabla_estadisticos <- describe(del_plan)
tabla_estadisticos## # A tibble: 1 × 26
## described_…¹ n na mean sd se_mean IQR skewn…² kurto…³ p00 p01
## <chr> <int> <int> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 unidades 733 0 406. 1337. 49.4 270 8.38 85.8 1 1
## # … with 15 more variables: p05 <dbl>, p10 <dbl>, p20 <dbl>, p25 <dbl>,
## # p30 <dbl>, p40 <dbl>, p50 <dbl>, p60 <dbl>, p70 <dbl>, p75 <dbl>,
## # p80 <dbl>, p90 <dbl>, p95 <dbl>, p99 <dbl>, p100 <dbl>, and abbreviated
## # variable names ¹described_variables, ²skewness, ³kurtosisAl realizar una tabla estadistica, R nos arroja diferentes metodos como la media, la mediana, la moda y la desviacion estandar que son importantes al momento de realizar este análisis.
Bar plots
str(del_plan)## 'data.frame': 733 obs. of 3 variables:
## $ cliente_planta: chr "STB3" "STB3" "STB3" "STB3" ...
## $ mes : Factor w/ 12 levels "junio","julio",..: 2 3 5 7 8 9 7 8 9 10 ...
## $ unidades : int 140 530 200 150 230 500 184 125 55 55 ...del_plan$cliente_planta<-as.factor(del_plan$cliente_planta)
del_plan$unidades<-as.numeric(del_plan$unidades)
del_plan2<-aggregate(unidades~cliente_planta, data = del_plan,sum)%>% arrange(desc(unidades))
del_plan3<-filter(del_plan2, unidades>4000)
ggplot(del_plan3, aes(x=reorder(cliente_planta,unidades), y=unidades)) +
geom_bar(stat="identity")+
coord_flip()
Se realizó un proceso en el cual primero se convirtieron las variables mediante las funciones as.factor y as.numeric para hacer los datos cualitativos / cuantitativos.
Se muestran valores mayores a 4000, lo cuál nos resultó en una gráfica donde se podían observar los Clientes con mayor número de unidades en orden descendiente.
Dispersion
del_plan2$unidades<-as.numeric(del_plan2$unidades)
ggplot(del_plan, aes(x=cliente_planta, y=unidades, fill=cliente_planta)) +
geom_boxplot() 
boxplot(del_plan3$cliente_planta,del_plan3$unidades)
class(del_plan2$unidades)## [1] "numeric"Hella es el cliente con mayor cantidad de unidades y además de eso cuenta con algunos outliers muy por encima de la median, seguido por TRMX el cual no cuenta con outliers.
Time series plot
del_plan4<-aggregate(unidades~cliente_planta+mes, data = del_plan,sum)%>% arrange(desc(unidades))
del_plan5<-filter(del_plan4, cliente_planta=="HELLA" & cliente_planta=="TRMX" & cliente_planta=="VARROC" & cliente_planta=="DENSO")
ggplot(del_plan,aes(x=mes, y=unidades,color=cliente_planta))+
geom_line()+
labs(x="Fecha",y="Delay in Minutes", color="Legend")+
ggtitle("Delays in Performance by Client")
Se observa en la segunda mitad del periodo anual que hay un incremento notorio, además de un decremento justo por finales del segundo semestre.
Merma
Importar base de datos
#file.choose()
bd <-read.csv("/Users/joseramonvazquezguzman/Documents/Tecnológico de Monterrey/Septimo semestre/Analítica de datos /RETO/Bases de datos finales/MERMA/FORM - Merma limpia2 (1).csv")En el caso de las variables cuantitativas, considerar la posibilidad de reemplazar la presencia de “missing values” con estadísticos descriptivos por ejemplo, media, mediana, moda.
Analizar base de datos
summary(bd)## Fecha ENERO KilosEnero Fecha1
## Length:10 Length:10 Min. :2680 Length:10
## Class :character Class :character 1st Qu.:2912 Class :character
## Mode :character Mode :character Median :3400 Mode :character
## Mean :3640
## 3rd Qu.:4128
## Max. :5080
## NA's :6
## FEBRERO KilosFebrero Fecha2 MARZO
## Length:10 Min. :3410 Length:10 Length:10
## Class :character 1st Qu.:3605 Class :character Class :character
## Mode :character Median :3760 Mode :character Mode :character
## Mean :3805
## 3rd Qu.:3915
## Max. :4380
## NA's :4
## KilosMarzo Fecha3 ABRIL KilosAbril
## Min. :2980 Length:10 Length:10 Min. :2950
## 1st Qu.:3420 Class :character Class :character 1st Qu.:3690
## Median :3905 Mode :character Mode :character Median :3940
## Mean :3745 Mean :3764
## 3rd Qu.:4142 3rd Qu.:4050
## Max. :4200 Max. :4190
## NA's :4 NA's :5
## Fecha4 MAYO KilosMayo Fecha5
## Length:10 Length:10 Min. :3680 Length:10
## Class :character Class :character 1st Qu.:4310 Class :character
## Mode :character Mode :character Median :4510 Mode :character
## Mean :4682
## 3rd Qu.:4770
## Max. :6140
## NA's :5
## JUNIO KilosJunio Fecha6 JULIO
## Length:10 Min. :4260 Length:10 Length:10
## Class :character 1st Qu.:4312 Class :character Class :character
## Mode :character Median :4505 Mode :character Mode :character
## Mean :4570
## 3rd Qu.:4762
## Max. :5010
## NA's :6
## KilosJulio Fecha7 AGOSTO KilosAgosto
## Min. :2130 Length:10 Length:10 Min. :1040
## 1st Qu.:3920 Class :character Class :character 1st Qu.:3140
## Median :3960 Mode :character Mode :character Median :3780
## Mean :3874 Mean :3567
## 3rd Qu.:4130 3rd Qu.:4210
## Max. :5230 Max. :5080
## NA's :5 NA's :1
## Fecha8 SEPTIEMBRE KilosSeptiembre
## Length:10 Length:10 Min. :2830
## Class :character Class :character 1st Qu.:2995
## Mode :character Mode :character Median :3394
## Mean :3396
## 3rd Qu.:3796
## Max. :3967
## NA's :6str(bd)## 'data.frame': 10 obs. of 27 variables:
## $ Fecha : chr "11/01/22" "11/01/22" "22/01/22" "22/01/22" ...
## $ ENERO : chr "Enero" "Enero" "Enero" "Enero" ...
## $ KilosEnero : int 5080 3810 2990 2680 NA NA NA NA NA NA
## $ Fecha1 : chr "18/02/22" "18/02/22" "18/02/22" "18/02/22" ...
## $ FEBRERO : chr "Febrero" "Febrero" "Febrero" "Febrero" ...
## $ KilosFebrero : int 3650 4380 3870 3590 3410 3930 NA NA NA NA
## $ Fecha2 : chr "03/03/22" "08/03/22" "11/03/22" "16/03/22" ...
## $ MARZO : chr "Marzo" "Marzo" "Marzo" "Marzo" ...
## $ KilosMarzo : int 4000 4190 2980 3290 4200 3810 NA NA NA NA
## $ Fecha3 : chr "04/04/22" "11/04/22" "14/04/22" "21/04/22" ...
## $ ABRIL : chr "Abril" "Abril" "Abril" "Abril" ...
## $ KilosAbril : int 3940 4190 2950 3690 4050 NA NA NA NA NA
## $ Fecha4 : chr "02/05/22" "09/05/22" "14/05/22" "24/05/22" ...
## $ MAYO : chr "Mayo" "Mayo" "Mayo" "Mayo" ...
## $ KilosMayo : int 4310 4770 3680 6140 4510 NA NA NA NA NA
## $ Fecha5 : chr "07/06/22" "15/06/22" "20/06/22" "27/06/22" ...
## $ JUNIO : chr "Junio" "Junio" "Junio" "Junio" ...
## $ KilosJunio : int 4680 4330 5010 4260 NA NA NA NA NA NA
## $ Fecha6 : chr "04/07/22" "11/07/22" "16/07/22" "21/07/22" ...
## $ JULIO : chr "Julio" "Julio" "Julio" "Julio" ...
## $ KilosJulio : int 5230 2130 4130 3920 3960 NA NA NA NA NA
## $ Fecha7 : chr "08/08/22" "10/08/22" "11/08/22" "13/08/22" ...
## $ AGOSTO : chr "Agosto" "Agosto" "Agosto" "Agosto" ...
## $ KilosAgosto : int 3140 4210 3140 3780 4240 4200 5080 1040 3270 NA
## $ Fecha8 : chr "05/09/22" "07/09/22" "15/09/22" "21/09/22" ...
## $ SEPTIEMBRE : chr "Septiembre" "Septiembre" "Septiembre" "Septiembre" ...
## $ KilosSeptiembre: int 3050 2830 3967 3739 NA NA NA NA NA NATipos de Variables
Variable<-c("Fecha","ENERO","KilosEnero","Fecha1","FEBRERO","KilosFebrero","Fecha2","MARZO","KilosMarzo","Fecha3","ABRIL","KilosAbril","Fecha4","MAYO","KilosMayo","Fecha5","JUNIO","KilosJunio","Fecha6","JULIO","KilosJulio","Fecha7","AGOSTO","KilosAgosto","Fecha8","SEPTIEMBRE","KilosSeptiembre")
Type<-c("qualitative (ordinal)", "qualitative (ordinal)", "quantitative (discrete)","qualitative (nominal)","qualitative (ordinal)","quantitative (discrete)","qualitative (nominal)","qualitative (ordinal)","quantitative (discrete)","qualitative (nominal)","qualitative (ordinal)","quantitative (discrete)","qualitative (nominal)","qualitative (ordinal)","quantitative (discrete)","qualitative (nominal)","qualitative (ordinal)","quantitative (discrete)","qualitative (nominal)","qualitative (ordinal)","quantitative (discrete)","qualitative (nominal)","qualitative (ordinal)","quantitative (discrete)","qualitative (nominal)","qualitative (ordinal)","quantitative (discrete)")
table<-data.frame(Variable,Type)
knitr::kable(table)| Variable | Type |
|---|---|
| Fecha | qualitative (ordinal) |
| ENERO | qualitative (ordinal) |
| KilosEnero | quantitative (discrete) |
| Fecha1 | qualitative (nominal) |
| FEBRERO | qualitative (ordinal) |
| KilosFebrero | quantitative (discrete) |
| Fecha2 | qualitative (nominal) |
| MARZO | qualitative (ordinal) |
| KilosMarzo | quantitative (discrete) |
| Fecha3 | qualitative (nominal) |
| ABRIL | qualitative (ordinal) |
| KilosAbril | quantitative (discrete) |
| Fecha4 | qualitative (nominal) |
| MAYO | qualitative (ordinal) |
| KilosMayo | quantitative (discrete) |
| Fecha5 | qualitative (nominal) |
| JUNIO | qualitative (ordinal) |
| KilosJunio | quantitative (discrete) |
| Fecha6 | qualitative (nominal) |
| JULIO | qualitative (ordinal) |
| KilosJulio | quantitative (discrete) |
| Fecha7 | qualitative (nominal) |
| AGOSTO | qualitative (ordinal) |
| KilosAgosto | quantitative (discrete) |
| Fecha8 | qualitative (nominal) |
| SEPTIEMBRE | qualitative (ordinal) |
| KilosSeptiembre | quantitative (discrete) |
Eliminar NA’s y sustituir con 0’s
sum(is.na(bd))## [1] 42bd[is.na(bd)]<-0Eliminar duplicados
bd[duplicated(bd), ]## [1] Fecha ENERO KilosEnero Fecha1
## [5] FEBRERO KilosFebrero Fecha2 MARZO
## [9] KilosMarzo Fecha3 ABRIL KilosAbril
## [13] Fecha4 MAYO KilosMayo Fecha5
## [17] JUNIO KilosJunio Fecha6 JULIO
## [21] KilosJulio Fecha7 AGOSTO KilosAgosto
## [25] Fecha8 SEPTIEMBRE KilosSeptiembre
## <0 rows> (or 0-length row.names)sum(duplicated(bd))## [1] 0Eliminar negativos con cero
bd1<-bd
bd1[bd1 <0] <-0
summary(bd1)## Fecha ENERO KilosEnero Fecha1
## Length:10 Length:10 Min. : 0 Length:10
## Class :character Class :character 1st Qu.: 0 Class :character
## Mode :character Mode :character Median : 0 Mode :character
## Mean :1456
## 3rd Qu.:2912
## Max. :5080
## FEBRERO KilosFebrero Fecha2 MARZO
## Length:10 Min. : 0 Length:10 Length:10
## Class :character 1st Qu.: 0 Class :character Class :character
## Mode :character Median :3500 Mode :character Mode :character
## Mean :2283
## 3rd Qu.:3815
## Max. :4380
## KilosMarzo Fecha3 ABRIL KilosAbril
## Min. : 0 Length:10 Length:10 Min. : 0
## 1st Qu.: 0 Class :character Class :character 1st Qu.: 0
## Median :3135 Mode :character Mode :character Median :1475
## Mean :2247 Mean :1882
## 3rd Qu.:3952 3rd Qu.:3878
## Max. :4200 Max. :4190
## Fecha4 MAYO KilosMayo Fecha5
## Length:10 Length:10 Min. : 0 Length:10
## Class :character Class :character 1st Qu.: 0 Class :character
## Mode :character Mode :character Median :1840 Mode :character
## Mean :2341
## 3rd Qu.:4460
## Max. :6140
## JUNIO KilosJunio Fecha6 JULIO
## Length:10 Min. : 0 Length:10 Length:10
## Class :character 1st Qu.: 0 Class :character Class :character
## Mode :character Median : 0 Mode :character Mode :character
## Mean :1828
## 3rd Qu.:4312
## Max. :5010
## KilosJulio Fecha7 AGOSTO KilosAgosto
## Min. : 0 Length:10 Length:10 Min. : 0
## 1st Qu.: 0 Class :character Class :character 1st Qu.:3140
## Median :1065 Mode :character Mode :character Median :3525
## Mean :1937 Mean :3210
## 3rd Qu.:3950 3rd Qu.:4208
## Max. :5230 Max. :5080
## Fecha8 SEPTIEMBRE KilosSeptiembre
## Length:10 Length:10 Min. : 0
## Class :character Class :character 1st Qu.: 0
## Mode :character Mode :character Median : 0
## Mean :1359
## 3rd Qu.:2995
## Max. :3967Análisis Profundo de la Base de datos
media_bd5 <- mean(bd$KilosMayo)
media_bd5## [1] 2341median_bd5 <- median(bd$KilosMayo)
median_bd5## [1] 1840mode_bd5 <- mode(bd$KilosMayo)
mode_bd5## [1] "numeric"media_bd8 <- mean(bd$KilosAgosto)
media_bd8## [1] 3210median_bd8 <- median(bd$KilosAgosto)
median_bd8## [1] 3525mode_bd8 <- mode(bd$KilosAgosto)
mode_bd8## [1] "numeric"Grafica Frecuencia (Fecha)
bd$Fecha7<- as.Date(bd$Fecha7,format = "%d/%m/%Y")
plot(bd$Fecha7, bd$KilosAgosto)
Se movieron alrededor de 3000 a 5000 mil kilos en el lapso de Agosto de este año.
Grafica de Mayo & Agosto (Mayor cantidad de merma y registros)
ggplot(bd, aes(x= Fecha4, y= KilosMayo)) + geom_bar(stat="identity", fill="blue") + scale_fill_grey() + labs(title = "Kilos de merma Agosto", x = "Fecha")
ggplot(bd, aes(x= Fecha7, y= KilosAgosto)) + geom_bar(stat="identity", fill="blue") + scale_fill_grey() + labs(title = "Kilos de merma Agosto", x = "Fecha")## Warning: Removed 1 rows containing missing values (position_stack).
Podemos ver como en Agosto se tuvo un promedio de merma por día sobrepasando los 3000 kilos, siendo esta gráfica relevante para poder identificar factores importantes y reducir estas cantidades aplicando KPI’s
Delivery Performance
Importar base de datos
#file.choose()
bd_totaldiferencias<-read.csv("/Users/joseramonvazquezguzman/Documents/Tecnológico de Monterrey/Septimo semestre/Analítica de datos /RETO/Bases de datos finales/DELIVERY PERFORMANCDE/FORM Delivery Performance Bd Clientes.csv")
bd_totalmes<-read.csv("/Users/joseramonvazquezguzman/Documents/Tecnológico de Monterrey/Septimo semestre/Analítica de datos /RETO/Bases de datos finales/DELIVERY PERFORMANCDE/DEL PERF TOTALES.csv")Entender la base de datos
summary (bd_totaldiferencias)## FECHA PRINTEL MAHLE MAGNA
