Punto 1 - Selección de 3 variables catégoricas y cuantitativas

Antes del analisis detallado de las variables, se seleccionaran 3 variables cualitativas y 3 cuantitativas que a manera de hipotesis vemos relacionadas con la rotación de personal.

Variables Cuantitativas:

• Edad: La relación entre la edad y la rotación laboral suele variar. En personas más jóvenes, se esperaria que busquen nuevas oportunidades para desarrollar su carrera, lo que se traduce en una mayor tasa de rotación. Por otro lado, las personas de mediana y mayor edad suelen buscar mayor estabilidad laboral y podrían estar menos inclinadas a cambiar de empleo.

• Ingreso Mensual: Un ingreso mensual bajo puede generar insatisfacción y motivar al empleado a buscar mejores oportunidades laborales, lo que influye directamente en la rotación. Por el contrario, aquellos que perciben un salario competitivo tienden a sentirse más estables económicamente, lo que reduce la probabilidad de que decidan cambiar de trabajo.

• Años Experiencia: A medida que una persona acumula más años de experiencia, es probable que perciba mayores ingresos y que valore la estabilidad en su carrera. Esto puede disminuir la predisposición a buscar nuevas oportunidades laborales, ya que el riesgo de cambiar de empleo puede ser visto como mayor en comparación con los beneficios.

Variables Categóricas:

• Horas Extras: Esta variable tiene una incidencia notable sobre la rotación laboral, ya que aquellas personas que realizan horas extras de manera frecuente podrían ser más propensas a buscar nuevas oportunidades o a experimentar agotamiento, lo que incrementaría la probabilidad de rotación en su puesto de trabajo.

• Viaje de Negocios: Realizar viajes de negocios está relacionado con la rotación, y su efecto puede depender de otras variables, como la edad o el estado civil. Las personas que viajan con mayor frecuencia podrían experimentar mayor desgaste o insatisfacción, lo que incrementaría su predisposición a cambiar de empleo.

• Satisfacción Laboral: Un nivel bajo de satisfacción laboral es un factor clave que puede aumentar la propensión a la rotación. Las personas con una calificación baja en este aspecto tienden a buscar nuevas oportunidades laborales.

Punto 2 - Análisis univariado de variables seleccionadas

summary(rotacion[, "Edad"])

      Edad      
 Min.   :18.00  
 1st Qu.:30.00  
 Median :36.00  
 Mean   :36.92  
 3rd Qu.:43.00  
 Max.   :60.00  

par(mfrow = c(1, 2))
boxplot(rotacion$Edad,
        main = "Distribución de la variable edad",
        ylab="Edad", las=1,
        col= c("#FFFFFF","#63B8FF"))
grid()
hist(rotacion$Edad,, main = "Distribución de la variable edad",
    xlab="Edad (Años)", col ="#B4EEB4")
grid()

summary(rotacion[, "Ingreso_Mensual"])

 Ingreso_Mensual
 Min.   : 1009  
 1st Qu.: 2911  
 Median : 4919  
 Mean   : 6503  
 3rd Qu.: 8379  
 Max.   :19999  

par(mfrow = c(1, 2))
boxplot(rotacion$Ingreso_Mensual,
        main = "Distribución Ingreso_Mensual",
        ylab="Ingreso_Mensual", las=1,
        col= c("#FFFFFF","#63B8FF"))
grid()
hist(rotacion$Ingreso_Mensual, main = "Distribución Ingreso_Mensual",
     xlab="Ingreso_Mensual ($)", col ="#B4EEB4")
grid()

summary(rotacion[, "Años_Experiencia"])

 Años_Experiencia
 Min.   : 0.00   
 1st Qu.: 6.00   
 Median :10.00   
 Mean   :11.28   
 3rd Qu.:15.00   
 Max.   :40.00   

par(mfrow = c(1, 2))
boxplot(rotacion$Años_Experiencia,
        main = "Distribución Años_Experiencia",
        ylab="Años_Experiencia", las=1,
        col= c("#FFFFFF","#63B8FF"))
grid()
hist(rotacion$Años_Experiencia, main = "Distribución Años_Experiencia",
     xlab="Años_Experiencia", col ="#B4EEB4")
grid()

par(mfrow = c(1, 2), mar = c(4, 4, 2, 1))

