“Evidencia 2”
José María Durazo Durazo
2022-10-21
Inicio
Cargamos librerias
Recursos Humanos
rh<-read.csv("C:\\Users\\chema\\Downloads\\recursoshumanos.csv")
summary(rh)## No..De.Empleado APELLIDOS NOMBRE FECHA.DE.NACIMIENTO
## Min. : 1.00 Length:112 Length:112 Length:112
## 1st Qu.: 24.50 Class :character Class :character Class :character
## Median : 48.00 Mode :character Mode :character Mode :character
## Mean : 56.78
## 3rd Qu.: 83.00
## Max. :148.00
## NA's :21
## GENERO RFC FECHA.DE.ALTA Primer.mes
## Length:112 Length:112 Length:112 Length:112
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## X4to.mes BAJA PUESTO DEPARTAMENTO
## Length:112 Min. :3 Length:112 Length:112
## Class :character 1st Qu.:3 Class :character Class :character
## Mode :character Median :3 Mode :character Mode :character
## Mean :3
## 3rd Qu.:3
## Max. :3
## NA's :99
## NO.SEGURO.SOCIAL SALARIO.DIARIO.IMSS FACTOR.CRED.INFONAVIT
## Length:112 Min. :144.4 Length:112
## Class :character 1st Qu.:176.7 Class :character
## Mode :character Median :180.7 Mode :character
## Mean :179.0
## 3rd Qu.:180.7
## Max. :337.1
##
## No..CREDITO.INFONAVIT LUGAR.DE.NACIMIENTO CURP
## Length:112 Length:112 Length:112
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
##
##
## CALLE NUMERO.INTERNO COLONIA MUNICIPIO
## Length:112 Length:112 Length:112 Length:112
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## ESTADO CODIGO.POSTAL ESTADO.CIVIL TARJETA....CUENTA
## Length:112 Min. :25016 Length:112 Length:112
## Class :character 1st Qu.:66640 Class :character Class :character
## Mode :character Median :66646 Mode :character Mode :character
## Mean :63331
## 3rd Qu.:66649
## Max. :67493
## str(rh)## 'data.frame': 112 obs. of 26 variables:
## $ No..De.Empleado : int 1 2 3 4 5 6 7 8 9 10 ...
## $ APELLIDOS : chr "MARTINEZ DE LOERA" "DE LEON MORENO" "HERNANDEZ CERVANTES" "CAZARES MORALES" ...
## $ NOMBRE : chr "NICOLAS" "MARIANA" "JOSE LUIS" "MARIA" ...
## $ FECHA.DE.NACIMIENTO : chr "10/09/1955" "14/05/1979" "21/11/1949" "01/05/1990" ...
## $ GENERO : chr "MASCULINO" "FEMENINO" "MASCULINO" "FEMENINO" ...
## $ RFC : chr "MALN550910338" "LEMM7905148GA" "HECL4911213X3" "CAMM9005019S8" ...
## $ FECHA.DE.ALTA : chr "01/07/2010" "01/07/2011" "22/11/2011" "30/01/2013" ...
## $ Primer.mes : chr "7/31/2010" "7/31/2011" "" "3/1/2013" ...
## $ X4to.mes : chr "10/29/2010" "10/29/2011" "" "5/30/2013" ...
## $ BAJA : int NA NA NA NA NA NA NA NA NA NA ...
## $ PUESTO : chr "Supervisor de M\xe1quin" "Supervisor de pegado" "Externo" "SUPERVISORA" ...
## $ DEPARTAMENTO : chr "Produccion Cart\xf3n MDL" "Produccion Cart\xf3n MDL" "Externo" "Produccion Cart\xf3n MC" ...
## $ NO.SEGURO.SOCIAL : chr "43745527937" "43127902955" "2184909675" "43089001317" ...
## $ SALARIO.DIARIO.IMSS : num 177 177 177 337 177 ...
## $ FACTOR.CRED.INFONAVIT: chr "" "" "" "" ...
## $ No..CREDITO.INFONAVIT: chr "" "" "" "" ...
## $ LUGAR.DE.NACIMIENTO : chr "" "" "" "" ...
## $ CURP : chr "MALN550910HZSRRC09" "LEMM790514MCLNRR09" "HECL491121HJCRRS04" "CAMM900501MVZZRR00" ...
## $ CALLE : chr "JOSE I LUGO" "44682" "HACIENDA SAN CRISTOBAL" "RIO ACAPONETA" ...
## $ NUMERO.INTERNO : chr "" "115" "" "" ...
## $ COLONIA : chr "UNIDAD LABORAL" "SANTA TERESITA" "VILLAS DE HUINALA" "PUEBLO NUEVO" ...
## $ MUNICIPIO : chr "SAN NICOLAS DE LOS G" "APODACA" "APODACA" "APODACA" ...
## $ ESTADO : chr "Nuevo Le\xf3n" "Nuevo Le\xf3n" "Nuevo Le\xf3n" "Nuevo Le\xf3n" ...
## $ CODIGO.POSTAL : int 66440 66605 66634 66649 66620 25016 66633 66649 25290 66473 ...
## $ ESTADO.CIVIL : chr "Soltero" "Soltero" "Soltero" "Casado" ...
## $ TARJETA....CUENTA : chr "BANORTE" "BANORTE" "BANORTE" "BANORTE" ...dim(rh)## [1] 112 26apply(is.na(rh), 2, sum)## No..De.Empleado APELLIDOS NOMBRE
## 21 0 0
## FECHA.DE.NACIMIENTO GENERO RFC
## 0 0 0
## FECHA.DE.ALTA Primer.mes X4to.mes
## 0 0 0
## BAJA PUESTO DEPARTAMENTO
## 99 0 0
## NO.SEGURO.SOCIAL SALARIO.DIARIO.IMSS FACTOR.CRED.INFONAVIT
## 0 0 0
## No..CREDITO.INFONAVIT LUGAR.DE.NACIMIENTO CURP
## 0 0 0
## CALLE NUMERO.INTERNO COLONIA
## 0 0 0
## MUNICIPIO ESTADO CODIGO.POSTAL
## 0 0 0
## ESTADO.CIVIL TARJETA....CUENTA
## 0 0rh <- clean_names(rh)
colnames(rh)## [1] "no_de_empleado" "apellidos" "nombre"
## [4] "fecha_de_nacimiento" "genero" "rfc"
## [7] "fecha_de_alta" "primer_mes" "x4to_mes"
## [10] "baja" "puesto" "departamento"
## [13] "no_seguro_social" "salario_diario_imss" "factor_cred_infonavit"
## [16] "no_credito_infonavit" "lugar_de_nacimiento" "curp"
## [19] "calle" "numero_interno" "colonia"
## [22] "municipio" "estado" "codigo_postal"
## [25] "estado_civil" "tarjeta_cuenta"Podemos notar en esta base de datos al usar la función de summary, que existen varias variables que no serán necesarias para trabajar en esta base de datos. Al igual que existen variables que necesitan ser cambiadas de tipo de variable.Por ultimo, algunos de los colaboradores no cuentan con Numero de empleado, lo cual omitiré ya que no será necesario de esa información.
Las variables inecesarias para realizar proximos analisis son: RFC, Baja, Numero de seguro social, Factor credito infonavit, curp, todas las variables relacionadas con el nacimiento de la persona y su ubicación y por ultimo su cuenta bancaria.
Limpieza de datos
En esta base de datos se aplicaron 4 tecnicas de limpieza: 1. Se creó una nueva columna para Nombre Completo 2. Se eliminaron y ordenaron columnas que no eran necesarias. 3. Se corrigieron nombres de variables, al mismo tiempo que se estandarizaron algunos registros
rh<-mutate(rh,nombre_completo = paste(rh$nombre, rh$apellidos, sep=" "))
rh<-dplyr::select(rh,-c(rfc,baja,no_credito_infonavit,factor_cred_infonavit,curp,tarjeta_cuenta,apellidos,nombre,calle,numero_interno,colonia,municipio,estado,codigo_postal,x4to_mes,primer_mes,no_de_empleado,lugar_de_nacimiento,no_seguro_social))
rh<-rh[,c(8,1,2,3,4,5,6,7)]Cambiar fechas de caractér a tipo de variable correcta
rh$fecha_de_nacimiento<-as.Date(rh$fecha_de_nacimiento, format = "%d/%m/%Y")
rh$fecha_de_alta<-as.Date(rh$fecha_de_alta, format = "%d/%m/%Y")Estandarizar registros de puesto y departamento
Puesto
unique(rh$puesto)## [1] "Supervisor de M\xe1quin" "Supervisor de pegado"
## [3] "Externo" "SUPERVISORA"
## [5] "CUSTOMER SERVICE INF" "COSTURERA"
## [7] "AYUDANTE GENERAL" "Ayudante general"
## [9] "GESTOR" "CHOFER"
## [11] "LIDER" "MANTENIMIENTO"
## [13] "RESIDENTE" "LIMPIEZA"
## [15] "INSPECTOR DE CALIDAD" "EXTERNO"
## [17] "PINTOR" "SOLDADOR"
## [19] "AY. GENERAL" "RECIBO"
## [21] "ENFERMERA" "OP. FLEXO-RANURADORA-REFILADORA"
## [23] "GUARDIA DE SEGURIDAD" "MOZO"
## [25] "INSPECTORA DE CALIDAD" "CHOFER GESTOR"
## [27] "OPERADOR SIERRA" "AYUDANTE DE MANTENIMIENTO"
## [29] "MONTACARGUISTA"rh$puesto <- replace(rh$puesto,rh$puesto=="Supervisor de M\xe1quin","SUPERVISOR(A)")
rh$puesto <- replace(rh$puesto,rh$puesto=="SUPERVISORA","SUPERVISOR(A)")
rh$puesto <- replace(rh$puesto,rh$puesto== "Supervisor de pegado","SUPERVISOR(A)")
rh$puesto <- replace(rh$puesto,rh$puesto== "Ayudante general" ,"AYUDANTE GENERAL")
rh$puesto <- replace(rh$puesto,rh$puesto== "AY. GENERAL","AYUDANTE GENERAL")
rh$puesto <- replace(rh$puesto,rh$puesto== "AYUDANTE DE MANTENIMIENTO","AYUDANTE GENERAL")
rh$puesto <- replace(rh$puesto,rh$puesto== "INSPECTOR DE CALIDAD","INSPECTOR(A)")
rh$puesto <- replace(rh$puesto,rh$puesto== "INSPECTORA DE CALIDAD","INSPECTOR(A)")
rh$puesto <- replace(rh$puesto,rh$puesto== "CHOFER GESTOR","CHOFER")
rh$puesto <- toupper(rh$puesto)
unique(rh$puesto)## [1] "SUPERVISOR(A)" "EXTERNO"
## [3] "CUSTOMER SERVICE INF" "COSTURERA"
## [5] "AYUDANTE GENERAL" "GESTOR"
## [7] "CHOFER" "LIDER"
## [9] "MANTENIMIENTO" "RESIDENTE"
## [11] "LIMPIEZA" "INSPECTOR(A)"
## [13] "PINTOR" "SOLDADOR"
## [15] "RECIBO" "ENFERMERA"
## [17] "OP. FLEXO-RANURADORA-REFILADORA" "GUARDIA DE SEGURIDAD"
## [19] "MOZO" "OPERADOR SIERRA"
## [21] "MONTACARGUISTA"Departamento
unique(rh$departamento)## [1] "Produccion Cart\xf3n MDL" "Externo"
## [3] "Produccion Cart\xf3n MC" "Costura"
## [5] "Cedis" "Producci\xf3n Retorn"
## [7] "Costura T2" "Embarques"
## [9] "EHS" "Limpieza"
## [11] "Calidad" "Paileria"
## [13] "Materiales" "COSTURA"
## [15] "" "Rotativa"
## [17] "Stabilus" "Troquel"
## [19] "Celdas" "Ay.flexo"
## [21] "CEDIS" "CORTADORAS"rh$departamento <- replace(rh$departamento,rh$departamento=="Produccion Cart\xf3n MDL","Producción Cartón MDL")
rh$departamento <- replace(rh$departamento,rh$departamento=="Producci\xf3n Retorn","Producción Retorn")
rh$departamento <- replace(rh$departamento,rh$departamento=="Produccion Cart\xf3n MC","Producción Cartón MC")
rh$departamento <- replace(rh$departamento,rh$departamento=="Costura T2","COSTURA")
rh$departamento <- replace(rh$departamento,rh$departamento=="Costura","COSTURA")Salario Diario IMSS
Cambiaremos a numero el salario diario de los colaboradores.
rh$salario_diario_imss<-as.numeric(rh$salario_diario_imss)
unique(rh$salario_diario_imss)## [1] 176.72 337.05 260.01 240.75 152.86 175.79 144.45 279.61 151.67 208.65
## [11] 240.71 151.61 180.68 181.68 184.68 185.68summary(rh)## nombre_completo fecha_de_nacimiento genero
## Length:112 Min. :1949-11-21 Length:112
## Class :character 1st Qu.:1977-04-20 Class :character
## Mode :character Median :1989-01-22 Mode :character
## Mean :1986-08-21
## 3rd Qu.:1997-01-03
## Max. :2022-02-23
## fecha_de_alta puesto departamento salario_diario_imss
## Min. :2010-07-01 Length:112 Length:112 Min. :144.4
## 1st Qu.:2020-08-27 Class :character Class :character 1st Qu.:176.7
## Median :2022-02-20 Mode :character Mode :character Median :180.7
## Mean :2021-01-12 Mean :179.0
## 3rd Qu.:2022-07-05 3rd Qu.:180.7
## Max. :2022-08-23 Max. :337.1
## estado_civil
## Length:112
## Class :character
## Mode :character
##
##
## Estado Civil
unique(rh$estado_civil)## [1] "Soltero" "Casado" "Uni\xf3n libre" "Union Libre"
## [5] "CASADA" "UNION LIBRE" "CASADO" "SOLTERA"
## [9] "DIVORCIADO" "SOLTERO" "DIVORCIADA"rh$estado_civil <- replace(rh$estado_civil,rh$estado_civil=="Soltero","SOLTERO(A)")
rh$estado_civil <- replace(rh$estado_civil,rh$estado_civil=="SOLTERA","SOLTERO(A)")
rh$estado_civil <- replace(rh$estado_civil,rh$estado_civil=="SOLTERO","SOLTERO(A)")
rh$estado_civil <- replace(rh$estado_civil,rh$estado_civil=="Uni\xf3n libre","UNIÓN LIBRE")
rh$estado_civil <- replace(rh$estado_civil,rh$estado_civil=="Uni<f3>n libre","UNIÓN LIBRE")
rh$estado_civil <- replace(rh$estado_civil,rh$estado_civil=="UNION LIBRE","UNIÓN LIBRE")
rh$estado_civil <- replace(rh$estado_civil,rh$estado_civil=="Union Libre","UNIÓN LIBRE")
rh$estado_civil <- replace(rh$estado_civil,rh$estado_civil=="Casado","CASADO(A)")
rh$estado_civil <- replace(rh$estado_civil,rh$estado_civil=="CASADO","CASADO(A)")
rh$estado_civil <- replace(rh$estado_civil,rh$estado_civil=="CASADA","CASADO(A)")
rh$estado_civil <- replace(rh$estado_civil,rh$estado_civil=="Casado","CASADO(A)")
rh$estado_civil <- replace(rh$estado_civil,rh$estado_civil=="DIVORCIADA","DIVORCIADO(A)")
rh$estado_civil <- replace(rh$estado_civil,rh$estado_civil=="DIVORCIADO","DIVORCIADO(A)")La base de datos de Recursos Humanos cuenta con 112 registros y 8 variables.
dim(rh)## [1] 112 8Variable<-c("Nombre Completo", "Fecha de Nacimiento", "Genero", "Fecha de Alta", "Puesto", "Departamento","Salario Diario IMSS", "Estado Civil")
Tipo<-c("Cualitativa", "Cualitativa", "Cualitativa", "Cualitativa", "Cualitativa","Cualitativa", "Cuantitativa (continua)","Cualitativa")
Escala_Medicion <-c("NA", "Fecha", "NA","Fecha","NA","NA","Pesos","NA")
tabla<-data.frame(Variable, Tipo, Escala_Medicion)
knitr::kable(tabla)| Variable | Tipo | Escala_Medicion |
|---|---|---|
| Nombre Completo | Cualitativa | NA |
| Fecha de Nacimiento | Cualitativa | Fecha |
| Genero | Cualitativa | NA |
| Fecha de Alta | Cualitativa | Fecha |
| Puesto | Cualitativa | NA |
| Departamento | Cualitativa | NA |
| Salario Diario IMSS | Cuantitativa (continua) | Pesos |
| Estado Civil | Cualitativa | NA |
Análisis Exploratorio de las Bases de Datos
Estadísticos descrptivos
Para concer los estadisticos de cada una de las variables, se utilizará la función describe. En el caso de esta base de datos, la unica variable que se pudo utilizar es Salario Diario IMSS
mea2 <- mean(rh$salario_diario_imss)
med2 <- median(rh$salario_diario_imss)
moda2<- mfv(rh$salario_diario_imss)
sd2 <- sd(rh$salario_diario_imss, na.rm = TRUE)
Variables <-c("Salario Diario Imss")
Media <-c(mea2)
Mediana <-c(med2)
Moda <-c(moda2)
Desviacion <-c(sd2)
tabla2 <-data.frame(Variables, Media, Mediana, Moda,Desviacion)
knitr::kable(tabla2)| Variables | Media | Mediana | Moda | Desviacion |
|---|---|---|---|---|
| Salario Diario Imss | 179.0415 | 180.68 | 180.68 | 24.39491 |
Esta tabla nos ayuda a identificar que el salario promedio de FORM es de 179.04 pesos, mientras que el salario mas repetido es de 180 pesos. Se cuenta con una desviación estandart de 24, la cual nos indica que la disperción entre los salarios es moderada.
Graficas
Primera Grafica (Barplot #1)
ggplot(rh, aes(x=genero, y=mean(salario_diario_imss), fill=genero)) +
geom_col() +
facet_grid(~estado_civil) + scale_fill_brewer(palette = "Set3")
Esta grafica nos muestra la relación que existe entre tres de nuestra
variables, siendo estas genero, salario diario y estado civil. Logramos
percibir que los salarios de las mujeres solteras es mayor al de los
hombres en todos los estados civiles. Sin embargo los hombres casados
perciben mayor salario que las mujeres casados. Esto puede ser por los
puestos que estos ocupan o por el rol economico que juega el hombre
dentro de la mayoria de las familias.
Segunda Grafica (Barplot #2)
hist(rh$salario_diario_imss)
Bajas
Limpieza de Datos
Importamos Bajas
rhb <- read.csv("C:\\Users\\chema\\Downloads\\BaseD_Limpia RH_ Bajas .csv")Entendemos la base de datos
summary(rhb)## nombre edad genero fecha_de_alta
## Length:237 Min. : 0.00 Length:237 Length:237
## Class :character 1st Qu.:23.00 Class :character Class :character
## Mode :character Median :29.00 Mode :character Mode :character
## Mean :30.52
## 3rd Qu.:37.00
## Max. :61.00
## motivo_de_baja dias_de_trabajo baja puesto_que_desempena
## 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
## salario_imss colonia municipio estado
## Min. :144.4 Length:237 Length:237 Length:237
## 1st Qu.:180.7 Class :character Class :character Class :character
## Median :180.7 Mode :character Mode :character Mode :character
## Mean :178.6
## 3rd Qu.:180.7
## Max. :500.0
## estado_civil
## Length:237
## Class :character
## Mode :character
##
##
## str(rhb)## '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 "3/9/2020" "11/9/2021" "11/10/2021" "11/10/2021" ...
## $ 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" "1/8/2022" "1/8/2022" "1/8/2022" ...
## $ puesto_que_desempena: chr "DISE\xd1O" "AYUDANTE GENERAL" "AYUDANTE GENERAL" "AYUDANTE GENERAL" ...
## $ salario_imss : num 500 152 152 152 152 ...
## $ colonia : chr "SAN NICOLAS DE LOS G" "COLINAS DEL AEROP\xd1UERTO" "PUEBLO NUEVO" "PUEBLO NUEVO" ...
## $ municipio : chr "SAN NICOLAS DE LOS G" "PESQUERIA" "APODACA" "APODACA" ...
## $ estado : chr "NUEVO LE\xd3N" "NUEVO LE\xd3N" "NUEVO LE\xd3N" "NUEVO LE\xd3N" ...
## $ estado_civil : chr "SOLTERO" "UNI\xd3N LIBRE" "CASADO" "SOLTERO" ...dim(rhb)## [1] 237 13apply(is.na(rhb), 2, sum)## nombre edad genero
## 0 0 0
## fecha_de_alta motivo_de_baja dias_de_trabajo
## 0 0 0
## baja puesto_que_desempena salario_imss
## 0 0 0
## colonia municipio estado
## 0 0 0
## estado_civil
## 0rh <- clean_names(rhb)
colnames(rhb)## [1] "nombre" "edad" "genero"
