Actividad M1U3

Entendimiento del problema

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 cuáles 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.

1. Selección de variables

Dentro de la base de datos Rotación se encuentran tanto variables categóricas como numéricas a continuación se presentan las hipótesis sobre el comportamiento de estas variables con respecto a la variable objetivo Rotación.

Variables Categóricas

Cargo: Es posible que ciertos cargos dentro de la organización de la empresa tengan una mayor probabilidad de presentar rotación, los empleados en cargos bajos o considerados como operativos pueden tener condiciones laborables menos favorables que afiancen el compromiso con la empresa, en cambio los cargos altos o directivos presentan mejores condiciones laborales.

Horas Extra: empleados que presenten una alta frecuencia en la generación de horas extras pueden ser empleados con altas cargas laborales lo que puede aumentar la probabilidad de realizar una rotación.

Estado Civil: el estado civil de los empleados puede definir la flexibilidad de un empleado de arriesgarse a conseguir otro trabajo mientras que empleados con responsabilidades ya definidas con sus familias pueden buscar tener una estabilidad laboral a largo plazo.

Variables Cuantitativas

Ingreso Mensual: los empleados que perciban salarios bajos pueden llegar a tener más incentivos a cambiar de trabajo buscando una mayor remuneración en cambio los empleados con altos salarios pueden sentirse en una zona de confort presentando una baja rotación.

Antigüedad en el Cargo: los empleados con una mayor antigüedad en el cargo pueden tener un menor riesgo de presentar rotación debido a que se haya adaptado ya a las funciones y realizar un cambio contemple tener nuevas habilidades o algún conocimiento especifico.

Años de Experiencia: normalmente los años de experiencia en una persona demuestran que tan experimentado es en un cargo o función, al tener una mayor cantidad de años de experiencia esta persona puede considerarse fundamental y sus condiciones de trabajo pueden ser mejores presentando mejor salario o tipo de cargo.

2. Análisis Univariado

datos_analisis = subset(rotacion, select = c(Rotación, Cargo, Horas_Extra, Estado_Civil, Ingreso_Mensual, Antigüedad_Cargo, Años_Experiencia))
skim(datos_analisis)

Data summary

Name	datos_analisis
Number of rows	1470
Number of columns	7
_______________________
Column type frequency:
character	4
numeric	3
________________________
Group variables	None

Variable type: character

skim_variable	n_missing	complete_rate	min	max	empty	n_unique	whitespace
Rotación	0	1	2	2	0	2	0
Cargo	0	1	7	23	0	9	0
Horas_Extra	0	1	2	2	0	2	0
Estado_Civil	0	1	6	10	0	3	0

Variable type: numeric

skim_variable	n_missing	complete_rate	mean	sd	p0	p25	p50	p75	p100	hist
Ingreso_Mensual	0	1	6502.93	4707.96	1009	2911	4919	8379	19999	▇▅▂▁▂
Antigüedad_Cargo	0	1	4.23	3.62	0	2	3	7	18	▇▃▂▁▁
Años_Experiencia	0	1	11.28	7.78	0	6	10	15	40	▇▇▂▁▁

ggplot(datos_analisis, aes(x = Ingreso_Mensual)) +
  geom_histogram(binwidth = 500, fill = "#0073C2FF", color = "black", alpha = 0.7) +
  ggtitle("Histograma Ingresos Mensuales") +
  xlab("Ingresos Mensuales") +
  ylab("Frecuencia") +
  theme_minimal()

La variable Ingresos Mensuales muestra una distribución sesgada hacia la derecha, lo que indica que la mayoría de los empleados percibe sueldos relativamente bajos. En particular, se observa una concentración de salarios entre los 2,000 y 3,000.

Además, la variable presenta una alta dispersión, con una desviación estándar de 4,707.9 y un promedio cercano a los 6,503. Esto sugiere una considerable variabilidad en los ingresos entre los empleados.

ggplot(datos_analisis, aes(x = Antigüedad_Cargo)) +
  geom_histogram(binwidth = 1, fill = "#0073C2FF", color = "black", alpha = 0.7) +
  ggtitle("Histograma Antigüedad Cargo") +
  xlab("Antigüedad Cargo") +
  ylab("Frecuencia") +
  theme_minimal()

La variable Antigüedad en el Cargo presenta un sesgo a la derecha, lo que indica que la mayoría de los empleados son relativamente nuevos o tienen menos de 3 a 4 años en la empresa.