# Crear una tabla de frecuencias
conteo <- table(rotacion$Horas_Extra)

# Calcular los porcentajes
porcentajes <- round(conteo / sum(conteo) * 100, 1)

# Crear etiquetas con porcentajes
etiquetas <- paste(names(conteo), porcentajes, "%", sep = ": ")

# Gráfico de Pie con etiquetas de porcentajes
pie(conteo, labels = etiquetas, 
    main = "Distribución de Horas Extra", 
    col = c("#FF9999", "#63B8FF"),   # Ajustar los colores
    border = "white",                # Eliminar los bordes del gráfico de pie
    cex = 1.2)                       # Ajustar el tamaño de las etiquetas

# Gráfico de Barras con recuento (sin cambios)
barras <- barplot(conteo, 
                  main = "Horas extra",  
                  xlab = "Horas Extra",
                  ylab = "Frecuencia",
                  col = c("#FF9999", "#63B8FF"),  # Ajustar colores
                  border = "black",               # Borde de las barras
                  las = 1,                        # Rotación de las etiquetas
                  ylim = c(0, 1200))              # Ajustar el rango del eje y

# Agregar las etiquetas con los valores correspondientes encima de las barras
text(barras, conteo + 50, labels = conteo, cex = 1.2, pos = 3)

# Ajustar la leyenda si es necesario
legend("topright", legend = c("No", "Sí"), 
       fill = c("#FF9999", "#63B8FF"), 
       bty = "n", cex = 1.1)

# Configuración para mostrar dos gráficos
par(mfrow = c(1, 2), mar = c(4, 4, 2, 1))

# Crear una tabla de frecuencias
conteo <- table(rotacion$`Viaje de Negocios`)
# Calcular los porcentajes
porcentajes <- round(conteo / sum(conteo) * 100, 1)
# Crear etiquetas con porcentajes
etiquetas <- paste(names(conteo), porcentajes, "%", sep = ": ")

# Ajustar las etiquetas largas para evitar problemas visuales
etiquetas[etiquetas == "Raramente"] <- "Raramente: "
etiquetas[etiquetas == "Frecuentemente"] <- "Frecuentemente: "
etiquetas[etiquetas == "No_Viaja"] <- "No Viaja: "

# Gráfico de Pie con etiquetas de porcentajes ajustadas
pie(conteo, labels = etiquetas, 
    main = "Distribución Viaje de Negocios", 
    col = c("#FF9999", "#63B8FF", "#ADD8E6"),   # Ajustar los colores
    border = "white",                           # Eliminar los bordes del gráfico de pie
    cex = 0.9,                                  # Reducir el tamaño de las etiquetas
    radius = 0.8)                               # Reducir el tamaño del gráfico para dar más espacio

# Gráfico de Barras con recuento
barras <- barplot(conteo, 
                  main = "Viaje de Negocios",  
                  xlab = "Viaje de Negocios",
                  ylab = "Frecuencia",
                  col = c("#FF9999", "#63B8FF", "#ADD8E6"),  # Ajustar colores
                  border = "black",               # Borde de las barras
                  las = 1,                        # Colocar etiquetas del eje X en vertical
                  ylim = c(0, 1200))              # Ajustar el rango del eje y

# Agregar las etiquetas con los valores correspondientes encima de las barras
text(barras, conteo + 50, labels = conteo, cex = 1.2, pos = 3)

# Ajustar la leyenda para reflejar correctamente las categorías y evitar superposición
legend("topleft", legend = names(conteo), 
       fill = c("#FF9999", "#63B8FF", "#ADD8E6"), 
       bty = "n", cex = 1.1, inset = c(0.05, 0.05))

# Eliminar las líneas de la cuadrícula para mejorar el aspecto visual
grid(nx = NA, ny = NULL, col = "gray", lty = "dotted")

# Configuración para mostrar dos gráficos
par(mfrow = c(1, 2), mar = c(4, 4, 2, 1))

# Crear una tabla de frecuencias
conteo <- table(rotacion$Satisfación_Laboral)
# Calcular los porcentajes
porcentajes <- round(conteo / sum(conteo) * 100, 1)
# Crear etiquetas con porcentajes
etiquetas <- paste(names(conteo), porcentajes, "%", sep = ": ")

