CONTEXTO

Durante este archivo se realizará una Regresión Lineal Múltiple a la base de datos que al inicio se llamaba “Encuesta_Datos_FORM_Fall2023” y pasó a ser “RH_FORM_NUMERICAS” después de haber sido limpiada, esto con el fin de poder saber si las preguntas que se realizaron a los empleados son realmente significativas y nos podrían ayudar a saber si estos renunciarán pronto, en caso de que las preguntas no contengan una relación importante con la taza de rotación de empleados se recomendarán algunos nuevos valores para que la empresa FORM continúe monitoreando a sus colaboradores y logre identificar información de valor

Instalación de librerías

library(readxl)

Pasos RLM

1. importar la base de datos

data <- read_xlsx("C:\\Users\\LuisD\\Documents\\Concentración\\RETO\\RH_FORM_NUMERICAS.xlsx")
summary(data)
##  Antiguedad_meses Razon_ingreso   Percepcion_salario  Prestaciones  
##  Min.   : 1.00    Min.   :1.000   Min.   :1.000      Min.   :1.000  
##  1st Qu.: 1.00    1st Qu.:2.000   1st Qu.:3.000      1st Qu.:2.000  
##  Median : 7.00    Median :4.000   Median :4.000      Median :4.000  
##  Mean   :13.61    Mean   :3.961   Mean   :3.796      Mean   :3.291  
##  3rd Qu.:27.50    3rd Qu.:5.000   3rd Qu.:5.000      3rd Qu.:5.000  
##  Max.   :36.00    Max.   :6.000   Max.   :5.000      Max.   :5.000  
##  Jornada_laboral  Herramientas    Temperatura     Estres_nivel     Transporte  
##  Min.   :1.000   Min.   :1.000   Min.   :1.000   Min.   :1.000   Min.   :1.00  
##  1st Qu.:4.000   1st Qu.:3.000   1st Qu.:1.000   1st Qu.:3.000   1st Qu.:4.00  
##  Median :5.000   Median :5.000   Median :3.000   Median :4.000   Median :5.00  
##  Mean   :4.165   Mean   :3.903   Mean   :3.107   Mean   :3.718   Mean   :4.01  
##  3rd Qu.:5.000   3rd Qu.:5.000   3rd Qu.:5.000   3rd Qu.:5.000   3rd Qu.:5.00  
##  Max.   :5.000   Max.   :5.000   Max.   :5.000   Max.   :5.000   Max.   :5.00  
##   Zona_trabajo  Sigue_trabajando situacion_conflicto Insatisfaccion    
##  Min.   :1.00   Min.   :1.000    Min.   :1.000       Length:103        
##  1st Qu.:4.00   1st Qu.:3.000    1st Qu.:1.000       Class :character  
##  Median :5.00   Median :5.000    Median :1.000       Mode  :character  
##  Mean   :4.33   Mean   :4.019    Mean   :1.165                         
##  3rd Qu.:5.00   3rd Qu.:5.000    3rd Qu.:1.000                         
##  Max.   :5.00   Max.   :5.000    Max.   :3.000                         
##   Percepcion             Edad           Genero      Estado_civil  
##  Length:103         Min.   :18.00   Min.   :1.00   Min.   :1.000  
##  Class :character   1st Qu.:25.00   1st Qu.:1.00   1st Qu.:1.000  
##  Mode  :character   Median :33.00   Median :1.00   Median :2.000  
##                     Mean   :35.49   Mean   :1.35   Mean   :1.951  
##                     3rd Qu.:45.00   3rd Qu.:2.00   3rd Qu.:2.000  
##                     Max.   :68.00   Max.   :2.00   Max.   :4.000  
##    Municipio      Escolaridad    Depend_econom       Puesto    
##  Min.   :1.000   Min.   :1.000   Min.   :0.000   Min.   :1.00  
##  1st Qu.:1.000   1st Qu.:2.000   1st Qu.:0.000   1st Qu.:1.00  
##  Median :1.000   Median :3.000   Median :1.000   Median :1.00  
##  Mean   :1.757   Mean   :2.437   Mean   :1.068   Mean   :1.67  
##  3rd Qu.:2.000   3rd Qu.:3.000   3rd Qu.:2.000   3rd Qu.:2.00  
##  Max.   :6.000   Max.   :5.000   Max.   :3.000   Max.   :3.00
data$Sigue_trabajando <- ifelse(data$Sigue_trabajando %in% c(1, 2, 3,4), 1, 
                                ifelse(data$Sigue_trabajando %in% c(5), 2, data$Sigue_trabajando))

