"Diseño de modelos de predicción de ausentismo y atrasos laborales para una empresa Consultora en Recursos Humanos"

Abstract

SCM LATAM, es una consultora boutique, que está enfocada en el desarrollo de software, sistemas y servicios altamente tecnológicos, orientados al área de Recursos Humanos y Operaciones de sus empresas cliente. Durante los últimos años, esta compañía ha registrado un constante crecimiento, desde 2014 hasta 2019 incrementó sus ventas en un 276%. Con el objetivo de diversificar su línea de negocios para atraer y fidelizar clientes, SCM LATAM ha explorado los problemas de sus empresas cliente de la industria de combustibles. Entre éstos destaca el ausentismo que, en promedio, representa cerca de un 1,5% de pérdida de la mano de obra programada, mientras que el atraso laboral un 1%. Esta situación puede llegar a ser muy costosa, pues las compañías deben pagar horas extra a los trabajadores no planificados, con el fin de cubrir los espacios vacíos provocados por ausentismos y atrasos. Los factores mencionados anteriormente impactan directamente la productividad de una compañía. En la empresa analizada se calcula que el trabajador promedio falta un 1,5% de los días del año de manera injustificada, mientras que se atrasa 12,2% de sus días planificados. A esto se suma la incertidumbre de los atrasos y las ausencias no planificadas, por lo que la disminución y capacidad de predecir dichos fenómenos facilitaría la programación efectiva de trabajadores adicionales y ayudaría a aumentar la productividad, junto con reducir los costos de horas extra. Frente a este escenario, esta tesis aborda la necesidad de diseñar y desarrollar dos modelos de predicción, uno que calcule atrasos y otro las ausencias injustificadas de una empresa cliente de la industria de combustibles. La metodología usada se basa en Knowledge Discovery in Databases (KDD), debido a que su estructura permite retomar los pasos lógicos anteriores mientras se mejoran los modelos de predicción. Tras el desarrollo de este trabajo, el mejor modelo de predicción de atrasos corresponde a un Random Forest con un AUC de 91%, lo que lo convierte en un modelo de clasificación robusto y con alto poder estadístico. Bajo las condiciones y factores planteados en este estudio, este modelo ayudaría a mitigar las pérdidas de rentabilidad por atrasos en un 32%. Por otro lado, el mejor modelo de predicción de ausentismos también corresponde a un Random Forest con un AUC de 84%. Se concluye que el ausentismo y atraso laboral se relacionan de manera similar con las variables estudiadas y en alto grado con el género, edad, antigüedad en la empresa, cargo, distancia al trabajo, estado civil, nacionalidad y precipitaciones. En el caso de los ausentismos también hay otras variables estacionales con alta importancia como el mes y día de la semana. Los resultados sugieren que los outputs de los modelos pueden ser usados en herramientas que apoyen a los jefes de tienda a planificar de mejor manera la fuerza laboral y tareas a realizar, como por ejemplo un Scheduler con restricciones blandas que permita minimizar las probabilidades de atraso y ausentismo. También, se desprenden como producto comercial afín modelos de predicción de tendencias de atraso y ausentismos que serviría de apoyo en épocas de contratación. Finalmente, se puede indicar que el tipo de modelos construidos en este trabajo, pueden dar origen a trabajos futuros que busquen el mejoramiento mediante modelos de aprendizaje profundo (Deep Learning) que servirían como punto de comparación o mejora.