Actividad 3
Sergio Pena
2024-03-24
Problema: Rotación de cargo
En una organización, se busca comprender y prever los factores que influyen en la rotación de empleados entre distintos cargos. La empresa ha recopilado datos históricos sobre el empleo de sus trabajadores, incluyendo variables como la antigüedad en el cargo actual, el nivel de satisfacción laboral, el salario actual, edad y otros factores relevantes. La gerencia planea desarrollar un modelo de regresión logística que permita estimar la probabilidad de que un empleado cambie de cargo en el próximo período y determinar cuales factores indicen en mayor proporción a estos cambios.
Con esta información, la empresa podrá tomar medidas proactivas para retener a su talento clave, identificar áreas de mejora en la gestión de recursos humanos y fomentar un ambiente laboral más estable y tranquilo. La predicción de la probabilidad de rotación de empleados ayudará a la empresa a tomar decisiones estratégicas informadas y a mantener un equipo de trabajo comprometido y satisfecho en sus roles actuales.
#install.packages("devtools") # solo la primera vez
#devtools::install_github("dgonxalex80/paqueteMODELOS", force =TRUE)
library(paqueteMODELOS)## Loading required package: boot## Loading required package: broom## Warning: package 'broom' was built under R version 4.2.3## Loading required package: GGally## Warning: package 'GGally' was built under R version 4.2.3## Loading required package: ggplot2## Warning: package 'ggplot2' was built under R version 4.2.3## Registered S3 method overwritten by 'GGally':
## method from
## +.gg ggplot2## Loading required package: gridExtra## Warning: package 'gridExtra' was built under R version 4.2.3## Loading required package: knitr## Warning: package 'knitr' was built under R version 4.2.3## Loading required package: summarytoolsdata("rotacion")head(rotacion)## # A tibble: 6 × 24
## Rotación Edad `Viaje de Negocios` Departamento Distancia_Casa Educación
## <chr> <dbl> <chr> <chr> <dbl> <dbl>
## 1 Si 41 Raramente Ventas 1 2
## 2 No 49 Frecuentemente IyD 8 1
## 3 Si 37 Raramente IyD 2 2
## 4 No 33 Frecuentemente IyD 3 4
## 5 No 27 Raramente IyD 2 1
## 6 No 32 Frecuentemente IyD 2 2
## # ℹ 18 more variables: Campo_Educación <chr>, Satisfacción_Ambiental <dbl>,
## # Genero <chr>, Cargo <chr>, Satisfación_Laboral <dbl>, Estado_Civil <chr>,
## # Ingreso_Mensual <dbl>, Trabajos_Anteriores <dbl>, Horas_Extra <chr>,
## # Porcentaje_aumento_salarial <dbl>, Rendimiento_Laboral <dbl>,
## # Años_Experiencia <dbl>, Capacitaciones <dbl>,
## # Equilibrio_Trabajo_Vida <dbl>, Antigüedad <dbl>, Antigüedad_Cargo <dbl>,
## # Años_ultima_promoción <dbl>, Años_acargo_con_mismo_jefe <dbl>1. Selección de variables
Seleccione 3 variables categóricas (distintas de rotación) y 3 variables cuantitativas, que se consideren estén relacionadas con la rotación.
Variables categóricas seleccionadas:
Distancia desde casa al trabajo (distancia_casa): Esta variable puede ser crucial para comprender cómo afecta la logística diaria de los empleados a su satisfacción laboral y su disposición para permanecer en el empleo. Se espera que los empleados que viven más lejos del trabajo puedan experimentar mayores niveles de estrés y fatiga debido al tiempo y los costos asociados con el desplazamiento diario. Si la distancia al trabajo es considerable, es posible que estos empleados estén más inclinados a considerar opciones laborales más cercanas a su lugar de residencia, lo que podría aumentar la rotación de cargo en la empresa.
Horas extra (horas_extra): Las horas extra pueden indicar una carga de trabajo adicional y pueden afectar significativamente el equilibrio entre la vida laboral y personal de los empleados. Los empleados que trabajan constantemente horas extra pueden experimentar agotamiento, estrés y falta de satisfacción en el trabajo, lo que podría aumentar su propensión a buscar oportunidades laborales con una carga de trabajo más equilibrada. Se espera que una alta incidencia de horas extra esté asociada con una mayor rotación de personal, ya que los empleados podrían sentirse quemados o insatisfechos con las expectativas laborales de la empresa.
