Actividad 3. Rotación de cargo
Guillén León
2025-03-31
Actividad 3
#install.packages("devtools") # solo la primera vez
#devtools::install_github("dgonxalex80/paqueteMODELOS", force = TRUE)
#devtools::install_github("centromagis/paqueteMODELOS", force =TRUE)
#library 1 (paqueteMODELOS)
#data("rotacion") # Se carga los datoslibrary(paqueteMODELOS)## Cargando paquete requerido: boot## Cargando paquete requerido: broom## Warning: package 'broom' was built under R version 4.4.3## Cargando paquete requerido: GGally## Cargando paquete requerido: ggplot2## Registered S3 method overwritten by 'GGally':
## method from
## +.gg ggplot2## Cargando paquete requerido: gridExtra## Cargando paquete requerido: knitr## Warning: package 'knitr' was built under R version 4.4.3## Cargando paquete requerido: summarytools## Warning: package 'summarytools' was built under R version 4.4.3library(dplyr)##
## Adjuntando el paquete: 'dplyr'## The following object is masked from 'package:gridExtra':
##
## combine## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, uniondata("rotacion")
glimpse(rotacion)## Rows: 1,470
## Columns: 24
## $ Rotación <chr> "Si", "No", "Si", "No", "No", "No", "No", …
## $ Edad <dbl> 41, 49, 37, 33, 27, 32, 59, 30, 38, 36, 35…
## $ `Viaje de Negocios` <chr> "Raramente", "Frecuentemente", "Raramente"…
## $ Departamento <chr> "Ventas", "IyD", "IyD", "IyD", "IyD", "IyD…
## $ Distancia_Casa <dbl> 1, 8, 2, 3, 2, 2, 3, 24, 23, 27, 16, 15, 2…
## $ Educación <dbl> 2, 1, 2, 4, 1, 2, 3, 1, 3, 3, 3, 2, 1, 2, …
## $ Campo_Educación <chr> "Ciencias", "Ciencias", "Otra", "Ciencias"…
## $ Satisfacción_Ambiental <dbl> 2, 3, 4, 4, 1, 4, 3, 4, 4, 3, 1, 4, 1, 2, …
## $ Genero <chr> "F", "M", "M", "F", "M", "M", "F", "M", "M…
## $ Cargo <chr> "Ejecutivo_Ventas", "Investigador_Cientifi…
## $ Satisfación_Laboral <dbl> 4, 2, 3, 3, 2, 4, 1, 3, 3, 3, 2, 3, 3, 4, …
## $ Estado_Civil <chr> "Soltero", "Casado", "Soltero", "Casado", …
## $ Ingreso_Mensual <dbl> 5993, 5130, 2090, 2909, 3468, 3068, 2670, …
## $ Trabajos_Anteriores <dbl> 8, 1, 6, 1, 9, 0, 4, 1, 0, 6, 0, 0, 1, 0, …
## $ Horas_Extra <chr> "Si", "No", "Si", "Si", "No", "No", "Si", …
## $ Porcentaje_aumento_salarial <dbl> 11, 23, 15, 11, 12, 13, 20, 22, 21, 13, 13…
## $ Rendimiento_Laboral <dbl> 3, 4, 3, 3, 3, 3, 4, 4, 4, 3, 3, 3, 3, 3, …
## $ Años_Experiencia <dbl> 8, 10, 7, 8, 6, 8, 12, 1, 10, 17, 6, 10, 5…
## $ Capacitaciones <dbl> 0, 3, 3, 3, 3, 2, 3, 2, 2, 3, 5, 3, 1, 2, …
## $ Equilibrio_Trabajo_Vida <dbl> 1, 3, 3, 3, 3, 2, 2, 3, 3, 2, 3, 3, 2, 3, …
## $ Antigüedad <dbl> 6, 10, 0, 8, 2, 7, 1, 1, 9, 7, 5, 9, 5, 2,…
## $ Antigüedad_Cargo <dbl> 4, 7, 0, 7, 2, 7, 0, 0, 7, 7, 4, 5, 2, 2, …
## $ Años_ultima_promoción <dbl> 0, 1, 0, 3, 2, 3, 0, 0, 1, 7, 0, 0, 4, 1, …
## $ Años_acargo_con_mismo_jefe <dbl> 5, 7, 0, 0, 2, 6, 0, 0, 8, 7, 3, 8, 3, 2, …1. Selección de variables
Seleccione 3 variables categóricas (distintas de rotación) y 3 variables cuantitativas, que se consideren estén relacionadas con la rotación. Debes justificar porque estas variables están relacionadas y que tipo de relación se espera entre ellas (Hipótesis).
Del conjunto de datos se escogen las siguientes variables para su analisis.
colnames(rotacion)# nombre de todas las variables de la data## [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"summary(rotacion)## Rotación Edad Viaje de Negocios Departamento
## Length:1470 Min. :18.00 Length:1470 Length:1470
## Class :character 1st Qu.:30.00 Class :character Class :character
## Mode :character Median :36.00 Mode :character Mode :character
## Mean :36.92
## 3rd Qu.:43.00
## 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 Length:1470
## Class :character Class :character 1st Qu.:2.000 Class :character
## Mode :character Mode :character Median :3.000 Mode :character
## Mean :2.729
## 3rd Qu.:4.000
## Max. :4.000
## Ingreso_Mensual Trabajos_Anteriores Horas_Extra
## Min. : 1009 Min. :0.000 Length:1470
## 1st Qu.: 2911 1st Qu.:1.000 Class :character
## Median : 4919 Median :2.000 Mode :character
## Mean : 6503 Mean :2.693
## 3rd Qu.: 8379 3rd Qu.:4.000
## Max. :19999 Max. :9.000
## Porcentaje_aumento_salarial Rendimiento_Laboral Años_Experiencia
## Min. :11.00 Min. :3.000 Min. : 0.00
## 1st Qu.:12.00 1st Qu.:3.000 1st Qu.: 6.00
## Median :14.00 Median :3.000 Median :10.00
## Mean :15.21 Mean :3.154 Mean :11.28
## 3rd Qu.:18.00 3rd Qu.:3.000 3rd Qu.:15.00
## Max. :25.00 Max. :4.000 Max. :40.00
## Capacitaciones Equilibrio_Trabajo_Vida Antigüedad Antigüedad_Cargo
## Min. :0.000 Min. :1.000 Min. : 0.000 Min. : 0.000
## 1st Qu.:2.000 1st Qu.:2.000 1st Qu.: 3.000 1st Qu.: 2.000
## Median :3.000 Median :3.000 Median : 5.000 Median : 3.000
## Mean :2.799 Mean :2.761 Mean : 7.008 Mean : 4.229
## 3rd Qu.:3.000 3rd Qu.:3.000 3rd Qu.: 9.000 3rd Qu.: 7.000
## Max. :6.000 Max. :4.000 Max. :40.000 Max. :18.000
## Años_ultima_promoción Años_acargo_con_mismo_jefe
## Min. : 0.000 Min. : 0.000
## 1st Qu.: 0.000 1st Qu.: 2.000
## Median : 1.000 Median : 3.000
## Mean : 2.188 Mean : 4.123
## 3rd Qu.: 3.000 3rd Qu.: 7.000
## Max. :15.000 Max. :17.000Rotación de cargo
La data de rotación laboral, ofrece información correspondiente a 1470 empleados. Entre las variables de estudio se encuentra la edad promedio de los trabajadores (36,92 años) y su experiencia promedio laboral (11,28 años), y otras variables adicionales como la antiguedad en el cargo, género, estado civil, departamento, etc. A partir de esta información, se realiza la selección de las siguientes variables:
1. Selección de variables
Variables Categóricas:
Estado civil: El estado civil podría influir en la decisión de un empleado de permanecer o abandonar una empresa.
Viaje de Negocios: La frecuencia de viajes por trabajo podría influir en la decisión de permanecer o abandonar una empresa.
Departamento: Los departamentos con mayor nivel de responsabilidad podrían influir en la decisión del empleado de permanecer o abandonar una empresa.
Variables Cuantitativas:
Ingreso Mensual: Los ingresos influyen mucho en la estabilidad laboral de una persona, a mayor salario menor es la posibilidad de un empleado quiera dejar su trabajo.
Porcentaje aumento salarial: Los aumentos o mejoras en el salario pueden influir en la satisfacción y retención del empleado.
