(pdf)
SciELO 
SciELO 
Permalink
Introducción
La rotación de personal se define como “la salida voluntaria de un trabajador de la empresa en que labora” (Carrillo y Santibáñez, 2001). Este fenómeno puede representar un obstáculo para los esfuerzos de innovación, calidad y capacitación, ya que los proyectos que se realizan en este campo pueden volverse improductivos cuando los trabajadores toman decisiones prematuras de cambio de empleo.
Según Estrada (2022), además del costo directo de reclutamiento (que incluye el salario de los seleccionadores, el tiempo destinado a la búsqueda y el pago de publicidad), es necesario considerar costos indirectos relacionados con la reducción de la productividad. En este contexto, el costo de perder a un colaborador, cubrir la vacante, entrenar al nuevo colaborador y recuperar la productividad sería de aproximadamente 2,843.00 dólares para el caso de Ecuador. Otras estimaciones como la realizadas por Catalyst (citado por SH-Sistemas Humanos, 2017) indican que reemplazar a un trabajador puede representar entre el 50% y el 60% de su salario anual.
De acuerdo con la Encuesta sobre Ausentismo y Rotación de Personal en la Industria Manufacturera en San Luis Potosí, México (Secretaría de Desarrollo Económico, 2020), en el año 2019, el índice de rotación de personal en este sector productivo promediaba 4.0% mensual, es decir, 48% anual. En los municipios de San Luis Potosí y Villa de Reyes, el índice de rotación mensual promedio era de 3.8% y 5.6% respectivamente. Sin embargo, las tasas de rotación se diferencian según el cargo que ocupan los empleados; en el caso del personal operativo, en 2019 la tasa de rotación promedió 4.8%, mientras que en personal administrativo fue de 1.2% mensual.
Durante los años 2020 y 2021, el índice de rotación se redujo hasta 1.5% (Asociación de Ejecutivos de la Gestión del Talento Humano de San Luis Potosí, A.C. [ADERIAC], 2021), como resultado de la contracción en la oferta de empleo derivada de la pandemia por el Covid-19. En el escenario post-pandemia aún no se cuenta con información actualizada respecto a la rotación de personal de San Luis Potosí; sin embargo, a nivel nacional, el 41% de las grandes empresas reportan un patrón inusual en las renuncias de colaboradores, asociado a desgaste físico y emocional, y/o búsqueda de mejores sueldos y prestaciones (OCC Mundial, 2022), por lo que se estima que los índices de rotación se encuentran en niveles cercanos a la etapa pre-pandemia.
Derivado de lo anterior, en esta investigación se exploran las causas de la permanencia-rotación de personal en la industria, desde una perspectiva de riesgos psicosociales. Con base en análisis estadístico, se formula un modelo que permite estimar la probabilidad de permanencia en el empleo, tomando en cuenta el nivel de incertidumbre del trabajador respecto a la facilidad o dificultad percibida para conseguir un nuevo trabajo.
Marco teórico
En esta investigación se toman como marco de referencia para explicar la rotación de personal el enfoque de los Factores Psicosociales (OIT, 1986:12); la Teoría de la Discrepancia (Locke, 1970); la Teoría de la Autodeterminación (Gagne y Deci, 2005); y la Economía Conductual (Kahneman y Tversky, 1979, 1984, 1996 y 2000).
Según la Organización Internacional del Trabajo, los Factores Psicosociales (FP) son “interacciones entre el trabajo, medio ambiente, condiciones de organización, capacidades del trabajador, necesidades, cultura y situación personal fuera del trabajo, todo lo cual puede influir en la salud, en el rendimiento y en la satisfacción en el trabajo” (OIT, 1986: 12). Los FP pueden convertirse en factores de riesgo, generadores de estrés e insatisfacción laboral y, eventualmente detonadores de la rotación de personal debido a deficiencias en el diseño o en la gestión organizacional.