La media de la variable es de 4.2 años, con una desviación estándar de 3.7, lo que sugiere una alta dispersión en los datos, es decir, existe una considerable variabilidad en los años de antigüedad entre los empleados.

ggplot(datos_analisis, aes(x = Años_Experiencia)) +
  geom_histogram(binwidth = 1, fill = "#0073C2FF", color = "black", alpha = 0.7) +
  ggtitle("Histograma Años Experiencia") +
  xlab("Años Experiencia") +
  ylab("Frecuencia") +
  theme_minimal()

La variable Años Experiencia al igual que las 2 variables cuantitativas analizadas presenta un sesgo a la derecha, en esta variable se observa una mayor acumulación de empleados que tienen experiencia laboral entre 5 y 10 años.

La grafica también muestra una dispersión considerable, la media calculada para la variable es de 11.27 y tiene una desviación estándar cerca de 7.78.

ggplot(datos_analisis, aes(x = Horas_Extra, fill = Horas_Extra)) +
  geom_bar() +
  scale_fill_manual(values = c("No" = "#1f77b4", "Si" = "#ffdb58")) +
  ggtitle("Gráfico de barras de Horas Extra") +
  xlab("Horas Extra") +
  ylab("Frecuencia") +
  theme_minimal()

La mayoría de los empleados no realizan horas extras se recomienda realizar un análisis bivariado para determinar cuál de estos 2 grupos presentan una mayor rotación.

ggplot(datos_analisis, aes(x = Cargo, fill = Cargo)) +
  geom_bar() +
  scale_fill_manual(values = c("#1f77b4", "#ff7f0e", "#2ca02c", "#d62728", "#9467bd", "#8c564b", "#e377c2", "#7f7f7f", "#ffdb58")) +
  ggtitle("Gráfico de barras de Cargo") +
  xlab("Cargo") +
  ylab("Frecuencia") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

Dentro de la base de datos se observan 9 cargos entre directivos y operativos, se debería analizar cuáles de estos cargos presentan una mayor rotación.

ggplot(datos_analisis, aes(x = Estado_Civil, fill = Estado_Civil)) +
  geom_bar() +
  scale_fill_manual(values = c("#1f77b4", "#2ca02c", "#ffdb58")) +
  ggtitle("Gráfico de barras de Estado Civil") +
  xlab("Estado Civil") +
  ylab("Frecuencia") +
  theme_minimal()

Dentro de los datos recopilados se identifican 3 grupos para estado civil Casado, Divorciado y Soltero, la mayor proporción de los empleados se identifican como Casados.

ggplot(datos_analisis, aes(x = Rotación, fill = Rotación)) +
  geom_bar() +
  scale_fill_manual(values = c("No" = "#1f77b4", "Si" = "#ffdb58")) +  # Asignar colores específicos
  ggtitle("Gráfico de barras de Rotación") +
  xlab("Rotación") +
  ylab("Frecuencia") +
  theme_minimal()

La variable rotación se considera como la variable objetivo y se identifica que la mayor proporción del grupo de empleados no rotan, se sugiere realizar un análisis bivariado para identificar cuales de los grupos presentan mayor rotación o que características pueden tener estos grupos para presentar una rotación.

3. Análisis Bivariado

dummies_rotación <- model.matrix(~ Rotación - 1, data = datos_analisis)
datos_analisis$Rotación=as.factor(dummies_rotación[,2])

head(datos_analisis)

ggplot(datos_analisis, aes(x = Rotación, y = Ingreso_Mensual, fill = Rotación)) +
    geom_boxplot() +
    ggtitle(paste("Rotación vs Ingreso Mensual")) +
    xlab("Rotación") +
    ylab("Ingreso Mensual") +
    scale_fill_manual(values = c("0" = "#1f77b4", "1" = "#ffdb58"))+
    theme_minimal()

Los empleados que no han rotado tienen presentan una mediana más alta que los empleados que han rotado en sus ingresos mensuales, lo que indica que la variable puede tener una relación inversa entre Ingreso Mensual y Rotación donde los empleados con ingresos más altos tienden a rotar menos como se estimó en la hipótesis planteada para esta variable.

ggplot(datos_analisis, aes(x = Rotación, y = Antigüedad_Cargo, fill = Rotación)) +
    geom_boxplot() +
    ggtitle(paste("Rotación vs Antigüedad Cargo")) +
    xlab("Rotación") +
    ylab("Antigüedad Cargo") +
    scale_fill_manual(values = c("0" = "#1f77b4", "1" = "#ffdb58"))+
    theme_minimal()

