Análisis Rotación de Cargo
Diana Marcela Aguirre León, Gabriel Orozco Castaño
2024-09-30
Problema: 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.
1. Identificación Variables Dataset
.
Con el fin de seleccionar 3 variables categóricas y 3 variables cuantitativas, que se consideren relacionadas con la rotación, se procede a realizar un panálisis preliminar del dataset a fin de realizar la preselección.
Las variables contenidas en la base son:
## [1] "Rotación" "Edad"
## [3] "Viaje de Negocios" "Departamento"
## [5] "Distancia_Casa" "Educación"
## [7] "Campo_Educación" "Satisfacción_Ambiental"
## [9] "Genero" "Cargo"
## [11] "Satisfación_Laboral" "Estado_Civil"
## [13] "Ingreso_Mensual" "Trabajos_Anteriores"
## [15] "Horas_Extra" "Porcentaje_aumento_salarial"
## [17] "Rendimiento_Laboral" "Años_Experiencia"
## [19] "Capacitaciones" "Equilibrio_Trabajo_Vida"
## [21] "Antigüedad" "Antigüedad_Cargo"
## [23] "Años_ultima_promoción" "Años_acargo_con_mismo_jefe"1.1. Análisis Preliminar
.
En primera instancia se identifica que la variable clave es ROTACIÓN, la cual que indica si un empleado ha dejado la empresa o no. Es una variable categórica y es el resultado que se quiere predecir en función de otras características. Se identifica que el 84% de las personas no han salido de la compañía vs un 16% que sí se han ido, lo que representan 1.233 y 237 empleados, respectivamente.
Se evidencia que no hay datos nulos o vacíos, por lo que no es necesario algún tipo de imputación.
En la base se evidencia una muestra de 1.470 individuos, en la que la edad promedio de los empleados es de 36,92 años, con un rango que varía entre los 18 y 60 años; lo que podría generar que tengan diferentes intereses, condiciones de vida e incluso percepciones de aspectos como la satisfacción laboral.
El ingreso promedio es de 6.503, con un rango entre 1.009 y 19.999; lo que puede sugerir grandes diferencias en remuneración. El ingreso mensual y el porcentaje de aumento salarial podrían pensarse como factores clave pues los empleados con ingresos más bajos y pocas oportunidades de aumento pueden ser más propensos a cambiar de trabajo.
Los años de experiencia son en promedio 11.28, lo que puede indicar que se encuentra con personal competitivo en sus cargos.
Variables como la satisfacción laboral, satisfacción ambiental y el equilibrio trabajo-vida podrían tener una relación directa con la rotación. Empleados con bajas puntuaciones en estas áreas son más propensos a dejar la empresa.
Factores como la distancia desde casa y las horas extra pueden generar desgaste en los empleados, especialmente si afecta su calidad de vida. Esto podría aumentar la tendencia a dejar la empresa.
La falta de capacitaciones y promociones puede llevar a los empleados a buscar oportunidades externas, especialmente aquellos que no ven posibilidades de avanzar en su carrera.
El tiempo trabajando con el mismo jefe también puede influir. Si no hay una buena relación o el empleado se siente estancado, podría considerar un cambio.
El 65.37% trabajan en el departamento de investigación y desarrollo; mientras que el 30.34% en el departamento de ventas y solo el 4.29% en Recursos Humanos. El 41.22% de los empleados están relacionados con el campo de educación de ciencia; lo que resulta coherente con la participación de las personas en el departamento de investigacion y desarrollo.
En cuanto a educación, la mayoría de personas se encuentran en el nivel 3 y 4; con una representación del 38,91% y 27.07% respectivamente.
En cuanto a satisfacción ambiental, la distribución se encuentra hacia los niveles 3 y 4, de 30.82% y 30.34% respectivamente; muy parecido se encuentra la distribución en el nivel de satisfacción laboral, con una calificación del 31.22% para el nivel 4.
Tan solo el 28.30% realizan horas extras.
En resumen, en esta observación preliminar se sugiere que la rotación puede estar influenciada por una combinación de factores de satisfacción laboral, compensación, equilibrio entre la vida personal y laboral, y oportunidades de crecimiento.
1.2. Análisis Gráfico (preliminar)
.
- Gráfico “Edad” en función de “Rotación”
Se evidencia que mayoritariamente, las personas que sí rotan se encuentran en edades entre 30 y 40 años, y disminuye cada vez más de acuerdo con el incremento en la edad. También se evidencian datos atípicos de personas que dejaron la compañía con edades por encima a 55. En cuanto a la comparación del grupo de personas que no rotan vs los que sí rotan, se evidencia un cambio significativo en la mediana.
. .
- Gráfico “Viaje de Negocios” en función de “Rotación”
Se evidencia un incremento en la rotación para las personas que viajan
frecuentemente. Se tiene una mayor estabilidad en las personas que
raramente viajan.
. .
- Gráfico “Departamento” en función de “Rotación”
El departamento de Ventas es el que sufre mayor rotación en proporción a sus empleados. Recursos Humanos presenta un leve crecimiento.
. .
- Gráfico “Distancia Casa” en función de “Rotación”
par(mfrow = c(1, 1))
# Crear un boxplot para la distancia de casa según la rotación
boxplot(Distancia_Casa ~ Rotación, data = rotacion,
xlab = "Rotación",
ylab = "Distancia Casa",
main = "Distancia de Casa según Rotación",
col = c("darkgreen", "red"),
names = c("No Rotación", "Sí Rotación"))
Se evidencia una mayor rotación en aquellos empleados que viven a una distancia más lejanda de la empresa; sin embargo, debido a la similitud en la mediana, esta variable resulta no ser significativa ni determinante.
. .
- Gráfico “Educación” en función de “Rotación”
La educación aparentemente no es un factor determinante en la rotación, ya que tiene un comportamiento similar.
. .
- Gráfico “Campo Educación” en función de “Rotación”
El campo de eduación, a simple viste, no refleja un patrón determinante que influya en la rotación del personal. . .
- Gráfico “Satisfacción Ambiental” en función de “Rotación”
El grupo de personas que más rota es el que le otorga la calificación más baja a satisfacción ambiental; por lo tanto podría ser considerado como un factor determinante frente a la rotación, debido a que una baja satisfacción ambiental puede generar la búsqueda de nuevas oportunidades de sus empleados. . .
- Gráfico de la variable “Género” en función de “Rotación”
El género no es una variable determinante que afecte la rotación, ya que
cuenta con un comportamiento similar en los diferentes grupos.
. .
- Gráfico “Cargo” en función de “Rotación”
Los técnicos de laboratorio cuentan con una mayor rotación, posiblemente
cuenten con altas oportunidades en el mercado.
. .
- Gráfico “Satisfacción Laboral” en función de “Rotación”
La satisfacción laboral, a diferencia de la ambiental, no cuenta con un patrón claro sobre la rotación; puesto que para este caso, aquellas personas que más rotan son los que le dieron una calificación de 3. . .
- Gráfico “Estado Civil” en función de “Rotación”
El grupo de personas con estado civil “soltero”, son los que más rotan,
esto puede ser debido a que no cuentan con ciertas responsabilidades y
cuentan con la posibilidad de buscar nuevas oportunidades.
. .
- Gráfico “Ingreso Mensual” en función de “Rotación”
El ingreso mensual se visualiza determinante en la rotación, puesto que
a menor niveles de ingreso mayor incremento en la rotación; esto se
puede dar ya que las personas encuentran mayores oportunidades en
trabajos mejor remunerados. .
.
- Gráfico de la variable “Trabajos Anteriores” en función de “Rotación”
No se visualiza un patrón claro sobre la rotación del personal en
función del númerod e trabajos anteriores. .
.
- Gráfico “Horas Extra” en función de “Rotación”
Se muestra una mayor estabilidad en las personas que NO rotan y NO
realiza horas extra. En cuanto a las personas que si rotan, se ve un
pequeño incremento hacia aquellas que si tienen horas extra. Por lo
tanto, no necesariamente esta variable sea un factor determinante de
rotación, pero sí podría estar muy relacionada a tomar la decisión de no
rotan. . .
- Gráfico “Porcentaje Aumento Salarial” en función de “Rotación”
# Configurar el diseño de gráficos en 1 fila y 1 columna
par(mfrow = c(1, 1))
# Crear un boxplot para el porcentaje de aumento salarial según la rotación
boxplot(Porcentaje_aumento_salarial ~ Rotación, data = rotacion,
xlab = "Rotación",
ylab = "Porcentaje de Aumento Salarial",
main = "Porcentaje de Aumento Salarial según Rotación",
col = c("darkgreen", "red"),
names = c("No Rotación", "Sí Rotación"),
border = "black")
No se visualiza un patrón muy claro en la relación de rotación e
incremento salarial. .
.
- Gráfico de la variable “Rendimiento Laboral” en función de “Rotación”
En rendimiento laboral, no hay comportamiento visuble que defina la
relación con la rotación. .
.
