🤖 Proyecto Data Science: Abandono de empleados
Este proyecto de Data Science se centra en un caso muy común en el mundo empresarial:
la predicción de abandono de empleados.
El objetivo es identificar qué factores influyen en la decisión de un empleado de dejar la compañía,
y construir un modelo de machine learning que permita anticiparlo.
📊 Dataset
El dataset utilizado incluye variables relacionadas con:
- Edad, nivel educativo y experiencia.
- Salario, satisfacción laboral y desempeño.
- Carga de trabajo y promociones.
- Otros factores internos de la empresa.
🔎 Análisis exploratorio (EDA)
Antes de entrenar modelos se realizó un
EDA para descubrir patrones y relaciones entre variables.
- Distribución de empleados que abandonan vs. permanecen.
- Relación entre satisfacción laboral y tasa de abandono.
- Impacto de las horas trabajadas y promociones.
⚙️ Modelado
Se probaron diferentes algoritmos de machine learning para clasificar a los empleados en
“abandonará” o “permanecerá”:
- Regresión logística.
- Árboles de decisión.
- Random Forest.
Tras comparar métricas de rendimiento (
accuracy, precision, recall),
el modelo de
Random Forest ofreció el mejor balance.
📑 Ejemplo de código
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report
# División de los datos
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
# Modelo
clf = RandomForestClassifier(n_estimators=100, random_state=42)
clf.fit(X_train, y_train)
# Evaluación
y_pred = clf.predict(X_test)
print(classification_report(y_test, y_pred))
💡 Resultados y aprendizajes
El modelo alcanzó un rendimiento sólido, demostrando que factores como la
satisfacción laboral y las horas extra son variables clave en el abandono de empleados.
Entre los principales aprendizajes:
- Importancia de un EDA detallado antes del modelado.
- Comparación de distintos algoritmos para seleccionar el más adecuado.
- Aplicación práctica de machine learning en un caso empresarial realista.