# Gráfico de Pie con etiquetas de porcentajes ajustadas
pie(conteo, labels = etiquetas, 
    main = "Distribución Satisfacción laboral", 
    col = c("#FF9999", "#63B8FF", "#ADD8E6", "#66CDAA"),   # Ajustar los colores
    border = "white",                          # Eliminar los bordes del gráfico de pie
    cex = 0.9,                                 # Reducir el tamaño de las etiquetas
    radius = 0.8)                              # Reducir el tamaño del gráfico para dar más espacio

# Gráfico de Barras con recuento
barras <- barplot(conteo, 
                  main = "Satisfacción laboral",  
                  xlab = "Satisfacción laboral",
                  ylab = "Frecuencia",
                  col = c("#FF9999", "#63B8FF", "#ADD8E6", "#66CDAA"), # Colores
                  border = "black",               # Borde de las barras
                  las = 1,                        # Colocar etiquetas del eje X en vertical
                  ylim = c(0, 1200))              # Ajustar el rango del eje y

# Agregar las etiquetas con los valores correspondientes encima de las barras
text(barras, conteo + 50, labels = conteo, cex = 1.2, pos = 3)

# Ajustar la leyenda para reflejar correctamente las categorías y evitar superposición
legend("topleft", legend = names(conteo), 
       fill = c("#FF9999", "#63B8FF", "#ADD8E6", "#66CDAA"), 
       bty = "n", cex = 1.1, inset = c(0.05, 0.05))

# Eliminar las líneas de la cuadrícula para mejorar el aspecto visual
grid(nx = NA, ny = NULL, col = "gray", lty = "dotted")

Punto 3 - Análisis bivariado de variables seleccionadas vs variable rotación

#Prueba t
t.test(rotacion$Edad ~ rotacion$Rotación)

    Welch Two Sample t-test

data:  rotacion$Edad by rotacion$Rotación
t = 5.8291, df = 316.94, p-value = 1.371e-08
alternative hypothesis: true difference in means between group No and group Si is not equal to 0
95 percent confidence interval:
 2.619728 5.289170
sample estimates:
mean in group No mean in group Si 
        37.56204         33.60759 

#Grafico de barras cruzado
ggplot(rotacion, aes(Rotación, Edad, fill = Rotación)) +
  geom_boxplot(width = 0.5, outlier.color = "red", outlier.shape = 16) +
  scale_fill_brewer(palette = "Dark2") + # Cambiar la paleta de colores
  labs(title = "Distribución de Edad por Rotación", # Añadir título
       x = "Categoría de Rotación", # Etiqueta del eje X
       y = "Edad", # Etiqueta del eje Y
       fill = "Rotación") + # Título de la leyenda
  theme_minimal() + # Tema limpio
  theme(legend.position = "top", # Posicionar la leyenda
        plot.title = element_text(hjust = 0.5, face = "bold", size = 14)) # Centrar y estilizar el título

#Prueba t
t.test(rotacion$Ingreso_Mensual ~ rotacion$Rotación)

    Welch Two Sample t-test

data:  rotacion$Ingreso_Mensual by rotacion$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 

#Grafico de barras cruzado
ggplot(rotacion, aes(Rotación, Ingreso_Mensual, fill = Rotación)) +
  geom_boxplot(width = 0.5, outlier.color = "red", outlier.shape = 16) +
  scale_fill_brewer(palette = "Dark2") + # Cambiar la paleta de colores
  labs(title = "Distribución del ingreso mensual por Rotación", # Añadir título
       x = "Categoría de Rotación", # Etiqueta del eje X
       y = "Ingreso Mensual", # Etiqueta del eje Y
       fill = "Rotación") + # Título de la leyenda
  theme_minimal() + # Tema limpio
  theme(legend.position = "top", # Posicionar la leyenda
        plot.title = element_text(hjust = 0.5, face = "bold", size = 14)) # Centrar y estilizar el título

#Prueba t
t.test(rotacion$Años_Experiencia ~ rotacion$Rotación)

    Welch Two Sample t-test

data:  rotacion$Años_Experiencia by rotacion$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 