- Gráfico “Años Experiencia” en función de “Rotación”
# Configurar el diseño de gráficos en 1 fila y 2 columnas
par(mfrow = c(1, 2))
# Histograma para personas que NO rotan
hist(rotacion$Años_Experiencia[rotacion$Rotación == "No"],
main = "Personas que NO rotan",
xlab = "Años de Experiencia Laboral",
col = "darkgreen",
border = "black",
breaks = 10, # Ajusta el número de intervalos si es necesario
xlim = range(rotacion$Años_Experiencia, na.rm = TRUE))
# Histograma para personas que SÍ rotan
hist(rotacion$Años_Experiencia[rotacion$Rotación == "Si"],
main = "Personas que SÍ rotan",
xlab = "Años de Experiencia Laboral",
col = "red",
border = "black",
breaks = 10, # Ajusta el número de intervalos si es necesario
xlim = range(rotacion$Años_Experiencia, na.rm = TRUE))
Se visualiza que las personas que más rotan, son aquellas que tienen
poco años de experiencia laboral. .
.
- Gráfico de la variable “Capacitaciones” en función de “Rotación”
En la variable capacitaciones, no se visualiza un patrón claro sobre la
rotación. . .
- Gráfico de la variable “Equilibrio Trabajo Vida” en función de “Rotación”
La variable equilibrio trabajo vida, cuenta con datos similares en los dos grupos; por lo tanto, no se consideraría trascendental. . .
- Gráfico “Antiguedad” en función de “Rotación”
se evidencia que las personas con mayor antiguedad tienen a quedarse
dentro de la compañía; a diferencia de aquellas personas que llevan poco
tiempo dentro de la organización. Esto podría significar que con el paso
de los años, las personas van adquiriendo mayor sentido de pertenencia
con la empresa. .
.
- Gráfico “Antiguedad Cargo” en función de “Rotación”
Las personas con mayor antiguedad en sus cargos, tienden a quedarse
mucho más tiempo dentro de la organización. .
.
- Gráfico “Años Ultima Promocion” en función de “Rotación”
Posiblemente esta variable esté relacionada con el grupo de personas con menos antiguedad dentro de la organización, en donde la rotación podría estar más relacionado a los años de antiguedad dentro de la organización que en cuato a la última promoción. . .
- Gráfico “Años a Cargo con Mismo Jefe” en función de “Rotación”
par(mfrow = c(1, 2))
# Graficar la distancia de casa frente a un índice o variable auxiliar para el grupo "No - Rotacion"
plot(rotacion$Años_acargo_con_mismo_jefe[rotacion$Rotación == "No"],
ylab = "Años a Cargo con el Mismo Jefe",
xlab = "Índice",
main = "Personas que NO rotan",
pch = 19,
col = "darkgreen")
# Graficar la distancia de casa frente a un índice o variable auxiliar para el grupo "Sí - Rotacion"
plot(rotacion$Años_acargo_con_mismo_jefe[rotacion$Rotación == "Si"],
ylab = "Años a Cargo con el Mismo Jefe",
xlab = "Índice",
main = "Personas que SI rotan",
pch = 19,
col = "red")
1.3 Análisis de Correlación
Para garantizar que no se escojan variables redundantes, se realiza gráfico de correlación:
Con la matriz de correlación se evidencian correlaciones significativas en las siguientes variables:
- Edad y años de experiencia. Correlación fuerte; esto tiene sentido, ya que generalmente, a mayor edad, mayor es la experiencia laboral acumulada.
- Ingreso mensual y años de experiencia. Correlación fuerte; esto es lógico, ya que con más años de experiencia, es común que los salarios aumenten.
- Años de experiencia y antiguedad. Correlación fuerte; es esperado porque mientras más años de experiencia, más probable es que una persona tenga más antigüedad en su empresa actual
- Antiguedad y antiguedad cargo. Correlación moderada; Esto refleja que las personas con más antigüedad en la empresa también suelen haber permanecido más tiempo en el mismo cargo.
- Antiguedad y años de última promoción. Correlación moderada; tiene lógica que mientras más tiempo pase en la empresa, más tiempo haya pasado desde la última promoción.
- Antiguedad y años a cargo con el mismo jefe. Correlación moderada; Este valor sugiere que aquellos con más antigüedad tienden a haber trabajado más tiempo con el mismo jefe.
- Antiguedad cargo y años de experiencia con el mismo jefe. Correlación moderada; Esto sugiere que las personas que han estado más tiempo en el mismo cargo han trabajado más tiempo con el mismo jefe.
Se busca elegir entonces una combinación de variables que tengan correlación alta con la variable objetivo pero que en lo posible, entre las predictivas no la tengas, para evitar redundancia.
2. Selección de Variables
Dado el análisis preliminar de cada variable y también considerando las correlaciones, se realizó la siguiente selección:
2.1. Variables cuantitativas
.
Ingreso mensual.
Edad.
Antigüedad cargo.
.
Ingreso Mensual: El salario es un factor crítico que puede influir en la satisfacción laboral y la decisión de un empleado de permanecer en la empresa. Un ingreso mensual competitivo es fundamental para atraer y retener talento. Además, puede estar relacionado con la rotación; empleados con salarios más bajos pueden estar más propensos a buscar nuevas oportunidades.
Edad: La edad puede estar relacionada con la estabilidad laboral y la experiencia. Empleados más jóvenes pueden tener una mayor tasa de rotación debido a la búsqueda de oportunidades de crecimiento y desarrollo, mientras que empleados mayores pueden estar más inclinados a permanecer en la empresa por razones de estabilidad, sentido de pertenencia y seguridad. Analizar la relación entre la edad y la rotación puede proporcionar información sobre las tendencias generacionales en el lugar de trabajo.
Antigüedad en el Cargo: La antigüedad en el cargo puede reflejar la satisfacción del empleado con su posición actual. Una mayor antigüedad puede estar asociada con un mayor compromiso y lealtad hacia la empresa. Analizar esta variable permite identificar si los empleados que permanecen más tiempo en un mismo cargo son menos propensos a abandonar la empresa, lo cual es crucial para entender el fenómeno de la rotación.
2.2. Variables categóricas
.
Viaje de negocios.
Estado civil.
Horas extra.
.
Viaje de Negocios: La necesidad de viajar puede influir en la satisfacción laboral. Algunos empleados pueden disfrutar de los viajes como parte de su trabajo, mientras que otros pueden considerarlo un inconveniente. Comprender cómo el viaje de negocios afecta la rotación puede ayudar a la empresa a adaptar las condiciones laborales y mejorar la retención.
Estado Civil: El estado civil puede influir en la disponibilidad y el compromiso de un empleado. Por ejemplo, empleados solteros pueden estar más dispuestos a mudarse o aceptar un trabajo que implique más horas, mientras que empleados casados o con hijos pueden buscar mayor estabilidad. Analizar cómo el estado civil se relaciona con la rotación puede ofrecer perspectivas sobre las necesidades de diferentes grupos demográficos.
Horas Extra (Sí/No): La necesidad de trabajar horas extra puede ser un indicador del equilibrio entre trabajo y vida personal. Empleados que regularmente trabajan horas extra pueden sentirse sobrecargados y, como resultado, ser más propensos a buscar otras oportunidades. Evaluar esta variable puede ayudar a identificar si la carga de trabajo está influyendo en la decisión de los empleados de dejar la empresa.
2.3. Hipótesis
.
En resumen, la combinación de estas variables cuantitativas y categóricas permite realizar un análisis integral que aborda diferentes aspectos del entorno laboral y la vida de los empleados. Evaluar cómo estas variables se relacionan con la rotación puede proporcionar información valiosa para desarrollar estrategias de retención efectivas y mejorar la satisfacción general de los empleados en la organización.
Ingreso Mensual: A medida que el ingreso mensual de los empleados aumenta, la probabilidad de rotación disminuye.
Edad: La rotación de personal es menor en empleados de mayor edad en comparación con empleados más jóvenes.
Antigüedad en el Cargo: Los empleados con mayor antigüedad en su cargo tienen una menor probabilidad de rotación.
Viaje de Negocios: Los empleados que deben realizar viajes de negocios tienen una mayor probabilidad de rotación en comparación con aquellos que no viajan.
Estado Civil: Los empleados casados tienen una menor probabilidad de rotación en comparación con empleados solteros.
Horas Extra: Los empleados que trabajan horas extra tienen una mayor probabilidad de rotación en comparación con aquellos que no trabajan horas extra.
El ejercicio siguiente será determinar si las variables seleccionadas tienen un impacto significativo en la rotación de personal, así como cuantificar la magnitud y dirección de estas relaciones. Esto permitirá a la organización tomar decisiones informadas sobre estrategias de retención y gestión del talento.
2.4. Análisis Univariado
A continuación se realiza una análisis univariado de las variables seleccionadas.
##
## Analisis de: Ingreso_Mensual
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1009 2911 4919 6503 8379 19999
##
## Analisis de: Edad
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 18.00 30.00 36.00 36.92 43.00 60.00
##
## Analisis de: Antigüedad_Cargo
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.000 2.000 3.000 4.229 7.000 18.000
##
## Analisis de: Viaje de Negocios
##
## Frecuentemente No_Viaja Raramente
## 277 150 1043
##
## Analisis de: Estado_Civil
##
## Casado Divorciado Soltero
## 673 327 470
##
## Analisis de: Horas_Extra
##
## 0 1
## 1054 416
Ingreso: Observamos que la mayoría de los empleados ganan entre 2000 y 5000 unidades monetarias. Hay un número más pequeño de empleados con salarios por encima de los 10,000, y algunos ganan incluso cerca de 20,000. Esto indica que la distribución es sesgada a la derecha, lo que significa que hay auna minoría de empleados que ganan salarios muy altos, lo que podría estar influenciado por la antigüedad o el cargo de estos empleados.
