Sistema de predicción y alerta de deserción para empleados de una farmacéutica
La alta deserción de empleados es un problema que genera grandes pérdidas y retos para las compañías hoy en día. Por esta razón, tener herramientas que permitan disminuir o controlar las altas tasas de abandono es una prioridad. El siguiente proyecto tiene como objetivo crear un sistema de predicció...
- Autores:
- Tipo de recurso:
- Fecha de publicación:
- 2023
- Institución:
- Universidad del Rosario
- Repositorio:
- Repositorio EdocUR - U. Rosario
- Idioma:
- spa
- OAI Identifier:
- oai:repository.urosario.edu.co:10336/42029
- Acceso en línea:
- https://repository.urosario.edu.co/handle/10336/42029
- Palabra clave:
- Sistema de predicción y alerta
Deserción
Aprendizaje de máquina
Farmacéutica
Almacén de datos
Forecasting and warning system
Attrition
Machine learning
Pharmaceutical
Data warehouse
- Rights
- License
- Attribution-NonCommercial-ShareAlike 4.0 International
| id |
EDOCUR2_68f7ea8209933e164d5d1d10f33764f5 |
|---|---|
| oai_identifier_str |
oai:repository.urosario.edu.co:10336/42029 |
| network_acronym_str |
EDOCUR2 |
| network_name_str |
Repositorio EdocUR - U. Rosario |
| repository_id_str |
|
| dc.title.none.fl_str_mv |
Sistema de predicción y alerta de deserción para empleados de una farmacéutica |
| dc.title.TranslatedTitle.none.fl_str_mv |
Desertion prediction and alert system for pharmaceutical employees |
| title |
Sistema de predicción y alerta de deserción para empleados de una farmacéutica |
| spellingShingle |
Sistema de predicción y alerta de deserción para empleados de una farmacéutica Sistema de predicción y alerta Deserción Aprendizaje de máquina Farmacéutica Almacén de datos Forecasting and warning system Attrition Machine learning Pharmaceutical Data warehouse |
| title_short |
Sistema de predicción y alerta de deserción para empleados de una farmacéutica |
| title_full |
Sistema de predicción y alerta de deserción para empleados de una farmacéutica |
| title_fullStr |
Sistema de predicción y alerta de deserción para empleados de una farmacéutica |
| title_full_unstemmed |
Sistema de predicción y alerta de deserción para empleados de una farmacéutica |
| title_sort |
Sistema de predicción y alerta de deserción para empleados de una farmacéutica |
| dc.contributor.advisor.none.fl_str_mv |
Guecha López, Diego Nicolás |
| dc.subject.none.fl_str_mv |
Sistema de predicción y alerta Deserción Aprendizaje de máquina Farmacéutica Almacén de datos |
| topic |
Sistema de predicción y alerta Deserción Aprendizaje de máquina Farmacéutica Almacén de datos Forecasting and warning system Attrition Machine learning Pharmaceutical Data warehouse |
| dc.subject.keyword.none.fl_str_mv |
Forecasting and warning system Attrition Machine learning Pharmaceutical Data warehouse |
| description |
La alta deserción de empleados es un problema que genera grandes pérdidas y retos para las compañías hoy en día. Por esta razón, tener herramientas que permitan disminuir o controlar las altas tasas de abandono es una prioridad. El siguiente proyecto tiene como objetivo crear un sistema de predicción y alerta de deserción para empleados de una compañía farmacéutica que contribuya a disminuir y controlar las tasas de deserción que presenta en la actualidad. La creación del sistema se realiza a través de la aplicación de técnicas de análisis de datos y machine learning, que acompañado de la construcción de un data warehouse permite realizar el análisis adecuado de la situación actual. En cuanto a su funcionalidad, como sistema de predicción, será utilizado para determinar la probabilidad de renuncia de cada candidato que esté postulándose a la compañía haciendo uso de una calculadora. Por otro lado, como sistema de alerta, permitirá a los tomadores de decisiones comprender qué empleados tienen mayor riesgo de renuncia, así como las áreas impactadas, esto será facilitado a los usuarios a través de un tablero organizacional. Mediante este conocimiento, los usuarios del sistema serán capaces de actuar a tiempo para lograr tomar decisiones que reduzcan el porcentaje de deserción en la compañía. El sistema de predicción y alerta funcionará como una herramienta que permita optimizar el proceso de contratación y retención de los empleados. De esta manera, se espera que en el largo plazo los efectos negativos asociados a la deserción en la compañía sean atenuados y los procesos de contratación más efectivos. |