## [4] "fecha_de_alta" "motivo_de_baja" "dias_de_trabajo"
## [7] "baja" "puesto_que_desempena" "salario_imss"
## [10] "colonia" "municipio" "estado"
## [13] "estado_civil"Cambio de nombres de variables
names(rhb)<-c("nomb", "edad", "gen", "fecha_alta", "mb", "dias_trab", "baja", "puesto", "sal_imss", "col", "mun", "estado", "estciv")Cambiar tipo de variables
rhb$edad<-as.numeric(rhb$edad)
rhb$fecha_alta<-as.Date(rhb$fecha_alta, format = "%y/%m/%d")
rhb$baja<-as.Date(rhb$baja, format = "%y/%m/%d")
rhb$dias_trab<-as.numeric(rhb$edad)Estandarizar Variables
unique(rhb$estciv)## [1] "SOLTERO" "UNI\xd3N LIBRE" "CASADO" "DIVORCIADO"
## [5] "Uni\xf3n libre"rhb$estciv <- replace(rhb$estciv,rhb$estciv=="Soltero","SOLTERO(A)")
rhb$estciv <- replace(rhb$estciv,rhb$estciv=="SOLTERA","SOLTERO(A)")
rhb$estciv <- replace(rhb$estciv,rhb$estciv=="SOLTERO","SOLTERO(A)")
rhb$estciv <- replace(rhb$estciv,rhb$estciv=="Uni\xf3n libre","UNIÓN LIBRE")
rhb$estciv <- replace(rhb$estciv,rhb$estciv=="UNI\xd3N LIBRE","UNIÓN LIBRE")
rhb$estciv <- replace(rhb$estciv,rhb$estciv=="UNION LIBRE","UNIÓN LIBRE")
rhb$estciv <- replace(rhb$estciv,rhb$estciv=="Union Libre","UNIÓN LIBRE")
rhb$estciv <- replace(rhb$estciv,rhb$estciv=="Casado","CASADO(A)")
rhb$estciv <- replace(rhb$estciv,rhb$estciv=="CASADO","CASADO(A)")
rhb$estciv <- replace(rhb$estciv,rhb$estciv=="CASADA","CASADO(A)")
rhb$estciv <- replace(rhb$estciv,rhb$estciv=="Casado","CASADO(A)")
rhb$estciv <- replace(rhb$estciv,rhb$estciv=="DIVORCIADA","DIVORCIADO(A)")
rhb$estciv <- replace(rhb$estciv,rhb$estciv=="DIVORCIADO","DIVORCIADO(A)")
unique(rhb$mun)## [1] "SAN NICOLAS DE LOS G" "PESQUERIA"
## [3] "APODACA" "JUAREZ"
## [5] "GUADALUPE" "RAMOS ARIZPE"
## [7] "MONTERREY" "SAN PDRO COAH"
## [9] "CADEREYTA" "SAN NICOLAS DE LOS GARZA"
## [11] "SALTILLO" "ZUAZUA"
## [13] "CIENEGA DE FLORES"rhb$mun <- replace(rhb$mun,rhb$mun=="SAN NICOLAS DE LOS G","SAN NICOLAS DE LOS GARZA")
rhb$mun <- replace(rhb$mun,rhb$mun=="SAN PDRO COAH","COAHUILA")
unique(rhb$estado)## [1] "NUEVO LE\xd3N" "SALTILLO" "COAHUILA"rhb$estado <- replace(rhb$estado,rhb$estado=="NUEVO LE\xd3N","Nuevo León")
summary(rhb)## nomb edad gen fecha_alta
## Length:237 Min. : 0.00 Length:237 Min. :2001-04-20
## Class :character 1st Qu.:23.00 Class :character 1st Qu.:2008-06-20
## Mode :character Median :29.00 Mode :character Median :2015-06-20
## Mean :30.52 Mean :2015-06-12
## 3rd Qu.:37.00 3rd Qu.:2021-12-20
## Max. :61.00 Max. :2031-05-20
## mb dias_trab baja puesto
## Length:237 Min. : 0.00 Min. :2001-08-20 Length:237
## Class :character 1st Qu.:23.00 1st Qu.:2007-06-20 Class :character
## Mode :character Median :29.00 Median :2017-08-20 Mode :character
## Mean :30.52 Mean :2016-08-23
## 3rd Qu.:37.00 3rd Qu.:2025-04-20
## Max. :61.00 Max. :2031-01-20
## sal_imss col mun estado
## Min. :144.4 Length:237 Length:237 Length:237
## 1st Qu.:180.7 Class :character Class :character Class :character
## Median :180.7 Mode :character Mode :character Mode :character
## Mean :178.6
## 3rd Qu.:180.7
## Max. :500.0
## estciv
## Length:237
## Class :character
## Mode :character
##
##
## Se identificó que existen 2 registros con edad 0. Se utilizará la edad promedio del grupo, la cual es 31 años para remplazar los valores de dichos registros.
Remplazar valores invalidos por la media
rhb$edad<-replace(rhb$edad,rhb$edad==0,31)
summary(rhb)## nomb edad gen fecha_alta
## Length:237 Min. :18.00 Length:237 Min. :2001-04-20
## Class :character 1st Qu.:23.00 Class :character 1st Qu.:2008-06-20
## Mode :character Median :29.00 Mode :character Median :2015-06-20
## Mean :30.78 Mean :2015-06-12
## 3rd Qu.:37.00 3rd Qu.:2021-12-20
## Max. :61.00 Max. :2031-05-20
## mb dias_trab baja puesto
## Length:237 Min. : 0.00 Min. :2001-08-20 Length:237
## Class :character 1st Qu.:23.00 1st Qu.:2007-06-20 Class :character
## Mode :character Median :29.00 Median :2017-08-20 Mode :character
## Mean :30.52 Mean :2016-08-23
## 3rd Qu.:37.00 3rd Qu.:2025-04-20
## Max. :61.00 Max. :2031-01-20
## 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
##
##
## La base de datos de Recursos Humanos Bajas cuenta con 237 registros y 13 variables.
dim(rhb)## [1] 237 13Tipos de variables y medición
Variable<-c("Nombre", "Edad", "Genero", "Fecha de Alta", "Motivo de baja", "Días Trabajados","Baja", "Puesto","Salario IMMS","Colonia","Municipio","Estado","Estado Civil")
Tipo<-c("Cualitativa", "Cuantitativa", "Cualitativa", "Cualitativa", "Cualitativa","Cuantitativa", "Cualitativa","Cualitativa","Cuantitativa","Cualitativa","Cualitativa","Cualitativa","Cualitativa")
Escala_Medicion <-c("NA", "Años", "NA","Fecha","NA","Días","NA","NA","Pesos","NA","NA","NA","NA")
tabla<-data.frame(Variable, Tipo, Escala_Medicion)
knitr::kable(tabla)| Variable | Tipo | Escala_Medicion |
|---|---|---|
| Nombre | Cualitativa | NA |
| Edad | Cuantitativa | Años |
| Genero | Cualitativa | NA |
| Fecha de Alta | Cualitativa | Fecha |
| Motivo de baja | Cualitativa | NA |
| Días Trabajados | Cuantitativa | Días |
| Baja | Cualitativa | NA |
| Puesto | Cualitativa | NA |
| Salario IMMS | Cuantitativa | Pesos |
| Colonia | Cualitativa | NA |
| Municipio | Cualitativa | NA |
| Estado | Cualitativa | NA |
| Estado Civil | Cualitativa | NA |
Análisis Exploratorio de las Bases de Datos
Estadísticos descrptivos
mea <- mean(rhb$sal_imss)
med <- median(rhb$sal_imss)
moda <- mfv(rhb$sal_imss)
sd <- sd(rhb$sal_imss, na.rm = TRUE)
mea1 <- mean(rhb$edad)
med1 <- median(rhb$edad)
moda1 <- mfv(rhb$edad)
sd1 <- sd(rhb$edad, na.rm = TRUE)
mea2 <- mean(rhb$dias_trab)
med2 <- median(rhb$dias_trab)
moda2 <- mfv(rhb$dias_trab)
sd2 <- sd(rhb$dias_trab, na.rm = TRUE)
Variables <-c("Salario Diario Imss","Edad", "Dias Trabajados")
Media <-c(mea,mea1,mea2)
Mediana <-c(med,med1,med2)
Moda <-c(moda,moda1,moda2)
Desviacion <-c(sd,sd1,sd2)
tabla2 <-data.frame(Variables, Media, Mediana, Moda,Desviacion)
knitr::kable(tabla2)| Variables | Media | Mediana | Moda | Desviacion |
|---|---|---|---|---|
| Salario Diario Imss | 178.63945 | 180.68 | 180.68 | 25.441128 |
| Edad | 30.78059 | 29.00 | 21.00 | 9.612975 |
| Dias Trabajados | 30.51899 | 29.00 | 21.00 | 10.018450 |
Podemos ver que en esta tabla, que el trabajador promedio dentro de la base de datos RH Bajas tiene 31 años, llevaba 31 dias trabajando y ganaba un sueldo promedio de 178.63 pesos. La desviación mas alta dentro de las variables cuantitativas es de 25.44, siendo esta la desviación del salario diario. Esto nos indica que existe bastante disperción entre los registros maximos y minimos de la variable.
Graficas
Primera Grafica (Barplot #3)
ggplot(rhb, aes(x=gen, y=edad, fill=mb)) +
geom_bar(stat="identity") +
facet_grid(~estciv) + scale_fill_brewer(palette = "Set3")
Esta grafica nos muestra la relación que existe entre tres de nuestra
variables, siendo estas Genero, Edad, Motivo de baja y Estado civil.
Podemos notar que
Segunda Grafica (Scatter plot #1)
Para la realización de este scatter plot, se eliminaron 2 registros que cesgaban la muestra al momento de graficarla, dichos registros eran los 2 salarios mas altos, siendo uno de $500 y otro de 338.36.
rhb1<-rhb
rhb1 <- rhb1[rhb1$sal_imss<183.68,]
library(hrbrthemes)## NOTE: Either Arial Narrow or Roboto Condensed fonts are required to use these themes.## Please use hrbrthemes::import_roboto_condensed() to install Roboto Condensed and## if Arial Narrow is not on your system, please see https://bit.ly/arialnarrowggplot(rhb1, aes(x=edad, y=sal_imss, color=estciv)) +
geom_point(size=2) +
theme_dark()
Delivery Plan
Limpieza de datos
Importamos Delivery Plan
dpl <- read.csv("C:\\Users\\chema\\Downloads\\Delivery Plan BD Final (1).csv")Entendemos la base de datos
summary(dpl)## CLIENTE.PLANTA PROYECTO ID.ODOO ITEM
## Length:231 Length:231 Length:231 Length:231
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## JUNIO JULIO AGOSTO SEPTIEMBRE
## Min. : 0.00 Min. : 0.0 Min. : 0.00 Min. : 0
## 1st Qu.: 0.00 1st Qu.: 0.0 1st Qu.: 0.00 1st Qu.: 0
## Median : 0.00 Median : 0.0 Median : 0.00 Median : 0
## Mean : 29.06 Mean : 135.9 Mean : 77.45 Mean : 81
## 3rd Qu.: 0.00 3rd Qu.: 0.0 3rd Qu.: 0.00 3rd Qu.: 0
## Max. :1280.00 Max. :13120.0 Max. :3200.00 Max. :3200
## OCTUBRE NOVIEMBRE DICIEMBRE ene.22
## Min. : 0.0 Min. : 0.00 Min. : 0.0 Min. : 0.00
## 1st Qu.: 0.0 1st Qu.: 0.00 1st Qu.: 0.0 1st Qu.: 0.00
## Median : 0.0 Median : 0.00 Median : 0.0 Median : 0.00
## Mean : 62.0 Mean : 89.69 Mean : 100.4 Mean : 82.37
## 3rd Qu.: 11.5 3rd Qu.: 4.00 3rd Qu.: 1.5 3rd Qu.: 26.50
## Max. :3200.0 Max. :6400.00 Max. :6400.0 Max. :3200.00
## Feb.22 Mar.22 abr.22 May.22
## Min. : 0.0 Min. : 0.0 Min. : 0.0 Min. : 0.0
## 1st Qu.: 0.0 1st Qu.: 0.0 1st Qu.: 0.0 1st Qu.: 0.0
## Median : 0.0 Median : 0.0 Median : 0.0 Median : 0.0
## Mean : 103.5 Mean : 153.9 Mean : 186.5 Mean : 187.6
## 3rd Qu.: 0.0 3rd Qu.: 20.0 3rd Qu.: 24.0 3rd Qu.: 22.0
## Max. :9600.0 Max. :9600.0 Max. :16354.0 Max. :17665.0
## Jun.22 Jul.22 ago.22 Sep.22
## Min. : 0.0 Min. : 0.0 Min. : 0.0 Min. : 0.0
## 1st Qu.: 0.0 1st Qu.: 0.0 1st Qu.: 0.0 1st Qu.: 0.0
## Median : 0.0 Median : 0.0 Median : 0.0 Median : 0.0
## Mean : 171.2 Mean : 316.9 Mean : 131.5 Mean : 272.3
## 3rd Qu.: 1.0 3rd Qu.: 15.5 3rd Qu.: 0.0 3rd Qu.: 0.0
## Max. :11050.0 Max. :25900.0 Max. :13200.0 Max. :29379.0
## OCTUBRE.22 Nov.22 dic.22 ene.23
## Min. : 0.0 Min. : 0.000 Min. : 0.000 Min. : 0.0000
## 1st Qu.: 0.0 1st Qu.: 0.000 1st Qu.: 0.000 1st Qu.: 0.0000
## Median : 0.0 Median : 0.000 Median : 0.000 Median : 0.0000
## Mean : 120.9 Mean : 2.113 Mean : 1.225 Mean : 0.5974
## 3rd Qu.: 0.0 3rd Qu.: 0.000 3rd Qu.: 0.000 3rd Qu.: 0.0000
## Max. :16421.0 Max. :324.000 Max. :276.000 Max. :138.0000
## Feb.23 Mar.23 TOTAL.MESES
## Min. :0 Min. :0 Min. : 0
## 1st Qu.:0 1st Qu.:0 1st Qu.: 16
## Median :0 Median :0 Median : 115
## Mean :0 Mean :0 Mean : 2306
## 3rd Qu.:0 3rd Qu.:0 3rd Qu.: 724
## Max. :0 Max. :0 Max. :136754str(dpl)## 'data.frame': 231 obs. of 27 variables:
## $ CLIENTE.PLANTA: chr "STB3" "STB4" "STB5" "STB6" ...
## $ PROYECTO : chr "CANASTILLA GRIS" "Caja inter chica" "CHAROLA G09" "" ...
## $ ID.ODOO : chr "15.785" "" "19.12" "19.211" ...
## $ ITEM : chr "CABLE SET CAJA BACK UP CANASTILLA" "Caja intercompañía chica" "CHAROLA G09 915898 " "MOTOR GEAR BOX" ...
## $ JUNIO : int 0 0 0 0 0 0 0 0 0 192 ...
## $ JULIO : int 140 0 0 0 0 300 0 0 0 463 ...
## $ AGOSTO : int 530 0 0 0 0 0 0 50 0 226 ...
## $ SEPTIEMBRE : int 0 0 0 0 0 0 0 0 0 0 ...
## $ OCTUBRE : int 200 0 0 0 0 0 0 0 0 0 ...
## $ NOVIEMBRE : int 0 0 0 0 0 0 0 0 0 0 ...
## $ DICIEMBRE : int 150 184 75 1 0 0 9 0 0 0 ...
## $ ene.22 : int 230 125 126 0 0 0 0 0 0 0 ...
## $ Feb.22 : int 500 55 10 1 0 0 0 0 0 0 ...
## $ Mar.22 : int 0 55 5 0 0 0 0 0 0 0 ...
## $ abr.22 : int 0 0 0 1 0 400 0 0 0 0 ...
## $ May.22 : int 0 0 15 3 0 0 0 0 0 0 ...
## $ Jun.22 : int 200 0 5 2 100 0 0 0 0 0 ...
## $ Jul.22 : int 900 0 10 5 100 0 0 0 0 0 ...
## $ ago.22 : int 1000 0 0 3 0 0 0 0 0 0 ...
## $ Sep.22 : int 0 0 5 4 0 0 0 0 0 0 ...
## $ OCTUBRE.22 : int 0 0 50 6 0 0 0 0 0 0 ...
## $ Nov.22 : int 0 0 125 7 0 0 0 0 0 0 ...
## $ dic.22 : int 0 0 0 7 0 0 0 0 0 0 ...
## $ ene.23 : int 0 0 0 0 0 0 0 0 0 0 ...
## $ Feb.23 : int 0 0 0 0 0 0 0 0 0 0 ...
## $ Mar.23 : int 0 0 0 0 0 0 0 0 0 0 ...
## $ TOTAL.MESES : int 3850 419 426 40 200 700 9 50 0 881 ...dim(dpl)## [1] 231 27apply(is.na(dpl), 2, sum)## CLIENTE.PLANTA PROYECTO ID.ODOO ITEM JUNIO
## 0 0 0 0 0
## JULIO AGOSTO SEPTIEMBRE OCTUBRE NOVIEMBRE
## 0 0 0 0 0
## DICIEMBRE ene.22 Feb.22 Mar.22 abr.22
## 0 0 0 0 0
## May.22 Jun.22 Jul.22 ago.22 Sep.22
## 0 0 0 0 0
## OCTUBRE.22 Nov.22 dic.22 ene.23 Feb.23
## 0 0 0 0 0
## Mar.23 TOTAL.MESES
## 0 0colnames(dpl)## [1] "CLIENTE.PLANTA" "PROYECTO" "ID.ODOO" "ITEM"
## [5] "JUNIO" "JULIO" "AGOSTO" "SEPTIEMBRE"
## [9] "OCTUBRE" "NOVIEMBRE" "DICIEMBRE" "ene.22"
## [13] "Feb.22" "Mar.22" "abr.22" "May.22"
## [17] "Jun.22" "Jul.22" "ago.22" "Sep.22"
## [21] "OCTUBRE.22" "Nov.22" "dic.22" "ene.23"
## [25] "Feb.23" "Mar.23" "TOTAL.MESES"Cambiamos el nombre de las variables
colnames(dpl)<- c("cliente","proyecto","id_odoo","item","A_jun_21","B_jul_21","C_ago_21","D_sep_21","E_oct_21","F_nov_21","G_dic_21","H_ene_22","I_feb_22","J_mar_22","K_abr_22","L_may_22","M_jun_22","N_jul_22","O_ago_22","P_sep_22","Q_oct_22","R_nov_22","S_dic_22","T_ene_23","U_feb_23","V_mar_23","total_meses")Agregamos nuevas columnas y valores para unir los pedidos programados
dpl <- pivot_longer(dpl, cols=5:14, names_to = "Mes", values_to = "Unidades")Eliminamos columnas innecesarias
dpl <- filter(dpl, Unidades>0)
dpl1 <- dpl
dpl1 <- subset (dpl, select = -c (proyecto, id_odoo, item, K_abr_22, L_may_22, M_jun_22,N_jul_22,O_ago_22, P_sep_22, Q_oct_22, R_nov_22, S_dic_22, T_ene_23,U_feb_23, V_mar_23, total_meses))Cambiamos tipo de variable
dpl1$Unidades <- as.numeric(dpl1$Unidades)Analisis Descriptivo
La base de datos de Delivery Plan cuenta con 590 registros y 19 variables.
dim(dpl)## [1] 590 19Estadísticos descrptivos
mea21 <- mean(dpl1$Unidades)
med21 <- median(dpl1$Unidades)
moda21<- mfv(dpl1$Unidades)
sd21 <- sd(dpl1$Unidades, na.rm = TRUE)
Variables <-c("Unidades")
Media <-c(mea21)
Mediana <-c(med21)
Moda <-c(moda21)
Desviacion <-c(sd21)
tabla3 <-data.frame(Variables, Media, Mediana, Moda,Desviacion)
knitr::kable(tabla3)| Variables | Media | Mediana | Moda | Desviacion |
|---|---|---|---|---|
| Unidades | 358.3729 | 80 | 60 | 1002.834 |
En FORM el promedio de unidades programadas por cliente es de 358 unidades.
Variable<-c("Cliente", "Mes", "Unidades")
Tipo<-c("Cualitativa", "Cualitativa", "Cuantitativa continua")
Medición<-c("NA", "NA", "Unidades")
tabla8<-data.frame(Variable,Tipo, Medición)
tabla8## Variable Tipo Medición
## 1 Cliente Cualitativa NA
## 2 Mes Cualitativa NA
## 3 Unidades Cuantitativa continua UnidadesGraficas
Time Series Plot
Para poder realizar un time series plot es necesario convertir nuestras variables a fecha.
dpl1$Mes <- replace(dpl1$Mes,dpl1$Mes=="B_jul_21","2021/07/01")
dpl1$Mes <- replace(dpl1$Mes,dpl1$Mes=="C_ago_21","2021/08/01")
dpl1$Mes <- replace(dpl1$Mes,dpl1$Mes=="E_oct_21","2021/10/01")
dpl1$Mes <- replace(dpl1$Mes,dpl1$Mes=="G_dic_21","2021/12/01")