Edad: el rango intercuartil (IQR) de la edad está entre los 30 y 45 años, lo que indica que la mayoría de los empleados están en ese rango. Hay empleados en casi todos los grupos de edad, con un ligero descenso a partir de los 45 años. No hay muchos valores atípicos. Esto sugiere que la edad de los empleados está relativamente concentrada dentro de estos límites, sin desviaciones significativas. Esto denota que la mayoría de los empleados están concentrados en las etapas medias de sus carreras. profesionales.
Antigüedad_Cargo: La mayoría de los empleados tienen entre 0 y 3 años de antigüedad en su cargo, con un pico considerable en el rango de 0 a 1 años. Hay una tendencia decreciente en la frecuencia conforme aumenta la antigüedad en el cargo. A partir de 5 años, el número de empleados con mayor antigüedad disminuye drásticamente. Esto sugiere que una gran parte de los empleados tiene poca antigüedad en su posición actual, lo que podría implicar un ciclo de rotación relativamente corto o una reciente contratación masiva.
Viajes: La mayoría de los empleados rara vez viajan, y muy pocos no viajan o viajan con frecuencia. Del total de los registros, el 70.95% rara vez viajan por negocios, mientras que el 18.84% viajan frecuentemente. Esto podría implicar que el impacto del viaje de negocios en la rotación depende de las frecuencias más bajas, ya que una parte significativa de la muestra no realiza viajes frecuentes.
Estado CIvil: La mayoría de los empleados están casados, seguido de los solteros. Los empleados divorciados constituyen la menor proporción. El estado civil podría tener implicaciones en el análisis de rotación, ya que personas casadas podrían tener menos inclinación a cambiar de trabajo debido a sus responsabilidades familiares.
Horas Extras: Más de 1000 empleados NO realizan horas extras. Claramente, hay un mayor número de empleados que NO trabajan horas extra en comparación con aquellos que lo hacen. Esto podría reflejar una política de la empresa para evitar sobrecargas de trabajo o simplemente una falta de necesidad de horas adicionales.
2.5. Análisis Bivariado
Cantidad de personas que han rotado (Y=1) y que No han rotado (Y=0):
##
## 0 1
## 1233 2372.5.1 Ingreso Mensual - variable cuantitativa
## rotacion$Rotación: 0
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1051 3211 5204 6833 8834 19999
## ------------------------------------------------------------
## rotacion$Rotación: 1
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1009 2373 3202 4787 5916 19859## rotacion$Rotación: 0
## [1] 5623
## ------------------------------------------------------------
## rotacion$Rotación: 1
## [1] 3543
## [1] 0.6877019##
## Welch Two Sample t-test
##
## data: Ingreso_Mensual by Rotación
## t = 7.4826, df = 412.74, p-value = 4.434e-13
## alternative hypothesis: true difference in means between group 0 and group 1 is not equal to 0
## 95 percent confidence interval:
## 1508.244 2583.050
## sample estimates:
## mean in group 0 mean in group 1
## 6832.740 4787.093Teniendo en cuenta la prueba t de welch, se tiene una gran diferencia en la media de los grupos 0 y 1 (0 = NO rotan; 1 = SI rotan); en donde la media de los ingresos mensuales es significativamente mayor para los empleados que no rotan (6833) en comparación con aquellos que rotan (4787). La diferencia entre ambas medias es de aproximadamente 2046, y esta diferencia es estadísticamente significativa.
Teniendo en cuenta que p-value es menor a 5%; nos indica que las diferencias en la media de ambos grupos resulta ser real.
Teniendo en cuenta el resultado del coeficiente de contingencia por valor de 0.6877, indicaría una relación fuerte entre las dos variables; por lo tanto, el ingreso mensual puede llegar a determinar si un empleado rota o continúa en la compañía.
La gráfica muestra que el grupo con “Sí Rotación” soporta lo anterior, pues parece tener una distribución más sesgada hacia ingresos más bajos, mientras que el grupo con “No Rotación” parece tener ingresos más uniformemente distribuidos.
2.5.2 Edad - variable cuantitativa
##
## 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42
## 0 4 3 5 7 11 10 19 20 27 45 34 50 51 51 50 46 68 68 63 44 56 36 52 34 44
## 1 4 6 6 6 5 4 7 6 12 3 14 18 9 18 11 12 9 10 6 6 2 6 5 6 2
##
## 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60
## 0 30 26 40 29 21 17 22 25 17 15 17 18 19 11 4 9 10 5
## 1 2 6 2 4 3 2 2 5 2 3 2 0 3 3 0 5 0 0
##
## Pearson's Chi-squared test
##
## data: rotacion$Rotación and rotacion$Edad
## X-squared = 119.41, df = 42, p-value = 2.38e-09## [1] 0.2740957## [1] 0.2850109##
## Welch Two Sample t-test
##
## data: Edad by Rotación
## t = 5.8291, df = 316.94, p-value = 1.371e-08
## alternative hypothesis: true difference in means between group 0 and group 1 is not equal to 0
## 95 percent confidence interval:
## 2.619728 5.289170
## sample estimates:
## mean in group 0 mean in group 1
## 37.56204 33.60759Dado el elevado valor del estadístico chi-cuadrado (X² = 119.41), se sugiere que existe una relación significativa entre las variables edad y rotación. Este hallazgo se refuerza con un p-value menor al 5%, lo que indica que la relación observada entre ambas variables no es fruto del azar. En otras palabras, la rotación laboral parece estar asociada con diferentes rangos de edad.
El coeficiente de contingencia, con un valor de 0.274, muestra que la relación entre la edad y la rotación es moderada. Esto implica que, aunque existe una asociación, esta no es muy fuerte.De manera similar, el valor de Cramér’s V, que es de 0.285, también indica una asociación moderada entre edad y rotación, corroborando la idea de que la edad influye en la rotación, pero no de manera contundente.
En resumen, se puede afirmar que la rotación laboral está relacionada con la edad, aunque no se trata de una relación extremadamente fuerte.
Por otro lado, el análisis de la prueba t muestra que existe una diferencia significativa en la edad entre los dos grupos de rotación. Los empleados que NO rotan tienen una media de edad de 37.56 años, mientras que aquellos que SÍ rotan presentan una media de 33.61 años.
Finalmente, al observar las distribuciones de edad, se aprecia que la mayoría de las personas que no rotan (barras verdes) están en el rango de edad de 25 a 40 años. En cambio, aquellos que sí rotan (barras rojas) constituyen una fracción menor en cada grupo de edad, con una mayor incidencia entre los 30 y 35 años.
2.5.3 Antiguedad Cargo - variable cuantitativa
# Histograma con Curva de Densidad
hist(rotacion$Antigüedad_Cargo[rotacion$Rotación == 1],
probability = TRUE,
main = "Distribución de Antigüedad en Cargo por Rotación",
xlab = "Antigüedad en Cargo",
col = rgb(1, 0, 0, 0.5), # Color rojo con transparencia para el grupo que sí rota
xlim = range(rotacion$Antigüedad_Cargo, na.rm = TRUE))
# Curva de Densidad para el grupo que rota
lines(density(rotacion$Antigüedad_Cargo[rotacion$Rotación == 1], na.rm = TRUE),
col = "red", lwd = 2)
# Añadir Histograma para el grupo que no rota
hist(rotacion$Antigüedad_Cargo[rotacion$Rotación == 0],
probability = TRUE,
add = TRUE,
col = rgb(0, 0.5, 0, 0.5)) # Color verde oscuro con transparencia
# Curva de Densidad para el grupo que no rota
lines(density(rotacion$Antigüedad_Cargo[rotacion$Rotación == 0], na.rm = TRUE),
col = "darkgreen", lwd = 2)
# Leyenda
legend("topright",
legend = c("Sí Rotación", "No Rotación"),
fill = c(rgb(1, 0, 0, 0.5), rgb(0, 0.5, 0, 0.5))) # Colores de la leyenda
## rotacion$Rotación: 0
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.000 2.000 3.000 4.484 7.000 18.000
## ------------------------------------------------------------
## rotacion$Rotación: 1
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.000 0.000 2.000 2.903 4.000 15.000## [1] 0.2047168Los resultados anteriores demuestran diferencias significativas en la antigüedad en el cargo entre los grupos de rotación. El grupo que no rota tiene una antigüedad media de 4.48 años, mientras que aquellos que sí rotan presentan una media de 2.90 años, lo que sugiere una mayor probabilidad de rotación en empleados con menor antigüedad en el cargo.
2.5.4 Viaje de negocios - variable categórica
##
## Frecuentemente No_Viaja Raramente
## 0 208 138 887
## 1 69 12 156
##
## Pearson's Chi-squared test
##
## data: rotacion$Rotación and rotacion$`Viaje de Negocios`
## X-squared = 24.182, df = 2, p-value = 5.609e-06## [1] 0.1272178## [1] 0.12826El valor elevado de la prueba de chi-cuadrado sugiere que existe una relación entre las variables “viaje de negocios” y “rotación”. Esto indica que la forma en la que los empleados rotan en sus cargos está asociada con su participación en viajes de negocios.