## Length:997 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 :698 NA's :698 NA's :698
## VARROC X X.1 X.2 X.3
## Min. :0 Mode:logical Mode:logical Mode:logical Mode:logical
## 1st Qu.:0 NA's:997 NA's:997 NA's:997 NA's:997
## Median :0
## Mean :0
## 3rd Qu.:0
## Max. :0
## NA's :698
## X.4 X.5 X.6 X.7 X.8
## Mode:logical Mode:logical Mode:logical Mode:logical Mode:logical
## NA's:997 NA's:997 NA's:997 NA's:997 NA's:997
##
##
##
##
##
## X.9 X.10 X.11 X.12 X.13
## Mode:logical Mode:logical Mode:logical Mode:logical Mode:logical
## NA's:997 NA's:997 NA's:997 NA's:997 NA's:997
##
##
##
##
##
## X.14 X.15 X.16 X.17 X.18
## Mode:logical Mode:logical Mode:logical Mode:logical Mode:logical
## NA's:997 NA's:997 NA's:997 NA's:997 NA's:997
##
##
##
##
##
## X.19 X.20
## Mode:logical Mode:logical
## NA's:997 NA's:997
##
##
##
##
## summary(bd_totalmes)## FECHA PRINTEL MAHLE MAGNA VARROC
## Length:999 Min. : 0.00 Min. :15.70 Min. :0 Min. :0
## Class :character 1st Qu.: 0.00 1st Qu.:46.27 1st Qu.:0 1st Qu.:0
## Mode :character Median : 4.90 Median :60.10 Median :0 Median :0
## Mean :10.16 Mean :54.13 Mean :0 Mean :0
## 3rd Qu.:18.41 3rd Qu.:66.44 3rd Qu.:0 3rd Qu.:0
## Max. :31.21 Max. :71.25 Max. :0 Max. :0
## NA's :986 NA's :986 NA's :986 NA's :986Técnicas de Limpieza
BASE DE DATOS 1
Técnica 1. Remover columna irrelevante
Eliminar columnas: Se realizó esta técnica ya que al momento de entender la base de datos se identificaron columnas sin valor y sin relevancia relacionadas con lo que se quería interpretar y visualizar.
bd_totaldiferencias <- subset (bd_totaldiferencias,select = -c(X, X.1, X.2, X.3, X.4, X.5, X.6, X.7, X.8, X.9, X.10, X.11, X.12, X.13, X.14, X.15, X.16, X.17, X.18, X.19, X.20 ))
summary (bd_totaldiferencias)## FECHA PRINTEL MAHLE MAGNA
## Length:997 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 :698 NA's :698 NA's :698
## VARROC
## Min. :0
## 1st Qu.:0
## Median :0
## Mean :0
## 3rd Qu.:0
## Max. :0
## NA's :698### Técnica 2. Identificar NA's
sum(is.na(bd_totaldiferencias))## [1] 2792sapply(bd_totaldiferencias, function(x) sum (is.na(x)))## FECHA PRINTEL MAHLE MAGNA VARROC
## 0 698 698 698 698##*Eliminar filas las cuales no cuentan con valores*
bd_totaldiferencias<-bd_totaldiferencias[-c(300:997),]
### Técnica 3. Cambiar formatos
bd_totaldiferencias$PRINTEL<-as.integer(bd_totaldiferencias$PRINTEL)
bd_totaldiferencias$MAHLE<-as.integer(bd_totaldiferencias$MAHLE)
bd_totaldiferencias$MAGNA<-as.integer(bd_totaldiferencias$MAGNA)
bd_totaldiferencias$VARROC<-as.integer(bd_totaldiferencias$VARROC) BASE DE DATOS 2
Técnica 1. Eliminar NA’s
Eliminar filas las cuales no cuentan con valores
bd_totalmes<-bd_totalmes[-c(14:999),]
### Técnica 2. Cambiar formato
bd_totalmes$PRINTEL<-as.integer(bd_totalmes$PRINTEL)
bd_totalmes$MAHLE<-as.integer(bd_totalmes$MAHLE)
bd_totalmes$MAGNA<-as.integer(bd_totalmes$MAGNA)
bd_totalmes$VARROC<-as.integer(bd_totalmes$VARROC) Analizar base de datos
str (bd_totaldiferencias)## 'data.frame': 299 obs. of 5 variables:
## $ FECHA : chr "July 22 th " "July 25th " "July 26th " "July 27th " ...
## $ PRINTEL: int 0 1 1 0 0 1 1 1 0 1 ...
## $ MAHLE : int 2 2 2 2 2 2 2 3 3 3 ...
## $ MAGNA : int 0 0 0 0 0 0 0 0 0 0 ...
## $ VARROC : int 0 0 0 0 0 0 0 0 0 0 ...str (bd_totalmes)## 'data.frame': 13 obs. of 5 variables:
## $ FECHA : chr "jul-21" "ago-21" "sep-21" "oct-21" ...
## $ PRINTEL: int 4 27 8 0 10 18 28 31 0 0 ...
## $ MAHLE : int 15 67 56 67 60 46 66 71 63 50 ...
## $ MAGNA : int 0 0 0 0 0 0 0 0 0 0 ...
## $ VARROC : int 0 0 0 0 0 0 0 0 0 0 ...summary(bd_totaldiferencias)## FECHA PRINTEL MAHLE MAGNA VARROC
## Length:299 Min. :0.0000 Min. :-11.00 Min. :0 Min. :0
## Class :character 1st Qu.:0.0000 1st Qu.: 1.00 1st Qu.:0 1st Qu.:0
## Mode :character Median :0.0000 Median : 3.00 Median :0 Median :0
## Mean :0.3679 Mean : 2.11 Mean :0 Mean :0
## 3rd Qu.:1.0000 3rd Qu.: 3.00 3rd Qu.:0 3rd Qu.:0
## Max. :4.0000 Max. : 20.00 Max. :0 Max. :0summary(bd_totalmes)## FECHA PRINTEL MAHLE MAGNA VARROC
## Length:13 Min. : 0.000 Min. :15.00 Min. :0 Min. :0
## Class :character 1st Qu.: 0.000 1st Qu.:46.00 1st Qu.:0 1st Qu.:0
## Mode :character Median : 4.000 Median :60.00 Median :0 Median :0
## Mean : 9.769 Mean :53.62 Mean :0 Mean :0
## 3rd Qu.:18.000 3rd Qu.:66.00 3rd Qu.:0 3rd Qu.:0
## Max. :31.000 Max. :71.00 Max. :0 Max. :0La base de datos total diferenicas cuenta con 299 observaciones y 5 variables mientra que la base de datos total mensual cuenta con 13 observaciones y 5 variables.
Tipos de Variables Existentes
Variable<-c("FECHA")
Type<-c("Cualitativa (Ordinal)")
table<-data.frame(Variable,Type)
knitr::kable(table)| Variable | Type |
|---|---|
| FECHA | Cualitativa (Ordinal) |
Escala de medición
Variable<-c("PRINTEL", "MAHLE", "MAGNA", "VARROC")
Type<-c("Horas", "Horas", "Horas", "Horas")
table<-data.frame(Variable,Type)
knitr::kable(table)| Variable | Type |
|---|---|
| PRINTEL | Horas |
| MAHLE | Horas |
| MAGNA | Horas |
| VARROC | Horas |
Describir la base de datos
str(bd_totaldiferencias)## 'data.frame': 299 obs. of 5 variables:
## $ FECHA : chr "July 22 th " "July 25th " "July 26th " "July 27th " ...
## $ PRINTEL: int 0 1 1 0 0 1 1 1 0 1 ...
## $ MAHLE : int 2 2 2 2 2 2 2 3 3 3 ...
## $ MAGNA : int 0 0 0 0 0 0 0 0 0 0 ...
## $ VARROC : int 0 0 0 0 0 0 0 0 0 0 ...str(bd_totalmes)## 'data.frame': 13 obs. of 5 variables:
## $ FECHA : chr "jul-21" "ago-21" "sep-21" "oct-21" ...
## $ PRINTEL: int 4 27 8 0 10 18 28 31 0 0 ...
## $ MAHLE : int 15 67 56 67 60 46 66 71 63 50 ...
## $ MAGNA : int 0 0 0 0 0 0 0 0 0 0 ...
## $ VARROC : int 0 0 0 0 0 0 0 0 0 0 ...Análisis Profundo de la Base de datos
media_bd <- mean(bd_totaldiferencias$DIFERENCIA)## Warning in mean.default(bd_totaldiferencias$DIFERENCIA): argument is not numeric
## or logical: returning NAmedia_bd## [1] NAmedian_bd <- median(bd_totaldiferencias$DIFERENCIA)
median_bd## NULLmode <- function (x) {
ux <- unique(x)
ux [which.max(tabulate(match(x,ux)))]
}
mode_bd <- mode(bd_totaldiferencias$DIFERENCIA)
mode_bd## NULLhist(bd_totaldiferencias$MAHLE) 
hist(bd_totaldiferencias$PRINTEL)
Análisis Profundo de la Base de datos BDCLIENTES
media_bdclientes <- mean(bd_totalmes$PRINTEL)
media_bdclientes## [1] 9.769231median_bdclientes <- median(bd_totalmes$PRINTEL)
median_bdclientes## [1] 4mode_bdclientes <- mode(bd_totalmes$PRINTEL)
mode_bdclientes## [1] 0media_bdclientes <- mean(bd_totalmes$MAHLE)
media_bdclientes## [1] 53.61538median_bdclientes <- median(bd_totalmes$MAHLE)
median_bdclientes## [1] 60mode_bdclientes <- mode(bd_totalmes$MAHLE)
mode_bdclientes## [1] 67bdclientes3 <-bd_totalmes
bdclientes3 <- subset (bdclientes3, select = -c (MAGNA,VARROC))Histograma Printel
hist(bdclientes3$PRINTEL)
Histograma Mahle
hist(bdclientes3$MAHLE)
PERINTEL
En la clase de 0 a 5 se encuentra que se tuvo mayor frecuencia, siendo la clase que más se repite, esto quiere decir que… De los 12 meses, en 7 se tuvo una diferencia de tiempo de entre 0 y 5 minutos, siendo esta baja pero con un sesgo a la izquierda.
MAHLE
Este histograma tiene un sesgo hacia la derecha, se tiene una tendencia a tener un mayor retraso en la clase de 60 a 70 minutos aproximadamente con este cliente, esto en un aproximado de 6 meses de los 12 tomados en cuenta.
Gráfica PRINTEL
ggplot(bd_totalmes,aes(x=FECHA, y=PRINTEL,fill=PRINTEL))+
geom_bar(stat="identity")+
geom_hline(yintercept=33,linetype="dashed",color="black")+
labs(x="Fecha",y="Retraso en Minutos", color="Legend")+
ggtitle("Retraso en Desempeño de los Clientes")
Gráfica MAHLE
ggplot(bd_totalmes,aes(x=FECHA, y=MAHLE,fill=MAHLE))+
geom_bar(stat="identity")+
geom_hline(yintercept=33,linetype="dashed",color="black")+
labs(x="Fecha",y="Retraso en Minutos", color="Legend")+
ggtitle("Retraso en Desempeño de los Clientes")
Se puede concluir En estos dos gráfico se demuestra el retraso en desempeño de los clientes Mahle y Printel, también se observa la media siendo la línea horizontal de color negro.
Se pede concluir que Mahle es el cliente con mayor retraso sobre pasando los 60 minutos de retraso, mientras que Printel siempre se mantiene por debajo de los 30 minutos.
Scrap
Llamar a la base de datos
#file.choose()
bd <- read.csv("/Users/joseramonvazquezguzman/Documents/Tecnológico de Monterrey/Septimo semestre/Analítica de datos /RETO/Bases de datos (limpias) CSV /FORM - Scrap Limpia .csv")Cantidad de productos por día
bd$Fecha<- as.Date(bd$Fecha,format = "%d/%m/%Y")
plot(bd$Fecha, bd$Cantidad)
summary(bd)## Referencia Fecha Hora Producto
## Length:250 Min. :2022-08-01 Length:250 Length:250
## Class :character 1st Qu.:2022-08-11 Class :character Class :character
## Mode :character Median :2022-08-19 Mode :character Mode :character
## Mean :2022-08-17
## 3rd Qu.:2022-08-25
## Max. :2022-08-31
## Cantidad Unidad.de.medida Ubicación.de.origen Ubicación.de.desecho
## Min. : 0.000 Length:250 Length:250 Length:250
## 1st Qu.: 1.000 Class :character Class :character Class :character
## Median : 2.000 Mode :character Mode :character Mode :character
## Mean : 6.696
## 3rd Qu.: 7.000
## Max. :96.000
## Estado
## Length:250
## Class :character
## Mode :character
##
##
## Número de variables y registros en base de datos
describe(bd)## # A tibble: 1 × 26
## described_…¹ n na mean sd se_mean IQR skewn…² kurto…³ p00 p01
## <chr> <int> <int> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Cantidad 250 0 6.70 11.8 0.749 6 4.17 21.8 0 1
## # … with 15 more variables: p05 <dbl>, p10 <dbl>, p20 <dbl>, p25 <dbl>,
## # p30 <dbl>, p40 <dbl>, p50 <dbl>, p60 <dbl>, p70 <dbl>, p75 <dbl>,
## # p80 <dbl>, p90 <dbl>, p95 <dbl>, p99 <dbl>, p100 <dbl>, and abbreviated
## # variable names ¹described_variables, ²skewness, ³kurtosisstr(bd)## 'data.frame': 250 obs. of 9 variables:
## $ Referencia : chr "SP/08731" "SP/08730" "SP/08729" "SP/08728" ...
## $ Fecha : Date, format: "2022-08-31" "2022-08-31" ...
## $ Hora : chr "14:55:40" "14:49:25" "13:49:29" "09:30:07" ...
## $ Producto : chr "[BACKFRAME 60% CUELLO ARMADO] 18805. 60% Backframe. Cuello Armado." "[N61506747 CAJA] N61506747. Kit. Caja." "[N61506729 SEPARADOR] N61506729. Kit. Separador." "[341332 DIVISOR - U611 & U625] 341332. U611. U625. Divisor Troquelado." ...
## $ Cantidad : num 2 1 1 31 1 1 1 9 2 1 ...
## $ Unidad.de.medida : chr "Unidad(es)" "Unidad(es)" "Unidad(es)" "Unidad(es)" ...
## $ Ubicación.de.origen : chr "SAB/Calidad/Entrega de PT" "SAB/Calidad/Entrega de PT" "SAB/Calidad/Entrega de PT" "SAB/Pre-Production" ...
## $ Ubicación.de.desecho: chr "Virtual Locations/Scrapped" "Virtual Locations/Scrapped" "Virtual Locations/Scrapped" "Virtual Locations/Scrapped" ...
## $ Estado : chr "Hecho" "Hecho" "Hecho" "Hecho" ...tabyl(bd, Producto, Ubicación.de.origen)## Producto
## [2065WY AS 30 99 0000 00 000 TAPA - BOX 2064WY] BOX 2064WY
## [241B EXPORT CAJA] 241B. Export. Caja.
## [341332 CELDA - U611 & U625] 341332. U611. U625. Celda Troquelada.
## [341332 CHAROLA - U611 & U625] 341332. U611. U625. Charola Troquelada.
## [341332 DIVISOR - U611 & U625] 341332. U611. U625. Divisor Troquelado.
## [357790-TAPA] 357790. Tapa.
## [358268-CAJA] 358268-CAJA
## [358268-TAPA] 358268-TAPA
## [428579 AS 30 99 0000 00 000 INSERTO- FORD DAMPER] 14306. Damper Ford DTP. Inserto.
## [428818 AS 30 99 0000 00 000 INSERTO - CHRYSLER INSERT DJ] CHRYSLER INSERT DJ PART 694087
## [429296 AS 30 99 0000 00 000 INSERTO - INSERT TMC 150 TESLA] 14783. TMC150. Inserto.
## [446265 AS 30 99 0000 00 000 CAPA INTERMEDIA- PAD 43X36 DAIMLER] 14454. Daimler Pad 43 X 36
## [467.416-24 COMPARTIMENT INSERT 535X335X221MM CC ESD] Refacciones. P1. Celdado.
## [496455 FS 30 99 0000 00 000 CARTÓN - BOX 0371813] BOX 0371813
## [500033 AS 30 99 0000 00 000 INSERTO - Inserto FORD China 500033] 17397. 500033. FORD China. Inserto.
## [642762 PACKING, SHEET, 565.2X742.9 - INSERT 642762] 642762. Pad. S.M.
## [643920 CART, SOM, 746.8X569.0X292.1, RSC - BOX 643920 STABOMAT] 13891. 643920. Stabomat. Caja.
## [647713] 647713. Caja.
## [938830 FS 30 99 0000 00 000 CARTÓN - SIZE 24"] 24". Caja Terminada.
## [939069 FS 30 99 0000 00 000 CARTÓN -BOX 939069 34"] 34". Caja Terminada.
## [A - CELDA SUDAFRICA BMW G01 LCI] Sudafrica. A. Pieza.
## [B - CELDA SUDAFRICA BMW G01 LCI] Sudáfrica. B. Pieza.
## [BACKFRAME 60% CUELLO ARMADO] 18805. 60% Backframe. Cuello Armado.
## [BACKFRAME 60% TAPA BASE] 18271. 60% Backframe. Tapa Base.
## [BOX 143907 - CELDA] 143907. Solares. Celda Troquelada.
## [BOX 143907 - TAPA] 143907. Solares. Tapa Troquelada.
## [C - CELDA SUDAFRICA BMW G01 LCI] Sudáfrica. C. Pieza.
## [CAJA ( ARMREST / HR REAR) TMC 110 MODEL Y] 19148. Modelo Y. TMC0110. Armrest & Rear & Center. Caja
## [CAJA 695] N61506695. Caja.
## [CAJA 726] N61506726 CAJA
## [CAJA 734949] CAJA 734949
## [CAJA 784] 784. Kit. Caja.
## [CAJA 95161] 19079. 95161. Kit. Caja.
## [Caja backup canastilla gris] CAJA DE CARTÓN BACK UP CANASTILLA GRIS- P3
## [CAJA INDUSTRIAL 16" ROTATIVA] 16". Lamina Troquelada.
## [CAJA INDUSTRIAL 24" ROTATIVA COMPLETA] 24". Lamina Troquelada.
## [CAJA INDUSTRIAL 34" ROTATIVA] 34". Lamina Troquelada.
## [CAJA INDUSTRIAL 48" CON SELLO (PP)] 48". Lamina Troquelada.
## [CAJA MCV] Toyota. MCV. Caja Troquelada.
## [CAJA RSC DE KIT REFLEX] 857. Reflex. Caja.
## [CAJA RSC SHOCK TOWER] Shock Tower. Caja.
## [CAJA RSC TGTX] TGTX. Caja RSC.
## [CELDA 955061] 955061. Celda Troquelada.
## [Celda Audi coupe] 18892. Coupe. Celda Troquelada.
## [CELDA AUDI Q5] 14096. Audi Q5. Celda Troquelada.
## [CELDA CON MICRO CORUUGAD O EN 32 PORTA ETIQUETA] TR13777 KIT TGTX. Caja + Celda
## [CELDA GM177] 14100. GM177. Celda Troquelada.
## [CELDA VW CHATTANOOGA] Chattanooga. St3. Celda Troquelada.
## [CELL C] 60% Backframe. Separador con Doblez.
## [CHAROLA 955061] 955061. Charola Troquelada.
## [Charola audi coupe] 18890. Coupe. Charola Troquelada.
## [CHAROLA AUDI Q5] 14128. Audi Q5. Charola Troquelada.
## [CHAROLA GM177] 14131. GM177. Charola Troquelada.
## [CHAROLA VW CHATTANOOGA] Chattanooga. St1 y St3. Charola Troquelada.
## [Console cell] Console Lower. Celda Armada.
## [D - CELDA SUDAFRICA BMW G01 LCI] Sudáfrica. D. Pieza.
