Objetivo general

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 de mayor relevancia al momento de realizar la estimación.

Objetivos específicos

• Realizar un análisis univariado.
• Realizar un análisis bivariado.
• Estimar un modelo de regresión logístico con variable respuesta rotación.
• Evaluar el modelo.
• Predecir la probabilidad de que un individuo rote.
• Definir un corte para decidir si se debe intervenir a un empleado o no.

Descripción de la base de datos

La base de datos contiene datos históricos de 1470 trabajadores y 24 columnas con información sobre sus empleos. Esta información se muestra en la Tabla 1.

Variable respuesta

La variable respuesta para este problema de negocio es rotación, la cual indica si un empleado se mueve hacia otro cargo y se codifica como 1 si hay rotación y como 0 si no la hay.

Variables explicativas seleccionadas

Análisis univariado

Análisis Bivariado

En esta sección se analiza la relación individual entre cada variable y la variable rotación. Como se observa en la Tabla 2, se emplean dos enfoques: pruebas de inferencia estadística clásica (prueba t para comparación de medias y chi-cuadrado para asociaciones entre variables categóricas) y, por otro, modelos de regresión logística simple.

Pruebas de significancia individual

Al observar los resultados de la Tabla 3, podemos identificar lo siguiente:

• Alta significancia (\(p < 0.01\)): Las Horas Extra (\(Z = 9.60\)), el estado civil Soltero (\(Z = 5.03\)) y la Satisfacción Laboral (\(Z = -4.72\)) presentan una significancia estadística alta, lo que indica que son variables clave en la explicación de la rotación de empleados.

• Significancia moderada (\(p < 0.05\)): El Ingreso Mensual (\(Z = -2.08\)) mantiene una relación significativa. Aunque con un efecto menor en comparación con las variables anteriores.

• Baja o no significativa: Un resultado importante del modelo es la pérdida de significancia estadística de la edad (\(p = 0.093\)) y los años de experiencia (\(p = 0.079\)), variables que en el análisis bivariado habían mostrado una relación fuerte con la rotación. Este cambio nos indica que dichas variables, estan influenciadas por otras variables incluidas en el modelo.

Interpretación de los Coeficientes (Beta) y Odds Ratio

Con el fin de facilitar la interpretación práctica del modelo, se analizan los coeficientes estimados tanto en términos de su signo (dirección del efecto) como de su magnitud, a través del odds ratio.

1. Horas Extra (Coeficiente: 1.5208): Es el factor con mayor peso positivo en el modelo. Al convertir este coeficiente a Odds Ratio (\(exp(1.52)\)), encontramos que trabajar horas extra incrementa en más de 4.5 veces las posibilidades de rotación en comparación con quienes tienen una jornada normal. Este resultado nos indica que la sobre carga laboral es la principal causa de renuncias.

2. Estado Civil Soltero (Coeficiente: 0.8587): Los empleados solteros tienen mayor probabilidad de rotar (aprox. 2.3 veces más) en comparación con los demás. Esto valida la hipótesis de que la falta de cargas familiares facilita la rotación en un empleado.

3. Satisfacción Laboral (Coeficiente: -0.3270): El signo negativo indica que es un gran factor protector. Por cada nivel que aumenta la satisfacción, el riesgo de rotación disminuye.

4. Ingreso Mensual (Coeficiente: -0.0001): Su signo negativo indica que a mayor salario, menor probabilidad de rotación. Lo que valida la hipótesis inicial.

Curva AUC y ROC

Como se observa en la Figura 14, el modelo presenta un AUC (Área Bajo la Curva) de 0.773, lo que indica un buen nivel de discriminación entre empleados que rotan y aquellos que permanecen.

Un AUC de este nivel indica que el modelo tiene una capacidad predictiva adecuada, superior al azar, y que logra capturar patrones relevantes en los datos. El valor indica que, existe una probabilidad del 77.3% de que el modelo asigne correctamente una mayor probabilidad de rotación a un empleado que efectivamente se retirará, en comparación con uno que permanecerá.