| publishDate |
2023 |
| dc.date.created.none.fl_str_mv |
2023-12-10 |
| dc.date.accessioned.none.fl_str_mv |
2024-01-18T16:25:53Z |
| dc.date.available.none.fl_str_mv |
2024-01-18T16:25:53Z |
| dc.type.none.fl_str_mv |
bachelorThesis |
| dc.type.coar.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.document.none.fl_str_mv |
Trabajo de grado |
| dc.type.spa.none.fl_str_mv |
Trabajo de grado |
| dc.identifier.uri.none.fl_str_mv |
https://repository.urosario.edu.co/handle/10336/42029 |
| url |
https://repository.urosario.edu.co/handle/10336/42029 |
| dc.language.iso.none.fl_str_mv |
spa |
| language |
spa |
| dc.rights.*.fl_str_mv |
Attribution-NonCommercial-ShareAlike 4.0 International |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.acceso.none.fl_str_mv |
Abierto (Texto Completo) |
| dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nc-sa/4.0/ |
| rights_invalid_str_mv |
Attribution-NonCommercial-ShareAlike 4.0 International Abierto (Texto Completo) http://creativecommons.org/licenses/by-nc-sa/4.0/ http://purl.org/coar/access_right/c_abf2 |
| dc.format.extent.none.fl_str_mv |
107 pp |
| dc.format.mimetype.none.fl_str_mv |
application/pdf |
| dc.publisher.none.fl_str_mv |
Universidad del Rosario |
| dc.publisher.department.none.fl_str_mv |
Escuela de Administración Escuela de Ingeniería, Ciencia y Tecnología |
| dc.publisher.program.none.fl_str_mv |
Maestría en Business Analytics |
| publisher.none.fl_str_mv |
Universidad del Rosario |
| institution |
Universidad del Rosario |
| dc.source.bibliographicCitation.none.fl_str_mv |
Arias, E. R. (2021, febrero 1). Variable dicotómica. Economipedia. https://economipedia.com/definiciones/variable-dicotomica.html Bioclever. (2021, mayo 8). Duración de los ensayos clínicos y los estudios observacionales. Bioclever. https://www.bioclever.com/es-ES/duracion-de-los-ensayos-clinicos-los-estudios-observacionales-n-46-es Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C., & Wirth, R. (2000). CRISP-DM 1.0: Step-by-step data mining guide. https://www.semanticscholar.org/paper/CRISP-DM-1.0%3A-Step-by-step-data-mining-guide-Chapman-Clinton/54bad20bbc7938991bf34f86dde0babfbd2d5a72 Data Universe. (2023, marzo 1). Modelo Operativo Centralizado. https://data-universe.org/modelo-operativo-centralizado/ Deloitte. (s/f). ¿Qué es Scrum? Deloitte Spain. Recuperado el 23 de noviembre de 2023, de https://www2.deloitte.com/es/es/pages/technology/articles/que-es-scrum.html Díaz Monroy, L. G. (2007). Estadística multivariada: Inferencia y métodos (2. ed). Departamento de Estadística, Facultad de Ciencias, Universidad Nacional de Colombia. Fitzgerald, D., & Wilson, C. (2023, junio 26). The Structure and Departments in a Pharmaceutical Manufacturing Company. GetReskilled. https://www.getreskilled.com/pharmaceutical-companies/structure/ IBM. (s/f-a). ¿Qué es el almacenamiento de datos? | IBM. ¿Qué es el almacenamiento de datos? Recuperado el 23 de noviembre de 2023, de https://www.ibm.com/mx-es/topics/data-storage IBM. (s/f-b). ¿Qué es la minería de datos? | IBM. Recuperado el 23 de noviembre de 2023, de https://www.ibm.com/mx-es/topics/data-mining IBM. (s/f-c). ¿Qué es machine learning? | IBM. ¿Qué es machine learning? Recuperado el 23 de noviembre de 2023, de https://www.ibm.com/mx-es/topics/machine-learning IBM. (s/f-d). ¿Qué es una arquitectura de datos? | IBM. ¿Qué es una arquitectura de datos? Recuperado el 23 de noviembre de 2023, de https://www.ibm.com/es-es/topics/data-architecture IBM. (2021a, marzo 8). Esquemas de