Rotación de personal en proyectos de montaje electromecánico: aplicación de Machine Learning en la gestión de personas
DOI:
https://doi.org/10.47456/bjpe.v11i4.50222Palabras clave:
rotación de personal, RH, montaje electromecánicoResumen
Este estudio investigó los factores que influyen en la rotación de personal en proyectos de montaje electromecánico, con énfasis en la aplicación de técnicas estadísticas y de aprendizaje automático para apoyar la gestión de personas. La investigación utilizó una base de 7.333 registros de desvinculaciones ocurridas entre enero de 2023 y julio de 2025 en una empresa brasileña del sector, abarcando variables individuales, organizacionales y relacionadas con la jornada laboral. Tras el preprocesamiento y el análisis exploratorio de los datos, se aplicaron tres modelos de clasificación: regresión logística binaria (con selección stepwise), árbol de decisión y Random Forest (con calibración mediante grid search). Los resultados mostraron que factores como el porcentaje de ausencias justificadas, el tiempo en la empresa, el tipo de obra y el estado de residencia tuvieron mayor relevancia para la reposición de vacantes. El modelo Random Forest presentó el mejor desempeño predictivo, alcanzando un AUC-ROC de 0,878 y un coeficiente de Gini de 0,756, mientras que la regresión logística se destacó por la interpretabilidad de sus coeficientes. Se concluye que la integración de métodos estadísticos y de aprendizaje automático contribuye a anticipar escenarios de rotación, apoyando estrategias más eficientes de retención y asignación en la gestión de recursos humanos en proyectos industriales.
Descargas
Referencias
Aver, G., Miri, D. H., Chais, C., Matte, J., Ganzer, P. P., & Olea, P. M. (2020). Fatores de rotatividade em uma empresa do segmento metalomecânico: Rotativity factors in a mechanical metal segment company. Revista Visão: Gestão Organizacional, 9(2), 168-186. Breiman, L. (2001). Random forests. Machine learning, 45(1), 5-32.
Chiavenato, I. (2014). Gestão de Pessoas: O Novo Papel dos Recursos Humanos nas Organizações. 4 ed. Elsevier Brasil.
Cramér, H. (1999). Mathematical methods of statistics (Vol. 9). Princeton university press.
Dutra, J. S. (2016). Gestão de pessoas: modelo, processos, tendências e perspectivas. 3 ed. Atlas. Elmasri, R., Navathe, S. B., & Pinheiro, M. G. (2005). Sistemas de banco de dados.
Fávero, L. P., & Belfiore, P. (2024). Manual de análise de dados: Estatística e machine learning com Excel®, SPSS®, Stata®, R® e Python®. GEN, LTC.
Hair, J. F. (2009). Multivariate data analysis.
Han, J., Kamber, M., & Pei, J. (2020). Data mining: Concepts and. Techniques, Waltham: Morgan Kaufmann Publishers.
Hastie, T. (2009). The elements of statistical learning: data mining, inference, and prediction.
Hom, P. W., Lee, T. W., Shaw, J. D., & Hausknecht, J. P. (2017). One hundred years of employee turnover theory and research. Journal of applied psychology, 102(3), 530.
Hosmer Jr, D. W., Lemeshow, S., & Sturdivant, R. X. (2013). Applied logistic regression. John Wiley & Sons. James, G. (2013). An introduction to statistical learning with applications in R.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., & Duchesnay, É. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research. 12, 2825-2830.
Samuel, F. (2024). Retention Strategies for Project- Based Construction Workers: The Role of Career- Family Balance Initiatives.
Spearman, C. (1961). "General Intelligence" Objectively Determined and Measured.
Publicado
Número
Sección
Licencia
Derechos de autor 2025 Passos, G. F. R., & Silva, J. dos S.
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Todas las obras publicadas en la Revista Brasileña de Ingeniería de Producción (BJPE) están bajo la licencia Creative Commons Atribución 4.0 Internacional (CC BY 4.0).
Esto significa que:
Cualquier persona puede copiar, distribuir, exhibir, adaptar, remezclar e incluso utilizar comercialmente el contenido publicado en la revista;
Siempre que se reconozca debidamente a los autores y a BJPE como fuente original;
No se requiere permiso adicional para la reutilización, siempre que se respeten los términos de la licencia.
Esta política cumple con los principios de acceso abierto, promoviendo la amplia difusión del conocimiento científico.
2.png)
