Actividad 1: análisis explotario de datos

El siguiente reporte corresponde al análisis explotario de datos de la Actividad 1 del curso Métodos y simulación estadística de la Maestría en Ciencia de Datos. En este se hace un proceso de revisión de la base de datos de rotación de personal de una compañía que presenta problemas de retiro voluntario.

Este informe fue elaborado por:

Se propone, por medio de la exploración de la base de datos, identificar posibles factores relacionanos con la rotación. Para este caso, se seleccionaron las siguientes variables:

La forma en que está estructurado el informe es el siguiente:

1. Se explica la selección de las variables cuantitativas y cualitativas con relación a la formulación de hipótesis sobre la posible incidencia de éstas en la rotaciónd de personal (corresponde al punto 1 de la actividad).

2. Se expone la forma en que se carga en R la base de datos y el llamado a los paquetes requeridos para el análisis.

3. Se hace un análisis univariado de las variables seleccionadas y de la rotación, presentando las gráficas, indicadores o tabulaciones hechas, junto con su respectiva interpretación (corresponde al punto 2 de la actividad).

4. Presenta un análisis bivariado de las 6 variables seleccionadas contra la rotación para indicar posibles relaciones, con sus gráficos, indicadores o tabulaciones, y su interpretación (corresponde al punto 3 de la actividad).

5. Por último, a modo de conclusiones, a partir de los resultados de los análisis univariados y bivariados, se discuten algunas posibles acciones que pueda tomar la empresa para disminuir la rotación (corresponde al punto 4 de la actividad).

1. Selección variables

Instrucción: Seleccionar 3 variables categóricas (distintas de rotación) y 3 variables cuantitativas, que consideren estén relacionadas con la rotación. Nota: Justificar por qué estas variables están relacionadas y que tipo de relación se espera (Hipótesis). Ejemplo: Se espera que las horas extra se relacionen con la rotación ya que las personas podrían desgastarse más al trabajar horas extra y descuidan aspectos personales. La hipótesis es que las personas que trabajan horas extra tienen mayor posibilidad de rotar que las que no trabajan extra. (serian 6, una por variable).

A continuación se presentan las variables seleccionadas de acuerdo con la instrucción:

1. Categóricas (cualitativas):

2. Cuantitativas:

2. Carga de paquetes y base de datos

A continuación se presentan los códigos en R para cargar los paquetes ggplot2 y ggpubr que serán utilizados en el anállisis. Asimismo, se muestra cómo se carga la base de datos a partir de un archivo .xlsx de Excel.

2.1. Carga de paquetes requeridos

require(ggplot2)
## Loading required package: ggplot2
require(ggpubr)
## Loading required package: ggpubr
require(CGPfunctions)
## Loading required package: CGPfunctions
require(table1)
## Loading required package: table1
## 
## Attaching package: 'table1'
## The following objects are masked from 'package:base':
## 
##     units, units<-

2.2. Carga de datos desde Base de datos en archivo Excel

library(readxl)
data=read_excel("C:/Users/Karol/Downloads/Datos_Rotacion2.xlsx", 
  sheet = "Base")
head(data,10)
## # A tibble: 10 x 24
##    Rotación  Edad Viaje d~1 Depar~2 Dista~3 Educa~4 Campo~5 Satis~6 Genero Cargo
##    <chr>    <dbl> <chr>     <chr>     <dbl> <chr>   <chr>     <dbl> <chr>  <chr>
##  1 No          18 No_Viaja  IyD           1 Univer~ Cienci~       4 F      Tecn~
##  2 No          18 No_Viaja  IyD           5 Colegi~ Cienci~       2 M      Inve~
##  3 No          18 No_Viaja  IyD          14 Univer~ Salud         2 F      Inve~
##  4 No          18 Raramente Ventas       10 Univer~ Salud         4 F      Repr~
##  5 No          19 Raramente IyD           3 Colegi~ Salud         2 F      Tecn~
##  6 No          19 Raramente IyD           9 Colegi~ Cienci~       3 M      Inve~
##  7 No          19 Raramente IyD          25 Univer~ Cienci~       2 F      Inve~
##  8 No          20 Raramente IyD           1 Univer~ Cienci~       4 F      Inve~
##  9 No          20 Raramente IyD           3 Univer~ Cienci~       1 M      Tecn~
## 10 No          20 Raramente Ventas        2 Univer~ Salud         3 F      Repr~
## # ... with 14 more variables: Satisfación_Laboral <chr>, Estado_Civil <chr>,
## #   Ingreso_Mensual <dbl>, Trabajos_Anteriores <dbl>, Horas_Extra <chr>,
## #   Porcentaje_aumento_salarial <dbl>, Rendimiento_Laboral <dbl>,
## #   Años_Experiencia <dbl>, Capacitaciones <dbl>,
## #   Equilibrio_Trabajo_Vida <chr>, Antigüedad <dbl>, Antigüedad_Cargo <dbl>,
## #   Años_ultima_promoción <dbl>, Años_acargo_con_mismo_jefe <dbl>, and
## #   abbreviated variable names 1: `Viaje de Negocios`, 2: Departamento, ...
## # i Use `colnames()` to see all variable names