## [DIVISOR AUDI Q5] 14234. Audi Q5. Divisor Troquelado.
## [DIVISOR CON DOBLEZ VW CHATTANOOGA] Chattanooga. St1 y St3. Divisor Troquelado.
## [DIVISOR GM177] 14238. GM177. Divisor.
## [DIVISOR REFLEX] 857. Reflex. Divisor.
## [DIVISOR ZIGZAG VW CHATTANOOGA] Chattanooga. St1 y St3. Zig Zag Troquelado.
## [E - CELDA SUDAFRICA BMW G01 LCI] Sudáfrica. E. Pieza.
## [F - CELDA SUDAFRICA BMW G01 LCI] Sudáfrica. F. Pieza.
## [HSC P702 ICP] 17215. P558. P702. CD539. ICP. Caja HSC. Pieza.
## [INSERTO 241B EXPORT] 14308. 241B. Export. Inserto.
## [Inserto Nextracker 3.0] Nextracker. 2.0. Damper. Inserto.
## [INSERTO SOLARES] 143907. Solares. Inserto Troquelada.
## [MITAD DE CUELLO SHOCK TOWER] Shock Tower. Mitad Cuello.
## [MQ4A-Dunnage-part2] Kia. Inserto. Pieza.
## [MQ4A-Dunnage-tray] Kia. Charola. Pieza.
## [N61506396 CAJA] N61506396. Caja.
## [N61506396 SEPARADOR] N61506396. Separador.
## [N61506729 SEPARADOR] N61506729. Kit. Separador.
## [N61506747 CAJA] N61506747. Kit. Caja.
## [N61506747 TAPA] N61506747. Kit. Tapa.
## [NEXTRACKER 2.0 DAMPER CUELLO] 18976. Nextracker. 2.0. Damper. Cuello,
## [NEXTRACKER 2.0 DAMPER TAPA DE COROPLAST] Nextracker. 2.0. Damper. Tapa de Coroplast.
## [PTN.WS IP 60 CELL IBT] Y0199489 PTN.WS IP 60 CELL IBT
## [REJILLA DE 16X PARA PIVOT DE TESLA PARA PROCESO DE MTM A PPG] CELDA PIVOTE CONTENEDOR RETORNABLE
## [SEAT BACK CAJA] Seat Back. Caja HSC 1/2
## [SEAT BACK CELDADO] Seat Back. Celda Armada.
## [SEPARADOR 41" X 44" PARA PIVOTE Y SEAT BACK DE MTM A PPG] SEPARADOR PIVOTE CONTENEDOR RETORNABLE
## [SEPARADOR MOTORGEAR] Motorgear. Separador para Celdas.
## [TAPA 695] N61506695. Tapa.
## [TAPA AVANAZAR] Avanzar. Tapa. Pieza.
## [TESLA XDA90 CELDA A] XDA90. A. Pieza.
## [TESLA XDA90 CELDA B] XDA90. B. Pieza.
## [TESLA XDA90 CHAROLA SUAJADA] XDA90. Charola. Pieza.
## [TMC 050 - RSC] Console lower - TMC 050
## [TMC 095] 19162. Modelo Y. TMC095. Front. Caja.
## [TMC XXX] Armrest. Caja RSC.
## [TR11910 CHAROLA C/2 DIV #20 SMOOTH C/32 CAVIDADES] TR11910. U725. DMS. ITB. Charola con ITB.
## [TR12438 TAPA ICP 539 TAPA 2415-2 EN CPARTÓN SENCILLO CORRUGADO] 18840. CD539. Tapa.
## [TR12440 TAPA P558] 18842. P558. Tapa.
## [TR13776 CAJA RSC CK 44 ECT C/ PORTA ETIQUETA] TR13776. Caja con Porta Etiqueta.
## SAB/Calidad/Entrega de PT SAB/Post-Production SAB/Pre-Production
## 1 0 1
## 1 0 0
## 0 0 10
## 0 0 5
## 0 0 5
## 2 0 1
## 2 0 0
## 2 0 0
## 1 0 0
## 1 0 2
## 1 0 0
## 2 0 0
## 1 0 0
## 0 1 0
## 1 0 0
## 3 0 0
## 1 0 1
## 1 0 2
## 1 0 0
## 1 0 0
## 0 0 3
## 0 0 3
## 1 0 0
## 1 0 0
## 0 0 3
## 0 0 1
## 0 0 3
## 0 0 1
## 0 1 0
## 0 1 0
## 0 0 1
## 0 2 0
## 0 0 1
## 0 1 0
## 0 0 12
## 0 0 3
## 0 0 11
## 0 0 7
## 0 0 2
## 0 1 0
## 2 0 0
## 0 0 1
## 0 0 6
## 0 0 3
## 0 0 10
## 1 0 0
## 0 0 9
## 0 0 1
## 1 0 0
## 0 0 5
## 0 0 2
## 0 0 5
## 0 0 5
## 0 0 5
## 2 0 0
## 0 0 3
## 0 0 4
## 0 0 4
## 0 0 5
## 0 1 0
## 0 0 4
## 0 0 2
## 0 0 3
## 0 0 4
## 2 0 0
## 3 0 1
## 0 0 1
## 0 0 1
## 0 0 3
## 0 0 3
## 1 1 0
## 0 1 0
## 1 0 0
## 3 0 0
## 2 0 0
## 2 0 0
## 2 0 0
## 1 0 0
## 1 0 0
## 2 0 0
## 1 0 0
## 1 0 0
## 1 0 0
## 0 1 0
## 0 0 2
## 0 0 3
## 0 0 1
## 0 0 2
## 0 0 1
## 1 0 1
## 0 0 1
## 3 0 0
## 0 1 0
## 1 0 0
## 0 1 0Tipos de Variables Existentes
variable<-c("Referencia","Fecha", "Hora", "Producto", "Cantidad", "Unidad.de.medida", "Ubicación.de.origen", "Ubicación.de.desecho")
type<-c("Cualitativo (nominal)","Cualitativo (nominal)", "Cuantitativo (discreta)", "Cualitativo (nominal)","Cuantitativo (Continua)", "Cualitativo (nominal)", "Cualitativo (nominal)","Cualitativo (nominal)")
table<-data.frame(variable,type)
knitr::kable(table)| variable | type |
|---|---|
| Referencia | Cualitativo (nominal) |
| Fecha | Cualitativo (nominal) |
| Hora | Cuantitativo (discreta) |
| Producto | Cualitativo (nominal) |
| Cantidad | Cuantitativo (Continua) |
| Unidad.de.medida | Cualitativo (nominal) |
| Ubicación.de.origen | Cualitativo (nominal) |
| Ubicación.de.desecho | Cualitativo (nominal) |
Limpieza Base de datos
La base de datos contaba con algunas variables que no eran tan relevantes para analizar la base de scrap y se decidió eliminarlas para contar con menos variables y así poder realizar un mejor análisis.
sum(is.na(bd))## [1] 0sapply(bd, function(x) sum(is.na(x)))## Referencia Fecha Hora
## 0 0 0
## Producto Cantidad Unidad.de.medida
## 0 0 0
## Ubicación.de.origen Ubicación.de.desecho Estado
## 0 0 0bd2 <- bd
bd2 <- subset (bd2, select = -c (Hora))
bd2 <- subset (bd2, select = -c (Producto))
bd2 <- subset (bd2, select = -c (Ubicación.de.desecho))
bd2 <- subset (bd2, select = -c (Unidad.de.medida ))
bd2 <- subset (bd2, select = -c (Referencia ))
bd2 <- subset (bd2, select = -c (Estado ))
summary(bd2)## Fecha Cantidad Ubicación.de.origen
## Min. :2022-08-01 Min. : 0.000 Length:250
## 1st Qu.:2022-08-11 1st Qu.: 1.000 Class :character
## Median :2022-08-19 Median : 2.000 Mode :character
## Mean :2022-08-17 Mean : 6.696
## 3rd Qu.:2022-08-25 3rd Qu.: 7.000
## Max. :2022-08-31 Max. :96.000#seleccionar columnas / variables.
#scrap2<-scrap %>% select(one_of('Fecha','Cantidad','Ubicación.de.origen'))Renombrar las columnas /variables seleccionadas.
colnames(bd2) <-c ('Fecha','Cant.','Origen')
summary(bd2)## Fecha Cant. Origen
## Min. :2022-08-01 Min. : 0.000 Length:250
## 1st Qu.:2022-08-11 1st Qu.: 1.000 Class :character
## Median :2022-08-19 Median : 2.000 Mode :character
## Mean :2022-08-17 Mean : 6.696
## 3rd Qu.:2022-08-25 3rd Qu.: 7.000
## Max. :2022-08-31 Max. :96.000Análisis Estadístico
Tabla de Media, Moda y Mediana
summary(bd2)## Fecha Cant. Origen
## Min. :2022-08-01 Min. : 0.000 Length:250
## 1st Qu.:2022-08-11 1st Qu.: 1.000 Class :character
## Median :2022-08-19 Median : 2.000 Mode :character
## Mean :2022-08-17 Mean : 6.696
## 3rd Qu.:2022-08-25 3rd Qu.: 7.000
## Max. :2022-08-31 Max. :96.000sd(bd2$Cant., na.rm= TRUE)## [1] 11.84885hist(bd2$Cant.)
Gráfica de Relacion de SAB
ggplot(bd2, aes(x=Fecha, y= Origen)) +
geom_bar(stat="identity", fill="orange") + scale_fill_grey() + # Add bars to the plot
labs(title = "Relación SAB", # Add a title
subtitle = "Scrap empresa FORM", # Add a subtitle
caption = "Relación", # Add a caption
x = "x")
Gráfica Scrap por origen
ggplot(bd2,aes(x=Cant.))+
geom_line(aes(y=Origen),color="orange")+
labs(x="Cant",y="Origen", color="Legend")+
ggtitle("Mayores catidades de Scrap por origen")
Gráfica Cualitativa
pie(table(bd2$Origen))
Gráfica Cuantitativa
barplot(table(bd2$Cant.,bd2$Origen), col="orange", main = "Kilos de Scrap", xlab = "Origen", ylab = "Kilos" )
Aquí podemos observar como la mayor cantidad de scrap es generada en el área de SAB / Pre producción de la empresa, concluyendo que se tienen que tomar medidas para poder reducir estas cantidades lo máximo posible quizá usando el material de manera optima para evitar tanto Scrap.
Tabla de frecuencia por distribución de origen
#install.packages('epiDisplay')
library(epiDisplay)## Loading required package: MASS##
## Attaching package: 'MASS'## The following object is masked from 'package:olsrr':
##
## cement## The following object is masked from 'package:dplyr':
##
## select## Loading required package: nnet##
## Attaching package: 'epiDisplay'## The following object is masked from 'package:lmtest':
##
## lrtest## The following object is masked from 'package:jtools':
##
## summ## The following objects are masked from 'package:psych':
##
## alpha, cs, lookup## The following object is masked from 'package:lattice':
##
## dotplot## The following object is masked from 'package:ggplot2':
##
## alphatab1(bd2$Origen, sort.group = "decreasing", cum.percent = TRUE)
## bd2$Origen :
## Frequency Percent Cum. percent
## SAB/Pre-Production 179 71.6 71.6
## SAB/Calidad/Entrega de PT 58 23.2 94.8
## SAB/Post-Production 13 5.2 100.0
## Total 250 100.0 100.0Se puede concluir de estos gráficos que se tiene mucho scrap en la empresa principalmente en la etapa de pre-producción, aquí lo que se recomienda es medier exactamente la cantidad que se requiere de material para poder evitar tener esos desperdicios. Analizando estas variables se confirma que en el área de pre-producción es donde se genera la mayor parte del scrap en su mayoría que es casi el 85% de scrap que se genera dentro de la empresa.
Sección 2.2
Modélo Predictivo
Importar la base de datos
externa<- read.csv("/Users/joseramonvazquezguzman/Documents/Tecnológico de Monterrey/Septimo semestre/Analítica de datos /RETO/Bases de datos finales/Base externa /us_motor_production_and_domestic_sales.csv")
summary(externa)## Year Total_Production Production_Passenger_Cars
## Min. :2007 Min. : 5710 Min. :1924
## 1st Qu.:2010 1st Qu.: 8709 1st Qu.:2745
## Median :2014 Median :10823 Median :3382
## Mean :2014 Mean :10077 Mean :3326
## 3rd Qu.:2017 3rd Qu.:11268 3rd Qu.:4061
## Max. :2020 Max. :12179 Max. :4369
## NA's :8 NA's :8 NA's :8
## Production_Commercial_Vehicles Domestic_Sales Sales_Passenger_Cars
## Min. :3514 Min. : 7868 Min. :2560
## 1st Qu.:5820 1st Qu.:10474 1st Qu.:3865
## Median :6891 Median :12583 Median :4542
## Mean :6751 Mean :11996 Mean :4491
## 3rd Qu.:8095 3rd Qu.:13669 3rd Qu.:5184
## Max. :8512 Max. :14128 Max. :5610
## NA's :8 NA's :8 NA's :8
## Sales_Commercial_Vehicles US_Unemployment US_Consumer_Confidence
## Min. : 4309 Min. :3.680 Min. :63.75
## 1st Qu.: 6088 1st Qu.:4.685 1st Qu.:73.02
## Median : 7634 Median :5.980 Median :82.83
## Mean : 7505 Mean :6.430 Mean :82.29
## 3rd Qu.: 8964 3rd Qu.:8.088 3rd Qu.:92.67
## Max. :10133 Max. :9.610 Max. :98.37
## NA's :8 NA's :8 NA's :8
## US_Min_Hour_Wage
## Min. :5.500
## 1st Qu.:7.250
## Median :7.250
## Mean :7.025
## 3rd Qu.:7.250
## Max. :7.250
## NA's :8Realizar regresión 1
regresion <- lm(Production_Commercial_Vehicles ~ US_Unemployment + US_Consumer_Confidence + US_Min_Hour_Wage , data=externa)
summary(regresion)##
## Call:
## lm(formula = Production_Commercial_Vehicles ~ US_Unemployment +
## US_Consumer_Confidence + US_Min_Hour_Wage, data = externa)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1198.1 -257.4 109.0 286.7 623.0
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -2217.25 2387.79 -0.929 0.3750
## US_Unemployment -226.91 159.03 -1.427 0.1841
## US_Consumer_Confidence 82.82 28.06 2.952 0.0145 *
## US_Min_Hour_Wage 514.11 387.30 1.327 0.2139
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 525.3 on 10 degrees of freedom
## (8 observations deleted due to missingness)
## Multiple R-squared: 0.9082, Adjusted R-squared: 0.8807
## F-statistic: 32.99 on 3 and 10 DF, p-value: 1.692e-05Analizar el comportamiento de las variables independientes en la regresión
effect_plot(regresion,pred=US_Consumer_Confidence,interval=TRUE)
effect_plot(regresion,pred=US_Unemployment,interval=TRUE)
effect_plot(regresion,pred=US_Min_Hour_Wage,interval=TRUE)
Al ser la Producción de Autos Comerciales la variable dependiente, observamos como el salario, la confianza del consumidor y el desempleo generan cambios en ella. Podemos ver que el que mayor impacto que tiene es la confianza del consumidor. También podemos ver su comportamiento en la gráfica como si la producción sube, igualmente la confianza del consumidor.
Realizar regresión 2
regresion2 <- lm(Production_Passenger_Cars ~ US_Unemployment + US_Consumer_Confidence + US_Min_Hour_Wage , data=externa)
summary(regresion2)##
## Call:
## lm(formula = Production_Passenger_Cars ~ US_Unemployment + US_Consumer_Confidence +
## US_Min_Hour_Wage, data = externa)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1096.8 -600.5 -162.9 763.0 1154.1
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 6399.886 4071.397 1.572 0.147
## US_Unemployment -194.101 271.160 -0.716 0.490
## US_Consumer_Confidence -22.272 47.840 -0.466 0.652
## US_Min_Hour_Wage 1.058 660.387 0.002 0.999
##
## Residual standard error: 895.7 on 10 degrees of freedom
## (8 observations deleted due to missingness)
## Multiple R-squared: 0.09057, Adjusted R-squared: -0.1823
## F-statistic: 0.3319 on 3 and 10 DF, p-value: 0.8026Analizar el comportamiento de las variables independientes en la regresión
effect_plot(regresion2,pred=US_Consumer_Confidence,interval=TRUE)
effect_plot(regresion2,pred=US_Unemployment,interval=TRUE)
effect_plot(regresion2,pred=US_Min_Hour_Wage,interval=TRUE)
La producción de autos de pasajero tiene estimados negativos en las variables independientes del desempleo y confianza del consumidor, por esta razón su comportamiento en las gráficas a pesar de que exista una producción alta su tendencia va para abajo.
Pronóstico
Pronóstico MEX
#file.choose("/Users/mac/Downloads/mexico externa.csv")
Mexico<- read_csv("/Users/joseramonvazquezguzman/Documents/Tecnológico de Monterrey/Septimo semestre/Analítica de datos /RETO/Bases de datos finales/Base externa /mexico externa.csv")## Rows: 7 Columns: 8
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## dbl (8): Fecha, Conf_Consumidor, tasa_inflación, % Pob Desocu, % Pob Ocu, Ve...
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.Llamar Librerias
library(forecast)## Registered S3 method overwritten by 'quantmod':
## method from
## as.zoo.data.frame zoo## Registered S3 methods overwritten by 'forecast':
## method from
## autoplot.Arima ggfortify
## autoplot.acf ggfortify
## autoplot.ar ggfortify
## autoplot.bats ggfortify
## autoplot.decomposed.ts ggfortify
## autoplot.ets ggfortify
## autoplot.forecast ggfortify
## autoplot.stl ggfortify
## autoplot.ts ggfortify
## fitted.ar ggfortify
## fortify.ts ggfortify
## residuals.ar ggfortifyCrear serie de tiempo
Mexico <- c(3399076,3465615,3933154,3918603,3811068,3040178,3028481)