dpl1$Mes <- replace(dpl1$Mes,dpl1$Mes=="H_ene_22","2022/01/01")
dpl1$Mes <- replace(dpl1$Mes,dpl1$Mes=="I_feb_22","2022/02/01")
dpl1$Mes <- replace(dpl1$Mes,dpl1$Mes=="J_mar_22","2022/03/01")
dpl1$Mes <- replace(dpl1$Mes,dpl1$Mes=="A_jun_21","2021/06/01")
dpl1$Mes <- replace(dpl1$Mes,dpl1$Mes=="F_nov_21","2021/11/01")
dpl1$Mes <- replace(dpl1$Mes,dpl1$Mes=="D_sep_21","2021/09/01")
dpl1$Mes <- as.Date(dpl1$Mes, format = "%d/%m/%y")
p <- ggplot(dpl1, aes(x=Mes, y=Unidades)) +
geom_line( color="steelblue") +
geom_point() +
xlab("") +
theme(axis.text.x=element_text(angle=60, hjust=1)) +
scale_x_date(limit=c(as.Date("2021-06-01"),as.Date("2022-03-01"))) +
ylim(0,13120)
p## Warning: Removed 590 row(s) containing missing values (geom_path).## Warning: Removed 590 rows containing missing values (geom_point).
Esta grafica nos ayuda a visualizar los picos de pedidos en distintos
meses, siendo el de Julio del 2021 el mayor pico de Unidades
programadas en el año.
Grafica Datos cualitativos
library(treemap)
treemap(dpl1,
index="cliente",
vSize="Unidades",
type="index"
)
Esta grafica, nos ayuda a visualizar los clientes mas grandes de FORM, los cuales son Hella, TRMX y VARROC
Delivery Performance
***Importamos la base de datos
dpe <- read.csv("C:\\Users\\chema\\Downloads\\FORM - Delivery Performance (1).csv")Entendemos la base de datos
summary(dpe) ## Target Cliente Vueltas Plan.arrival
## Min. :1 Length:1440 Min. :1.00 Min. : 0.000
## 1st Qu.:1 Class :character 1st Qu.:1.00 1st Qu.: 0.000
## Median :1 Mode :character Median :1.50 Median : 4.000
## Mean :1 Mean :1.75 Mean : 6.625
## 3rd Qu.:1 3rd Qu.:2.25 3rd Qu.:10.750
## Max. :1 Max. :3.00 Max. :20.000
## Real.arrival Real.departure Diference Date
## Min. : 0.000 Min. : 0.000 Min. :-14.3500 Length:1440
## 1st Qu.: 0.000 1st Qu.: 0.000 1st Qu.: 0.0000 Class :character
## Median : 0.000 Median : 0.000 Median : 0.0000 Mode :character
## Mean : 3.823 Mean : 4.142 Mean : 0.3155
## 3rd Qu.: 8.000 3rd Qu.: 9.000 3rd Qu.: 0.8000
## Max. :23.500 Max. :24.500 Max. : 20.0000str(dpe)## 'data.frame': 1440 obs. of 8 variables:
## $ Target : int 1 1 1 1 1 1 1 1 1 1 ...
## $ Cliente : chr "PRINTEL " "MAHLE" "MAHLE" "MAHLE" ...
## $ Vueltas : int 1 1 2 3 1 1 2 3 1 1 ...
## $ Plan.arrival : int 16 8 9 20 0 0 0 0 16 8 ...
## $ Real.arrival : num 16 8 9 20 0 0 0 0 16 8 ...
## $ Real.departure: num 19.3 8.55 10 21 0 0 0 0 18.1 9 ...
## $ Diference : num 3.3 0.55 1 1 0 0 0 0 2.1 1 ...
## $ Date : chr "02/01/2022" "02/01/2022" "02/01/2022" "02/01/2022" ...dim(dpe)## [1] 1440 8apply(is.na(dpe), 2, sum)## Target Cliente Vueltas Plan.arrival Real.arrival
## 0 0 0 0 0
## Real.departure Diference Date
## 0 0 0colnames(dpe)## [1] "Target" "Cliente" "Vueltas" "Plan.arrival"
## [5] "Real.arrival" "Real.departure" "Diference" "Date"Limpieza de datos
Esta base de datos anteriormente fue limpiada atraves de excel, por lo que no será necesario realizar mucho codigo para limpiarla. Lo unico que es necesario hacer confines de graficación de datos, es convertir en fecha la variable de Date.
Cambiar tipo de Variable
dpe$Date <-as.Date(dpe$Date,format ="%m/%d/%Y")Analisis Descriptivos
La base de datos de Delivery Performance cuenta con 1440 registros y 8 variables.
dim(dpe)## [1] 1440 8Tipos de variable
Variable <- c("`Target`","`Cliente`","`Vueltas`","`Plan.arrival`","`Real.arrival`","`Plan.departure`","`Diference`","`Date`")
Tipo <- c("cuantitativo (discreto) ", "cualitativo ", "cuantitativo (discreto) ", "cuantitativo (continuo) ", "cuantitativo (continuo) ", "cuantitativo (continuo) ", "cuantitativo (continuo) ", "cualitativo ")
Medición <- c("Entregas", "NA", "Vueltas", "Tiempo", "Tiempo", "Tiempo", "Tiempo", "FECHA")
table8 <- data.frame (Variable, Tipo, Medición)
knitr::kable(table8)| Variable | Tipo | Medición |
|---|---|---|
Target
|
cuantitativo (discreto) | Entregas |
Cliente
|
cualitativo | NA |
Vueltas
|
cuantitativo (discreto) | Vueltas |
Plan.arrival
|
cuantitativo (continuo) | Tiempo |
Real.arrival
|
cuantitativo (continuo) | Tiempo |
Plan.departure
|
cuantitativo (continuo) | Tiempo |
Diference
|
cuantitativo (continuo) | Tiempo |
Date
|
cualitativo | FECHA |
Analisis Exploratorio
Medidas Estadisticas
mea <- mean(dpe$Target)
med <- median(dpe$Target)
moda <- mfv(dpe$Target)
sd <- sd(dpe$Target, na.rm = TRUE)
mea1 <- mean(dpe$Vueltas)
med1 <- median(dpe$Vueltas)
moda1 <- mfv(dpe$Vueltas)
sd1 <- sd(dpe$Vueltas, na.rm = TRUE)
mea2 <- mean(dpe$Plan.arrival)
med2 <- median(dpe$Plan.arrival)
moda2 <- mfv(dpe$Plan.arrival)
sd2 <- sd(dpe$Plan.arrival, na.rm = TRUE)
mea3 <- mean(dpe$Real.arrival)
med3 <- median(dpe$Real.arrival)
moda3 <- mfv(dpe$Real.arrival)
sd3 <- sd(dpe$Real.arrival, na.rm = TRUE)
mea4 <- mean(dpe$Real.departure)
med4 <- median(dpe$Real.departure)
moda4 <- mfv(dpe$Real.departure)
sd4 <- sd(dpe$Real.departure, na.rm = TRUE)
mea5 <- mean(dpe$Diference)
med5 <- median(dpe$Diference)
moda5 <- mfv(dpe$Diference)
sd5 <- sd(dpe$Diference, na.rm = TRUE)
Variables <-c("Target","Vueltas","Plan Arrival", "Real Arrival", "Real Departure", "Diference")
Media <-c(mea,mea1,mea2,mea3,mea4,mea5)
Mediana <-c(med,med1,med2,med3,med4, med5)
Moda <-c(moda,moda1,moda2,moda3,moda4,moda5)
Desviacion <-c(sd,sd1,sd2,sd3,sd4,sd5)
tabla5 <-data.frame(Variables, Media, Mediana,Moda,Desviacion)
knitr::kable(tabla5)| Variables | Media | Mediana | Moda | Desviacion |
|---|---|---|---|---|
| Target | 1.000000 | 1.0 | 1 | 0.0000000 |
| Vueltas | 1.750000 | 1.5 | 1 | 0.8294442 |
| Plan Arrival | 6.625000 | 4.0 | 0 | 7.5015634 |
| Real Arrival | 3.822792 | 0.0 | 0 | 6.5059024 |
| Real Departure | 4.141972 | 0.0 | 0 | 6.9486646 |
| Diference | 0.315500 | 0.0 | 0 | 0.9218758 |
Graficas
p <- ggplot(dpe, aes(x=Date, y=Vueltas)) +
geom_line( color="steelblue") +
geom_point() +
xlab("") +
theme_ipsum() +
theme(axis.text.x=element_text(angle=60, hjust=1)) +
scale_x_date(limit=c(as.Date("2022-01-02"),as.Date("2022-01-12")))
p## Warning: Removed 1392 row(s) containing missing values (geom_path).## Warning: Removed 1392 rows containing missing values (geom_point).## Warning in grid.Call(C_stringMetric, as.graphicsAnnot(x$label)): font family
## 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_stringMetric, as.graphicsAnnot(x$label)): font family
## 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_stringMetric, as.graphicsAnnot(x$label)): font family
## 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_stringMetric, as.graphicsAnnot(x$label)): font family
## 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_stringMetric, as.graphicsAnnot(x$label)): font family
## 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_stringMetric, as.graphicsAnnot(x$label)): font family
## 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_stringMetric, as.graphicsAnnot(x$label)): font family
## 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_stringMetric, as.graphicsAnnot(x$label)): font family
## 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_stringMetric, as.graphicsAnnot(x$label)): font family
## 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_stringMetric, as.graphicsAnnot(x$label)): font family
## 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_stringMetric, as.graphicsAnnot(x$label)): font family
## 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_stringMetric, as.graphicsAnnot(x$label)): font family
## 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_stringMetric, as.graphicsAnnot(x$label)): font family
## 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_stringMetric, as.graphicsAnnot(x$label)): font family
## 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_stringMetric, as.graphicsAnnot(x$label)): font family
## 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_stringMetric, as.graphicsAnnot(x$label)): font family
## 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_stringMetric, as.graphicsAnnot(x$label)): font family
## 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_stringMetric, as.graphicsAnnot(x$label)): font family
## 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_stringMetric, as.graphicsAnnot(x$label)): font family
## 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_stringMetric, as.graphicsAnnot(x$label)): font family
## 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_stringMetric, as.graphicsAnnot(x$label)): font family
## 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_stringMetric, as.graphicsAnnot(x$label)): font family
## 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_stringMetric, as.graphicsAnnot(x$label)): font family
## 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_stringMetric, as.graphicsAnnot(x$label)): font family
## 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_stringMetric, as.graphicsAnnot(x$label)): font family
## 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_stringMetric, as.graphicsAnnot(x$label)): font family
## 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_stringMetric, as.graphicsAnnot(x$label)): font family
## 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_stringMetric, as.graphicsAnnot(x$label)): font family
## 'Arial Narrow' not found, will use 'sans' instead## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead## Warning in grid.Call.graphics(C_text, as.graphicsAnnot(x$label), x$x, x$y, :
## font family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call.graphics(C_text, as.graphicsAnnot(x$label), x$x, x$y, :
## font family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call.graphics(C_text, as.graphicsAnnot(x$label), x$x, x$y, :
## font family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call.graphics(C_text, as.graphicsAnnot(x$label), x$x, x$y, :
## font family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call.graphics(C_text, as.graphicsAnnot(x$label), x$x, x$y, :
## font family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call.graphics(C_text, as.graphicsAnnot(x$label), x$x, x$y, :
## font family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call.graphics(C_text, as.graphicsAnnot(x$label), x$x, x$y, :
## font family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call.graphics(C_text, as.graphicsAnnot(x$label), x$x, x$y, :
## font family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call.graphics(C_text, as.graphicsAnnot(x$label), x$x, x$y, :
## font family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call.graphics(C_text, as.graphicsAnnot(x$label), x$x, x$y, :
## font family 'Arial Narrow' not found, will use 'sans' instead## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead## Warning in grid.Call.graphics(C_text, as.graphicsAnnot(x$label), x$x, x$y, :
## font family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call.graphics(C_text, as.graphicsAnnot(x$label), x$x, x$y, :
## font family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call.graphics(C_text, as.graphicsAnnot(x$label), x$x, x$y, :
## font family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call.graphics(C_text, as.graphicsAnnot(x$label), x$x, x$y, :
## font family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call.graphics(C_text, as.graphicsAnnot(x$label), x$x, x$y, :
## font family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call.graphics(C_text, as.graphicsAnnot(x$label), x$x, x$y, :
## font family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call.graphics(C_text, as.graphicsAnnot(x$label), x$x, x$y, :
## font family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call.graphics(C_text, as.graphicsAnnot(x$label), x$x, x$y, :
## font family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call.graphics(C_text, as.graphicsAnnot(x$label), x$x, x$y, :
## font family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call.graphics(C_text, as.graphicsAnnot(x$label), x$x, x$y, :
## font family 'Arial Narrow' not found, will use 'sans' instead## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
## family 'Arial Narrow' not found, will use 'sans' instead## Warning in grid.Call.graphics(C_text, as.graphicsAnnot(x$label), x$x, x$y, :
## font family 'Arial Narrow' not found, will use 'sans' instead
## Warning in grid.Call.graphics(C_text, as.graphicsAnnot(x$label), x$x, x$y, :
## font family 'Arial Narrow' not found, will use 'sans' instead
Esta grafica se puede utilizar con cualquiera de las variables de Delivery Performance, para conocer el comportamiento que estas tienen con el pasar del tiempo, en este caso se seleccionó Vueltas en el periodo del primero de enero de esta año, hasta el 12, en este periodo de tiempo podemos ver distintos picos.
Barplot
boxplot(Real.arrival ~ Plan.arrival, data = dpe,
main = "Real Arrival vs Planed Arrival",
col = rainbow(ncol(trees)))
Esta grafica nos muestra la disperción que existe entre el tiempo
llegada real de las entregas y el tiempo de llegada planeada.
Producción
pr <- read.csv("C:\\Users\\chema\\Desktop\\produccion.csv")Analizamos la base de datos
Limpieza de datos
En esta base de datos existen algunas variables que no serán necesarias para realizar un analisis estadistico, es por eso que se decidió borrarlas.
Eliminamos Columnas que no se utilizarán
pr <- subset(pr,select = -c (no, id_form, producto, hora_fin, inicio_setup, fin_inicio_su, inicio_proceso, fin_proceso, tiempo_materiales, merma))Cambiamos valores de NA´s por la MEDIANA
pr<-pr %>% mutate(piezas_prog=ifelse(is.na(piezas_prog),median(piezas_prog,na.rm=T),piezas_prog))
pr<-pr %>% mutate(tiempo_minutos=ifelse(is.na(tiempo_minutos),median(tiempo_minutos,na.rm=T),tiempo_minutos))
pr<-pr %>% mutate(laminas_procesadas=ifelse(is.na(laminas_procesadas),median(laminas_procesadas,na.rm=T),laminas_procesadas))
pr<-pr %>% mutate(tiempo_calidad=ifelse(is.na(tiempo_calidad),median(tiempo_calidad,na.rm=T),tiempo_calidad))Convertimos variables
pr$fecha<-as.Date(pr$fecha,format="%d/%m/%Y")
pr$piezas_prog<-as.numeric(pr$piezas_prog)## Warning: NAs introduced by coercionpr$tiempo_minutos<-as.numeric(pr$tiempo_minutos)## Warning: NAs introduced by coercionpr$laminas_procesadas<-as.numeric(pr$laminas_procesadas)## Warning: NAs introduced by coercionSubsituir NA´s por la media
pr$tiempo_minutos[is.na(pr$tiempo_minutos)]<-median(pr$tiempo_minutos, na.rm = TRUE)
pr$tiempo_calidad[is.na(pr$tiempo_calidad)]<-median(pr$tiempo_calidad, na.rm = TRUE)
pr$laminas_procesadas[is.na(pr$laminas_procesadas)]<-median(pr$laminas_procesadas, na.rm = TRUE)Analisis Exploratorio
mea2 <- mean(pr$piezas_prog)
med2 <- median(pr$piezas_prog)
moda2<- mfv(pr$piezas_prog)
sd2 <- sd(pr$piezas_prog, na.rm = TRUE)
mea3 <- mean(pr$tiempo_minutos)
med3 <- median(pr$tiempo_minutos)
moda3 <- mfv(pr$tiempo_minutos)
sd3 <- sd(pr$tiempo_minutos, na.rm = TRUE)
mea4 <- mean(pr$laminas_procesadas)
med4 <- median(pr$laminas_procesadas)
moda4 <- mfv(pr$laminas_prog)
sd4 <- sd(pr$laminas_procesadas, na.rm = TRUE)