Los empleados que no han rotado tienden a tener una mayor antigüedad dentro de la empresa en comparación con el grupo de empleados que han rotado. El signo del coeficiente de esta variable en el modelo se estima sea negativo debido a que es menos probable que un empleado rote al tener una mayor cantidad de años dentro de la empresa.

ggplot(datos_analisis, aes(x = Rotación, y = Años_Experiencia, fill = Rotación)) +
    geom_boxplot() +
    ggtitle(paste("Rotación vs Años Experiencia")) +
    xlab("Rotación") +
    ylab("Años Experiencia") +
    scale_fill_manual(values = c("0" = "#1f77b4", "1" = "#ffdb58"))+
    theme_minimal()

Los Años de Experiencia parecen ser una variable relevante en la predicción de la Rotación, dado que los empleados con más experiencia muestran una menor tendencia a cambiar de trabajo. Esta relación inversa puede ayudar a predecir con mayor precisión si un empleado tiene más probabilidades de rotar.

ggplot(datos_analisis, aes(x = Cargo, fill = Rotación)) +
    geom_bar(position = "dodge") +
    ggtitle(paste("Rotación vs Cargo")) +
    xlab("Cargo") +
    ylab("Frecuencia") +
    scale_fill_manual(values = c("0" = "#1f77b4", "1" = "#ffdb58"))+
    theme_minimal()+
    theme(axis.text.x = element_text(angle = 45, hjust = 1))

Dentro del grafico se observa que los cargos Ejecutivo de Ventas, Recursos Humanos, y Técnico de Laboratorio tienen una mayor frecuencia de rotación en comparación con otros cargos. Esto sugiere que estos puestos podrían estar más asociados a una mayor tendencia de rotación entre los empleados. Estos cargos pueden presentar signos positivos dentro del modelo de regresión

Mientras que los cargos Director de Investigación, Investigador Científico, y Gerente muestran menos rotación, con una alta frecuencia de empleados que permanecen en estos cargos . Estos cargos podrían estar relacionados con una mayor estabilidad en la empresa. Estos cargos pueden presentar signos negativos dentro del modelo de regresión

ggplot(datos_analisis, aes(x = Horas_Extra, fill = Rotación)) +
    geom_bar(position = "dodge") +
    ggtitle(paste("Rotación vs Horas Extra")) +
    xlab("Horas Extra") +
    ylab("Frecuencia") +
    scale_fill_manual(values = c("0" = "#1f77b4", "1" = "#ffdb58"))+
    theme_minimal()

El gráfico de barras sugiere que la realización de horas extra podría estar asociada a una mayor tendencia a la rotación. Sin embargo, la rotación también ocurre en un grupo considerable de empleados que no realizan horas extra.

ggplot(datos_analisis, aes(x = Estado_Civil, fill = Rotación)) +
    geom_bar(position = "dodge") +
    ggtitle(paste("Rotación vs Estado Civil")) +
    xlab("Estado Civil") +
    ylab("Frecuencia") +
    scale_fill_manual(values = c("0" = "#1f77b4", "1" = "#ffdb58"))+
    theme_minimal()

Dentro del grafico se puede observar que los empleados considerados como solteros tienen una mayor proporción o probabilidad de rotar que los empleados considerados como Casados y Divorciados, por lo que se sugiere que los coeficientes para empleados Casados y Divorciados deben ser negativos mientras que para los empleados solteros deben ser positivos.

3.1 Prueba de Chi-cuadrado

Para validar la relación entre las variables categóricas y la variable objetivo Rotación, realizamos la prueba de chi-cuadrado. Esta prueba nos permite determinar si existe una asociación significativa entre las variables Cargo, Horas Extra y Estado Civil con respecto a la rotación de los empleados.

Prueba de Chi-cuadrado para Cargo y Rotación

    Pearson's Chi-squared test

data:  tabla_cargo_rotacion
X-squared = 86.19, df = 8, p-value = 2.752e-15

El valor de la prueba de chi-cuadrado para la variable Cargo y Rotación es:

X-squared = 86.19, df = 8, p-value = 2.752e-15

Dado que el p-value es mucho menor que 0.05, podemos concluir que existe una relación significativa entre el Cargo de los empleados y la Rotación.

Prueba de Chi-cuadrado para Horas Extra y Rotación

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

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

El valor de la prueba de chi-cuadrado para la variable Horas Extra y Rotación es:

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

El p-value también es mucho menor que 0.05, lo que indica que existe una relación significativa entre realizar Horas Extra y la Rotación de los empleados.