produccion_st <- ts(data = Mexico, start = c(2015,1), frequency = 1)
produccion_st## Time Series:
## Start = 2015
## End = 2021
## Frequency = 1
## [1] 3399076 3465615 3933154 3918603 3811068 3040178 3028481Graficar Pronostico
modelo <- auto.arima(produccion_st)
modelo## Series: produccion_st
## ARIMA(0,0,0) with non-zero mean
##
## Coefficients:
## mean
## 3513739.3
## s.e. 135784.5
##
## sigma^2 = 1.506e+11: log likelihood = -99.47
## AIC=202.95 AICc=205.95 BIC=202.84pronostico <- forecast(modelo, level=c(95), h=3)
pronostico## Point Forecast Lo 95 Hi 95
## 2022 3513739 2753205 4274274
## 2023 3513739 2753205 4274274
## 2024 3513739 2753205 4274274plot(pronostico)
Aquí podemos observar que para los próximos tres años tenemos un aumento en la prdoducción de autos dentro del país, ésta tuvo un decremento por causa de la pandemia en los tres años pasados pero se pronostica que esta aumente.
Pronóstico EUA TOTAL PRODUCTION
#file.choose("/Users/mac/Downloads/us_motor_production_and_domestic_sales (2).csv")
EUA<- read_csv("/Users/joseramonvazquezguzman/Documents/Tecnológico de Monterrey/Septimo semestre/Analítica de datos /RETO/Bases de datos finales/Base externa /us_motor_production_and_domestic_sales.csv")## Rows: 22 Columns: 10
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## dbl (10): Year, Total_Production, Production_Passenger_Cars, Production_Comm...
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.Llamar Librerias
library(forecast)Crear serie de tiempo
EUA <- c(10752,8672,5710,7744,8662,10336,11067,11611,12106,12179,11179,11297,10893,8821)
produccion_st1 <- ts(data = EUA, start = c(2007,1), frequency = 1)
produccion_st1## Time Series:
## Start = 2007
## End = 2020
## Frequency = 1
## [1] 10752 8672 5710 7744 8662 10336 11067 11611 12106 12179 11179 11297
## [13] 10893 8821Graficar Pronostico
modelo1 <- auto.arima(produccion_st1)
modelo1## Series: produccion_st1
## ARIMA(0,1,0)
##
## sigma^2 = 2110238: log likelihood = -113.1
## AIC=228.2 AICc=228.57 BIC=228.77pronostico1 <- forecast(modelo1, level=c(95), h=3)
pronostico1## Point Forecast Lo 95 Hi 95
## 2021 8821 5973.827 11668.17
## 2022 8821 4794.490 12847.51
## 2023 8821 3889.553 13752.45plot(pronostico1)
En cuanto a la producción total de autos en Estados Unidos podemos obsevar que del 2010 al 2019 tuvieron un aumento significativo en su producción, y para 2020 tuvo una caída a causa de la pandemia, se pronostica que para 2023 esta producción siga baja pero que después esta ya empiece a aumnetar.
Pronóstico EUA DOMESTIC SALES
#file.choose("/Users/mac/Downloads/us_motor_production_and_domestic_sales (2).csv")
EUA1<- read_csv("/Users/joseramonvazquezguzman/Documents/Tecnológico de Monterrey/Septimo semestre/Analítica de datos /RETO/Bases de datos finales/Base externa /us_motor_production_and_domestic_sales.csv")## Rows: 22 Columns: 10
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## dbl (10): Year, Total_Production, Production_Passenger_Cars, Production_Comm...
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.Llamar Librerias
library(forecast)Crear serie de tiempo
EUA1 <- c(12687,10108,7868,9020,10109,11582,12479,13389,14128,13969,13644,13711,13677,11571)
produccion_st2 <- ts(data = EUA1, start = c(2007,1), frequency = 1)
produccion_st2## Time Series:
## Start = 2007
## End = 2020
## Frequency = 1
## [1] 12687 10108 7868 9020 10109 11582 12479 13389 14128 13969 13644 13711
## [13] 13677 11571Graficar Pronostico
modelo2 <- auto.arima(produccion_st2)
modelo2## Series: produccion_st2
## ARIMA(0,1,0)
##
## sigma^2 = 1777106: log likelihood = -111.98
## AIC=225.97 AICc=226.33 BIC=226.53pronostico2 <- forecast(modelo2, level=c(95), h=3)
pronostico2## Point Forecast Lo 95 Hi 95
## 2021 11571 8958.209 14183.79
## 2022 11571 7875.955 15266.04
## 2023 11571 7045.513 16096.49plot(pronostico2)
Pronóstico MERMA
Sumar el Total de KilosxMes
sum(bd$KilosEnero)## [1] 0sum(bd$KilosFebrero)## [1] 0sum(bd$KilosMarzo)## [1] 0sum(bd$KilosAbril)## [1] 0sum(bd$KilosMayo)## [1] 0sum(bd$KilosJunio)## [1] 0sum(bd$KilosJulio)## [1] 0sum(bd$KilosAgosto)## [1] 0sum(bd$KilosSeptiembre)## [1] 0Crear serie de tiempo
merma <- c(14560,22830,22470,18820,23410,18280,19370,32100,13586)
produccion_st <- ts(data = merma, start = c(2022,1), frequency = 12)
produccion_st## Jan Feb Mar Apr May Jun Jul Aug Sep
## 2022 14560 22830 22470 18820 23410 18280 19370 32100 13586Graficar Pronostico
library(forecast)
modelo <- auto.arima(produccion_st)
modelo## Series: produccion_st
## ARIMA(0,0,0) with non-zero mean
##
## Coefficients:
## mean
## 20602.889
## s.e. 1736.893
##
## sigma^2 = 30544665: log likelihood = -89.8
## AIC=183.59 AICc=185.59 BIC=183.99pronostico <- forecast(modelo, level=c(95), h=3)
pronostico## Point Forecast Lo 95 Hi 95
## Oct 2022 20602.89 9770.711 31435.07
## Nov 2022 20602.89 9770.711 31435.07
## Dec 2022 20602.89 9770.711 31435.07plot(pronostico)
Se pronostica que en octubre la merma acumulada se mantenga en alrededor 2000 kilos aproximadamente, siendo más bajo que meses anteriores. Por lo que se propone reducir la merma todavía un 15 % más o 20% para reducirla a 1500 kilos para próximo mes.
Sección 3
K-means Clusters
Definición de conceptos
Conceptos que contribuyen a la identificación de clusters usando analítica de datos.
I. K- Means Clustering
K- means clustering tiene como objetivo agrupar datos con
características similares en el mismo cluster. Uno de los beneficios más
grandes de la herramienta es que se pueden resumir datos de gran
dimensión.
II. Unsupervised Learning
No se asignan etiquetas al algoritmo de aprendizaje, dejándolo solo para
encontrar la estructura en su entrada. El aprendizaje no supervisado
puede ser un fin en sí mismo (descubrir patrones ocultos en los datos) o
un medio para un fin (aprendizaje de funciones).
III. Eucliedean Distance
La distancia Euclidiana es el cálculo de distancia comúnmente utilizado
para medir la distancia entre dos puntos de datos.
Cluster edad y salario diario
Leer la base de datos
bajasdata <-read.csv("/Users/joseramonvazquezguzman/Documents/Tecnológico de Monterrey/Septimo semestre/Analítica de datos /RETO/Bases de datos finales/RH/RHBAJASLIMPIA1.csv")
summary(bajasdata)## Nom Edad Gen Fecha_alta
## Length:237 Min. : 0.00 Length:237 Length:237
## Class :character 1st Qu.:23.00 Class :character Class :character
## Mode :character Median :29.00 Mode :character Mode :character
## Mean :30.52
## 3rd Qu.:37.00
## Max. :61.00
## MB Días_trab Baja PuestDes
## Length:237 Min. : 0.00 Length:237 Length:237
## Class :character 1st Qu.: 9.00 Class :character Class :character
## Mode :character Median : 21.00 Mode :character Mode :character
## Mean : 83.42
## 3rd Qu.: 49.00
## Max. :1966.00
## Sal_IMSS Col Mun Estado
## Min. :144.4 Length:237 Length:237 Length:237
## 1st Qu.:180.7 Class :character Class :character Class :character
## Median :180.7 Mode :character Mode :character Mode :character
## Mean :178.6
## 3rd Qu.:180.7
## Max. :500.0
## EstCiv
## Length:237
## Class :character
## Mode :character
##
##
## Limpieza. Seleccionar variables relevantes
bajasdata1<-bajasdata
bajasdata1<-subset(bajasdata,select = -c(Gen,Fecha_alta,MB,PuestDes,Estado,Nom,Col,Mun,Baja, EstCiv, Días_trab))
summary(bajasdata1)## Edad Sal_IMSS
## Min. : 0.00 Min. :144.4
## 1st Qu.:23.00 1st Qu.:180.7
## Median :29.00 Median :180.7
## Mean :30.52 Mean :178.6
## 3rd Qu.:37.00 3rd Qu.:180.7
## Max. :61.00 Max. :500.0Limpieza. Eliminar edad 0
bajasdata2 <- bajasdata1
bajasdata2 <- bajasdata2 [bajasdata2$Edad> min(1), ]
summary(bajasdata2)## Edad Sal_IMSS
## Min. :18.00 Min. :144.4
## 1st Qu.:23.00 1st Qu.:180.7
## Median :29.00 Median :180.7
## Mean :30.78 Mean :178.6
## 3rd Qu.:37.00 3rd Qu.:180.7
## Max. :61.00 Max. :500.0Normalizar la base de datos
bajas_data_norm <- scale(bajasdata2[1:2])Identificar número de clusters
fviz_nbclust(bajas_data_norm, kmeans, method="wss")+
geom_vline(xintercept=4, linetype=2)+
labs(subtitle = "Elbow method") 
Visualizar el cluster
edad_cluster1<-kmeans(bajas_data_norm,3)
edad_cluster1## K-means clustering with 3 clusters of sizes 69, 121, 45
##
## Cluster means:
## Edad Sal_IMSS
## 1 0.2811317 0.2784633
## 2 -0.7792176 -0.1288413
## 3 1.6641609 -0.0805373
##
## Clustering vector:
## 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
## 1 1 2 2 2 3 2 2 3 2 2 1 2 1 1 2 2 2 2 2
## 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
## 2 3 2 1 3 2 1 2 2 2 1 2 2 2 1 2 2 2 1 2
## 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60
## 2 2 2 2 2 2 2 2 3 3 3 3 1 3 2 2 3 2 2 3
## 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80
## 2 2 1 2 2 3 2 2 2 2 2 2 1 2 1 2 1 2 2 3
## 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 98 99 100 101
## 2 2 2 2 3 2 3 2 2 2 1 3 3 2 2 2 3 2 2 1
## 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121
## 2 2 3 1 2 2 1 2 1 1 2 1 1 2 1 1 1 3 3 3
## 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141
## 2 2 2 2 2 1 2 1 3 2 1 2 3 2 2 2 1 3 1 3
## 142 143 144 145 146 147 148 150 151 152 153 154 155 156 157 158 159 160 161 162
## 1 1 1 3 3 2 1 1 1 2 2 2 1 3 3 2 1 2 1 3
## 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182
## 3 3 3 1 3 2 2 1 2 2 3 1 3 2 3 1 1 3 1 1
## 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202
## 2 2 2 1 3 3 1 2 2 1 1 1 1 1 1 1 1 2 1 2
## 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222
## 1 1 2 1 3 1 2 2 2 3 2 2 2 1 1 2 2 1 1 1
## 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237
## 2 2 1 2 2 2 2 3 1 3 2 2 2 2 2
##
## Within cluster sum of squares by cluster:
## [1] 204.19421 35.55499 17.05330
## (between_SS / total_SS = 45.1 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"fviz_cluster(edad_cluster1,data=bajas_data_norm)
Análisis de clusters
bajasdata3<- bajasdata2
bajasdata3$Clusters<-edad_cluster1$cluster
bajasdata4<-bajasdata3 %>% group_by(Clusters) %>% summarise(Edad=max(Edad)) %>% arrange(desc(Edad))
bajasdata3$Cluster_Names<-factor(bajasdata3$Clusters,levels = c(1,2,3),
labels=c("Adulto", "Joven", "Jubilación"))bajasdata5 <- bajasdata3 %>% dplyr:: group_by(Cluster_Names) %>% dplyr:: summarize(edad_años=max(Edad),
Sal_IMSS=mean(Sal_IMSS),
count=n())clusters<-as.data.frame(bajasdata5)
clusters## Cluster_Names edad_años Sal_IMSS count
## 1 Adulto 40 185.7365 69
## 2 Joven 32 175.3303 121
## 3 Jubilación 61 176.5644 45Gráfico de barras de las bajas con edad máxima de cluster
ggplot(bajasdata5, aes(x=Cluster_Names,y=edad_años,fill= Cluster_Names,label=round(edad_años,digits=2))) +
geom_col() +
geom_text()
Gráfico de barras de las bajas con su salario
ggplot(bajasdata5,aes(x=Cluster_Names,y=Sal_IMSS ,fill= Cluster_Names,label=round(Sal_IMSS,digits=2))) +
geom_col() +
geom_text()
Dispersión de la edad
ggplot(bajasdata3, aes(x=Cluster_Names, y=Edad, fill=Cluster_Names)) +
geom_boxplot()+
ggtitle("Dispersion of 'Edad' by Clusters Names")
Dispersión del salario diario
ggplot(bajasdata3, aes(x=Cluster_Names, y=Sal_IMSS, fill=Cluster_Names)) +
geom_boxplot()+
ggtitle("Dispersion of 'Salario_Diario' by Clusters Names")
Cluster edad y días laborados
RHBAJAS <-read.csv("/Users/joseramonvazquezguzman/Documents/Tecnológico de Monterrey/Septimo semestre/Analítica de datos /RETO/Bases de datos finales/RH/RHBAJASLIMPIA1.csv")Analizar base de datos.
summary(RHBAJAS)## Nom Edad Gen Fecha_alta
## Length:237 Min. : 0.00 Length:237 Length:237
## Class :character 1st Qu.:23.00 Class :character Class :character
## Mode :character Median :29.00 Mode :character Mode :character
## Mean :30.52
## 3rd Qu.:37.00
## Max. :61.00
## MB Días_trab Baja PuestDes
## Length:237 Min. : 0.00 Length:237 Length:237
## Class :character 1st Qu.: 9.00 Class :character Class :character
## Mode :character Median : 21.00 Mode :character Mode :character
## Mean : 83.42
## 3rd Qu.: 49.00
## Max. :1966.00
## Sal_IMSS Col Mun Estado
## Min. :144.4 Length:237 Length:237 Length:237
## 1st Qu.:180.7 Class :character Class :character Class :character
## Median :180.7 Mode :character Mode :character Mode :character
## Mean :178.6
## 3rd Qu.:180.7
## Max. :500.0
## EstCiv
## Length:237
## Class :character
## Mode :character
##
##
## str(RHBAJAS)## 'data.frame': 237 obs. of 13 variables:
## $ Nom : chr "MARIO VALDEZ ORTIZ" "ISABEL BARRIOS MENDEZ" "MARIA ELIZABETH GOMEZ HERNANDEZ" "ALONDRA ABIGAIL ESCARCIA GOMEZ" ...
## $ Edad : int 32 36 23 21 29 46 29 31 50 19 ...
## $ Gen : chr "MASCULINO" "FEMENINO" "FEMENINO" "FEMENINO" ...
## $ Fecha_alta: chr "2020-03-09" "2021-11-09" "2021-11-10" "2021-11-10" ...
## $ MB : chr "RENUNCIA VOLUNTARIA" "RENUNCIA VOLUNTARIA" "RENUNCIA VOLUNTARIA" "RENUNCIA VOLUNTARIA" ...
## $ Días_trab : int 628 60 59 59 51 37 37 31 18 224 ...
## $ Baja : chr "2021-11-27" "2022-01-08" "2022-01-08" "2022-01-08" ...
## $ PuestDes : chr "DISEÑO" "AYUDANTE GENERAL" "AYUDANTE GENERAL" "AYUDANTE GENERAL" ...
## $ Sal_IMSS : num 500 152 152 152 152 ...
## $ Col : chr "SAN NICOLAS DE LOS G" "COLINAS DEL AEROPÑUERTO" "PUEBLO NUEVO" "PUEBLO NUEVO" ...
## $ Mun : chr "SAN NICOLAS DE LOS G" "PESQUERIA" "APODACA" "APODACA" ...
## $ Estado : chr "NUEVO LEÓN" "NUEVO LEÓN" "NUEVO LEÓN" "NUEVO LEÓN" ...
## $ EstCiv : chr "SOLTERO" "UNIÓN LIBRE" "CASADO" "SOLTERO" ...describe(RHBAJAS)## # A tibble: 3 × 26
## described_…¹ n na mean sd se_mean IQR skewn…² kurto…³ p00 p01
## <chr> <int> <int> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Edad 237 0 30.5 10.0 0.651 14 0.541 0.216 0 18
## 2 Días_trab 237 0 83.4 227. 14.7 40 5.40 33.2 0 0
## 3 Sal_IMSS 237 0 179. 25.4 1.65 0 9.51 115. 144. 152.
## # … with 15 more variables: p05 <dbl>, p10 <dbl>, p20 <dbl>, p25 <dbl>,
## # p30 <dbl>, p40 <dbl>, p50 <dbl>, p60 <dbl>, p70 <dbl>, p75 <dbl>,
## # p80 <dbl>, p90 <dbl>, p95 <dbl>, p99 <dbl>, p100 <dbl>, and abbreviated
## # variable names ¹described_variables, ²skewness, ³kurtosisEdad vs dias laborados-Clusters
RHBAJAS1<-RHBAJAS
