Experimental methodology

Comprensión del negocio

En el presente apartado se discutirá los objetivos del negocio y los requisitos del proyecto para poder traducirlos a objetivos técnicos y elaborar un plan que satisfaga el logro de las metas planteadas.

Determinar los objetivos del negocio:

El objetivo para la minería de datos es proveer al negocio con un mecanismo confiable para la predicción de riesgos psicosociales para la pronta intervención organizacional; evitando así la aparición de síndromes como el burnout, la baja satisfacción, el bajo nivel de compromiso organizacional, la baja productividad o la alta rotación de puestos clave.

• Determinar el nivel de riesgo psicosocial de los trabajadores actuales de la organización.

• Predecir el riesgo de aparición de riesgos psicosocial de los trabajadores actuales de la empresa.

• Predecir el riesgo de aparición de riesgo psicosocial de los nuevos postulantes a la empresa.

Criterios de éxito del negocio

El negocio espera poder tener la posibilidad de realizar predicciones lo suficientemente confiables como para poder ofrecer consejo al departamento de recursos humanos para su pronta acción en estos perfiles de riesgo.

Evaluación de la situación

La empresa no cuenta con ningún proceso o tecnología de minería de datos establecida para el tratamiento de la información que se genera en la organización.

De esta manera, la implementación del modelamiento predictivo deberá tener la menor injerencia posible en los procesos actuales de la organización, buscando evitar la resistencia al cambio por parte de los directivos o los ejecutivos de recursos humanos.

Inventario de recursos:

La empresa ha puesto a disposición del equipo un computador con el software IBM SPSS para el tratamiento de los datos y el desarrollo del modelo de predicción.

Requisitos, supuestos y restricciones:

Para proteger la identidad de los trabajadores, la empresa únicamente permitió utilizar datos de manera anónima, restringiendo la cantidad de datos de control a ser a utilizados en el modelo.

Determinar los objetivos de la minería de datos

• Describir el riesgo psicosocial de los trabajadores actuales de la organización.

• Desarrollar un modelo predictivo para la aparición de riesgos psicosociales en los trabajadores de la empresa

Criterios de éxito de la minería de datos.

La necesidad de fiabilidad por parte de la empresa será traducida en un 70% de casos correctamente predichos, al considerar que, al ser variables susceptibles a la subjetividad de los sujetos, estas pueden no presentar indicadores superiores de predictibilidad.

Realizar el plan del proyecto

• Etapa 1. Análisis de la estructura base de datos recibida por el departamento de RRHH.

• Etapa 2. Preparación de los datos para facilitar la minería de datos.

• Etapa 3. Elección de técnica de modelamiento predictivo.

• Etapa 4. Análisis de resultados.

• Etapa 5. Presentación de resultados finales

Comprensión de los datos

En este apartado se analizan los datos recogidas, averiguando sobre sus descripciones principales y elaborando hipótesis sobre las relaciones más evidentes entre sus datos.

Recolección de los datos

La base de datos obtenida por parte del departamento de recursos humanos contenía los siguientes datos:

• Sexo • Edad • Sede • Tipo • Tiempo de servicio • Turno • Sueldo • Riesgo Psicosocial

Descripción de los datos • Sexo

Variable dicotómica que indica la sexualidad biológica del trabajador.

• Edad

Variable de tipo intervalo que indica la edad del trabajador.

• Sede

Variable de tipo nominal que indica la ubicación del centro de trabajo del colaborador.

• Tipo

Pertenencia del trabajador al equipo administrativo o de docencia de la entidad.

• Tiempo de servicio

Variable de tipo intervalo que indica el tiempo de permanencia del trabajador en la planilla de la empresa.

• Turno

Variable categórica que indica el turno en el que trabaja el colaborador, se ordena de manera ascendente en término del riesgo psicosocial que provoca en el trabajador.

• Sueldo

Variable de tipo intervalo que indica el monto correspondiente a la remuneración básica mensual de cada trabajador.

• Riesgo Psicosocial

Variable dicotómica que indica la presencia de riesgo psicosocial en el trabajador.

Exploración de los resultados

En la tabla 3 se observa la distribución de la aparición de riesgos psicosociales por cada una de las variables de control a ser utilizadas en el modelamiento predictivo. Es una tabla resumen de los resultados de la evaluación realizada por el equipo de psicólogos organizacionales de la institución.