Prueba de Chi-cuadrado para Estado Civil y Rotación

    Pearson's Chi-squared test

data:  tabla_estado_rotacion
X-squared = 46.164, df = 2, p-value = 9.456e-11

El valor de la prueba de chi-cuadrado para la variable Estado Civil y Rotación es:

X-squared = 46.164, df = 2, p-value = 9.456e-11

Con un p-value de 9.456e-11, que es menor a 0.05, también podemos concluir que existe una relación significativa entre el Estado Civil de los empleados y la Rotación.

Los resultados de las pruebas de chi-cuadrado muestran que todas las variables categóricas analizadas (Cargo, Horas Extra y Estado Civil) tienen una relación estadísticamente significativa con la Rotación. Por lo tanto, es razonable incluir estas variables en el modelo de regresión logística para predecir la probabilidad de rotación de los empleados.

4. Estimación del Modelo Logistico

#convertir variables categoricas a factores para ser tenidas encuenta como dummies

dummies_extras = model.matrix(~ Horas_Extra - 1, data = datos_analisis)
dummies_estado = model.matrix(~ Estado_Civil - 1, data = datos_analisis)
dummies_cargo =  model.matrix(~ Cargo - 1, data = datos_analisis)

datos_analisis$Rotación=as.factor(dummies_rotación[,2])
datos_modelo = subset(datos_analisis, select = c(Rotación, Ingreso_Mensual, Antigüedad_Cargo, Años_Experiencia))

datos_modelo$Horas_Extra = dummies_extras[,2]
datos_modelo = cbind(datos_modelo, dummies_estado, dummies_cargo)

head(datos_modelo)

set.seed(123)

# Crear partición de datos (70% entrenamiento, 30% prueba)
IndexEntrenamiento = createDataPartition(datos_modelo$Rotación, p = 0.7, list = FALSE)
DataEntrenamiento = datos_modelo[IndexEntrenamiento, ]
DataTest = datos_modelo[-IndexEntrenamiento, ]

modelo_logistico = glm(Rotación ~ Ingreso_Mensual + Antigüedad_Cargo + Años_Experiencia + Horas_Extra + Estado_CivilCasado + Estado_CivilDivorciado + Estado_CivilSoltero + CargoDirector_Investigación + CargoDirector_Manofactura + CargoEjecutivo_Ventas + CargoGerente + CargoInvestigador_Cientifico + CargoRecursos_Humanos + CargoRepresentante_Salud + CargoRepresentante_Ventas + CargoTecnico_Laboratorio, data = datos_modelo, family = binomial(link = "logit"))

summary(modelo_logistico)

Call:
glm(formula = Rotación ~ Ingreso_Mensual + Antigüedad_Cargo + 
    Años_Experiencia + Horas_Extra + Estado_CivilCasado + Estado_CivilDivorciado + 
    Estado_CivilSoltero + CargoDirector_Investigación + CargoDirector_Manofactura + 
    CargoEjecutivo_Ventas + CargoGerente + CargoInvestigador_Cientifico + 
    CargoRecursos_Humanos + CargoRepresentante_Salud + CargoRepresentante_Ventas + 
    CargoTecnico_Laboratorio, family = binomial(link = "logit"), 
    data = datos_modelo)

Coefficients: (2 not defined because of singularities)
                               Estimate Std. Error z value Pr(>|z|)    
(Intercept)                  -7.524e-01  2.336e-01  -3.221 0.001278 ** 
Ingreso_Mensual               4.840e-05  5.207e-05   0.929 0.352633    
Antigüedad_Cargo             -8.884e-02  2.916e-02  -3.047 0.002314 ** 
Años_Experiencia             -2.566e-02  1.896e-02  -1.353 0.176028    
Horas_Extra                   1.539e+00  1.622e-01   9.493  < 2e-16 ***
Estado_CivilCasado           -8.377e-01  1.725e-01  -4.857 1.19e-06 ***
Estado_CivilDivorciado       -1.158e+00  2.319e-01  -4.992 5.97e-07 ***
Estado_CivilSoltero                  NA         NA      NA       NA    
CargoDirector_Investigación  -2.682e+00  9.362e-01  -2.864 0.004178 ** 
CargoDirector_Manofactura    -1.555e+00  4.182e-01  -3.718 0.000201 ***
CargoEjecutivo_Ventas        -4.903e-01  2.776e-01  -1.766 0.077323 .  
CargoGerente                 -1.956e+00  7.841e-01  -2.495 0.012598 *  
CargoInvestigador_Cientifico -7.711e-01  2.340e-01  -3.296 0.000981 ***
CargoRecursos_Humanos         8.784e-02  3.840e-01   0.229 0.819078    
CargoRepresentante_Salud     -1.500e+00  4.317e-01  -3.476 0.000509 ***
CargoRepresentante_Ventas     5.034e-01  2.957e-01   1.702 0.088683 .  
CargoTecnico_Laboratorio             NA         NA      NA       NA    
---
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: 1063.3  on 1455  degrees of freedom
AIC: 1093.3