RHBAJAS1<-subset(RHBAJAS1,select = -c(Gen,Fecha_alta,MB,PuestDes,Estado,Nom,Col,Mun,Baja))
summary(RHBAJAS1)## Edad Días_trab Sal_IMSS EstCiv
## Min. : 0.00 Min. : 0.00 Min. :144.4 Length:237
## 1st Qu.:23.00 1st Qu.: 9.00 1st Qu.:180.7 Class :character
## Median :29.00 Median : 21.00 Median :180.7 Mode :character
## Mean :30.52 Mean : 83.42 Mean :178.6
## 3rd Qu.:37.00 3rd Qu.: 49.00 3rd Qu.:180.7
## Max. :61.00 Max. :1966.00 Max. :500.0Eliminar renglones
Eliminamos dos reglones que tenian como edad (0)
RHBAJAS2 <- RHBAJAS1
RHBAJAS2 <- RHBAJAS2 [RHBAJAS2$Edad> min(1), ]
summary(RHBAJAS2)## Edad Días_trab Sal_IMSS EstCiv
## Min. :18.00 Min. : 0.00 Min. :144.4 Length:235
## 1st Qu.:23.00 1st Qu.: 9.50 1st Qu.:180.7 Class :character
## Median :29.00 Median : 21.00 Median :180.7 Mode :character
## Mean :30.78 Mean : 84.07 Mean :178.6
## 3rd Qu.:37.00 3rd Qu.: 49.50 3rd Qu.:180.7
## Max. :61.00 Max. :1966.00 Max. :500.0Normalizar la base de datos
RH_EDAD_NORM<-scale(RHBAJAS2[1:2])Se visualizan el # correcto de clusters a realizar
fviz_nbclust(RH_EDAD_NORM, kmeans, method="wss")+
geom_vline(xintercept=4, linetype=2)+
labs(subtitle = "Elbow method") 
RHEDAD_Cluster1<-kmeans(RH_EDAD_NORM,4)
RHEDAD_Cluster1## K-means clustering with 4 clusters of sizes 43, 107, 5, 80
##
## Cluster means:
## Edad Días_trab
## 1 1.6031879 -0.11611923
## 2 -0.8512555 -0.17238996
## 3 1.2245019 5.86438920
## 4 0.2003094 -0.07353867
##
## Clustering vector:
## 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
## 4 4 2 2 4 1 4 4 1 2 2 4 2 4 4 2 2 2 2 2
## 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
## 4 3 2 4 1 2 4 2 2 2 4 2 2 2 4 2 2 4 4 2
## 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60
## 2 2 2 2 2 2 2 2 1 1 1 1 4 1 2 2 1 2 2 3
## 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80
## 2 2 4 2 2 1 2 2 4 2 2 2 4 2 4 2 4 2 2 1
## 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 98 99 100 101
## 3 2 2 4 1 2 1 2 2 2 4 1 1 2 2 4 1 4 2 4
## 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121
## 2 2 1 4 2 2 4 3 4 4 2 4 4 2 4 4 4 1 1 1
## 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141
## 2 2 2 2 2 4 2 4 1 2 4 2 1 2 4 2 4 1 4 1
## 142 143 144 145 146 147 148 150 151 152 153 154 155 156 157 158 159 160 161 162
## 4 4 1 1 1 2 4 4 4 2 2 2 4 1 1 2 4 2 4 1
## 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182
## 1 1 1 4 1 2 2 4 2 2 1 4 1 2 1 4 4 1 4 4
## 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202
## 2 2 2 4 1 3 4 2 2 4 4 4 4 4 4 4 4 2 4 4
## 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222
## 4 4 2 4 1 4 2 2 2 1 2 2 2 4 4 2 2 4 4 4
## 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237
## 2 2 4 2 2 2 4 1 4 1 2 2 2 2 2
##
## Within cluster sum of squares by cluster:
## [1] 19.40753 15.18543 18.67351 39.82387
## (between_SS / total_SS = 80.1 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"Visualizar el cluster
fviz_cluster(RHEDAD_Cluster1,data=RH_EDAD_NORM)
Análisis profundo del Cluster
RHBAJAS3 <- RHBAJAS2
RHBAJAS3$Clusters<-RHEDAD_Cluster1$cluster
RHBAJAS4<-RHBAJAS3 %>% group_by(Clusters) %>% summarise(Edad=max(Edad)) %>% arrange(desc(Edad))
RHBAJAS3$Cluster_Names<-factor(RHBAJAS3$Clusters,levels = c(1,2,3,4),
labels=c("Adulto", "Principiante", "Mayor", "Juvenil"))RHBAJAS6 <- RHBAJAS3 %>% group_by(Cluster_Names) %>% dplyr:: summarize(edad_años=max(Edad),
Días_trab=mean(Días_trab),
Count=n())clusters<-as.data.frame(RHBAJAS6)
clusters## Cluster_Names edad_años Días_trab Count
## 1 Adulto 57 57.62791 43
## 2 Principiante 27 44.81308 107
## 3 Mayor 61 1419.60000 5
## 4 Juvenil 39 67.32500 80Análisis de datos del cluster expresados por gráficas
ggplot(RHBAJAS6,aes(x=reorder(Cluster_Names,Count),y=Count,fill=Cluster_Names)) +
geom_bar(stat="identity")
Edades (máximas), al igual se puede realizar con un barplot
ggplot(RHBAJAS6, aes(x=Cluster_Names,y=edad_años,fill= Cluster_Names,label=round(edad_años,digits=2))) +
geom_col() +
geom_text()
Días laborados (Máximos)
ggplot(RHBAJAS6,aes(x=Cluster_Names,y=Días_trab,fill= Cluster_Names,label=round(Días_trab,digits=2))) +
geom_col() +
geom_text()
Gráfica de Boxplot (Análisis de las edades de los 4 grupos.)
ggplot(RHBAJAS3, aes(x=Cluster_Names, y=Edad, fill=Cluster_Names)) +
geom_boxplot()+
ggtitle("Edad (Dispersion)")
Hallazgos identificacos
Durante esta actividad realizamos un análisis en la base de datos de Recursos Humanos, enfocados en las variables de Edad, Salario y Días Trabajados, por lo que se decidió definir varios pasos a seguir para llegar al objetivo deseado que era finalmente llegar a la construcción de los clusters.
Tomando en cuenta los hallazgos de la edad y el salario diario, se llego a la conclusión de lo siguiente:
Hay más bajas de adultos con el rango de edades de 41 a 61, el cuál se identifico como jubilación.
Los adultos de 33-40 años ganan más con un sueldo diario de 186.16 en promedio.
De igual manera podemos observar cuatro Clusters que toman en cuenta la edad y los días laborados:
- El Cluster Rojo “Adulto” es un grupo en el cual se observa que son
las personas de edad alta y con una característica en común que es que
duran poco tiempo laborando en la empresa.
- El Cluster Azul “Mayor” es el Cluster que más se aparta de los demás
Clusters debido a que son personas con mayor rango de edad y la mayor
parte de los empleados cuentan con esta edad.
- El Cluster Morado “Juvenil” donde se encuentran las personas con un
rango de edad de entre 30 y 36 años, habiendo más personas en el rango
de los 30 a 32 años,
- El Cluster Verde “Principiante” es el grupo de personas más jóvenes en la empresa, con un rango de entre 20 y 30 años.
El grupo que cuenta con más días laborados es el de edad máxima,
siendo los adultos, de igual manera estos cuentan con un salario
mayor.
Por último podemos observar que en los gráficos que se analizan con
estas variables tenemos los siguientes puntos a consideración:
Edad Máxima
Días Laborados Máximos
Recuento de los grupos que presentan mayor actividad en la empresa.
La dispersión de edad que existe entre cada uno de los grupos.
Sección 4
Identificación de resultados relevantes y sugerencias
Principales hallazgos
RH: En cuanto al salario del IMSS en el género de los empleados y dependiendo de si son casados, divoricados, solteros o estan en unión libre. Se puede concluir que las mujeres tienen en promedio en estas cuatro categorías un salario mayor al de los hombres y los solteros tienen un mayor salario comparado con las otras categorias.
Producción: Se puede ver que el cliente que más piezas programadas tiene es YANFENG dedicandosele un tiempo de calidad de 1.1 minuto, mientras que el cliente VL-017-1486 es el cliente que tiene casi la mitad de piezas programadas y es al que más tiempo se le dedica tiempo. Esto puede indicar que sus piezas pudieran ser de mucho márgen de error.
Delivery Plan: Hella es el cliente con mayor cantidad de unidades y además de eso cuenta con algunos outliers muy por encima de la median, seguido por TRMX el cual no cuenta con outliers.
4.Merma: Podemos ver como en Agosto se tuvo un promedio de merma por día sobrepasando los 3000 kilos, siendo esta gráfica relevante para poder identificar factores importantes y reducir estas cantidades aplicando KPI’s
Delivery Performance: Mahle es el cliente con mayor retraso sobre pasando los 60 minutos de retraso, mientras que Printel siempre se mantiene por debajo de los 30 minutos.
Scrap: Se tiene mucho scrap en la empresa principalmente en la etapa de pre-producción, la mayor cantidad de scrap es generada en el área de SAB / Pre producción de la empresa, por lo que se tienen que tomar medidas para poder reducir estas cantidades lo máximo posible quizá usando el material de manera optima para evitar tanto Scrap.
Propuestas para FORM
- Mejorar los tiempos de set up, siendo estos ya cortos entre pausa y pausa puede ser más complicado bajar el porcentaje, pero de igual manera se puede hacer más efectivo el aprovecahamiento del tiempo por lo que se propone reducir un 15%-20% más el tiempo que hay entre este set up mediante el mantenimiento y cuidado de la maquinaria y compromiso y atención de los colaboradores.
2.Scrap: Aquí lo que se propone es medier exactamente la cantidad que se requiere de material para poder evitar tener esos desperdicios. Analizando estas variables se confirma que en el área de pre-producción es donde se genera la mayor parte del scrap en su mayoría que es casi el 85% de scrap que se genera dentro de la empresa.
- Implementar KPI’s específicos con los colaboradores que se encargan de la producción con una medida de tiempo mes con mes donde se reduzca la merma producida y esta baje en un 15% a 20% ala termino del primer mes de establecer los KPI´s. También se sugiere mantener el nivel de calidad siempre en ese estándar de excelencia para no tener productos regresados, contratiempos con esas entregas o que se retrasen otras por culpa de tener que producir o arreglar cierto empaque.
Responder a las siguientes preguntas
Describir con tus propias palabras los términos Business Analytics y Business Intelligence. Así también, identificar y describir 3 principales diferencias entre Business Analytics y Business Intelligence.
Business Analytics: Es una combinación de habilidades, tecnologías y prácticas que se utilizan para examinar los datos y el rendimiento de una organización. Es una forma de obtener información y tomar decisiones basadas en datos en el futuro utilizando el análisis estadístico, se puede traducir como análisis empresarial y este se enfoca en datos históricos y actuales. Su objetivo es identificar patrones o problemas, identificar los posibles riesgos y tomar acciones para disminuirlos.
Business Inteligence: Se enfoca principalmente en lo que es la toma de decisiones utilizando los datos recabados en el proceso de business analytics, también es el conjunto de herramientas que permiten que los datos se transformen en informacón y que esta pase a ser conocimiento. Se usa para evaluar, optimizar y coordinar las operaciones internas de una empresa.
Diferencias:
Eventos actuales frente a posibilidades futuras: Con esto nos referimos al enfoque en el momento en que ocurren estos eventos.
La form a en la que se utilizan, por ejemplo BI es una analítica descriptiva ya que esta diseñado para decirle lo que ha sucedido, mientras que por otra parte BA es un tipo de analítica predictiva ya que identifica tendencias en los datos.
Las herramientas que presenta BI son más utilizadas por especialistas en marketing, contabilidad, y su visualización es más digerible, o facil de entender mientras que en las herramientas de BA se becesita más trabajo para analizar la información e interpretarla y quienes la usan son más analístas
Describir con tus propias palabras el concepto de Indicador Clave de Rendimiento / Key Performance Indicators (KPI).
Key Performance Indicators (KPI): Los indicadores de desempeño o medidor de desempeño se refiere a una serie de métricas que se utilizan para sintetizar la información. El objetivo final de un KPI es ayudar tomar mejores decisiones respecto al estado actual de un proceso, proyecto o estrategia.
Los KPI son utilizados por diversas ventajas:
Permiten obtener información valiosa y útil.
Medir determinadas variables y resultados a partir de dicha información.
Analizar la información y efectos de unas determinadas estrategias (así como las tareas que se utilizaron para llevar a cabo las mismas).
Comparar la información y determinar las estrategias y tareas efectivas.
Tomar las decisiones oportunas.
A partir del análisis de las bases de datos de las diferentes áreas de la empresa FORM, proponer y describir 3 posibles KPIs que permitan evaluar el desempeño de algunas de sus áreas.
Reducir la merma producida y que esta baje en un 15% a 20% al termino del primer mes de establecer el KPI.
Rotación de nnventario para conocer la efectividad de los recursos con los que cuenta la empresa y que FORM pueda crear asegurar que sus gastos le darán un retorno de inversión lo más pronto posible. Esto ayudara a que la empresa también pueda tener más libre el almacen.
Número de unidades producidas al mes, ya que estás podran ayudar a medir la productividad de FORM y tener más control dentro de sus operaciones.
Referencias
Colaboración (no date) KPI’s ¿Qué son, para qué sirven y por qué y cómo utilizarlos?, Tips de Logicalis. Available at: https://blog.es.logicalis.com/analytics/kpis-qu%C3%A9-son-para-qu%C3%A9-sirven-y-por-qu%C3%A9-y-c%C3%B3mo-utilizarlos (Accessed: October 21, 2022).
Biblioteca - Tec de Monterrey: Biblioteca Tec - Escuela de Negocios: Inicio (no date) Tecnológico de Monterrey. Available at: https://biblioteca.tec.mx/edn (Accessed: October 21, 2022).
---
title: "Etapa 2 Evidencia"
author: "José Ramón Vázquez Guzmán A01625203"
date: "21 de Octubre 2022"
output: 
  html_document:
    toc: true
    toc_float: true
    theme: readable
    highlight: tango
    code_download: true
---