Satisfacción Laboral: Un empleado satisfecho con su trabajo tiene menos posibilidades de abandonar.
Hipótesis:
- Estado Civil: Los empleados casados o con dependientes necesitan mayor estabilidad laboral y por tanto podrían experimentar una tasa de rotación más baja. (relación directa)
- Viaje de Negocios: Los empleados que realizan muchos viajes de trabajo podrían agotarse, y por tanto, es posible que tengan una mayor probabilidad de rotar para buscar un empleo más estable. (relación inversa)
- Departamento: Los empleados de departamentos con mayor presión de resultados, como ventas, podrían tener un mayor nivel de estrés y por tanto una tasa de rotación más alta (relación inversa)
- Ingresos Mensual: Los empleados que tienen un buen ingreso salarial tienen menores intensiones de cambiar su trabajo. (relación directa)
- Porcentaje aumento salarial: Los empleados con mayores porcentajes de salario tienen menores intenciones de abandonar el trabajo. (relación directa)
- Satisfacción laboral: Los empleados satisfechos con su trabajo tienen menores intenciones de abandonar el trabajo. (relación directa)
Con las variables seleccionadas se crea el vector “variables”
variables <-rotacion[,c("Rotación", "Estado_Civil", "Viaje de Negocios", "Departamento", "Ingreso_Mensual", "Porcentaje_aumento_salarial", "Satisfación_Laboral")]
variables<-as.data.frame (variables)Validamos la cantidad de datos faltantes.
NAs<-colSums(is.na(variables))
as.data.frame(NAs)No existen datos faltantes
kable(head(variables)) #Visualimos el dataframe para 6 registros| Rotación | Estado_Civil | Viaje de Negocios | Departamento | Ingreso_Mensual | Porcentaje_aumento_salarial | Satisfación_Laboral |
|---|---|---|---|---|---|---|
| Si | Soltero | Raramente | Ventas | 5993 | 11 | 4 |
| No | Casado | Frecuentemente | IyD | 5130 | 23 | 2 |
| Si | Soltero | Raramente | IyD | 2090 | 15 | 3 |
| No | Casado | Frecuentemente | IyD | 2909 | 11 | 3 |
| No | Casado | Raramente | IyD | 3468 | 12 | 2 |
| No | Soltero | Frecuentemente | IyD | 3068 | 13 | 4 |
2. Análisis univariado
Realiza un análisis univariado (caracterización) de la información contenida en la base de datos rotacion
Variables categoricas o cuantitativas
**Genero
kable(table(rotacion$Estado_Civil)) # Estado civil| Var1 | Freq |
|---|---|
| Casado | 673 |
| Divorciado | 327 |
| Soltero | 470 |
v1 <- ggplot(rotacion, aes(x = Estado_Civil)) +
geom_bar(fill = "orange", color = "black", aes(y = ..count..)) +
geom_text(aes(y = ..count.., label = scales::percent(..count../sum(..count..))), stat="count", position = position_dodge(0.9), vjust = -0.5) +
labs(title = "Estado Civil", x = "Estado_Civil", y = "Frecuencia") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
print(v1)## Warning: The dot-dot notation (`..count..`) was deprecated in ggplot2 3.4.0.
## ℹ Please use `after_stat(count)` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
La mayoria de los empleados estan casados (45,8%), seguidos de solteros
(32%) y divorciados (22,2%).
kable(table(rotacion$`Viaje de Negocios`)) # Viaje de Negocios| Var1 | Freq |
|---|---|
| Frecuentemente | 277 |
| No_Viaja | 150 |
| Raramente | 1043 |
v2 <- ggplot(rotacion, aes(x = `Viaje de Negocios`)) +
geom_bar(fill = "skyblue", color = "black") +
geom_text(aes(y = ..count.., label = scales::percent(..count../sum(..count..))), stat="count", position = position_dodge(0.9), vjust = -0.5) +
labs(title = "Viaje de Negocios", x = "`Viaje de Negocios`", y = "Frecuencia") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
print(v2)
La mayoria de empleados viaja raramente (71%) y solo un 18.8% lo hace frecuentemente.
kable(table(rotacion$Departamento)) # Departamentos de la empresa| Var1 | Freq |
|---|---|
| IyD | 961 |
| RH | 63 |
| Ventas | 446 |
v3 <- table(rotacion$Departamento)
barplot(v3, main="Departamentos de la empresa", col=rainbow(length(v3)))
print(v3)##
## IyD RH Ventas
## 961 63 446La empresa tiene tres departamentos: IyD, RH y Ventas. La mayoria de empleados estan en IyD y representan el 65%, seguido de ventas con el 30% y RH con el 4.28%. Se puede deducir que la empresa pertenece al sector de la tecnología (I+D).
Variables Cuantitativas
Ingreso Mensual
Se obtiene información para cada variable
kable(rotacion %>%
summarise(
Media = mean(Ingreso_Mensual),
Mediana = median(Ingreso_Mensual),
Desv_Estandar = sd(Ingreso_Mensual),
Minimo = min(Ingreso_Mensual),
Maximo = max(Ingreso_Mensual)
)) # Ingresos por mes| Media | Mediana | Desv_Estandar | Minimo | Maximo |
|---|---|---|---|---|
| 6502.931 | 4919 | 4707.957 | 1009 | 19999 |
median_val_hist <- median(rotacion$Ingreso_Mensual)
mean_val_hist <- mean(rotacion$Ingreso_Mensual)
v4 <- ggplot(rotacion, aes(x = Ingreso_Mensual)) +
geom_histogram(aes(y = ..density..), fill = "#FFB6C1", color = "black", alpha = 0.7) +
geom_density(alpha = 0.2, fill = "#006400") +
geom_vline(aes(xintercept = median_val_hist), color = "blue", linetype = "dashed", linewidth = 0.5) +
geom_vline(aes(xintercept = mean_val_hist), color = "red", linetype = "dashed", size = 0.5) +
labs(title = "Histograma del Ingreso Mensual", x = "Ingreso_Mensual", y = "Densidad") +
annotate("text", x = mean_val_hist + 500, y = 0.00002, label = "Media", color = "red") +
annotate("text", x = median_val_hist - 500, y = 0.00002, label = "Mediana", color = "blue") +
theme_minimal()## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.print(v4)## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
Como se deduce del histograma la mayoria de los trabajadores tiene un ingreso promedio inferior a 7000
Porcentaje aumento salarial
v5 <- table(rotacion$Porcentaje_aumento_salarial)
# Crear colores
colores <- rainbow(length(v5))
# Gráfico de pastel utilizando las frecuencias
pie(v5,
main="Porcentaje aumento salarial",
col=colores,
labels = names(v5),
cex=0.8) # ajusta el tamaño de las etiquetas
# Añadir porcentajes de cada categoría de aumento salarial en el gráfico
porcentajes <- round(100*prop.table(v5), 1)
legend("topright",
legend = paste(names(v5), ": ", porcentajes, "%"),
fill = colores,
bty = "n") 
print(v5)##
## 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
## 210 198 209 201 101 78 82 89 76 55 48 56 28 21 18El grafico circular evidencia que los aumentos por horas extras en su gran mayoria estan por debajo del 25% y se concentran entre 11% al 14%.
Satisfacción Laboral
v6 <- table(rotacion$Satisfación_Laboral)
barplot(v6, main="Satisfación Laboral", col=rainbow(length(v6)))
print(v6)##
## 1 2 3 4
## 289 280 442 459La grafica de barras evidencia para la mayoria de trabajadores un nivel de satisfacion de 3 y 4 de frecuencia.
3. Análisis bivariado
Realiza un análisis de bivariado en donde la variable respuesta sea rotacion codificada de la siguiente manera (\(y=1\) es si rotación, \(y=0\) es no rotación). Con base en estos resultados identifique cuales son las variables determinantes de la rotación e interpretar el signo del coeficiente estimado. Compare estos resultados con la hipotesis planteada en el punto 2.
Se realiza el análisis bivariado para establecer el grado de relación entre las variables y la naturaleza de estas relaciónes.
