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.

Diccionario de datos

Rendimiento laboral: 1= bajo, 2=medio, 3=alto, 4=Muy alto.
Distancia de la casa: kilómetros de distancia desde la casa.
Educación: 1=primaria, 2=secundaria, 3=técnico/tecnólogo 4=pregrado y 5=posgrado.
Satisfacción ambiental: 1=Muy insatisfecho, 2=insatisfecho, 3=satisfecho y 4=Muy insatisfecho.
Satisfacción laboral: 1=Muy insatisfecho, 2=insatisfecho, 3=satisfecho y 4=Muy insatisfecho.
Trabajos anteriores: cantidad de trabajos antes de ingresar a la empresa.
Equilibrio_trabajo_vida: 1=Muy bajo, 2=bajo, 3=Medio, 4=alto.

Ordendar Data

data("rotacion")
rotacion <- mutate_if(rotacion, is.character, tolower) # pasamos a minúsculas
colnames(rotacion)[3] <-"Viaje_Negocios"  # renombrar 'viaje de negocios' por Viaje_Negocios
colnames(rotacion)[1] <-"Rotacion" # renombrar Rotación a Rotacion sin tilde
glimpse(rotacion)

## Rows: 1,470
## Columns: 24
## $ Rotacion                    <chr> "si", "no", "si", "no", "no", "no", "no", …
## $ Edad                        <dbl> 41, 49, 37, 33, 27, 32, 59, 30, 38, 36, 35…
## $ Viaje_Negocios              <chr> "raramente", "frecuentemente", "raramente"…
## $ Departamento                <chr> "ventas", "iyd", "iyd", "iyd", "iyd", "iyd…
## $ Distancia_Casa              <dbl> 1, 8, 2, 3, 2, 2, 3, 24, 23, 27, 16, 15, 2…
## $ Educación                   <dbl> 2, 1, 2, 4, 1, 2, 3, 1, 3, 3, 3, 2, 1, 2, …
## $ Campo_Educación             <chr> "ciencias", "ciencias", "otra", "ciencias"…
## $ Satisfacción_Ambiental      <dbl> 2, 3, 4, 4, 1, 4, 3, 4, 4, 3, 1, 4, 1, 2, …
## $ Genero                      <chr> "f", "m", "m", "f", "m", "m", "f", "m", "m…
## $ Cargo                       <chr> "ejecutivo_ventas", "investigador_cientifi…
## $ Satisfación_Laboral         <dbl> 4, 2, 3, 3, 2, 4, 1, 3, 3, 3, 2, 3, 3, 4, …
## $ Estado_Civil                <chr> "soltero", "casado", "soltero", "casado", …
## $ Ingreso_Mensual             <dbl> 5993, 5130, 2090, 2909, 3468, 3068, 2670, …
## $ Trabajos_Anteriores         <dbl> 8, 1, 6, 1, 9, 0, 4, 1, 0, 6, 0, 0, 1, 0, …
## $ Horas_Extra                 <chr> "si", "no", "si", "si", "no", "no", "si", …
## $ Porcentaje_aumento_salarial <dbl> 11, 23, 15, 11, 12, 13, 20, 22, 21, 13, 13…
## $ Rendimiento_Laboral         <dbl> 3, 4, 3, 3, 3, 3, 4, 4, 4, 3, 3, 3, 3, 3, …
## $ Años_Experiencia            <dbl> 8, 10, 7, 8, 6, 8, 12, 1, 10, 17, 6, 10, 5…
## $ Capacitaciones              <dbl> 0, 3, 3, 3, 3, 2, 3, 2, 2, 3, 5, 3, 1, 2, …
## $ Equilibrio_Trabajo_Vida     <dbl> 1, 3, 3, 3, 3, 2, 2, 3, 3, 2, 3, 3, 2, 3, …
## $ Antigüedad                  <dbl> 6, 10, 0, 8, 2, 7, 1, 1, 9, 7, 5, 9, 5, 2,…
## $ Antigüedad_Cargo            <dbl> 4, 7, 0, 7, 2, 7, 0, 0, 7, 7, 4, 5, 2, 2, …
## $ Años_ultima_promoción       <dbl> 0, 1, 0, 3, 2, 3, 0, 0, 1, 7, 0, 0, 4, 1, …
## $ Años_acargo_con_mismo_jefe  <dbl> 5, 7, 0, 0, 2, 6, 0, 0, 8, 7, 3, 8, 3, 2, …