Por otro lado, al observar el coeficiente de contingencia (0.1272), se puede concluir que, aunque la relación entre la rotación de empleados y los viajes de negocios es estadísticamente significativa, como lo evidencia el valor p y el estadístico de chi-cuadrado, la fuerza de esta relación es débil, según lo muestra el coeficiente de contingencia.
Es interesante observar en la gráfica de “Viajes de Negocio” que tanto las personas que sí rotan como las que no rotan están fuertemente representadas en la categoría “Raramente”. Este hecho sugiere que, aunque una baja frecuencia de viajes podría estar asociada con la rotación de empleados, también hay un grupo considerable que, a pesar de viajar poco, no rota. Esto plantea una interpretación más compleja del fenómeno, y algunas posibles explicaciones incluyen:
Variedad de factores adicionales: El hecho de que los empleados que raramente viajan estén representados tanto en los que rotan como en los que no rotan indica que los viajes de negocio no son el único factor que determina la rotación.
Relación no lineal o indirecta: La relación entre la frecuencia de viajes y la rotación podría no ser directa. Por ejemplo, puede haber empleados que, a pesar de viajar poco, se sientan cómodos y no busquen cambiar de puesto por otras razones, mientras que otros que también viajan poco podrían sentir más inestabilidad o insatisfacción, lo que los lleva a rotar. Esto indicaría que la relación entre estas variables es multifactorial.
Condiciones específicas del grupo: Otra posibilidad es que haya características demográficas o del puesto en común en el grupo que viaja raramente, que influencian tanto a los que rotan como a los que no. Por ejemplo, quienes viajan raramente pueden estar en puestos con menos oportunidades de promoción o rotación, pero al mismo tiempo, podrían ser roles donde algunos empleados encuentren suficiente estabilidad para no necesitar cambiar de puesto.
En resumen, aunque viajar “Raramente” puede estar asociado con la rotación, este comportamiento no es universal, por tanto relación entre “Viaje de Negocios” y “Rotación” está mediada por múltiples factores, más allá de la simple frecuencia de viajes.
2.5.5 Estado civil - variable categórica
##
## Casado Divorciado Soltero
## 0 589 294 350
## 1 84 33 120
##
## Pearson's Chi-squared test
##
## data: rotacion$Rotación and rotacion$Estado_Civil
## X-squared = 46.164, df = 2, p-value = 9.456e-11## [1] 0.1744927## [1] 0.1772113## rotacion$Estado_Civil: Casado
## Casado Divorciado Soltero
## 673 0 0
## ------------------------------------------------------------
## rotacion$Estado_Civil: Divorciado
## Casado Divorciado Soltero
## 0 327 0
## ------------------------------------------------------------
## rotacion$Estado_Civil: Soltero
## Casado Divorciado Soltero
## 0 0 470Teniendo en cuenta los resultados de la prueba chi-cuadrado sugieren que existe una alta relación entre las variables rotación y estado civil. Al tener un alto valor del estadístico chi-cuadrado de 46.164 y el p-valor bajo, indican que la manera en la que los empleados rotan en sus cargos se encuentran asociados con el estado civil, siendo las personas casadas las de mayor estabilidad y las personas solteras las de mayor tendencia a rotar.
2.5.6 Horas extra - variable categórica
##
## 0 1
## 0 944 289
## 1 110 127
## rotacion$Rotación: 0
## 0 1
## 944 289
## ------------------------------------------------------------
## rotacion$Rotación: 1
## 0 1
## 110 127## [1] 0.2389862## [1] 0.246118##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: rotacion$Rotación and rotacion$Horas_Extra
## X-squared = 87.564, df = 1, p-value < 2.2e-16De acuerdo con las funciones previamente analizadas, se puede inferir que las personas que realizan horas extras parecen estar más propensas a la rotación en comparación con aquellas que no las realizan. Esto podría estar vinculado a factores como la satisfacción laboral o la carga de trabajo adicional que implican las horas extras.
El coeficiente de contingencia de 0.2389 sugiere una asociación moderada entre las variables de rotación y horas extras. Al considerar este resultado junto con los valores de Cramér’s V y la prueba de Pearson, se observa que los empleados que rotan tienden a realizar más horas extras, con una media de 0.54, en comparación con aquellos que no rotan, cuyo promedio es de 0.23.
3. Definición y Entrenamiento modelo
A continuación se realiza una partición en los datos de forma aleatoria, donde el 70% es para entrenar el modelo y el 30% para prueba.
##
## Call:
## glm(formula = Rotación ~ Ingreso_Mensual + Edad + Antigüedad_Cargo +
## as.factor(`Viaje de Negocios`) + as.factor(Estado_Civil) +
## as.factor(Horas_Extra), family = binomial(link = "cloglog"),
## data = training.data)
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -5.230e-01 3.964e-01 -1.319 0.187115
## Ingreso_Mensual -8.393e-05 2.955e-05 -2.840 0.004507
## Edad -2.552e-02 1.059e-02 -2.411 0.015908
## Antigüedad_Cargo -6.699e-02 2.922e-02 -2.293 0.021870
## as.factor(`Viaje de Negocios`)No_Viaja -9.236e-01 3.627e-01 -2.546 0.010885
## as.factor(`Viaje de Negocios`)Raramente -4.404e-01 1.818e-01 -2.423 0.015413
## as.factor(Estado_Civil)Divorciado -1.991e-01 2.520e-01 -0.790 0.429478
## as.factor(Estado_Civil)Soltero 6.712e-01 1.779e-01 3.773 0.000161
## as.factor(Horas_Extra)1 1.300e+00 1.611e-01 8.069 7.11e-16
##
## (Intercept)
## Ingreso_Mensual **
## Edad *
## Antigüedad_Cargo *
## as.factor(`Viaje de Negocios`)No_Viaja *
## as.factor(`Viaje de Negocios`)Raramente *
## as.factor(Estado_Civil)Divorciado
## as.factor(Estado_Civil)Soltero ***
## as.factor(Horas_Extra)1 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 885.9 on 1028 degrees of freedom
## Residual deviance: 741.9 on 1020 degrees of freedom
## AIC: 759.9
##
## Number of Fisher Scoring iterations: 6Intercepto: El intercepto es significativo con un valor p bajo, lo que sugiere que, en ausencia de todas las variables predictoras, la probabilidad de rotación es moderadamente baja.
Ingreso Mensual: El ingreso mensual tiene un efecto negativo y significativo sobre la rotación. Esto significa que a medida que aumenta el salario mensual, la probabilidad de rotación disminuye. Aunque el coeficiente es pequeño, su significancia estadística sugiere que el salario es un factor relevante en la decisión de los empleados de quedarse o dejar la empresa. A mayor salario, menor rotación.
Edad: La edad, aunque tiene un efecto negativo, no es estadísticamente significativa (p > 0.05). Esto indica que, en este modelo, la edad por sí sola no tiene un impacto claro en la probabilidad de rotación. A pesar de la tendencia negativa (a mayor edad, menor rotación), no se puede considerar un factor determinante en este contexto.
Antigüedad en el Cargo: Antigüedad en el cargo es una variable altamente significativa (p < 0.001). El coeficiente negativo sugiere que, a medida que los empleados pasan más tiempo en un cargo, su probabilidad de rotación disminuye. Esto concuerda con la intuición: los empleados con mayor antigüedad tienen más estabilidad y son menos propensos a cambiar de trabajo.
Viaje de Negocios: El viaje de negocios es un factor significativo en la rotación. Los empleados que no viajan o que lo hacen raramente tienen una menor probabilidad de rotación en comparación con aquellos que viajan con frecuencia (categoría de referencia). Esto podría interpretarse como que los empleados que no tienen que viajar regularmente pueden sentir más estabilidad o menos presión, lo que reduce su deseo de cambiar de trabajo.
Estado Civil: Ser soltero es un factor significativo en la rotación (p < 0.001), con un coeficiente positivo, lo que indica que los empleados solteros tienen una mayor probabilidad de rotación en comparación con los casados (categoría de referencia). Esto sugiere que los solteros pueden tener mayor flexibilidad o disposición para buscar nuevas oportunidades laborales.
Horas Extra: Las horas extra son un predictor altamente significativo (p < 0.001) y tienen un efecto positivo sobre la rotación. Los empleados que trabajan horas extra tienen una mayor probabilidad de rotación. Este hallazgo es consistente con la hipótesis de que una mayor carga de trabajo puede llevar a insatisfacción laboral, lo que incrementa la probabilidad de que los empleados busquen nuevas oportunidades fuera de la empresa.
En resumen:
Ingreso mensual y antigüedad en el cargo son factores protectores: a mayor salario y más tiempo en el cargo, menor probabilidad de rotación.
Los empleados solteros y aquellos que trabajan horas extra tienen una mayor probabilidad de rotación, sugiriendo que factores como el estado civil y la carga de trabajo juegan un papel importante en la estabilidad laboral.
El viaje de negocios también influye, ya que los empleados que no viajan o lo hacen raramente tienden a rotar menos.
Edad y el estado civil de ser divorciado no muestran significancia estadística en este modelo, aunque pueden tener cierta relevancia dependiendo de otros factores no considerados en el modelo actual.
4. Evaluación del modelo
con base en la curva ROC y el AUC en el set de datos de prueba.