Una forma de explicar lo anterior es a través de los modelos demanda-control y demanda-control-apoyo (Karasek, 1979, 1985, 1989 y 1998), que postulan que las reacciones estresantes se originan cuando se combinan altas demandas y bajo control del trabajo, pero los efectos del estrés se amortiguan o moderan cuando existe apoyo de parte de los compañeros y los superiores. En este orden de ideas, autores como Knardahl et al., (2017) identifican entre los factores psicosociales relacionados con la salida temprana del mercado de trabajo el bajo control laboral o tensión laboral, demandas laborales, desequilibrio esfuerzo-recompensa, bajo apoyo social y trabajo repetitivo.
Ismail et al., (2015) mencionan que los conceptos de estrés y satisfacción laboral se encuentran correlacionados de manera significativa, mientras que Byrd et al., (2000) y Simmons et al., (1997) identifican una serie de estresores cotidianos que afectan negativamente a la satisfacción laboral, tales como los bajos salarios, la capacitación inadecuada y la falta de equipo.
Con base en lo anterior se infiere que el concepto de satisfacción laboral juega un rol central para tratar de entender las causas de la rotación de personal y la conexión de este concepto con los factores psicosociales. Davis y Newstrom (2000) definen la satisfacción laboral como “el conjunto de sentimientos y emociones favorables o desfavorables con el cual los empleados consideran su trabajo”, y relacionan la rotación con bajos niveles de satisfacción. Para Skiner y Roche (2021: 1) la satisfacción laboral es el principal predictor de las intenciones de rotación laboral y “se asocia positivamente con sentirse respetado y apoyado y trabajar en un entorno abierto al cambio”. Sin embargo, otros autores como Cymbal et al., (2021) sugieren que la rotación y la satisfacción son procesos multifacéticos, pues esta última podría ser un predictor de la primera, pero sólo cuando se combina, por ejemplo, con bajos niveles salariales y en puestos de nivel técnico. En complemento a la idea anterior, Ruotsalainen et al., (2023), encontraron que cuando los empleados trabajan en equipos autoorganizados, mejoran sus niveles de satisfacción y se reducen sus intenciones de rotación, lo que nos remite nuevamente al modelo demanda-control-apoyo.
De acuerdo con Subramanian y Shin (2013), otros factores que pueden relacionarse de manera directa con las intenciones de rotación laboral son las recompensas, la responsabilidad, los estándares, la conformidad y el liderazgo. En actividades que se relacionan con altos niveles de estrés y responsabilidad, como el trabajo en instituciones dedicadas al cuidado de adultos mayores, Gandhi, Yu y Grabowsky (2021) identificaron otros factores relacionados con la rotación, entre los que se encuentra la localización de las instalaciones y si se trata de una institución con o sin fines de lucro, es decir, el valor simbólico que otorgan a su actividad laboral.
Los elementos mencionados líneas arriba también pueden interpretarse de manera estructurada a través de la Teoría de la Autodeterminación (Gagné y Deci, 2005) que postula que la motivación laboral puede ser controlada o autónoma; esta última comprende lo que se conoce como motivación intrínseca, es decir, el involucramiento de las personas en actividades por simple el hecho de que les resultan interesantes y hasta divertidas; y la motivación extrínseca, que implica que las personas realizan tareas para obtener determinados tipos de resultado o por la necesidad de hacerlas. En este contexto, Akosile y Ekemen, (2022), encontraron que existe una relación significativa entre la intención de rotación y satisfacción laboral, teniendo como mediadores tanto a la motivación intrínseca como a la extrínseca.
Por otra parte, la Teoría de la Discrepancia (Locke, 1970) nos complementa el marco de referencia respecto a la motivación intrínseca. Alfaro et al., (2012) basado en Locke (1970), sostiene que cada persona cuenta con una estructura de valores ordenados de mayor a menor importancia, y cada experiencia de satisfacción o insatisfacción laboral es el resultado de un juicio dual donde se evalúa el grado de discrepancia valor-percepción y la importancia relativa del valor para el individuo. En perspectiva, la rotación de personal estaría relacionada con el grado de discrepancia percibida por el trabajador entre lo que espera de su empleo y lo que recibe en realidad. En estudios reciente se encontró que el nivel socioeconómico subjetivo se relaciona significativamente tanto con el agotamiento laboral como con la intención de rotación (Shan, et al., 2022).
