Análisis predictivo

Utiliza análisis predictivo para prever la fuga de talentos en tu empresa

#SICROMTeam Análisis Predictivo, Big Data, Innovación Útil, Transformación Digital

Análisis predictivo en RRHH para evitar la fuga de talentos – Sicrom

Con la llegada de la crisis, la preocupación de todo empleado era mantener su puesto de trabajo, pero actualmente, con la mejora de mercado de trabajo en algunos grupos profesionales, el problema de resolver la fuga de talento vuelve a tomar vital importancia en las empresas.

Además, toda organización desea que los empleados de sus filas sean los mejores profesionales, por lo que a menudo existe el temor a que estos empleados dejen nuestro negocio para pasarse a la competencia. Pero:

¿Podemos conocer los motivos por los qué se marchan?

¿Podemos anticiparnos a que abandonen nuestro negocio y aplicar estrategias y palancas de acción y retención?

Por supuesto, con la analítica de datos es posible conocer qué empleados pueden dejar nuestra compañía y los motivos por los que lo hacen.

Análisis predictivo en Recursos Humanos

Aplicar técnicas estadísticas y de predicción para conocer el comportamiento de las variables relacionadas con los empleados ha sido una tarea común durante los últimos años para estudiar si un empleado puede o no dejar la organización.

Gracias a que ahora disponemos de potentes herramientas de minería de datos y análisis predictivo como IBM SPSS Modeler, podemos afrontar de una manera óptima el problema de la fuga de talento y su traducción en una rotación de empleados no deseada.

Por mencionar algunos ejemplos del análisis predictivo en este campo, podríamos preguntarnos qué acciones debe realizar una empresa para mejorar el desempeño del equipo comercial, o qué acciones deben tomar para reducir las rotaciones de empleados en el equipo técnico.

Destacar también que cuando hablamos de técnicas estadísticas, estamos hablando de niveles de confianza, precisión del modelo y márgenes de error, pero realizando un estudio exhaustivo de los datos objetos de estudio podemos obtener información relevante y con una alta probabilidad de acierto en las predicciones.

¿Quiere más información?
Déjenos su teléfono y le llamamos:

Solución de análisis predictivo IBM SPSS Modeler para evitar la fuga de talento

Con la herramienta de análisis predictivo IBM SPSS Modeler, podemos desarrollar un modelo predictivo con distintos algoritmos de minería de datos para conocer qué empleados pueden abandonar nuestra organización y las causas de ello.

A continuación se muestra cómo debemos proceder para conseguir modelar esta fuga con SPSS Modeler sin necesidad de programar el código manualmente.

Análisis Predictivo

Como se puede observar, podemos diferenciar distintas partes de un proceso de análisis del dato en la imagen, como la obtención de los datos, su procesamiento y limpieza, la preparación de los mismos, y la utilización de los algoritmos adecuados para predecir la variable objetivo, en este caso la variable abandono.

Las fases son las siguientes:

Obtención de los datos

Una vez conocido el fichero de datos que vamos a explotar, lo importamos desde el nodo Origen de SPSS Modeler. En este caso hemos trabajado con un archivo Excel, por lo que utilizamos el nodo de origen Excel para importar dicho fichero de datos.

Análisis PredictivoLectura de datos

Con el nodo Tabla de la paleta resultado, leemos nuestro fichero de datos.

Las variables que contiene el fichero de datos son las siguientes: Años que lleva el trabajador como empleado de la empresa, Número de proyectos en los que ha participado, Promedio de horas que dedica el empleado al mes, si ha tenido alguna vez un accidente de trabajo, a qué departamento pertenece, niveles de satisfacción y de evaluación, si ha promocionado en los últimos años y si ha dejado o no la empresa, siendo esta variable la variable objetivo que queremos predecir.

Análisis PredictivoPreparación de datos

Con el fin de obtener resultados fiables, debemos realizar un estudio previo de la calidad del dato, imputar valores perdidos, originar nuevas variables o estudiar tendencias en los datos, entre otros estudios.