<img src= "/Users/joseramonvazquezguzman/Desktop/Captura de Pantalla 2022-10-21 a la(s) 2.08.09.png">

Cargar librerias 

```{r message=FALSE, warning=FALSE}

library(foreign)
library(dplyr)        # data manipulation 
library(forcats)      # to work with categorical variables
library(ggplot2)      # data visualization 
library(janitor)      # data exploration and cleaning 
library(Hmisc)        # several useful functions for data analysis 
library(psych)        # functions for multivariate analysis 
library(naniar)       # summaries and visualization of missing values NAs
library(dlookr)       # summaries and visualization of missing values NAs
library(corrplot)     # correlation plots
library(jtools)       # presentation of regression analysis 
library(lmtest)       # diagnostic checks - linear regression analysis 
library(car)          # diagnostic checks - linear regression analysis
library(olsrr)        # diagnostic checks - linear regression analysis 
library(kableExtra)   # HTML table attributes
library(factoextra)   # provides functions to extract and visualize the output of exploratory multivariate data analyses
### Instalar librerias necesarias
# install.packages("tibble")
library(tibble)
# install.packages("tidyverse")
library(tidyverse)
library(ggfortify)    # data visualization tools for statistical analysis 
library(plyr)
library(base)

```

## <span style="color: orange" > RH Colaboradores/Bajas </span> 

### Limpieza de Datos

Las bases de datos fueron divididas en dos ya que en una se toman en cuenta a los colaboradores de la empresa y en otra las bajas que se tuvieron por distintas razones, esto con la intención de poder obtener mejores resultados e interpretaciones más claras.

### Importar la  base de datos RH de la empresa FORM
```{r message=FALSE, warning=FALSE}
#file.choose()
RhColab<-read.csv("/Users/joseramonvazquezguzman/Documents/Tecnológico de Monterrey/Septimo semestre/Analítica de datos /RETO/Bases de datos (limpias) CSV /BaseDatosL RH_Colaboradores.csv")
RhBajas<-read.csv("/Users/joseramonvazquezguzman/Documents/Tecnológico de Monterrey/Septimo semestre/Analítica de datos /RETO/Bases de datos (limpias) CSV /BaseD_Limpia RH_ Bajas .csv")

```

### Verifiquemos la estructura de la base de datos 

```{r message=FALSE, warning=FALSE}

str(RhColab)
str(RhBajas)

```


###  Tipos de Variables 

```{r}
Variable<-c("Nombre","Edad", "Genero", "Fecha de alta", "Motivo de baja", "Días de trbajo","Baja", "Puesto que desempeña", "Salario IMSS", "Colonia", "Municipio", "Estado", "Estado Civil", "Número de empleado", "Nombre completo ", "Antiguedad", "Departamento", "Mano de obra","Salario diario")

Type<-c("qualitative (nominal)", "quantitative (discrete)", "qualitative (nominal)","qualiitative (ordinal)","qualitative (nominal)","qualitative (nominal)","quantitative (contonua)","qualitative (nominal)","qualitative (nominal)","qualitative (nominal)","qualitative (nominal)","quantitative (discrete)","qualitative (nominal)","qualitative (nominal)","qualitative (discrete)","qualitative (nominal)","quantitative (continua)","quantitative (continua)","quantitative (continua)")

table<-data.frame(Variable,Type)
knitr::kable(table)
```



Contamos con 13 variables y 999 observaciones en total

### Seleccionar columnas / variables 

```{r message=FALSE, warning=FALSE}
RhColab1<-RhColab 
RhBajas1<-RhBajas 
```

### Limpieza de datos 

```{r message=FALSE, warning=FALSE}
RhColab1<-RhColab %>% select(-one_of('numero_de_empleado', 'BAJA', 'edad'))
```

###  Renombramos las columnas / variables seleccionadas

Se renombraron las columnas y variables seleccionadas para poder tener conceptos más cortos para a la hora de visualizar tener una mejor y más clara interpretación de la información. 

```{r message=FALSE, warning=FALSE}

summary(RhColab1)
names(RhColab1)<-c('Nom_Comp', 'Gen', 'Fecha_alta', 'Ant', 'Puesto', 'Dep', 'MDO', 'Sal_Diario', 'Col', 'Mun')
names(RhBajas1)<-c('Nom', 'Edad', 'Gen', 'Fecha_alta', 'MB', 'Días_trab', 'Baja', 'PuestDes', 'Sal_IMSS', 'Col', 'Mun', 'Estado', 'EstCiv')
```

###  Convertimos "fecha_nacimiento"  a formato de fecha 

Se convirtió a formato de fecha la variable de fecha_nacimiento para su correcta interpretación dentro de los códigos. 

```{r message=FALSE, warning=FALSE}
RhColab1$Fecha_alta<-as.Date(RhColab$fecha_de_alta,format="%d/%m/%Y")
RhBajas1$Fecha_alta<-as.Date(RhBajas1$Fecha_alta,format="%d/%m/%Y")
RhBajas1$Baja<-as.Date(RhBajas1$Baja,format="%d/%m/%Y") 
```

###  Eliminar NA's y sustituir con 0's

Esto para evitar errores a la hora de utilizar la base para generar un análisis más certero.

```{r message=FALSE, warning=FALSE}

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


RhBajas1[is.na(RhBajas1)]<-0


summary(RhColab1)
summary(RhBajas1)

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


summary(RhColab1)
summary(RhBajas1)  

str(RhColab1)
str(RhBajas1)
```

###  Calculemos la variable "age" en años

Esto para poder realizar caracterisitcas adicionales de "colabradores".

```{r message=FALSE, warning=FALSE}

library(lubridate)


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

edad<-trunc((RhBajas1$Fecha_alta %--% RhBajas1$Fecha_alta) / years(1))
edad<-trunc((RhBajas1$Baja %--% RhBajas1$Baja) / years(1))

```

###  Convertir a caracter variables a factor 

Esto para poder  crear estadisticos descriptivos

```{r message=FALSE, warning=FALSE}

###  Colab1
RhColab1$Gen<-as.factor(RhColab1$Gen)
RhColab1$Puesto<-as.factor(RhColab1$Puesto)
RhColab1$Dep<-as.factor(RhColab1$Dep)
RhColab1$Mun<-as.factor(RhColab1$Mun)
RhColab1$Col<-as.factor(RhColab1$Col)


###  Bajas1 

RhBajas1$Gen<-as.factor(RhBajas1$Gen)
RhBajas1$MB<-as.factor(RhBajas1$MB)
RhBajas1$Días_trab<-as.factor(RhBajas1$Días_trab)
RhBajas1$PuestDes<-as.factor(RhBajas1$PuestDes)
RhBajas1$Col<-as.factor(RhBajas1$Col)
RhBajas1$Mun<-as.factor(RhBajas1$Mun)
RhBajas1$Estado<-as.factor(RhBajas1$Estado)
RhBajas1$EstCiv<-as.factor(RhBajas1$EstCiv)

```

###  Verificamos la estructura de RhColab1 y  RhBajas1 

```{r message=FALSE, warning=FALSE}
str(RhColab1)
summary(RhColab1)

str(RhBajas1)
summary(RhBajas1)
```

### Visualizasión de Datos 

Mostrar graficos de visualización para identificar hallazgos relevantes de nuestras bases de datos RhColab1 y RhBajas1 

```{r message=FALSE, warning=FALSE}
## Colaboradores

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

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

## Bajas

tapply(RhBajas1$Sal_IMSS,RhBajas1$Gen,mean)
```

###  Reubicamos el "outlier" de salario_diario con la mediana

```{r message=FALSE, warning=FALSE}
RhColab1$Sal_Diario<-replace(RhColab1$Sal_Diario,RhColab1$Sal_Diario>1000000,181)
```

Mostramos la visualización grafica de datos para poder identificar hallazgos importantes de  rh_alt base de datos. 

```{r}
tapply(RhColab1$Sal_Diario,
       list(RhColab1$Gen,RhColab1$Dep), mean)
```

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

Podemos observar que hay una mayor cantidad de empleados en el rango de edad de 20 a 25 años, después le sigue el rango de 25 a 30 y de 30 a 35, siendo la mayor parte de los empleados jóvenes, pero habiendo empleados que sobre pasan incluso la edad de 60 años. 

```{r}
ggplot(RhBajas1, aes(x=Gen, y=Edad, fill=Gen)) + 
  geom_boxplot() 
```

La mayor parte de empleados aglomerada en el rango de 20 a 40 años y observamos como hay unos pocos fuera de rango en edades que pasan de 50 a 60 años,siendo estos pocos casos. 

```{r}
ggplot(RhColab1, aes(x=Gen, y=Sal_Diario, fill=Gen)) + 
  geom_boxplot() 

```

Aquí en el salario diario se destaca la observación de que la mayor parte de los empleados tienen un salario que ronda entre los 170 pesos; habiendo casos muy espesificos que estan en rangos mucho menores o llegando a los 300 pesos, pero habiendo un salario que llega a los 450 pesos siendo el salario más elevado de toda la base de datos. 

```{r}
ggplot(RhColab1, aes(Gen,Sal_Diario,fill=Gen)) +                                    
  geom_bar(stat = "identity") +
  scale_fill_brewer(palette = "Set2") + ggtitle("Salario Diario por Genero")
```
En la gráfica anterior podemos observar la correlación entre el género y el salario diario de los empleados; podemos concluir que el género femenino tiene un salario total en promedio más alto el género masculino.

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

Aquí podemos observar el salario del IMSS en cuanto al género de los empleados y dependiendo de si son casados, divoricados, solteros o estan en unión libre. Se puede concluir que las mujeres tienen en promedio en estas cuatro categorías un salario mayor al de los hombres y los solteros tienen un mayor salario comparado con las otras categorias. 


## <span style="color: orange" > Producción </span> 

###  Limpieza de Datos

Se comenzó realizando una limpieza en excel, para después empezar a limpiar dentro de R dejando finalmente los valores más relevantes. 

###  Importar la  base de datos producción de la empresa FORM
```{r message=FALSE, warning=FALSE}

producciontotal <- read.csv("/Users/joseramonvazquezguzman/Documents/Tecnológico de Monterrey/Septimo semestre/Analítica de datos /RETO/Bases de datos finales/PRODUCCIÓN/BD Producción csv (1).csv")
```

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

###  Tipos de Variables 
```{r}
Variable<-c("Fecha", "Número", "Cliente","Id Form", "Producto", "Piezas programadas", "Tiempo en minutos", "Hora fin ", "Estación de arranque", "Laminas procesadas", "Inicio Set Up", "Fin Set up", "Inicio porceso", "Fin proceso", "  Tiempo calidad")

Type<-c("qualitative (nominal)", "quantitative (discrete)", "qualitative (nominal)","qualiitative (ordinal)","qualitative (nominal)","quantitative (discrete)","quantitative (contonua)","quantitative (contonua)","qualitative (nominal)","quantitative (dis rete)","quantitative (contonua)","quantitative (Continua)","quantitative (contonua)","quantitative (contonua)","quantitative (discrete)")

table<-data.frame(Variable,Type)
knitr::kable(table)
```

###  Eliminar columnas irrelevantes para el análisis
Se eliminaron las columnas que no generaban valor al análisis. 

```{r message=FALSE, warning=FALSE}
producciontotal <- subset (producciontotal,select = -c( No., ID.FORM ,  HR..FIN , ESTACION.ARRANQUE , INICIO.SEP.UP ,FIN.INICIO.DE.SEP.UP , INICIO.de.PROCESO , TIEMPO.MATERIALES , MERMAS.Maquinas. ))


summary (producciontotal)
```

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

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

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

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

###  Convertir formato de la fecha 

Esto para poder tener las interpretaciones y resultados esperados de la manera correcra. 

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

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

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

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

### Reemplazar NA 
Se reemplazarón los registros NA de la tabla con la mediana

```{r message=FALSE, warning=FALSE}
producciontotal<-producciontotal %>% mutate(PIEZAS.PROG.=ifelse(is.na(PIEZAS.PROG.),median(PIEZAS.PROG.,na.rm=T),PIEZAS.PROG.))
producciontotal<-producciontotal %>% mutate(TMO..MIN.=ifelse(is.na(TMO..MIN.),median(TMO..MIN.,na.rm=T),TMO..MIN.))
producciontotal<-producciontotal %>% mutate(laminas_procesadas=ifelse(is.na(Laminas.procesadas),median(Laminas.procesadas,na.rm=T),Laminas.procesadas))
producciontotal<-producciontotal %>% mutate(TIEMPO.CALIDAD=ifelse(is.na(TIEMPO.CALIDAD),median(TIEMPO.CALIDAD,na.rm=T),TIEMPO.CALIDAD))
```

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

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

```{r message=FALSE, warning=FALSE}
summary (producciontotal)
```

##  Visualización

###  ¿Cuál es el cliente con mayor tiempo de calidad?
```{r message=FALSE, warning=FALSE}


producciontotal2<-producciontotal %>% dplyr::select(CLIENTE,PIEZAS.PROG.,TIEMPO.CALIDAD) %>% group_by(CLIENTE) %>% arrange(desc(PIEZAS.PROG.))

summary(producciontotal2$CLIENTE)
```

```{r message=FALSE, warning=FALSE}
producciontotal3<- producciontotal2[-c(10),]
```

```{r message=FALSE, warning=FALSE}
library (ggplot2)
ggplot(producciontotal3, aes(x=reorder(CLIENTE,PIEZAS.PROG.), y=PIEZAS.PROG., fill=(TIEMPO.CALIDAD))) +
  geom_bar(stat="identity")+
  coord_flip()+
  guides(fill=guide_legend(reverse=FALSE))
```

Podemos ver que uno de los clientes con el que se producen mayor número de piezas programadas y que es en un lapzo de tiempo menor es STABILUS 1, seguido de YANFENG. 

###  ¿Cuál es el cliente que más piezas programadas tiene en la empresa? 

```{r message=FALSE, warning=FALSE}
producciontotal3 %>% select(CLIENTE,PIEZAS.PROG.) %>% group_by(CLIENTE) %>% summarise(PIEZAS.PROG.=sum(PIEZAS.PROG.)) %>% arrange(desc(PIEZAS.PROG.))

ggplot(producciontotal3, aes(x=reorder(CLIENTE,PIEZAS.PROG.), y=PIEZAS.PROG.)) +
  geom_bar(stat="identity")+
  coord_flip()
```

Se puede ver que el cliente que más piezas programadas tiene es YANFENG dedicandosele un tiempo de calidad de 1.1 minuto, mientras que el cliente VL-017-1486 es el cliente que tiene casi la mitad de piezas programadas y es al que más tiempo se le dedica tiempo.

Esto puede indicar que sus piezas pudieran ser de mucho márgen de error.