Si consideramos las variables psicosociales, la motivación intrínseca y extrínseca y la discrepancia valor-percepción, como factores que inciden sobre la decisión de permanecer o no en un empleo, tenemos un marco para la toma de decisiones complejo, donde pueden intervenir no sólo criterios racionales basados en el cálculo y la estimación de probabilidades de éxito, sino también modelos heurísticos que involucran, por ejemplo, percepciones, memoria e intuiciones. Este es el escenario del modelo de racionalidad limitada (Kahneman, 2003) donde la búsqueda de satisfacción se contrapone con la optimización.
Como parte de este enfoque Kanheman y Tversky (1979), proponen la Teoría de la Prospectiva que secciona la toma de decisiones dos etapas: edición (análisis de alternativas, organización y reformulación de opciones); y evaluación (valoración de la utilidad con base en resultados potenciales) (Esguerra, 2015). Un hallazgo interesante es que la aversión a las pérdidas ejerce una mayor influencia sobre la decisión que la expectativa de ganancias. Kahneman y Tversky (1979, 1984, 1996 y 2000) concluyen que ante una situación de incertidumbre, si lo que destaca son las ganancias, la tendencia es evitar tomar el riesgo de la decisión, mientras que si lo que destaca son las pérdidas, la tendencia a asumir el riesgo es mayor.
De acuerdo con Garcia-Badell y Blanco (2016: 113), citando a Tversky y Kahneman (1974), existen reglas llamadas “heurísticos”, que son utilizadas para resolver problemas complejos y decidir en la incertidumbre. Estas reglas son el heurístico de representatividad, donde el consumidor calcula “la probabilidad de que A pertenezca a B, en función de cuánto A se parece a B”; el heurístico de accesibilidad, que consiste en “calcular la probabilidad de que ocurra un suceso en función de la facilidad de imaginárselo”; y el heurístico de anclaje y ajuste, según el cual toda “valoración exige un punto de partida o anclaje que se va ajustando durante la toma de decisión”.
Lo anterior nos lleva a considerar que, al tomar la decisión de cambiar de empleo, se construye un marco de referencia basado en la experiencia del empleo actual y los empleos anteriores. A priori, la decisión se basaría en el anclaje que proporcionan las experiencias pasadas, y conforme transcurre el tiempo, se realiza un ajuste que consiste en la adaptación de las expectativas a los resultados.
Hardie et al (1993), y García-Badell y Blanco (2016) explican este mecanismo utilizando un ejemplo del mercado inmobiliario: si la vivienda de anclaje, es decir, “la primera que visitemos en nuestra búsqueda, destaca mucho en un determinado factor, este factor será mucho más determinante en el resto del proceso. Si, por ejemplo, la primera vivienda que consideremos tiene mucha luz, las demás viviendas parecerán oscuras y las diferencias en otros factores cómo las calidades pueden pasar desapercibidas”.
Si trasladamos los hallazgos de la economía conductual al mercado de trabajo, podríamos formular una hipótesis en el sentido de que una persona tomará decisiones de permanencia en el empleo en función del anclaje que le proporcionan, tanto sus experiencias de empleo anteriores como su perfil sociodemográfico y las necesidades asociadas al mismo; así como el ajuste que se da entre sus perfil psicosociales y las características de la empresa; y el grado de incertidumbre que percibe en el mercado de trabajo (Figura 1).
Marco contextual
El estudio se realizó entre trabajadores de los parques industriales localizados en los municipios conurbados de Soledad de Graciano Sánchez, Villa de Reyes y San Luis Potosí, México. Esta zona industrial cuenta con 281 empresas grandes, es decir con 250 o más trabajadores (INEGI, 2023), de las cuales 2 son armadoras automotrices y 235 están relacionadas con el sector de autopartes (Méndez, 2020). De acuerdo con INEGI (2022) el número de empleados en la industria manufacturera de San Luis Potosí asciende a 288,883 personas.
