Medición y comparación del rendimiento de cuatro algoritmos de aprendizaje supervisado para formular modelos predictivos sobre la rotación temprana de personal

Abstract

Objetivo: Esta investigación tiene el objetivo de comparar el rendimiento-eficacia de cuatro algoritmos de aprendizaje supervisado (Arboles de Clasificación y Regresión-CART, Bosques Aleatorios de Clasificación, Multivariate Adaptative Regression Splines-MARS y Regresión Logística-LOGIT) para el modelado predictivo de la rotación temprana de personal en la industria manufacturera.Diseño Metodológico: Se realizó una investigación de tipo cuantitativo, alcance correlacional y diseño transversal no experimental. Como instrumento de recolección de información se diseñó un cuestionario, y para el análisis estadístico y modelado matemático se utilizó el software Salford Predictive Modeler - SPM. Como predictores de rotación se seleccionaron factores sociodemográficos y psicosociales de los candidatos y como variable de respuesta se calculó un indicador de estabilidad-rotación basado en el historial del candidato. Para comparar el rendimiento de los modelos se utilizaron curvas ROC (Receiver Operating Characteristic), matrices de confusión y Log-verosimilitud negativa promedio.Resultados: Se encontró que MARS es el algoritmo que ofrece mejor rendimiento con un área bajo la curva ROC de 89% y una precisión de 82% según la matriz de confusión.Implicaciones prácticas: MARS tiene la singularidad de que, para el caso que nos ocupa, reduce el modelo a un solo predictor importante. Al identificar las subregiones del predictor clave, se abren otras posibilidades de análisis; por ejemplo, en la región donde la contribución de la edad a la variable estabilidad laboral es cero (antes de los 28 años), se puede modelar con el resto de los predictores. Esto sugiere como implicación relevante que se pueden formular modelos diferenciados según la edad de los trabajadores, pues la importancia de los predictores cambia de acuerdo a la cohorte generacional.