3. Análisis Univariado

Instrucción: Realizar un análisis univariado (caracterización). Nota: Los indicadores o gráficos se usan dependiendo del tipo de variable (cuanti o cuali). Incluir interpretaciones de la rotación.

A continuación se realiza análisis de los datos de rotación de una comapañía. Se seleccionan 6 variables con el fin de establecer hipótesis y realizar un análisis exploratorio de los mismos.

3.1. Variables Categóricas (Cualitativas)

3.1.1. Educación

educacion <- table(data$Educación)
educacion
## 
##   Colegio Completo Colegio Incompleto          Doctorado           Maestría 
##                282                170                 48                398 
##        Universidad 
##                572
barplot(educacion, names.arg = c("Colegio incompleto", "Colegio completo",
                                 "Universidad",
                                 "Maestría",
                                 "Doctorado"), cex.names=.5, col=palette("Paired"))

prop.table(educacion)*100
## 
##   Colegio Completo Colegio Incompleto          Doctorado           Maestría 
##          19.183673          11.564626           3.265306          27.074830 
##        Universidad 
##          38.911565

Observando la tabla de frecuencias absoluta y relativa de educación, como parte de la representación y agregación de los datos, se evidencia que gran parte de la población de la empresa tiene un nivel educativo universitario o superior. Lo que muestra el perfil de los empleados es que el 69.2% tiene título universitario o superior. Donde, el 27.1% de los empleados cuenta con título de maestría, el 3.3% de doctorado y el 38.9% universitario. Teniendo en cuenta esto, podemos resaltar que 7 de cada 10 trabajadores de la compañía tienen un nivel educativo alto, lo que indica un alto grado de capacitación al interior de esta empresa.

3.1.2. Equilibrio Trabajo Vida

equilibrio <- table(data$Equilibrio_Trabajo_Vida)
equilibrio
## 
##     Bueno  El Mejor      Malo Muy Bueno 
##       344       153        80       893
labels <- c("Malo", "Bueno","Muy Bueno","El Mejor")
pie(equilibrio, labels = labels, col=palette("Paired"))

prop.table(equilibrio)*100
## 
##     Bueno  El Mejor      Malo Muy Bueno 
## 23.401361 10.408163  5.442177 60.748299

Cuando se observa la distribución de la evaluación en términos del equilibrio vida trabajo, se encuentra que 5.4% considera que es malo, y el 23.4% considera que es bueno. Esto se puede observar un Bottom Two Boxes (B2B) del 29%. En otras palabras, aproximadamente 3 de cada de 10 empleados se ubican en las dos primeras categorías de la escala. Resaltando que la menor proporción está en quienes lo consideran malo (5.4%). El Top Two Boxes (T2B) es del 71%, ya que lo considera muy bueno (60.7%) y la mejor (10.4%). Estos datos, reflejan que en su mayoría el equilibrio vida-trabajo tiene una percepción positiva, esto es de aproximadamente el 94.5% de los empleados. Aunque la porcentaje de empleados con una evaluación negativa del equilibrio es mínima respecto a la positiva, puede indicar que hay un grupo de empleados que puedan estar buscando alternativas laborales que permitan un mejor equilibrio con su vida laboral. Esto sugiere que el equilibrio vida-trabajo no se ve afectado en la mayor parte de los colaboradores de la empresa.