Materiales y métodos
Las preguntas de investigación que dan origen al presente estudio son:
¿Es significativa la influencia de las variables asociadas al heurístico de anclaje (perfil sociodemográfico y experiencias de trabajo anteriores) y ajuste (factores psicosociales) sobre la probabilidad de permanencia mínima de un año en un candidato a ocupar una vacante?
¿Es posible caracterizar un perfil psicosocial de los trabajadores estables en contraste con los que tendrían propensión a rotar en un período menor a 1 año?
El objetivo de este trabajo es identificar los factores que inciden sobre la propensión de los trabajadores industriales a permanecer al menos un año en el empleo, y con base en lo anterior, diseñar un modelo predictivo para estimar las probabilidades de que un candidato cause baja en un período menor a un año.
Las hipótesis de trabajo son:
H1: Las variables relacionadas con el heurístico de anclaje (perfil sociodemográfico y experiencias de trabajo anteriores) y ajuste (perfil psicosocial) ejercen una influencia significativa sobre la probabilidad de permanencia mínima de un año en un candidato a ocupar una vacante.
H2: Es posible caracterizar un perfil psicosocial de los trabajadores estables en contraste con los que tendrían propensión a rotar en un período menor a 1 año
La investigación es de tipo cuantitativo, alcance correlacional y diseño transversal. Como técnica de recolección de información se utilizó la encuesta.
Se diseñó un cuestionario que consta de 3 partes; la primera de ellas considera preguntas para definir el perfil sociodemográfico del entrevistado (edad, sexo, estado civil, lugar de residencia, número de hijos, escolaridad, dependientes económicos, nivel jerárquico de su último puesto); en la segunda parte se evalúan factores de ajuste laboral a partir de la Teoría de la Discrepancia (Chiang et. al., 2010; Locke, 1970) y los Factores de Riesgo Psicosocial definidos en la NOM-035-STPS-2018 (ver tabla 1); y en la tercera parte, se incluyen preguntas sobre la estabilidad en el empleo (antigüedad en el empleo actual, permanencia en los dos últimos empleos e intención de cambiar de empleo). Las dos primeras partes representan las variables predictivas y con la tercera se construyó una variable objetivo de tipo binario.
Tabla 1 Correspondencia entre factores psicosociales, tipos de motivador, heurísticos de anclaje y ajuste y tipos de motivador
| Factores psicosociales | Tipo de motivador | Heurístico | Variable |
|---|---|---|---|
| Perfil Sociodemográfico | Extrínseco | Anclaje | Edad |
| Sexo | |||
| Lugar donde vive (urbano/rural) | |||
| Estado Civil | |||
| Escolaridad | |||
| Número de hijos | |||
| Número de otros dependientes económicos | |||
| Número de empleos anteriores | |||
| Nivel jerárquico en su último empleo | |||
| Condiciones en el ambiente de trabajo | Extrínseco | Ajuste | Comodidad y seguridad en el trabajo |
| Cargas de trabajo | Intrínseco | Disfrute del trabajo | |
| Falta de control sobre el trabajo | |||
| Jornadas de trabajo y rotación de turnos | Intrínseco | Nivel de estrés | |
| Interferencia en la relación trabajo-familia | Extrínseco | Disponibilidad de tiempo para la familia | |
| Liderazgo y relaciones negativas en el trabajo | Intrínseco | Relación/apoyo de los superiores jerárquicos | |
| Violencia laboral | Extrínseco | Relación/apoyo de los superiores jerárquicos | |
| Relación/apoyo de los compañeros de trabajo | |||
| Sentido de pertenencia de los trabajadores a la empresa | Intrínseco | Ajuste | Relación/apoyo de los compañeros de trabajo |
| Participación proactiva y comunicación entre el patrón, sus representantes y los trabajadores. | Intrínseco | Relación/apoyo de los superiores jerárquicos | |
| La distribución adecuada de cargas de trabajo, con jornadas laborales regulares. | Intrínseco | Nivel de estrés | |
| La evaluación y el reconocimiento del desempeño | Extrínseco | Reconocimiento a los logros y esfuerzo del trabajador | |
| Extrínseco | Oportunidades de crecimiento laboral | ||
| Remuneración | Extrínseco | Ajuste | Salario y prestaciones |
| Crecimiento personal | Intrínseco | Continuar con la preparación académica |
Fuente: Elaboración propia con base en Secretaría del Trabajo y Previsión Social (2018), NOM-035-STPS-2018, Factores de riesgo psicosocial en el trabajo-Identificación, análisis y prevención.