mea5 <- mean(pr$tiempo_calidad)## Warning in mean.default(pr$tiempo_calidad): argument is not numeric or logical:
## returning NAmed5 <- median(pr$tiempo_calidad)
moda5 <- mfv(pr$tiempo_calidad)
sd5 <- sd(pr$tiempo_calidad, na.rm = TRUE)## Warning in var(if (is.vector(x) || is.factor(x)) x else as.double(x), na.rm =
## na.rm): NAs introduced by coercionmoda6 <- mfv(pr$cliente)
moda <- mfv(pr$fecha)
moda1 <- mfv(pr$estacion_arranque)
Variables <-c("Piezas_prog","Tiempo Minutos", "Laminas procesadas", "Tiempo Calidad", "Cliente","Fecha","Estación de Arranque")
Media <-c(mea2,mea3,mea4,mea5,"NA","NA","NA")
Mediana <-c(med2,med3,med4,med5,"NA","NA","NA")
Moda <-c(moda2,moda3,moda4,moda5,moda6,moda,moda1)
Desviacion <-c(sd2,sd3,sd4,sd5,"NA","NA","NA")
tabla2 <-data.frame(Variables, Media, Mediana, Moda,Desviacion)
knitr::kable(tabla2)| Variables | Media | Mediana | Moda | Desviacion |
|---|---|---|---|---|
| Piezas_prog | NA | NA | NA | 153.96601715546 |
| Tiempo Minutos | 21.183497351075 | 20 | 20 | 9.44792242800397 |
| Laminas procesadas | 47.9842101223844 | 11 | NaN | 100.830331569012 |
| Tiempo Calidad | NA | 2.51228375075327 | ||
| Cliente | NA | NA | STABILUS 1 | NA |
| Fecha | NA | NA | NA | NA |
| Estación de Arranque | NA | NA | NA |
Tabla de variables y medición
Variable<-c("Fecha", "Cliente", "Piezas Programadas", "Tiempo Mínimo", "Estación Arranque", "Láminas Procesadas", "Tiempo de Calidad")
Tipo <-c("Cualitativa", "Cualitativa", "Cuantitativa continua", "Cuantitativa continua", "Cualitativa", "Cuantitativa continua", "Cuantitativa continua")
Medición <-c("NA", "NA", "Unidades", "Minutos", "Na", "Unidades", "Minutos")
tab<-data.frame(Variable,Tipo,Medición)
tab## Variable Tipo Medición
## 1 Fecha Cualitativa NA
## 2 Cliente Cualitativa NA
## 3 Piezas Programadas Cuantitativa continua Unidades
## 4 Tiempo Mínimo Cuantitativa continua Minutos
## 5 Estación Arranque Cualitativa Na
## 6 Láminas Procesadas Cuantitativa continua Unidades
## 7 Tiempo de Calidad Cuantitativa continua MinutosGraficas
hist(pr$piezas_prog, main = "Laminas Procesadas", ylab = "Frecuencia", xlab = "Piezas Programadas", col = "red")
Merma
me <- read.csv("C:\\Users\\chema\\Downloads\\FORM1 - Merma.csv")Limpieza
Eliminamos filas de totales
me1<-me[-c(5,12,19,25,31,36,42,54,59,60),]Convertimos Variables
me1$Fecha<-as.Date(me1$Fecha, format = "%m/%d/%Y")
me1$Kilos<-as.numeric(me1$Kilos)Analisis Exploratorio
mea20<- mean(me1$Kilos)
med20<- median(me1$Kilos)
moda20<- mfv(me1$Kilos)
sd20<- sd(me1$Kilos, na.rm = TRUE)
Variables1 <-c("Kilos")
Media1 <-c(mea20)
Mediana1 <-c(med20)
Moda1 <-c(moda20)
Desviacion1 <-c(sd20)
tabla20 <-data.frame(Variables1, Media1, Mediana1, Moda1,Desviacion1)
knitr::kable(tabla20)| Variables1 | Media1 | Mediana1 | Moda1 | Desviacion1 |
|---|---|---|---|---|
| Kilos | 3708.52 | 3925 | 3140 | 1023.99 |
| Kilos | 3708.52 | 3925 | 3810 | 1023.99 |
| Kilos | 3708.52 | 3925 | 4190 | 1023.99 |
| Kilos | 3708.52 | 3925 | 4200 | 1023.99 |
Tabla de variables y medición
Variable<-c("Fecha", "Mes", "Kilos")
Tipo<-c("Cualitativa", "Cualitativa", "Cuantitativa continua")
Medición <-c("NA", "NA", "Kilogramos")
tab<-data.frame(Variable,Tipo, Medición)
tab## Variable Tipo Medición
## 1 Fecha Cualitativa NA
## 2 Mes Cualitativa NA
## 3 Kilos Cuantitativa continua KilogramosGraficas
library(ggplot2)
ggplot(me1, aes(x=as.factor(Mes), fill=as.factor(Kilos) )) +
geom_bar( ) +
scale_fill_grey(start = 0.25, end = 0.75) +
theme(legend.position="none")
En esta grafica podemos ver cual es el mes que mas merma genera, el cual
es el mes de Agosto.
Scrap
sc <- read.csv("C:\\Users\\chema\\Downloads\\FORM1 - Scrap (1).csv")Limpieza
Cambiamos el tipo de variable
sc$Fecha <- as.Date(sc$Fecha, format = "%d/%m/%Y")Media, Moda, Mediana y Desviación Estandar
mea22<- mean(sc$Cant)
med22<- median(sc$Cant)
moda22<- mfv(sc$Cant)
sd22<- sd(sc$Cant, na.rm = TRUE)
Variables8 <-c("Cantidad")
Media8 <-c(mea22)
Mediana8 <-c(med22)
Moda8 <-c(moda22)
Desviacion8 <-c(sd22)
tabla22 <-data.frame(Variables8, Media8, Mediana8, Moda8,Desviacion8)
knitr::kable(tabla22)| Variables8 | Media8 | Mediana8 | Moda8 | Desviacion8 |
|---|---|---|---|---|
| Cantidad | 6.726908 | 2 | 1 | 11.86371 |
Tabla de variables y medición
Variable<-c("Fecha", "Cantidad", "Ubicación de Origen")
Tipo<-c("Cualitativa", "Cuantitativa continua", "Cualitativa")
Medición <-c("NA", "Kilogramos", "NA")
tabla8<-data.frame(Variable,Tipo, Medición)
tabla8## Variable Tipo Medición
## 1 Fecha Cualitativa NA
## 2 Cantidad Cuantitativa continua Kilogramos
## 3 Ubicación de Origen Cualitativa NAGraficas
ggplot(sc, aes(x=as.factor(Ubi.origen), fill=as.factor(Cant) )) +
geom_bar( ) +
scale_fill_grey(start = 0.25, end = 0.75) +
theme(legend.position="none")
Sección 2
Importamos base de datos externa
Sección 3
1. Conceptos Claves
K- Vecinos Más Cercanos y/o K-Means
Clustering:
KNN y Kmeans clustering, son funciones las cuales ambas contribuyen a la
identificación de clusters ya que KMC es un algoritmo el cual se
utilizaa para agrupar, sin embargo KNN se utiliza mas que nada para la
clasificación de variables. (Harrison, 2018) En la función de K-means
clustering se divide un conjunto de n observaciones en k grupos, esta
función se usa cuando no se tienen etiquetas de grupo existentes y desea
asignar puntos de datos similares a la cantidad de grupos que
especifique (K). (Jim Frost, 2022)
Aprendizaje No Supervisado y/o Unsupervised
Learning:
El objetivo que tiene el unsupervised learning es el de descubrir grupos
de ejemplos similares dentro de los datos, lo que se denomina
“clustering”, o determinar cómo se distribuyen los datos en el espacio,
lo que se conoce como estimación de densidad Esta función contribuye a
la identificación de clusters ya que la agrupación en “clusters” es un
método de “unsupervissed learning” que funciona en conjuntos de datos en
los que no hay una variable de resultado (objetivo) ni se sabe nada
sobre la relación entre las observaciones, es decir, datos sin
etiquetar. (Frontiersin, 2019)
Distancia Euclidiana / Eucliedean Distance:
Al momento de usar “Euclidean distance” las observaciones con valores
altos de características se “agruparán” juntas. Lo mismo se aplica a las
observaciones con valores bajos de características. La correlación de
Pearson mide el grado de una relación lineal entre dos perfiles. (Waref,
2020) En otras palabras, la distancia euclidiana es la distancia que hay
entre dos datos en un espacio.
2. K-means Clustering
# descargar y llamar librerías
#install.packages("tidyverse")
library(tidyverse)
#install.packages("foreign")
#install.packages("dplyr")
library(ggplot2)
#install.packages("psych")
library(psych)
#install.packages("corrplot")
library(corrplot)
#install.packages("jtools")
library(jtools)
#install.packages("lmtest")
library(lmtest)
#install.packages("car")
library(car)
#install.packages("factoextra")
library(factoextra)
#install.packages("janitor")
library(janitor)
#install.packages("readr")
library(readr)
#install.packages("plotrix")
library(plotrix)Limpiar base de datos
rh <- read.csv("/Users/chema/Downloads/recursos_humanos_base_limpia.csv")
# Limpiar nombre
library(janitor)
rh1 <- clean_names(rh)
# Visualizar base de datos
summary(rh1)## apellidos nombre edad fecha_de_nacimiento
## Length:233 Length:233 Min. :19.00 Length:233
## Class :character Class :character 1st Qu.:23.00 Class :character
## Mode :character Mode :character Median :29.00 Mode :character
## Mean :31.08
## 3rd Qu.:37.00
## Max. :61.00
## genero rfc fecha_de_alta motivo_de_baja
## Length:233 Length:233 Length:233 Length:233
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## dias_laborados baja puesto departamento
## Min. : 0.00 Length:233 Length:233 Length:233
## 1st Qu.: 6.00 Class :character Class :character Class :character
## Median : 15.00 Mode :character Mode :character Mode :character
## Mean : 72.73
## 3rd Qu.: 47.00
## Max. :1966.00
## no_seguro_social salario_diario_imss factor_cred_infonavit
## Length:233 Min. :144.4 Length:233
## Class :character 1st Qu.:180.7 Class :character
## Mode :character Median :180.7 Mode :character
## Mean :177.9
## 3rd Qu.:180.7
## Max. :500.0
## n_credito_infonavit lugar_de_nacimiento curp calle
## Length:233 Length:233 Length:233 Length:233
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## numero_interno colonia codigo_postal municipio
## Length:233 Length:233 Length:233 Length:233
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## estado estado_civil tarjeta_o_cuenta
## Length:233 Length:233 Length:233
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
## # Eliminar columnas que no se necesitan
rh2 <- subset(rh1,select = -c (apellidos, nombre, fecha_de_nacimiento, rfc, fecha_de_alta, baja, departamento,
no_seguro_social, factor_cred_infonavit, n_credito_infonavit, lugar_de_nacimiento,
curp, calle, numero_interno, colonia, codigo_postal, municipio, estado, tarjeta_o_cuenta))
summary(rh2)## edad genero motivo_de_baja dias_laborados
## Min. :19.00 Length:233 Length:233 Min. : 0.00
## 1st Qu.:23.00 Class :character Class :character 1st Qu.: 6.00
## Median :29.00 Mode :character Mode :character Median : 15.00
## Mean :31.08 Mean : 72.73
## 3rd Qu.:37.00 3rd Qu.: 47.00
## Max. :61.00 Max. :1966.00
## puesto salario_diario_imss estado_civil
## Length:233 Min. :144.4 Length:233
## Class :character 1st Qu.:180.7 Class :character
## Mode :character Median :180.7 Mode :character
## Mean :177.9
## 3rd Qu.:180.7
## Max. :500.0# na's en la base de datos
sum(is.na(rh2))## [1] 0sapply(rh2, function(x) sum(is.na(x)))## edad genero motivo_de_baja dias_laborados
## 0 0 0 0
## puesto salario_diario_imss estado_civil
## 0 0 0# no se encuentran NA's en la base de datos
# Convertir tipos de datos
rh2$edad <- as.numeric(rh2$edad)
rh2$genero <- as.factor(rh2$genero)
rh2$motivo_de_baja <- as.factor(rh2$motivo_de_baja)
rh2$dias_laborados <- as.numeric(rh2$dias_laborados)
rh2$puesto <- as.factor(rh2$puesto)
rh2$salario_diario_imss <- as.numeric(rh2$salario_diario_imss)
rh2$estado_civil <- as.factor(rh2$estado_civil)
summary(rh2)## edad genero motivo_de_baja dias_laborados
## Min. :19.00 FEMENINO :137 ABANDONO : 1 Min. : 0.00
## 1st Qu.:23.00 MASCULINO: 96 BAJA POR FALTAS :139 1st Qu.: 6.00
## Median :29.00 JUBILACION : 1 Median : 15.00
## Mean :31.08 RENUNCIA VOLUNTARIA: 84 Mean : 72.73
## 3rd Qu.:37.00 TERMINO DE CONTRATO: 8 3rd Qu.: 47.00
## Max. :61.00 Max. :1966.00
##
## puesto salario_diario_imss estado_civil
## AYUDANTE GENERAL :171 Min. :144.4 divorcio : 3
## COSTURERA : 10 1st Qu.:180.7 matrimonio : 63
## SOLDADOR : 10 Median :180.7 Sin Conocer: 1
## MONTACARGUISTA : 5 Mean :177.9 Soltero :107
## AY. GENERAL : 4 3rd Qu.:180.7 Unión libre: 59
## AUXILIAR DE EMBARQUES: 3 Max. :500.0
## (Other) : 30Crear clusters
Cluster 1: Edad y Número de días laborados
# Normalizar Variables
rh_edad_dias <-rh2 %>% dplyr::select(salario_diario_imss, edad, dias_laborados)
rh_edad_dias_norm<-scale(rh_edad_dias[2:3])
plot(rh_edad_dias_norm)
# Número óptimo de clústers con "Elbow Plot"
fviz_nbclust(rh_edad_dias_norm, kmeans, method="wss")+
geom_vline(xintercept=6, linetype=2)+
labs(subtitle = "Elbow method") 
De acuerdo al elbow method, el numero óptimo de clusters son 6 pero al momento de visualizarlo se determinó que es una elevada cantidad de clusters y no sería tan sencillo el interpretar y nombrar tantos clusters por lo que se llegó a la conclusión que se elaborarán 5 clusters.
# Visualizar Clusters
cluster1 <-kmeans(rh_edad_dias_norm,5)
cluster1## K-means clustering with 5 clusters of sizes 43, 4, 68, 8, 110
##
## Cluster means:
## edad dias_laborados
## 1 1.5856496 -0.1730602
## 2 1.0544820 6.6446440
## 3 0.2370717 -0.2593203
## 4 0.2767222 1.9190143
## 5 -0.8248684 -0.1532302
##
## Clustering vector:
## 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
## 4 3 5 5 3 1 3 3 1 5 5 3 5 3 4 5 5 5 5 5
## 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
## 3 2 5 3 1 5 3 5 5 5 3 5 5 5 3 5 5 4 3 5
## 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60
## 4 4 5 5 5 5 5 5 1 1 1 2 5 1 5 5 1 5 5 5
## 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80
## 5 5 3 5 5 1 5 4 4 5 5 5 3 5 3 5 1 5 5 1
## 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100
## 2 5 1 5 5 5 1 5 5 5 3 1 1 5 5 5 1 3 5 3
## 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120
## 5 5 1 3 5 5 3 2 3 5 3 3 5 3 3 3 1 1 1 5
## 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140
## 5 5 5 5 3 5 3 1 5 3 5 4 5 5 5 3 1 3 1 3
## 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160
## 3 1 1 1 5 3 3 3 5 5 5 3 1 1 5 3 5 3 1 1
## 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180
## 1 1 3 1 5 5 3 5 5 1 3 1 5 1 3 3 1 3 3 5
## 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200
## 5 5 3 1 3 3 5 5 3 3 3 3 3 3 5 3 3 3 3 5
## 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220
## 3 1 3 5 5 5 1 5 5 5 3 3 5 5 3 3 3 1 5 5
## 221 222 223 224 225 226 227 228 229 230 231 232 233
## 3 5 5 5 5 1 3 1 5 5 5 5 5
##
## Within cluster sum of squares by cluster:
## [1] 11.405375 15.799166 7.976676 7.819045 14.649008
## (between_SS / total_SS = 87.6 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"fviz_cluster(cluster1,data=rh_edad_dias_norm)
Interpretación: Cluster número 1 y 4 son de edades diferentes pero tienen días laborados similares, igual que el cluster 3 y 5 . Por otro lado, el cluster 2 son datos que no tienen días laborados similares pero tienen más días que los otros clusters y tiene un rango diferente de edades. Por lo que se concluye que los días laborados no tienen tanta relación con la edad.
Cluster 2: Edad y Salario Diario
# Normalizar Variables
rh_edad_sal <-rh2 %>% dplyr::select(salario_diario_imss, edad, dias_laborados)
rh_edad_sal_norm<-scale(rh_edad_dias[1:2])
plot(rh_edad_sal_norm)
# Número óptimo de clústers con "Elbow Plot"
fviz_nbclust(rh_edad_sal_norm, kmeans, method="wss")+
geom_vline(xintercept=5, linetype=2)+
labs(subtitle = "Elbow method") 
Se determinó que el número óptimo es de 5 clusters
# Visualizar Clusters
cluster2 <-kmeans(rh_edad_sal_norm,5)
cluster2## K-means clustering with 5 clusters of sizes 1, 34, 40, 63, 95