A continuación se describen los pasos que la gerencia ha propuesto para el análisis:

1.Selección Variables

Seleccione 3 variables categóricas (distintas de rotación)
3 variables cuantitativas, que se consideren estén relacionadas con la rotación. Nota: Debes justificar porque estas variables están relacionadas y que tipo de relación se espera entre ellas (Hipótesis).

skim(rotacion)

Data summary
Name	rotacion
Number of rows	1470
Number of columns	24
_______________________
Column type frequency:
character	8
numeric	16
________________________
Group variables	None

Variable type: character

skim_variable	complete_rate	min	max	n_unique
Rotacion	1	2	2	2
Viaje_Negocios	1	8	14	3
Departamento	1	2	6	3
Campo_Educación	1	4	11	6
Genero	1	1	1	2
Cargo	1	7	23	9
Estado_Civil	1	6	10	3
Horas_Extra	1	2	2	2

Variable type: numeric

skim_variable	complete_rate	mean	sd	p0	p25	p50	p75	p100	hist
Edad	1	36.92	9.14	18	30	36	43	60	▂▇▇▃▂
Distancia_Casa	1	9.19	8.11	1	2	7	14	29	▇▅▂▂▂
Educación	1	2.91	1.02	1	2	3	4	5	▂▃▇▆▁
Satisfacción_Ambiental	1	2.72	1.09	1	2	3	4	4	▅▅▁▇▇
Satisfación_Laboral	1	2.73	1.10	1	2	3	4	4	▅▅▁▇▇
Ingreso_Mensual	1	6502.93	4707.96	1009	2911	4919	8379	19999	▇▅▂▁▂
Trabajos_Anteriores	1	2.69	2.50	0	1	2	4	9	▇▃▂▂▁
Porcentaje_aumento_salarial	1	15.21	3.66	11	12	14	18	25	▇▅▃▂▁
Rendimiento_Laboral	1	3.15	0.36	3	3	3	3	4	▇▁▁▁▂
Años_Experiencia	1	11.28	7.78	0	6	10	15	40	▇▇▂▁▁
Capacitaciones	1	2.80	1.29	0	2	3	3	6	▂▇▇▂▃
Equilibrio_Trabajo_Vida	1	2.76	0.71	1	2	3	3	4	▁▃▁▇▂
Antigüedad	1	7.01	6.13	0	3	5	9	40	▇▂▁▁▁
Antigüedad_Cargo	1	4.23	3.62	0	2	3	7	18	▇▃▂▁▁
Años_ultima_promoción	1	2.19	3.22	0	0	1	3	15	▇▁▁▁▁
Años_acargo_con_mismo_jefe	1	4.12	3.57	0	2	3	7	17	▇▂▅▁▁

Variables Categóricas

Departamento: Cada área o departamento de una empresa puede tener su propia cultura y ambiente de trabajo. Algunos departamentos pueden tener una cultura de trabajo más positiva y un ambiente laboral más saludable que otros. Los empleados pueden sentirse más comodos o satisfechos en un departamento con un mejor ambiente.
Genero: En muchas partes del mundo, existe una brecha salarial de género, lo que significa que las mujeres tienden a ganar menos que los hombres por trabajos similares o equivalentes ademas la discriminación y los sesgos de género pueden influir en la percepción de las oportunidades y el trato justo en el lugar de trabajo.
Estado_Civil: Se espera que los empleados solteros o divorciados tengan una mayor probabilidad de rotación que los demás empleados con estado civil casados debido a la necesidad de estabilidad económica. Es decir El estado civil a menudo se relaciona con las responsabilidades financieras. Los empleados casados pueden tener una carga financiera más alta, lo que los hace más sensibles a la remuneración y los beneficios que ofrece una empresa. Si sienten que su salario y beneficios actuales no satisfacen las necesidades de su familia, pueden considerar cambiar de area para obtener una compensación más adecuada.