Number of Fisher Scoring iterations: 6

Interpretación de Coeficientes

Coeficientes significativos

- Antigüedad_Cargo: Coeficiente negativo (-8.884e-02) y significativo (p < 0.01), lo que indica que a medida que aumenta la antigüedad, la probabilidad de rotación disminuye.

- Horas_Extra: Coeficiente positivo (1.539e+00) y muy significativo (p < 2e-16), indica que más horas extra están asociadas con una mayor probabilidad de rotación.

- Estado Civil (Casado, Divorciado): Ambas categorías tienen coeficientes negativos y significativos, lo que sugiere que las personas casadas o divorciadas tienen menor probabilidad de rotación en comparación con otras categorías (como solteros).

- Cargos Directivos (Director_Investigación, Director_Manofactura, Gerente): Estos cargos presentan coeficientes negativos y significativos, indicando que tienen menor probabilidad de rotación comparados con otros cargos operativos o de menor jerarquía.

Coeficientes No significativos

-Ingreso_Mensual: Aunque su coeficiente es positivo, su valor p es 0.352633, lo que indica que no es significativo para explicar la rotación en este modelo.

-CargoRecursos_Humanos: La rotación de esta cargo no es significativo, con un valor p de 0.819.

5. Evaluar el poder Predictivo

# Predicciones sobre el conjunto de prueba (probabilidades)
predicciones_prob = predict(modelo_logistico, newdata = DataTest, type = "response")

# Generar la curva ROC
roc_obj = roc(DataTest$Rotación, predicciones_prob)

## Setting levels: control = 0, case = 1

## Setting direction: controls < cases

# Calcular y mostrar el AUC
auc(roc_obj)

## Area under the curve: 0.7949

# Graficar la curva ROC
plot(roc_obj, col = "blue", main = "Curva ROC - Modelo Logístico")

6. Conclusiones

El modelo de regresión logística ha demostrado un desempeño predictivo aceptable, con una AUC de 0.7949, lo que indica una buena capacidad para discriminar entre empleados que rotan y aquellos que no.

El análisis muestra que los empleados con menor antigüedad en el cargo tienen un mayor riesgo de rotación. Esto sugiere que los primeros años en la empresa son críticos para la retención. Se recomienda implementar programas específicos dirigidos a empleados nuevos, tales como mentorías, revisiones de desempeño regulares y planes de desarrollo profesional. Estas estrategias pueden aumentar su compromiso y satisfacción, minimizando la rotación temprana.

El modelo destaca que las horas extra son un factor altamente significativo en la rotación, lo que indica que el trabajo excesivo puede estar relacionado con insatisfacción laboral. Para mitigar este riesgo, es importante establecer políticas que limiten las horas extras, promover un equilibrio entre la vida laboral y personal, y ofrecer alternativas como la posibilidad de compensar las horas extras con tiempo libre adicional o implementar horarios flexibles.

Los empleados casados y divorciados tienen menos probabilidad de rotar en comparación con los solteros, lo que puede estar vinculado a la necesidad de estabilidad familiar. Para fomentar la retención de estos grupos, la empresa puede ofrecer beneficios específicos como seguros médicos familiares, licencias parentales extendidas y programas de apoyo familiar, tales como guarderías o flexibilidad para atender responsabilidades familiares incentivando asi la estabilidad familiar del grupo de empleados.

Los roles de Director de Investigación, Director de Manufactura, Gerente, Investigador Científico y Representante de Salud muestran una menor probabilidad de rotación, lo que indica que estos empleados tienden a mantenerse en la empresa por periodos más largos. No obstante, es fundamental asegurar que continúen motivados mediante oportunidades de crecimiento y condiciones laborales óptimas. Su retención es clave para la estabilidad organizacional, por lo que se debe evaluar periódicamente su satisfacción y ofrecer incentivos adecuados.