Métricas de Clasificación

Al analizar la Tabla 4 de indicadores bajo el punto de corte estándar de 0.5, se observan los siguientes resultados:

1. Accuracy 85.85%: El modelo clasifica correctamente a la gran mayoría de los empleados. Sin embargo, este valor está influenciado por el alto número de personas que NO rotan (clase mayoritaria).

2.Precision 73.02%: De cada 10 predicciones de rotación que genera el modelo, aproximadamente 7 son aciertos reales.

3. Recall 19.41%: Es la métrica más baja. Indica que el modelo solo logra detectar al 19.4% de las personas que realmente se van. El modelo deja pasar muchos casos de riesgo sin alertar (Falsos Negativos).

4. F1-Score 0.3067: Este valor indica que, aunque el modelo es relativamente preciso, su capacidad para detectar casos positivos es limitada.

Matriz de Confusión

A partir de la matriz de confusión (Figura 15), se observa que el modelo clasifica correctamente la mayoría de los casos de no rotación (1216 verdaderos negativos), pero presenta dificultades para identificar los casos de rotación.

En particular, se identifican 191 falsos negativos, es decir, empleados que efectivamente rotaron pero que el modelo clasificó como permanentes. Por otro lado, los falsos positivos son bajos (17 casos).

Individuo hipotético

Con el fin de ilustrar la utilidad del modelo, se definió un individuo hipotético con características asociadas a mayor riesgo de rotación: ingreso mensual de $2800 USD, edad de 27 años, 4 años de experiencia laboral, realización de horas extra, estado civil soltero y nivel 1 de satisfacción laboral.

Al aplicar el modelo de regresión logística, la probabilidad estimada de rotación para este empleado fue de 72.67%. Este resultado indica que, bajo las condiciones planteadas, el empleado presenta una probabilidad considerable de rotar, lo cual justificaría una revisión preventiva por parte del área de talento humano.

Definición de punto de corte

Una vez estimadas las probabilidades de rotación, es necesario definir un punto de corte que permita clasificar a los empleados en dos grupos: aquellos con riesgo de rotación y aquellos con probabilidad de permanencia.

En una primera aproximación, se empleó un punto de corte de 0.5, de modo que si la probabilidad estimada es mayor o igual a 0.5, el empleado se clasifica como potencial rotación; en caso contrario, se clasifica como permanencia.

Sin embargo, dado que la base de datos presenta desbalance de clases, este valor no necesariamente es el más conveniente desde el punto de vista gerencial. Por esta razón, se realizó un análisis de sensibilidad para comparar distintos puntos de corte y evaluar cuál ofrece un mejor equilibrio entre detección de empleados en riesgo y errores de clasificación.

Sensibilidad del punto de corte

Con el fin de evaluar la estabilidad de la clasificación, se compararon distintos puntos de corte: 0.3, 0.4, 0.5 y 0.6. Los resultados muestran que, a medida que el punto de corte aumenta, la precisión y la especificidad del modelo también aumentan; sin embargo, la sensibilidad (recall) disminuye de forma importante. Esto indica que, aunque el modelo se vuelve más estricto al identificar empleados en riesgo, también deja de detectar una mayor proporción de casos reales de rotación.

En la Tabla 5 se nota que con un punto de corte de 0.3 se obtuvo el mayor valor de recall (43.46%) y el mejor F1-score (0.4459), lo que sugiere un mejor equilibrio entre detección de empleados en riesgo y consistencia de la clasificación. Por el contrario, aunque el punto de corte de 0.5 presenta la mayor exactitud global (85.85%) y una precisión más alta (73.02%), su sensibilidad cae a 19.41%, lo que implica que el modelo identifica correctamente a una proporción muy reducida de los empleados que realmente rotan.

Dado que el propósito del análisis es apoyar decisiones preventivas en gestión humana, resulta más conveniente priorizar un punto de corte que permita detectar un mayor número de empleados en riesgo, aun si ello implica aceptar algunos falsos positivos. En este sentido, el punto de corte de 0.3 se considera el más adecuado para fines de intervención.

