Desarrollo de un modelo de aprendizaje no supervisado para identificar a los empleados con mayor riesgo de rotación en Bancolombia. Semestre de Industria

Abstract

RESUMEN : Este proyecto de grado se enfoca en el análisis de los clústers de empleados en Bancolombia para identificar características y necesidades específicas con el fin de desarrollar estrategias que reduzcan la probabilidad de abandono y mejoren la satisfacción laboral. La metodología empleada incluye la creación de consultas para grandes volúmenes de datos, la extracción, limpieza y procesamiento de estos, y el uso de técnicas de modelado de datos y segmentación de empleados. Los objetivos principales son identificar los factores críticos que influyen en la retención de empleados y proponer intervenciones personalizadas para cada clúster. Los resultados del análisis revelan que la falta de reconocimiento, el desarrollo profesional, la flexibilidad laboral y los beneficios personalizados son factores clave que afectan la satisfacción y la retención de los empleados. En particular, se identificaron cinco clústers: "Veteranos Estables y Moderadamente Reconocidos" (Bajo Abandono), "Jóvenes Operativos No Reconocidos" (Alto Abandono), "Profesionales Solteros con Alta Percepción de Desarrollo" (Medio Abandono), "Operativos Solteros y No Reconocidos" (Alto Abandono) y "Operativos con Alta Antigüedad y Moderado Reconocimiento" (Medio Abandono). Cada clúster requiere estrategias específicas para abordar sus necesidades particulares. Las conclusiones destacan la importancia de implementar programas de reconocimiento, ofrecer oportunidades de desarrollo profesional, considerar la flexibilidad laboral y adaptar beneficios y compensaciones a las necesidades específicas de cada clúster. Estas estrategias personalizadas pueden mejorar significativamente la retención y satisfacción de los empleados en Bancolombia, aprovechando los puntos fuertes y abordando las áreas de mejora de cada clúster.

ABSTRACT : This thesis project focuses on analyzing employee clusters at Bancolombia to identify specific characteristics and needs to develop strategies that reduce the likelihood of attrition and improve job satisfaction. The methodology employed includes creating queries for large volumes of data, extracting, cleaning, and processing the data, and using data modeling and employee segmentation techniques. The main objectives are to identify critical factors influencing employee retention and propose tailored interventions for each cluster. The analysis results reveal that lack of recognition, professional development, work flexibility, and personalized benefits are key factors affecting employee satisfaction and retention. Five clusters were identified: "Stable and Moderately Recognized Veterans" (Low Attrition), "Unrecognized Young Operatives" (High Attrition), "Single Professionals with High Development Perception" (Medium Attrition), "Unrecognized Single Operatives" (High Attrition), and "Operatives with High Tenure and Moderate Recognition" (Medium Attrition). Each cluster requires specific strategies to address its unique needs. The conclusions emphasize the importance of implementing recognition programs, offering professional development opportunities, considering work flexibility, and tailoring benefits and compensations to the specific needs of each cluster. These personalized strategies can significantly improve employee retention and satisfaction at Bancolombia, leveraging the strengths and addressing the improvement areas of each cluster.