3.1.3. Satisfacción Laboral

satisfaccion_laboral <- table(data$Satisfación_Laboral)
satisfaccion_laboral
## 
##     Alta     Baja    Media Muy Alto 
##      442      289      280      459
prop.table(satisfaccion_laboral)*100
## 
##     Alta     Baja    Media Muy Alto 
## 30.06803 19.65986 19.04762 31.22449
barplot(satisfaccion_laboral, names.arg = c("Baja", 
                                            "Media",
                                            "Alta",
                                            "Muy Alta"), cex.names=.8, col=palette("Paired"))

Frente a la variable satisfacción laboral, los datos muestran que el 19.7% considera que su satisfacción laboral es baja y el 19% media. Esto se refleja en el B2B con un 38.7% de empleados que no tienen un indicador de satisfacción laboral positivo. Sin embargo, 6 de cada 10 empleados (61.3%) considera que su satisfacción es alta o muy alta. Esto habla en términos generales que la mayoría de los empleados se sienten satisfechos. Aun así, la proporción de empleados que no tienen un indicador de satisfacción positiva es considerable. Esto puede ser resultado de otras condiciones laborales como: salarios, tiempos dedicados a desplazamientos, capacitaciones, etc., que pueden estar afectando la satisfacción. Incluso, dando por sentada la validez interna y que no se presenta autocensura de los empleados consultados, esta proporción puede ser importante al momento de explicar la motivación para la rotación.

3.2. Variables Cuantitativas

3.2.1. Distancia Casa

ggplot(data,aes(x=Distancia_Casa))+geom_histogram(binwidth=1,aes(fill=..count..))+theme() + xlab('Distancia_Casa')+ ylab('Cantidad')+ggtitle("Histograma Distancia_Casa")

boxplot(data$Distancia_Casa,col="#36648B")

summary(data$Distancia_Casa)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   1.000   2.000   7.000   9.193  14.000  29.000
sd(data$Distancia_Casa)
## [1] 8.106864

Para la observación de la variable de distancia del trabajo a la casa, se puede ver que una cuarta parte del equipo vive a una distancia superior a los 14 km, lo que posiblemente signifique mayores tiempos de desplazamientos. Si se mira el gráfico de cajas y bigotes, se muestra que el 25% de los empleados vive entre los 14 y 29 km de distancia. Este porcentaje se ubica en el cuarto cuartil. Por otro lado, el primer cuartil (25%) vive entre 1 y 2 km de distancia. Y el 50% está entre 2 y 14km (segundo y tercer cuartil). La mediana es de 7 km y la media de 9.2 km. El segundo cuartil presenta gran dispersión en términos de la distancia, viéndose reflejada en la desviación estándar con un indicador de 8.1. Como se puede observar con el resumen de datos, es posible afirmar que la mitad del equipo vive a una distancia superior a los 7 km, lo que puede significar para ellos mayor tiempo de desplazamiento. Esto puede considerarse un factor posible para decidir cambiar de empleo.

3.2.2. Porcentaje Aumento Salarial

ggplot(data,aes(x=Porcentaje_aumento_salarial))+geom_histogram(binwidth=1,aes(fill=..count..))+theme() + xlab('Porcentaje_aumento_salarial')+ ylab('Cantidad')+ggtitle("Histograma Porcentaje_aumento_salarial")

boxplot(data$Porcentaje_aumento_salarial,col="#63B8FF")

summary(data$Porcentaje_aumento_salarial)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   11.00   12.00   14.00   15.21   18.00   25.00
sd(data$Porcentaje_aumento_salarial)
## [1] 3.659938

El rango del porcentaje de aumento salarial está en el rango entre 11% y 25%. De acuerdo con el gráfico de cajas y bigotes, se evidencia que la mitad de los empleados tuvo aumentos hasta del 14%, un cuarto entre el 14% y el 18%, y un cuarto de hasta 25%. La mediana fue de 14%, la media de 15.2% y la desviación estándar de 3.7%. Estos datos muestran una alta dispersión en los porcentajes de aumento salariales en los dos cuartiles más altos (diferencia de 11%), y no en los más bajos (diferencia de 3%). Existe entonces, una gran cantidad de población en la empresa cuyo aumento salarial fue de los menores porcentajes. Por su parte, existen datos atípicos en los porcentajes de aumento salarial más altos, pero no es una tendencia que se extienda a la población en general.