En las paletas Operaciones con registros y Operaciones con campos de SPSS podemos realizar estas tareas.

Análisis PredictivoDivisión de los datos en subconjunto de entrenamiento y subconjunto test

Con el nodo Partición, podemos dividir el conjunto de datos en estos dos subconjuntos.

El subconjunto de entrenamiento tiene como función entrenar el modelo, como su nombre indica, y el subconjunto test tiene como función comprobar si las predicciones generadas por el modelo estadístico son acertadas o no.

Análisis PredictivoCreación del modelo predictivo con el algoritmo clasificador automático

Una de las ventajas que ofrece SPSS Modeler es su modelado de clasificador automático.

Este clasificador toma como entrada los datos previamente preparados y es capaz de conocer qué algoritmo ofrece unos mejores resultados para predecir la variable objetivo, en este caso la variable abandono.

Este clasificador automático (utilizado cuando se pretende predecir una variable categórica o de marca, en nuestro caso si deja nuestra empresa o no), es de especial interés para aquellos perfiles que no dispongan de conocimientos avanzados de estadística, o para dar una idea de cómo se comportan los datos para empleados con un nivel más avanzado en minería de datos.

Análisis PredictivoVisualización del modelo generado

Para observar cómo se comportan las variables a la hora de predecir la variable abandono, visualizamos el diamante generado en nuestro lienzo de rutas para conocer qué modelos presentan una mayor precisión a la hora de predecir la variable abandono.

Análisis Predictivo

Para este conjunto de datos, todos los modelos que vemos en la imagen presentan una alta precisión a la hora de predecir la variable objetivo.

Vamos a ver el comportamiento de las variables en el caso del modelo de árbol de decisión basado en el algoritmo C5.0.

Análisis Predictivo

Debido a las ramificaciones que presenta nuestro árbol de decisión, no es posible mostrar todo el árbol en la imagen, pero resumiendo un poco los resultados que observamos, vemos que las variables que más influyen a la hora de que un empleado deje nuestra empresa son las horas trabajadas por el empleado (un mayor nº de horas implica un mayor grado de abandono o cese), el nivel de satisfacción del empleado, el tiempo que lleva el empleado en la empresa y el nº de proyectos en los que ha participado desde su incorporación a la plantilla, teniendo que analizar y estudiar cada variable para cada ramificación del árbol.

Vista de resultados y validación de predicciones

Si conectamos un nodo Tabla de la paleta Resultado al diamante con los modelos generados, podemos conocer las predicciones de abandono para un cliente determinado y comprobar la calidad de dichas predicciones.

Además, mediante el nodo Evaluación, podemos comprobar si nuestras predicciones son fiables o no.

Análisis Predictivo

Como se puede observar, para el subconjunto de entrenamiento, el modelo acierta en el 98.12% de los casos, y para el subconjunto test o comprobación, el modelo predice correctamente el 98.15% de los casos.

Por último, tras comprobar que la calidad del modelo es excelente, podemos incluir nuevos empleados en nuestro fichero de datos para conocer la probabilidad de abandono que presentan, y en caso de que esta probabilidad sea alta, podamos aplicar acciones para retenerlos.

 

Como podemos ver, esto no es más que otra muestra de las ventajas que presenta el análisis de datos, siempre con el objetivo de optimizar la toma de decisiones de nuestra organización.

En este caso, el predecir y anticiparse a la fuga de talento de nuestra empresa implica:

Mejorar la imagen de la empresa hacia el exterior, ya que el perder talento no es buena publicidad para nuestra organización.

Ahorro de costes, tanto en captación del empleado adecuado, como en costes de formación y tiempo en alcanzar una productividad óptima.

Retención del talento en nuestra empresa, impidiendo que la competencia se haga con los servicios de nuestros mejores empleados.

¿Quiere más información?
Déjenos su teléfono y le llamamos:

 

¿Quiere recibir más información?

Si desea estar informado de las tendencias, recomendaciones y novedades del sectorinscríbase en nuestro boletín de noticias.

Si desea ponerse en contacto con nosotros, visite por favor, el siguiente enlace.

Sicrom