Variables Cuantitativas

Edad: Se espera que a menor edad exista mayor rotación y a más edad haya menos rotación. Puesto que las personas más jovenes tienen más disponibiliad de adaptación y movilidad a un proceso o actividad, además tienden a tener mas cambios en términos laborales por razones como su estado emocional y salud mental, búsqueda de nuevas oportunidades, mejores salarios, entre otros.
Ingreso mensual: Las personas suelen buscar empleos que ofrezcan una compensación adecuada y competitiva. Si un empleado siente que su salario no es justo en comparación con su carga de trabajo, sus responsabilidades y el mercado laboral, es más probable que busque oportunidades en otras empresas que ofrezcan una remuneración más atractiva.
Antigüedad_Cargo: Se espera que en los empleados con mayor antigüedad exista mayor rotación a diferencia de los empleados con menor antigüedad exista menos rotación. Puesto que la experiencia de la empresa demanda conocer muchos servicios, áreas y procesos en los cuales habrá una adaptación más positiva frente a cualquier actividad. También los empleados permanecen en un mismo puesto durante mucho tiempo, es posible que comiencen a sentir que no tienen oportunidades de desarrollo o crecimiento en su función actual. Esto puede llevar a la insatisfacción y al deseo de buscar desafíos y oportunidades de crecimiento en otras areas.

Hipótesis

1. Creemos que para el departamento Por las condiciones de competencia y presión en VENTAS hay más probabilidad de rotación que en I+D y que en RH
1. Creemos que para el genero Por cuestiones de machismo y brecha salarial los hombres tienen mayor probabilidad de rotación que las mujeres
1. Creemos que para el estado_civil Por la falta de compromisos, las personas solteras pueden tener mayor probabilidad de rotación que las personas casadas y que las divorciadas
1. Creemos que para la edad Se espera a menor edad exista mayor rotación y a más edad haya menos rotación
1. Creemos que para el ingreso mensual las personas de ingresos bajos tienen mayor probabilidad de rotación que las de ingresos altos
1. Creemos que para la antiguedad de cargo Se espera que en los empleados de menor antigüedad haya más rotación que en los empleados de más antigüedad.

2.Análisis univariado

Realiza un análisis univariado (caracterización) de la información contenida en la base de datos rotacion.

Gráficas Categóricas

g1 = ggplot(rotacion, aes(x = Departamento)) + geom_bar(fill="#0F8FA5") + theme_gray()
g2 = ggplot(rotacion, aes(x = Genero)) + geom_bar(fill="#0F8FA5") + theme_gray()
g3 = ggplot(rotacion, aes(x = Estado_Civil)) + geom_bar(fill="#0F8FA5") + theme_gray()

ggarrange(g1, g2, g3, labels = c("A", "B", "C"), ncol = 2, nrow = 2)

Las gráficas muestran porcentajes que vamos a relacionar con el efecto rotación de cargo en una empresa:

Se observa que la mayoría de los trabajadores observados en este estudio pertenecen al área de Innovación y Desarrollo por lo que esta área tendría una probabilidad mas alta de tener a los trabajadores que rotan.
Se observa que el genero predominante de los trabajadores son hombres, este numero no es tan malo puesto que hay empresas con indices muy altos de hombres en la organización y apartan de cargos importantes a las mujeres.
Siendo más representativo el grupo de los casados dentro de la organización, debemos pensar en que su rotación no solo implica en adaptarse a nuevas funciones sino horarios que pueden implicar en modificar su forma de traslado, recoger sus hijos o esposa, e incluso en mayor distancia si es otra sede de la empresa.

