Aplicación de inteligencia artificial para predecir la rotación laboral de un supermercado en Juliaca- Puno

Abstract

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.This study focused on the development and evaluation of an artificial intelligence model for predicting employee turnover in the fresh produce section of a supermarket located in Juliaca, Peru, and on identifying the main determinants of this phenomenon. A quantitative and predictive methodological approach was adopted, employing machine learning algorithms (Logistic Regression, Random Forest, XGBoost, KNN) on a database composed of 1,000 employee records. The methodology included data preprocessing, variable encoding, feature scaling, and the implementation of the SMOTE technique to counteract class imbalance. The findings revealed that the KNN model exhibited the superior predictive performance, achieving an F1-Score of 0.599. Feature importance analysis indicated that monthly salary, performance appraisal, and seniority were the most influential predictors. In conclusion, it is established that artificial intelligence represents a robust and feasible tool for proactive human resource management, empowering management to formulate focused and evidence-based retention strategies to mitigate turnover in the analyzed context.