Talent Analytics Colombia es una solución integral de análisis de talento humano desarrollada con SQL Server, Python, Machine Learning y Power BI.

El objetivo del proyecto es proporcionar información estratégica sobre la gestión del talento, permitiendo analizar indicadores clave de Recursos Humanos como rotación, ausentismo, capacitación, desempeño y segmentación de empleados mediante técnicas de Machine Learning.

Este proyecto simula un entorno corporativo real donde los líderes de Recursos Humanos pueden tomar decisiones basadas en datos para mejorar la productividad, retención y desarrollo del personal.

• Analizar indicadores clave de gestión humana.
• Identificar patrones de ausentismo laboral.
• Evaluar la inversión en capacitación y su relación con el desempeño.
• Segmentar empleados mediante Machine Learning (K-Means).
• Construir dashboards ejecutivos para la toma de decisiones.
• Aplicar un flujo completo de análisis de datos desde la generación hasta la visualización.

Talent-Analytics-Colombia
│
├── Dataset
│   ├── empleados.csv
│   ├── ausentismo.csv
│   ├── capacitaciones.csv
│   ├── evaluaciones.csv
│   ├── empleados_ml.csv
│   └── empleados_clusterizados.csv
│
├── Python
│   ├── 01_generar_empleados.py
│   ├── 02_generar_ausentismo.py
│   ├── 03_generar_capacitaciones.py
│   ├── 04_generar_evaluaciones.py
│   └── 05_kmeans_empleados.py
│
├── SQL
│   ├── Ausentismo.sql
│   ├── Capacitación y Desempeño.sql
│   ├── Gestión del Talento.sql
│   └── Resumen Ejecutivo.sql
|
├── PowerBI
│   └── Talent Analytics Colombia.pbix
│
├── Screenshots
│   ├── FONDOS
│   ├── 01-Resumen ejecutivo.png
│   ├── 02-Gestion del Talento.png
│   ├── 03-Ausentismo.png
│   ├── 04-Capacitacion y Desempeño.png
│   └── 05-Machine Learning.png
|   
|
└── README.md

El proyecto utiliza cuatro fuentes principales:

Información general de colaboradores.

• Área
• Cargo
• Ciudad
• Salario
• Fecha de ingreso
• Estado laboral

Registro de ausencias laborales.

• Tipo de ausencia
• Días perdidos
• Fecha

Histórico de formación.

• Curso
• Horas de capacitación
• Fecha

Resultados de desempeño.

• Período
• Calificación

Indicadores generales de talento humano:

• Empleados activos
• Empleados retirados
• Rotación laboral
• Salario promedio
• Edad promedio
• Antigüedad promedio

Análisis de la fuerza laboral:

• Salario por área
• Salario por ciudad
• Distribución por género
• Antigüedad por área

Monitoreo de ausencias:

• Total de ausencias
• Días perdidos
• Ausencias por tipo
• Ausencias por área
• Top empleados con mayor ausentismo

Evaluación del desarrollo del talento:

• Total capacitaciones
• Horas de formación
• Calificación promedio
• Formación por curso
• Formación por área
• Evolución del desempeño
• Relación capacitación vs desempeño

Segmentación inteligente de empleados mediante K-Means.

Variables utilizadas:

• Salario
• Antigüedad
• Ausentismo
• Calificación promedio

Clusters identificados:

• Mayor salario promedio
• Menor antigüedad

• Salarios medios
• Desempeño estable

• Mayor número de ausencias
• Oportunidad de intervención

• Mayor antigüedad
• Mejor desempeño promedio

Se implementó el algoritmo K-Means para identificar segmentos de empleados con características similares.

Proceso realizado:

1. Selección de variables relevantes.
2. Tratamiento de valores nulos.
3. Escalamiento mediante StandardScaler.
4. Entrenamiento con K-Means.
5. Asignación de clusters.
6. Visualización en Power BI.

• Se identificaron cuatro perfiles de empleados claramente diferenciados.
• El Cluster 3 presenta el mejor desempeño promedio y mayor antigüedad.
• El Cluster 2 concentra los mayores niveles de ausentismo.
• Las áreas con mayor inversión en formación muestran mejores indicadores de desempeño.
• El análisis permite priorizar estrategias de retención y desarrollo del talento.

Este proyecto evidencia experiencia práctica en:

• Análisis de Datos
• Business Intelligence
• SQL Server
• Python
• ETL y preparación de datos
• Power BI
• DAX
• Visualización de datos
• Machine Learning
• People Analytics

Fernando Arturo Rojas Quiceno

Ingeniero de Sistemas | Analista de Datos | Business Intelligence

Tecnologías principales:

• SQL Server
• Power BI
• Python
• Excel
• Machine Learning

GitHub Portfolio: https://github.com/fernandorojas-data?tab=repositories

LinkedIn: www.linkedin.com/in/fernando-rojas-quiceno