Cargo (cargo): El cargo o posición ocupada por un empleado dentro de la empresa puede influir en su satisfacción laboral, perspectivas de crecimiento profesional y nivel de responsabilidad. Es posible que ciertos cargos tengan tasas de rotación más altas debido a diversos factores, como la falta de oportunidades de avance, altas expectativas de rendimiento o niveles de estrés asociados con el puesto. Al analizar la rotación del personal en función del cargo, se pueden identificar patrones y tendencias que indiquen qué roles dentro de la empresa tienen mayores tasas de rotación y, por lo tanto, cuáles podrían necesitar una atención especial en términos de retención de talento.
Variables cuantitativas seleccionadas:
Ingreso mensual (ingreso_mensual): El ingreso mensual de un empleado puede influir significativamente en su satisfacción laboral y en su decisión de permanecer en un empleo. Se espera que los empleados que perciben salarios más altos tengan una menor probabilidad de rotar si están satisfechos con su trabajo y perciben que están siendo recompensados de manera justa por su trabajo. Sin embargo, si un empleado considera que su salario no es competitivo en relación con el mercado o no refleja su contribución al trabajo, podría ser más propenso a buscar oportunidades en otros lugares.
Antigüedad en el cargo (antigüedad_cargo): La antigüedad en el cargo indica cuánto tiempo un empleado ha estado desempeñando su función actual en la empresa. Se espera que los empleados con una antigüedad más larga en su cargo tengan una menor probabilidad de rotar, ya que podrían haber desarrollado habilidades específicas para su posición, establecido relaciones laborales y estar más arraigados en la cultura organizacional. Sin embargo, también puede haber casos en los que la antigüedad en el cargo esté relacionada con la falta de oportunidades de crecimiento o el estancamiento profesional, lo que podría aumentar la probabilidad de rotación.
Años desde la última promoción (años_ultima_promoción): La cantidad de tiempo transcurrido desde la última promoción recibida por un empleado puede proporcionar información sobre su satisfacción laboral y su percepción de oportunidades de avance dentro de la empresa. Los empleados que han pasado varios años sin una promoción pueden sentirse estancados en sus carreras y buscar oportunidades de crecimiento en otras organizaciones. Por otro lado, los empleados que han sido promovidos recientemente pueden tener una mayor satisfacción laboral y un compromiso renovado con la empresa, lo que podría reducir su probabilidad de rotación.
2. Análisis univariado
str(rotacion)## tibble [1,470 × 24] (S3: tbl_df/tbl/data.frame)
## $ Rotación : chr [1:1470] "Si" "No" "Si" "No" ...
## $ Edad : num [1:1470] 41 49 37 33 27 32 59 30 38 36 ...
## $ Viaje de Negocios : chr [1:1470] "Raramente" "Frecuentemente" "Raramente" "Frecuentemente" ...
## $ Departamento : chr [1:1470] "Ventas" "IyD" "IyD" "IyD" ...
## $ Distancia_Casa : num [1:1470] 1 8 2 3 2 2 3 24 23 27 ...
## $ Educación : num [1:1470] 2 1 2 4 1 2 3 1 3 3 ...
## $ Campo_Educación : chr [1:1470] "Ciencias" "Ciencias" "Otra" "Ciencias" ...
## $ Satisfacción_Ambiental : num [1:1470] 2 3 4 4 1 4 3 4 4 3 ...
## $ Genero : chr [1:1470] "F" "M" "M" "F" ...
## $ Cargo : chr [1:1470] "Ejecutivo_Ventas" "Investigador_Cientifico" "Tecnico_Laboratorio" "Investigador_Cientifico" ...
