CasoRotacionCargos
Jamith Bolaños Vidal
2024-18-03
Rotación de personal
Cargue de datos
Se cargan los datos de información sobre rotación y se especifica los tipos de datos y el número de registro
## 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 ...Matriz de correlación
Se realiza la matriz de correlación de variables numéricas
Elección de variables Cuantitativas
De acuerdo a la matriz de correlación se puede observar una relación
fuerte con las siguientes variables: intresos mensuales (-0.45), años
experiencia (-0.47) y antiguedad en el cargo (-0,43) podemos observar
los siguiente
Elección de variables Cualitativas
Datos con filtro de variables seleccionadas
## # A tibble: 1,470 × 7
## Rotación Ingreso_Mensual Años_Experiencia Antigüedad_Cargo Horas_Extra Cargo
## <chr> <dbl> <dbl> <dbl> <chr> <chr>
## 1 Si 5993 8 4 Si Ejecu…
## 2 No 5130 10 7 No Inves…
## 3 Si 2090 7 0 Si Tecni…
## 4 No 2909 8 7 Si Inves…
## 5 No 3468 6 2 No Tecni…
## 6 No 3068 8 7 No Tecni…
## 7 No 2670 12 0 Si Tecni…
## 8 No 2693 1 0 No Tecni…
## 9 No 9526 10 7 No Direc…
## 10 No 5237 17 7 No Repre…
## # ℹ 1,460 more rows
## # ℹ 1 more variable: Campo_Educación <chr>Análisis Univariado
## Rotación Ingreso_Mensual Años_Experiencia Antigüedad_Cargo
## Length:1470 Min. : 1009 Min. : 0.00 Min. : 0.000
## Class :character 1st Qu.: 2911 1st Qu.: 6.00 1st Qu.: 2.000
## Mode :character Median : 4919 Median :10.00 Median : 3.000
## Mean : 6503 Mean :11.28 Mean : 4.229
## 3rd Qu.: 8379 3rd Qu.:15.00 3rd Qu.: 7.000
## Max. :19999 Max. :40.00 Max. :18.000
## Horas_Extra Cargo Campo_Educación
## Length:1470 Length:1470 Length:1470
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
## 
En la siguiente gráfica se puede observar que entre menos salario la
gráfica de rotación es más alta, a medida que el rango de salario va
aumentando la rotación va disminuyendo
##
## Welch Two Sample t-test
##
## data: Ingreso_Mensual by Rotación
## t = 7.4826, df = 412.74, p-value = 4.434e-13
## alternative hypothesis: true difference in means between group No and group Si is not equal to 0
## 95 percent confidence interval:
## 1508.244 2583.050
## sample estimates:
## mean in group No mean in group Si
## 6832.740 4787.093##
## Wilcoxon rank sum test with continuity correction
##
## data: Ingreso_Mensual by Rotación
## W = 191601, p-value = 2.951e-14
## alternative hypothesis: true location shift is not equal to 0##
## Pearson's Chi-squared test
##
## data: table(data_seleccionada$Ingreso_Mensual, data_seleccionada$Rotación)
## X-squared = 1319, df = 1348, p-value = 0.7086Según las gráficas podemos evidenciar que cargo directivos o de
gerencia tienen menos rotación, por el contratio los trabajos técnicos,
ejecutivos de ventas e investigadores científicos son los que más
rotación presentan
##
## Welch Two Sample t-test
##
## data: Años_Experiencia by Rotación
## t = 7.0192, df = 350.88, p-value = 1.16e-11
## alternative hypothesis: true difference in means between group No and group Si is not equal to 0
## 95 percent confidence interval:
## 2.604401 4.632019
## sample estimates:
## mean in group No mean in group Si
## 11.862936 8.244726##
## Wilcoxon rank sum test with continuity correction
##
## data: Años_Experiencia by Rotación
## W = 191654, p-value = 2.4e-14
## alternative hypothesis: true location shift is not equal to 0##
## Pearson's Chi-squared test
##
## data: table(data_seleccionada$Años_Experiencia, data_seleccionada$Rotación)
## X-squared = 122.3, df = 39, p-value = 1.586e-10Según las gráficas podemos evidenciar que cargo las áreas de la salud
y ciencias es dónde menos rotación se presenta
### Análisis Bivariado
La diferencia en el ingreso mensual entre los
empleados que rotan y los que no rotan es significativa, como se
evidencia por el valor p extremadamente bajo de la prueba t (p <
0.001). También hay una diferencia significativa en la experiencia
laboral (años de experiencia) entre los dos grupos, ya que el valor p
para la prueba t es muy bajo (p < 0.001).