#Grafico de barras cruzado
ggplot(rotacion, aes(Rotación, Años_Experiencia, fill = Rotación)) +
  geom_boxplot(width = 0.5, outlier.color = "red", outlier.shape = 16) +
  scale_fill_brewer(palette = "Dark2") + # Cambiar la paleta de colores
  labs(title = "Distribución del ingreso mensual por Rotación", # Añadir título
       x = "Categoría de Rotación", # Etiqueta del eje X
       y = "Años Experiencia", # Etiqueta del eje Y
       fill = "Rotación") + # Título de la leyenda
  theme_minimal() + # Tema limpio
  theme(legend.position = "top", # Posicionar la leyenda
        plot.title = element_text(hjust = 0.5, face = "bold", size = 14)) # Centrar y estilizar el título

# Crear tabla de contingencia entre rotación y Horas_Extras
t_contHE <- table(rotacion$Rotación, rotacion$Horas_Extra)

# Mostrar la tabla de contingencia
print(t_contHE)

    
      No  Si
  No 944 289
  Si 110 127

# Prueba de Chi-cuadrado
chisq.test(t_contHE)

    Pearson's Chi-squared test with Yates' continuity correction

data:  t_contHE
X-squared = 87.564, df = 1, p-value < 2.2e-16

#Grafico
require(CGPfunctions) 
PlotXTabs2(data = rotacion, x = Horas_Extra, y = Rotación)

# Crear tabla de contingencia entre rotación y Horas_Extras
t_contVN <- table(rotacion$Rotación, rotacion$'Viaje de Negocios')

# Mostrar la tabla de contingencia
print(t_contVN)

    
     Frecuentemente No_Viaja Raramente
  No            208      138       887
  Si             69       12       156

# Prueba de Chi-cuadrado
chisq.test(t_contVN)

    Pearson's Chi-squared test

data:  t_contVN
X-squared = 24.182, df = 2, p-value = 5.609e-06

#Grafico
require(CGPfunctions) 
PlotXTabs2(data = rotacion, x = `Viaje de Negocios`, y = Rotación)

# Crear tabla de contingencia entre rotación y Satisfacción laboral
t_contSL <- table(rotacion$Rotación, rotacion$'Satisfación_Laboral')

# Mostrar la tabla de contingencia
print(t_contSL)

    
       1   2   3   4
  No 223 234 369 407
  Si  66  46  73  52

# Prueba de Chi-cuadrado
chisq.test(t_contSL)

    Pearson's Chi-squared test

data:  t_contSL
X-squared = 17.505, df = 3, p-value = 0.0005563

#Grafico
require(CGPfunctions) 
PlotXTabs2(data = rotacion, x = Satisfación_Laboral, y = Rotación)

Punto 4 - Estimar el modelo logístico con la muestra del 70%

#Transformar la variable respuesta
rotacion$Rotación <- as.numeric(rotacion$Rotación == "Si", 1, 0)

# Semilla para reproducir
set.seed(50) 

library(caret)
datos_divididos <- createDataPartition(rotacion$Rotación, p = 0.7, list = FALSE)

train_data <- rotacion[datos_divididos, ]
test_data <- rotacion[-datos_divididos, ]

mod = glm(Rotación ~ Horas_Extra + `Viaje de Negocios` + Satisfación_Laboral 
          + Edad + Ingreso_Mensual + Años_Experiencia, data = train_data, 
          family = "binomial")

summary(mod)

Call:
glm(formula = Rotación ~ Horas_Extra + `Viaje de Negocios` + 
    Satisfación_Laboral + Edad + Ingreso_Mensual + Años_Experiencia, 
    family = "binomial", data = train_data)

Coefficients:
                               Estimate Std. Error z value Pr(>|z|)    
(Intercept)                   1.0799141  0.4866312   2.219 0.026476 *  
Horas_ExtraSi                 1.3454056  0.1864106   7.217 5.30e-13 ***
`Viaje de Negocios`No_Viaja  -1.4382608  0.4056478  -3.546 0.000392 ***
`Viaje de Negocios`Raramente -0.8850550  0.2074463  -4.266 1.99e-05 ***
Satisfación_Laboral          -0.3226973  0.0810433  -3.982 6.84e-05 ***
Edad                         -0.0280425  0.0137056  -2.046 0.040751 *  
Ingreso_Mensual              -0.0000765  0.0000357  -2.143 0.032147 *  
Años_Experiencia             -0.0206565  0.0230241  -0.897 0.369629    
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 919.16  on 1028  degrees of freedom
Residual deviance: 798.44  on 1021  degrees of freedom
AIC: 814.44

Number of Fisher Scoring iterations: 5

Interpretación de los coeficientes

• Intercepto (Intercept): El estimado del intercepto es de 1.07, esta es la oportunidad de rotación cuando todas las demas variables estan en cero. Este valor no es estadisticamente significativo.

