tut. (Universitat Autònoma de Barcelona. Departament d'Economia i d'Història Econòmica)
| Títol variant: |
Machine Learning en Recursos Humans : millora de les estratègies de retenció de personal mitjançant anàlisis de dades |
| Títol variant: |
Machine Learning en Recursos Humanos : mejora de las estrategias de retención de empleados a través de conocimientos basados en datos |
| Data: |
2025 |
| Resum: |
Aquest projecte té com a objectiu demostrar com el Machine Learning pot utilitzar-se de manera efectiva per predir la rotació de personal i, així, esdevenir una base sòlida per a estratègies de retenció més estratègiques i proactives en l'àmbit dels Recursos Humans. L'estudi presenta l'algorisme Random Forest, un mètode robust d'aprenentatge supervisat per conjunts, com una eina capaç de descobrir patrons complexos i factors de risc clau associats a la pèrdua de talent. El model serà entrenat amb un conjunt de dades públic que inclou diversos atributs relacionats amb els empleats, com ara dades demogràfiques, mètriques de rendiment i indicadors de satisfacció laboral. Un cop avaluat el model, es desenvoluparà una plataforma de control interactiu per fer que les anàlisis generades siguin accessibles i útils per als professionals de la gestió. Els resultats destaquen com els enfocaments de retenció que integren eines predictives basades en IA permeten detectar abans i de manera més personalitzada els signes de desconnexió dels treballadors, cosa que facilita una millor assignació de recursos i millora l'eficàcia. Això aporta un avantatge competitiu en la gestió del talent. Mostrant tant la precisió predictiva com l'aplicabilitat pràctica, el projecte pretén reduir la bretxa entre la Ciència de Dades i els Recursos Humans, fent que les eines d'analítica avançada siguin més accessibles per als responsables de presa de decisions sense perfil tècnic. |
| Resum: |
This project aims to demonstrate how Machine Learning can be effectively used to predict employee turnover and, by doing so, serve as a powerful foundation for more strategic and proactive retention strategies in Human Resources. Therefore, the study showcases how Random Forest, a robust supervised ensemble learning algorithm, can uncover complex patterns and key risk factors associated with workforce churn. The model will be trained on a publicly available dataset containing a range of employee-related attributes, including demographics, performance metrics and job satisfaction indicators. Following model evaluation, an interactive dashboard will be developed to make the insights generated accessible and actionable for management professionals. The findings highlight how retention approaches, that integrate predictive AI tools, enable for earlier and more personalized disengagement detections. Facilitating better resource allocation and enhancing effectiveness. Therefore, providing a competitive advantage in talent management. By showcasing both predictive accuracy and practical usability, the project seeks to bridge the gap between Data Science and Human Resources, making advanced analytics tools more accessible to decision-makers without technical backgrounds. |
| Resum: |
Este proyecto tiene como objetivo demostrar cómo el Machine Learning puede utilizarse de forma efectiva para predecir la rotación de empleados y, de este modo, servir como una base sólida para estrategias de retención más estratégicas y proactivas en el ámbito de los Recursos Humanos. El estudio presenta el algoritmo Random Forest, un método robusto de aprendizaje supervisado, como una herramienta capaz de descubrir patrones complejos y factores clave de riesgo asociados a la pérdida de talento. El modelo será entrenado con un conjunto de datos público que contiene una variedad de atributos relacionados con los empleados, incluyendo datos demográficos, métricas de rendimiento e indicadores de satisfacción laboral. Tras la evaluación del modelo, se desarrollará un panel interactivo para que los conocimientos generados sean accesibles y aplicables por parte de los profesionales de la gestión. Los resultados destacan cómo los enfoques de retención que integran herramientas predictivas basadas en IA permiten detectar antes y de forma más personalizada los signos de desvinculación de los empleados, lo que facilita una mejor asignación de recursos y mejora la efectividad. Esto proporciona una ventaja competitiva en la gestión del talento. Al mostrar tanto la precisión predictiva como la utilidad práctica, el proyecto busca cerrar la brecha entre la ciencia de datos y los recursos humanos, haciendo que las herramientas de análisis avanzado sean más accesibles para los responsables de la toma de decisiones sin formación técnica. |
| Drets: |
Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, i la comunicació pública de l'obra, sempre que no sigui amb finalitats comercials, i sempre que es reconegui l'autoria de l'obra original. No es permet la creació d'obres derivades.  |
| Llengua: |
Anglès |
| Titulació: |
Administració i Direcció d'Empreses [2501572] |
| Pla d'estudis: |
Grau en Administració i Direcció d'Empreses [1417] |
| Document: |
Treball final de grau |
| Matèria: |
Predicció de rotació de personal ;
Estratègies de retenció ;
Gestió del talent ;
Aprenentatge automàtic ;
Aprenentatge automàtic supervisat ;
Random Forest ;
Arbre de decisió ;
Analítica en Recursos Humans ;
Employee turnover prediction ;
Retention strategies ;
Talent management ;
Machine learning ;
Supervised machine learning ;
Random forest ;
Decision Tree ;
HR analytics ;
Predicción de rotación de empleados ;
Estrategias de retención ;
Gestión del talento ;
Aprendizaje automático ;
Aprendizaje automático supervisado ;
Árbol de decisión ;
Analítica en Recursos Humanos |
visitant ::
identificació