## $ Satisfación_Laboral : num [1:1470] 4 2 3 3 2 4 1 3 3 3 ...
## $ Estado_Civil : chr [1:1470] "Soltero" "Casado" "Soltero" "Casado" ...
## $ Ingreso_Mensual : num [1:1470] 5993 5130 2090 2909 3468 ...
## $ Trabajos_Anteriores : num [1:1470] 8 1 6 1 9 0 4 1 0 6 ...
## $ Horas_Extra : chr [1:1470] "Si" "No" "Si" "Si" ...
## $ Porcentaje_aumento_salarial: num [1:1470] 11 23 15 11 12 13 20 22 21 13 ...
## $ Rendimiento_Laboral : num [1:1470] 3 4 3 3 3 3 4 4 4 3 ...
## $ Años_Experiencia : num [1:1470] 8 10 7 8 6 8 12 1 10 17 ...
## $ Capacitaciones : num [1:1470] 0 3 3 3 3 2 3 2 2 3 ...
## $ Equilibrio_Trabajo_Vida : num [1:1470] 1 3 3 3 3 2 2 3 3 2 ...
## $ Antigüedad : num [1:1470] 6 10 0 8 2 7 1 1 9 7 ...
## $ Antigüedad_Cargo : num [1:1470] 4 7 0 7 2 7 0 0 7 7 ...
## $ Años_ultima_promoción : num [1:1470] 0 1 0 3 2 3 0 0 1 7 ...
## $ Años_acargo_con_mismo_jefe : num [1:1470] 5 7 0 0 2 6 0 0 8 7 ...# Resumen estadístico de las variables numéricas
summary(rotacion)## Rotación Edad Viaje de Negocios Departamento
## Length:1470 Min. :18.00 Length:1470 Length:1470
## Class :character 1st Qu.:30.00 Class :character Class :character
## Mode :character Median :36.00 Mode :character Mode :character
## Mean :36.92
## 3rd Qu.:43.00
## Max. :60.00
## Distancia_Casa Educación Campo_Educación Satisfacción_Ambiental
## Min. : 1.000 Min. :1.000 Length:1470 Min. :1.000
## 1st Qu.: 2.000 1st Qu.:2.000 Class :character 1st Qu.:2.000
## Median : 7.000 Median :3.000 Mode :character Median :3.000
## Mean : 9.193 Mean :2.913 Mean :2.722
## 3rd Qu.:14.000 3rd Qu.:4.000 3rd Qu.:4.000
## Max. :29.000 Max. :5.000 Max. :4.000
## Genero Cargo Satisfación_Laboral Estado_Civil
## Length:1470 Length:1470 Min. :1.000 Length:1470
## Class :character Class :character 1st Qu.:2.000 Class :character
## Mode :character Mode :character Median :3.000 Mode :character
## Mean :2.729
## 3rd Qu.:4.000
## Max. :4.000
## Ingreso_Mensual Trabajos_Anteriores Horas_Extra
## Min. : 1009 Min. :0.000 Length:1470
## 1st Qu.: 2911 1st Qu.:1.000 Class :character
## Median : 4919 Median :2.000 Mode :character
## Mean : 6503 Mean :2.693
## 3rd Qu.: 8379 3rd Qu.:4.000
## Max. :19999 Max. :9.000
## Porcentaje_aumento_salarial Rendimiento_Laboral Años_Experiencia
## Min. :11.00 Min. :3.000 Min. : 0.00
## 1st Qu.:12.00 1st Qu.:3.000 1st Qu.: 6.00
## Median :14.00 Median :3.000 Median :10.00
## Mean :15.21 Mean :3.154 Mean :11.28
## 3rd Qu.:18.00 3rd Qu.:3.000 3rd Qu.:15.00
## Max. :25.00 Max. :4.000 Max. :40.00
## Capacitaciones Equilibrio_Trabajo_Vida Antigüedad Antigüedad_Cargo
## Min. :0.000 Min. :1.000 Min. : 0.000 Min. : 0.000
## 1st Qu.:2.000 1st Qu.:2.000 1st Qu.: 3.000 1st Qu.: 2.000
## Median :3.000 Median :3.000 Median : 5.000 Median : 3.000
## Mean :2.799 Mean :2.761 Mean : 7.008 Mean : 4.229
## 3rd Qu.:3.000 3rd Qu.:3.000 3rd Qu.: 9.000 3rd Qu.: 7.000
## Max. :6.000 Max. :4.000 Max. :40.000 Max. :18.000
## Años_ultima_promoción Años_acargo_con_mismo_jefe
## Min. : 0.000 Min. : 0.000
## 1st Qu.: 0.000 1st Qu.: 2.000
## Median : 1.000 Median : 3.000
## Mean : 2.188 Mean : 4.123
## 3rd Qu.: 3.000 3rd Qu.: 7.000
## Max. :15.000 Max. :17.000# Tabla de frecuencias para variables categóricas
table(rotacion$Distancia_Casa)##
