Aplicación de inteligencia artificial para predecir la rotación laboral de un supermercado en Juliaca- Puno
Barra lateral del artículo
Contenido principal del artículo
Resumen
El presente estudio se centró en el desarrollo y la evaluación de un modelo de inteligencia artificial destinado a la predicción de la rotación de personal en la sección de productos frescos de un supermercado ubicado en Juliaca, Perú, así como en la identificación de los factores determinantes principales de este fenómeno. Se adoptó un enfoque metodológico cuantitativo y predictivo, empleando algoritmos de aprendizaje automático (Regresión Logística, Random Forest, XGBoost, KNN) sobre una base de datos compuesta por 1,000 registros de empleados. La metodología abarcó el preprocesamiento de datos, la codificación de variables, el escalado de características y la implementación de la técnica SMOTE para contrarrestar el desequilibrio de clases. Los hallazgos revelaron que el modelo KNN exhibió el rendimiento predictivo superior, logrando un F1-Score de 0.599. El análisis de la importancia de las características indicó que el salario mensual, la evaluación de desempeño y la antigüedad constituyeron los predictores de mayor influencia. En conclusión, se establece que la inteligencia artificial representa una herramienta robusta y factible para la gestión proactiva de los recursos humanos, facultando a la gerencia para formular estrategias de retención enfocadas y fundamentadas en evidencia, con el fin de mitigar la rotación en el contexto analizado.
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Cuando un autor crea un artículo y lo publica en una revista, los derechos de autor pasan a la revista como parte del acuerdo de publicación. Por lo tanto, la revista se convierte en la dueña de los derechos de reproducción, distribución y venta del artículo. El autor conserva algunos derechos, como el derecho a ser reconocido como el creador del artículo y el derecho a utilizarlo para sus propios fines académicos o de investigación, a menos que se acuerde lo contrario en el contrato de publicación.
Cómo citar
Referencias
M. N. Ahamad, “Employee retention and turnover: The role of human resource management practices,” International Journal of Social Science, Education, Communication and Economics, vol. 2, no. 1, pp. 1–10, 2023. [Online]. Available: https://kuey.net/index.php/kuey/article/download/2995/1904/7360
W. A. Al Suraihi, S. A. Samikon, A. H. A. Al Suraihi, and I. Ibrahim, “Employee turnover: Causes, importance and retention strategies,” European Journal of Busi-ness and Management Research, vol. 6, no. 3, pp. 1–10, 2021. [Online]. Available: https://doi.org/10.24018/ejbmr.2021.6.3.893
S. Alferes, “Predicting turnover intention and task performance among retail and hospitality employees: The role of role stressors, job resources, and organizational commitment,” DiVA Portal, 2024. [Online]. Available: https://su.diva-portal.org/smash/get/diva2:1882238/FULLTEXT01.pdf
A. Anand, “Analyzing employee retention in the retail sector: Best practices and challenges,” Journal of Business and Management, vol. 23, no. 8, pp. 45–52, 2021. [Online]. Available: https://www.abacademies.org/articles/analyzing-employee-retention-in-the-retail-sector-best-practices-and-challenges.pdf
S. P. Arce, “Propuesta de un plan de endomarketing para disminuir la rotación de personal en la empresa SICobra,” Repositorio Académico UPC, 2023. [Online]. Available: https://repositorioacademico.upc.edu.pe/bitstream/handle/10757/669924/Arce_SP.pdf?sequence=1
M. Atef, D. Elzanfaly, and S. Ouf, “Early prediction of employee turnover using machine learning algorithms,” International Journal of Electrical and Computer Engineering Systems, vol. 13, no. 2, pp. 135–144, 2022. [Online]. Available: https://ijeces.ferit.hr/index.php/ijeces/citationstylelanguage/get/ieee?submissionId=523&publicationId=523. https://doi.org/10.32985/ijeces.13.2.6