## (Intercept) Ingreso_Mensual
## -5.229741e-01 -8.392951e-05
## Edad Antigüedad_Cargo
## -2.552210e-02 -6.699310e-02
## as.factor(`Viaje de Negocios`)No_Viaja as.factor(`Viaje de Negocios`)Raramente
## -9.236446e-01 -4.403695e-01
## as.factor(Estado_Civil)Divorciado as.factor(Estado_Civil)Soltero
## -1.990688e-01 6.712247e-01
## as.factor(Horas_Extra)1
## 1.299752e+00## 1 2 3 4 5 6
## -1.6625309 -2.2637389 -0.7745944 -2.1362218 -0.6629686 -2.1337824Con el código anterior, se generan predicciones de rotación utilizando el logaritmo de las probabilidades. Al analizar las primeras seis predicciones del modelo, observamos que todos los valores son negativos, lo que sugiere una baja probabilidad de que los empleados roten. Cuanto más negativo sea el valor, menor será la probabilidad de rotación, indicando que estos empleados tienen una tendencia a permanecer en la organización.
## 2.5 % 97.5 %
## (Intercept) -1.3221173676 2.709012e-01
## Ingreso_Mensual -0.0001445197 -2.826914e-05
## Edad -0.0468923625 -5.030481e-03
## Antigüedad_Cargo -0.1261327594 -1.073908e-02
## as.factor(`Viaje de Negocios`)No_Viaja -1.7117094709 -2.487939e-01
## as.factor(`Viaje de Negocios`)Raramente -0.7897975739 -7.608440e-02
## as.factor(Estado_Civil)Divorciado -0.7154761261 2.821477e-01
## as.factor(Estado_Civil)Soltero 0.3231157596 1.025688e+00
## as.factor(Horas_Extra)1 0.9838059582 1.617208e+00De acuerdo con los resultados anteriores, se puede inferir que el ingreso mensual no tiene un efecto significativo sobre la rotación, ya que su coeficiente es muy bajo, lo que indica que este factor no influye notablemente en la probabilidad de rotación. En cuanto a la edad, el coeficiente sugiere que, a medida que aumenta la edad, la probabilidad de rotación disminuye, lo que implica que los empleados mayores tienden a permanecer más tiempo en la organización.
Respecto a la antigüedad en el cargo, el coeficiente refuerza la idea de que a mayor antigüedad, menor es la probabilidad de rotación, indicando que los empleados con más años en su puesto son menos propensos a cambiar de trabajo.
Con relación a la variable de viaje de negocios, los coeficientes para aquellos que no viajan y para los que viajan raramente indican que las personas que viajan menos tienden a rotar menos, lo que sugiere una conexión entre el trabajo de campo y la retención del personal. Finalmente, el estado civil de soltero, está asociado con una mayor probabilidad de rotación, sugiriendo que los empleados solteros son más propensos a buscar nuevas oportunidades laborales.
##
## Call:
## roc.default(response = training.data$Rotación, predictor = prediccion_1, auc = TRUE, ci = TRUE)
##
## Data: prediccion_1 in 870 controls (training.data$Rotación 0) < 159 cases (training.data$Rotación 1).
## Area under the curve: 0.7745
## 95% CI: 0.7306-0.8184 (DeLong)Teniendo en cuenta el resultado del área bajo la curva (AUC), con un valor superior a 0.7, se puede afirmar que el modelo tiene un rendimiento aceptable al predecir correctamente a los empleados que rotan. Además, el intervalo de confianza indica que, con un nivel de seguridad del 95%, el valor real del AUC se encuentra entre 0.7 y 0.8. Esto reafirma que el modelo muestra un desempeño válido en la identificación de los empleados propensos a rotar.
El gráfico generado a partir del análisis ROC muestra un área bajo la curva (AUC) de 0.773, con un intervalo de confianza de 0.7 a 0.8. Este valor sugiere que el modelo tiene un rendimiento adecuado al diferenciar entre los empleados que rotan y los que no. Además, se destaca un punto sobre los valores predichos con un umbral de 0.174, que tiene un intervalo de confianza de 0.766 a 0.673. Este punto representa un equilibrio entre sensibilidad y especificidad, lo que indica que el modelo es eficaz en la identificación de casos positivos y negativos. En conjunto, estos resultados refuerzan la capacidad del modelo para realizar predicciones adecuadas sobre la rotación de empleados.
5. Predicción Probabilidad Rotación
## Confusion Matrix and Statistics
##
## Reference
## Prediction 0 1
## 0 357 62
## 1 6 16
##
## Accuracy : 0.8458
## 95% CI : (0.8087, 0.8782)
## No Information Rate : 0.8231
## P-Value [Acc > NIR] : 0.1167
##
## Kappa : 0.2626
##
## Mcnemar's Test P-Value : 2.563e-11
##
## Sensitivity : 0.9835
## Specificity : 0.2051
## Pos Pred Value : 0.8520
## Neg Pred Value : 0.7273
## Prevalence : 0.8231
## Detection Rate : 0.8095
## Detection Prevalence : 0.9501
## Balanced Accuracy : 0.5943
##
## 'Positive' Class : 0
## Teniendo en cuenta la matriz de confusión, el modelo presenta una precisión (accuracy) del 83.9%, lo que significa que el 84.9% de las predicciones realizadas fueron correctas. Este resultado es adecuado, especialmente en términos de sensibilidad, que es notablemente alta, alcanzando el 97.8%. Esto indica que el modelo identifica correctamente a casi todos los empleados que realmente rotan. Sin embargo, hay un desafío significativo en la predicción de empleados que no rotan, con una especificidad del 19.2%, lo que sugiere que el modelo tiene dificultades para clasificar correctamente a este grupo.
El valor predictivo positivo es del 84.9%, lo que implica que cuando el modelo predice que un empleado rotará, hay una buena probabilidad de que efectivamente lo haga. Sin embargo, la tasa de predicción correcta para los empleados que no rotarán es solo del 65.2%, lo que refuerza la idea de que el modelo se inclina más hacia la identificación de sí rotaciones.
Por último, el balanced accuracy, que se sitúa en 58.5%, resalta un desbalance en la capacidad de predicción entre los empleados que rotan y los que no. Esto indica que, aunque el modelo es efectivo para detectar rotaciones, necesita mejorar en su capacidad para clasificar adecuadamente a los empleados que permanecen en la organización.
## [1] "AUC 0.771173271173271"con un AUC de 0.7653; muestra que el modelo tiene un rendimiento moderado para distinguir entre los empleados que rotan y los que no, con una exactitud del 76.53%.
## [1] "Mejor Umbral 0.157830202700739"El umbral óptimo resulta ser importante para modelos de clasificación, como es este el caso; para lo cual, aquellos empleados que superen un umbral de 0.2016, será clasificado como sí rotación, en cambio, aquellos que se encuentren por debajo, serán identificados como no clasificación.
En la gráfica generada, observamos dos áreas de color que representan las predicciones de rotación de empleados. La región verde, que abarca de 0 a casi 0.5, indica que hay una alta frecuencia de empleados que no rotan. El pico en esta área, situado en aproximadamente 0.1, sugiere que la mayoría de los empleados tienen una probabilidad baja de rotación, lo que indica que son más propensos a permanecer en la organización.
Por otro lado, la región roja, que se extiende de un poco más abajo de 0.5 a casi 1, representa a aquellos empleados que tienen una mayor probabilidad de rotar. Aunque esta área es menos prominente en comparación con la verde, su presencia indica que hay un grupo significativo de empleados que se están considerando más propensos a la rotación.
6. Conclusiones
La rotación de personal representa un desafío significativo para las organizaciones, ya que puede resultar mucho más costoso seleccionar, contratar y capacitar a nuevos empleados que implementar estrategias para retener a aquellos que son valiosos para la empresa. La pérdida de talento no solo impacta los costos directos, sino que también afecta la moral del equipo y la continuidad del negocio.
En este análisis, se identificaron algunas variables que muestran una relación significativa con la rotación de personal: antigüedad en el cargo, estado civil, horas extras y edad de los empleados.
Antigüedad en el cargo: Los empleados con mayor tiempo en la empresa tienen una menor probabilidad de rotación. Esto sugiere que la experiencia acumulada y un fuerte sentido de pertenencia pueden generar compromisos emocionales que disuaden a los empleados de dejar la organización. Para fomentar este compromiso, es crucial implementar programas de reconocimiento y desarrollo profesional que recompensen a los empleados de larga data.
**Horas extras*:** La relación positiva entre las horas extras trabajadas y la rotación indica que los empleados que se sienten sobrecargados pueden buscar nuevas oportunidades que les ofrezcan un mejor equilibrio entre vida laboral y personal. Las organizaciones deben monitorear la carga de trabajo de sus empleados y considerar políticas que limiten las horas extras, como la implementación de un horario flexible o la contratación de personal temporal en épocas de alta demanda.
Estado civil: La mayor probabilidad de rotación entre los empleados solteros podría estar relacionada con la búsqueda de estabilidad y nuevas oportunidades en la vida personal y profesional. Las empresas pueden beneficiarse al ofrecer un ambiente laboral inclusivo y socialmente enriquecedor, así como oportunidades de desarrollo que atraigan a este grupo demográfico.
Edad de los empleados: La relación entre la edad y la rotación puede ser un indicador de las prioridades y expectativas cambiantes de los empleados en diferentes etapas de su vida. Las organizaciones deben adaptar sus políticas de retención y desarrollo a las diversas necesidades de sus empleados en función de su edad.