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


### Importar base de datos

```{r}
del_plan <- read.csv("/Users/joseramonvazquezguzman/Documents/Tecnológico de Monterrey/Septimo semestre/Analítica de datos /RETO/Bases de datos finales/DELIVERY PLAN/CLEANDBDeliveryPlan.csv")
```


###  Tipos de Variables

```{r}

Variable<-c("Cliente planta","Mes", "Unidades")

Type<-c("qualitative (nominal)", "qualitative (ordinal)", "quiantitative (discreta)")

table<-data.frame(Variable,Type)
knitr::kable(table)
```

### Convertir meses en una columna

Para mejorar el manejo de las unidades de produccion mensuales ya que originalmente en la base de datos estas eran registradas diariamente.

```{r}
del_plan<- clean_names(del_plan)
summary(del_plan$mes)

del_plan$mes<-recode_factor(del_plan$mes,jun_21="junio",jul_21="julio",ago_21="agosto",sep_21="septiembre", 
                                     oct_21="octubre",nov_21="noviembre",dic_21="diciembre",oct_22="octubre_22")

function(pivot_longer)
del_plan<-pivot_longer(del_plan, cols=5:16, names_to = "mes", values_to = "unidades")

```

### Eliminar columnas no necesarias

Eliminar columnas no necesarias como ID ODOO, Proyecto e ITEM que eran irrelebantes para el análisis.

### Formato de las variables

```{r}
str(del_plan)
```

### NA's y valores atipicos

En la base de datos no se hay NA, solo eliminamos los registros que tienen 0 unidades programadas.

```{r}
del_plan <- filter(del_plan, unidades>0)
sum(is.na(del_plan))
```

## Graficas

### Tabla estadisticas 

```{r}
tabla_estadisticos <- describe(del_plan)
tabla_estadisticos
```


Al realizar  una tabla estadistica, R nos arroja diferentes metodos como la media, la mediana, la moda y la desviacion estandar que son importantes al momento de realizar este análisis.

### Bar plots

```{r}
str(del_plan)
del_plan$cliente_planta<-as.factor(del_plan$cliente_planta)
del_plan$unidades<-as.numeric(del_plan$unidades) 

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

ggplot(del_plan3, aes(x=reorder(cliente_planta,unidades), y=unidades)) +
  geom_bar(stat="identity")+
  coord_flip()
```


Se realizó un proceso en el cual primero se convirtieron las variables mediante las funciones as.factor y as.numeric para hacer los datos cualitativos / cuantitativos.

Se muestran valores mayores a 4000, lo cuál nos resultó en una gráfica donde se podían observar los Clientes con mayor número de unidades en orden descendiente.

### Dispersion

```{r}
del_plan2$unidades<-as.numeric(del_plan2$unidades)

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

boxplot(del_plan3$cliente_planta,del_plan3$unidades)
class(del_plan2$unidades)
```


Hella es el cliente con mayor cantidad de unidades y además de eso cuenta con algunos outliers muy por encima de la median, seguido por TRMX el cual no cuenta con outliers.



### Time series plot

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

Se observa en la segunda mitad del periodo anual que hay un incremento notorio, además de un decremento justo por finales del segundo semestre.

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

###  Importar base de datos
```{r}

#file.choose()
bd <-read.csv("/Users/joseramonvazquezguzman/Documents/Tecnológico de Monterrey/Septimo semestre/Analítica de datos /RETO/Bases de datos finales/MERMA/FORM - Merma limpia2 (1).csv")
```
En el caso de las variables cuantitativas, considerar la posibilidad de reemplazar la presencia de “missing values” con estadísticos descriptivos por ejemplo, media, mediana, moda.

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

###  Tipos de Variables 
```{r}
Variable<-c("Fecha","ENERO","KilosEnero","Fecha1","FEBRERO","KilosFebrero","Fecha2","MARZO","KilosMarzo","Fecha3","ABRIL","KilosAbril","Fecha4","MAYO","KilosMayo","Fecha5","JUNIO","KilosJunio","Fecha6","JULIO","KilosJulio","Fecha7","AGOSTO","KilosAgosto","Fecha8","SEPTIEMBRE","KilosSeptiembre")
Type<-c("qualitative (ordinal)", "qualitative (ordinal)", "quantitative (discrete)","qualitative (nominal)","qualitative (ordinal)","quantitative (discrete)","qualitative (nominal)","qualitative (ordinal)","quantitative (discrete)","qualitative (nominal)","qualitative (ordinal)","quantitative (discrete)","qualitative (nominal)","qualitative (ordinal)","quantitative (discrete)","qualitative (nominal)","qualitative (ordinal)","quantitative (discrete)","qualitative (nominal)","qualitative (ordinal)","quantitative (discrete)","qualitative (nominal)","qualitative (ordinal)","quantitative (discrete)","qualitative (nominal)","qualitative (ordinal)","quantitative (discrete)")
table<-data.frame(Variable,Type)
knitr::kable(table)
```


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


###  Eliminar duplicados
```{r}
bd[duplicated(bd), ]
sum(duplicated(bd))
```


###  Eliminar negativos con cero
```{r}
bd1<-bd
bd1[bd1 <0] <-0
summary(bd1)
```


###  Análisis Profundo de la Base de datos
```{r}
media_bd5 <- mean(bd$KilosMayo)
media_bd5
median_bd5 <- median(bd$KilosMayo)
median_bd5
mode_bd5 <- mode(bd$KilosMayo)
mode_bd5

media_bd8 <- mean(bd$KilosAgosto)
media_bd8
median_bd8 <- median(bd$KilosAgosto)
median_bd8
mode_bd8 <- mode(bd$KilosAgosto)
mode_bd8

```


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

Se movieron alrededor de 3000 a 5000 mil kilos en el lapso de Agosto de este año. 

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

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


Podemos ver como en Agosto se tuvo un promedio de merma por día sobrepasando los 3000 kilos, siendo esta gráfica relevante para poder identificar factores importantes y reducir estas cantidades aplicando KPI's 



## <span style="color: orange" > Delivery Performance </span> 

### Importar base de datos

```{r}
#file.choose()
bd_totaldiferencias<-read.csv("/Users/joseramonvazquezguzman/Documents/Tecnológico de Monterrey/Septimo semestre/Analítica de datos /RETO/Bases de datos finales/DELIVERY PERFORMANCDE/FORM Delivery Performance Bd Clientes.csv")
bd_totalmes<-read.csv("/Users/joseramonvazquezguzman/Documents/Tecnológico de Monterrey/Septimo semestre/Analítica de datos /RETO/Bases de datos finales/DELIVERY PERFORMANCDE/DEL PERF TOTALES.csv")
```

### Entender la base de datos

```{r}
summary (bd_totaldiferencias)
summary(bd_totalmes)

```

### Técnicas de Limpieza

##  BASE DE DATOS 1

### Técnica 1. Remover columna irrelevante
  
Eliminar columnas: Se realizó esta técnica ya que al momento de entender la base de datos se identificaron columnas sin valor y sin relevancia relacionadas con lo que se quería interpretar y visualizar. 
  
```{r}

bd_totaldiferencias <- subset (bd_totaldiferencias,select = -c(X, X.1, X.2, X.3, X.4, X.5, X.6, X.7, X.8, X.9, X.10, X.11, X.12, X.13, X.14, X.15, X.16, X.17, X.18, X.19, X.20 ))
summary (bd_totaldiferencias)


### Técnica 2. Identificar NA's
sum(is.na(bd_totaldiferencias))
sapply(bd_totaldiferencias, function(x) sum (is.na(x)))


##*Eliminar filas las cuales no cuentan con valores*
bd_totaldiferencias<-bd_totaldiferencias[-c(300:997),]


### Técnica 3. Cambiar formatos 
bd_totaldiferencias$PRINTEL<-as.integer(bd_totaldiferencias$PRINTEL) 
bd_totaldiferencias$MAHLE<-as.integer(bd_totaldiferencias$MAHLE) 
bd_totaldiferencias$MAGNA<-as.integer(bd_totaldiferencias$MAGNA) 
bd_totaldiferencias$VARROC<-as.integer(bd_totaldiferencias$VARROC) 
```

## BASE DE DATOS 2


## Técnica 1. Eliminar NA's

Eliminar filas las cuales no cuentan con valores

```{r}

bd_totalmes<-bd_totalmes[-c(14:999),]


### Técnica 2. Cambiar formato 
bd_totalmes$PRINTEL<-as.integer(bd_totalmes$PRINTEL) 
bd_totalmes$MAHLE<-as.integer(bd_totalmes$MAHLE) 
bd_totalmes$MAGNA<-as.integer(bd_totalmes$MAGNA) 
bd_totalmes$VARROC<-as.integer(bd_totalmes$VARROC) 
```

### Analizar base de datos

```{r}
str (bd_totaldiferencias)
str (bd_totalmes)

summary(bd_totaldiferencias)
summary(bd_totalmes)

```

La base de datos *total diferenicas* cuenta con 299 observaciones y 5 variables mientra que la base de datos *total mensual* cuenta con 13 observaciones y 5 variables.

 
###  Tipos de Variables Existentes 

```{r}

Variable<-c("FECHA")
Type<-c("Cualitativa (Ordinal)")  
table<-data.frame(Variable,Type)
knitr::kable(table)

```

###  Escala de medición 

```{r}

Variable<-c("PRINTEL", "MAHLE", "MAGNA", "VARROC")
Type<-c("Horas", "Horas", "Horas", "Horas")  
table<-data.frame(Variable,Type)
knitr::kable(table)


```

### Describir la base de datos
```{r}

str(bd_totaldiferencias)
str(bd_totalmes)

```

###  Análisis Profundo de la Base de datos
 
```{r}

media_bd <- mean(bd_totaldiferencias$DIFERENCIA)
media_bd

median_bd <- median(bd_totaldiferencias$DIFERENCIA)
median_bd

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



hist(bd_totaldiferencias$MAHLE) 
hist(bd_totaldiferencias$PRINTEL)
```

### Análisis Profundo de la Base de datos BDCLIENTES
```{r}

media_bdclientes <- mean(bd_totalmes$PRINTEL)
media_bdclientes

median_bdclientes <- median(bd_totalmes$PRINTEL)
median_bdclientes

mode_bdclientes <- mode(bd_totalmes$PRINTEL)
mode_bdclientes

media_bdclientes <- mean(bd_totalmes$MAHLE)
media_bdclientes

median_bdclientes <- median(bd_totalmes$MAHLE)
median_bdclientes

mode_bdclientes <- mode(bd_totalmes$MAHLE)
mode_bdclientes

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

```


###  Histograma Printel 

```{r}
hist(bdclientes3$PRINTEL)
```

###  Histograma Mahle 

```{r}
hist(bdclientes3$MAHLE)
```

PERINTEL

En la clase de 0 a 5 se encuentra que se tuvo mayor frecuencia, siendo la clase que más se repite, esto quiere decir que… 
De los 12 meses, en 7 se tuvo una diferencia de tiempo de entre 0 y 5 minutos, siendo esta baja pero con un sesgo a la izquierda. 

MAHLE

Este histograma tiene un sesgo hacia la derecha, se tiene una tendencia a tener un mayor retraso en la clase de 60 a 70 minutos aproximadamente con este cliente, esto en un aproximado de 6 meses de los 12 tomados en cuenta.

### Gráfica PRINTEL
```{r}
ggplot(bd_totalmes,aes(x=FECHA, y=PRINTEL,fill=PRINTEL))+
  geom_bar(stat="identity")+
  geom_hline(yintercept=33,linetype="dashed",color="black")+
  labs(x="Fecha",y="Retraso en Minutos", color="Legend")+
  ggtitle("Retraso en Desempeño de los Clientes")
```

### Gráfica MAHLE 

```{r}
ggplot(bd_totalmes,aes(x=FECHA, y=MAHLE,fill=MAHLE))+
  geom_bar(stat="identity")+
  geom_hline(yintercept=33,linetype="dashed",color="black")+
  labs(x="Fecha",y="Retraso en Minutos", color="Legend")+
  ggtitle("Retraso en Desempeño de los Clientes")
```


Se puede concluir
En estos dos gráfico se demuestra el retraso en desempeño de los clientes Mahle y Printel, también se observa la media siendo la línea horizontal de color negro.

Se pede concluir que Mahle es el cliente con mayor retraso sobre pasando los 60 minutos de retraso, mientras que Printel siempre se mantiene por debajo de los 30 minutos. 



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


###  Llamar a la base de datos  

```{r}
#file.choose()
bd <- read.csv("/Users/joseramonvazquezguzman/Documents/Tecnológico de Monterrey/Septimo semestre/Analítica de datos /RETO/Bases de datos (limpias) CSV /FORM - Scrap Limpia .csv")
```

###  Cantidad de productos por día 

```{r}

bd$Fecha<- as.Date(bd$Fecha,format = "%d/%m/%Y")
plot(bd$Fecha, bd$Cantidad)

summary(bd)
```

###  Número de variables y registros en base de datos

```{r}

describe(bd)
str(bd)

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

```

###  Tipos de Variables Existentes

```{r}

variable<-c("Referencia","Fecha", "Hora", "Producto", "Cantidad", "Unidad.de.medida", "Ubicación.de.origen", "Ubicación.de.desecho")

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

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


```

###  Limpieza Base de datos

La base de datos contaba con algunas variables que no eran tan relevantes para analizar la base de scrap y se  decidió eliminarlas para contar con menos variables y así poder realizar un mejor análisis.


```{r}

sum(is.na(bd))

sapply(bd, function(x) sum(is.na(x)))

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

summary(bd2)

#seleccionar columnas / variables.
#scrap2<-scrap %>% select(one_of('Fecha','Cantidad','Ubicación.de.origen'))
```

###  Renombrar las columnas /variables seleccionadas.

```{r}

colnames(bd2) <-c ('Fecha','Cant.','Origen')
summary(bd2)
```

##  Análisis Estadístico

###  Tabla de Media, Moda y Mediana

```{r}

summary(bd2)

sd(bd2$Cant., na.rm= TRUE)


hist(bd2$Cant.)

```

###  Gráfica de Relacion de SAB

```{r}

ggplot(bd2, aes(x=Fecha, y= Origen)) +
  geom_bar(stat="identity", fill="orange") + scale_fill_grey() + # Add bars to the plot
  labs(title = "Relación SAB", # Add a title
       subtitle = "Scrap empresa FORM", # Add a subtitle
       caption = "Relación", # Add a caption
       x = "x")
```

###  Gráfica Scrap por origen
```{r}
ggplot(bd2,aes(x=Cant.))+
  geom_line(aes(y=Origen),color="orange")+
  labs(x="Cant",y="Origen", color="Legend")+
   ggtitle("Mayores catidades de Scrap por origen")
```


###  Gráfica Cualitativa

```{r}

pie(table(bd2$Origen))

```

###  Gráfica Cuantitativa

```{r}

barplot(table(bd2$Cant.,bd2$Origen), col="orange", main = "Kilos de Scrap", xlab = "Origen", ylab = "Kilos" )

```


Aquí podemos observar como la mayor cantidad de scrap es generada en el área de SAB / Pre producción de la empresa, concluyendo que se tienen que tomar medidas para poder reducir estas cantidades lo máximo posible quizá usando el material de manera optima para evitar tanto Scrap.

###  Tabla de frecuencia por distribución de origen 
```{r}

#install.packages('epiDisplay')
library(epiDisplay)

tab1(bd2$Origen, sort.group = "decreasing", cum.percent = TRUE)
```


Se puede concluir de estos gráficos que se tiene mucho scrap en la empresa principalmente en la etapa de pre-producción, aquí lo que se recomienda es medier exactamente la cantidad que se requiere de material para poder evitar tener esos desperdicios. Analizando estas variables se confirma que en el área de pre-producción es donde se genera la mayor parte del scrap en su mayoría que es casi el 85% de scrap que se genera dentro de la empresa. 

