En términos simples, le damos a la máquina ejemplos anteriores de empleados que se han retirado y empleados que se han quedado, y la máquina «aprende» a distinguir entre estos dos grupos.
Ahora, una vez que el modelo está «entrenado», queremos saber qué tan bien está haciendo su trabajo. Es decir, ¿Es confiable la predicción que nos está dando? Aquí es donde entran algunos indicadores que nos ayudan a medir esto:
Accuracy (Exactitud)
La “Exactitud” nos dice qué porcentaje de las predicciones totales son correctas. Supongamos que tenemos 100 empleados, de los cuales 20 se han retirado y 80 se han quedado. Por otra parte, digamos que el modelo predice correctamente que 15 personas saldrán de la empresa y que 65 se quedarán, la exactitud del modelo será igual al 80% ([15+65]/100).
Recall (Sensibilidad)
Recall, también conocido como Sensibilidad, está referido al porcentaje de personas en que el modelo acertadamente predice que se retirarán, del total de personas que efectivamente lo hace. En nuestro ejemplo, tenemos que 20 personas efectivamente se han retirado, pero el modelo predice correctamente que 15 lo harán, la sensibilidad del modelo es de 15/20=75%. Visto de otra forma, hay 5 personas que se han marchado, pero que el modelo predijo que no lo harían. Es en este sentido que Recall es un buen nombre para este indicador, puesto que hay que volver a llamarlos.
Supongamos que estamos trabajando con personas que están en cargos críticos y que, por lo tanto, los costos de la rotación son altos, entonces sería importante maximizar Recall, lo cual implica predecir correctamente a todas las personas que se irán.
Precisión
Ahora, de las personas que nuestro modelo predijo que se irían, ¿Cuántas realmente se fueron? Si el modelo dice que 30 empleados se marcharán y 15 de ellos realmente se van, entonces la Precisión es del 50% (15/30). Una alta Precisión nos dice que, de las alertas que el modelo nos da, una buena proporción de ellas son correctas.
Pensemos el caso en el cual queremos invertir para retener. Tener una baja precisión implicaría que estamos destinando recursos a personas que el modelo ha predicho que se retirarán, pero que en realidad no lo harán. De cierta forma, la Precisión nos indicará la eficiencia de los recursos invertidos.
¿Exactitud, Recall o Precisión?
Para decidir con qué indicador trabajar debemos estudiar cada problema de forma particular. Pero aquí hay algunos puntos que debemos tener presente en el caso de la rotación:
• Usualmente la rotación puede estar cerca del 10%. Esto implica que podemos obtener una alta Exactitud si el modelo predice que nadie se retirará (90%), pero este no sería un modelo muy útil para la empresa.
• Si queremos aumentar Recall, lo cual implica que el modelo detecte correctamente quienes se marcharán, esto puede ser a costa de la Precisión, lo cual hará menos eficientes las inversiones para retener.
• Si queremos aumentar la Precisión, es común que esto implique bajar el Recall.
Frente a esto, una alternativa es utilizar el indicador F1 Score, el cual es una medida que combina tanto Precisión como Recall en un solo número. Es especialmente útil si queremos tener una visión equilibrada de ambos indicadores. Es un promedio ponderado de Precisión y Recall, y su valor será alto solo si ambos, Precisión y Recall, son altos.
En resumen, estos indicadores nos ayudan a entender qué tan confiables son las predicciones de nuestro modelo. Es como tener un termómetro que nos indica qué tan bien está haciendo su trabajo el modelo que hemos construido para anticipar qué empleados podrían retirarse.
En este apasionante artículo exploramos como el «Machine Learning» revoluciona el pronóstico de la rotación de empleados en el ámbito de Recursos Humanos. A través de ejemplos claros, revelamos los indicadores claves que miden la confiabilidad de estos modelos: Exactitud, Sensibilidad (Recall) y Precisión. Con el desafío de equilibrar la detección precisa y la eficiencia en la inversión de retención, se introduce el indicador F1 Score como una solución equilibrada. En última instancia, este artículo brinda una mirada a la herramienta esencial para anticipar los cambios en el equipo laboral y tomar decisiones informadas.