Se codifica la variable “Rotacion” asignando 1 y 0.
variables$y<-ifelse(variables$Rotación=="Si",1,0)Modelos logísticos. Analísis para cada variable seleccionada
estadocivil <- glm(y ~ Estado_Civil, data = variables, family = binomial)
round(summary(estadocivil)$coefficients, 2)## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -1.95 0.12 -16.70 0.00
## Estado_CivilDivorciado -0.24 0.22 -1.10 0.27
## Estado_CivilSoltero 0.88 0.16 5.57 0.00Según los resultados el estado civil si influyen en la rotación del personal y la variable que mas influye es Soltero con 0,88 y estar divorciado en menor medida. Estos resultados son consistentes con nuestra hipotesis ya que los empleados casados o con dependientes necesitan mayor estabilidad laboral y por tanto podrían experimentar una menor tasa de rotación o incluso casi no rotar, a diferencia de los solteros.
viajenegocios <- glm(y ~ `Viaje de Negocios`, data = variables, family = binomial)
round(summary(viajenegocios)$coefficients, 2)## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -1.10 0.14 -7.94 0
## `Viaje de Negocios`No_Viaja -1.34 0.33 -4.04 0
## `Viaje de Negocios`Raramente -0.63 0.16 -3.87 0Los resultados de los coeficientes de la variable viajes de negocios estan asociado negativamente a la probabilidad de que ocurra la rotación del personal y es estadísticamente significativo. Estos resultados son consistentes con nuestra hipotesis ya que los empleados que realizan muchos viajes de trabajo podrían agotarse, y por tanto, tener una mayor probabilidad de rotar. En ese sentido, los coeficientes negativos confirman la hipótesis, ya que indican que quienes viajan menos presentan menores probabilidades de rotación.
departamento <- glm(y ~ Departamento, data = variables, family = binomial)
round(summary(departamento)$coefficients, 2)## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -1.83 0.09 -19.58 0.00
## DepartamentoRH 0.38 0.33 1.14 0.25
## DepartamentoVentas 0.48 0.15 3.21 0.00Según los resultados el departamento si influye en la rotación y el personal que trabaja en el departamento de Ventas (0.48) rota más respecto al personal de RH (0.38). Por tanto, estos resultados son consistentes con nuestra hipotesis inicial ya que los empleados de departamentos con mayor presión de resultados, como ventas, podrían tener un mayor nivel de estrés y por tanto una tasa de rotación más alta.
ingresomensual <- glm(y ~ Ingreso_Mensual, data = variables, family = binomial)
round(summary(ingresomensual)$coefficients, 4)## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -0.9291 0.1292 -7.1911 0
## Ingreso_Mensual -0.0001 0.0000 -5.8793 0Según los resultados el Ingreso mensual influye negativamente en la rotación. Dado que la estimación base es -0.9291 y por cada unidad adicional de ingreso se impacta un -0.0001, entonces la probabilidad de cambiar de trabajo disminuye, lo cual es coherente con nuestra hipotesis pues los empleados con buen ingreso salarial tienen menores intensiones de cambiar o rotar de trabajo. Ademas, no hay evidencia a favor de que los empleados con salarios más bajos tengan mayor probabilidad de rotación, pues la relación entre el ingreso y la rotación es débil.
porcentajesalario <- glm(y ~ Porcentaje_aumento_salarial, data = variables, family = binomial)
round(summary(porcentajesalario)$coefficients, 2)## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -1.50 0.30 -4.91 0.00
## Porcentaje_aumento_salarial -0.01 0.02 -0.52 0.61Según los resultados el Porcentaje de aumento salarial influye en la rotación de personal. La estimación base es de -1.50 y por cada unidad adicional de aumento salarial se impacta un -0.01. Es decir, este impacto negativo sugiere que a medida que aumenta el ingreso como consecuencia del aumento salarial existe una menor probabilidad de cambiar de trabajo. Estos resultados son consecuentes con nuestra hipotesis inicial de que los empleados con mayores porcentajes de salario tienen menores intenciones de abandonar el trabajo.
satisfaccionlaboral <- glm(y ~ Satisfación_Laboral, data = variables, family = binomial)
round(summary(satisfaccionlaboral)$coefficients, 3)## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -0.990 0.176 -5.635 0
## Satisfación_Laboral -0.251 0.064 -3.940 0Según los resultados tenemos que βˆ=-0.0251<0. Hay una relación decreciente entre rotación (-0.990) y satisfaccion laboral (-0.251). Por tanto, nuestra hipotesis es consistente con los resultdos pues los empleados satisfechos con su trabajo tienen menores intenciones de abandonar el trabajo.
- Realice una partición en los datos de forma aleatoria donde 70% sea un set para entrenar el modelo y 30% para prueba. Estime un modelo logístico con la muestra del 70%. Muestre los resultados.ESTE PUNTO OPCIONAL NO LOGRE HACERLO, PUES ME ARROJO PROBLEMAS EL R.
ntrain <- nrow(variables)*0.7
ntest <- nrow(variables)*0.3
set.seed(123) # Para reproducibilidad
index_train<-sample(1:nrow(variables),size = ntrain)
train <-variables[index_train,] # muestra de entrenamiento
test <-variables[-index_train,] # muestra de prueba4. Estimación del modelo
Realiza la estimación de un modelo de regresión logística en el cual la variable respuesta es rotación (\(y = 1\) indica rotación y \(y = 0\) indica no rotación) y las covariables corresponden a las 6 seleccionadas en el punto 1. Interprete los coeficientes del modelo y la significancia de los parámetros.
# Asegúramos de que las variables categóricas estén definidas como factores
rotacion$Departamento <- as.factor(rotacion$Departamento)
rotacion$Estado_Civil <- as.factor(rotacion$Estado_Civil)
rotacion$`Viaje de Negocios` <- as.factor(rotacion$`Viaje de Negocios`)
# Creacion del modelo de regresión logística
modelo <- glm(y ~ Estado_Civil + `Viaje de Negocios` + Departamento + Ingreso_Mensual + Porcentaje_aumento_salarial + Satisfación_Laboral, data = variables, family = binomial(link = "logit"))
summary(modelo) ##
## Call:
## glm(formula = y ~ Estado_Civil + `Viaje de Negocios` + Departamento +
## Ingreso_Mensual + Porcentaje_aumento_salarial + Satisfación_Laboral,
## family = binomial(link = "logit"), data = variables)
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 4.578e-02 4.258e-01 0.108 0.914375
## Estado_CivilDivorciado -2.224e-01 2.236e-01 -0.995 0.319969
## Estado_CivilSoltero 8.419e-01 1.645e-01 5.119 3.07e-07 ***
## `Viaje de Negocios`No_Viaja -1.352e+00 3.406e-01 -3.969 7.23e-05 ***
## `Viaje de Negocios`Raramente -6.523e-01 1.732e-01 -3.765 0.000166 ***
## DepartamentoRH 5.291e-01 3.508e-01 1.508 0.131560
## DepartamentoVentas 6.223e-01 1.607e-01 3.872 0.000108 ***
## Ingreso_Mensual -1.352e-04 2.336e-05 -5.788 7.13e-09 ***
## Porcentaje_aumento_salarial -8.082e-03 2.073e-02 -0.390 0.696666
## Satisfación_Laboral -2.942e-01 6.710e-02 -4.384 1.16e-05 ***
## ---
## 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: 1158.5 on 1460 degrees of freedom
## AIC: 1178.5
##
## Number of Fisher Scoring iterations: 5Intercept 4.57: Este es el log-odds predicho cuando todas las variables predictoras son cero o están en su categoría de referencia. El valor 0.045 indica que en ausencia de cualquier influencia de las otras variables, el log-odds de rotación es aproximadamente 0.045.
Estado_CivilDivorciado -2.22: En comparación con la categoría de referencia que es casado, estar divorciado disminuye el log-odds de la respuesta en 0.222, manteniendo todas las demás variables constantes, pero esta diferencia no es estadísticamente significativa.
Estado_CivilSoltero 8.41: Estar soltero, en comparación con estar casado, aumenta el log-odds de la respuesta en 0.841, este efecto es estadísticamente significativo, lo que sugiere que los empleados solteros tienen una mayor probabilidad de rotación en comparación con los empleados casados.
Viaje de NegociosNo_Viaja -1.352: Los empleados que no viajan por negocios presentan log-odds de rotación inferiores en comparación con aquellos que sí realizan viajes. Viaje de NegociosRaramente -6.523: Los empleados que viajan raramente por negocios tienen log-odds de rotación menores respecto a quienes viajan frecuentemente, siempre que las demás variables permanezcan constantes.