Criterio de intervención

Todo empleado con una probabilidad estimada de rotación igual o superior a 0.3 será clasificado como caso de riesgo y podrá ser priorizado para seguimiento por parte del área de talento humano.

Este criterio se justifica porque, en contextos organizacionales, suele ser más costoso no identificar a tiempo a un empleado con alta probabilidad de rotación que revisar preventivamente algunos casos adicionales que finalmente no roten. Por ello, se considera razonable privilegiar la sensibilidad del modelo sobre una clasificación excesivamente estricta.

Estrategias para disminuir la rotación

De acuerdo con los resultados obtenidos, una estrategia para disminuir la rotación debería concentrarse en los factores que mostraron mayor asociación con el evento. En primer lugar, se recomienda revisar la distribución de horas extra y la carga laboral, dado que esta variable fue la de mayor efecto positivo en el modelo. En segundo lugar, conviene fortalecer acciones orientadas a mejorar la satisfacción laboral, mediante seguimiento al clima organizacional, espacios de retroalimentación y estrategias de bienestar. Finalmente, sería pertinente evaluar la competitividad salarial en ciertos perfiles o cargos, especialmente en aquellos grupos donde la probabilidad de rotación es más alta. Estas acciones permitirían intervenir de manera más focalizada sobre los empleados con mayor riesgo estimado de rotación.

Anexo 1

## ----setup, include=FALSE----------------------------------------------------------------------------------------------
options(repos = c(CRAN = "https://cloud.r-project.org"))


knitr::opts_chunk$set(echo = TRUE, 
                      warning = FALSE, 
                      message = FALSE, 
                      comment = "|>", 
                      fig.height = 6) 

library(gt)
library(dplyr)
library(readr)
library(tidyr)
library(readxl)
library(knitr)
library(kableExtra)
library(ggplot2)
library(factoextra)
library(paqueteMODELOS)



source ("04-Modelo.R")



## ----tabla_variables, echo = FALSE-------------------------------------------------------------------------------------

tabla_variables <- read.csv(
  "C:/Users/Alejandra/Desktop/Modelos/diccionario.csv",
  fileEncoding = "UTF-8",
  stringsAsFactors = FALSE
)

tabla_variables %>%
  gt() %>%
  tab_header(
    title = "TABLA 1. DESCRIPCION DE LAS VARIABLES DE LA BASE DE DATOS"
  )%>%
  tab_options(
    table.font.names = "sans",
    table.width = pct(100),
    heading.background.color = "#2C3E50",
    column_labels.background.color = "#F4F6F6",
    column_labels.font.weight = "bold"
  )



## ----include=FALSE-----------------------------------------------------------------------------------------------------

source("01-Importar.R")



## ----echo = FALSE, include = FALSE-------------------------------------------------------------------------------------


source ("02-Analisis.R")



## ----echo=FALSE--------------------------------------------------------------------------------------------------------
g1



## ----echo=FALSE--------------------------------------------------------------------------------------------------------
g2


## ----echo=FALSE--------------------------------------------------------------------------------------------------------
g3


## ----echo=FALSE--------------------------------------------------------------------------------------------------------
g4


## ----echo=FALSE--------------------------------------------------------------------------------------------------------
g5


## ----echo=FALSE--------------------------------------------------------------------------------------------------------
g6


## ----echo=FALSE--------------------------------------------------------------------------------------------------------
g7


## ----echo = FALSE, include = FALSE-------------------------------------------------------------------------------------

source ("03-AnalisisBivariado.R")



## ----echo=FALSE--------------------------------------------------------------------------------------------------------
grid.arrange(g_box, g_curva, ncol = 2, widths = c(1.1, 1))


## ----echo=FALSE--------------------------------------------------------------------------------------------------------
g9


## ----echo=FALSE--------------------------------------------------------------------------------------------------------
g10


## ----echo=FALSE--------------------------------------------------------------------------------------------------------
g11_nuevo


## ----echo=FALSE--------------------------------------------------------------------------------------------------------
g12


## ----echo=FALSE--------------------------------------------------------------------------------------------------------
tabla_final_3