• Horas extrasSi: El estimado es de 1.3454, se puede interpetar que, los empleados que hacen horas extras tienen una mayor probabilidad de rotación que aquellos que no las hacen.

• Viaje de NegociosNo_Viaja::El estimado es negativo -1.4383. Se podria interpretar que los empleados que no viajan tienen una menor probabilidad de rotación comparado con aquellos que sí viajan. El coeficiente negativo indica que, si no viajan, la probabilidad de rotación disminuye.

• Viaje de NegociosRaramente: El estimado también es negativo -0.8851. Se interpreta que los empleados que viajan raramente también tienen una menor probabilidad de rotación que aquellos que viajan frecuentemente.

• Satisfación_Laboral: Su estimado es -0.3227, se podria afirmar que un aumento en la satisfacción laboral está asociado con una disminución en la probabilidad de rotación. Esto teiene relación con la hipótesis esperada: es decir que empleados más satisfechos son menos propensos a rotar.

• Edad Con el estimado de -0.0280, se podria afirmar que la edad tiene un efecto negativo en la probabilidad de rotación. Esto significa que a medida que aumenta la edad, la probabilidad de rotación disminuye ligeramente.

• Ingreso_Mensual: El estimado es -0.0000765, por lo que un mayor ingreso mensual está asociado con una menor probabilidad de rotación. Aunque este coeficiente es pequeño puede ser debido a que está en dólares, tiene un efecto negativo en la rotación.

• Años_Experiencia: El coeficiente es -0.0207, si embargo en este caso se puede afirmar que el coeficiente no es significativo ya que el p valor está cercano a 1 (p = 0.3696), lo que indica que los años de experiencia no tienen un efecto claro sobre la probabilidad de rotación en este modelo.

Punto 5 - Predecir el modelo con los datos de prueba del 30% con base en la curva ROC y el AUC

Para evaluar el modelo usaremos la curva ROC y la AUC

1. La curva ROC (Receiver Operating Characteristic) evalúa el rendimiento de un modelo de clasificación, mostrando la relación entre la tasa de verdaderos positivos (sensibilidad) y la tasa de falsos positivos (1 - especificidad) en diferentes umbrales de decisión. Un modelo ideal se acerca a la esquina superior izquierda de la gráfica.

2. El área bajo la curva (AUC) mide el desempeño general del modelo: un AUC de 1 indica un modelo perfecto, mientras que un AUC de 0.5 sugiere un modelo que no tiene capacidad de clasificación mejor que el azar.

# Cargar el paquete
library(pROC)

# Obtener las probabilidades predichas por el modelo
prob <- predict(mod, newdata = test_data, type = "response")
# Calcular la curva ROC
roc_datos <- roc(test_data$Rotación, prob)

# Graficar la curva ROC
plot(roc_datos, main = "Curva ROC", col = "cyan4", lwd = 2, 
     xlab = "Tasa de Falsos Positivos (FPR)", 
     ylab = "Tasa de Verdaderos Positivos (TPR)", 
     cex.main = 1.5, cex.lab = 1.3, cex.axis = 1.2)
# Añadir la línea diagonal de referencia (representa un clasificador aleatorio)
lines(x = c(0, 1), y = c(0, 1), col = "red", lty = 2, lwd = 2)
# Agregar texto en la parte superior indicando el AUC
auc_value <- auc(roc_datos)
text(0.5, 0.1, paste("AUC =", round(auc_value, 2)), col = "blue", cex = 1.5)

# Mostrar el valor del AUC
print(paste("AUC:", auc_value))

[1] "AUC: 0.771999684592336"

Un AUC de 0.77 indica un que el modelo tiene una capacidad predictiva moderadamente buena y es capaz de discriminar entre empleados que rotan y los que no.

Por otra parte, teniendo en cuenta que la curva ROC haya sido generada con el set de prueba y se obtenga un AUC de 0.77 en este conjunto sugiere que el modelo generaliza bien y no está sobreajustado a los datos de entrenamiento.