## 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
## 208 211 84 64 65 59 84 80 85 86 29 20 19 21 26 32 20 26 22 25
## 21 22 23 24 25 26 27 28 29
## 18 19 27 28 25 25 12 23 27table(rotacion$Horas_Extra)##
## No Si
## 1054 416table(rotacion$Cargo)##
## Director_Investigación Director_Manofactura Ejecutivo_Ventas
## 80 145 326
## Gerente Investigador_Cientifico Recursos_Humanos
## 102 292 52
## Representante_Salud Representante_Ventas Tecnico_Laboratorio
## 131 83 259library(ggplot2)
# Histogramas para variables numéricas
ggplot(rotacion, aes(x = Ingreso_Mensual)) +
geom_histogram(binwidth = 500, fill = "blue", color = "black") +
labs(title = "Distribución de Ingreso Mensual", x = "Ingreso Mensual", y = "Frecuencia")
ggplot(rotacion, aes(x = Antigüedad_Cargo)) +
geom_histogram(binwidth = 1, fill = "green", color = "black") +
labs(title = "Distribución de Antigüedad en el Cargo", x = "Antigüedad en el Cargo (años)", y = "Frecuencia")
ggplot(rotacion, aes(x = Años_ultima_promoción)) +
geom_histogram(binwidth = 1, fill = "orange", color = "black") +
labs(title = "Distribución de Años desde la Última Promoción", x = "Años desde la Última Promoción", y = "Frecuencia")
# Gráficos de barras para variables categóricas
ggplot(rotacion, aes(x = Distancia_Casa)) +
geom_bar(fill = "red") +
labs(title = "Distribución de Distancia desde Casa al Trabajo", x = "Distancia desde Casa", y = "Frecuencia")
ggplot(rotacion, aes(x = Horas_Extra)) +
geom_bar(fill = "purple") +
labs(title = "Distribución de Horas Extra", x = "Horas Extra", y = "Frecuencia")
ggplot(rotacion, aes(x = Cargo)) +
geom_bar(fill = "yellow") +
labs(title = "Distribución de Cargos", x = "Cargo", y = "Frecuencia") +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) # Rotar etiquetas del eje x para mayor legibilidad
# Gráfico de barras para la variable de rotación
ggplot(rotacion, aes(x = Rotación)) +
geom_bar(fill = "skyblue") +
labs(title = "Frecuencia de Rotación de Empleados", x = "Rotación", y = "Frecuencia")
3. Análisis bivariado
# Recodificar la variable "Rotación" como binaria (1 para "Sí" y 0 para "No")
rotacion$Rotación <- ifelse(rotacion$Rotación == "Si", 1, 0)
# Ajustar un modelo de regresión logística
modelo <- glm(Rotación ~ ., data = rotacion, family = binomial)
# Resumen del modelo
summary(modelo)##
## Call:
## glm(formula = Rotación ~ ., family = binomial, data = rotacion)
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## -1.7938 -0.5091 -0.2716 -0.0994 3.4048
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 2.613e-01 1.600e+00 0.163 0.870276
