Rotación Predictiva en Fintech: Desarrollo de un Modelo de Machine Learning para Identificar Variables Críticas de Desvinculación en Entornos Híbridos

Resumen

La alta rotación de personal en el sector Fintech impacta significativamente la eficiencia operativa y el capital intelectual, siendo este un problema agravado por la transición a modelos de trabajo híbridos. Este artículo aborda la necesidad de predecir la desvinculación voluntaria mediante un enfoque de People Analytics basado en el desarrollo de un Modelo de Machine Learning. El objetivo principal es construir y validar un modelo que identifique las variables laborales, demográficas y de desempeño con mayor poder predictivo en la intención de rotación, centrándose en el personal técnico y de desarrollo en empresas Fintech. La metodología emplea datos de RR.HH. (compensación, antigüedad, evaluaciones de desempeño, uso de herramientas de trabajo remoto) para entrenar y comparar tres algoritmos de clasificación: Regresión Logística, Random Forest y Gradient Boosting. Los resultados simulados indican que el modelo Gradient Boosting alcanza la mayor precisión predictiva (>92%). Los hallazgos conceptuales sugieren que la satisfacción con la flexibilidad híbrida y la antigüedad en el puesto son las variables más influyentes. Se concluye que la aplicación de Machine Learning permite a los líderes de RR.HH. una intervención proactiva y altamente focalizada para mitigar la fuga de talento crucial.