#Tenemos que contar cuantos registros hay que renuncian (1) y que siguen trabajando (2)
conteo <- table(data$Sigue_trabajando)
conteo
## 
##  1  2 
## 49 54

Exploración visual de las respuestas

#for (col in colnames(data)) {
 # if (is.numeric(data[[col]])) {
  #  hist(data[[col]], main=paste("Histograma de", col), xlab=col, col='lightblue', #border='black')
#  } else {
    # Si la columna no es numérica, mostrar una advertencia
#    warning(paste("La columna", col, "no es numérica y no se puede graficar un histograma."))
#  }
#}

Una vez analizado visualmente los histogramas de las respuestas obtenidas podemos hacer una berve evaluación para saber cuales de estas podemos incluir sin problema a nuestro análisis inicial

3. Creación del modelo

Es importante destacar que primero será analizado todo el dataset tomando en cuenta la variable sigue_trabajando, con el fin de saber que tanto influyen las preguntas que fueron realizadas a los empleados a la hora de renunciar

modelo_rlm <- lm(Sigue_trabajando ~ Razon_ingreso + Percepcion_salario + Prestaciones  + Estres_nivel + situacion_conflicto + Depend_econom + Herramientas + Escolaridad + Puesto, data = data)
summary(modelo_rlm)
## 
## Call:
## lm(formula = Sigue_trabajando ~ Razon_ingreso + Percepcion_salario + 
##     Prestaciones + Estres_nivel + situacion_conflicto + Depend_econom + 
##     Herramientas + Escolaridad + Puesto, data = data)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -1.01657 -0.34499 -0.00064  0.34785  0.76823 
## 
## Coefficients:
##                      Estimate Std. Error t value Pr(>|t|)   
## (Intercept)          0.795144   0.357585   2.224  0.02859 * 
## Razon_ingreso       -0.038112   0.027723  -1.375  0.17252   
## Percepcion_salario   0.068599   0.040664   1.687  0.09496 . 
## Prestaciones         0.094300   0.033160   2.844  0.00548 **
## Estres_nivel         0.020170   0.034436   0.586  0.55948   
## situacion_conflicto -0.026005   0.119356  -0.218  0.82800   
## Depend_econom        0.015348   0.043180   0.355  0.72306   
## Herramientas        -0.002882   0.033594  -0.086  0.93183   
## Escolaridad          0.100059   0.054790   1.826  0.07103 . 
## Puesto               0.009365   0.068863   0.136  0.89212   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.4466 on 93 degrees of freedom
## Multiple R-squared:  0.2778, Adjusted R-squared:  0.2079 
## F-statistic: 3.975 on 9 and 93 DF,  p-value: 0.0002561

CONCLUSIONES

Como podemos ver en el summary del modelo no hay una relación directa entre las preguntas que se les hicieron a los empleados de FORM y el resultado para saber si estos mismos piensan renunciar en un furuto cercano, por lo que será necesario reformular la encuesta con el fin de moniterear periodicamente a los empleados o inclusive realizar algunas de estas preguntas a la hora de las entrevistas (incluyéndolas en el chatbot) para saber si el candidato tiene una alta probbilidad de formar parte del grupo de personas que renuncian o piensan en hacerlo

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