RECOMENDACIONES PARA DISMINUIR LA ROTACIÓN
Para reducir la rotación de empleados, es fundamental que la empresa adopte estrategias efectivas que aborden tanto las necesidades individuales como las dinámicas organizacionales. A continuación, se proponen algunas acciones clave:
Programas de fidelización: Desarrollar programas que motiven y recompensen a los empleados con mayor antigüedad, creando un ambiente de trabajo que promueva el sentido de pertenencia y la lealtad a la organización.
Manejo de horas de trabajo: Implementar políticas que regulen las horas extras, así como ofrecer alternativas para la gestión del tiempo y la carga laboral. Fomentar el bienestar general de los empleados es esencial para disminuir la rotación.
Encuestas de salida: Realizar encuestas de salida para comprender las razones detrás de la rotación y abordar problemas específicos. Esta información puede ser valiosa para realizar ajustes en la cultura organizacional y las prácticas de gestión.
MEJORAS AL MODELO PREDICTIVO
Para aumentar la capacidad predictiva del modelo, se podrían considerar las siguientes mejoras:
Incluir variables adicionales: Explorar la inclusión de variables adicionales. Estas variables pueden proporcionar una visión más completa del entorno laboral y sus efectos en la rotación.
Modelos alternativos: Probar con diferentes algoritmos de modelado, como árboles de decisión, random forests o modelos de machine learning, que podrían ofrecer un mejor ajuste y capacidad predictiva en comparación con la regresión logística.
Validación y ajuste continuo: Realizar un proceso de validación continua del modelo y ajuste de hiperparámetros para optimizar su rendimiento y precisión predictiva a medida que se disponga de nuevos datos.
7. ANEXOS
7.1 Análisis Preliminar - General
## Rotación Edad Viaje de Negocios Departamento
## Min. :0.0000 Min. :18.00 Frecuentemente: 277 Length:1470
## 1st Qu.:0.0000 1st Qu.:30.00 No_Viaja : 150 Class :character
## Median :0.0000 Median :36.00 Raramente :1043 Mode :character
## Mean :0.1612 Mean :36.92
## 3rd Qu.:0.0000 3rd Qu.:43.00
## Max. :1.0000 Max. :60.00
## Distancia_Casa Educación Campo_Educación Satisfacción_Ambiental
## Min. : 1.000 Min. :1.000 Length:1470 Min. :1.000
## 1st Qu.: 2.000 1st Qu.:2.000 Class :character 1st Qu.:2.000
## Median : 7.000 Median :3.000 Mode :character Median :3.000
## Mean : 9.193 Mean :2.913 Mean :2.722
## 3rd Qu.:14.000 3rd Qu.:4.000 3rd Qu.:4.000
## Max. :29.000 Max. :5.000 Max. :4.000
## Genero Cargo Satisfación_Laboral Estado_Civil
## Length:1470 Length:1470 Min. :1.000 Casado :673
## Class :character Class :character 1st Qu.:2.000 Divorciado:327
## Mode :character Mode :character Median :3.000 Soltero :470
## Mean :2.729
## 3rd Qu.:4.000
## Max. :4.000
## Ingreso_Mensual Trabajos_Anteriores Horas_Extra Porcentaje_aumento_salarial
## Min. : 1009 Min. :0.000 0:1054 Min. :11.00
## 1st Qu.: 2911 1st Qu.:1.000 1: 416 1st Qu.:12.00
## Median : 4919 Median :2.000 Median :14.00
## Mean : 6503 Mean :2.693 Mean :15.21
## 3rd Qu.: 8379 3rd Qu.:4.000 3rd Qu.:18.00
## Max. :19999 Max. :9.000 Max. :25.00
## Rendimiento_Laboral Años_Experiencia Capacitaciones Equilibrio_Trabajo_Vida
## Min. :3.000 Min. : 0.00 Min. :0.000 Min. :1.000
## 1st Qu.:3.000 1st Qu.: 6.00 1st Qu.:2.000 1st Qu.:2.000
## Median :3.000 Median :10.00 Median :3.000 Median :3.000
## Mean :3.154 Mean :11.28 Mean :2.799 Mean :2.761
## 3rd Qu.:3.000 3rd Qu.:15.00 3rd Qu.:3.000 3rd Qu.:3.000
## Max. :4.000 Max. :40.00 Max. :6.000 Max. :4.000
## Antigüedad Antigüedad_Cargo Años_ultima_promoción
## Min. : 0.000 Min. : 0.000 Min. : 0.000
## 1st Qu.: 3.000 1st Qu.: 2.000 1st Qu.: 0.000
## Median : 5.000 Median : 3.000 Median : 1.000
## Mean : 7.008 Mean : 4.229 Mean : 2.188
## 3rd Qu.: 9.000 3rd Qu.: 7.000 3rd Qu.: 3.000
## Max. :40.000 Max. :18.000 Max. :15.000
## Años_acargo_con_mismo_jefe
## Min. : 0.000
## 1st Qu.: 2.000
## Median : 3.000
## Mean : 4.123
## 3rd Qu.: 7.000
## Max. :17.000## Rotación Edad
## 0 0
## Viaje de Negocios Departamento
## 0 0
## Distancia_Casa Educación
## 0 0
## Campo_Educación Satisfacción_Ambiental
## 0 0
## Genero Cargo
## 0 0
## Satisfación_Laboral Estado_Civil
## 0 0
## Ingreso_Mensual Trabajos_Anteriores
## 0 0
## Horas_Extra Porcentaje_aumento_salarial
## 0 0
## Rendimiento_Laboral Años_Experiencia
## 0 0
## Capacitaciones Equilibrio_Trabajo_Vida
## 0 0
## Antigüedad Antigüedad_Cargo
## 0 0
## Años_ultima_promoción Años_acargo_con_mismo_jefe
## 0 0## tibble [1,470 × 24] (S3: tbl_df/tbl/data.frame)
## $ Rotación : num [1:1470] 1 0 1 0 0 0 0 0 0 0 ...
## $ Edad : num [1:1470] 41 49 37 33 27 32 59 30 38 36 ...
## $ Viaje de Negocios : Factor w/ 3 levels "Frecuentemente",..: 3 1 3 1 3 1 3 3 1 3 ...
## $ Departamento : chr [1:1470] "Ventas" "IyD" "IyD" "IyD" ...
## $ Distancia_Casa : num [1:1470] 1 8 2 3 2 2 3 24 23 27 ...
## $ Educación : num [1:1470] 2 1 2 4 1 2 3 1 3 3 ...
## $ Campo_Educación : chr [1:1470] "Ciencias" "Ciencias" "Otra" "Ciencias" ...
## $ Satisfacción_Ambiental : num [1:1470] 2 3 4 4 1 4 3 4 4 3 ...
## $ Genero : chr [1:1470] "F" "M" "M" "F" ...
## $ Cargo : chr [1:1470] "Ejecutivo_Ventas" "Investigador_Cientifico" "Tecnico_Laboratorio" "Investigador_Cientifico" ...