##
## Cluster means:
## salario_diario_imss edad
## 1 13.75965225 0.09524497
## 2 -0.11512539 1.83986677
## 3 0.11335568 0.74337807
## 4 -0.11750244 -0.10886552
## 5 -0.07344171 -0.90028748
##
## Clustering vector:
## 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
## 1 4 5 5 4 2 4 4 2 5 5 4 5 4 4 5 5 5 5 5
## 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
## 4 2 5 4 2 5 3 5 5 5 4 5 5 5 4 5 5 4 4 5
## 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60
## 5 4 5 5 5 5 5 5 2 2 3 2 5 2 5 5 2 5 5 5
## 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80
## 5 5 3 4 4 3 5 2 4 5 5 5 3 4 3 5 3 5 5 2
## 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100
## 4 4 2 5 5 5 3 5 5 5 4 3 2 5 5 4 2 4 5 4
## 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120
## 5 5 3 4 5 5 3 4 3 5 4 4 5 3 4 4 2 2 2 5
## 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140
## 5 5 5 5 4 5 3 2 4 3 5 2 5 4 4 4 2 4 3 3
## 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160
## 4 3 2 2 5 4 3 4 5 4 5 3 2 2 5 3 5 3 3 3
## 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180
## 2 2 4 2 5 4 4 5 4 2 4 2 4 3 4 3 2 3 3 5
## 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200
## 5 5 4 2 3 3 5 5 4 3 3 4 3 4 5 4 4 4 4 5
## 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220
## 4 2 3 5 5 5 2 4 5 5 3 4 5 5 3 3 3 2 4 4
## 221 222 223 224 225 226 227 228 229 230 231 232 233
## 4 5 5 5 4 3 4 3 5 5 5 5 5
##
## Within cluster sum of squares by cluster:
## [1] 0.000000 13.383803 2.840067 17.829341 23.318853
## (between_SS / total_SS = 87.6 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"fviz_cluster(cluster2,data=rh_edad_sal_norm)
Interpretación: Todos tienen un salario similar sin importar la edad pero en el cluster 1 (que solo es un punto) nos indica que hay alguien que gana más que los demás colaboradores y tienen una edad relativamente joven a comparación de los demás datos
Cluster 3: Número de días laborados y Salario Diario
# Normalizar Variables
rh_dias_sal <-rh2 %>% dplyr::select(salario_diario_imss, dias_laborados, edad)
rh_dias_sal_norm<-scale(rh_dias_sal[1:2])
plot(rh_dias_sal_norm)
# Número óptimo de clústers con "Elbow Plot"
fviz_nbclust(rh_dias_sal_norm, kmeans, method="wss")+
geom_vline(xintercept=5, linetype=2)+
labs(subtitle = "Elbow method") 
Se determinó que el número óptimo es de 5 clusters
# Visualizar Clusters
cluster3 <-kmeans(rh_dias_sal_norm,5)
cluster3## K-means clustering with 5 clusters of sizes 4, 1, 10, 27, 191
##
## Cluster means:
## salario_diario_imss dias_laborados
## 1 -0.3962566 6.64464404
## 2 13.7596523 2.56751686
## 3 -0.3729089 1.50771810
## 4 -1.1243505 0.03652891
## 5 0.1147221 -0.23669924
##
## Clustering vector:
## 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
## 2 4 4 4 4 4 4 4 4 3 4 4 5 5 3 4 4 4 4 4
## 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
## 4 1 4 4 5 5 5 5 5 5 5 5 5 5 5 5 4 3 5 5
## 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60
## 3 3 5 5 5 5 5 5 5 5 5 1 3 5 5 5 5 5 5 4
## 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80
## 5 5 5 5 5 5 5 3 3 4 5 5 5 5 5 5 5 5 5 5
## 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100
## 1 4 4 4 4 5 5 5 5 5 5 5 5 5 5 5 4 4 5 5
## 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120
## 5 5 5 5 5 5 5 1 5 5 5 5 5 5 5 5 5 5 5 5
## 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140
## 5 5 5 5 5 5 5 5 5 5 5 3 5 5 5 5 5 5 5 5
## 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160
## 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
## 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180
## 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
## 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200
## 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
## 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220
## 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 3 5 5
## 221 222 223 224 225 226 227 228 229 230 231 232 233
## 5 5 5 5 5 5 5 5 5 5 5 5 5
##
## Within cluster sum of squares by cluster:
## [1] 7.839149 0.000000 6.408768 1.637196 3.455406
## (between_SS / total_SS = 95.8 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"fviz_cluster(cluster3,data=rh_dias_sal_norm)
Interpretación: Los días laborados no tienen influencia en el salario porque hay datos que indican colaboradores que trabajan más días pero tienen un salario similar a los que no tienen tantos días laborados. En el cluster 2 podemos observar que es el que tiene un mayor salario pero no es el que tiene una cantidad alta de días laborados como es en el cluster 1. Por lo tanto, los días laborados no tienen relación con el salario.
Creación de segmmentos usando el cluster 2: Edad y Salario Diario
# Incluir columna que indique el cluster de cada registro
rh3 <- rh2
rh3$Clusters<-cluster2$cluster
# visualizar la máxima edad de cada cluster
rh4 <- rh3 %>% dplyr::group_by(Clusters) %>% dplyr::summarise(edad=max(edad)) %>% dplyr::arrange(desc(edad))
# Nombrar cada cluster
rh3$nombres_clusters <- factor(rh3$Clusters,levels = c(1,2,3,4,5),
labels=c("Excepcion", "Jubilados", "Mayores", "Adultos", "Jovenes"))
# Agrupar los datos por nombre de clusters
library(dplyr)
rh5 <- rh3 %>% dplyr::group_by(nombres_clusters) %>% dplyr::summarize(edad_años=max(edad),
salario_imss=mean(salario_diario_imss),
Count=n())
clusters<-as.data.frame(rh5)
clusters## nombres_clusters edad_años salario_imss Count
## 1 Excepcion 32 500.0000 1
## 2 Jubilados 61 175.2329 34
## 3 Mayores 43 180.5810 40
## 4 Adultos 36 175.1773 63
## 5 Jovenes 26 176.2086 95Gráficos complementarios
Gráfico por nombre de cluster
ggplot(rh5,aes(x=reorder(nombres_clusters,Count),y=Count,fill=nombres_clusters)) +
geom_bar(stat="identity")
Interpretación: Los jóvenes adultos son los que representan más número de bajas y se visualiza que el orden de número de bajas esta en el mismo orden de edad, esto significa que después de los jóvenes adultos el grupo que más representa bajas es el de los adultos y de ahí siguen los mayores, y por último los jubilados. En conclusión, la edad puede ser un factor importante en el número de bajas.
Gráfico del máximo de edad de cada cluster
ggplot(rh5, aes(x=nombres_clusters,y=edad_años,fill= nombres_clusters,label=round(edad_años,digits=2))) +
geom_col() +
geom_text()
Interpretación: Aquí se observa la máxima de edad de cada cluster y también muestra la razón por la que se dieron los nombres a cada cluster. Los jóvenes tienen un rango de edad de 19-26, Adultos 27-36, Mayores 37-43 y Jubilados 44-61.
Género de ex-colaboradores
library(ggplot2)
ggplot(rh3, aes(fill=genero, y=genero, x=nombres_clusters)) +
geom_bar(position="stack", stat="identity") 
Interpretación: En la gráfica se aprecia un número alto de género masculino en todos los clusters. En Jubilados y Mayores el género Femenino es mayor que el masculino.
Motivo de baja de ex-colaboradores
ggplot(rh3, aes(factor(nombres_clusters), fill = factor(motivo_de_baja))) +
geom_bar(position = position_dodge2(preserve = "single"))
Interpretación: Se puede observar que el motivo de baja mas grande en todos los grupos de edades es la baja por faltas, seguido de renuncia voluntaria. En jóvenes se puede observar que hay baja por abandono, mientras que en los otros clusters no hubo ninguna baja por abandono.
Puesto de de ex-colaboradores
library(plyr)
count(rh3$puesto)## x freq
## 1 ANALISTA DE NOMINAS /AUX DE R.H. 1
## 2 AUXILIAR DE EMBARQUES 3
## 3 AY. GENERAL 4
## 4 AY.GENERAL (MATERIALES) 1
## 5 AYUD.EMBARQUES 1
## 6 AYUDANTE DE EMBARQUES 3
## 7 AYUDANTE DE MTTO 1
## 8 AYUDANTE DE SOLDADOR 1
## 9 AYUDANTE GENERAL 171
## 10 AYUDANTE GENERAL DE EMBARQUES 1
## 11 CHOFER 1
## 12 CORTADOR 1
## 13 COSTURERA 10
## 14 COSTURERO 1
## 15 DISEÑO 1
## 16 ENCARGADA DE CALIDAD 1
## 17 FACTURACION 1
## 18 GUARDIA DE SEGURIDAD 2
## 19 INSPECTOR CALIDAD 1
## 20 INSPECTOR DE CALIDAD 2
## 21 INSPECTORA DE CALIDAD 1
## 22 LIMPIEZA 1
## 23 MARCADORA 1
## 24 MATERIALISTA 2
## 25 MONTACARGUISTA 5
## 26 PRACTICANTE DE MTTO 1
## 27 RESIDENTE 2
## 28 Residente Yanfeng 1
## 29 SERVICIO AL CLIENTE 1
## 30 SOLDADOR 10proporciones <- c(176, 11, 11, 8, 26)
eti <- c("ayudante general", "ayu. soldador/soldador", "costurera", "ayu. embarque", "otros" )
pct <- round(proporciones/sum(proporciones)*100)
eti <- paste(eti, pct)
eti <- paste(eti,"%",sep="")
pie3D(proporciones,labels = eti,
col=rainbow(length(eti)),
main="Puestos de bajas")
Interpretación: el puesto en el que más se presentan bajas es en ayudante general, seguido de ayudante soldador/soldador, costurera, etc. Una de las posibles razones por la que haya más bajas en ayudante general, es porque en ese puesto se necesitan más colaboradores, por lo que el número de bajas en ese puesto puede ser mayor o también puede ser el ambiente general que se crea en ese puesto, estás hipotésis se comprobarían con un análisis más profundo de RH.
Estado civil de ex-colaboradores
ggplot(rh3, aes(factor(nombres_clusters), fill = factor(estado_civil))) +
geom_bar(position = position_dodge2(preserve = "single"))
proporciones1 <- c(107, 3, 59, 63)
etiquetas <- c("soltero", "divorcio", "union libre", "matrimonio")
pct <- round(proporciones1/sum(proporciones1)*100)
etiquetas <- paste(etiquetas, pct)
etiquetas <- paste(etiquetas,"%",sep="")
pie3D(proporciones1,labels = etiquetas,
col=rainbow(length(etiquetas)),
main="Estado civil de bajas")
Interpretación: En el total de bajas el estado civil más común es “soltero”, siendo los jóvenes los que tienen una mayor cantidad de este atributo, seguido de los adultos. Después, está el matrimonio siendo este el más presente en el grupo de adultos, seguido de los jóvenes. El divorcio no es tán común en los grupos.
En conclusión, se puede deducir que la mayoría de los ex-colaboradores son solteros, por lo que es más fácil renunciar al no tener una extensa y/o propia familia. Ya que los solteros son la mayoría, por ende los jóvenes son los más propensos en darse de baja en FORM.
3. Principales hallazgos
Si bien, la empresa hace mención de incentivos salariales a los colaboradores, los datos capturados y compartidos por parte de la organización unicamente muestran los salarios fijos (es decir, independientemente de horas extra) y por consiguiente, se puede correlacionar que no necesariamente la edad tiene una relación o impacto directo al nivel de salario otorgado a los colaboradores, con excepción de una persona: tratandose del dueño/director, quien posee un salario mayor, siendo este menor que muchos colaboradores presentes en la estructura organizacional.
Primeramente, se demuestra que si bien, el salario de los colaboradores corresponde correctamente de acuerdo a su contrato; estrictamente refiriendose al salario IMSS, no se muestra una diferencia en los salarios con la excepción de una persona quien se infiere es el director/dueño de la empresa quien debido a su posición jerárquica, goza de mejor salario/beneficios del IMSS.
Entre más jóven se es, mayor la probabilidad de darse de baja de la empresa.
Existen grupos de edad, los cuales constan de: Adultos jóvenes, Adultos, Adultos mayores y Jubilados, que forman parte de la organización.
El genero femenino tiene mayor presencia en el grupo de edad de jubilados y adultos mayores, en comparación con los grupos de Adultos y Jovenes, donde se tiene mayor presencia por parte del genero masculino. Con esto, se puede inferir con sustento que la presencia de mujeres en grupos de edad mas avanzada es debido a que son madres solteras y/o recurren a lineas de trabajo de este tipo para dar sustento y contribuir a la economía familiar.
El grupo con más bajas en todas las categorías de dicha actividad es el de Jóvenes, con la peculiaridad de que existen personas que simplemente dejan de asistir a sus labores.
Respecto a las bajas en función de los diferentes puestos existentes en la planta, se puede sustentar que donde existen más bajas es en el puesto de “Ayudante general” (representa el 76% de las bajas totales) por lo que se puede inferir que al ser el puesto con mayor demanda, vacantes ofrecidas y colaboradores quienes participan en dicha area, tiene sentido que destaquen las bajas con respecto a los otros puestas. En otras palabras, el número de bajas es proporcional al número de colaboradores presentes en cada puesto.
Propuestas
Elevar niveles salariales y/o prestaciones de acuerdo a la antigüedad y experiencia previa del colaborador.
Dada la correlación de la edad jóven y la concentración de colaboradores que se dan de baja, se propone un programa de retención de talento, el cual en conjunto con areas afines a cultura organizacional (RR.HH), que se encargue desde un inicio de atraer el mejor talento, desarrollarlo, retenerlo y dar seguimiento a su “employee journey” para evitar esas bajas.
Diseñar un programa de apoyo a madres solteras y/o con necesidad económica, donde se den prestaciones adicionales (no necesariamente de contexto salarial) enfocadas hacia los hijos/as de las colaboradores como por ejemplo, apoyo en material escolar, comida preparada para lunches, entre otras prestaciones que contribuyan a la retención de la colaboradora, y se apoye a la necesidad, y por consiguiente razón de trabajar en Form.
Instaurar una política y/o proceso institucional donde el colaborador deba indicar su baja de la empresa con 1 – 2 semanas de antelación, ya que de esta manera tienen la posibilidad de ser acreedores a una indemnización, y por otra parte, la empresa puede comenzar un nuevo proceso de atracción de talento sin afectar la productividad de la planta.
Programa de retención de talento #2: Como se estableció previamente, el número de bajas es proporcional al número de colaboradores presentes en cada puesto, por lo que específicamente para el ayudante general, donde hay mayor número de colaboradores, es importante ofrecer mayores beneficios para el colaborador, mejores condiciones de trabajo, integración con el equipo, entre otras acciones que apunten a mitigar en lo posible, la baja de estas personas en este puesto.
Sección 4
El mes con mas merma producida de FORM es el mes de agosto, al mismo tiempo que es el mes con mayor producción de piezas
Julio del 2021 es el mes con mas Unidades programadas en el año.
Gran parte del scrap de form se encuentra en su pre-producción
Bibliografía Frost, J. (2022, August 31). What is K means clustering? with an example. Statistics By Jim. Retrieved October 9, 2022, from https://statisticsbyjim.com/basics/k-means-clustering/#:~:text=The%20K%20means%20clustering%20algorithm,groups%20you%20specify%20(K). Harrison, O. (2019, July 14). Machine learning basics with the K-nearest neighbors algorithm. Medium. Retrieved October 9, 2022, from https://towardsdatascience.com/machine-learning-basics-with-the-k-nearest-neighbors-algorithm-6a6e71d01761 Mishra, S. (2017, May 21). Unsupervised learning and data clustering. Medium. Retrieved October 9, 2022, from https://towardsdatascience.com/unsupervised-learning-and-data-clustering-eeecb78b422a#:~:text=Clustering%20can%20be%20considered%20the,are%20similar%20in%20some%20way%E2%80%9D. Modifications. euclidean_cluster. (n.d.). Retrieved October 9, 2022, from https://autowarefoundation.gitlab.io/autoware.auto/AutowareAuto/euclidean-cluster-design.html
---
title: <span style="Color:Orange" > "Evidencia 2"
author: "José María Durazo Durazo"
date: "`r Sys.Date()`"
output: 
  html_document:
    toc: true
    toc_float: true
    code_download: true
---
<img src="C:\\Users\\chema\\Downloads\\tec-de-monterrey-logo.png">