Gráficas Numéricas

g4 = ggplot(rotacion, aes(x = Edad)) + geom_histogram(fill="royalblue") + theme_gray()
g5 = ggplot(rotacion, aes(x = Ingreso_Mensual)) + geom_histogram(fill="royalblue") + theme_gray()
g6 = ggplot(rotacion, aes(x = Antigüedad_Cargo)) + geom_histogram(fill="royalblue") + theme_gray()


ggarrange(g4, g5, g6, labels = c("D", "E", "F"), ncol = 2, nrow = 2)

## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

Las gráficas muestran porcentajes que vamos a relacionar con el efecto rotación de cargo en una empresa:

La distribución de la variable edades muestra personas entre los 25 y 45 años, como lo hemos dicho la edad es un fuerte campo para definir la rotación de cargo pues hay más fácil adaptación al cambio de los más jovenes, también se depende del tipo de genero
La gráfica muestra que la mayoria de los trabajadores se concentran en los bajos salarios de la compañia y que hay una brecha muy grande entre los rangos salariales
Con respecto a la antigüedades del cargo se observa que hay funcionarios menores a 10 años de vinculación laboral lo cual puede apoyar la rotación de cargo en que pueden adaptarse a nuevos procesos para ir conociendo los diferentes campos de la organización.

3.Análisis bivariado

Realiza un análisis bivariado en donde la variable respuesta sea rotacion codificada de la siguiente manera: * y=1 es si rotación * y=0 es no rotación

Con base en estos resultados identifique cuales son las variables determinantes de la rotación e interpretar el signo del coeficiente estimado.
Compare estos resultados con la hipotesis planteada en el punto 2.

Codificar Rotación

unique(rotacion$Rotacion)

## [1] "si" "no"

rotacion_biv=rotacion # copia de la base de datos original rotacion
rotacion_biv$Rotacion <- as.factor(rotacion$Rotacion)

A.Departamento

PlotXTabs2(data = rotacion_biv,x = Departamento,y = Rotacion)

Podemos observar que el departamento que mas personal rota es el de Ventas, esto es algo comun en las empresas vendedoras o comercializadoras de productos pues los indicadores de ventas son muy agresivos en algunos lugares y muchas personas no soportan la carga de estos indicadores haciendo que la persona considere un cambio. 21% de las personas en ventas rotan, un porcentaje mayor que el 19% de las personas en Recursos Humanos. Estas dos areas estan muy cerca de tener la misma proporción de trabajadores rotando. Con esta informacion podemos comprobar la hipotesis planteada inicialmente donde creiamos que el departamento de ventas tiene la mayor cantidad de personas que quieren cambiar de area por alguna condicion de ambiente laboral o cultura propia de el.

B.Genero

PlotXTabs2(data = rotacion_biv,x = Genero,y = Rotacion)

Son mas hombres los que rotan con un 17% versus 15% de las mujeres. Esto afirma la hipotesis inicial en la que creiamos que eran mas hombres los que cambian de cargos que mujeres por cuestiones culturales de machismo y brecha salarial.

C.Estado_Civil

PlotXTabs2(data = rotacion_biv,x = Estado_Civil,y = Rotacion)

Mas de la mitad de las personas que realizaron el proceso de rotación son las que se encuentran en el grupo de solteros con un 26%. Los casados están por debajo de los solteros, son el grupo intermedio con un 12% y los divorciados representan el 10% de personas las cuales rotan. Esto va en contra de la hipotesis planteada inicialmente donde creiamos que los casados buscan cambiar constantemente para mejorar sus condiciones y mantener a su familia.

D.Edad

rotacion_imagenes = rotacion_biv  # copia de la base de datos rotacion_biv
rotacion_imagenes$Edad=cut(rotacion_biv$Edad,breaks = c(0,30,40,50,60))
PlotXTabs2(data = rotacion_imagenes,x = Edad,y = Rotacion)

En el grupo que se presenta la mayor rotación es el de menores de 30 años con un 26% superando a los grupos que se encuentran en el rango de edades mayores de 30 y hasta 60 años, esto nos permite confirmar nuestra hipótesis donde deciamos que las personas con menor edad son las que más buscan cambiar de cargo.