## Length Class Mode
## statistic 1 -none- numeric
## parameter 1 -none- numeric
## p.value 1 -none- numeric
## conf.int 2 -none- numeric
## estimate 2 -none- numeric
## null.value 1 -none- numeric
## stderr 1 -none- numeric
## alternative 1 -none- character
## method 1 -none- character
## data.name 1 -none- characterEstimación del Moddelo
Se puede evidenciar que Horas Extra y Cargo son variables significativas: Las variables “Horas_ExtraSi” y varias variables relacionadas con el cargo (como “CargoDirector_Manofactura”, “CargoRepresentante_Ventas”, etc.) tienen coeficientes significativos con valores p inferiores a 0.05. Esto sugiere que estas variables están fuertemente asociadas con la rotación en la empresa. Por ejemplo, tener horas extra aumenta significativamente la probabilidad de rotación, mientras que ciertos cargos como “Director de Manufactura” o “Representante de Ventas” también tienen una influencia significativa en la rotación del personal.
Ingreso Mensual y Años de Experiencia no son significativos: Las variables “Ingreso_Mensual” y “Años_Experiencia” tienen coeficientes con valores p mayores que 0.05, lo que indica que no son significativamente asociados con la rotación en la empresa en este modelo. Esto puede ser sorprendente, ya que uno podría esperar que el nivel de ingresos o la experiencia laboral afecten la probabilidad de rotación. Sin embargo, en el contexto de este modelo, otras variables parecen tener una influencia más fuerte en la rotación del personal que estas dos variables.
##
## Call:
## glm(formula = Rotación ~ Ingreso_Mensual + Años_Experiencia +
## Antigüedad_Cargo + Horas_Extra + Cargo + Campo_Educación,
## family = binomial, data = data_seleccionada)
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -4.028e+00 1.010e+00 -3.989 6.62e-05 ***
## Ingreso_Mensual 4.972e-05 5.182e-05 0.959 0.337317
## Años_Experiencia -2.844e-02 1.891e-02 -1.504 0.132559
## Antigüedad_Cargo -9.823e-02 2.877e-02 -3.414 0.000640 ***
## Horas_ExtraSi 1.485e+00 1.585e-01 9.368 < 2e-16 ***
## CargoDirector_Manofactura 1.226e+00 8.894e-01 1.379 0.168033
## CargoEjecutivo_Ventas 2.176e+00 8.521e-01 2.554 0.010660 *
## CargoGerente 7.229e-01 8.678e-01 0.833 0.404793
## CargoInvestigador_Cientifico 1.990e+00 9.347e-01 2.129 0.033225 *
## CargoRecursos_Humanos 2.285e+00 1.013e+00 2.256 0.024090 *
## CargoRepresentante_Salud 1.195e+00 8.934e-01 1.338 0.180881
## CargoRepresentante_Ventas 3.191e+00 9.664e-01 3.303 0.000958 ***
## CargoTecnico_Laboratorio 2.747e+00 9.315e-01 2.950 0.003182 **
## Campo_EducaciónHumanidades 7.305e-01 6.458e-01 1.131 0.257950
## Campo_EducaciónMercadeo 2.412e-01 2.794e-01 0.863 0.387914
## Campo_EducaciónOtra -2.292e-01 3.692e-01 -0.621 0.534793
## Campo_EducaciónSalud -7.419e-02 1.912e-01 -0.388 0.697962
## Campo_EducaciónTecnicos 6.652e-01 2.585e-01 2.573 0.010083 *
## ---
## 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: 1089.4 on 1452 degrees of freedom
## AIC: 1125.4
##
## Number of Fisher Scoring iterations: 6Evaluación
Se obtiene un AUC de 0.6843, con lo cual se puede concluir que el
modelo tiene una capacidad moderada para distinguir entre los grupos
positivos y negativos
## Area under the curve: 0.7734Predicción
Se realiza el ejercicio de predicción con datos de prueba
## 1
## 0.120193## No se debe intervenir con el empleado. Probabilidad de rotación: 0.120193Conclusion
Existe baja probabilidad de rotación para este empleado hipotético,
lo que sugiere que según las características proporcionadas (ingreso
mensual, años de experiencia, antiguedad en el cargo, horas extras,
cargo y campo educación), es poco probable que este empleado cambie de
puesto en el próximo.
Al realizar un análisis descriptivo de los
datos, se puede observar como características de los empleados en
términos de ingresos mensual, años de experiencia, antiguedad, horas
extra, cargo y campo de la educación son importantes para influir en la
rotación del personal