Descarga la aplicación para disfrutar aún más
Esta es una vista previa del archivo. Inicie sesión para ver el archivo original
##### PARCIAL JUAN DAVID BAREÑO#### install.packages("tidyverse") library(tidyverse) library(data.table) library(readxl) library(lubridate) setwd("/Users/juanbareno/Library/Mobile Documents/com~apple~CloudDocs/Universidad/6th Semestre/Informática para Economistas/1er Corte /Parcial Primer Corte/data") dir() #Cargar Datos ---- calidad <- read_excel("Analisis de Calidad.xlsx") glimpse(calidad) view(calidad) divipola <- read_excel("DIVIPOLA.xlsx") glimpse(divipola) view(divipola) Preciosinternos <- read_excel("PreciosInternos.xlsx") glimpse(Preciosinternos) view(Preciosinternos) productos <- read_excel("Productos.xlsx") glimpse(productos) view(productos) entradas <- fread("Entradas.csv") glimpse(entradas) view(entradas) proveedores <- fread("Proveedores.csv") glimpse(proveedores) view(proveedores) #union de datos---- data <- entradas %>% inner_join(divipola, by = c("CodProcedencia" = "CodDane")) %>% inner_join(proveedores, by="CodProveedor", "CodProcedencia" = "CodUbicacion") %>% inner_join(productos, by= c("CodCategoria", "CodProducto")) %>% inner_join(calidad, by="IdEntrada") %>% mutate(periodo = format(Fecha_Entrada, "%Y")) glimpse(data) view(data) ## PUNTO 1.Existen periodos de tiempo con mayor número de kilos de café en entradas? ---- pt1 <- entradas %>% mutate(Años = format(Fecha_Entrada, "%Y")) pt1 %>% group_by(Años) %>% summarise(Kilos = sum(Kilos))%>% arrange(desc(Kilos)) #R//: Teniendo en cuenta la informacion filtrada en años, podemos llegar a la #conclucion de que en el año 2018 fue cuando hubo un mayor numero de kilos de #cafe fueron producidos con 17.666.747 kg ## PUNTO 2.Si la materia prima tiene un porcentaje de humedad mayor al 12 porciento,---- #esta no debía haber entrado a la trilladora. Existe algún patrón para el no cumplimiento de esta norma? pt2.1 <- data %>% filter(Humedad>12)%>% select(IdEntrada,CodCategoria,Categoria)%>% distinct()%>% group_by(Categoria) %>% summarise(Contar = n()) pt2.1 ###O pt2.2 <- calidad %>% filter(Humedad > 12)%>% inner_join(entradas, by=c("IdEntrada"="IdEntrada"))%>% inner_join(productos, by=c("CodCategoria"="CodCategoria"))%>% select(IdEntrada,CodCategoria,Categoria)%>% distinct()%>% group_by(Categoria) %>% summarise(Contar = n()) pt2.2 #*** R//: 7566 fueron las materias primas que no debieron haber entrado a la trilladora #*** de estos 1044 corresponden a la categoria de Diferenciados y 6528 a la categoria de Pergamino Seco #*** teneindo en cuenta un total de 14.778 datos analisados ## PUNTO 3.El factor de rendimiento mide la calidad del café en entrada, si el factor ---- #es bajo el proveedor se premia con una bonificación sobre el precio. Qué proveedores #entregan café de mejor calidad y por ende que han sido bonificados frecuentemente? pt3 <- datos %>% group_by(TipoProveedor) %>% summarise(Factorrendimiento = mean(FactorRendimiento)) %>% arrange(Factorrendimiento) #R//: pordemos evidenciar que el productor es quien tiene el menor promedio en #factor de rendimeinto con un 97.6 frente a los 100 de comerciante, lo que nos #indica que el comerciante entraga mejor calidad de cafe, y el productor es quien #ha sido bonificado frecuentemente ## PUNTO 4.Se está considerando abrir un punto de compra en la zona. En qué municipio considera---- #que se debe abrir teniendo en cuenta que la sucursal vigente está en Popayán ? pt4.1 <- entradas %>% inner_join(divipola, by = c("CodProcedencia" = "CodDane")) %>% group_by(Nom_Mun) %>% summarise(Kilos = sum(Kilos))%>% arrange(desc(Kilos)) pt4.1 ###O pt4.2 <- data %>% group_by(Nom_Mun) %>% summarise(Kilos = sum(Kilos))%>% arrange(desc(Kilos)) pt4.2 #*** R//: El municipio donde se recomienda hacer la apetura del punto de compra en la zona #*** deberia ser "La Union" por la cantidad de kilos en cafe que vende y posee #*** con un total de 33513200 kg en el municipio, el que le sigue es "Paez" con 11212321kg. #*** se puede considerar la apertura aun asi teniendo en cuenta que la distancias entre #*** la union y popayan sean muy cortas, lo consideramos por la cantidad de kilos. ## PUNTO 5.El equipo de campo hace visitas a los proveedores periódicamente, se quiere priorizar ---- #los municipios de donde no se ha comprado café ultimamente. Que municipios recomienda priorizar? pt5.1 <- entradas %>% inner_join(divipola, by = c("CodProcedencia" = "CodDane")) %>% inner_join(proveedores, by = ("CodProveedor")) %>% group_by(Nom_Mun) %>% summarise(Kilos = sum(Kilos))%>% arrange(Kilos) pt5.1 ##### O pt5.2 <- data %>% group_by(Nom_Mun) %>% summarise(Kilos = sum(Kilos))%>% arrange(Kilos) pt5.2 #*** R//:los municipios que se recomienda priorizar son: Santacruz (614kg) y Santa Rosa (1581kg) # #*** ya que son los municipios que tienen menos ventas de quilos de cafe teniendo en cuanta la sumatoria # #*** de sus kilos, por eso se recomienda hacer visitas con mas frecuencia # ## NOTA ---- #*** TENER EN CUENTA QUE EN LOS PIRMERO PUNTOS DE PUNTO 2 - 4 - 5 (2.1 - 4.1 - 5.1 ) CORRESPONDIENTEMENTE, # #*** HAGO LA UNION EN LOS MISMO # #*** PERO EN LOS SEGUNDOS PUNTOS DE LOS MISMOS, (2.2 - 4.2 - 5.2) CORRESPONDIENTEMENTE, ULTILIZO LA UNION # #*** GENERAL HECHA EN LA PRIMERAS LINEAS DE CODIGO. #
Compartir