E.Ingreso_Mensual

rotacion_imagenes$Ingreso_Mensual_acu=cut(rotacion_biv$Ingreso_Mensual,breaks = c(1000,4000,8000,12000,16000,20000))
PlotXTabs2(data = rotacion_imagenes,x = Ingreso_Mensual_acu,y = Rotacion)

Las personas que ganan menos a 4 millones son las personas que mas rotación presentan con un 25% y las personas que menos rotan son las que ganan por encima de 16 millones. Esto confirma nuestra hipotesis de que las personas con menos ingresos buscan cambiar rapidamente a un puesto con mejor remuneración.

F.Antiguedad_cargo

rotacion_imagenes$Antigüedad_Cargo_acu=cut(rotacion_biv$Antigüedad_Cargo,breaks = c(0,3,6,9,12,15,18))
PlotXTabs2(data = rotacion_imagenes,x = Antigüedad_Cargo_acu,y = Rotacion)

La grafica nos muestra que un 17% de las personas que tienen menos de 3 años en la compañia buscan rotar, este porcentaje es el mas alto sin embargo no hay mucha diferencia con los rangos siguientes, 10% de los trabajadores de 3 a 6 años en la compañia buscan rotar, el 12% de los trabajadores de 6 a 9 años en la compañia buscan rotar y las personas con mas tiempo en la compañia no rotan. Esto va en contra de la hipotesis propuesta al inicio pues se creia que las personas mas antiguas haciendo un cargo se sienten aburridos y les gustaria cambiar.

Prueba Hipótesis

Creación de tablas relacionadas con Rotación

relacion_1 = table(rotacion_biv$Rotacion,rotacion_biv$Departamento)
relacion_2 = table(rotacion_biv$Rotacion,rotacion_biv$Genero)
relacion_3 = table(rotacion_biv$Rotacion,rotacion_biv$Estado_Civil)
relacion_4 = table(rotacion_biv$Rotacion,rotacion_biv$Edad)
relacion_5 = table(rotacion_biv$Rotacion,rotacion_biv$Ingreso_Mensual)
relacion_6 = table(rotacion_biv$Rotacion,rotacion_biv$Antigüedad_Cargo)

Chi Cuadrado

se evalua el p-value de las distintas relaciones

Relación Rotación - Departamento

chisq.test (x=relacion_1)

## 
##  Pearson's Chi-squared test
## 
## data:  relacion_1
## X-squared = 10.796, df = 2, p-value = 0.004526

Relación Rotación - Genero

chisq.test (x=relacion_2)

## 
##  Pearson's Chi-squared test with Yates' continuity correction
## 
## data:  relacion_2
## X-squared = 1.117, df = 1, p-value = 0.2906

Relación Rotación - Estado Civil

chisq.test (x=relacion_3)

## 
##  Pearson's Chi-squared test
## 
## data:  relacion_3
## X-squared = 46.164, df = 2, p-value = 9.456e-11

Relación Rotación - Edad

chisq.test (x=relacion_4)

## Warning in chisq.test(x = relacion_4): Chi-squared approximation may be
## incorrect

## 
##  Pearson's Chi-squared test
## 
## data:  relacion_4
## X-squared = 119.41, df = 42, p-value = 2.38e-09

Relación Rotación - Ingreso Mensual

chisq.test (x=relacion_5)

## Warning in chisq.test(x = relacion_5): Chi-squared approximation may be
## incorrect

## 
##  Pearson's Chi-squared test
## 
## data:  relacion_5
## X-squared = 1319, df = 1348, p-value = 0.7086

Relación Rotación - Antiguedad del cargo

chisq.test (x=relacion_6)