Tabla 3. Frecuencias por variable de control

Categoría No Riesgo Riesgo % Riesgo

Sexo Hombre 132 75 36% Mujer 188 92 33% Edad Menos de 31 106 56 35% 31 - 45 Años 150 75 33% 45 a más años 64 36 36% Sede Oficina Central 48 28 37% Oficina La Molina 50 29 37%

Oficina Lima Cercado 54 17 24%

Oficina Lima Norte 64 25 28%

Oficina Miraflores 59 28 32%

Oficina San Miguel 42 40 49%

Oficina Surco 3 0 0% Tipo Administrativo 199 106 35% Docente 121 61 34% Tiempo de Servicio Menos de 1 año 40 8 17% 1 - 2 años 56 32 36% 2 - 5 años 86 39 31% 5 - 10 años 54 38 41% Más de 10 años 84 50 37% Turno Fijo Mañana 79 37 32% Fijo tarde 85 35 29% Jornada Partida 156 95 38% Sueldo 950 - 1199 67 5 7% 1200 - 1799 138 26 16% 1800 - 3499 82 63 43% 3500 - 5499 27 49 64% 5500 - 10000 6 24 80% n = 487

De manera especulativa, analizando los datos encontrados se pueden realizar hipótesis. En cuando a las variables de sexo, edad, sede, tipo y tiempo de servicio, estas parecerían no estar relacionadas con la aparición de riesgo psicosocial.

Sin embargo, las variables de turno y sueldo muestran una tendencia creciente en la aparición del riesgo.

Preparación de los datos

En este paso, las variables se preparan para poder ser parte del análisis posterior. Se asigna un número a cada una de las opciones de respuesta de cada variable, respetando el tipo de cada una, sean cuantitativas o cualitativas.

• Variable 1: Sexo o 1: Hombre o 2: Mujer • Variable 2: Edad o 1: Menos de 31 o 2: Entre 31 y 45 o 3: 45 a más

• Variable 3: Tipo (Ordenado en grado de exposición al cliente externo)

o 1: Administrativo

o 2: Docente

• Variable 4: Tiempo de servicio

o 1: Menos de 1 año o 2: De 1 a 2 años o 3: De 2 a 5 años o 4: De 5 a 10 años o 5: Más de 10 años • Variable 5: Sueldo o 1:1200 – 1799 o 2: 1800 – 3499 o 3: 3500 – 5499 o 4: 5500 - 10000 • Variable 6: Turno o 1: Fijo Mañana o 2: Fijo Tarde o 3: Jornada Partida.

• Variable 7: Riesgo psicosocial

o 1: Si

Se decidió no utilizar la variable sede al no encontrar información histórica acerca de los posibles niveles de exposición al riesgo en cada una de ellas, siendo excluidas del modelo.

Al terminar este paso, se cuenta con un dataset listo para el proceso de modelamiento predictivo.

Modelado

Se decidió utilizar la regresión logística binaria como técnica de modelamiento predictivo, el modelo CoPsoQ - Istas fue validado con técnicas psicométricas, las cuales dan resultados sobre su validez y confiabilidad como constructo, evaluando los datos para crear una ecuación que nos permita obtener una probabilidad de ocurrencia de un evento.

De esta manera, como se observa en la figura 2, se utilizó el programa IBM SPSS para ingresar los datos y analizarlos.

Figura 2. Regresión logística binaria

Luego del análisis, como se observa en la figura 3, solamente dos de las variables son explicativas a un nivel de significación suficiente para ser consideradas dentro del modelo.

Figura 3. Primer modelamiento

Se vuelve a realizar el análisis quitando las variables que no entraron en el modelo. Como se observa en la figura 4, los valores B de cada variable cambiaron levemente.

Figura 4. Segundo modelamiento

Analizando los resultados finales, se encuentra que la variable sueldo y la variable turno explican la aparición de riesgos psicosociales en el trabajo. Además, se encuentra que a mayor sueldo o en turnos más disparejos hay mayor probabilidad de la aparición de riesgo psicosocial.

Por otra parte, se encuentra que el sueldo es la variable más relacionada al riesgo psicosocial.

De esta manera, la ecuación de probabilidad para la aparición de riesgos psicosociales estaría configurada de la siguiente manera:

1

1 + exp⁡(−4,439 − 1,101 ∗ 𝑆𝑢𝑒𝑙𝑑𝑜 − 0,305 ∗ 𝑇𝑢𝑟𝑛𝑜)

En cuanto a la evaluación del modelo, en la figura 5 se encuentra que se ha logrado predecir un 73.9% de la aparición de riesgo psicosociales.

Figura 5. Predictibilidad del modelo

Evaluación

Con el desarrollo de este modelo, invocamos los objetivos del negocio para verificar su cumplimiento.

• Determinar el nivel de riesgo psicosocial de los trabajadores actuales de la organización.

• Predecir el riesgo de aparición de riesgos psicosocial de los trabajadores actuales de la empresa.

• Predecir el riesgo de aparición de riesgo psicosocial de los nuevos postulantes a la empresa.

En cuanto al primer objetivo, este fue logrado mediante el análisis de descriptivos, otorgando medidas de riesgo por cada variable de control utilizada en el instrumento.

Con respecto al segundo objetivo, este fue logrado mediante la utilización de la ecuación obtenida para la obtención de una probabilidad de aparición de riesgo psicosocial en los trabajadores que no participaron del diagnóstico inicial.

Finalmente, el equipo de recursos humanos puede hacer uso de la ecuación para predecir.

De esta manera, habiendo cumplido los objetivos, la información deberá ser enviada a los actores pertinentes para los descubrimientos se alineen a las practicas actuales de gestión del talento humano y seguridad y salud en el trabajo de la organización.