estrella. https://www.ibm.com/docs/es/ida/9.1.2?topic=schemas-star IBM. (2021b, agosto 17). Tipos de modelos. https://www.ibm.com/docs/es/spss-modeler/saas?topic=mining-types-models Jain, P. K., Jain, M., & Pamula, R. (2020). Explaining and predicting employees’ attrition: A machine learning approach. SN Applied Sciences, 2(4), 757. https://doi.org/10.1007/s42452-020-2519-4 Naeem, T. (2020, febrero 3). Conceptos de Data Warehouse: Enfoque de Kimball vs. Inmon. Astera. https://www.astera.com/es/tipo/blog/conceptos-de-almac%C3%A9n-de-datos/ Oracle. (s/f). ¿Qué es un almacén de datos? Recuperado el 23 de noviembre de 2023, de https://www.oracle.com/co/database/what-is-a-data-warehouse/ Pourshasb, N. (2021, febrero 8). ¿Cuánto pierdes por el estrés financiero de tus trabajadores? El Economista. https://www.eleconomista.com.mx/revistaimef/Cuanto-pierdes-por-el-estres-financiero-de-tus-trabajadores--20210208-0031.html |
| dc.source.instname.none.fl_str_mv |
instname:Universidad del Rosario |
| dc.source.reponame.none.fl_str_mv |
reponame:Repositorio Institucional EdocUR |
| bitstream.url.fl_str_mv |
https://repository.urosario.edu.co/bitstreams/489a2429-5e2d-4261-a2b3-024b65c49346/download https://repository.urosario.edu.co/bitstreams/ecf83d3f-682c-48ae-9d96-89a36e9a7ff9/download https://repository.urosario.edu.co/bitstreams/03dd27a7-1063-466c-8fda-269ade29bf09/download https://repository.urosario.edu.co/bitstreams/829205db-5b8a-4971-9ccb-f8d03fcc56db/download https://repository.urosario.edu.co/bitstreams/cfa18427-d20d-40e9-a0c3-7d2331c3a183/download https://repository.urosario.edu.co/bitstreams/1b1daf80-bd6d-4f86-83da-7ae81b78a41c/download https://repository.urosario.edu.co/bitstreams/34623a2b-8d34-43e6-aa05-e61035947a3d/download https://repository.urosario.edu.co/bitstreams/a69ebbaf-f6b7-4753-867e-2ae0afef71c5/download |
| bitstream.checksum.fl_str_mv |
b2825df9f458e9d5d96ee8b7cd74fde6 91a3520c44bc889ef8cec8483b09aa38 0a9ae844a5ccb17ae22f0d993ab9a152 5643bfd9bcf29d560eeec56d584edaa9 f9146fc05dfb8c5aace71e2a4d787628 d20df7cb0b93627c45dfe7c7b7013ab0 2b4cbb2f0519b1c6c192769102460b6d c2274e8ca74d793a76cfa27a7c93bc80 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio institucional EdocUR |
| repository.mail.fl_str_mv |
edocur@urosario.edu.co |
| _version_ |
1808390941136912384 |
| spelling |
Guecha López, Diego Nicolás6197fcd3-21f3-444a-bcb8-0cf7992622a5-1Gracia Suárez, María AlejandraHuertas Lozano, Judy PaolaMolina Rodríguez, Jaime AndrésDíaz Caicedo, Diana MarcelaMagíster en Business AnalyticsFull time1a544207-b057-4928-a71c-9f0b5738ac56-1150bac76-c7d9-4aa2-b7a1-ccc58f6c0dc6-1f71d4e58-48b1-4bc9-89b1-b86b570a465c-1e4d719b7-53be-4932-9dbd-4a1e76a13f81-12024-01-18T16:25:53Z2024-01-18T16:25:53Z2023-12-10La alta deserción de empleados es un problema que genera grandes pérdidas y retos para las compañías hoy en día. Por esta razón, tener herramientas que permitan disminuir o controlar las altas tasas de abandono es una prioridad. El siguiente proyecto tiene como objetivo crear un sistema de predicción y alerta de deserción para empleados de una compañía farmacéutica que contribuya a disminuir y controlar las tasas de deserción que presenta en la actualidad. La creación del sistema se realiza a través de la aplicación de técnicas de análisis de datos y machine learning, que acompañado de la construcción de un data warehouse permite realizar el análisis adecuado de la situación actual. En cuanto a su funcionalidad, como sistema de predicción, será utilizado para determinar la probabilidad de renuncia de cada candidato que esté postulándose a la compañía haciendo uso de una calculadora. Por otro lado, como sistema de alerta, permitirá a los tomadores de decisiones comprender qué empleados tienen mayor riesgo de renuncia, así como las áreas impactadas, esto será facilitado a los usuarios a través de un tablero organizacional. Mediante este conocimiento, los usuarios del sistema serán capaces de actuar a tiempo para lograr tomar decisiones que reduzcan el