Las matemáticas también pueden ayudar mucho en el área de Recursos Humanos, por ejemplo estimando la probabilidad de que un empleado se vaya a ir de la compañía y pudiendo anticipar acciones para prevenir dicha marcha.
Para hacer este tipo de modelos, lo más importante vuelve a ser disponer de los datos necesarios. No solo tener el listado de los mismos, sino hacer un análisis preliminar para ver que los datos están todos completos y que la calidad de los mismos es alta. También, poder crear nuevos indicadores que tengan mayor capacidad explicativa.
Se trabaja sobre una base de datos que recoge un periodo de tiempo suficientemente largo, donde hay empleados que no se han dado de baja en todo el periodo y empleados que sí. Por tanto, la variable que vamos a explicar de qué otras variables depende, es la variable «Fuga», que tomará valor 1 si el empleado se dio de baja en el periodo y valor 0, si no. Cuando la variable objetivo es de este tipo la metodología que se utiliza son los modelos logísticos (Fig1), que nos dan la Probabilidad de Fuga.
¿Y qué tipo de variables serán las posibles variables explicativas? A priori (puede haber algunas diferencias según cuál sea el sector o tipo de empresa), esperamos tener variables que tengan que ver con el tipo de persona (género, edad, estado civil…), variables que tengan que ver con el tiempo que esa persona lleva en la empresa, con el puesto de trabajo, con el salario, el desempeño etc. También variables que tengamos donde hayamos recogido cómo se sienten las personas dentro de la empresa (provenientes, por ejemplo, de la Encuesta de Clima Laboral).
Como resultado, este tipo de modelos nos dirán, en primer lugar, cuáles son las variables que afectan a que un empleado se dé de baja. Por ejemplo, puede suceder que algunas de las variables que a priori pensábamos que podrían ser palancas no lo sean. En segundo lugar, para cada variable que sí sea significativa, obtendremos la importancia del impacto, tanto si este es positivo como negativo. En el ejemplo de la Fig2, que corresponde a un caso real que me contaron esta semana un par de analistas de Conento, observamos que la variable más importante es el resultado de la Encuesta de Clima Laboral.
La ventaja de este tipo de modelos es que para cada empleado obtenemos la probabilidad de fuga (va más allá de un cluster – es un modelo personalizado – Fig3).
Una vez identificada la probabilidad de fuga de cada empleado y su situación personal, podemos conocer qué variable accionar para que dicha probabilidad disminuya y el empleado se quede en la Compañía.
Para comprobar si el modelo ajustado es suficientemente bueno, podemos correrlo con un grupo de entrenamiento y validarlo sobre un grupo de test. En el ejemplo que veíamos arriba se conseguía mejorar la estimación de probabilidad de baja un 44%.
Comentarios