3.2.3. Ingreso Mensual

hist(data$Ingreso_Mensual,xlab = "Ingresos Mensuales", ylab = "Frecuencia",main ="Histograma Ingresos Mensuales", col = "lightblue")
grid(nx = NA, ny = NULL, lty = 2, col = "gray", lwd = 1)

boxplot(data$Ingreso_Mensual, col="#BCD2EE")

summary(data$Ingreso_Mensual)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    1009    2911    4919    6503    8379   19999
sd(data$Ingreso_Mensual)
## [1] 4707.957

Para la observación del comportamiento de la variable ingresos mensuales, se puede observar que en el cuarto cuartil hay mayor dispersión de los datos. Incluso la presencia de algunos datos anómalos por encima de los 16 millones de pesos. Cuando se observa la distribución del 25% de los empleados con ingresos superiores, muestran una oscilación de entre 8.4 millones y 20 millones de pesos. Lo cual habla de una brecha importante. Por otro lado, si se mira el primer cuartil es de personas que ganan entre 1 y 2.9 millones de pesos. El segundo cuartil es de personas que ganan entre 2.9 y 4.9 millones y el tercero de 4.9 a 8.4 millones. La media es de 6.5 millones. La desviación estándar es de 4.7 millones. Estos datos muestran una dispersión importante en los datos de ingresos, pero, si se plantea la relación con la rotación, es posible que sean aquellas personas de los primeros dos cuartiles, quienes puedan verse movilizadas en mayor medida a buscar nuevas oportunidades laborales con mejores condiciones salariales.

3.3. Análisis de rotación

rotacion <- table(data$Rotación)
rotacion
## 
##   No   Si 
## 1233  237
pie(rotacion)

prop.table(rotacion)*100
## 
##       No       Si 
## 83.87755 16.12245

Los datos muestran que la rotación voluntaria de personal fue del 16.1%, en otras palabras, 237 empleados dejaron la compañía. Esta es una cifra significativa que puede representar una preocupación para la compañía, por lo que podría significar en términos de pérdida de talento y la necesidad de formar nuevo personal, afectando los procesos operativos de la empresa.

4. Análisis Bivariado

Instrucción: Realizar un análisis de bivariado en donde la variable respuesta sea la rotación, con base en estos resultados identifique cuales son las variables determinantes de la rotación e interpretar. Compare estos resultados con la hipotesis planteada en el punto 1.

A continuación se realiza análisis bivariado de las variables seleccionadas contra la rotación:

4.1. Variables cualitativas respecto a rotación

4.1.1. Educación

prop.table(table(data$Educación, data$Rotación),2)*100
##                     
##                             No        Si
##   Colegio Completo   19.302514 18.565401
##   Colegio Incompleto 11.273317 13.080169
##   Doctorado           3.487429  2.109705
##   Maestría           27.575020 24.472574
##   Universidad        38.361719 41.772152

Al comparar los datos del perfil educativo de las personas que rotaron voluntariamente frente a las que no, no hay diferencias significativas en ninguno de los niveles de educación. La diferencia más significativa es del 3% en el nivel de maestría y universitario. Esto no muestra alguna relación fuerte entre el nivel educativo y la propensión a rotar. Lo que indica la tabla de contingencia es que la relación e hipótesis formulada en el punto 1 de este reporte, no se sostiene. Con la información disponible y los análisis exploratorios, se puede afirmar que en este caso el nivel educativo no se encuentra relacionado sólidamente con la rotación.

4.1.2. Equilibrio vida trabajo

prop.table(table(data$Equilibrio_Trabajo_Vida, data$Rotación),2)*100
##            
##                    No        Si
##   Bueno     23.195458 24.472574
##   El Mejor  10.218978 11.392405
##   Malo       4.460665 10.548523
##   Muy Bueno 62.124899 53.586498

En términos de la evaluación de equilibrio vida trabajo, sí existe evidencia de una relación inversamente proporcional. Quienes califican que el equilibrio es negativo, tienden a rotar más que aquellos que tienen una visión positiva del equilibrio. Mientras el 4.4% de las personas que no rotaron consideran que el equilibrio es malo, entre los que sí lo hicieron fue de 10.5%. Asimismo, se evidencia que los que consideran el equilibrio muy bueno, el 62.1% no rotaron. Por otro lado, los que sí lo hicieron, bajo la misma percepción de equilibrio, fue del 53.6%. Esto parece indicar que la hipótesis es cierta, aunque se requieran análisis más profundos para comprobarla.