##  Sección 2.2 

## <span style="color: orange" > Modélo Predictivo </span>


### Importar la base de datos

```{r}

externa<- read.csv("/Users/joseramonvazquezguzman/Documents/Tecnológico de Monterrey/Septimo semestre/Analítica de datos /RETO/Bases de datos finales/Base externa /us_motor_production_and_domestic_sales.csv")
summary(externa)
```

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

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

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

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


**Al ser la Producción de Autos Comerciales la variable dependiente, observamos como el salario, la confianza del consumidor y el desempleo generan cambios en ella. Podemos ver que el que mayor impacto que tiene es la confianza del consumidor. También podemos ver su comportamiento en la gráfica como si la producción sube, igualmente la confianza del consumidor.**  

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

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

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

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

  **La producción de autos de pasajero tiene estimados negativos en las variables independientes del desempleo y confianza del consumidor, por esta razón su comportamiento en las gráficas a pesar de que exista una producción alta su tendencia va para abajo.**
  

## <span style="color: orange" >  Pronóstico </span> 

###  Pronóstico MEX 

```{r}
#file.choose("/Users/mac/Downloads/mexico externa.csv")
Mexico<- read_csv("/Users/joseramonvazquezguzman/Documents/Tecnológico de Monterrey/Septimo semestre/Analítica de datos /RETO/Bases de datos finales/Base externa /mexico externa.csv")
```

### Llamar Librerias
```{r}
library(forecast)
```

#### Crear serie de tiempo

```{r}
Mexico <- c(3399076,3465615,3933154,3918603,3811068,3040178,3028481)

produccion_st <- ts(data = Mexico, start = c(2015,1), frequency = 1)
produccion_st
```


#### Graficar Pronostico

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

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

plot(pronostico)
```

Aquí podemos observar que para los próximos tres años tenemos un aumento en la prdoducción de autos dentro del país, ésta tuvo un decremento por causa de la pandemia en los tres años pasados pero se pronostica que esta aumente. 

###  Pronóstico EUA TOTAL PRODUCTION

```{r}
#file.choose("/Users/mac/Downloads/us_motor_production_and_domestic_sales (2).csv")
EUA<- read_csv("/Users/joseramonvazquezguzman/Documents/Tecnológico de Monterrey/Septimo semestre/Analítica de datos /RETO/Bases de datos finales/Base externa /us_motor_production_and_domestic_sales.csv")
```

#### Llamar Librerias
```{r}
library(forecast)
```


#### Crear serie de tiempo
```{r}
EUA <- c(10752,8672,5710,7744,8662,10336,11067,11611,12106,12179,11179,11297,10893,8821)

produccion_st1 <- ts(data = EUA, start = c(2007,1), frequency = 1)
produccion_st1
```


#### Graficar Pronostico
```{r}
modelo1 <- auto.arima(produccion_st1)
modelo1

pronostico1 <- forecast(modelo1, level=c(95), h=3)
pronostico1

plot(pronostico1)
```

En cuanto a la producción total de autos en Estados Unidos podemos obsevar que del 2010 al 2019 tuvieron un aumento significativo en su producción, y para 2020 tuvo una caída a causa de la pandemia, se pronostica que para 2023  esta producción siga baja pero que después esta ya empiece a aumnetar.

### Pronóstico EUA DOMESTIC SALES

```{r}

#file.choose("/Users/mac/Downloads/us_motor_production_and_domestic_sales (2).csv")
EUA1<- read_csv("/Users/joseramonvazquezguzman/Documents/Tecnológico de Monterrey/Septimo semestre/Analítica de datos /RETO/Bases de datos finales/Base externa /us_motor_production_and_domestic_sales.csv")

```


#### Llamar Librerias
```{r}
library(forecast)
```


#### Crear serie de tiempo
```{r}
EUA1 <- c(12687,10108,7868,9020,10109,11582,12479,13389,14128,13969,13644,13711,13677,11571)

produccion_st2 <- ts(data = EUA1, start = c(2007,1), frequency = 1)
produccion_st2
```


#### Graficar Pronostico
```{r}
modelo2 <- auto.arima(produccion_st2)
modelo2

pronostico2 <- forecast(modelo2, level=c(95), h=3)
pronostico2

plot(pronostico2)
```


###  Pronóstico MERMA 

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

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

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

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

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

plot(pronostico)
```

Se pronostica que en octubre la merma acumulada se mantenga en alrededor 2000 kilos aproximadamente, siendo más bajo que meses anteriores. Por lo que se propone reducir la merma todavía un 15 % más o 20% para reducirla a 1500 kilos para próximo mes.







##  Sección 3 

## <span style="color: orange" > K-means Clusters  </span>
 
 
## Definición de conceptos 

Conceptos que contribuyen a la identificación de clusters usando analítica de datos. 

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


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

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


## Cluster edad y salario diario

###  Leer la base de datos 
```{r message=FALSE, warning=FALSE}
bajasdata <-read.csv("/Users/joseramonvazquezguzman/Documents/Tecnológico de Monterrey/Septimo semestre/Analítica de datos /RETO/Bases de datos finales/RH/RHBAJASLIMPIA1.csv")
summary(bajasdata)
```

###  Limpieza. Seleccionar variables relevantes
```{r message=FALSE, warning=FALSE}
bajasdata1<-bajasdata
bajasdata1<-subset(bajasdata,select = -c(Gen,Fecha_alta,MB,PuestDes,Estado,Nom,Col,Mun,Baja, EstCiv, Días_trab))
summary(bajasdata1)
```

###  Limpieza. Eliminar edad 0
```{r message=FALSE, warning=FALSE}
bajasdata2 <- bajasdata1
bajasdata2 <- bajasdata2 [bajasdata2$Edad> min(1), ]
summary(bajasdata2)
```

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

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

###  Visualizar el cluster
```{r message=FALSE, warning=FALSE}
edad_cluster1<-kmeans(bajas_data_norm,3)
edad_cluster1
```

```{r message=FALSE, warning=FALSE}
fviz_cluster(edad_cluster1,data=bajas_data_norm)
```

###  Análisis de clusters
```{r warning=FALSE}

bajasdata3<- bajasdata2
bajasdata3$Clusters<-edad_cluster1$cluster
bajasdata4<-bajasdata3 %>% group_by(Clusters) %>% summarise(Edad=max(Edad)) %>% arrange(desc(Edad))
bajasdata3$Cluster_Names<-factor(bajasdata3$Clusters,levels = c(1,2,3), 
                                 labels=c("Adulto", "Joven", "Jubilación"))


```

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

```{r message=FALSE, warning=FALSE}
clusters<-as.data.frame(bajasdata5)
clusters
```

###  Gráfico de barras de las bajas con edad máxima de cluster
```{r message=FALSE, warning=FALSE}
ggplot(bajasdata5, aes(x=Cluster_Names,y=edad_años,fill= Cluster_Names,label=round(edad_años,digits=2))) + 
  geom_col() + 
  geom_text()
```

###  Gráfico de barras de las bajas con su salario
```{r message=FALSE, warning=FALSE}
ggplot(bajasdata5,aes(x=Cluster_Names,y=Sal_IMSS ,fill= Cluster_Names,label=round(Sal_IMSS,digits=2))) + 
  geom_col() +  
  geom_text()
```

## Dispersión de la edad
```{r message=FALSE, warning=FALSE}
ggplot(bajasdata3, aes(x=Cluster_Names, y=Edad, fill=Cluster_Names)) +
  geom_boxplot()+
  ggtitle("Dispersion of 'Edad' by Clusters Names")
```

###  Dispersión del salario diario
```{r message=FALSE, warning=FALSE}
ggplot(bajasdata3, aes(x=Cluster_Names, y=Sal_IMSS, fill=Cluster_Names)) +
  geom_boxplot()+
  ggtitle("Dispersion of 'Salario_Diario' by Clusters Names")
```

##  Cluster edad y días laborados

```{r message=FALSE, warning=FALSE}
RHBAJAS <-read.csv("/Users/joseramonvazquezguzman/Documents/Tecnológico de Monterrey/Septimo semestre/Analítica de datos /RETO/Bases de datos finales/RH/RHBAJASLIMPIA1.csv")
```

###  Analizar base de datos.
```{r message=FALSE, warning=FALSE}
summary(RHBAJAS)
str(RHBAJAS)
describe(RHBAJAS)
```

###  Edad vs dias laborados-Clusters
```{r message=FALSE, warning=FALSE}
RHBAJAS1<-RHBAJAS
RHBAJAS1<-subset(RHBAJAS1,select = -c(Gen,Fecha_alta,MB,PuestDes,Estado,Nom,Col,Mun,Baja))
summary(RHBAJAS1)
```

###  Eliminar renglones 
Eliminamos dos reglones que tenian como edad (0)
```{r message=FALSE, warning=FALSE}
RHBAJAS2 <- RHBAJAS1
RHBAJAS2 <- RHBAJAS2 [RHBAJAS2$Edad> min(1), ]
summary(RHBAJAS2)
```

###  Normalizar la base de datos
```{r message=FALSE, warning=FALSE}
RH_EDAD_NORM<-scale(RHBAJAS2[1:2])
```

###  Se visualizan el # correcto de clusters a realizar
```{r message=FALSE, warning=FALSE}
fviz_nbclust(RH_EDAD_NORM, kmeans, method="wss")+ 
  geom_vline(xintercept=4, linetype=2)+         
  labs(subtitle = "Elbow method")  

RHEDAD_Cluster1<-kmeans(RH_EDAD_NORM,4)
RHEDAD_Cluster1
```

###  Visualizar el cluster
```{r message=FALSE, warning=FALSE}
fviz_cluster(RHEDAD_Cluster1,data=RH_EDAD_NORM)
```

###  Análisis profundo del Cluster
```{r message=FALSE, warning=FALSE}
RHBAJAS3 <- RHBAJAS2
RHBAJAS3$Clusters<-RHEDAD_Cluster1$cluster
RHBAJAS4<-RHBAJAS3 %>% group_by(Clusters) %>% summarise(Edad=max(Edad)) %>% arrange(desc(Edad))
RHBAJAS3$Cluster_Names<-factor(RHBAJAS3$Clusters,levels = c(1,2,3,4), 
                                 labels=c("Adulto", "Principiante", "Mayor", "Juvenil"))
```

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

```{r message=FALSE, warning=FALSE}
clusters<-as.data.frame(RHBAJAS6)
clusters
```


###  Análisis de datos del cluster expresados por gráficas

```{r message=FALSE, warning=FALSE}
ggplot(RHBAJAS6,aes(x=reorder(Cluster_Names,Count),y=Count,fill=Cluster_Names)) +
  geom_bar(stat="identity")
```

###  Edades (máximas), al igual se puede realizar con un barplot
```{r message=FALSE, warning=FALSE}
ggplot(RHBAJAS6, aes(x=Cluster_Names,y=edad_años,fill= Cluster_Names,label=round(edad_años,digits=2))) + 
  geom_col() + 
  geom_text()
```

###  Días laborados (Máximos)
```{r message=FALSE, warning=FALSE}
ggplot(RHBAJAS6,aes(x=Cluster_Names,y=Días_trab,fill= Cluster_Names,label=round(Días_trab,digits=2))) + 
  geom_col() + 
  geom_text()
```

###  Gráfica de Boxplot (Análisis de las edades de los 4 grupos.)
```{r message=FALSE, warning=FALSE}
ggplot(RHBAJAS3, aes(x=Cluster_Names, y=Edad, fill=Cluster_Names)) +
  geom_boxplot()+
  ggtitle("Edad (Dispersion)")
```

##  Hallazgos identificacos 

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

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


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

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


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

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


El grupo que cuenta con más días laborados es el de edad máxima, siendo los adultos, de igual manera estos cuentan con un salario mayor.  
Por último podemos observar que en los gráficos que se analizan con estas variables tenemos los siguientes puntos a consideración: 

- Edad Máxima   

- Días Laborados Máximos

- Recuento de los grupos que presentan mayor actividad en la empresa.

- La dispersión de edad que existe entre cada uno de los grupos. 


## <span style="color: orange" > Sección 4  </span>

##  Identificación de resultados relevantes y sugerencias 

###  ***Principales hallazgos ***

1.  **RH**: En cuanto al salario del IMSS en el género de los empleados y dependiendo de si son casados, divoricados, solteros o estan en unión libre. Se puede concluir que las mujeres tienen en promedio en estas cuatro categorías un salario mayor al de los hombres y los solteros tienen un mayor salario comparado con las otras categorias.

2. **Producción**: Se puede ver que el cliente que más piezas programadas tiene es YANFENG dedicandosele un tiempo de calidad de 1.1 minuto, mientras que el cliente VL-017-1486 es el cliente que tiene casi la mitad de piezas programadas y es al que más tiempo se le dedica tiempo. Esto puede indicar que sus piezas pudieran ser de mucho márgen de error.

3. **Delivery Plan:** Hella es el cliente con mayor cantidad de unidades y además de eso cuenta con algunos outliers muy por encima de la median, seguido por TRMX el cual no cuenta con outliers.

4.**Merma:** Podemos ver como en Agosto se tuvo un promedio de merma por día sobrepasando los 3000 kilos, siendo esta gráfica relevante para poder identificar factores importantes y reducir estas cantidades aplicando KPI’s

5. **Delivery Performance**: Mahle es el cliente con mayor retraso sobre pasando los 60 minutos de retraso, mientras que Printel siempre se mantiene por debajo de los 30 minutos.

6. **Scrap:** Se tiene mucho scrap en la empresa principalmente en la etapa de pre-producción, la mayor cantidad de scrap es generada en el área de SAB / Pre producción de la empresa, por lo que se tienen que tomar medidas para poder reducir estas cantidades lo máximo posible quizá usando el material de manera optima para evitar tanto Scrap.


###  Propuestas para FORM

1. Mejorar los tiempos de set up, siendo estos ya cortos entre pausa y pausa puede ser más complicado bajar el porcentaje, pero de igual manera se puede hacer más efectivo el aprovecahamiento del tiempo por lo que se propone reducir un 15%-20% más el tiempo que hay entre este set up mediante el mantenimiento y cuidado de la maquinaria y compromiso y atención de los colaboradores.

2.Scrap: Aquí lo que se propone es medier exactamente la cantidad que se requiere de material para poder evitar tener esos desperdicios. Analizando estas variables se confirma que en el área de pre-producción es donde se genera la mayor parte del scrap en su mayoría que es casi el 85% de scrap que se genera dentro de la empresa.

3. Implementar KPI’s específicos con los colaboradores que se encargan de la producción con una medida de tiempo mes con mes donde se reduzca la merma producida y esta baje en un 15% a 20% ala termino del primer mes de establecer los KPI´s.
También se sugiere mantener el nivel de calidad siempre en ese estándar de excelencia para no tener productos regresados, contratiempos con esas entregas o que se retrasen otras por culpa de tener que producir o arreglar cierto empaque.

##  Responder a las siguientes preguntas

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

1. **Business Analytics**: Es una combinación de habilidades, tecnologías y prácticas que se utilizan para examinar los datos y el rendimiento de una organización. Es una forma de obtener información y tomar decisiones basadas en datos en el futuro utilizando el análisis estadístico, se puede traducir como análisis empresarial y este se enfoca en datos históricos y actuales. Su objetivo es identificar patrones o problemas, identificar los posibles riesgos y tomar acciones para disminuirlos. 

2. ***Business Inteligence***: Se enfoca principalmente en lo que es la toma de decisiones utilizando los datos recabados en el proceso de business analytics, también es el conjunto de herramientas que permiten que los datos se transformen en informacón y que esta pase a ser conocimiento. Se usa para evaluar, optimizar y coordinar las operaciones internas de una empresa. 

***Diferencias:***

1. Eventos actuales frente a posibilidades futuras: Con esto nos referimos al enfoque en el momento en que ocurren estos eventos.

2. La form a en la que se utilizan, por ejemplo BI es una analítica descriptiva ya que esta diseñado para decirle lo que ha sucedido, mientras que por otra parte BA es un tipo de analítica predictiva ya que identifica tendencias en los datos. 

3. Las herramientas que presenta BI son más utilizadas por especialistas en marketing, contabilidad, y su visualización es más digerible, o facil de entender mientras que en las herramientas de BA se becesita más trabajo para analizar la información e interpretarla y quienes la usan son más analístas 

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

**Key Performance Indicators (KPI)**: Los indicadores de desempeño o medidor de desempeño se refiere a una serie de  métricas que se utilizan para sintetizar la información. El objetivo final de un KPI es ayudar  tomar mejores decisiones respecto al estado actual de un proceso, proyecto o estrategia.

**Los KPI son utilizados por diversas ventajas**: 

1. Permiten obtener información valiosa y útil.

2. Medir determinadas variables y resultados a partir de dicha información.

3. Analizar la información y efectos de unas determinadas estrategias (así como las tareas que se utilizaron para llevar a cabo las mismas).

4. Comparar la información y determinar las estrategias y tareas efectivas.

5. Tomar las decisiones oportunas.

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

1. Reducir la merma producida y que esta baje en un 15% a 20% al termino del primer mes de establecer el KPI.

2. Rotación de nnventario para conocer la efectividad de los recursos con los que cuenta la empresa y que FORM pueda crear asegurar que sus gastos le darán un retorno de inversión lo más pronto posible. Esto ayudara a que la empresa también pueda tener más libre el almacen.

3. Número de unidades producidas al mes, ya que estás podran ayudar a medir la productividad de FORM y tener más control dentro de sus operaciones. 


## <span style="color: orange" >  Referencias  </span>

Colaboración (no date) KPI's ¿Qué son, para qué sirven y por qué y cómo utilizarlos?, Tips de Logicalis. Available at: https://blog.es.logicalis.com/analytics/kpis-qu%C3%A9-son-para-qu%C3%A9-sirven-y-por-qu%C3%A9-y-c%C3%B3mo-utilizarlos (Accessed: October 21, 2022). 

Biblioteca - Tec de Monterrey: Biblioteca Tec - Escuela de Negocios: Inicio (no date) Tecnológico de Monterrey. Available at: https://biblioteca.tec.mx/edn (Accessed: October 21, 2022). 







