Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1
2
Agenda
Agenda
3 Limpieza de Datos
4 Feature Engineering
5 Entrenamiento y Validación
6 Interpretación de Resultados
7 Conclusiones
3
4
1 2 3
4 5
5
Caso de Estudio
MNC Enterprise
1. 2. 3.
Identificar Programa de Elección del
Empleados Training y Empleado a
Potenciales Evaluación Promover
6
Planteamiento del Modelo
Objetivo
Predecir si un empleado será promovido o no después de un proceso de evaluación en un punto de
control en particular.
Unidad de estudio
Un empleado dentro de las 9 unidades de negocio principales de la organización.
7
8
Train
Target: 1: es promovido 4,668 (8.5%)
36,538 registros
is_promoted 0: no es promovido 50,140 (91.5%)
(66.7%)
5 vars categóricas
Test 12 features 5 vars numéricas
18,270 registros 2 vars binarias
(33.3%)
54,808 registros
9
Variables y Tipos de Datos
Variable Definición Tipo
11
EDA
12
EDA
13
14
Limpieza de Datos
Limpieza de Datos
15
Análisis de Correlaciones
16
17
Feature Engineering
Feature Engineering
18
Feature Engineering
Feature Engineering
Entrenamiento y Validación
Entrenamiento y Validación
● Utilizamos validación cruzada estratificada para mantener el scores estables y tener mejor
control sobre el sobreajuste de los modelos
28
Interpretación de Resultados
Interpretación de Resultados
30
Interpretación de Resultados
Motivación
Entrenamiento
33
Conclusiones
Conclusiones
❖ La Analítica Predictiva nos puede ayudar a reducir los costos y tiempos dentro del Proceso de
Promociones
❖ Tener claro las variables que mayor aportan en la predicción de que un empleado sea ascendido
pueden ayudar a elaborar estrategias de retención del mejor talento
❖ Considerar hacer el trade off entre un modelo predictivo tipo “BLACKBOX” que nos da mejores
resultados a nivel predictivo y un modelo más conservador que nos permite interpretar mejor la
relación del Target con las variables drivers de negocio.
34
35
Anexos
Interpretación de Resultados
● Interpretación global:
● Interpretación local:
● Interpretación local: