# Se cargan las librerias y los datos para poder ver las variables.
library(paqueteMODELOS)
## Warning: package 'broom' was built under R version 4.3.3
library(dplyr)
data("rotacion")
glimpse(rotacion)
## Rows: 1,470
## Columns: 24
## $ Rotación                    <chr> "Si", "No", "Si", "No", "No", "No", "No", …
## $ Edad                        <dbl> 41, 49, 37, 33, 27, 32, 59, 30, 38, 36, 35…
## $ `Viaje de 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, …

1. Seleccione 3 variables categóricas (distintas de rotación) y 3 variables cuantitativas, que se consideren estén relacionadas con la rotación.

Variables categóricas

- Departamento: La hipótesis podría ser que ciertos departamentos, como Ventas o I&D (Investigación y Desarrollo), tienen diferentes niveles de estrés o satisfacción, lo que afecta la rotación.

- Género: Podría estar relacionado con la tasa de rotación debido a las caracteristicas propias del ciclo de vida. Está comprobado que la llegada de los hijos y la formación de familia genera cambios diferenciados entre hombres y mujeres.

- Horas Extra: Las personas que trabajan más horas extras .

Variables cuantitativas

- Número de trabajos anteriores (Trabajos_anteriores): Es probable que las personas con mayor número de trabajos previos tengan más problemas para adapatarse a entornos laborales y por ende tengan una mayor tasa de rotación.

- Satisfacción Laboral (Satisfación_Laboral): Niveles más altos de satisfacción laboral seguramente generan una menor tasa de rotación.

- Ingreso Mensual: Se hipoptetiza una relación entre el salario y la rotación, donde los empleados con ingresos más altos podrían buscar menos cambios de trabajo debido a su comodidad económica.

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

# Librerias
library(ggplot2)

# Resumen estadístico para las variables cuantitativas
rotacion %>%
  select(Trabajos_Anteriores, Satisfación_Laboral, Ingreso_Mensual) %>%
  summary()
##  Trabajos_Anteriores Satisfación_Laboral Ingreso_Mensual
##  Min.   :0.000       Min.   :1.000       Min.   : 1009  
##  1st Qu.:1.000       1st Qu.:2.000       1st Qu.: 2911  
##  Median :2.000       Median :3.000       Median : 4919  
##  Mean   :2.693       Mean   :2.729       Mean   : 6503  
##  3rd Qu.:4.000       3rd Qu.:4.000       3rd Qu.: 8379  
##  Max.   :9.000       Max.   :4.000       Max.   :19999
# Gráficos para las variables cuantitativas
rotacion %>%
  ggplot(aes(x = Trabajos_Anteriores)) +
  geom_histogram(binwidth = 1, fill = 'lightblue', color = 'black') +
  ggtitle("Distribución de los Trabajos Anteriores")

rotacion %>%
  ggplot(aes(x = Satisfación_Laboral)) +
  geom_histogram(binwidth = 1, fill = 'lightblue', color = 'black') +
  ggtitle("Distribución de la Satisfacción Laboral")

rotacion %>%
  ggplot(aes(x = Ingreso_Mensual)) +
  geom_histogram(fill = 'lightblue', color = 'black') +
  ggtitle("Distribución del Ingreso Mensual")

# Gráficos para las variables categóricas
rotacion %>%
  ggplot(aes(x = Departamento)) +
  geom_bar(fill = 'lightblue') +
  ggtitle("Distribución por Departamento")

rotacion %>%
  ggplot(aes(x = Genero)) +
  geom_bar(fill = 'lightblue') +
  ggtitle("Distribución por Género")

rotacion %>%
  ggplot(aes(x = Horas_Extra)) +
  geom_bar(fill = 'lightblue') +
  ggtitle("Distribución de Horas Extra")

Interpretación de las gráficas

- Trabajos Previos: La mayoría de los empleados solamente han tenido un trabajo anterior, sin embargo, el rango es amplio. Existen casos en los que se han tenido más de 5 trabajos.

- Nivel de Satisfacción Laboral: El gráfico de barras muestra una distribución relativamente equilibrada entre los cuatro niveles de satisfacción laboral, aunque parece haber una ligera mayor concentración en los niveles más altos (3 y 4). Esto podría interpretarse como que la mayoría de los empleados están satisfechos con su trabajo. Tanto la mediana como la media se encuentran en el nivel 3, lo que sugiere una percepción general positiva de la satisfacción laboral.

- Salario Mensual: La distribución de los ingresos mensuales está sesgada, con una mayor concentración de empleados en los niveles salariales más bajos y unos pocos con salarios significativamente más altos (reflejado en una cola larga hacia la derecha en el histograma). El salario promedio es de 6,503, mientras que la mediana se sitúa en 4,919, lo que indica que la mayoría de los salarios se concentran en la parte inferior de la escala.

- Distribución por Departamento: El gráfico de distribución muestra que la mayoría de los empleados pertenecen al departamento de Investigación y Desarrollo (I+D), seguido de Ventas y luego de Recursos Humanos. Esto puede estar relacionado con la estructura de la organización o con la importancia asignada a ciertas áreas funcionales.

- Género: La distribución por genero muestra que la mayoría de los trabajadores son hombres. Esto podría generar un sesgo de selección.

- Horas Extra: La mayoría de los empleados no realiza horas extra, lo que podría estar relacionado con políticas que favorecen un equilibrio entre la vida laboral y personal. Sería interesante analizar cómo esta variable puede influir en las tasas de rotación laboral.

##3. Realiza un análisis de 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.

# Para las variables categóricas:
for(variable in c("Departamento", "Genero", "Horas_Extra")) {
  # Crear gráfico de barras
  p <- ggplot(rotacion, aes(x = .data[[variable]], fill = as.factor(Rotación))) +
    geom_bar(position = "fill") +
    labs(y = "Proporción", title = paste("Distribución de la Rotación por", variable)) +
    scale_fill_brewer(palette = "Set1", name = "Rotación") +
    theme_minimal()
  
  print(p)
  
  # Prueba de chi-cuadrado
  tabla <- table(rotacion$Rotación, rotacion[[variable]])
  chi_cuadrado <- chisq.test(tabla)
  print(chi_cuadrado)
}

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

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

## 
##  Pearson's Chi-squared test with Yates' continuity correction
## 
## data:  tabla
## X-squared = 87.564, df = 1, p-value < 2.2e-16
# Para las variables cuantitativas:
for(variable in c("Trabajos_Anteriores", "Satisfación_Laboral", "Ingreso_Mensual")) {
  # Crear gráfico de caja
  p <- ggplot(rotacion, aes(x = as.factor(Rotación), y = .data[[variable]], group = Rotación)) +
    geom_boxplot() +
    labs(title = paste("Comparación de", variable, "por Rotación")) +
    theme_minimal()
  
  print(p)
  
  # Prueba t
  t_test <- t.test(rotacion[[variable]] ~ as.factor(rotacion$Rotación))
  print(t_test)
}

## 
##  Welch Two Sample t-test
## 
## data:  rotacion[[variable]] by as.factor(rotacion$Rotación)
## t = -1.5747, df = 317.14, p-value = 0.1163
## alternative hypothesis: true difference in means between group No and group Si is not equal to 0
## 95 percent confidence interval:
##  -0.66437603  0.07367926
## sample estimates:
## mean in group No mean in group Si 
##         2.645580         2.940928

## 
##  Welch Two Sample t-test
## 
## data:  rotacion[[variable]] by as.factor(rotacion$Rotación)
## t = 3.9261, df = 328.59, p-value = 0.0001052
## alternative hypothesis: true difference in means between group No and group Si is not equal to 0
## 95 percent confidence interval:
##  0.1547890 0.4656797
## sample estimates:
## mean in group No mean in group Si 
##         2.778589         2.468354

## 
##  Welch Two Sample t-test
## 
## data:  rotacion[[variable]] by as.factor(rotacion$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

Departamento - La distribución de la rotación varía significativamente entre los diferentes departamentos. Esto sugiere que la rotación puede estar influenciada por el área de trabajo, probablemente debido a factores específicos del departamento, como el tipo de tareas, el ambiente laboral o las oportunidades de crecimiento.

Género - La rotación laboral no parece estar afectada por el género. Esto sugiere que tanto hombres como mujeres presentan tasas de rotación similares, y que el género no es un factor determinante para la permanencia en la empresa.

Distribución de la Rotación por Horas Extra - Los empleados que realizan horas extra tienen una mayor probabilidad de rotación. Esto podría estar relacionado con el estrés o la sobrecarga laboral que conlleva trabajar más horas, lo cual puede influir negativamente en la decisión de permanecer en la empresa.

Trabajos Anteriores - Aunque los empleados que se van parecen haber tenido más trabajos anteriores en promedio, la diferencia no es significativa. Esto sugiere que la experiencia laboral previa (en términos de trabajos anteriores) no es un predictor determinante de la rotación.

Satisfación Laboral - Los empleados que permanecen en la empresa tienden a tener niveles más altos de satisfacción laboral en comparación con aquellos que la abandonan. La diferencia significativa sugiere que la satisfacción laboral es un factor clave que influye en la rotación, siendo los empleados con menor satisfacción más propensos a irse.

Salario Mensual - Los empleados con mayores ingresos tienden a quedarse en la empresa, mientras que aquellos con ingresos más bajos tienen una mayor tendencia a dejarla. Esta diferencia sugiere que los ingresos son un factor crucial en la retención de empleados, ya que los salarios bajos están vinculados a una mayor probabilidad de rotación.

Análisis general:

Este análisis proporciona información clave para la gestión de recursos humanos, sugiriendo áreas en las que la empresa puede intervenir para mejorar la retención, como aumentar la satisfacción laboral, ajustar los salarios y gestionar las horas extra.

4. Realiza la estimación de un modelo de regresión logístico en el cual la variable respuesta es rotacion (𝑦=1 es si rotación, 𝑦=0 es no rotación) y las covariables las 6 seleccionadas en el punto 1. Interprete los coeficientes del modelo y la significancia de los parámetros.

# Variables categóricas en factores
rotacion$Departamento <- as.factor(rotacion$Departamento)
rotacion$Genero <- as.factor(rotacion$Genero)
rotacion$Horas_Extra <- as.factor(rotacion$Horas_Extra)
rotacion$Rotación <- ifelse(rotacion$Rotación == "Si", 1, 0)


# Crear el modelo de regresión logística
modelo_logistico <- glm(Rotación ~ Departamento + Genero + Horas_Extra +
                          Trabajos_Anteriores + Satisfación_Laboral + Ingreso_Mensual, 
                        data = rotacion, family = binomial)

# Imprimir modelo
summary(modelo_logistico)
## 
## Call:
## glm(formula = Rotación ~ Departamento + Genero + Horas_Extra + 
##     Trabajos_Anteriores + Satisfación_Laboral + Ingreso_Mensual, 
##     family = binomial, data = rotacion)
## 
## Coefficients:
##                       Estimate Std. Error z value Pr(>|z|)    
## (Intercept)         -1.197e+00  2.676e-01  -4.473 7.70e-06 ***
## DepartamentoRH       4.153e-01  3.636e-01   1.142  0.25335    
## DepartamentoVentas   7.600e-01  1.650e-01   4.608 4.07e-06 ***
## GeneroM              2.852e-01  1.584e-01   1.800  0.07183 .  
## Horas_ExtraSi        1.490e+00  1.555e-01   9.583  < 2e-16 ***
## Trabajos_Anteriores  9.347e-02  2.964e-02   3.154  0.00161 ** 
## Satisfación_Laboral -3.026e-01  6.819e-02  -4.438 9.07e-06 ***
## Ingreso_Mensual     -1.665e-04  2.493e-05  -6.677 2.44e-11 ***
## ---
## 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: 1117.2  on 1462  degrees of freedom
## AIC: 1133.2
## 
## Number of Fisher Scoring iterations: 5

- Modelo General:

El modelo está evaluando la probabilidad de que un empleado esté sujeto a rotación (variable dependiente) en función de varias variables independientes: Departamento, Género, Horas Extra, Trabajos Anteriores, Satisfacción Laboral e Ingreso Mensual. La función de enlace utilizada es la binomial, lo que significa que la variable de respuesta (Rotación) es una variable categórica binaria (Sí o No).

- Interpretación de los Coeficientes:

Los coeficientes de un modelo de regresión logística indican el cambio en el logaritmo de las probabilidades (log-odds) de que ocurra la rotación, dado un cambio en la variable independiente. A continuación, se analiza cada variable:

Intercepto (-1.197)

El valor del intercepto representa el log-odds de la rotación cuando todas las variables independientes son iguales a cero. En este caso, su valor es negativo (-1.197), lo que sugiere que, en promedio, la rotación no es muy probable cuando todas las demás variables están en su estado de referencia. Departamento

Recursos Humanos (RH): El coeficiente (0.415) no es estadísticamente significativo (p = 0.253), lo que sugiere que pertenecer al departamento de Recursos Humanos no tiene un efecto claro sobre la rotación en comparación con el departamento de referencia (probablemente I+D). Ventas (0.760): El coeficiente es positivo y altamente significativo (p < 0.001). Esto indica que los empleados del departamento de Ventas tienen una mayor probabilidad de rotación en comparación con el departamento de referencia. El valor positivo sugiere que estar en Ventas aumenta las probabilidades de rotación. Género (Hombre: 0.285)

El coeficiente para los hombres es 0.285, lo que indica que ser hombre podría estar relacionado con un ligero aumento en la probabilidad de rotación en comparación con las mujeres, aunque esta relación no es muy significativa (p = 0.07183). Horas Extra (1.490)

Este coeficiente es positivo y altamente significativo (p < 2e-16), lo que sugiere que los empleados que trabajan horas extra tienen una probabilidad mucho mayor de rotación. El valor 1.490 indica un incremento considerable en los log-odds de rotación para quienes hacen horas extra. Trabajos Anteriores (0.093)

Este coeficiente es positivo y significativo (p = 0.00161), lo que implica que a medida que aumenta el número de trabajos anteriores, también lo hace la probabilidad de rotación. Aunque el efecto no es muy grande, sigue siendo estadísticamente relevante. Satisfacción Laboral (-0.302)

El coeficiente es negativo y muy significativo (p < 0.001), lo que indica que a medida que aumenta la satisfacción laboral, disminuyen las probabilidades de rotación. Un valor negativo sugiere que empleados más satisfechos tienen menos probabilidades de dejar la empresa. Ingreso Mensual (-0.0001665)

Este coeficiente también es negativo y muy significativo (p < 0.001). Aunque el valor del coeficiente es pequeño, sugiere que un mayor ingreso mensual reduce las probabilidades de rotación. A mayor salario, menor probabilidad de que un empleado decida irse.

- Medidas del Modelo:

Null deviance (1298.6) y Residual deviance (1117.2) indican cómo ha mejorado el ajuste del modelo al incluir las variables independientes. Una menor deviance residual comparada con la null deviance implica que el modelo ajusta significativamente mejor que uno sin variables explicativas. AIC (1133.2) es una medida de la calidad del modelo; un AIC más bajo indica un mejor ajuste del modelo, penalizando la complejidad del mismo.

- Conclusión:

Los empleados que trabajan en Ventas, realizan horas extra, tienen más trabajos anteriores, baja satisfacción laboral y menor ingreso mensual son más propensos a dejar la empresa.

La satisfacción laboral y el ingreso mensual juegan un papel clave en la retención de empleados, ya que ambos reducen significativamente la probabilidad de rotación.

Horas extra y estar en el departamento de Ventas están asociados con una mayor rotación, lo que sugiere que pueden existir factores de estrés o insatisfacción específicos en estas áreas que aumentan la probabilidad de que los empleados se vayan.

Este modelo puede ayudar a identificar los factores más influyentes en la rotación y, por lo tanto, proporcionar una base para tomar decisiones estratégicas en la gestión del talento y la retención de empleados.

5. Evaluar el poder predictivo del modelo con base en la curva ROC y el AUC.

# Cargar libreria
library(pROC)

# Crear predicciones
predicciones <- predict(modelo_logistico, type = "response")

# Calcular la curva ROC
roc_obj <- roc(rotacion$Rotación, predicciones)

# Extraer los datos de la curva ROC para usar con ggplot
roc_data <- data.frame(
  tpr = roc_obj$sensitivities,   # True Positive Rate (Sensibilidad)
  fpr = 1 - roc_obj$specificities # False Positive Rate (1 - Especificidad)
)

# Crear la curva ROC con ggplot2
ggplot(roc_data, aes(x = fpr, y = tpr)) +
  geom_line(color = "lightblue", size = 1.2) +           # Línea de la curva ROC
  geom_abline(linetype = "dashed", color = "gray") + # Línea diagonal (azar)
  labs(
    title = "Curva ROC",
    x = "Tasa de Falsos Positivos (1 - Especificidad)",
    y = "Tasa de Verdaderos Positivos (Sensibilidad)"
  ) +
  theme_minimal(base_size = 15) +    # Tema minimalista con tamaño de texto mayor
  theme(plot.title = element_text(hjust = 0.5)) +  # Centrar el título
  annotate("text", x = 0.75, y = 0.25, label = paste("AUC =", round(auc(roc_obj), 3)), color = "blue") # Mostrar AUC en la gráfica
## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.

Un AUC de aproximadamente 0.763 sugiere que el modelo tiene una buena capacidad de diferenciación y puede ser útil para identificar a los empleados con mayor probabilidad de rotar. Esto proporciona una base sólida para tomar decisiones de intervención dirigidas a mejorar la retención de empleados.

6. Realiza una predicción la probabilidad de que un individuo (hipotético) rote y defina un corte para decidir si se debe intervenir a este empleado o no (posible estrategia para motivar al empleado).

empleado_hipotetico <- data.frame(
  Departamento = factor("Ventas", levels = c("IyD", "RH", "Ventas")),
  Genero = factor("F", levels = c("F", "M")),
  Horas_Extra = factor("Si", levels = c("No", "Si")),
  Trabajos_Anteriores = 2,  # Supongamos que ha tenid 2 trabajos antes
  Satisfación_Laboral = 3,  # Supongamos que su satisfacción laboral es 3 en una escala de 1 a 4
  Ingreso_Mensual = 3000  # Supongamos un ingreso mensual de $3000
)
probabilidad_rotacion <- predict(modelo_logistico, newdata = empleado_hipotetico, type = "response")
print(probabilidad_rotacion)
##         1 
## 0.4583695
umbral <- 0.5
if (probabilidad_rotacion > umbral) {
  mensaje <- "Se recomienda intervenir con este empleado."
} else {
  mensaje <- "No se considera necesaria la intervención con este empleado."
}
print(mensaje)
## [1] "No se considera necesaria la intervención con este empleado."

Datos del empleado hipotético: Departamento: Ventas Género: Femenino Horas Extra: Sí, trabaja horas extra. Trabajos Anteriores: Ha tenido 2 trabajos previos. Satisfacción Laboral: Tiene una satisfacción laboral de 3 en una escala de 1 a 4 (moderadamente satisfecha). Ingreso Mensual: Gana $3,000 al mes.

Predicción del modelo: El modelo de regresión logística utiliza estos datos para calcular la probabilidad de rotación del empleado. En este caso, el modelo predice una probabilidad de rotación del 45.8% (0.458).

Interpretación del resultado: Se ha establecido un umbral de intervención del 50%, lo que significa que si la probabilidad de rotación es mayor a 0.5 (50%), se recomienda intervenir con el empleado. En este caso, la probabilidad predicha es del 45.8%, lo que está por debajo del umbral.

Decisión final: Dado que la probabilidad de rotación es menor al umbral del 50%, el sistema genera el siguiente mensaje: “No se considera necesaria la intervención con este empleado.”