## $ Satisfación_Laboral : num [1:1470] 4 2 3 3 2 4 1 3 3 3 ...
## $ Estado_Civil : Factor w/ 3 levels "Casado","Divorciado",..: 3 1 3 1 1 3 1 2 3 1 ...
## $ Ingreso_Mensual : num [1:1470] 5993 5130 2090 2909 3468 ...
## $ Trabajos_Anteriores : num [1:1470] 8 1 6 1 9 0 4 1 0 6 ...
## $ Horas_Extra : Factor w/ 2 levels "0","1": 2 1 2 2 1 1 2 1 1 1 ...
## $ Porcentaje_aumento_salarial: num [1:1470] 11 23 15 11 12 13 20 22 21 13 ...
## $ Rendimiento_Laboral : num [1:1470] 3 4 3 3 3 3 4 4 4 3 ...
## $ Años_Experiencia : num [1:1470] 8 10 7 8 6 8 12 1 10 17 ...
## $ Capacitaciones : num [1:1470] 0 3 3 3 3 2 3 2 2 3 ...
## $ Equilibrio_Trabajo_Vida : num [1:1470] 1 3 3 3 3 2 2 3 3 2 ...
## $ Antigüedad : num [1:1470] 6 10 0 8 2 7 1 1 9 7 ...
## $ Antigüedad_Cargo : num [1:1470] 4 7 0 7 2 7 0 0 7 7 ...
## $ Años_ultima_promoción : num [1:1470] 0 1 0 3 2 3 0 0 1 7 ...
## $ Años_acargo_con_mismo_jefe : num [1:1470] 5 7 0 0 2 6 0 0 8 7 ...## Frequencies
## rotacion$Rotación
## Type: Numeric
##
## Freq % Valid % Valid Cum. % Total % Total Cum.
## ----------- ------ --------- -------------- --------- --------------
## 0 1233 83.88 83.88 83.88 83.88
## 1 237 16.12 100.00 16.12 100.00
## <NA> 0 0.00 100.00
## Total 1470 100.00 100.00 100.00 100.00
##
## rotacion$Viaje de Negocios
## Type: Factor
##
## Freq % Valid % Valid Cum. % Total % Total Cum.
## -------------------- ------ --------- -------------- --------- --------------
## Frecuentemente 277 18.84 18.84 18.84 18.84
## No_Viaja 150 10.20 29.05 10.20 29.05
## Raramente 1043 70.95 100.00 70.95 100.00
## <NA> 0 0.00 100.00
## Total 1470 100.00 100.00 100.00 100.00
##
## rotacion$Departamento
## Type: Character
##
## Freq % Valid % Valid Cum. % Total % Total Cum.
## ------------ ------ --------- -------------- --------- --------------
## IyD 961 65.37 65.37 65.37 65.37
## RH 63 4.29 69.66 4.29 69.66
## Ventas 446 30.34 100.00 30.34 100.00
## <NA> 0 0.00 100.00
## Total 1470 100.00 100.00 100.00 100.00
##
## rotacion$Educación
## Type: Numeric
##
## Freq % Valid % Valid Cum. % Total % Total Cum.
## ----------- ------ --------- -------------- --------- --------------
## 1 170 11.56 11.56 11.56 11.56
## 2 282 19.18 30.75 19.18 30.75
## 3 572 38.91 69.66 38.91 69.66
## 4 398 27.07 96.73 27.07 96.73
## 5 48 3.27 100.00 3.27 100.00
## <NA> 0 0.00 100.00
## Total 1470 100.00 100.00 100.00 100.00
##
## rotacion$Campo_Educación
## Type: Character
##
## Freq % Valid % Valid Cum. % Total % Total Cum.
## ----------------- ------ --------- -------------- --------- --------------
## Ciencias 606 41.22 41.22 41.22 41.22
## Humanidades 27 1.84 43.06 1.84 43.06
## Mercadeo 159 10.82 53.88 10.82 53.88
## Otra 82 5.58 59.46 5.58 59.46
## Salud 464 31.56 91.02 31.56 91.02
## Tecnicos 132 8.98 100.00 8.98 100.00
## <NA> 0 0.00 100.00
## Total 1470 100.00 100.00 100.00 100.00
##
## rotacion$Satisfacción_Ambiental
## Type: Numeric
##
## Freq % Valid % Valid Cum. % Total % Total Cum.
## ----------- ------ --------- -------------- --------- --------------
## 1 284 19.32 19.32 19.32 19.32
## 2 287 19.52 38.84 19.52 38.84
## 3 453 30.82 69.66 30.82 69.66
## 4 446 30.34 100.00 30.34 100.00
## <NA> 0 0.00 100.00
## Total 1470 100.00 100.00 100.00 100.00
##
## rotacion$Genero
## Type: Character
##
## Freq % Valid % Valid Cum. % Total % Total Cum.
## ----------- ------ --------- -------------- --------- --------------
## F 588 40.00 40.00 40.00 40.00
## M 882 60.00 100.00 60.00 100.00
## <NA> 0 0.00 100.00
## Total 1470 100.00 100.00 100.00 100.00
##
## rotacion$Cargo
## Type: Character
##
## Freq % Valid % Valid Cum. % Total % Total Cum.
## ----------------------------- ------ --------- -------------- --------- --------------
## Director_Investigación 80 5.44 5.44 5.44 5.44
## Director_Manofactura 145 9.86 15.31 9.86 15.31
## Ejecutivo_Ventas 326 22.18 37.48 22.18 37.48
## Gerente 102 6.94 44.42 6.94 44.42
## Investigador_Cientifico 292 19.86 64.29 19.86 64.29
## Recursos_Humanos 52 3.54 67.82 3.54 67.82
## Representante_Salud 131 8.91 76.73 8.91 76.73
## Representante_Ventas 83 5.65 82.38 5.65 82.38
## Tecnico_Laboratorio 259 17.62 100.00 17.62 100.00
## <NA> 0 0.00 100.00
## Total 1470 100.00 100.00 100.00 100.00
##
## rotacion$Satisfación_Laboral
## Type: Numeric
##
## Freq % Valid % Valid Cum. % Total % Total Cum.
## ----------- ------ --------- -------------- --------- --------------
## 1 289 19.66 19.66 19.66 19.66
## 2 280 19.05 38.71 19.05 38.71
## 3 442 30.07 68.78 30.07 68.78
## 4 459 31.22 100.00 31.22 100.00
## <NA> 0 0.00 100.00
## Total 1470 100.00 100.00 100.00 100.00
##
## rotacion$Estado_Civil
## Type: Factor
##
## Freq % Valid % Valid Cum. % Total % Total Cum.
## ---------------- ------ --------- -------------- --------- --------------
## Casado 673 45.78 45.78 45.78 45.78
## Divorciado 327 22.24 68.03 22.24 68.03
## Soltero 470 31.97 100.00 31.97 100.00
## <NA> 0 0.00 100.00
## Total 1470 100.00 100.00 100.00 100.00
##
## rotacion$Trabajos_Anteriores
## Type: Numeric
##
## Freq % Valid % Valid Cum. % Total % Total Cum.
## ----------- ------ --------- -------------- --------- --------------
## 0 197 13.40 13.40 13.40 13.40
## 1 521 35.44 48.84 35.44 48.84
## 2 146 9.93 58.78 9.93 58.78
## 3 159 10.82 69.59 10.82 69.59
## 4 139 9.46 79.05 9.46 79.05
## 5 63 4.29 83.33 4.29 83.33
## 6 70 4.76 88.10 4.76 88.10
## 7 74 5.03 93.13 5.03 93.13
## 8 49 3.33 96.46 3.33 96.46
## 9 52 3.54 100.00 3.54 100.00
## <NA> 0 0.00 100.00
## Total 1470 100.00 100.00 100.00 100.00
##
## rotacion$Horas_Extra
## Type: Factor
##
## Freq % Valid % Valid Cum. % Total % Total Cum.
## ----------- ------ --------- -------------- --------- --------------
## 0 1054 71.70 71.70 71.70 71.70
## 1 416 28.30 100.00 28.30 100.00
## <NA> 0 0.00 100.00
## Total 1470 100.00 100.00 100.00 100.00
##
## rotacion$Porcentaje_aumento_salarial
## Type: Numeric
##
## Freq % Valid % Valid Cum. % Total % Total Cum.
## ----------- ------ --------- -------------- --------- --------------
## 11 210 14.29 14.29 14.29 14.29
## 12 198 13.47 27.76 13.47 27.76
## 13 209 14.22 41.97 14.22 41.97
## 14 201 13.67 55.65 13.67 55.65
## 15 101 6.87 62.52 6.87 62.52
## 16 78 5.31 67.82 5.31 67.82
## 17 82 5.58 73.40 5.58 73.40
## 18 89 6.05 79.46 6.05 79.46
## 19 76 5.17 84.63 5.17 84.63
## 20 55 3.74 88.37 3.74 88.37
## 21 48 3.27 91.63 3.27 91.63
## 22 56 3.81 95.44 3.81 95.44
## 23 28 1.90 97.35 1.90 97.35
## 24 21 1.43 98.78 1.43 98.78
## 25 18 1.22 100.00 1.22 100.00
## <NA> 0 0.00 100.00
## Total 1470 100.00 100.00 100.00 100.00
##
## rotacion$Rendimiento_Laboral
## Type: Numeric
##
## Freq % Valid % Valid Cum. % Total % Total Cum.
## ----------- ------ --------- -------------- --------- --------------
## 3 1244 84.63 84.63 84.63 84.63
## 4 226 15.37 100.00 15.37 100.00
## <NA> 0 0.00 100.00
## Total 1470 100.00 100.00 100.00 100.00
##
## rotacion$Capacitaciones
## Type: Numeric
##
## Freq % Valid % Valid Cum. % Total % Total Cum.
## ----------- ------ --------- -------------- --------- --------------
## 0 54 3.67 3.67 3.67 3.67
## 1 71 4.83 8.50 4.83 8.50
## 2 547 37.21 45.71 37.21 45.71
## 3 491 33.40 79.12 33.40 79.12
## 4 123 8.37 87.48 8.37 87.48
## 5 119 8.10 95.58 8.10 95.58
## 6 65 4.42 100.00 4.42 100.00
## <NA> 0 0.00 100.00
## Total 1470 100.00 100.00 100.00 100.00
##
## rotacion$Equilibrio_Trabajo_Vida
## Type: Numeric
##
## Freq % Valid % Valid Cum. % Total % Total Cum.
## ----------- ------ --------- -------------- --------- --------------
## 1 80 5.44 5.44 5.44 5.44
## 2 344 23.40 28.84 23.40 28.84
## 3 893 60.75 89.59 60.75 89.59
## 4 153 10.41 100.00 10.41 100.00
## <NA> 0 0.00 100.00
## Total 1470 100.00 100.00 100.00 100.00
##
## rotacion$Antigüedad_Cargo
## Type: Numeric
##
## Freq % Valid % Valid Cum. % Total % Total Cum.
