Modelo predictivo utilizando Machine Learning para reducir la rotación del talento humano y costo de reposición en la empresa Aluminar S.A.C

• Autores: Muje Taipe, Lilibeth, Alarcon Denegri, Jose Antonio
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad San Ignacio de Loyola
• Repositorio: USIL-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.usil.edu.pe:20.500.14005/15918
• Enlace del recurso: https://hdl.handle.net/20.500.14005/15918
• Nivel de acceso: acceso abierto
• Materia: Rotación del talento humano; Costo de reposición; Machine Learning; Modelo predictivo; https://purl.org/pe-repo/ocde/ford#2.02.04; ODS 9: Industria, innovación e infraestructura. Construir infraestructuras resilientes, promover la industrialización inclusiva y sostenible y fomentar la innovación; Transferencia tecnológica.; Ingeniería, tecnología, biotecnología y aspectos relacionados

El objetivo del presente estudio es elaborar un modelo de analítica predictiva basado en Machine Learning (ML) para reducir la alta rotación del talento humano en la empresa ALUMINAR S.A.C, considerando los altos costos que conllevan la reposición del trabajador a través de los procesos de reclutamiento y selección que en muchas organizaciones son tercerizados por agencias especializadas en el rubro de Recursos Humanos. Para alcanzar este objetivo, se ha utilizado la metodología CRISP-DM, cómo estándar en la industria de ML, siguiendo todas las fases del proceso desde la comprensión del negocio hasta el despliegue de la solución pasando por la preparación de los datos y el entrenamiento del modelo con los datos históricos disponibles. La investigación que se ha desarrollado es de tipo aplicada y enfoque cuantitativo, con diseño experimental, tipo preexperimental, realizado con una población de 1470 trabajadores que laboraron en la compañía entre los años 2006 al 2022, muestra censal. La técnica de recolección de datos utilizada es el análisis documental y como instrumento registro de contenido. Como resultado de la investigación, se ha obtenido una predicción de 14 trabajadores, de un total de 1470, con una probabilidad mayor a 0.8 de abandonar la compañía, lo que representa una tasa de fuga de 0.141 y un costo de reposición de 21,216 Soles. Esto permitirá que los responsables de la Gestión de Recursos Humanos tomen medidas para mitigar esta situación y evalúen el riesgo de incurrir en el costo de reemplazo o no, lo que conlleva a concluir que aplicar ciencia de datos y aprendizaje automático para reducir la rotación del personal en la empresa del presente estudio impacta positivamente al descubrir indicadores que reducen el costo del proceso de reclutamiento.