## ----echo=FALSE--------------------------------------------------------------------------------------------------------
tabla_modelado


## ----echo=FALSE--------------------------------------------------------------------------------------------------------
plot(roc_obj, col = "#2E86C1", lwd = 3, 
     main = paste("Figura 14. Evaluación del Modelo - AUC:", round(auc_val, 3)))
abline(a = 0, b = 1, lty = 2, col = "red")


## ----echo=FALSE--------------------------------------------------------------------------------------------------------
tabla_metricas


## ----echo=FALSE--------------------------------------------------------------------------------------------------------
g_matriz


## ----echo = FALSE, include = FALSE-------------------------------------------------------------------------------------

# Individuo hipotético
individuo_hipotetico <- data.frame(
  Ingreso_Mensual = 2800,
  Edad = 27,
  Años_Experiencia = 4,
  Horas_Extra = factor("Si", levels = levels(rotacion$Horas_Extra)),
  Estado_Civil = factor("Soltero", levels = levels(rotacion$Estado_Civil)),
  Satisfaccion_Laboral = 1
)

prob_hipotetico <- predict(modelo_global, newdata = individuo_hipotetico, type = "response")
prob_hipotetico



## ----echo = FALSE, tab.cap= "Tabla 5. Muestra los resultados del análisis de sensibilidad del punto de corte"----------

# Función para calcular métricas según punto de corte
calcular_metricas_corte <- function(corte, prob, y_real) {
  pred <- ifelse(prob >= corte, 1, 0)
  
  TP <- sum(pred == 1 & y_real == 1)
  TN <- sum(pred == 0 & y_real == 0)
  FP <- sum(pred == 1 & y_real == 0)
  FN <- sum(pred == 0 & y_real == 1)
  
  accuracy <- (TP + TN) / length(y_real)
  precision <- ifelse((TP + FP) == 0, NA, TP / (TP + FP))
  recall <- ifelse((TP + FN) == 0, NA, TP / (TP + FN))
  especificidad <- ifelse((TN + FP) == 0, NA, TN / (TN + FP))
  f1 <- ifelse(is.na(precision) | is.na(recall) | (precision + recall) == 0,
               NA, 2 * precision * recall / (precision + recall))
  
  data.frame(
    Punto_Corte = corte,
    Accuracy = accuracy,
    Precision = precision,
    Recall = recall,
    Especificidad = especificidad,
    F1 = f1
  )
}

# Comparar varios puntos de corte
cortes <- c(0.30, 0.40, 0.50, 0.60)
tabla_cortes <- do.call(rbind, lapply(cortes, calcular_metricas_corte,
                                      prob = probabilidades,
                                      y_real = rotacion$y))

tabla_sensibilidad <- tabla_cortes %>%
  mutate(
    Accuracy = round(Accuracy, 4),
    Precision = round(Precision, 4),
    Recall = round(Recall, 4),
    Especificidad = round(Especificidad, 4),
    F1 = round(F1, 4)
  ) %>%
  gt() %>%
  tab_header(
    title = "TABLA 5. RESULTADOS ANALISIS DE SENSIBILIDAD",
    subtitle = "Comparación de métricas para distintos puntos de corte"
  ) %>%
  cols_label(
    Punto_Corte = "Punto de corte",
    Accuracy = "Exactitud",
    Precision = "Precision",
    Recall = "Sensibilidad",
    Especificidad = "Especificidad",
    F1 = "F1-Score"
  ) %>%
  tab_options(
    table.font.names = "sans",
    table.width = pct(100),
    heading.background.color = "#2C3E50",
    column_labels.background.color = "#F4F6F6",
    column_labels.font.weight = "bold"
  )

tabla_sensibilidad



## ----echo = FALSE, results = 'asis'------------------------------------------------------------------------------------

# Leer todo el archivo .R
#codigo <- readLines("Anexo_codigo.R")

# Mostrarlo como texto en el documento
#cat(paste(c("```r", codigo, "```"), collapse = "\n"))

# Evitar que R imprima el resultado del chunk
#invisible(NULL)