# **Inicio**
## **Cargamos librerias**
```{r include=FALSE}
library(knitr)
library(magrittr)
library(pollster)
library(dplyr)
library(plyr)
library(janitor)
library(ggplot2)
library(arules)
library(factoextra)
library(Hmisc)
library(modeest)
library(foreign)
library(forcats)      
library(dlookr)       
library(corrplot)     
library(jtools)       
library(lmtest)       
library(car)          
library(olsrr)        
library(kableExtra) 
library(tidyr)
library(tidyverse)

```

# **Recursos Humanos**

```{r}
rh<-read.csv("C:\\Users\\chema\\Downloads\\recursoshumanos.csv")
summary(rh)
str(rh)
dim(rh)
apply(is.na(rh), 2, sum)
rh <- clean_names(rh)
colnames(rh)
```

Podemos notar en esta base de datos al usar la función de summary, que existen varias variables que no serán necesarias para trabajar en esta base de datos. Al igual que existen variables que necesitan ser cambiadas de tipo de variable.Por ultimo, algunos de los colaboradores no cuentan con Numero de empleado, lo cual omitiré ya que no será necesario de esa información.

Las variables *inecesarias* para realizar proximos analisis son: RFC, Baja, Numero de seguro social, Factor credito infonavit, curp, todas las variables relacionadas con el nacimiento de la persona y su ubicación y por ultimo su cuenta bancaria.

## **Limpieza de datos**

En esta base de datos se aplicaron 4 tecnicas de limpieza:
1. Se creó una nueva columna para Nombre Completo
2. Se eliminaron y ordenaron columnas que no eran necesarias.
3. Se corrigieron nombres de variables, al mismo tiempo que se estandarizaron algunos registros


```{r}
rh<-mutate(rh,nombre_completo = paste(rh$nombre, rh$apellidos, sep=" "))

rh<-dplyr::select(rh,-c(rfc,baja,no_credito_infonavit,factor_cred_infonavit,curp,tarjeta_cuenta,apellidos,nombre,calle,numero_interno,colonia,municipio,estado,codigo_postal,x4to_mes,primer_mes,no_de_empleado,lugar_de_nacimiento,no_seguro_social))

rh<-rh[,c(8,1,2,3,4,5,6,7)]

```


***Cambiar fechas de caractér a tipo de variable correcta***


```{r}
rh$fecha_de_nacimiento<-as.Date(rh$fecha_de_nacimiento, format = "%d/%m/%Y")
rh$fecha_de_alta<-as.Date(rh$fecha_de_alta, format = "%d/%m/%Y")
```


***Estandarizar registros de puesto y departamento***



***Puesto***
```{r}
unique(rh$puesto)
rh$puesto <- replace(rh$puesto,rh$puesto=="Supervisor de M\xe1quin","SUPERVISOR(A)")
rh$puesto <- replace(rh$puesto,rh$puesto=="SUPERVISORA","SUPERVISOR(A)")
rh$puesto <- replace(rh$puesto,rh$puesto== "Supervisor de pegado","SUPERVISOR(A)")
rh$puesto <- replace(rh$puesto,rh$puesto== "Ayudante general" ,"AYUDANTE GENERAL")
rh$puesto <- replace(rh$puesto,rh$puesto== "AY. GENERAL","AYUDANTE GENERAL")
rh$puesto <- replace(rh$puesto,rh$puesto== "AYUDANTE DE MANTENIMIENTO","AYUDANTE GENERAL")
rh$puesto <- replace(rh$puesto,rh$puesto== "INSPECTOR DE CALIDAD","INSPECTOR(A)")
rh$puesto <- replace(rh$puesto,rh$puesto== "INSPECTORA DE CALIDAD","INSPECTOR(A)")
rh$puesto <- replace(rh$puesto,rh$puesto== "CHOFER GESTOR","CHOFER")
rh$puesto <- toupper(rh$puesto)
unique(rh$puesto)
```

***Departamento***
```{r}
unique(rh$departamento)

rh$departamento <- replace(rh$departamento,rh$departamento=="Produccion Cart\xf3n MDL","Producción Cartón MDL")
rh$departamento <- replace(rh$departamento,rh$departamento=="Producci\xf3n Retorn","Producción Retorn")
rh$departamento <- replace(rh$departamento,rh$departamento=="Produccion Cart\xf3n MC","Producción Cartón MC")
rh$departamento <- replace(rh$departamento,rh$departamento=="Costura T2","COSTURA")
rh$departamento <- replace(rh$departamento,rh$departamento=="Costura","COSTURA")

```
***Salario Diario IMSS***

Cambiaremos a numero el salario diario de los colaboradores.

```{r}
rh$salario_diario_imss<-as.numeric(rh$salario_diario_imss)
unique(rh$salario_diario_imss)
summary(rh)
```

***Estado Civil***
```{r}
unique(rh$estado_civil)
rh$estado_civil <- replace(rh$estado_civil,rh$estado_civil=="Soltero","SOLTERO(A)")
rh$estado_civil <- replace(rh$estado_civil,rh$estado_civil=="SOLTERA","SOLTERO(A)")
rh$estado_civil <- replace(rh$estado_civil,rh$estado_civil=="SOLTERO","SOLTERO(A)")
rh$estado_civil <- replace(rh$estado_civil,rh$estado_civil=="Uni\xf3n libre","UNIÓN LIBRE")
rh$estado_civil <- replace(rh$estado_civil,rh$estado_civil=="Uni<f3>n libre","UNIÓN LIBRE")
rh$estado_civil <- replace(rh$estado_civil,rh$estado_civil=="UNION LIBRE","UNIÓN LIBRE")
rh$estado_civil <- replace(rh$estado_civil,rh$estado_civil=="Union Libre","UNIÓN LIBRE")
rh$estado_civil <- replace(rh$estado_civil,rh$estado_civil=="Casado","CASADO(A)")
rh$estado_civil <- replace(rh$estado_civil,rh$estado_civil=="CASADO","CASADO(A)")
rh$estado_civil <- replace(rh$estado_civil,rh$estado_civil=="CASADA","CASADO(A)")
rh$estado_civil <- replace(rh$estado_civil,rh$estado_civil=="Casado","CASADO(A)")
rh$estado_civil <- replace(rh$estado_civil,rh$estado_civil=="DIVORCIADA","DIVORCIADO(A)")
rh$estado_civil <- replace(rh$estado_civil,rh$estado_civil=="DIVORCIADO","DIVORCIADO(A)")

```

La base de datos de Recursos Humanos cuenta con *112* registros y *8* variables.
```{r}
dim(rh)
```
```{r}
Variable<-c("Nombre Completo", "Fecha de Nacimiento", "Genero", "Fecha de Alta", "Puesto", "Departamento","Salario Diario IMSS", "Estado Civil")
Tipo<-c("Cualitativa", "Cualitativa", "Cualitativa", "Cualitativa", "Cualitativa","Cualitativa", "Cuantitativa (continua)","Cualitativa")
Escala_Medicion <-c("NA", "Fecha", "NA","Fecha","NA","NA","Pesos","NA")
tabla<-data.frame(Variable, Tipo, Escala_Medicion)
knitr::kable(tabla)
```
## **Análisis Exploratorio de las Bases de Datos**

***Estadísticos descrptivos***

Para concer los estadisticos de cada una de las variables, se utilizará la función describe. En el caso de esta base de datos, la unica variable que se pudo utilizar es Salario Diario IMSS


```{r}

mea2 <- mean(rh$salario_diario_imss)
med2 <- median(rh$salario_diario_imss)
moda2<- mfv(rh$salario_diario_imss)
sd2 <- sd(rh$salario_diario_imss, na.rm = TRUE)


Variables <-c("Salario Diario Imss")
Media <-c(mea2)
Mediana <-c(med2)
Moda <-c(moda2)
Desviacion <-c(sd2)
tabla2 <-data.frame(Variables, Media, Mediana, Moda,Desviacion)
knitr::kable(tabla2)
```

Esta tabla nos ayuda a identificar que el salario promedio de FORM es de 179.04 pesos, mientras que el salario mas repetido es de 180 pesos. Se cuenta con una desviación estandart de 24, la cual nos indica que la disperción entre los salarios es moderada.

***Graficas***

***Primera Grafica (Barplot #1)***
```{r}
ggplot(rh, aes(x=genero, y=mean(salario_diario_imss), fill=genero)) + 
  geom_col() + 
  facet_grid(~estado_civil) + scale_fill_brewer(palette = "Set3")
```
Esta grafica nos muestra la relación que existe entre tres de nuestra variables, siendo estas genero, salario diario y estado civil.  Logramos percibir que los salarios de las mujeres solteras es mayor al de los hombres en todos los estados civiles. Sin embargo los hombres casados perciben mayor salario que las mujeres casados. Esto puede ser por los puestos que estos ocupan o por el rol economico que juega el hombre dentro de la mayoria de las familias.

***Segunda Grafica (Barplot #2)***
```{r}
hist(rh$salario_diario_imss)
```


# **Bajas**

## **Limpieza de Datos**

***Importamos Bajas***
```{r}
rhb <-  read.csv("C:\\Users\\chema\\Downloads\\BaseD_Limpia RH_ Bajas .csv")
```


***Entendemos la base de datos***


```{r}
summary(rhb)
str(rhb)
dim(rhb)
apply(is.na(rhb), 2, sum)
rh <- clean_names(rhb)
colnames(rhb)
```

*Cambio de nombres de variables*
```{r}
names(rhb)<-c("nomb", "edad", "gen", "fecha_alta", "mb", "dias_trab", "baja", "puesto", "sal_imss", "col", "mun", "estado", "estciv")
```

***Cambiar tipo de variables***
```{r}
rhb$edad<-as.numeric(rhb$edad)
rhb$fecha_alta<-as.Date(rhb$fecha_alta, format = "%y/%m/%d")
rhb$baja<-as.Date(rhb$baja, format = "%y/%m/%d")
rhb$dias_trab<-as.numeric(rhb$edad)

```
***Estandarizar Variables***
```{r}
unique(rhb$estciv)
rhb$estciv <- replace(rhb$estciv,rhb$estciv=="Soltero","SOLTERO(A)")
rhb$estciv <- replace(rhb$estciv,rhb$estciv=="SOLTERA","SOLTERO(A)")
rhb$estciv <- replace(rhb$estciv,rhb$estciv=="SOLTERO","SOLTERO(A)")
rhb$estciv <- replace(rhb$estciv,rhb$estciv=="Uni\xf3n libre","UNIÓN LIBRE")
rhb$estciv <- replace(rhb$estciv,rhb$estciv=="UNI\xd3N LIBRE","UNIÓN LIBRE")
rhb$estciv <- replace(rhb$estciv,rhb$estciv=="UNION LIBRE","UNIÓN LIBRE")
rhb$estciv <- replace(rhb$estciv,rhb$estciv=="Union Libre","UNIÓN LIBRE")
rhb$estciv <- replace(rhb$estciv,rhb$estciv=="Casado","CASADO(A)")
rhb$estciv <- replace(rhb$estciv,rhb$estciv=="CASADO","CASADO(A)")
rhb$estciv <- replace(rhb$estciv,rhb$estciv=="CASADA","CASADO(A)")
rhb$estciv <- replace(rhb$estciv,rhb$estciv=="Casado","CASADO(A)")
rhb$estciv <- replace(rhb$estciv,rhb$estciv=="DIVORCIADA","DIVORCIADO(A)")
rhb$estciv <- replace(rhb$estciv,rhb$estciv=="DIVORCIADO","DIVORCIADO(A)")

unique(rhb$mun)

rhb$mun <- replace(rhb$mun,rhb$mun=="SAN NICOLAS DE LOS G","SAN NICOLAS DE LOS GARZA")
rhb$mun <- replace(rhb$mun,rhb$mun=="SAN PDRO COAH","COAHUILA")

unique(rhb$estado)

rhb$estado <- replace(rhb$estado,rhb$estado=="NUEVO LE\xd3N","Nuevo León")

summary(rhb)

```

Se identificó que existen 2 registros con edad 0. Se utilizará la edad promedio del grupo, la cual es 31 años para remplazar los valores de dichos registros.

***Remplazar valores invalidos por la media***

```{r}
rhb$edad<-replace(rhb$edad,rhb$edad==0,31)

summary(rhb)
```


La base de datos de Recursos Humanos Bajas cuenta con *237* registros y *13* variables.


```{r}
dim(rhb)
```

***Tipos de variables y medición***

```{r}
Variable<-c("Nombre", "Edad", "Genero", "Fecha de Alta", "Motivo de baja", "Días Trabajados","Baja", "Puesto","Salario IMMS","Colonia","Municipio","Estado","Estado Civil")
Tipo<-c("Cualitativa", "Cuantitativa", "Cualitativa", "Cualitativa", "Cualitativa","Cuantitativa", "Cualitativa","Cualitativa","Cuantitativa","Cualitativa","Cualitativa","Cualitativa","Cualitativa")
Escala_Medicion <-c("NA", "Años", "NA","Fecha","NA","Días","NA","NA","Pesos","NA","NA","NA","NA")
tabla<-data.frame(Variable, Tipo, Escala_Medicion)
knitr::kable(tabla)

```


## **Análisis Exploratorio de las Bases de Datos**

***Estadísticos descrptivos***

```{r}
mea <- mean(rhb$sal_imss)
med <- median(rhb$sal_imss)
moda <- mfv(rhb$sal_imss)
sd <- sd(rhb$sal_imss, na.rm = TRUE)

mea1 <- mean(rhb$edad)
med1 <- median(rhb$edad)
moda1 <- mfv(rhb$edad)
sd1 <- sd(rhb$edad, na.rm = TRUE)

mea2 <- mean(rhb$dias_trab)
med2 <- median(rhb$dias_trab)
moda2 <- mfv(rhb$dias_trab)
sd2 <- sd(rhb$dias_trab, na.rm = TRUE)

Variables <-c("Salario Diario Imss","Edad", "Dias Trabajados")
Media <-c(mea,mea1,mea2)
Mediana <-c(med,med1,med2)
Moda <-c(moda,moda1,moda2)
Desviacion <-c(sd,sd1,sd2)
tabla2 <-data.frame(Variables, Media, Mediana, Moda,Desviacion)
knitr::kable(tabla2)

```
Podemos ver que en esta tabla, que el trabajador promedio dentro de la base de datos RH Bajas tiene *31* años, llevaba *31* dias trabajando y ganaba un sueldo promedio de *178.63* pesos. La desviación mas alta dentro de las variables cuantitativas es de 25.44, siendo esta la desviación del salario diario. Esto nos indica que existe bastante disperción entre los registros maximos y minimos de la variable.