DepartamentoRH y DepartamentoVentas 0.529 y 0.622 Los coeficientes del DepartamentoRH y del DepartamentoVentas tienen coeficientes positivos con mayores log-odds de rotación, en particular Ventas que es estadísticamente significativo.
Ingreso_Mensual -1.352 El coeficiente es negativo y significativo, por cada unidad adicional en el ingreso mensual, hay una disminución en el log-odds de la rotación de empleados, es decir hay una relación inversa entre el ingreso y la probabilidad de rotación.
Porcentaje_aumento_salarial -8.082 Coeficiente negativo y no significativo. El trabajo de horas extras representa un aumento muy minimo en el salario.
Satisfación_Laboral -2.94 Coeficiente negativo y significativo. Existe una satisfaccion con el trabajo, el log-odds de la rotación disminuye en 0.294. Esto sugiere que los empleados estan satisfechos con su trabajo y por tanto tienen menos probabilidades de abandonar la empresa.
En el modelo las variables como Estado_Civil= Soltero, viajes de negocios, ventas, ingreso mensual y satisfaccion laboral tienen coeficientes significativos, lo que sugiere que son factores importantes a considerar al analizar la rotación de empleados.
5. Evaluación
Evaluar el poder predictivo del modelo con base en la curva ROC y el AUC en el set de datos de prueba.
# Carga el paquete pROC
#install.packages("pROC")
library(pROC)## Warning: package 'pROC' was built under R version 4.4.3## Type 'citation("pROC")' for a citation.##
## Adjuntando el paquete: 'pROC'## The following objects are masked from 'package:stats':
##
## cov, smooth, var# Calcula las probabilidades predichas por el modelo
prediccion <- predict(modelo, type = "response")
# Calcula la curva ROC y el AUC
curva_roc <- roc(variables$y, prediccion)## Setting levels: control = 0, case = 1## Setting direction: controls < cases# Grafica la curva ROC
plot(curva_roc, main="Curva ROC", col="blue", lwd=2)
abline(h=0, v=1, col="gray")
# Calcular el AUC
auc_result <- auc(curva_roc)
cat("El área bajo la curva (AUC) es:", auc_result)## El área bajo la curva (AUC) es: 0.7276548auc(curva_roc)## Area under the curve: 0.7277Área bajo la curva (AUC):
AUC = 0.5: El modelo no tiene capacidad de discriminación para distinguir entre la clase positiva y la clase negativa. Es decir, el modelo no es mejor que una elección aleatoria.
0.5 < AUC < 1: El modelo tiene capacidad de discriminación. Cuanto más cerca esté el valor de AUC de 1, mejor será el modelo.
AUC = 1: El modelo tiene una capacidad de discriminación perfecta. Es capaz de distinguir perfectamente entre la clase positiva y la clase negativa sin errores..
Resultado = 0.7277 Del resultado obtenido se concluye que el modelo desarrollado tiene una capacidad aceptable para predecir resultados respecto a una prediccion al azar, es decir tiene una capacidad de discriminación del 72.77%, lo que implica que tiene una habilidad razonablemente buena para distinguir entre la clase positiva y la negativa.
6. Predicciones
Realiza una predicción la probabilidad de que un individuo (hipotético) rote y defina un corte para decidir si se debe intervenir a este empleado o no (posible estrategia para motivar al empleado).
# Valores de las variables para el nuevo empleado "macondo"
macondo <- data.frame(Intercept = 1,
Departamento = "Ventas",
`Viaje de Negocios`= "No",
Ingreso_Mensual = 20000,
Satisfación_Laboral = 4,
Estado_Civil = "Soltero",
Porcentaje_aumento_salarial = 25)
print(macondo)## Intercept Departamento Viaje.de.Negocios Ingreso_Mensual Satisfación_Laboral
## 1 1 Ventas No 20000 4
## Estado_Civil Porcentaje_aumento_salarial
## 1 Soltero 25Macondo trabaja en el departamento de ventas y esta satisfecho con su trabajo. Tiene un ingreso mensual de $20000 y en su condicion de soltero tener un aumento salarial de 25 se aprecia bien.
# Predecir las probabilidades de rotación utilizando el modelo y los datos definidos
prediccion <- predict(modelo, data = macondo, type = "response")
print(prediccion)## 1 2 3 4 5 6
## 0.228235332 0.194321709 0.259046426 0.210978221 0.146692893 0.308115066
## 7 8 9 10 11 12
## 0.194138014 0.095057493 0.189588498 0.090936472 0.164110217 0.212309974
## 13 14 15 16 17 18
## 0.096002072 0.079121501 0.262219440 0.071658797 0.123446160 0.038899348
## 19 20 21 22 23 24
## 0.033042980 0.173146511 0.043155658 0.479249774 0.112679199 0.227758366
## 25 26 27 28 29 30
## 0.366357246 0.012342696 0.471479474 0.170176024 0.036189665 0.109534604
## 31 32 33 34 35 36
## 0.202993784 0.059385024 0.259138276 0.174196009 0.097740189 0.102838383
## 37 38 39 40 41 42
## 0.207063194 0.176774082 0.186012370 0.375976144 0.085769633 0.175855608
## 43 44 45 46 47 48
## 0.258431971 0.337656041 0.265557033 0.014358704 0.181873164 0.145143794
## 49 50 51 52 53 54
## 0.350466945 0.095903746 0.185460069 0.228385150 0.196545040 0.045572523
## 55 56 57 58 59 60
## 0.132776096 0.099228467 0.263028603 0.172977329 0.048187826 0.064930985
## 61 62 63 64 65 66
## 0.057635214 0.331088796 0.012837240 0.363997775 0.039860112 0.021458923
## 67 68 69 70 71 72
## 0.335251974 0.070741187 0.342955775 0.110606995 0.449782471 0.148522497
## 73 74 75 76 77 78
## 0.303965129 0.102171937 0.091870925 0.151179225 0.466877156 0.057063784
## 79 80 81 82 83 84
## 0.069149207 0.148687056 0.070873609 0.235202675 0.065458119 0.028672023
## 85 86 87 88 89 90
## 0.130005463 0.117960455 0.284987391 0.095376536 0.075983417 0.148169560
## 91 92 93 94 95 96
## 0.072675052 0.225733124 0.168493026 0.142253002 0.303305873 0.031733278
## 97 98 99 100 101 102
## 0.152843619 0.094634478 0.118605686 0.093851129 0.258819135 0.362738066
## 103 104 105 106 107 108
## 0.303612194 0.196152257 0.028847514 0.009271043 0.040956983 0.291017524
## 109 110 111 112 113 114
## 0.094253491 0.189890140 0.358907227 0.266951601 0.027871960 0.123346053
## 115 116 117 118 119 120
## 0.104550735 0.194594346 0.150782949 0.125796569 0.071307525 0.052206734
## 121 122 123 124 125 126
## 0.165955679 0.099010173 0.118008173 0.032483677 0.136244387 0.158609792
## 127 128 129 130 131 132
## 0.036452530 0.400139506 0.096430840 0.129903456 0.324616443 0.268786006
## 133 134 135 136 137 138
## 0.171910023 0.090992571 0.176002035 0.095606747 0.135829674 0.144550152
## 139 140 141 142 143 144
## 0.101521360 0.093981528 0.309073148 0.180476250 0.199011803 0.246728132
## 145 146 147 148 149 150
## 0.182467642 0.158495958 0.195581691 0.052196435 0.202134105 0.339262217
## 151 152 153 154 155 156
## 0.166336503 0.159212499 0.207471667 0.132363093 0.269602488 0.053268900
## 157 158 159 160 161 162
## 0.079029514 0.140766490 0.061937163 0.340363421 0.091845763 0.073375707
## 163 164 165 166 167 168
## 0.096304934 0.031944396 0.053192210 0.040365549 0.105284067 0.073672441
## 169 170 171 172 173 174
## 0.158242883 0.228018749 