Machine learning como herramienta de gestión del talento: un estudio predictivo del absentismo laboral
El absentismo laboral representa una preocupación creciente en la gestión del talento debido a su impacto en la productividad y costes asociados. Este fenómeno, complejo y multicausal, puede generar consecuencias a niveles tanto individuales como organizativos e incluso sociales, con consecuencias e...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2025 |
| País: | España |
| Institución: | Universitat Oberta de Catalunya (UOC) |
| Repositorio: | O2, repositorio institucional de la UOC |
| OAI Identifier: | oai:openaccess.uoc.edu:10609/153470 |
| Acceso en línea: | https://hdl.handle.net/10609/153470 |
| Access Level: | acceso abierto |
| Palabra clave: | aprendizaje automático absentismo laboral HR Analytics gestión del talento machine learning work absenteeism talent management Human capital -- TFM Recursos humans -- TFM |
| Sumario: | El absentismo laboral representa una preocupación creciente en la gestión del talento debido a su impacto en la productividad y costes asociados. Este fenómeno, complejo y multicausal, puede generar consecuencias a niveles tanto individuales como organizativos e incluso sociales, con consecuencias económicas significativas. En este trabajo se explora este fenómeno desde la óptica de HR Analytics, estudiando cómo, a través de técnicas de aprendizaje automático, se puede predecir el absentismo laboral a partir de información de los empleados, con el fin de demostrar su utilidad en la gestión del talento. Para ello, se aplicaron tres modelos de clasificación – regresión logística multinomial, Random Forest y XGBoost – sobre un conjunto de datos de 740 empleados de una empresa de mensajería de Brasil, con variables de diferente naturaleza. Se demostró que los tres modelos son capaces de predecir el riesgo de absentismo, siendo Random Forest el más eficaz, y se identificaron variables clave para la predicción, como las faltas disciplinarias, carga de trabajo, evaluación del rendimiento y variables temporales. Los resultados muestran que el aprendizaje automático tiene un uso eficaz como herramienta preventiva, aportando valor estratégico. Se mencionaron limitaciones tanto metodológicas como relacionadas con le conjunto de datos, y se sugirieron nuevas líneas de investigación enfocadas a un contexto organizativo adaptado a la actualidad. |
|---|