AItrittion
Aplicación de técnicas de IA a datos sobre empleados de una compañía con el objetivo de minimizar los abandonos.
Los abandonos (conocido como “attrition” en inglés) en las empresas modernas son uno de los mayores problemas a los que se enfrenta una compañía. Cuando un empleado se va, especialmente si es de una forma súbita, en muchas ocasiones deja un hueco difícil de cubrir y una pérdida neta de talento para la empresa. Aunque hay algunos factores evidentes en los que las empresas pueden trabajar para evitar este fenómeno (salario, nivel de estrés, etc), otros parámetros como la edad, la distancia al centro de trabajo o la frecuencia con la que un empleado realiza viajes de trabajo, influyen de una forma más desconocida.
En este proyecto se propone aplicar técnicas de inteligencia artificial para intentar obtener más información sobre este problema y poder actuar de forma temprana para atajarlo. Para ello, el alumno incorporará información de “datasets” abiertos y disponibles en la red [1][2][3], y sus tutores de HP SCDS le guiarán en la utilización de los datos de cara a garantizar, en el futuro, una cierta compatibilidad con los datos internos de nuestra compañía. Será necesaria por tanto una tarea de investigación sobre los datos, y puede ser también necesaria la elaboración de un “dataset” específico en base a otras fuentes de datos (servicios de empleo, webs de contratación, etc).
Inicialmente el estudio se realizará de forma individual, pero los resultados deberían de poder extrapolarse a equipos completos (utilizando medias de los valores individuales). Se realizará un análisis mediante técnicas de machine learning (random forest, k-means clustering, etc) y deep learning, para relacionar los parámetros de entrada (sueldo, antigüedad, etc) con un parámetro de salida, que será si el empleado abandona la empresa o no.
En este proyecto se entregará al menos un modelo entrenado con los datos utilizados, así como un conjunto de scripts para poder evaluar dicho modelo con unos parámetros específicos de entrada y también para poder entrenar y re-entrenar el modelo con nuevos datos o construir un nuevo “dataset” si se han incorporado fuentes de terceros . Opcionalmente también se pueden proporcionar visualizaciones adicionales como una UI (web, móvil, de escritorio, etc) para ejercitar el modelo y analizar los resultados, o un dashboard donde se pueda consultar cada equipo y su riesgo de “attrition”.
- Complejidad:7/10
- Características técnicas:AI, HHRR, attrition
- CATEGORY 2023-2024 , Univ. de Loyola
- TAGS Python , Pytorch