***Graficas***

***Primera Grafica (Barplot #3)***

```{r}
ggplot(rhb, aes(x=gen, y=edad, fill=mb)) + 
  geom_bar(stat="identity") + 
  facet_grid(~estciv) + scale_fill_brewer(palette = "Set3")
```
Esta grafica nos muestra la relación que existe entre tres de nuestra variables, siendo estas Genero, Edad, Motivo de baja y Estado civil. Podemos notar que 

***Segunda Grafica (Scatter plot #1)***

Para la realización de este scatter plot, se eliminaron 2 registros que cesgaban la muestra al momento de graficarla, dichos registros eran los 2 salarios mas altos, siendo uno de $500 y otro de 338.36.

```{r}
rhb1<-rhb
rhb1 <- rhb1[rhb1$sal_imss<183.68,]

library(hrbrthemes)

ggplot(rhb1, aes(x=edad, y=sal_imss, color=estciv)) + 
    geom_point(size=2) +
    theme_dark()

```




# **Delivery Plan** 


## **Limpieza de datos**


***Importamos Delivery Plan***
```{r}
  dpl <- read.csv("C:\\Users\\chema\\Downloads\\Delivery Plan BD Final (1).csv")
```
 
***Entendemos la base de datos***

```{r}
summary(dpl)
str(dpl)
dim(dpl)
apply(is.na(dpl), 2, sum)
colnames(dpl)
```


***Cambiamos el nombre de las variables***

```{r}

colnames(dpl)<- c("cliente","proyecto","id_odoo","item","A_jun_21","B_jul_21","C_ago_21","D_sep_21","E_oct_21","F_nov_21","G_dic_21","H_ene_22","I_feb_22","J_mar_22","K_abr_22","L_may_22","M_jun_22","N_jul_22","O_ago_22","P_sep_22","Q_oct_22","R_nov_22","S_dic_22","T_ene_23","U_feb_23","V_mar_23","total_meses")


```

***Agregamos nuevas columnas y valores para unir los pedidos programados***

```{r}
dpl <- pivot_longer(dpl, cols=5:14, names_to = "Mes", values_to = "Unidades")
```

***Eliminamos columnas innecesarias***
```{r}
dpl <- filter(dpl, Unidades>0)

dpl1 <- dpl         
dpl1 <- subset (dpl, select = -c (proyecto, id_odoo, item, K_abr_22, L_may_22, M_jun_22,N_jul_22,O_ago_22, P_sep_22, Q_oct_22, R_nov_22,  S_dic_22, T_ene_23,U_feb_23, V_mar_23, total_meses))

```

***Cambiamos tipo de variable***
```{r}
dpl1$Unidades <- as.numeric(dpl1$Unidades)
```

## **Analisis Descriptivo**

La base de datos de Delivery Plan cuenta con *590* registros y *19* variables.
```{r}

dim(dpl)

```

***Estadísticos descrptivos***
```{r}
mea21 <- mean(dpl1$Unidades)
med21 <- median(dpl1$Unidades)
moda21<- mfv(dpl1$Unidades)
sd21 <- sd(dpl1$Unidades, na.rm = TRUE)


Variables <-c("Unidades")
Media <-c(mea21)
Mediana <-c(med21)
Moda <-c(moda21)
Desviacion <-c(sd21)
tabla3 <-data.frame(Variables, Media, Mediana, Moda,Desviacion)
knitr::kable(tabla3)
```

En FORM el promedio de unidades programadas por cliente es de 358 unidades.

```{r}

Variable<-c("Cliente", "Mes", "Unidades")
Tipo<-c("Cualitativa", "Cualitativa", "Cuantitativa continua")
Medición<-c("NA", "NA", "Unidades")
tabla8<-data.frame(Variable,Tipo, Medición)
tabla8

```


***Graficas***


***Time Series Plot***

Para poder realizar un time series plot es necesario convertir nuestras variables a fecha.
```{r}

dpl1$Mes <- replace(dpl1$Mes,dpl1$Mes=="B_jul_21","2021/07/01")
dpl1$Mes <- replace(dpl1$Mes,dpl1$Mes=="C_ago_21","2021/08/01")
dpl1$Mes <- replace(dpl1$Mes,dpl1$Mes=="E_oct_21","2021/10/01")
dpl1$Mes <- replace(dpl1$Mes,dpl1$Mes=="G_dic_21","2021/12/01")
dpl1$Mes <- replace(dpl1$Mes,dpl1$Mes=="H_ene_22","2022/01/01")
dpl1$Mes <- replace(dpl1$Mes,dpl1$Mes=="I_feb_22","2022/02/01")
dpl1$Mes <- replace(dpl1$Mes,dpl1$Mes=="J_mar_22","2022/03/01")
dpl1$Mes <- replace(dpl1$Mes,dpl1$Mes=="A_jun_21","2021/06/01")
dpl1$Mes <- replace(dpl1$Mes,dpl1$Mes=="F_nov_21","2021/11/01")
dpl1$Mes <- replace(dpl1$Mes,dpl1$Mes=="D_sep_21","2021/09/01")

dpl1$Mes <- as.Date(dpl1$Mes, format = "%d/%m/%y")



p <- ggplot(dpl1, aes(x=Mes, y=Unidades)) +
  geom_line( color="steelblue") + 
  geom_point() +
  xlab("") +
  theme(axis.text.x=element_text(angle=60, hjust=1)) +
  scale_x_date(limit=c(as.Date("2021-06-01"),as.Date("2022-03-01"))) +
  ylim(0,13120)

p


```
Esta grafica nos ayuda a visualizar los picos de pedidos en distintos meses, siendo el de *Julio del 2021* el mayor pico de Unidades programadas en el año.



***Grafica Datos cualitativos***

```{r}
library(treemap)
treemap(dpl1,
            index="cliente",
            vSize="Unidades",
            type="index"
            )
```

Esta grafica, nos ayuda a visualizar los clientes mas grandes de FORM, los cuales son *Hella, TRMX y VARROC*


# **Delivery Performance**

***Importamos la base de datos
```{r}
dpe <- read.csv("C:\\Users\\chema\\Downloads\\FORM - Delivery Performance (1).csv")
```



***Entendemos la base de datos***


```{r}
summary(dpe) 
str(dpe)
dim(dpe)
apply(is.na(dpe), 2, sum)
colnames(dpe)
```

## **Limpieza de datos**

Esta base de datos anteriormente fue limpiada atraves de excel, por lo que no será necesario realizar mucho codigo para limpiarla. Lo unico que es necesario hacer confines de graficación de datos, es convertir en fecha la variable de Date. 

***Cambiar tipo de Variable***
```{r}
  dpe$Date <-as.Date(dpe$Date,format ="%m/%d/%Y")
```

## **Analisis Descriptivos**

La base de datos de Delivery Performance cuenta con *1440* registros y *8* variables.
```{r}
dim(dpe)
```

***Tipos de variable***

```{r}
Variable <- c("`Target`","`Cliente`","`Vueltas`","`Plan.arrival`","`Real.arrival`","`Plan.departure`","`Diference`","`Date`")
Tipo <- c("cuantitativo (discreto)  ", "cualitativo  ", "cuantitativo (discreto)  ", "cuantitativo (continuo)  ", "cuantitativo (continuo)  ", "cuantitativo (continuo)  ", "cuantitativo (continuo)  ", "cualitativo  ")
Medición <- c("Entregas", "NA", "Vueltas", "Tiempo", "Tiempo", "Tiempo", "Tiempo", "FECHA")
table8 <- data.frame (Variable, Tipo, Medición)
knitr::kable(table8)
```
***Analisis Exploratorio***

***Medidas Estadisticas***

```{r}
mea <- mean(dpe$Target)
med <- median(dpe$Target)
moda <- mfv(dpe$Target)
sd <- sd(dpe$Target, na.rm = TRUE)

mea1 <- mean(dpe$Vueltas)
med1 <- median(dpe$Vueltas)
moda1 <- mfv(dpe$Vueltas)
sd1 <- sd(dpe$Vueltas, na.rm = TRUE)

mea2 <- mean(dpe$Plan.arrival)
med2 <- median(dpe$Plan.arrival)
moda2 <- mfv(dpe$Plan.arrival)
sd2 <- sd(dpe$Plan.arrival, na.rm = TRUE)

mea3 <- mean(dpe$Real.arrival)
med3 <- median(dpe$Real.arrival)
moda3 <- mfv(dpe$Real.arrival)
sd3 <- sd(dpe$Real.arrival, na.rm = TRUE)

mea4 <- mean(dpe$Real.departure)
med4 <- median(dpe$Real.departure)
moda4 <- mfv(dpe$Real.departure)
sd4 <- sd(dpe$Real.departure, na.rm = TRUE)

mea5 <- mean(dpe$Diference)
med5 <- median(dpe$Diference)
moda5 <- mfv(dpe$Diference)
sd5 <- sd(dpe$Diference, na.rm = TRUE)

Variables <-c("Target","Vueltas","Plan Arrival", "Real Arrival", "Real Departure", "Diference")
Media <-c(mea,mea1,mea2,mea3,mea4,mea5)
Mediana <-c(med,med1,med2,med3,med4, med5)
Moda <-c(moda,moda1,moda2,moda3,moda4,moda5)
Desviacion <-c(sd,sd1,sd2,sd3,sd4,sd5)
tabla5 <-data.frame(Variables, Media, Mediana,Moda,Desviacion)
knitr::kable(tabla5)

```

***Graficas***

```{r}
p <- ggplot(dpe, aes(x=Date, y=Vueltas)) +
  geom_line( color="steelblue") + 
  geom_point() +
  xlab("") +
  theme_ipsum() +
  theme(axis.text.x=element_text(angle=60, hjust=1)) +
  scale_x_date(limit=c(as.Date("2022-01-02"),as.Date("2022-01-12"))) 
p
```

Esta grafica se puede utilizar con cualquiera de las variables de Delivery Performance, para conocer el comportamiento que estas tienen con el pasar del tiempo, en este caso se seleccionó Vueltas en el periodo del primero de enero de esta año, hasta el 12, en este periodo de tiempo podemos ver distintos picos.

***Barplot***
```{r}
boxplot(Real.arrival ~ Plan.arrival, data = dpe,
        main = "Real Arrival vs Planed Arrival",
        col = rainbow(ncol(trees)))
```
Esta grafica nos muestra la disperción que existe entre el tiempo llegada real de las entregas y el tiempo de llegada planeada.


***Producción***
```{r}
pr <- read.csv("C:\\Users\\chema\\Desktop\\produccion.csv")
```

***Analizamos la base de datos***


## **Limpieza de datos**

En esta base de datos existen algunas variables que no serán necesarias para realizar un analisis estadistico, es por eso que se decidió borrarlas.

***Eliminamos Columnas que no se utilizarán***

```{r}
pr <- subset(pr,select = -c (no, id_form, producto, hora_fin, inicio_setup, fin_inicio_su, inicio_proceso, fin_proceso, tiempo_materiales, merma))
```


***Cambiamos valores de NA´s por la MEDIANA***
```{r}
pr<-pr %>% mutate(piezas_prog=ifelse(is.na(piezas_prog),median(piezas_prog,na.rm=T),piezas_prog))
pr<-pr %>% mutate(tiempo_minutos=ifelse(is.na(tiempo_minutos),median(tiempo_minutos,na.rm=T),tiempo_minutos))
pr<-pr %>% mutate(laminas_procesadas=ifelse(is.na(laminas_procesadas),median(laminas_procesadas,na.rm=T),laminas_procesadas))
pr<-pr %>% mutate(tiempo_calidad=ifelse(is.na(tiempo_calidad),median(tiempo_calidad,na.rm=T),tiempo_calidad))
```

***Convertimos variables***

```{r}
pr$fecha<-as.Date(pr$fecha,format="%d/%m/%Y")
pr$piezas_prog<-as.numeric(pr$piezas_prog)
pr$tiempo_minutos<-as.numeric(pr$tiempo_minutos)
pr$laminas_procesadas<-as.numeric(pr$laminas_procesadas)

```
***Subsituir NA´s por la media***
```{r}

pr$tiempo_minutos[is.na(pr$tiempo_minutos)]<-median(pr$tiempo_minutos, na.rm = TRUE)
pr$tiempo_calidad[is.na(pr$tiempo_calidad)]<-median(pr$tiempo_calidad, na.rm = TRUE)
pr$laminas_procesadas[is.na(pr$laminas_procesadas)]<-median(pr$laminas_procesadas, na.rm = TRUE)

```

## **Analisis Exploratorio**

```{r}
mea2 <- mean(pr$piezas_prog)
med2 <- median(pr$piezas_prog)
moda2<- mfv(pr$piezas_prog)
sd2 <- sd(pr$piezas_prog, na.rm = TRUE)

mea3 <- mean(pr$tiempo_minutos)
med3 <- median(pr$tiempo_minutos)
moda3 <- mfv(pr$tiempo_minutos)
sd3 <- sd(pr$tiempo_minutos, na.rm = TRUE)

mea4 <- mean(pr$laminas_procesadas)
med4 <- median(pr$laminas_procesadas)
moda4 <- mfv(pr$laminas_prog)
sd4 <- sd(pr$laminas_procesadas, na.rm = TRUE)

mea5 <- mean(pr$tiempo_calidad)
med5 <- median(pr$tiempo_calidad)
moda5 <- mfv(pr$tiempo_calidad)
sd5 <- sd(pr$tiempo_calidad, na.rm = TRUE)

moda6 <-  mfv(pr$cliente)
moda <- mfv(pr$fecha) 
moda1 <- mfv(pr$estacion_arranque)

Variables <-c("Piezas_prog","Tiempo Minutos", "Laminas procesadas", "Tiempo Calidad", "Cliente","Fecha","Estación de Arranque")
Media <-c(mea2,mea3,mea4,mea5,"NA","NA","NA")
Mediana <-c(med2,med3,med4,med5,"NA","NA","NA")
Moda <-c(moda2,moda3,moda4,moda5,moda6,moda,moda1)
Desviacion <-c(sd2,sd3,sd4,sd5,"NA","NA","NA")
tabla2 <-data.frame(Variables, Media, Mediana, Moda,Desviacion)
knitr::kable(tabla2)
```

***Tabla de variables y medición***

```{r}
Variable<-c("Fecha", "Cliente", "Piezas Programadas", "Tiempo Mínimo", "Estación Arranque", "Láminas Procesadas", "Tiempo de Calidad")
Tipo <-c("Cualitativa", "Cualitativa", "Cuantitativa continua", "Cuantitativa continua", "Cualitativa", "Cuantitativa continua", "Cuantitativa continua")
Medición <-c("NA", "NA", "Unidades", "Minutos", "Na", "Unidades", "Minutos")
tab<-data.frame(Variable,Tipo,Medición)
tab
```
***Graficas***

```{r}
hist(pr$piezas_prog, main = "Laminas Procesadas", ylab = "Frecuencia", xlab = "Piezas Programadas", col = "red")
```



# **Merma**
```{r}
me <- read.csv("C:\\Users\\chema\\Downloads\\FORM1 - Merma.csv")
```

## **Limpieza**

***Eliminamos filas de totales***
```{r}
me1<-me[-c(5,12,19,25,31,36,42,54,59,60),]
```

***Convertimos Variables***
```{r}
me1$Fecha<-as.Date(me1$Fecha, format = "%m/%d/%Y")
me1$Kilos<-as.numeric(me1$Kilos)
```


## **Analisis Exploratorio**

```{r}

mea20<- mean(me1$Kilos)
med20<- median(me1$Kilos)
moda20<- mfv(me1$Kilos)
sd20<- sd(me1$Kilos, na.rm = TRUE)

Variables1 <-c("Kilos")
Media1 <-c(mea20)
Mediana1 <-c(med20)
Moda1 <-c(moda20)
Desviacion1 <-c(sd20)
tabla20 <-data.frame(Variables1, Media1, Mediana1, Moda1,Desviacion1)
knitr::kable(tabla20)
```

***Tabla de variables y medición***

```{r}
Variable<-c("Fecha", "Mes", "Kilos")
Tipo<-c("Cualitativa", "Cualitativa", "Cuantitativa continua")
Medición <-c("NA", "NA", "Kilogramos")
tab<-data.frame(Variable,Tipo, Medición)
tab
```
***Graficas***

```{r}
library(ggplot2)

ggplot(me1, aes(x=as.factor(Mes), fill=as.factor(Kilos) )) + 
  geom_bar( ) +
  scale_fill_grey(start = 0.25, end = 0.75) +
  theme(legend.position="none")


```
En esta grafica podemos ver cual es el mes que mas merma genera, el cual es el mes de Agosto.