## Warning in chisq.test(x = relacion_6): Chi-squared approximation may be
## incorrect

## 
##  Pearson's Chi-squared test
## 
## data:  relacion_6
## X-squared = 64.301, df = 18, p-value = 4.056e-07

Variables determinantes

De acuerdo a la prueba de hipótesis de que hay independencia entre la variable de respuesta rotación y cada una de las seis variables explicativas seleccionadas (hipótesis nula), por el p-value obtenido menor al nivel de significancia del 5%, a excepción de Género (p-value=0,29), se rechaza la hipótesis nula y se observa evidencia de asociación estadística entre Rotación y Departamento (p-value=0.005), Estado_Civil (p-value=0,001), Edad (p-value=0.001), Ingreso_Mensual (p-value=0.001) y Antigüedad_Cargo (p-value=0,019). Por tal razón, el modelo de clasificación por regresión logística se plantea con las cinco variables determinantes.

4.Estimación modelo

Realice una partición en los datos de forma aleatoria donde 70% sea un set para entrenar el modelo y 30% para prueba.

División Datos

Para dividir los datos en una muestra de entrenamiento y otra de test se usa el comando createDataPartition.
En el código siguiente p representa la proporción de datos en la muestra de entrenamiento.
La partición se lleva a cabo para cada nivel de la variable y que aparece como primer argumento. * El resultado es un vector con los índices de las filas seleccionadas para formar parte de la muestra de entrenamiento.
El argumento list=FALSE se usa para evitar que el resultado sea una lista.

set.seed(100)  # semilla para reproducir los mismos resultados
rota_particion <- createDataPartition(y = rotacion_biv$Rotacion,
                                            p = 0.7,
                                            list = FALSE)
rota_train <- rotacion_biv[rota_particion,]
rota_test <- rotacion_biv[-rota_particion,]

Datos 70%

dim(rota_train)

## [1] 1030   24

Datos 30%

dim(rota_test)

## [1] 440  24

Datos 100%

suma_rota <- dim(rota_train) + dim(rota_test)
suma_rota <- suma_rota[1]
suma_rota

## [1] 1470

Modelo Train

Estime un modelo logístico con la muestra del 70%. Muestre los resultados.

model_rota_train = glm(Rotacion~Estado_Civil+Departamento+Edad+Antigüedad_Cargo+
        Ingreso_Mensual,data = rota_train,family = "binomial")
summary(model_rota_train)

## 
## Call:
## glm(formula = Rotacion ~ Estado_Civil + Departamento + Edad + 
##     Antigüedad_Cargo + Ingreso_Mensual, family = "binomial", 
##     data = rota_train)
## 
## Coefficients:
##                          Estimate Std. Error z value Pr(>|z|)    
## (Intercept)            -6.873e-01  4.006e-01  -1.716 0.086216 .  
## Estado_Civildivorciado -1.834e-01  2.633e-01  -0.696 0.486169    
## Estado_Civilsoltero     6.792e-01  1.959e-01   3.466 0.000528 ***
## Departamentorh          1.887e-01  4.688e-01   0.402 0.687331    
## Departamentoventas      6.356e-01  1.894e-01   3.357 0.000789 ***
## Edad                   -1.399e-02  1.140e-02  -1.227 0.219835    
## Antigüedad_Cargo       -1.235e-01  3.336e-02  -3.702 0.000214 ***
## Ingreso_Mensual        -8.594e-05  3.036e-05  -2.831 0.004644 ** 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 909.69  on 1029  degrees of freedom
## Residual deviance: 825.67  on 1022  degrees of freedom
## AIC: 841.67
## 
## Number of Fisher Scoring iterations: 5

Interpretar Modelo

Variables Categóricas

Estado_Civil

Divorciado: el OR = e(-0,1834)=0,83 indica que la oportunidad de rotación en personas Divorciadas es 0,83 veces la oportunidad de Casados, independiente o ajustado por el efecto de las demás variables.
Soltero: el OR = e(0,6792)=1,97 indica que la oportunidad de rotación en personas Solteras es 1,97 veces la oportunidad de Casados, independiente o ajustado por el efecto de las demás variables.

