Modelo basado en machine learning predictivo-prescriptivo para la mejora de la gestión del talento humano

Resumen

Esta investigación propone un modelo híbrido de machine learning predictivo-prescriptivo para optimizar la gestión del talento humano, integrando la anticipación de riesgos (rotación, brechas de habilidades) con recomendaciones de acciones estratégicas. Utilizando XGBoost para predecir la probabilidad de rotación y un algoritmo de optimización lineal entera para asignar recursos bajo restricciones presupuestarias y éticas, el modelo demuestra en simulaciones una reducción significativa de la rotación y costos operativos, incluso en escenarios de crisis económica. Los resultados destacaron la importancia de la equidad algorítmica, logrando paridad en la asignación de intervenciones (bonos, mentorías) entre grupos demográficos mediante métricas como la diferencia de paridad demográfica y herramientas de auditoría. Aunque el estudio se basa en datos sintéticos, su enfoque en la transparencia y adaptabilidad ofrece un marco replicable para organizaciones con características similares. Las limitaciones identificadas incluyen la generalización a contextos reales heterogéneos y la necesidad de incorporar variables no binarias en futuras iteraciones. El trabajo subraya el potencial de la IA ética para transformar prácticas de RRHH, equilibrando eficiencia, sostenibilidad e inclusión.