## ----------- ------ --------- -------------- --------- --------------
## 0 244 16.60 16.60 16.60 16.60
## 1 57 3.88 20.48 3.88 20.48
## 2 372 25.31 45.78 25.31 45.78
## 3 135 9.18 54.97 9.18 54.97
## 4 104 7.07 62.04 7.07 62.04
## 5 36 2.45 64.49 2.45 64.49
## 6 37 2.52 67.01 2.52 67.01
## 7 222 15.10 82.11 15.10 82.11
## 8 89 6.05 88.16 6.05 88.16
## 9 67 4.56 92.72 4.56 92.72
## 10 29 1.97 94.69 1.97 94.69
## 11 22 1.50 96.19 1.50 96.19
## 12 10 0.68 96.87 0.68 96.87
## 13 14 0.95 97.82 0.95 97.82
## 14 11 0.75 98.57 0.75 98.57
## 15 8 0.54 99.12 0.54 99.12
## 16 7 0.48 99.59 0.48 99.59
## 17 4 0.27 99.86 0.27 99.86
## 18 2 0.14 100.00 0.14 100.00
## <NA> 0 0.00 100.00
## Total 1470 100.00 100.00 100.00 100.00
##
## rotacion$Años_ultima_promoción
## Type: Numeric
##
## Freq % Valid % Valid Cum. % Total % Total Cum.
## ----------- ------ --------- -------------- --------- --------------
## 0 581 39.52 39.52 39.52 39.52
## 1 357 24.29 63.81 24.29 63.81
## 2 159 10.82 74.63 10.82 74.63
## 3 52 3.54 78.16 3.54 78.16
## 4 61 4.15 82.31 4.15 82.31
## 5 45 3.06 85.37 3.06 85.37
## 6 32 2.18 87.55 2.18 87.55
## 7 76 5.17 92.72 5.17 92.72
## 8 18 1.22 93.95 1.22 93.95
## 9 17 1.16 95.10 1.16 95.10
## 10 6 0.41 95.51 0.41 95.51
## 11 24 1.63 97.14 1.63 97.14
## 12 10 0.68 97.82 0.68 97.82
## 13 10 0.68 98.50 0.68 98.50
## 14 9 0.61 99.12 0.61 99.12
## 15 13 0.88 100.00 0.88 100.00
## <NA> 0 0.00 100.00
## Total 1470 100.00 100.00 100.00 100.00
##
## rotacion$Años_acargo_con_mismo_jefe
## Type: Numeric
##
## Freq % Valid % Valid Cum. % Total % Total Cum.
## ----------- ------ --------- -------------- --------- --------------
## 0 263 17.89 17.89 17.89 17.89
## 1 76 5.17 23.06 5.17 23.06
## 2 344 23.40 46.46 23.40 46.46
## 3 142 9.66 56.12 9.66 56.12
## 4 98 6.67 62.79 6.67 62.79
## 5 31 2.11 64.90 2.11 64.90
## 6 29 1.97 66.87 1.97 66.87
## 7 216 14.69 81.56 14.69 81.56
## 8 107 7.28 88.84 7.28 88.84
## 9 64 4.35 93.20 4.35 93.20
## 10 27 1.84 95.03 1.84 95.03
## 11 22 1.50 96.53 1.50 96.53
## 12 18 1.22 97.76 1.22 97.76
## 13 14 0.95 98.71 0.95 98.71
## 14 5 0.34 99.05 0.34 99.05
## 15 5 0.34 99.39 0.34 99.39
## 16 2 0.14 99.52 0.14 99.52
## 17 7 0.48 100.00 0.48 100.00
## <NA> 0 0.00 100.00
## Total 1470 100.00 100.00 100.00 100.00## [1] "Rotación" "Edad"
## [3] "Viaje de Negocios" "Departamento"
## [5] "Distancia_Casa" "Educación"
## [7] "Campo_Educación" "Satisfacción_Ambiental"
## [9] "Genero" "Cargo"
## [11] "Satisfación_Laboral" "Estado_Civil"
## [13] "Ingreso_Mensual" "Trabajos_Anteriores"
## [15] "Horas_Extra" "Porcentaje_aumento_salarial"
## [17] "Rendimiento_Laboral" "Años_Experiencia"
## [19] "Capacitaciones" "Equilibrio_Trabajo_Vida"
## [21] "Antigüedad" "Antigüedad_Cargo"
## [23] "Años_ultima_promoción" "Años_acargo_con_mismo_jefe"7.2 Análisis Preliminar - Univariado
##
## Analizando la variable: Rotación
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.0000 0.0000 0.0000 0.1612 0.0000 1.0000
##
## Analizando la variable: Edad
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 18.00 30.00 36.00 36.92 43.00 60.00
##
## Analizando la variable: Viaje de Negocios
##
## Frecuentemente No_Viaja Raramente
## 277 150 1043
##
## Analizando la variable: Departamento
##
## IyD RH Ventas
## 961 63 446
##
## Analizando la variable: Distancia_Casa
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.000 2.000 7.000 9.193 14.000 29.000
##
## Analizando la variable: Educación
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.000 2.000 3.000 2.913 4.000 5.000
##
## Analizando la variable: Campo_Educación
##
## Ciencias Humanidades Mercadeo Otra Salud Tecnicos
## 606 27 159 82 464 132
##
## Analizando la variable: Satisfacción_Ambiental
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.000 2.000 3.000 2.722 4.000 4.000
##
## Analizando la variable: Genero
##
## F M
## 588 882
##
## Analizando la variable: Cargo
##
## Director_Investigación Director_Manofactura Ejecutivo_Ventas
## 80 145 326
## Gerente Investigador_Cientifico Recursos_Humanos
## 102 292 52
## Representante_Salud Representante_Ventas Tecnico_Laboratorio
## 131 83 259
##
## Analizando la variable: Satisfación_Laboral
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.000 2.000 3.000 2.729 4.000 4.000
##
## Analizando la variable: Estado_Civil
##
## Casado Divorciado Soltero
## 673 327 470
##
## Analizando la variable: Ingreso_Mensual
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1009 2911 4919 6503 8379 19999
##
## Analizando la variable: Trabajos_Anteriores
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.000 1.000 2.000 2.693 4.000 9.000
##
## Analizando la variable: Horas_Extra
##
## 0 1
## 1054 416
##
## Analizando la variable: Porcentaje_aumento_salarial
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 11.00 12.00 14.00 15.21 18.00 25.00
##
## Analizando la variable: Rendimiento_Laboral
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 3.000 3.000 3.000 3.154 3.000 4.000
##
## Analizando la variable: Años_Experiencia
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.00 6.00 10.00 11.28 15.00 40.00
##
## Analizando la variable: Capacitaciones
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.000 2.000 3.000 2.799 3.000 6.000
##
## Analizando la variable: Equilibrio_Trabajo_Vida
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.000 2.000 3.000 2.761 3.000 4.000
##
## Analizando la variable: Antigüedad
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.000 3.000 5.000 7.008 9.000 40.000
##
## Analizando la variable: Antigüedad_Cargo
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.000 2.000 3.000 4.229 7.000 18.000
##
## Analizando la variable: Años_ultima_promoción
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.000 0.000 1.000 2.188 3.000 15.000
##
## Analizando la variable: Años_acargo_con_mismo_jefe
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.000 2.000 3.000 4.123 7.000 17.000
7.3 Tabla Correlación
## Edad Distancia_Casa Ingreso_Mensual
## Edad 1.000000000 -0.001559109 0.497753202
## Distancia_Casa -0.001559109 1.000000000 -0.017014445
## Ingreso_Mensual 0.497753202 -0.017014445 1.000000000
## Trabajos_Anteriores 0.299655224 -0.029250804 0.149515216
## Años_Experiencia 0.680393276 0.004628426 0.772893246
## Antigüedad 0.311240786 0.009507720 0.514284826
## Antigüedad_Cargo 0.212842055 0.018844999 0.363817667
## Años_ultima_promoción 0.216472525 0.010028836 0.344977638
## Años_acargo_con_mismo_jefe 0.202031779 0.014406048 0.344078883
## Trabajos_Anteriores Años_Experiencia Antigüedad
## Edad 0.299655224 0.680393276 0.311240786
## Distancia_Casa -0.029250804 0.004628426 0.009507720
## Ingreso_Mensual 0.149515216 0.772893246 0.514284826
## Trabajos_Anteriores 1.000000000 0.237638590 -0.118421340
## Años_Experiencia 0.237638590 1.000000000 0.628133155
## Antigüedad -0.118421340 0.628133155 1.000000000
## Antigüedad_Cargo -0.090753934 0.460364638 0.758753737
## Años_ultima_promoción -0.036813892 0.404857759 0.618408865
## Años_acargo_con_mismo_jefe -0.110319155 0.459188397 0.769212425
## Antigüedad_Cargo Años_ultima_promoción
## Edad 0.212842055 0.216472525
## Distancia_Casa 0.018844999 0.010028836
## Ingreso_Mensual 0.363817667 0.344977638
## Trabajos_Anteriores -0.090753934 -0.036813892
## Años_Experiencia 0.460364638 0.404857759
## Antigüedad 0.758753737 0.618408865
## Antigüedad_Cargo 1.000000000 0.548056248
## Años_ultima_promoción 0.548056248 1.000000000
## Años_acargo_con_mismo_jefe 0.714364762 0.510223636
## Años_acargo_con_mismo_jefe
## Edad 0.202031779
## Distancia_Casa 0.014406048
## Ingreso_Mensual 0.344078883
## Trabajos_Anteriores -0.110319155
## Años_Experiencia 0.459188397
## Antigüedad 0.769212425
## Antigüedad_Cargo 0.714364762
## Años_ultima_promoción 0.510223636
## Años_acargo_con_mismo_jefe 1.000000000