Es importante leer los resultados considerando lo siguiente: 1) el equilibrio vida trabajo sí parece tener un efecto en la rotación. 2) por las diferencias en las calificaciones, es importante identificar posibles sesgos de confusión que afecten la interpretación de los datos. 3) con la información disponible, hay que indagar por un enfoque multidimensional de la rotación, puesto que es altamente probable que haya varios factores que influyan en la rotación; algunos de estos pueden ser mejores expectativas de crecimiento profesional, satisfacción laboral, mejor remuneración, nuevos retos u otros asuntos. Esto requiere un análisis multivariado que contemple las relaciones entre variables independientes con la dependiente (rotación).

4.1.3. Satisfacción laboral

prop.table(table(data$Satisfación_Laboral, data$Rotación),2)*100
##           
##                  No       Si
##   Alta     29.92701 30.80169
##   Baja     18.08597 27.84810
##   Media    18.97810 19.40928
##   Muy Alto 33.00892 21.94093

El nivel de satisfacción laboral también parece estar relacionado con la rotación. En este caso, la relación parece evidenciarse en los extremos. Para aquellas personas que consideran que su satisfacción laboral es baja, se observa que un 27.8% sí rotó. Por otra parte, aquellos que no lo hicieron teniendo la misma percepción fue del 18%. Los que consideran que su satisfacción es muy alta, un 33% de estos no rotaron, mientras que de 21.9% sí lo hizo. Estas diferencias permiten ver que sí hay una tendencia que habla de la coherencia de la hipótesis y relación planteada. Sin embargo, como se mencionó en el apartado anterior, esto parece indicar que la rotación tiene un carácter multicausal.

4.2. Variables cuantitativas respecto a rotación

tendencias <- table1::table1(~ Distancia_Casa+Ingreso_Mensual+Porcentaje_aumento_salarial | Rotación, data = data)
tendencias
No
(N=1233)		 Si
(N=237)		 Overall
(N=1470)
Distancia_Casa
Mean (SD) 8.92 (8.01) 10.6 (8.45) 9.19 (8.11)
Median [Min, Max] 7.00 [1.00, 29.0] 9.00 [1.00, 29.0] 7.00 [1.00, 29.0]
Ingreso_Mensual
Mean (SD) 6830 (4820) 4790 (3640) 6500 (4710)
Median [Min, Max] 5200 [1050, 20000] 3200 [1010, 19900] 4920 [1010, 20000]
Porcentaje_aumento_salarial
Mean (SD) 15.2 (3.64) 15.1 (3.77) 15.2 (3.66)
Median [Min, Max] 14.0 [11.0, 25.0] 14.0 [11.0, 25.0] 14.0 [11.0, 25.0] 
data$Distancia_Casa_grupo=cut(data$Distancia_Casa,breaks = c(0,5,10,15,30))
PlotXTabs2(data = data,x = Distancia_Casa_grupo,y = Rotación)

data$Ingreso_Mensual_grupo=cut((data$Ingreso_Mensual)/1000,breaks = c(0,4,8,12,16,20))
PlotXTabs2(data = data,x = Ingreso_Mensual_grupo,y = Rotación)

data$Porcentaje_Aumento_Salarial_grupo=cut(data$Porcentaje_aumento_salarial,breaks = c(10, 13, 16,19,22,25))
PlotXTabs2(data = data , x = Porcentaje_Aumento_Salarial_grupo,y = Rotación)