porcentaje de deserción en la compañía. El sistema de predicción y alerta funcionará como una herramienta que permita optimizar el proceso de contratación y retención de los empleados. De esta manera, se espera que en el largo plazo los efectos negativos asociados a la deserción en la compañía sean atenuados y los procesos de contratación más efectivos.Employee attrition is a problem that generates big losses and challenges for companies nowadays. For this reason, it has become a priority to develop tools or systems that are able to decrease or control the high desertion rates in companies. The main purpose of this project is to create an attrition forecasting and warning system of employees from a pharmaceutical company, to help reduce the attrition rates. The creation of the system will be developed through the application of data analysis techniques and machine learning along with a data warehouse that enables accurate analysis of the current situation. Regarding its functionality, as a forecasting system, it will be used to determine the probability of resignation of a candidate who applies for an open position in the company, by using a calculator module. As a warning system, it will allow decision makers to understand which employees are at greatest risk of resignation, as well as the impacted areas, this will be available to the users through an organizational dashboard. By using the system, users will be able to react on time and make decisions to reduce the attrition rate in the company. The forecasting and warning system will therefore work as a tool to optimize hiring processes and control employees’ retention. It is expected that in the long term, the negative effects associated with attrition in the company will be mitigated and recruitment processes will be more effective.107 ppapplication/pdfhttps://repository.urosario.edu.co/handle/10336/42029spaUniversidad del RosarioEscuela de AdministraciónEscuela de Ingeniería, Ciencia y TecnologíaMaestría en Business AnalyticsAttribution-NonCommercial-ShareAlike 4.0 InternationalAbierto (Texto Completo)http://creativecommons.org/licenses/by-nc-sa/4.0/http://purl.org/coar/access_right/c_abf2Arias, E. R. (2021, febrero 1). Variable dicotómica. Economipedia. https://economipedia.com/definiciones/variable-dicotomica.htmlBioclever. (2021, mayo 8). Duración de los ensayos clínicos y los estudios observacionales. Bioclever. https://www.bioclever.com/es-ES/duracion-de-los-ensayos-clinicos-los-estudios-observacionales-n-46-esChapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C., & Wirth, R. (2000). CRISP-DM 1.0: Step-by-step data mining guide. https://www.semanticscholar.org/paper/CRISP-DM-1.0%3A-Step-by-step-data-mining-guide-Chapman-Clinton/54bad20bbc7938991bf34f86dde0babfbd2d5a72Data Universe. (2023, marzo 1). Modelo Operativo Centralizado. https://data-universe.org/modelo-operativo-centralizado/Deloitte. (s/f). ¿Qué es Scrum? Deloitte Spain. Recuperado el 23 de noviembre de 2023, de https://www2.deloitte.com/es/es/pages/technology/articles/que-es-scrum.htmlDíaz Monroy, L. G. (2007). Estadística multivariada: Inferencia y métodos (2. ed). Departamento de Estadística, Facultad de Ciencias, Universidad Nacional de Colombia.Fitzgerald, D., & Wilson, C. (2023, junio 26). The Structure and Departments in a Pharmaceutical Manufacturing Company. GetReskilled. https://www.getreskilled.com/pharmaceutical-companies/structure/IBM. (s/f-a). ¿Qué es el almacenamiento de datos? | IBM. ¿Qué es el almacenamiento de datos? Recuperado el 23 de noviembre de 2023, de https://www.ibm.com/mx-es/topics/data-storageIBM. (s/f-b). ¿Qué es la minería de datos? | IBM. Recuperado el 23 de noviembre de 2023, de https://www.ibm.com/mx-es/topics/data-miningIBM. (s/f-c). ¿Qué es machine learning? | IBM. ¿Qué es machine learning? Recuperado el 23 de noviembre de 2023, de https://www.ibm.com/mx-es/topics/machine-learningIBM. (s/f-d). ¿Qué es una arquitectura de datos? | IBM. ¿Qué es una arquitectura de