0.149609688 0.675173583 0.480016465 0.088918768
## 175 176 177 178 179 180
## 0.219834974 0.136557718 0.199013018 0.219584306 0.107519184 0.206255984
## 181 182 183 184 185 186
## 0.075830925 0.312892691 0.417499499 0.108203061 0.140191228 0.158080241
## 187 188 189 190 191 192
## 0.015129457 0.048640328 0.094051554 0.086627691 0.013301449 0.312085962
## 193 194 195 196 197 198
## 0.083626012 0.043074865 0.007108715 0.185491626 0.404220588 0.037246766
## 199 200 201 202 203 204
## 0.076683262 0.058672656 0.272267004 0.023057379 0.152846710 0.093207348
## 205 206 207 208 209 210
## 0.123840145 0.085354420 0.134545110 0.335097762 0.037138757 0.074266654
## 211 212 213 214 215 216
## 0.065609723 0.064748222 0.302508821 0.046838229 0.375919595 0.090932776
## 217 218 219 220 221 222
## 0.547138074 0.261435391 0.089946633 0.232406899 0.217223700 0.151984637
## 223 224 225 226 227 228
## 0.042525415 0.067816012 0.053499658 0.098412788 0.223362913 0.155441841
## 229 230 231 232 233 234
## 0.337558343 0.202719615 0.182898036 0.011287429 0.197197276 0.016120732
## 235 236 237 238 239 240
## 0.098174009 0.029001579 0.193356464 0.030820469 0.232714577 0.220180719
## 241 242 243 244 245 246
## 0.106557738 0.068514048 0.158720836 0.069667198 0.011332791 0.047185664
## 247 248 249 250 251 252
## 0.092632223 0.140487756 0.175972162 0.136556329 0.075383159 0.157632622
## 253 254 255 256 257 258
## 0.196037040 0.259452990 0.080636348 0.095493507 0.173274698 0.011061357
## 259 260 261 262 263 264
## 0.096187314 0.435366365 0.253119578 0.062049961 0.387454174 0.049687212
## 265 266 267 268 269 270
## 0.230190196 0.164576653 0.062517741 0.078675716 0.023630015 0.090612588
## 271 272 273 274 275 276
## 0.060246232 0.026762628 0.095434887 0.104021467 0.227716777 0.009102457
## 277 278 279 280 281 282
## 0.039739772 0.189587217 0.142870232 0.015999103 0.018055342 0.150286199
## 283 284 285 286 287 288
## 0.394594506 0.064827507 0.270011996 0.210112162 0.159169381 0.052370691
## 289 290 291 292 293 294
## 0.136673947 0.173850536 0.117191963 0.258006134 0.352339329 0.230751473
## 295 296 297 298 299 300
## 0.176176340 0.134427564 0.280059345 0.144513198 0.144904643 0.090791233
## 301 302 303 304 305 306
## 0.114073516 0.429454257 0.273334544 0.100940974 0.030981194 0.058256974
## 307 308 309 310 311 312
## 0.151680897 0.049118366 0.036214873 0.073638009 0.208275557 0.210686153
## 313 314 315 316 317 318
## 0.074777581 0.096418730 0.034831355 0.315496147 0.067087290 0.120871023
## 319 320 321 322 323 324
## 0.313250606 0.202873651 0.327556937 0.075797560 0.147526737 0.086535571
## 325 326 327 328 329 330
## 0.064816156 0.096212070 0.020669718 0.151801395 0.398188275 0.017081974
## 331 332 333 334 335 336
## 0.134826162 0.096588231 0.320774371 0.084697565 0.083456967 0.087295449
## 337 338 339 340 341 342
## 0.218215468 0.165583654 0.116960934 0.173885793 0.047734723 0.024718495
## 343 344 345 346 347 348
## 0.117086646 0.116484001 0.174712039 0.076189404 0.215887786 0.517853391
## 349 350 351 352 353 354
## 0.038534773 0.090453518 0.163034016 0.165151637 0.061380649 0.115480171
## 355 356 357 358 359 360
## 0.090816161 0.151832202 0.114649739 0.631517933 0.115125720 0.129078971
## 361 362 363 364 365 366
## 0.076466284 0.130864026 0.172865239 0.373925517 0.178127275 0.046854587
## 367 368 369 370 371 372
## 0.380158856 0.077144223 0.138658970 0.301219098 0.445433861 0.202909655
## 373 374 375 376 377 378
## 0.199277674 0.116896223 0.238912955 0.089173354 0.128161370 0.125871679
## 379 380 381 382 383 384
## 0.136951825 0.035605213 0.146514547 0.258673914 0.499067693 0.167514206
## 385 386 387 388 389 390
## 0.119309444 0.313482418 0.163787955 0.159122995 0.167882930 0.265531523
## 391 392 393 394 395 396
## 0.030927382 0.105922954 0.026244884 0.070986894 0.170808212 0.168270688
## 397 398 399 400 401 402
## 0.080464362 0.266069414 0.051592612 0.214575043 0.022572467 0.182185553
## 403 404 405 406 407 408
## 0.268334771 0.176172127 0.137478944 0.174969879 0.064178047 0.090149100
## 409 410 411 412 413 414
## 0.015876872 0.146270947 0.127132759 0.025697593 0.077629569 0.138062900
## 415 416 417 418 419 420
## 0.427284843 0.292320581 0.175520589 0.031692559 0.070852178 0.052772611
## 421 422 423 424 425 426
## 0.037384951 0.158633392 0.298197207 0.099361724 0.032627992 0.019545686
## 427 428 429 430 431 432
## 0.109031560 0.237234549 0.057526672 0.017822619 0.207459581 0.223197652
## 433 434 435 436 437 438
## 0.101313942 0.073025546 0.044824217 0.031480806 0.070994055 0.438522747
## 439 440 441 442 443 444
## 0.067987033 0.094303561 0.196480863 0.221457948 0.077184962 0.342831368
## 445 446 447 448 449 450
## 0.139207405 0.100380679 0.121944954 0.168889829 0.071873750 0.192563676
## 451 452 453 454 455 456
## 0.211799437 0.111864161 0.201670240 0.270979790 0.064228942 0.017066386
## 457 458 459 460 461 462
## 0.042458299 0.635182176 0.057333428 0.082790419 0.145738427 0.307637805
## 463 464 465 466 467 468
## 0.242746835 0.197313969 0.109914303 0.087132201 0.065882410 0.057640998
## 469 470 471 472 473 474
## 0.121940559 0.091140470 0.281243526 0.048752739 0.103066592 0.011140832
## 475 476 477 478 479 480
## 0.096163805 0.170464122 0.160813975 0.071526378 0.224593135 0.204835852
## 481 482 483 484 485 486
## 0.488369173 0.084861567 0.229595938 0.174772741 0.091166284 0.108694561
## 487 488 489 490 491 492
## 0.094998283 0.301227855 0.080084243 0.012528912 0.365804469 0.126510322
## 493 494 495 496 497 498
## 0.044266217 0.265762987 0.170316261 0.268761368 0.358969162 0.010784591
## 499 500 501 502 503 504
## 0.116537015 0.104632806 0.060935237 0.182054877 0.324887752 0.095861364
## 505 506 507 508 509 510
## 0.420953706 0.095536402 0.052852629 0.150345981 0.125096836 0.070185462
## 511 512 513 514 515 516
## 0.096453381 0.062828299 0.210341855 0.294749652 0.512974496 0.075350304
## 517 518 519 520 521 522
## 0.196050725 0.196809678 0.263990600 0.133930490 0.145844080 0.179296006
## 523 524 525 526 527 528
## 0.152968470 0.117794772 0.163583592 0.319322073 0.205599886 0.241283300
## 529 530 531 532 533 534
## 0.223282736 0.111312116 0.120063468 0.070998682 0.449140103 0.229289559
## 535 536 537 538 539 540
## 0.025437275 0.014978126 0.430335128 0.138292684 0.025290023 0.228323441
## 541 542 543 544 545 546
## 0.319163267 0.035666995 0.139048189 0.123339231 0.083484495 0.092250192
## 547 548 549 550 551 552
## 0.384382682 0.178104857 0.171613838 0.172712496 0.205566051 0.160981561
## 553 554 555 556 557 558
## 0.033134326 0.194723958 0.243557093 0.228158000 0.196240402 0.069125959
## 559 560 561 562 563 564
## 0.122379602 0.118420992 0.126896380 0.066198060 0.196306036 0.207415547
## 565 566 567 568 569 570
## 0.263726463 0.219854058 0.417127280 0.206655634 0.024337249 