Punto 6 - Estrategia para disminuir la rotación en la empresa

Para definir la estrategia primero, se debe retomar el efecto de las variables que resultaron estadísticamente significativas en el modelo y que afectan directamente la rotación:

• Horas_Extra (efecto positivo): Los empleados que trabajan horas extras son más propensos a rotar.

• Viaje de Negocios (efecto negativo): Los empleados que no viajan o viajan raramente tienen menos probabilidad de rotar.

• Satisfacción Laboral (efecto negativo): Una mayor satisfacción laboral reduce la probabilidad de rotación.

• Edad (efecto negativo): Empleados más jóvenes son más propensos a rotar.

• Ingreso Mensual (efecto negativo): Empleados con ingresos más altos tienen menos probabilidades de rotar.

No se considera la variable “Años de experiencia”, ya que los resultados generados en el modelo de regeresión logística indicaban no ser estadísticamente significativos, por lo que no estaba claro su impacto en la probabilidad de rotación de empleados.

A partir de los anterior se pueden establecer algunas estrategias por variable y efecto:

Para la variable Horas Extras:

• Mejorar la gestión de las horas extras, implementado políticas para limitar la cantidad de horas extras trabajadas por empleado, garantizando que no se excedan los límites razonables.

• En caso de que las horas extras son inevitables para algunos roles particulares, implementar programas de incentivos representados en compensaciones monetarias adicionales o tiempo libre adicional para equilibrar el esfuerzo adicional.

• Establecer un sistema de monitoreo y retroalimentación continua para monitorear el bienestar de los empleados que trabajan horas extras, asegurándose de que no estén sobrecargados.

Para la variable Viaje de negocios:

• Se podria considerar ofrecer mayor flexibilidad en los viajes, teniendo en cuenta a los empleados que si desean viajar o si prefieren otras formas de trabajo. En este caso se podrian considerar la variable de edad dando la oportunidad a los jovenes talentos que pueden tener más interés en tener con frecuencia viajes de negocios.

• De ser posible, mejorar las condiciones de viaje, asegurando que los empleados que viajan con frecuencia tengan beneficios como un mejor alojamiento, dietas adecuadas, compensación por tiempo de viaje, y mayor autonomía en la planificación de sus viajes.

Para la variable Satisfacción Laboral:

• Ejecutar planes de desarrollo y crecimiento con el fin de ofrecer oportunidades claras de desarrollo profesional, capacitación y planes de carrera personalizados que permitan a los empleados ver un futuro de crecimiento dentro de la empresa.

Esto tiene directa relación con los empleados jovénes, los cuales son más propensos a considerar nuevas oportunidades laborales si no identifican oportunidades claras de promoción, programas de mentoría o de entrenamiento (tipo Trainee) y capacitación continua.

• Introducir programas que se enfoquen en el bienestar emocional, físico y mental de los empleados, como actividades de team-building, sesiones de mindfulness o apoyo psicológico en el lugar de trabajo.

Para la variable Edad:

• Contar con mayores condiciones de flexibilidad en el trabajo, a menudo empleados jóvenes valoran la flexibilidad laboral. Esto está ligado a las políticas de trabajo remoto, horarios flexibles y un equilibrio entre vida laboral y personal puede reducir su deseo de buscar otras oportunidades.

Para la variable Ingreso Mensual:

• Desde las áreas de Compensación y Talento Humano se podria realizar iniciativas que busquen la revisión de los rangos salariales conforme al cargo con el fin de que sean competitivos con respecto al mercado y que estén alineados con las responsabilidades y el desempeño de los empleados.

• Se podria implementar incentivos adicionales, como bonos por desempeño, que estén directamente relacionados con el trabajo realizado y motiven a los empleados a quedarse en la empresa.

Para reducir la rotación en la empresa, las estrategias deben centrarse en abordar los factores que más influyen en la decisión de los empleados de quedarse o irse. Según lo identificado las horas extras y la satisfacción laboral son variables clave que deben ser monitoreadas y gestionadas con bastante detalle.

Además, garantizar que los empleados, especialmente los jóvenes y los que tienen ingresos más bajos a nivel salarial, sientan que tienen oportunidades de crecimiento y estabilidad dentro de la empresa será crucial para mantenerlos comprometidos.