Modelo predictivo para la gestión de la rotación del talento humano en una compañía de software
QRCode
Share this
Date
2024Advisor
Citation
Metadata
Show full item recordPDF Documents
Title
Predictive model for managing human talent turnover in a software company
Abstract
Los colaboradores son el principal activo de las organizaciones, por esto la gestión de la rotación del talento humano es un elemento clave para el crecimiento y la sostenibilidad. Este proyecto abordó el problema de la ineficiencia de la gestión de rotación del talento humano en las empresas de software que trae consecuencias como el retraso de los proyectos, la sostenibilidad planificada o el crecimiento en el sector de las tecnologías de la información y la comunicación, sobrecostos por selección, reclutamiento y sustitución, reprocesos en los entrenamientos, disminución de la productividad y desgaste moral para los equipos de trabajo. De acuerdo con las indagaciones iniciales, las causas se encontraron en factores relacionados con aspiraciones de los colaboradores, las dinámicas de las empresas, las tendencias y tensiones en el mercado laboral del software.
En este proyecto se desarrolló un modelo predictivo que contribuye a la gestión de la rotación del talento humano, el crecimiento y la sostenibilidad de las compañías, al prever la probabilidad de salida de un colaborador de la compañía. Esto permite llevar a cabo acciones proactivas de fidelización y mejorar la gestión del conocimiento organizacional enfocando acciones preventivas en la gestión del capital intelectual, lo que es fundamental para procesos de innovación y continuidad operacional que aseguren la competitividad del negocio en el mercado. Es decir, el modelo predictivo permite: tomar acciones preventivas en la gestión de los colaboradores, definir estrategias de gestión del conocimiento y activar procesos de reclutamiento y selección de manera oportuna.
Los objetivos del proyecto fueron: identificar modelos usados para gestionar la rotación del talento humano a través de una revisión documental; determinar los factores que inciden en la gestión de la rotación del talento humano en una compañía de software y diseñar un modelo predictivo que integre los factores de rotación del talento humano para una compañía de software. Lo anterior para dar respuesta a la pregunta de investigación: ¿Qué factores debe tener un modelo predictivo para la gestión de la rotación del talento humano en una compañía de software? Con respecto a la metodología, se trabajó con un enfoque mixto a través de un modelo predictivo para la gestión de la rotación del talento humano en una compañía de software. El componente cuantitativo consistió en un análisis de datos sobre los colaboradores y el componente cualitativo utilizó un diseño fenomenológico para recoger experiencias y conceptos de colaboradores de la compañía del sector del software, cuyo objeto social es la generación de tecnología de alto impacto. Los resultados del proyecto mostraron que, entre los modelos de regresión logística, Red Neuronal Artificial (ANN) y Support Vector Machines (SVM), el primero fue el más eficiente en cuanto a las métricas de rendimientos y por eso fue elegido para el algoritmo predictivo. Los datos que arrojó la predicción muestran que de los colaboradores activos el 70% tiene una probabilidad de retiro inferior al 20%, en tanto que el 11,3% de los colaboradores tiene una probabilidad del 20%, considerando los datos en el momento de la ejecución del modelo. Los resultados esperados en términos de la gestión de la rotación consistieron en generar información a la empresa sobre la probabilidad de la salida de grupos de colaboradores, la cual podrá ser utilizada para diseñar políticas y estrategias de rotación del talento humano
Abstract
Employees are the main asset of organizations; therefore, managing human talent turnover is a key element for growth and sustainability. This project addressed the problem of inefficient management of human talent turnover in software companies, which leads to consequences such as project delays, planned sustainability, or growth in the information and communication technology sector, additional costs for selection, recruitment, and replacement, reprocessing in training, decreased productivity, and morale depletion for work teams. According to initial inquiries, the causes were found in factors related to employee aspirations, company dynamics, trends, and tensions in the software labor market. In this project, a predictive model was developed to contribute to human talent turnover management, company growth, and sustainability by anticipating the likelihood of an employee leaving the company. This allows proactive retention actions to be taken and improves organizational knowledge management by focusing preventive actions on intellectual capital management, which is essential for innovation processes and operational continuity to ensure business competitiveness in the market. In other words, the predictive model allows for: taking preventive actions in employee management, defining knowledge management strategies, and activating recruitment and selection processes in a timely manner.
The project objectives were: to identify models used to manage human talent turnover through a documentary review; determine the factors that affect human talent turnover management in a software company, and design a predictive model that integrates human talent turnover factors for a software company. This was to address the research question: What factors should a predictive model have for managing human talent turnover in a software company? Regarding the methodology, a mixed approach was used through a predictive model for human talent turnover management in a software company. The quantitative component consisted of data analysis on employees, and the qualitative component used a phenomenological design to gather experiences and concepts from employees of the software sector company, whose corporate purpose is the generation of high-impact technology. The project results showed that among the logistic regression, Artificial Neural Network (ANN), and Support Vector Machines (SVM) models, the logistic regression was the most efficient in terms of performance metrics and was therefore chosen for the predictive algorithm. The prediction data shows that among active employees, 70% have a withdrawal probability of less than 20%, while 11.3% of employees have a 20% probability, considering the data at the time of model execution. Expected results in terms of turnover management consisted of providing the company with information on the probability of employee groups leaving, which can be used to design human talent turnover policies and strategies