Reflexión sobre el caso: Este empleado presenta características que podrían estar asociadas a un riesgo moderado de rotación, como trabajar en el departamento de Ventas y realizar horas extra, ambos factores que suelen aumentar el riesgo de rotación. Sin embargo, su nivel de satisfacción laboral (3 de 4) y el hecho de que ha tenido solo 2 trabajos anteriores podrían estar contribuyendo a mantener la probabilidad de rotación por debajo del umbral crítico, lo que justifica la decisión de no intervenir en este caso.

Este tipo de análisis puede ser útil para priorizar intervenciones con empleados que presenten un mayor riesgo de rotación, ayudando a la empresa a tomar decisiones preventivas de manera más eficiente.

7. 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).

A partir de los resultados obtenidos en este análisis, es evidente que la empresa puede implementar diversas estrategias para reducir la rotación, enfocándose en los factores que han demostrado tener un impacto significativo. Entre las variables que resultaron ser determinantes, encontramos la satisfacción laboral, las horas extra, el ingreso mensual, el departamento al que pertenecen los empleados y el número de trabajos anteriores.

Estrategias para Reducir la Rotación: Mejora de la Satisfacción Laboral: La satisfacción laboral se identificó como una de las variables más importantes en la decisión de un empleado de quedarse o irse de la empresa. Una estrategia clave sería aumentar los niveles de satisfacción ofreciendo a los empleados mayores oportunidades de desarrollo profesional y crecimiento dentro de la organización. Además, la creación de programas de reconocimiento por logros, políticas de trabajo más flexibles, y un ambiente laboral positivo pueden ser herramientas eficaces para incrementar el compromiso y reducir la insatisfacción, disminuyendo así la rotación.

Revisión de las Horas Extra: Otro factor significativo es el impacto negativo de las horas extra en la retención de empleados. Para abordar esto, la empresa debería implementar políticas que promuevan un mejor equilibrio entre la vida personal y laboral. Limitar la cantidad de horas extra o compensar adecuadamente el trabajo adicional con tiempo libre o incentivos económicos podría ayudar a aliviar el estrés asociado al exceso de trabajo, lo que a su vez reduciría la tasa de rotación.

Ajuste de los Ingresos Mensuales: El análisis mostró que los empleados con ingresos más bajos tienen una mayor probabilidad de rotación. En este sentido, una estrategia eficaz sería revisar y ajustar las políticas salariales para garantizar que los empleados se sientan valorados y adecuadamente remunerados. Aumentar los salarios de aquellos en los niveles más bajos, o proporcionar bonos y recompensas económicas, puede ser un incentivo para la retención, especialmente en mercados laborales competitivos.

Atención a los Departamentos con Mayor Rotación: El departamento de Ventas fue identificado como un área con una mayor probabilidad de rotación en comparación con otros departamentos. Esto sugiere que las condiciones de trabajo en este departamento podrían requerir una evaluación más detallada. Una estrategia podría ser identificar los factores específicos que afectan a los empleados de ventas, como metas demasiado exigentes o falta de oportunidades de desarrollo, y trabajar en mejoras específicas para ese equipo.

Revisión del Historial de Trabajos Anteriores: Aunque el número de trabajos anteriores fue significativo, este factor es más difícil de cambiar en el corto plazo, ya que está relacionado con la experiencia previa de los empleados. Sin embargo, la empresa podría utilizar esta información en su proceso de selección, prestando especial atención a candidatos con historiales de trabajo inestables y proporcionando programas de integración más sólidos para quienes han tenido múltiples empleos antes de ingresar a la organización.

Conclusión: En resumen, para reducir la rotación de empleados de manera efectiva, la empresa debe adoptar un enfoque integral que ataque varios frentes simultáneamente. Mejorar la satisfacción laboral, revisar las políticas salariales y las horas extra, y prestar atención a las áreas con alta rotación son acciones concretas que podrían marcar una diferencia significativa. Al implementar estas estrategias basadas en datos, la empresa no solo mejorará la retención, sino que también podrá crear un ambiente laboral más saludable y atractivo para sus empleados, promoviendo un sentido de compromiso y estabilidad a largo plazo.