0.217012004
## 571 572 573 574 575 576
## 0.039015125 0.113385018 0.102274780 0.427013181 0.180330142 0.124155042
## 577 578 579 580 581 582
## 0.222804576 0.167379307 0.422607527 0.322998098 0.162729381 0.101829642
## 583 584 585 586 587 588
## 0.212412490 0.215051404 0.018880214 0.216382661 0.071095666 0.111403537
## 589 590 591 592 593 594
## 0.017923956 0.213636913 0.040745305 0.431039055 0.015714037 0.116807444
## 595 596 597 598 599 600
## 0.114244731 0.045114920 0.251426449 0.062503110 0.201487207 0.257190317
## 601 602 603 604 605 606
## 0.081716325 0.310709427 0.112528976 0.255835114 0.130166725 0.191186663
## 607 608 609 610 611 612
## 0.317875331 0.087749844 0.241207141 0.031832677 0.020495176 0.099847670
## 613 614 615 616 617 618
## 0.200936060 0.128640771 0.219281287 0.057197521 0.039734431 0.222326474
## 619 620 621 622 623 624
## 0.348240126 0.227145280 0.379033599 0.107876534 0.112281744 0.123584187
## 625 626 627 628 629 630
## 0.058142659 0.113758030 0.092306863 0.039988547 0.109171643 0.095429535
## 631 632 633 634 635 636
## 0.068708143 0.086413139 0.322512235 0.297756259 0.270714595 0.043292370
## 637 638 639 640 641 642
## 0.232906487 0.042490859 0.278705678 0.180336828 0.045315872 0.285840503
## 643 644 645 646 647 648
## 0.246353926 0.069420380 0.094888540 0.165018241 0.053423738 0.057406008
## 649 650 651 652 653 654
## 0.262706523 0.046661581 0.120454473 0.124306702 0.172412880 0.012929442
## 655 656 657 658 659 660
## 0.114381709 0.216703432 0.180467021 0.078627262 0.205583038 0.250521597
## 661 662 663 664 665 666
## 0.143276368 0.096974401 0.399802496 0.188622900 0.056722886 0.287017900
## 667 668 669 670 671 672
## 0.099159420 0.076822158 0.101713356 0.198538147 0.247109171 0.141617481
## 673 674 675 676 677 678
## 0.267655271 0.371425666 0.049775296 0.213671836 0.073915217 0.092389923
## 679 680 681 682 683 684
## 0.126541578 0.068577980 0.151959056 0.055079832 0.085382440 0.260310892
## 685 686 687 688 689 690
## 0.099364475 0.631385440 0.309562036 0.239133846 0.469409361 0.351080883
## 691 692 693 694 695 696
## 0.065140989 0.203065978 0.129316740 0.066234206 0.119825922 0.083919430
## 697 698 699 700 701 702
## 0.069609451 0.284630596 0.165447645 0.014534157 0.235723238 0.039069372
## 703 704 705 706 707 708
## 0.103369840 0.131268203 0.072677563 0.225157824 0.087573869 0.130345308
## 709 710 711 712 713 714
## 0.053415422 0.222714731 0.040229473 0.366924879 0.174576301 0.081232487
## 715 716 717 718 719 720
## 0.010600917 0.199446450 0.021405716 0.156025695 0.098616279 0.265156370
## 721 722 723 724 725 726
## 0.133979306 0.028637882 0.207986243 0.036159553 0.081321238 0.107421623
## 727 728 729 730 731 732
## 0.287759088 0.129638140 0.046085129 0.038977114 0.073010255 0.370161314
## 733 734 735 736 737 738
## 0.458706315 0.067853840 0.205328336 0.209905537 0.095561317 0.192048844
## 739 740 741 742 743 744
## 0.025692438 0.075838943 0.063155207 0.030864018 0.095304762 0.052035006
## 745 746 747 748 749 750
## 0.123247408 0.179589013 0.005018573 0.206892776 0.278201880 0.018602601
## 751 752 753 754 755 756
## 0.042795044 0.074360936 0.363791876 0.272346254 0.184101170 0.025266166
## 757 758 759 760 761 762
## 0.120481029 0.058014459 0.052960648 0.438432647 0.262141847 0.077397510
## 763 764 765 766 767 768
## 0.345771586 0.210731429 0.290564502 0.206271178 0.015079785 0.263183005
## 769 770 771 772 773 774
## 0.178451122 0.192222183 0.008186712 0.083122437 0.199701898 0.097266468
## 775 776 777 778 779 780
## 0.041277723 0.049804815 0.476509891 0.412108190 0.126418886 0.127996131
## 781 782 783 784 785 786
## 0.115612227 0.172962449 0.085622195 0.113991302 0.055852258 0.034203661
## 787 788 789 790 791 792
## 0.048939514 0.102268451 0.223208474 0.129866233 0.043542693 0.287006830
## 793 794 795 796 797 798
## 0.313841297 0.105346793 0.186153775 0.083044336 0.082902491 0.100245940
## 799 800 801 802 803 804
## 0.304213866 0.031469560 0.224913134 0.468776864 0.345369920 0.046398557
## 805 806 807 808 809 810
## 0.016272838 0.081086317 0.127988838 0.084388177 0.074236054 0.069799812
## 811 812 813 814 815 816
## 0.034709514 0.298599454 0.141800503 0.043613838 0.031857344 0.327015889
## 817 818 819 820 821 822
## 0.109998812 0.054456884 0.272278785 0.146154674 0.183652983 0.076980428
## 823 824 825 826 827 828
## 0.347717548 0.210293299 0.158091204 0.069906434 0.190063255 0.176850631
## 829 830 831 832 833 834
## 0.154324817 0.334940670 0.074703701 0.216413655 0.052867960 0.125931204
## 835 836 837 838 839 840
## 0.141720622 0.301539002 0.201739355 0.123727353 0.322658423 0.440632329
## 841 842 843 844 845 846
## 0.131091344 0.265592388 0.098660408 0.071844116 0.129911668 0.137764856
## 847 848 849 850 851 852
## 0.049642139 0.427857297 0.174032358 0.298847283 0.157147990 0.019362395
## 853 854 855 856 857 858
## 0.090161897 0.353005163 0.095524060 0.059317081 0.239722934 0.243607817
## 859 860 861 862 863 864
## 0.012457980 0.097805337 0.167193260 0.058991339 0.146620864 0.174822480
## 865 866 867 868 869 870
## 0.095789255 0.229559143 0.353789302 0.055161693 0.193127812 0.020554109
## 871 872 873 874 875 876
## 0.166306174 0.168156332 0.283884110 0.100180285 0.092075043 0.147120368
## 877 878 879 880 881 882
## 0.306075262 0.043425015 0.114197742 0.096677843 0.254425552 0.313496443
## 883 884 885 886 887 888
## 0.064218815 0.094120377 0.139612035 0.249456751 0.136045900 0.102521096
## 889 890 891 892 893 894
## 0.033810025 0.211479811 0.068072642 0.103380939 0.181551072 0.066901983
## 895 896 897 898 899 900
## 0.013380552 0.127681297 0.243532181 0.239459994 0.010295968 0.015918250
## 901 902 903 904 905 906
## 0.242537855 0.312633340 0.105204726 0.047875347 0.029082808 0.013398924
## 907 908 909 910 911 912
## 0.121748864 0.042116164 0.088226433 0.191064193 0.137975239 0.517221570
## 913 914 915 916 917 918
## 0.183670332 0.082763013 0.016725806 0.374857630 0.038183157 0.463295718
## 919 920 921 922 923 924
## 0.046509773 0.078731123 0.186792509 0.407332445 0.021224840 0.329692927
## 925 926 927 928 929 930
## 0.111425162 0.161799024 0.139960014 0.236248845 0.049693082 0.147940139
## 931 932 933 934 935 936
## 0.379483132 0.106502522 0.093807753 0.394393686 0.313931261 0.106997769
## 937 938 939 940 941 942
## 0.089422365 0.021088214 0.106294611 0.091554891 0.333657057 0.075447654
## 943 944 945 946 947 948
## 0.072744220 0.477640030 0.030057285 0.036540241 0.257818033 0.263803760
## 949 950 951 952 953 954
## 0.063099898 0.206019832 0.036456904 0.203104090 0.627481107 0.211311608
## 955 956 957 958 959 960
## 0.008934624 0.014822277 0.068934997 0.046552042 0.037546412 0.157545111
## 961 962 963 964 965 966
## 0.368010140 0.341122665 0.053468497 0.174491734 0.410552964 0.085626430
## 967 968 969 970 971 