A. Benabou, F. Touhami, and M. A. Sabri, “Predicting employee turnover using machine learning techniques,” Acta Informatica Pragensia, vol. 14, no. 1, pp. 112–127, 2025. [Online]. Available: https://doi.org/10.18267/j.aip.255
R. Bohórquez, “Factores críticos que inciden en la retención del representante de servicio en los supermercados de Lima Metropolitana en los últimos dos años,” Repositorio Académico UPC, 2018. [Online]. Available: https://repositorioacademico.upc.edu.pe/bitstream/handle/10757/625207/Boh%C3%B3rquezO_R.pdf
M. Cubas, “Peru – Economic growth creates staff turnover issues,” Staffing Industry Analysts, Jan. 2, 2013. [Online]. Available: https://www.staffingindustry.com/news/global-daily-news/peru-economic-growth-creates-staff-turnover-issues
K. Dávila, “Impacto de la rotación laboral en el desempeño organizacional de las microempresas del sector manufacturero de Lima Centro,” Repositorio Acadé-mico UPC, 2019. [Online]. Available: https://repositorioacademico.upc.edu.pe/bitstream/handle/10757/648696/DavilaA_K.pdf?sequence=3
C. Espino, “Análisis predictivo: técnicas y modelos utilizados y aplicaciones del mismo – herramientas Open Source que permiten su uso,” Tesis de Grado, Uni-versitat Oberta de Catalunya, 2017. [Online]. Available: http://hdl.handle.net/10609/59565
F. Fallucchi, M. Coladangelo, R. Giuliano, and E. W. de Luca, “Predicting employee attrition using machine learning techniques,” Computers, vol. 9, no. 4, p. 86, 2020. doi:10.3390/computers9040086
A. Khaled et al., “Employee churn prediction using machine learning,” Internation-al Journal of Advanced Computer Science and Applications, vol. 12, no. 5, 2021. doi:10.14569/IJACSA.2021.0120501
M. Lazzari, M. Alvarez, and S. Ruggieri, “Utilizing machine learning to predict employee turnover in high stress sectors,” Journal of High Stress Environment Management, vol. 18, no. 2, pp. 45–59, 2022. [Online]. Available: https://www.researchgate.net/publication/380775878_Utilizing_machine_learning_to_predict_employee_turnover_in_high-stress_sectors
M. Madanchian, N. Hussein, and M. Fauzi, “Predictive modeling for HR deci-sion making: A study of employee turnover,” Journal of Management and Social Research, vol. 12, no. 1, pp. 205–218, 2024. [Online]. Available: https://jmsr-online.com/article/predictive-modeling-for-hr-decision-making-a-study-of-employee-turnover-205/
J. Pérez and L. Espichan, “La rotación de personal y su relación con el clima laboral del hipermercado Plaza Vea, sede Real Plaza – Trujillo, periodo 2016,” Repositorio Institucional UPN, 2016.
A. Raza, M. Najafi Zangeneh, and B. Raza, “Employee attrition prediction using machine learning techniques,” Journal of Big Data, vol. 9, no. 1, pp. 1–18, 2022. doi:10.1186/s40537-022-00582-9
C. Rosado and E. Villanueva, “La rotación de personal en el sector público,” Revista Universidad y Sociedad, vol. 13, no. 3, pp. 371–379, 2021. [Online]. Available: http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1990-86442021000300371
D. Sola and P. Castillo, “Clima laboral y su relación con la rotación del personal en la empresa de call center teleatento del Perú, Lima 2021,” Revista Científica de la UCSA, vol. 9, no. 2, pp. 29–42, 2022. doi:10.18004/ucsa/2409-8752/2022.009.02.029
M. Umer, Z. Dacko Pikiewicz, and F. Li, “Analyzing employee attrition using explainable AI for strategic HR decision making,” Mathematics, vol. 11, no. 22, p. 4677, 2023. doi:10.3390/math11224677
Z. Yin, B. Hu, and S. Chen, “Predicting employee turnover in the Financial Compa-ny: A comparative study of CatBoost and XGBoost models,” Preprints.org, 2024. doi:10.20944/preprints202410.0072.v1
“Tackling Retail Employee Turnover: Strategies for Retention,” SparkPlug, Ac-cessed: Jul. 1, 2025. [Online]. Available: https://sparkplug.app/blog/tackling-retail-employee-turnover-strategies-for-retention