datos? Recuperado el 23 de noviembre de 2023, de https://www.ibm.com/es-es/topics/data-architectureIBM. (2021a, marzo 8). Esquemas de estrella. https://www.ibm.com/docs/es/ida/9.1.2?topic=schemas-starIBM. (2021b, agosto 17). Tipos de modelos. https://www.ibm.com/docs/es/spss-modeler/saas?topic=mining-types-modelsJain, P. K., Jain, M., & Pamula, R. (2020). Explaining and predicting employees’ attrition: A machine learning approach. SN Applied Sciences, 2(4), 757. https://doi.org/10.1007/s42452-020-2519-4Naeem, T. (2020, febrero 3). Conceptos de Data Warehouse: Enfoque de Kimball vs. Inmon. Astera. https://www.astera.com/es/tipo/blog/conceptos-de-almac%C3%A9n-de-datos/Oracle. (s/f). ¿Qué es un almacén de datos? Recuperado el 23 de noviembre de 2023, de https://www.oracle.com/co/database/what-is-a-data-warehouse/Pourshasb, N. (2021, febrero 8). ¿Cuánto pierdes por el estrés financiero de tus trabajadores? El Economista. https://www.eleconomista.com.mx/revistaimef/Cuanto-pierdes-por-el-estres-financiero-de-tus-trabajadores--20210208-0031.htmlinstname:Universidad del Rosarioreponame:Repositorio Institucional EdocURSistema de predicción y alertaDeserciónAprendizaje de máquinaFarmacéuticaAlmacén de datosForecasting and warning systemAttritionMachine learningPharmaceuticalData warehouseSistema de predicción y alerta de deserción para empleados de una farmacéuticaDesertion prediction and alert system for pharmaceutical employeesbachelorThesisTrabajo de gradoTrabajo de gradohttp://purl.org/coar/resource_type/c_7a1fEscuela de AdministraciónLICENSElicense.txtlicense.txttext/plain1483https://repository.urosario.edu.co/bitstreams/489a2429-5e2d-4261-a2b3-024b65c49346/downloadb2825df9f458e9d5d96ee8b7cd74fde6MD56ORIGINALSistema_predicción_deserción_Jaime_Andres_Molina_Rodriguez.pdfSistema_predicción_deserción_Jaime_Andres_Molina_Rodriguez.pdfapplication/pdf2176888https://repository.urosario.edu.co/bitstreams/ecf83d3f-682c-48ae-9d96-89a36e9a7ff9/download91a3520c44bc889ef8cec8483b09aa38MD59Anexos_Sistema_predicción_deserción_Jaime_Andres_Molina_Rodriguez.pdfAnexos_Sistema_predicción_deserción_Jaime_Andres_Molina_Rodriguez.pdfapplication/pdf29188113https://repository.urosario.edu.co/bitstreams/03dd27a7-1063-466c-8fda-269ade29bf09/download0a9ae844a5ccb17ae22f0d993ab9a152MD510CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-81160https://repository.urosario.edu.co/bitstreams/829205db-5b8a-4971-9ccb-f8d03fcc56db/download5643bfd9bcf29d560eeec56d584edaa9MD511TEXTSistema_predicción_deserción_Jaime_Andres_Molina_Rodriguez.pdf.txtSistema_predicción_deserción_Jaime_Andres_Molina_Rodriguez.pdf.txtExtracted texttext/plain101879https://repository.urosario.edu.co/bitstreams/cfa18427-d20d-40e9-a0c3-7d2331c3a183/downloadf9146fc05dfb8c5aace71e2a4d787628MD512Anexos_Sistema_predicción_deserción_Jaime_Andres_Molina_Rodriguez.pdf.txtAnexos_Sistema_predicción_deserción_Jaime_Andres_Molina_Rodriguez.pdf.txtExtracted texttext/plain282https://repository.urosario.edu.co/bitstreams/1b1daf80-bd6d-4f86-83da-7ae81b78a41c/downloadd20df7cb0b93627c45dfe7c7b7013ab0MD514THUMBNAILSistema_predicción_deserción_Jaime_Andres_Molina_Rodriguez.pdf.jpgSistema_predicción_deserción_Jaime_Andres_Molina_Rodriguez.pdf.jpgGenerated Thumbnailimage/jpeg2549https://repository.urosario.edu.co/bitstreams/34623a2b-8d34-43e6-aa05-e61035947a3d/download2b4cbb2f0519b1c6c192769102460b6dMD513Anexos_Sistema_predicción_deserción_Jaime_Andres_Molina_Rodriguez.pdf.jpgAnexos_Sistema_predicción_deserción_Jaime_Andres_Molina_Rodriguez.pdf.jpgGenerated Thumbnailimage/jpeg2599https://repository.urosario.edu.co/bitstreams/a69ebbaf-f6b7-4753-867e-2ae0afef71c5/downloadc2274e8ca74d793a76cfa27a7c93bc80MD51510336/42029oai:repository.urosario.edu.co:10336/420292024-01-19 03:02:33.12http://creativecommons.org/licenses/by-nc-sa/4.0/Attribution-NonCommercial-ShareAlike 4.0 Internationalhttps://repository.urosario.edu.coRepositorio institucional EdocURedocur@urosario.edu.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 |