Departamento

Personal de Recursos Humanos: el OR = e(-0,1887)=1,21 indica que la oportunidad de rotación en el personal de Recursos Humanos es 1,21 veces la oportunidad de rotación del personal de Investigación y Desarrollo, independiente o ajustado por el efecto de las demás variables.
Personal de Ventas: el OR = e(0,6356)=1,89 indica que la oportunidad de rotación en el personal de Ventas es 1,89 veces la oportunidad de rotación del personal de Investigación y Desarrollo, independiente o ajustado por el efecto de las demás variables.

Variables Numéricas

Edad: el OR = e(-0,1399)=0,87 indica que por cada unidad de aumento en la Edad del trabajador la oportunidad de rotación se multiplica por 0,87, es decir, la oportunidad de rotación disminuye a medida que aumenta la Edad, independiente o ajustado por el efecto de las demás variables.
Antigüedad: el OR = e(-0,1235)=0,88 indica que por cada unidad de aumento en la Antigüedad en el Cargo de un trabajador, la oportunidad de rotación se multiplica por 0,88, es decir, la oportunidad de rotación disminuye a medida que aumenta la Antigüedad en el cargo, independiente o ajustado por el efecto de las demás variables.
Ingreso Mensual: el OR = e(-0,00008594)=0,99 indica que por cada unidad de aumento en en Ingreso Mensual de un trabajador, la oportunidad de rotación se multiplica por 0,99, es decir, la oportunidad de rotación disminuye a medida que aumenta el Ingreso del trabajador, independiente o ajustado por el efecto de las demás variables.

5.Curva ROC/AUC

Evaluar el poder predictivo del modelo con base en la curva ROC y el AUC en el set de datos de prueba.

Predicciones

pp1= predict.glm(model_rota_train, newdata = rota_test, type = "response")
resp = table(rota_test$Rotacion, ifelse(pp1 >0.2, 1, 0), dnn = c("observaciones", "predicciones"))
resp

##              predicciones
## observaciones   0   1
##            no 282  87
##            si  33  38

Crear predicción a partir del modelo Test

prediccion1= predict(model_rota_train,list( Departamento=rotacion_biv$Departamento, Estado_Civil=rotacion_biv$Estado_Civil, Genero = rotacion_biv$Genero, Edad = rotacion_biv$Edad, Ingreso_Mensual = rotacion_biv$Ingreso_Mensual, Antigüedad_Cargo = rotacion_biv$Antigüedad_Cargo  ),type = "response")

Gráfica ROC/AUC

ROC_resp= roc(rotacion_biv$Rotacion~prediccion1, percent = T, ci=T)

## Setting levels: control = no, case = si

## Setting direction: controls < cases

plot(ROC_resp,print.auc=T,print.thres = "best",col="green"
         ,xlab = "Specificity", ylab = "Sensitivity")

Límite de curva

coords(ROC_resp, "best", ret="threshold")

El AUC es del 71.4%, lo que indica que el modelo tiene un posible buen rendimiento para distinguir entre los empleados que tienen una probabilidad alta de rotación y aquellos que no la tiene.
Es decir tiene un poder predictivo moderado para distinguir entre las dos categorías de la variable dependiente ROTACION, puesto que es mayor a 0.5, el cual es el escenario que indica que las predicciones son aleatorias.
Además, el intervalo de confianza del 95% indica que existe una alta probabilidad de que el verdadero AUC esté entre el 67.7% y el 75%.

6.Conclusiones

En las conclusiones adicione una discución sobre cuál sería la estrategia para disminuir la rotación en la empresa (con base en las variables que resultaron significativas en el punto 3).