## Edad -3.655e-02 1.328e-02 -2.753 0.005899 **
## `Viaje de Negocios`No_Viaja -1.763e+00 3.958e-01 -4.454 8.44e-06 ***
## `Viaje de Negocios`Raramente -8.215e-01 2.062e-01 -3.984 6.78e-05 ***
## DepartamentoRH -1.292e+01 3.780e+02 -0.034 0.972728
## DepartamentoVentas 1.231e-01 1.023e+00 0.120 0.904238
## Distancia_Casa 4.250e-02 1.046e-02 4.063 4.85e-05 ***
## Educación -1.149e-02 8.552e-02 -0.134 0.893169
## Campo_EducaciónHumanidades 8.342e-01 7.860e-01 1.061 0.288527
## Campo_EducaciónMercadeo 3.823e-01 3.178e-01 1.203 0.229009
## Campo_EducaciónOtra 5.979e-02 4.024e-01 0.149 0.881890
## Campo_EducaciónSalud -1.136e-01 2.121e-01 -0.536 0.592226
## Campo_EducaciónTecnicos 9.281e-01 2.970e-01 3.125 0.001779 **
## Satisfacción_Ambiental -4.424e-01 8.119e-02 -5.449 5.05e-08 ***
## GeneroM 3.248e-01 1.795e-01 1.809 0.070386 .
## CargoDirector_Manofactura 1.269e+00 9.710e-01 1.307 0.191293
## CargoEjecutivo_Ventas 1.989e+00 1.390e+00 1.431 0.152359
## CargoGerente 1.247e+00 1.032e+00 1.208 0.227061
## CargoInvestigador_Cientifico 1.643e+00 1.021e+00 1.609 0.107544
## CargoRecursos_Humanos 1.519e+01 3.780e+02 0.040 0.967950
## CargoRepresentante_Salud 1.037e+00 9.640e-01 1.076 0.282059
## CargoRepresentante_Ventas 2.962e+00 1.482e+00 1.998 0.045682 *
## CargoTecnico_Laboratorio 2.587e+00 1.018e+00 2.541 0.011041 *
## Satisfación_Laboral -4.048e-01 7.925e-02 -5.109 3.24e-07 ***
## Estado_CivilDivorciado -3.973e-01 2.530e-01 -1.570 0.116313
## Estado_CivilSoltero 1.033e+00 1.941e-01 5.323 1.02e-07 ***
## Ingreso_Mensual -9.588e-07 5.854e-05 -0.016 0.986932
## Trabajos_Anteriores 1.756e-01 3.746e-02 4.688 2.76e-06 ***
## Horas_ExtraSi 1.872e+00 1.869e-01 10.014 < 2e-16 ***
## Porcentaje_aumento_salarial -2.302e-02 3.805e-02 -0.605 0.545193
## Rendimiento_Laboral 1.702e-01 3.889e-01 0.438 0.661621
## Años_Experiencia -5.408e-02 2.782e-02 -1.944 0.051874 .
## Capacitaciones -1.828e-01 7.125e-02 -2.566 0.010301 *
## Equilibrio_Trabajo_Vida -3.654e-01 1.207e-01 -3.027 0.002470 **
## Antigüedad 9.630e-02 3.750e-02 2.568 0.010220 *
## Antigüedad_Cargo -1.414e-01 4.386e-02 -3.224 0.001264 **
## Años_ultima_promoción 1.787e-01 4.112e-02 4.345 1.39e-05 ***
## Años_acargo_con_mismo_jefe -1.563e-01 4.599e-02 -3.399 0.000677 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 1298.58 on 1469 degrees of freedom
## Residual deviance: 893.23 on 1432 degrees of freedom
## AIC: 969.23
##
## Number of Fisher Scoring iterations: 14Relación con hipótesis iniciales
Distancia desde casa al trabajo (distancia_casa): El modelo confirma la importancia de esta variable, ya que muestra que un aumento en la distancia entre la casa y el lugar de trabajo está asociado con un aumento en la probabilidad de rotación del personal. Esto respalda la idea de que los empleados que viven más lejos del trabajo pueden experimentar mayores niveles de estrés y fatiga debido al desplazamiento diario, lo que podría aumentar su propensión a buscar oportunidades laborales más cercanas a su lugar de residencia.
Horas extra (horas_extra): El análisis revela que trabajar horas extras está fuertemente asociado con un aumento en la probabilidad de rotación del personal. Esto respalda la hipótesis de que las horas extra pueden indicar una carga de trabajo adicional que podría conducir a agotamiento, estrés y falta de satisfacción en el trabajo, aumentando así la propensión de los empleados a buscar oportunidades laborales con una carga de trabajo más equilibrada.
Cargo (cargo): Aunque no todos los cargos mostraron una asociación significativa con la rotación del personal, algunos sí lo hicieron. Por ejemplo, el análisis reveló que ciertos roles, como el de “CargoRepresentante_Ventas” y “CargoTecnico_Laboratorio”, están asociados con una mayor probabilidad de rotación. Esto sugiere que el tipo de cargo desempeñado por un empleado puede influir en su decisión de permanecer en la empresa.