4.2.1. Distancia casa vs rotación

La distancia entre el lugar de trabajo y la casa parece también tener un efecto en la rotación. Esto se puede deducir de la gráfica elaborada y la tabla de resumen de indicadores. En ellas se puede ver que las personas que rotaron tenían una media más alta en distancia a casa (10.6 km) en comparación con los que no (8.9 km). También tienen una mediana más alta 9 vs 7 km. Sin embargo, tanto los que rotaron como los que no lo hicieron, están en el rango entre 1 y 29km. Si se mira en el segmento de quienes viven entre 10 y 15 km, el porcentaje de rotación es del 22% y de 18% entre quienes viven a más de 15km, en contravía a los que viven a menos de 10 km que es de 14%. Esta diferencia puede ser significativa. Incluso, cuando se observa el valor de p, registrado en la gráfica, al ser 0.011 se puede afirmar que sí hay una relación entre el ingreso y la rotación, ya que es menor a 0.05. Con esta información, es posible afirmar que existe una relación directamente proporcional entre vivir más lejos del trabajo y la tendencia a rotar. Esto posiblemente asociado a mayor tiempo destinado a desplazamientos que a su vez pueden afectar la satisfacción laboral y el equilibrio vida trabajo.

4.2.2. Ingreso mensual vs rotación

En el ingreso mensual, también se puede observar una relación con la rotación. Por lo que se puede afirmar, que la hipótesis se sostiene. Para quienes ganan hasta 4 millones, hubo una rotación del 25%, para quienes tienen un salario por encima de 16 millones fue del 4% y para aquellos que ganan entre 12 y 16 millones, se rotó un 9%. En la gráfica se puede observar que hay un segmento especial, que es el de 8 a 12 millones, en donde aumenta el porcentaje de rotación (16%) lo que puede tener que ver con personas que están en un momento de su carrera laboral que estén interesados en buscar nuevos retos o acceder a niveles jerárquicos superiores que la compañía no logra ofrecer. Esto requeriría otros análisis mirando la interacción con otras variables como la cantidad de años desde la última promoción. Esto último con el fin indagar por otros factores y desestimar posibles sesgos de confusión.

Ahora, frente a los datos, se observa que la media entre quienes rotaron es de 4.8 millones de ingresos y entre quienes no de 6.8 millones. Lo que muestra una tendencia en que personas que ganan menos fueron las que más rotaron. Además, como el valor de p es menor a 0.001 se puede afirmar que sí hay una relación entre el ingreso y la rotación, ya que es menor a 0.05.

4.2.3. Porcentaje de aumento salarial vs rotación

El porcentaje de aumento salarial no parece tener que ver con la rotación. Si se miran los indicadores de tendencia central son muy similares. La diferencia en cada uno no alcanza a ser de 1%. Así mismo, la mediana es igual y el rango. Si se observa por segmentos la rotación, aquellos que recibieron un aumento salarial de entre el 10% y 13%, y aquellos que recibieron un aumento entre 22% y el 25%, sí existen diferencias con los demás aumentos. Sin embargo, estas son de 3 y 4%, lo cual no permite concluir que sea un factor significativo. Adicionalmente, como el valor de p en la gráfica es de 0.64, se muestra que estadísticamente no existe relación estadísticamente significativa entre la rotación y el porcentaje de aumento de salario. Lo que hace que la hipótesis no se sostenga.

5. Conclusiones: posibles estrategias para mitigar la rotación

Instrucción: En las conclusiones se discute sobre cual seria la estrategia para disminuir la rotación en la empresa (con base en las variables que resultaron significativas en el punto 3). Ejemplo: Mejorar el ambiente laboral, los incentivos económicos, distribuir la carga de horas extra (menos turnos y mas personal). Luego de haber hecho el análisis exploratorio de datos con las variables seleccionadas y las hipótesis formuladas, en esta sección se presentan algunas conclusiones orientadas a posibles estrategias de gestión frente a la rotación que puede implementar la empresa.

Antes de identificar las alternativas, es importante mencionar que de las variables seleccionadas se descartó la relación en dos de ellas: educación y porcentaje de aumento salarial. Los datos parecen indicar que estos no tienen una relación significativa con la rotación. Con las otras cuatro variables sí parece haber relación. Por lo tanto, la forma en que se presentan las recomendaciones tiene en cuenta principalmente estas variables. Las estrategias se enuncian y luego se menciona la variable con la que se encuentra relacionada:

Como se mencionó anteriormente, la información parece indicar que la rotación en la empresa es un fenómeno multicausal y que por ende es necesario profundizar el análisis para comprender la forma en que interactúan los factores entre sí, y posiblemente agrupar tendencias en un número de tipologías. Esto a su vez, podría permitir racionalizar las estrategias que permitan maximizar el impacto positivo.