# **Scrap**


```{r}
sc <- read.csv("C:\\Users\\chema\\Downloads\\FORM1 - Scrap (1).csv")
```

## **Limpieza**

***Cambiamos el tipo de variable***
```{r}
sc$Fecha <- as.Date(sc$Fecha, format = "%d/%m/%Y")
```

***Media, Moda, Mediana y Desviación Estandar***

```{r}
mea22<- mean(sc$Cant)
med22<- median(sc$Cant)
moda22<- mfv(sc$Cant)
sd22<- sd(sc$Cant, na.rm = TRUE)

Variables8 <-c("Cantidad")
Media8 <-c(mea22)
Mediana8 <-c(med22)
Moda8 <-c(moda22)
Desviacion8 <-c(sd22)
tabla22 <-data.frame(Variables8, Media8, Mediana8, Moda8,Desviacion8)
knitr::kable(tabla22)
```

***Tabla de variables y medición***

```{r}
Variable<-c("Fecha", "Cantidad", "Ubicación de Origen")
Tipo<-c("Cualitativa", "Cuantitativa continua", "Cualitativa")
Medición <-c("NA", "Kilogramos", "NA")
tabla8<-data.frame(Variable,Tipo, Medición)
tabla8
```

***Graficas***

```{r}
ggplot(sc, aes(x=as.factor(Ubi.origen), fill=as.factor(Cant) )) + 
  geom_bar( ) +
  scale_fill_grey(start = 0.25, end = 0.75) +
  theme(legend.position="none")

```

# **Sección 2**

***Importamos base de datos externa***
```{r}

```
# **Sección 3**

# **1. Conceptos Claves**
**K- Vecinos Más Cercanos y/o K-Means Clustering:**  
KNN y Kmeans clustering, son funciones las cuales ambas contribuyen a la identificación de clusters ya que KMC es un algoritmo el cual se utilizaa para agrupar, sin embargo KNN se utiliza mas que nada para la clasificación de variables. (Harrison, 2018)
En la función de K-means clustering se divide un conjunto de n observaciones en k grupos, esta función se usa cuando no se tienen etiquetas de grupo existentes y desea asignar puntos de datos similares a la cantidad de grupos que especifique (K). (Jim Frost, 2022)  

**Aprendizaje No Supervisado y/o Unsupervised Learning:**  
El objetivo que tiene el unsupervised learning es el de descubrir grupos de ejemplos similares dentro de los datos, lo que se denomina “clustering”, o determinar cómo se distribuyen los datos en el espacio, lo que se conoce como estimación de densidad
Esta función contribuye a la identificación de clusters ya que la agrupación en “clusters” es un método de “unsupervissed learning”  que funciona en conjuntos de datos en los que no hay una variable de resultado (objetivo) ni se sabe nada sobre la relación entre las observaciones, es decir, datos sin etiquetar.  (Frontiersin, 2019)  

**Distancia Euclidiana / Eucliedean Distance:**  
Al momento de usar “Euclidean distance” las observaciones con valores altos de características se “agruparán” juntas. Lo mismo se aplica a las observaciones con valores bajos de características. La correlación de Pearson mide el grado de una relación lineal entre dos perfiles. (Waref, 2020) En otras palabras, la distancia 
euclidiana es la distancia que hay entre dos datos en un espacio. 

## **2. K-means Clustering**
```{r message=FALSE, warning=FALSE}
# descargar y llamar librerías
#install.packages("tidyverse")
library(tidyverse)
#install.packages("foreign")
#install.packages("dplyr")
library(ggplot2)
#install.packages("psych")
library(psych)
#install.packages("corrplot")
library(corrplot)
#install.packages("jtools")
library(jtools)
#install.packages("lmtest")
library(lmtest)
#install.packages("car")
library(car)
#install.packages("factoextra")
library(factoextra)
#install.packages("janitor")
library(janitor)
#install.packages("readr")
library(readr)
#install.packages("plotrix")
library(plotrix)
```

## *Limpiar base de datos*
```{r}
rh <- read.csv("/Users/chema/Downloads/recursos_humanos_base_limpia.csv")
# Limpiar nombre
library(janitor)
rh1 <- clean_names(rh)
# Visualizar base de datos
summary(rh1)
# Eliminar columnas que no se necesitan
rh2 <- subset(rh1,select = -c (apellidos, nombre, fecha_de_nacimiento, rfc, fecha_de_alta, baja, departamento, 
                               no_seguro_social, factor_cred_infonavit, n_credito_infonavit, lugar_de_nacimiento,
                               curp, calle, numero_interno, colonia, codigo_postal, municipio, estado, tarjeta_o_cuenta))
summary(rh2)

# na's en la base de datos
sum(is.na(rh2))
sapply(rh2, function(x) sum(is.na(x)))
# no se encuentran NA's en la base de datos 

# Convertir tipos de datos
rh2$edad <- as.numeric(rh2$edad)
rh2$genero <- as.factor(rh2$genero)
rh2$motivo_de_baja <- as.factor(rh2$motivo_de_baja)
rh2$dias_laborados <- as.numeric(rh2$dias_laborados)
rh2$puesto <- as.factor(rh2$puesto)
rh2$salario_diario_imss <- as.numeric(rh2$salario_diario_imss)
rh2$estado_civil <- as.factor(rh2$estado_civil)
summary(rh2)
```

## *Crear clusters*
### Cluster 1: Edad y Número de días laborados
```{r}
# Normalizar Variables
rh_edad_dias <-rh2 %>% dplyr::select(salario_diario_imss, edad, dias_laborados)
rh_edad_dias_norm<-scale(rh_edad_dias[2:3]) 
plot(rh_edad_dias_norm)
# Número óptimo de clústers con "Elbow Plot"
fviz_nbclust(rh_edad_dias_norm, kmeans, method="wss")+ 
  geom_vline(xintercept=6, linetype=2)+           
  labs(subtitle = "Elbow method")  
```

De acuerdo al elbow method, el numero óptimo de clusters son 6 pero al momento de visualizarlo se determinó que es una elevada cantidad de clusters y no sería tan sencillo el interpretar y nombrar tantos clusters por lo que se llegó a la conclusión que se elaborarán 5 clusters.

```{r}
# Visualizar Clusters
cluster1 <-kmeans(rh_edad_dias_norm,5)
cluster1
fviz_cluster(cluster1,data=rh_edad_dias_norm)
```


```{r}
```

Interpretación: Cluster número 1 y 4 son de edades diferentes pero tienen días laborados similares, igual que el cluster 3 y 5 . Por otro lado, el cluster 2 son datos que no tienen días laborados similares pero tienen más días que los otros clusters y tiene un rango diferente de edades. Por lo que se concluye que los días laborados no tienen tanta relación con la edad. 

### Cluster 2: Edad y Salario Diario
```{r}
# Normalizar Variables
rh_edad_sal <-rh2 %>% dplyr::select(salario_diario_imss, edad, dias_laborados)
rh_edad_sal_norm<-scale(rh_edad_dias[1:2]) 
plot(rh_edad_sal_norm)
# Número óptimo de clústers con "Elbow Plot"
fviz_nbclust(rh_edad_sal_norm, kmeans, method="wss")+ 
  geom_vline(xintercept=5, linetype=2)+           
  labs(subtitle = "Elbow method")  
```
Se determinó que el número óptimo es de 5 clusters

```{r}
# Visualizar Clusters
cluster2 <-kmeans(rh_edad_sal_norm,5)
cluster2
fviz_cluster(cluster2,data=rh_edad_sal_norm)
```

Interpretación: Todos tienen un salario similar sin importar la edad pero en el cluster 1 (que solo es un punto) nos indica que hay alguien que gana más que los demás colaboradores y tienen una edad relativamente joven a comparación de los demás datos

### Cluster 3: Número de días laborados y Salario Diario
```{r}
# Normalizar Variables
rh_dias_sal <-rh2 %>% dplyr::select(salario_diario_imss, dias_laborados, edad)
rh_dias_sal_norm<-scale(rh_dias_sal[1:2]) 
plot(rh_dias_sal_norm)
# Número óptimo de clústers con "Elbow Plot"
fviz_nbclust(rh_dias_sal_norm, kmeans, method="wss")+ 
  geom_vline(xintercept=5, linetype=2)+           
  labs(subtitle = "Elbow method")  
```

Se determinó que el número óptimo es de 5 clusters

```{r}
# Visualizar Clusters
cluster3 <-kmeans(rh_dias_sal_norm,5)
cluster3
fviz_cluster(cluster3,data=rh_dias_sal_norm)
```

Interpretación: Los días laborados no tienen influencia en el salario porque hay datos que indican colaboradores que trabajan más días pero tienen un salario similar a los que no tienen tantos días laborados. En el cluster 2 podemos observar que es el que tiene un mayor salario pero no es el que tiene una cantidad alta de días laborados como es en el cluster 1. Por lo tanto, los días laborados no tienen relación con el salario. 

## *Creación de segmmentos usando el cluster 2: Edad y Salario Diario*
```{r}


# Incluir columna que indique el cluster de cada registro
rh3 <- rh2
rh3$Clusters<-cluster2$cluster

# visualizar la máxima edad de cada cluster
rh4 <- rh3 %>% dplyr::group_by(Clusters) %>% dplyr::summarise(edad=max(edad)) %>% dplyr::arrange(desc(edad))

# Nombrar cada cluster 
rh3$nombres_clusters <- factor(rh3$Clusters,levels = c(1,2,3,4,5), 
                              labels=c("Excepcion", "Jubilados", "Mayores", "Adultos", "Jovenes"))

# Agrupar los datos por nombre de clusters 
library(dplyr)
rh5 <- rh3 %>% dplyr::group_by(nombres_clusters) %>% dplyr::summarize(edad_años=max(edad), 
                                                             salario_imss=mean(salario_diario_imss),
                                                             Count=n())

clusters<-as.data.frame(rh5)
clusters
```

## *Gráficos complementarios* 
### Gráfico por nombre de cluster 
```{r}
ggplot(rh5,aes(x=reorder(nombres_clusters,Count),y=Count,fill=nombres_clusters)) +
  geom_bar(stat="identity")
```

Interpretación: Los jóvenes adultos son los que representan más número de bajas y se visualiza que el orden de número de bajas esta en el mismo orden de edad, esto significa que después de los jóvenes adultos el grupo que más representa bajas es el de los adultos y de ahí siguen los mayores, y por último los jubilados. En conclusión, la edad puede ser un factor importante en el número de bajas.

### Gráfico del máximo de edad de cada cluster
```{r}
ggplot(rh5, aes(x=nombres_clusters,y=edad_años,fill= nombres_clusters,label=round(edad_años,digits=2))) + 
  geom_col() + 
  geom_text()
```

Interpretación: Aquí se observa la máxima de edad de cada cluster y también muestra la razón por la que se dieron los nombres a cada cluster. Los jóvenes tienen un rango de edad de 19-26, Adultos 27-36, Mayores 37-43 y Jubilados 44-61.

### Género de ex-colaboradores
```{r}
library(ggplot2)
ggplot(rh3, aes(fill=genero, y=genero, x=nombres_clusters)) + 
  geom_bar(position="stack", stat="identity") 
```

Interpretación: En la gráfica se aprecia un número alto de género masculino en todos los clusters. En Jubilados y Mayores el género Femenino es mayor que el masculino. 

### Motivo de baja de ex-colaboradores
```{r}
ggplot(rh3, aes(factor(nombres_clusters), fill = factor(motivo_de_baja))) +
  geom_bar(position = position_dodge2(preserve = "single"))
```

Interpretación:  Se puede observar que el motivo de baja mas grande en todos los grupos de edades es la baja por faltas, seguido de renuncia voluntaria. En jóvenes se puede observar que hay baja por abandono, mientras que en los otros clusters no hubo ninguna baja por abandono. 

### Puesto de de ex-colaboradores  
```{r}
library(plyr)
count(rh3$puesto)
proporciones <- c(176, 11, 11, 8, 26)
eti <- c("ayudante general", "ayu. soldador/soldador", "costurera", "ayu. embarque", "otros" )
pct <- round(proporciones/sum(proporciones)*100)
eti <- paste(eti, pct)
eti <- paste(eti,"%",sep="")
pie3D(proporciones,labels = eti,
    col=rainbow(length(eti)),
    main="Puestos de bajas")
```

Interpretación: el puesto en el que más se presentan bajas es en ayudante general, seguido de ayudante soldador/soldador, costurera, etc. Una de las posibles razones por la que haya más bajas en ayudante general, es porque en ese puesto se necesitan más colaboradores, por lo que el número de bajas en ese puesto puede ser mayor o también puede ser el ambiente general que se crea en ese puesto, estás hipotésis se comprobarían con un análisis más profundo de RH. 

### Estado civil de ex-colaboradores 
```{r}
ggplot(rh3, aes(factor(nombres_clusters), fill = factor(estado_civil))) +
  geom_bar(position = position_dodge2(preserve = "single"))

proporciones1 <- c(107, 3, 59, 63)
etiquetas <- c("soltero", "divorcio", "union libre", "matrimonio")
pct <- round(proporciones1/sum(proporciones1)*100)
etiquetas <- paste(etiquetas, pct)
etiquetas <- paste(etiquetas,"%",sep="")
pie3D(proporciones1,labels = etiquetas,
      col=rainbow(length(etiquetas)),
      main="Estado civil de bajas")
```

Interpretación: En el total de bajas el estado civil más común es "soltero", siendo los jóvenes los que tienen una mayor cantidad de este atributo, seguido de  los adultos. Después, está el matrimonio siendo este el más presente en el grupo de adultos, seguido de los jóvenes. El divorcio no es tán común en los grupos. 

En conclusión, se puede deducir que la mayoría de los ex-colaboradores son solteros, por lo que es más fácil renunciar al no tener una extensa y/o propia familia. Ya que los solteros son la mayoría, por ende los jóvenes son los más propensos
en darse de baja en FORM. 

## **3. Principales hallazgos**

- Si bien, la empresa hace mención de incentivos salariales a los colaboradores, los datos capturados y compartidos por parte de la organización unicamente muestran los salarios fijos (es decir, independientemente de horas extra) y por consiguiente, se puede correlacionar que no necesariamente la edad tiene una relación o impacto directo al nivel de salario otorgado a los colaboradores, con excepción de una persona: tratandose del dueño/director, quien posee un salario mayor, siendo este menor que muchos colaboradores presentes en la estructura organizacional.  

- Primeramente, se demuestra que si bien, el salario de los colaboradores corresponde correctamente de acuerdo a su contrato; estrictamente refiriendose al salario IMSS, no se muestra una diferencia en los salarios con la excepción de una persona quien se infiere es el director/dueño de la empresa quien debido a su posición jerárquica, goza de mejor salario/beneficios del IMSS. 

- Entre más jóven se es, mayor la probabilidad de darse de baja de la empresa.  

- Existen grupos de edad, los cuales constan de: Adultos jóvenes, Adultos, Adultos mayores y Jubilados, que forman parte de la organización.    

- El genero femenino tiene mayor presencia en el grupo de edad de jubilados y adultos mayores, en comparación con los grupos de Adultos y Jovenes, donde se tiene mayor presencia por parte del genero masculino. Con esto, se puede inferir con sustento que la presencia de mujeres en grupos de edad mas avanzada es debido a que son madres solteras y/o recurren a lineas de trabajo de este tipo para dar sustento y contribuir a la economía familiar.  

- El grupo con más bajas en todas las categorías de dicha actividad es el de Jóvenes, con la peculiaridad de que existen personas que simplemente dejan de asistir a sus labores.   

- Respecto a las bajas en función de los diferentes puestos existentes en la planta, se puede sustentar que donde existen más bajas es en el puesto de “Ayudante general” (representa el 76% de las bajas totales) por lo que se puede inferir que al ser el puesto con mayor demanda, vacantes ofrecidas y colaboradores quienes participan en dicha area, tiene sentido que destaquen las bajas con respecto a los otros puestas. En otras palabras, el número de bajas es proporcional al número de colaboradores presentes en cada puesto.  

## **Propuestas** 

- Elevar niveles salariales y/o prestaciones de acuerdo a la antigüedad y experiencia previa del colaborador. 

- Dada la correlación de la edad jóven y la concentración de colaboradores que se dan de baja, se propone un programa de retención de talento, el cual en conjunto con areas afines a cultura organizacional (RR.HH), que se encargue desde un inicio de atraer el mejor talento, desarrollarlo, retenerlo y dar seguimiento a su “employee journey” para evitar esas bajas.   

- Diseñar un programa de apoyo a madres solteras y/o con necesidad económica, donde se den prestaciones adicionales (no necesariamente de contexto salarial) enfocadas hacia los hijos/as de las colaboradores como por ejemplo, apoyo en material escolar, comida preparada para lunches, entre otras prestaciones que contribuyan a la retención de la colaboradora, y se apoye a la necesidad, y por consiguiente razón de trabajar en Form.  

- Instaurar una política y/o proceso institucional donde el colaborador deba indicar su baja de la empresa con 1 – 2 semanas de antelación, ya que de esta manera tienen la posibilidad de ser acreedores a una indemnización, y por otra parte, la empresa puede comenzar un nuevo proceso de atracción de talento sin afectar la productividad de la planta.  

- Programa de retención de talento #2: Como se estableció previamente, el número de bajas es proporcional al número de colaboradores presentes en cada puesto, por lo que específicamente para el ayudante general, donde hay mayor número de colaboradores, es importante ofrecer mayores beneficios para el colaborador, mejores condiciones de trabajo, integración con el equipo, entre otras acciones que apunten a mitigar en lo posible, la baja de estas personas en este puesto.   

# **Sección 4**


1. El mes con mas merma producida de FORM es el mes de agosto, al mismo tiempo que es el mes con mayor producción de piezas

2. *Julio del 2021* es el mes con mas Unidades programadas en el año.

3. Gran parte del scrap de form se encuentra en su pre-producción




**Bibliografía**
Frost, J. (2022, August 31). What is K means clustering? with an example. Statistics By Jim. Retrieved October 9, 2022, from https://statisticsbyjim.com/basics/k-means-clustering/#:~:text=The%20K%20means%20clustering%20algorithm,groups%20you%20specify%20(K). 
Harrison, O. (2019, July 14). Machine learning basics with the K-nearest neighbors algorithm. Medium. Retrieved October 9, 2022, from https://towardsdatascience.com/machine-learning-basics-with-the-k-nearest-neighbors-algorithm-6a6e71d01761 
Mishra, S. (2017, May 21). Unsupervised learning and data clustering. Medium. Retrieved October 9, 2022, from https://towardsdatascience.com/unsupervised-learning-and-data-clustering-eeecb78b422a#:~:text=Clustering%20can%20be%20considered%20the,are%20similar%20in%20some%20way%E2%80%9D. 
Modifications. euclidean_cluster. (n.d.). Retrieved October 9, 2022, from https://autowarefoundation.gitlab.io/autoware.auto/AutowareAuto/euclidean-cluster-design.html