Ingreso mensual (ingreso_mensual): A diferencia de la hipótesis inicial, el análisis no encontró una asociación significativa entre el ingreso mensual y la rotación del personal. Esto podría indicar que, en este contexto específico, otros factores podrían estar influyendo más en la decisión de los empleados de permanecer en la empresa.
Antigüedad en el cargo (antigüedad_cargo) y Años desde la última promoción (años_ultima_promoción): Ambas variables mostraron asociaciones significativas con la rotación del personal. El análisis reveló que una mayor antigüedad en el cargo y más tiempo desde la última promoción están asociados con una disminución en la probabilidad de rotación. Esto respalda la idea de que los empleados con una mayor antigüedad en su cargo y que han sido promovidos recientemente pueden tener una menor probabilidad de rotación, debido a su arraigo en la empresa y a una mayor satisfacción laboral.
Punto 4
modelo2 <- glm(Rotación ~ Distancia_Casa + Horas_Extra + Cargo + Ingreso_Mensual + Antigüedad_Cargo + Años_ultima_promoción,
data = rotacion, family = binomial)
# Mostrar un resumen del modelo
summary(modelo2)##
## Call:
## glm(formula = Rotación ~ Distancia_Casa + Horas_Extra + Cargo +
## Ingreso_Mensual + Antigüedad_Cargo + Años_ultima_promoción,
## family = binomial, data = rotacion)
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## -1.4901 -0.5933 -0.3972 -0.2016 3.2205
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -4.001e+00 1.012e+00 -3.954 7.69e-05 ***
## Distancia_Casa 2.936e-02 9.321e-03 3.149 0.00164 **
## Horas_ExtraSi 1.501e+00 1.599e-01 9.391 < 2e-16 ***
## CargoDirector_Manofactura 1.080e+00 8.973e-01 1.203 0.22888
## CargoEjecutivo_Ventas 2.119e+00 8.521e-01 2.486 0.01291 *
## CargoGerente 7.690e-01 8.753e-01 0.879 0.37964
## CargoInvestigador_Cientifico 1.759e+00 9.378e-01 1.876 0.06070 .
## CargoRecursos_Humanos 2.478e+00 9.657e-01 2.566 0.01028 *
## CargoRepresentante_Salud 8.906e-01 9.008e-01 0.989 0.32284
## CargoRepresentante_Ventas 3.124e+00 9.664e-01 3.233 0.00123 **
## CargoTecnico_Laboratorio 2.494e+00 9.360e-01 2.664 0.00772 **
## Ingreso_Mensual -1.820e-05 4.397e-05 -0.414 0.67888
## Antigüedad_Cargo -1.733e-01 3.260e-02 -5.315 1.07e-07 ***
## Años_ultima_promoción 1.301e-01 3.295e-02 3.948 7.87e-05 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 1298.6 on 1469 degrees of freedom
## Residual deviance: 1076.8 on 1456 degrees of freedom
## AIC: 1104.8
##
## Number of Fisher Scoring iterations: 6Distancia_Casa: El coeficiente es positivo (0.02936) y significativo (p = 0.00164), lo que sugiere que un aumento en la distancia desde casa al trabajo está asociado con un aumento en la probabilidad de rotación del personal. Horas_ExtraSi: El coeficiente es positivo (1.501) y altamente significativo (p < 0.001), lo que indica que tener horas extra está asociado con un aumento significativo en la probabilidad de rotación del personal. Antigüedad_Cargo: El coeficiente es negativo (-0.1733) y altamente significativo (p < 0.001), lo que sugiere que una mayor antigüedad en el cargo está asociada con una disminución significativa en la probabilidad de rotación del personal. Años_ultima_promoción: El coeficiente es positivo (0.1301) y significativo (p < 0.001), lo que indica que un mayor tiempo desde la última promoción está asociado con un aumento en la probabilidad de rotación del personal. Cargo y Ingreso_Mensual: Ninguno de los coeficientes para estas variables es significativo (p > 0.05). Esto sugiere que, en este modelo, no hay evidencia estadística para concluir que el cargo o el ingreso mensual tengan un efecto significativo en la probabilidad de rotación del personal.