972
## 0.085715077 0.155063842 0.405462012 0.109275842 0.165652743 0.094549595
## 973 974 975 976 977 978
## 0.121330920 0.068792052 0.374229565 0.117730976 0.042939301 0.054837616
## 979 980 981 982 983 984
## 0.060917367 0.088812883 0.460954043 0.272116544 0.182274927 0.126263824
## 985 986 987 988 989 990
## 0.267745158 0.079746393 0.110514168 0.191227753 0.099233353 0.117597104
## 991 992 993 994 995 996
## 0.122849048 0.226341059 0.021146164 0.142048630 0.061979394 0.212139551
## 997 998 999 1000 1001 1002
## 0.116093583 0.254287610 0.172764125 0.059729420 0.197082355 0.216991622
## 1003 1004 1005 1006 1007 1008
## 0.161938762 0.090401101 0.345353680 0.328523034 0.463217068 0.196654352
## 1009 1010 1011 1012 1013 1014
## 0.031129789 0.023330178 0.016257987 0.247023610 0.585810769 0.220943038
## 1015 1016 1017 1018 1019 1020
## 0.065227179 0.271093228 0.349690472 0.214562772 0.135143613 0.241025087
## 1021 1022 1023 1024 1025 1026
## 0.087651211 0.274808153 0.126412792 0.204592716 0.018629158 0.178499113
## 1027 1028 1029 1030 1031 1032
## 0.075681270 0.144592282 0.133122319 0.045765271 0.047957687 0.055332884
## 1033 1034 1035 1036 1037 1038
## 0.191984321 0.310792451 0.060891507 0.436717517 0.149398828 0.039275893
## 1039 1040 1041 1042 1043 1044
## 0.208905546 0.189698442 0.016857695 0.326002098 0.131546910 0.063310028
## 1045 1046 1047 1048 1049 1050
## 0.075750243 0.105111740 0.284870750 0.418088820 0.443872856 0.153837531
## 1051 1052 1053 1054 1055 1056
## 0.290953838 0.277631262 0.063666554 0.087417146 0.049943328 0.052965915
## 1057 1058 1059 1060 1061 1062
## 0.325390155 0.513284384 0.368555537 0.214685476 0.518918167 0.160825205
## 1063 1064 1065 1066 1067 1068
## 0.179344217 0.085650448 0.163668041 0.103033648 0.141519253 0.164520504
## 1069 1070 1071 1072 1073 1074
## 0.539499968 0.115481730 0.608336765 0.148010556 0.253948346 0.100329997
## 1075 1076 1077 1078 1079 1080
## 0.161341335 0.065145709 0.024533138 0.381502069 0.038655714 0.163693209
## 1081 1082 1083 1084 1085 1086
## 0.051413394 0.158399534 0.255886606 0.390611352 0.125900885 0.344328069
## 1087 1088 1089 1090 1091 1092
## 0.087641692 0.200862142 0.123185602 0.075855712 0.089528046 0.260739596
## 1093 1094 1095 1096 1097 1098
## 0.096813078 0.068300008 0.246854967 0.091944948 0.057077212 0.175566350
## 1099 1100 1101 1102 1103 1104
## 0.032268761 0.074438994 0.200808718 0.110399717 0.300217260 0.111747116
## 1105 1106 1107 1108 1109 1110
## 0.122826234 0.223079725 0.156982471 0.228225696 0.367357490 0.127819515
## 1111 1112 1113 1114 1115 1116
## 0.182351570 0.035998948 0.125620412 0.093977938 0.211198950 0.190276068
## 1117 1118 1119 1120 1121 1122
## 0.018358269 0.065243048 0.096945951 0.118842739 0.402444322 0.258949638
## 1123 1124 1125 1126 1127 1128
## 0.300935133 0.167014628 0.112096873 0.062735008 0.026337546 0.130260658
## 1129 1130 1131 1132 1133 1134
## 0.248695935 0.022506324 0.110354505 0.163207344 0.263680177 0.102148758
## 1135 1136 1137 1138 1139 1140
## 0.091751236 0.126403103 0.160050405 0.064029826 0.077373300 0.085609330
## 1141 1142 1143 1144 1145 1146
## 0.009061504 0.170606083 0.278490215 0.155496712 0.596215725 0.098273760
## 1147 1148 1149 1150 1151 1152
## 0.109367362 0.190308681 0.150227783 0.146567906 0.155276923 0.124306689
## 1153 1154 1155 1156 1157 1158
## 0.181200459 0.506022823 0.023961183 0.095551658 0.047194171 0.054864737
## 1159 1160 1161 1162 1163 1164
## 0.082687057 0.313955543 0.050239533 0.063484377 0.140710868 0.139916905
## 1165 1166 1167 1168 1169 1170
## 0.105567064 0.187341555 0.032651601 0.096903360 0.288532835 0.108902623
## 1171 1172 1173 1174 1175 1176
## 0.322357706 0.385858154 0.287542385 0.111006213 0.130047287 0.110999782
## 1177 1178 1179 1180 1181 1182
## 0.028097823 0.045713990 0.364772235 0.095444977 0.328714426 0.028440052
## 1183 1184 1185 1186 1187 1188
## 0.052091116 0.098865488 0.017166709 0.016901287 0.382208749 0.130963247
## 1189 1190 1191 1192 1193 1194
## 0.187516311 0.096136887 0.094321212 0.120221493 0.167675239 0.448088595
## 1195 1196 1197 1198 1199 1200
## 0.044450509 0.055209860 0.247538099 0.526413711 0.046939184 0.089056453
## 1201 1202 1203 1204 1205 1206
## 0.113642750 0.218336013 0.110108635 0.054594732 0.340192958 0.345642366
## 1207 1208 1209 1210 1211 1212
## 0.104333480 0.119991441 0.080515964 0.025608652 0.165957772 0.106001845
## 1213 1214 1215 1216 1217 1218
## 0.093108051 0.134620203 0.047327061 0.255628898 0.086318353 0.098548787
## 1219 1220 1221 1222 1223 1224
## 0.202393297 0.116235354 0.259414455 0.021293503 0.221123173 0.113784111
## 1225 1226 1227 1228 1229 1230
## 0.127644770 0.062940316 0.196856252 0.111814016 0.084064738 0.128859502
## 1231 1232 1233 1234 1235 1236
## 0.147236634 0.228261014 0.072488543 0.093875886 0.115662009 0.053034104
## 1237 1238 1239 1240 1241 1242
## 0.192270549 0.318082736 0.288326668 0.238857334 0.029911462 0.093525897
## 1243 1244 1245 1246 1247 1248
## 0.074078790 0.079517944 0.448295079 0.267941238 0.230058304 0.104434465
## 1249 1250 1251 1252 1253 1254
## 0.183020873 0.447958459 0.280313406 0.174337461 0.091718303 0.223149444
## 1255 1256 1257 1258 1259 1260
## 0.263968367 0.319483822 0.271017243 0.111512232 0.180448642 0.088329221
## 1261 1262 1263 1264 1265 1266
## 0.177536694 0.063073584 0.214902294 0.122488158 0.027331351 0.065919809
## 1267 1268 1269 1270 1271 1272
## 0.168790165 0.079960168 0.016248515 0.269763746 0.225962271 0.450668569
## 1273 1274 1275 1276 1277 1278
## 0.111201875 0.203864118 0.117792880 0.033845812 0.222322996 0.008521618
## 1279 1280 1281 1282 1283 1284
## 0.106128549 0.235291800 0.175992939 0.222607128 0.185545066 0.104470677
## 1285 1286 1287 1288 1289 1290
## 0.066767055 0.163559399 0.183217467 0.142461143 0.026662884 0.114732760
## 1291 1292 1293 1294 1295 1296
## 0.248113335 0.320900000 0.192376070 0.144134449 0.201191597 0.068695156
## 1297 1298 1299 1300 1301 1302
## 0.112302995 0.260160343 0.070460008 0.046365993 0.123914635 0.020327449
## 1303 1304 1305 1306 1307 1308
## 0.120880677 0.051588788 0.139252267 0.055658256 0.260680329 0.169624069
## 1309 1310 1311 1312 1313 1314
## 0.113701935 0.257795081 0.043743560 0.157007095 0.287265237 0.262896391
## 1315 1316 1317 1318 1319 1320
## 0.080095177 0.089964586 0.191897022 0.326543518 0.147858865 0.401230657
## 1321 1322 1323 1324 1325 1326
## 0.059334932 0.263333776 0.036309113 0.065178071 0.062263986 0.216070497
## 1327 1328 1329 1330 1331 1332
## 0.237347648 0.084238432 0.180172346 0.243452891 0.014538220 0.018872839
## 1333 1334 1335 1336 1337 1338
## 0.307295222 0.150418102 0.259702200 0.066211173 0.090724935 0.247435072
## 1339 1340 1341 1342 1343 1344
## 0.361178346 0.294618352 0.149445993 0.085656545 0.070473623 0.389196024
## 1345 1346 1347 