Aunque el ingreso mensual no fue un predictor significativo en el modelo, no se debe subestimar la importancia de mantener salarios competitivos. La percepción de salarios bajos podría ser un factor de insatisfacción que eventualmente aumente la rotación. Se recomienda continuar monitoreando las políticas salariales para garantizar que los empleados no busquen mejores oportunidades en el mercado laboral.

Estrategias para Reducir la Rotación:

i. Empleados con menor antigüedad en el cargo:

Programas de Mentoría: Implementar programas de mentoría que asignen mentores experimentados a los empleados nuevos para guiarlos en su desarrollo profesional y adaptación a la cultura organizacional. Esto ayudará a los empleados a sentirse apoyados desde el principio y reducirá la sensación de aislamiento.

Revisiones de Desempeño Regulares: Establecer un calendario de revisiones de desempeño más frecuentes durante los primeros años del empleado en la empresa. Estas revisiones deben incluir retroalimentación constructiva y planes de acción para mejorar sus habilidades y rendimiento.

Planes de Desarrollo Profesional: Ofrecer planes de desarrollo claros y personalizados que identifiquen oportunidades de capacitación, crecimiento y promoción dentro de la empresa. Proporcionar objetivos y metas de carrera a los empleados desde el principio puede aumentar su compromiso y reducir la rotación temprana.

ii. Estrategias para reducir las horas extra excesivas:

Política de Horas Extra Controladas: Implementar una política que limite la cantidad de horas extra permitidas a los empleados. Esto puede incluir establecer un máximo de horas extra por semana o mes, así como una aprobación previa para realizar horas extra.

Compensación con Tiempo Libre: Crear programas de compensación que permitan a los empleados que trabajan horas extra tomar tiempo libre adicional en días específicos. Esta flexibilidad puede ayudar a mejorar el equilibrio entre la vida laboral y personal.

Horarios Flexibles y Trabajo Remoto: Introducir horarios de trabajo flexibles, permitiendo a los empleados ajustar su jornada laboral de acuerdo con sus necesidades personales. El trabajo remoto en algunos días también puede ayudar a reducir la carga de trabajo y aumentar la satisfacción.

iii. Estrategias para empleados casados y divorciados:

Beneficios Familiares: Ofrecer seguros médicos familiares que cubran no solo al empleado, sino también a sus dependientes. Además, brindar acceso a planes de ahorro para la educación de los hijos o a programas de bienestar familiar.

Guarderías y Programas de Apoyo Familiar: Facilitar el acceso a guarderías en el lugar de trabajo o proporcionar subsidios para el cuidado infantil. También se puede ofrecer flexibilidad para que los empleados asistan a eventos familiares o manejen responsabilidades relacionadas con su familia.

Licencias Parentales Extendidas: Ampliar las licencias de maternidad/paternidad para promover la estabilidad laboral en momentos clave de la vida familiar. Esto no solo genera confianza y lealtad, sino que también reduce el estrés asociado con el cuidado de los hijos y el trabajo.

iv. Estrategias para la retención en cargos clave (Directores, Gerentes, Investigadores, Representantes de Salud):

Oportunidades de Crecimiento: Ofrecer constantemente oportunidades de crecimiento profesional, como promociones internas, capacitaciones avanzadas y liderazgo en proyectos estratégicos, que mantengan a los empleados motivados y comprometidos.

Evaluaciones de Satisfacción: Realizar encuestas periódicas de satisfacción laboral específicamente dirigidas a estos roles clave para identificar posibles áreas de mejora en las condiciones laborales y bienestar general.

Bonificaciones y Reconocimientos: Implementar un sistema de incentivos y bonificaciones alineado con el desempeño de estos empleados. Además, reconocer públicamente sus logros y contribuciones a la empresa puede reforzar su lealtad y motivación.

v. Monitoreo de la competitividad salarial:

Revisión Salarial Periódica: Continuar realizando revisiones salariales anuales o semestrales para asegurarse de que los salarios se mantengan competitivos en comparación con el mercado. Esto puede incluir la evaluación de informes de remuneración del sector y la identificación de brechas salariales.

Programas de Incentivos: Si bien los salarios base no resultaron ser un predictor significativo de la rotación, se recomienda ofrecer incentivos adicionales basados en el rendimiento, como bonificaciones por objetivos cumplidos o gratificaciones por lealtad a la empresa.