Punto 5
#install.packages("pROC")
# Calcular las probabilidades predichas
rotacion$prob_pred <- predict(modelo, type = "response")
# Calcular la curva ROC y el AUC
library(pROC)## Warning: package 'pROC' was built under R version 4.2.3## Type 'citation("pROC")' for a citation.##
## Attaching package: 'pROC'## The following objects are masked from 'package:stats':
##
## cov, smooth, varroc_curve <- roc(rotacion$Rotación, rotacion$prob_pred)## Setting levels: control = 0, case = 1## Setting direction: controls < casesauc <- auc(roc_curve)
# Graficar la curva ROC
plot(roc_curve, main = "Curva ROC")
abline(a = 0, b = 1, lty = 2, col = "blue") # Línea de referencia aleatoria
legend("bottomright", legend = paste("AUC =", round(auc, 2)), col = "black", lwd = 1, bty = "n")
# Interpretar el AUC
print(paste("El AUC es:", round(auc, 2)))## [1] "El AUC es: 0.86"Un AUC (Área Bajo la Curva) de 0.86 indica que el modelo tiene una buena capacidad de discriminación. El modelo es capaz de distinguir con precisión entre los individuos que experimentan rotación (clase positiva) y los que no (clase negativa) aproximadamente el 86% del tiempo. El modelo tiene un buen poder predictivo y puede ser útil para predecir la rotación del personal en función de las variables incluidas en el modelo de regresión logística.
Conclusiones
Para disminuir la rotación en la empresa:
Enfoque en la edad del personal: Dado que la edad está inversamente relacionada con la probabilidad de rotación, la empresa podría implementar programas de retención específicamente dirigidos a empleados más jóvenes. Estos programas podrían incluir oportunidades de desarrollo profesional, mentoría y beneficios adicionales para aumentar la satisfacción laboral de este grupo demográfico.
Reducción de viajes de negocios: Dado que la ausencia de viajes de negocios o la ocurrencia rara de los mismos está asociada con una menor rotación, la empresa podría revisar sus políticas de viaje para minimizar la necesidad de viajes frecuentes. Esto podría incluir la implementación de tecnologías de trabajo remoto, la descentralización de operaciones o la optimización de la planificación de viajes para reducir la carga sobre los empleados.
Facilitar el acceso al trabajo: Dado que la distancia entre la casa y el lugar de trabajo está positivamente relacionada con la rotación, la empresa podría considerar políticas que faciliten el acceso al trabajo, como la provisión de transporte corporativo o incentivos para empleados que vivan cerca de la empresa.
Apoyo a la satisfacción laboral y ambiental: Dado que la satisfacción ambiental y laboral están inversamente relacionadas con la rotación, la empresa podría implementar programas de bienestar laboral y mejorar las condiciones de trabajo para aumentar la satisfacción de los empleados. Esto podría incluir mejoras en el ambiente físico de trabajo, políticas de flexibilidad laboral y programas de apoyo psicosocial.
Enfoque en empleados solteros: Dado que el estado civil de estar soltero está asociado con una mayor rotación, la empresa podría desarrollar programas específicos de retención dirigidos a empleados solteros. Estos programas podrían incluir beneficios familiares, programas de desarrollo personal y oportunidades de crecimiento profesional que se adapten a las necesidades y aspiraciones individuales de este grupo demográfico.
Gestión del equilibrio trabajo-vida: Dado que un mejor equilibrio trabajo-vida está asociado con una menor rotación, la empresa podría implementar políticas que promuevan este equilibrio, como horarios flexibles, días de descanso adicionales o programas de apoyo para cuidado de niños y familiares dependientes.
Reconocimiento y promoción: Dado que la antigüedad en la empresa, la promoción reciente y los años a cargo del mismo jefe están asociados con una menor rotación, la empresa podría enfocarse en programas de reconocimiento, desarrollo profesional y oportunidades de avance para empleados con mayor antigüedad y rendimiento destacado.
La estrategia para disminuir la rotación en la empresa debería centrarse en mejorar la satisfacción laboral, crear un ambiente de trabajo favorable y ofrecer oportunidades de desarrollo y crecimiento profesional que se alineen con las necesidades y expectativas de los empleados.