1348 1349 1350
## 0.160063363 0.126618932 0.063750654 0.388137339 0.029689823 0.120182718
## 1351 1352 1353 1354 1355 1356
## 0.265627385 0.022652407 0.154143809 0.109286812 0.194598396 0.190530369
## 1357 1358 1359 1360 1361 1362
## 0.208112514 0.056750051 0.086082959 0.086776389 0.087358002 0.165143855
## 1363 1364 1365 1366 1367 1368
## 0.305364024 0.293189888 0.178023478 0.717252187 0.076173710 0.170123861
## 1369 1370 1371 1372 1373 1374
## 0.116159339 0.190585214 0.058462756 0.243200948 0.141943469 0.234560801
## 1375 1376 1377 1378 1379 1380
## 0.024527589 0.392493648 0.057091164 0.020975748 0.102641094 0.378093261
## 1381 1382 1383 1384 1385 1386
## 0.238724526 0.148085864 0.087693633 0.079280281 0.138737485 0.083069898
## 1387 1388 1389 1390 1391 1392
## 0.365524591 0.151331918 0.022928861 0.250744189 0.081460239 0.515976538
## 1393 1394 1395 1396 1397 1398
## 0.124166366 0.271455864 0.079874107 0.204704156 0.278015009 0.122424475
## 1399 1400 1401 1402 1403 1404
## 0.116312108 0.066487318 0.375926244 0.030281094 0.095592777 0.207930377
## 1405 1406 1407 1408 1409 1410
## 0.116150898 0.021003245 0.307323326 0.202879821 0.197139398 0.144218093
## 1411 1412 1413 1414 1415 1416
## 0.189480206 0.254518753 0.141034678 0.082961801 0.119166270 0.058442970
## 1417 1418 1419 1420 1421 1422
## 0.215142254 0.192312170 0.161759301 0.120044465 0.088088061 0.025167345
## 1423 1424 1425 1426 1427 1428
## 0.125909451 0.231396021 0.183920413 0.072568123 0.301199393 0.094309451
## 1429 1430 1431 1432 1433 1434
## 0.270408171 0.167725975 0.033189776 0.061583357 0.020963981 0.126693671
## 1435 1436 1437 1438 1439 1440
## 0.064466294 0.202998833 0.538128520 0.012451450 0.494561523 0.087212608
## 1441 1442 1443 1444 1445 1446
## 0.173089771 0.031267495 0.072852860 0.015813817 0.130764679 0.038579148
## 1447 1448 1449 1450 1451 1452
## 0.125197433 0.047071049 0.109827125 0.377147856 0.149760951 0.122136723
## 1453 1454 1455 1456 1457 1458
## 0.190976016 0.102889781 0.309622029 0.242306857 0.151973696 0.133223183
## 1459 1460 1461 1462 1463 1464
## 0.092561430 0.136557752 0.335440140 0.111691924 0.053316533 0.094885622
## 1465 1466 1467 1468 1469 1470
## 0.360919829 0.165755689 0.085262931 0.100922113 0.318140622 0.101421290# Definir el punto de corte
punto_corte <- 0.5
# Crear una tabla resumen
tabla_resumen <- data.frame(
"Probabilidad de rotación" = round(prediccion, 4),
"Recomendación de intervención" = ifelse(prediccion > punto_corte, "Sí (Probabilidad > 0.5)", "No (Probabilidad <= 0.5)")
)
# Mostrar los primeros 20 registros de la tabla resumen
print(head(tabla_resumen, 20))## Probabilidad.de.rotación Recomendación.de.intervención
## 1 0.2282 No (Probabilidad <= 0.5)
## 2 0.1943 No (Probabilidad <= 0.5)
## 3 0.2590 No (Probabilidad <= 0.5)
## 4 0.2110 No (Probabilidad <= 0.5)
## 5 0.1467 No (Probabilidad <= 0.5)
## 6 0.3081 No (Probabilidad <= 0.5)
## 7 0.1941 No (Probabilidad <= 0.5)
## 8 0.0951 No (Probabilidad <= 0.5)
## 9 0.1896 No (Probabilidad <= 0.5)
## 10 0.0909 No (Probabilidad <= 0.5)
## 11 0.1641 No (Probabilidad <= 0.5)
## 12 0.2123 No (Probabilidad <= 0.5)
## 13 0.0960 No (Probabilidad <= 0.5)
## 14 0.0791 No (Probabilidad <= 0.5)
## 15 0.2622 No (Probabilidad <= 0.5)
## 16 0.0717 No (Probabilidad <= 0.5)
## 17 0.1234 No (Probabilidad <= 0.5)
## 18 0.0389 No (Probabilidad <= 0.5)
## 19 0.0330 No (Probabilidad <= 0.5)
## 20 0.1731 No (Probabilidad <= 0.5)#Evaluar la necesidad de intervención
intervencion <- ifelse(prediccion > punto_corte, "Se recomienda intervenir al empleado.", "No se recomienda intervenir al empleado.")
df_intervencion <- data.frame(Probabilidad = "Probabilidad de Rotación", Intervencion = intervencion)
# Crear un gráfico de barras con ggplot2
grafico <- ggplot(df_intervencion, aes(x = Probabilidad, fill = Intervencion)) +
geom_bar() +
labs(title = "Evaluación de Intervención", x = "", y = "") +
scale_fill_manual(values = c("red", "green")) +
theme_minimal()
# Mostrar el gráfico
print(grafico)
En base a la información procesada por el modelo, se concluye que no es necesaria ninguna intervención en el caso de macondo, dado que se encuentra satisfecho en su trabajo.
7. Conclusiones
A partir de los resultados obtenidos y teniendo en cuenta las variables significativas, se propone las siguientes recomendaciones.
- Desarrollar Estrategias Específicas por Departamento:
Identificar problemas específicos de cada departamento y ofrecer acompañamiento psicologico a los trabajadores con responsabilidades bajo presion, por ejemplo ventas. Asi mismo, proponer soluciones para cada departamento adaptandose a las necesidades específicas.
Disminuir la necesidad de realizar viajes frecuentes por negocios: Revisar la necesidad de realizar viajes frecuentes por negocios, en particular para los departamentos con elevadas tasas de rotación. En ese sentido, la implemtación de trabajo remoto, la flexibilidad laboral o aapoyo asistido con personal de otro lugar podria ayudar a mejorar la rotacion de personal.
Gestionar el Equilibrio entre Trabajo y Vida:
Implementar políticas laborales flexibles, como horarios ajustables y opciones de trabajo remoto. Apoyo y Recursos: Ofrecer recursos que faciliten la gestión del estrés y promuevan el bienestar, como programas de bienestar y acceso a asesoramiento.
- Programas de planificacion de jubilación y Mentoring:
Desarrollar programas de mentoring para empleados más jóvenes y nuevas incorporaciones. Planificación de la Jubilación: Brindar apoyo y recursos para la planificación de la jubilación y posibles roles de asesoramiento para empleados veteranos.
Reconocimiento de antigüedad y compromiso: Reconocer la lealtad y dedicación de los empleados que han estado en su cargo por un período prolongado. Desarrollo Profesional: Ofrecer oportunidades para el desarrollo profesional y la promoción interna. Estrategias de Implementación: Comunicación: Comunicar claramente todas las nuevas políticas y estrategias a los empleados para asegurarse de que estén bien informados y se sientan valorados.
Análisis Continuo: Continuar analizando los datos de los empleados y ajustando las estrategias según sea necesario para abordar las nuevas tendencias o problemas que surjan.
Encuestas de Salida: Implementar encuestas de salida para los empleados que deciden irse para entender mejor las razones detrás de su partida y utilizar esos datos para mejorar.
Análisis Continuo: Evaluaciones de Desempeño: Implementar evaluaciones de desempeño regularmente para identificar y abordar posibles insatisfacciones y desarrollar planes de carrera individualizados.
Programas de Desarrollo: Implementar programas de desarrollo de liderazgo y habilidades para todos los niveles de empleados para fomentar el crecimiento profesional y la retención.