La alta rotación de personal en el sector tecnológico español representa un desafío crítico para las organizaciones, generando costos significativos y pérdida de conocimiento. En este contexto, un proceso de onboarding efectivo emerge como un factor determinante para la retención del talento. Este estudio busca evaluar la capacidad predictiva del Machine Learning, específicamente utilizando algoritmos de Regresión Logística y Random Forest Classifier, para estimar la intención de permanencia de nuevos empleados en el sector IT, e identificar los factores de la experiencia de onboarding que mayor influencia tienen en dicha predicción. A través de una metodología mixta y el análisis de 422 encuestas válidas, la investigación demuestra cómo los modelos de Machine Learning pueden proporcionar insights accionables para optimizar las estrategias de incorporación.
Los resultados preliminares indican que el Machine Learning ofrece una capacidad robusta para predecir la intención de permanencia, superando las limitaciones de los análisis tradicionales al identificar patrones complejos y factores influyentes. La cuantificación de la importancia de estos factores permite a las empresas focalizar sus esfuerzos en las áreas del onboarding que realmente impactan en la retención. Este enfoque basado en datos contribuye significativamente a la mitigación de la rotación temprana y al fortalecimiento de la permanencia del talento en el dinámico mercado laboral tecnológico español.
Objetivo General
Análisis de la capacidad predictiva de Machine Learning sobre datos de la experiencia de onboarding para la estimación de la intención de permanencia de nuevos empleados en el sector IT español, e identificar los factores clave que influyen en dicha predicción, con el fin de fundamentar un modelo estratégico de onboarding y proponer recomendaciones accionables para la mejora de la retención de talento.
Objetivos Específicos
- Identificar los factores clave, tanto demográficos como experienciales, que influyen significativamente en la intención de permanencia de los empleados de IT durante sus primeras etapas laborales, utilizando análisis descriptivos y de correlación.
- Revisar críticamente los modelos teóricos y las tendencias tecnológicas actuales en la intersección de onboarding y People Analytics, proporcionando un marco conceptual sólido para la aplicación práctica de datos en la gestión del talento.
3.Evaluar la utilidad de un conjunto de variables derivadas de encuestas de experiencia (incluyendo valoraciones numéricas y percepciones categóricas) como predictores relevantes en el proceso de incorporación de talento.
4.Desarrollar y validar modelos predictivos basados en Machine Learning (Regresión Logística y Random Forest Classifier) que permitan estimar la intención de permanencia de los nuevos empleados de IT, y cuantificar la importancia relativa de los factores que contribuyen a dicha predicción.
5.Proponer directrices y recomendaciones estratégicas para un modelo de onboarding optimizado y medible, basadas en los insights derivados del análisis de datos y la capacidad predictiva de Machine Learning, que permitan a las organizaciones del sector tecnológico alcanzar KPIs específicos relacionados con la retención (ej., tasa de permanencia a un año) y OKRs de productividad y adaptación temprana..
Objetivo General
Análisis de la capacidad predictiva de Machine Learning sobre datos de la experiencia de onboarding para la estimación de la intención de permanencia de nuevos empleados en el sector IT español, e identificar los factores clave que influyen en dicha predicción, con el fin de fundamentar un modelo estratégico de onboarding y proponer recomendaciones accionables para la mejora de la retención de talento.
Objetivos Específicos
- Identificar los factores clave, tanto demográficos como experienciales, que influyen significativamente en la intención de permanencia de los empleados de IT durante sus primeras etapas laborales, utilizando análisis descriptivos y de correlación.
2. Revisar críticamente los modelos teóricos y las tendencias tecnológicas actuales en la intersección de onboarding y People Analytics, proporcionando un marco conceptual sólido para la aplicación práctica de datos en la gestión del talento.
3.Evaluar la utilidad de un conjunto de variables derivadas de encuestas de experiencia (incluyendo valoraciones numéricas y percepciones categóricas) como predictores relevantes en el proceso de incorporación de talento.
4.Desarrollar y validar modelos predictivos basados en Machine Learning (Regresión Logística y Random Forest Classifier) que permitan estimar la intención de permanencia de los nuevos empleados de IT, y cuantificar la importancia relativa de los factores que contribuyen a dicha predicción.
5.Proponer directrices y recomendaciones estratégicas para un modelo de onboarding optimizado y medible, basadas en los insights derivados del análisis de datos y la capacidad predictiva de Machine Learning, que permitan a las organizaciones del sector tecnológico alcanzar KPIs específicos relacionados con la retención (ej., tasa de permanencia a un año) y OKRs de productividad y adaptación temprana..