Estrategias para la reducción de rotación

Al analizar los resultados obtenidos con la variable Estado civil, se puede observar una mayor tendencia de rotación en las personas solteras, se puede formular un plan de incentivos económicos y no económicos dirigido a los trabajadores solteros para promover el desarrollo personal y profesional, además de una ruta de carrera en la empresa para que vean sus oportunidades de crecimiento según su desempeño laboral.
La variable de Departamento nos mostro que el area de ventas es la que mas rota en la empresa, esto es debido a las posibles politicas de ventas de la empresa sin embargo se propone aumentar la capacitación en ventas para brindarle herramientas al trabajador y lograr sus objetivos, haciendo que el trabajo se vuelva una actividad que le genere satisfacción y no dolores de cabeza o estres al trabajador por el incumplimientos de sus objetivos.
Las variable edad muestra como las personas mas jovenes buscan nuevas oportunidades porque no quieren caer en la monotonia del mismo trabajo que no los satisface y las personas que ya tienen varios años en la empresa estan acostumbrados a esa monotonia que les produce estar en la zona de comfort y no buscan cambiar. Se propone la misma tecnica que a las personas solteras, motivar a los jovenes con incentivos economicos, estudiantiles y demas que promuevan el crecimiento personal y laboral, ademas de un ruta de carrera en la empresa para que vean sus posibilidades de crecimiento segun su desempeño. Tambien se puede mejorar el area de bienestar, incluyendo actividades recreativas y de diversión en trabajadores. Si se trata de una empresa presencial se puede gestionar zonas de descanso para que los trabajadores en sus pausas activas puedan tomarse un respiro, también puede crearse espacios de juegos con actividades tradicionales como mesas de Ping-Pong, zonas de juegos de mesa, áreas de vídeo juegos, canchas (fútbol, basquetbol, entre otros.), por ultimo otro posible espacio son las zonas de lunch gratuito en donde las personas puedan ir a comer o tomar algo sin necesidad de salir de sus espacios de trabajo y sin costo alguno.
La variable antiguedad muestra como las personas con mas años en su cargo no quieren cambiar de cargo pues se encuentran cómodos, pero es importante recrear otros escenarios que pueden potenciar las aptidudes y habilidades del funcionario para una mejor experiencia personal y empresarial
El ingreso salarial tambien es determinante a la hora de rotar, pues personas que ganen hasta 2 salarios minimos son las mas propensas a rotar. La empresa debe revisar su escala salarial y ajustarla si es necesario, ademas de incentivar a los trabajadores a mejorar su desempeño y continuar con sus estudios para lograr escalar en la empresa y tener mejores ingresos salariales. Otra solución podría ser plantear bonos de dinero en fechas especiales o poniendo ciertas metas de cumplimiento en donde se les reconozca económicamente si estas se llegan a cumplir.
Apoyar al personal sin importar el genero para adecuarse de manera óptima a sus actividades rutinarias, se puede lanzar campañas de ambiente laboral por dependencias, así como pruebas piscológicas que evaluen que tanta facilidad existe por parte de mujeres y hombres a la adaptación en un puesto de trabajo

Actividad 3 Rotación de Cargo

Mario García - Jose Miguel Buesaco

19 de Marzo del 2024

Rotación de cargo

Ordendar Data

1.Selección Variables

Variables Categóricas

Variables Cuantitativas

Hipótesis

2.Análisis univariado

Gráficas Categóricas

Gráficas Numéricas

3.Análisis bivariado

Codificar Rotación

A.Departamento

B.Genero

C.Estado_Civil

D.Edad

E.Ingreso_Mensual

F.Antiguedad_cargo

Prueba Hipótesis

Creación de tablas relacionadas con Rotación

Chi Cuadrado

Relación Rotación - Departamento

Relación Rotación - Genero

Relación Rotación - Estado Civil

Relación Rotación - Edad

Relación Rotación - Ingreso Mensual

Relación Rotación - Antiguedad del cargo

Variables determinantes

4.Estimación modelo

División Datos

Datos 70%

Datos 30%

Datos 100%

Modelo Train

Interpretar Modelo

Variables Categóricas

Estado_Civil

Departamento

Variables Numéricas

5.Curva ROC/AUC

Predicciones

Crear predicción a partir del modelo Test

Gráfica ROC/AUC

Límite de curva

6.Conclusiones

Estrategias para la reducción de rotación