Análisis para predecir la Rotación de Empleados mediante modelos de clasificación - Villalpando Saiz, Rodrigo

Abstract

Este Trabajo de Fin de Grado analiza la rotación voluntaria de empleados desde una perspectiva predictiva y social. A través de técnicas de aprendizaje automático aplicadas sobre un conjunto de datos de recursos humanos, se construyen y comparan diversos modelos de clasificación —regresión logística, KNN, Redes Neuronales, SVM, Random Forest— hasta desarrollar un modelo ensamblado que ofrece el mejor rendimiento en términos de precisión. Además de la evaluación cuantitativa de los modelos, se incorporan explicaciones interpretables mediante valores SHAP que permiten identificar las variables más influyentes, como las horas extra, los viajes laborales frecuentes o la distancia entre el hogar y el trabajo. El análisis por género aporta una dimensión adicional, vinculando los resultados con los Objetivos de Desarrollo Sostenible (ODS) 5 y 8 y revelando posibles excesos en los límites laborales y desigualdades sutiles en términos de oportunidades de promoción y desarrollo profesional. Finalmente, se ofrecen recomendaciones prácticas orientadas a los departamentos de recursos humanos para mejorar la retención del talento desde una perspectiva responsable, sostenible y alineada con los valores de igualdad y bienestar laboral.

This Bachelor's Thesis examines voluntary employee turnover from both predictive and social perspectives. Using machine learning techniques applied to a human resources dataset, various classification models —logistic regression, KNN, neural networks, SVM, and random forest— are built and compared, ultimately leading to the development of a stacked model that achieves the highest predictive accuracy. Beyond the quantitative evaluation of the models, SHAP values are used to provide interpretable explanations and identify the most influential variables, such as overtime, frequent business travel, or commuting distance. The gender-based analysis adds an additional dimension, linking the findings to Sustainable Development Goals (SDGs) 5 and 8, and uncovering potential overreach in work conditions and subtle inequalities in promotion and career development opportunities. Finally, practical recommendations are proposed for Human Resources departments to improve talent retention through a responsible and sustainable approach aligned with equality and workplace well-being principles.