El cuestionario se aplicó a una muestra de 291 trabajadores de la zona industrial de San Luis Potosí, lo que permite trabajar con confianza de 95% y un margen de error de 6%.
Tabla 2 Características de la muestra
| Categorías | Frecuencia por categoría | Frecuencia relativa por categoría (%) | |
|---|---|---|---|
| Género | Femenino | 162 | 55.670 |
| Masculino | 129 | 44.330 | |
| Estado Civil | Soltero | 148 | 50.859 |
| Casado o en Unión | 139 | 47.766 | |
| Otro estado civil | 3 | 1.031 | |
| Tipo de localidad en donde habita | Urbano | 278 | 95.533 |
| Rural | 13 | 4.467 | |
| Número de hijos | 0 | 136 | 46.735 |
| 1 | 39 | 13.402 | |
| 2 | 65 | 22.337 | |
| 3 | 32 | 10.997 | |
| 4 | 13 | 4.467 | |
| 5 | 4 | 1.375 | |
| 7 | 2 | 0.687 |
Fuente: Elaboración propia utilizando XLSTAT 2022.
Validez convergente y discriminante
Para evaluar la evidencia de validez convergente y discriminante, los datos fueron analizados siguiendo dos aproximaciones. Por un lado, se analizaron las correlaciones mediante el coeficiente r de Pearson, entre las diferentes variables. Las correlaciones positivas fueron consideradas evidencia de validez convergente, mientras que las correlaciones negativas y la ausencia de correlación fueron consideradas evidencia de validez discriminante. Por otro lado, se realizó un Análisis de Componentes Principales. La medida KaiserMeyer-Olkin indicó que el análisis fue adecuado (KMO =.734) (χ2 =878 p<0.0001) Para la extracción de los componentes se atendió a los componentes que tuvieran auto valores superiores a 1.00. Según el primer criterio se debían extraer 4 componentes que dan cuenta del 57.6% de la varianza.
Resultados
Regresión logística
El uso de la regresión logística se remonta a la década de 1960 (Cornfield, Gordon y Smith 1961), y consiste en obtener la probabilidad de que un suceso o indivíduo corresponda a una categoría o subpoblación. “La función logística es aquella que halla, para cada individuo según los valores de una serie de variables (Xi), la probabilidad (p) de que presente el efecto estudiado” a través de una transformación logarítmica. (Fiuza y Rodríguez, 2000:4).
A partir de las variables que denotan estabilidad en el empleo (número de empleos que ha tenido, antigüedad en el empleo actual, permanencia en los dos últimos empleos e intención de rotar) se construyó una variable dicotómica que indica la ocurrencia o no de un suceso; en nuestro caso, no permanencia (0) - permanencia (1) en períodos menores a un año. Utilizando esta variable dicotómica como variable dependiente; y las variables sociodemográficas y de ajuste laboral como variables predictivas, se formuló un modelo de regresión logística que permite estimar las probabilidades de que un candidato permanezca al menos un año en el empleo.
El modelo logístico tiene la forma concreta de una curva logística. A partir de la variable dependiente dicotómica (indicando la ocurrencia o no de un suceso; en nuestro caso, rotación-no rotación), el procedimiento de estimación del modelo, realizado a través del valor de la verosimilitud, predice una estimación de que el suceso tenga lugar o no. El coeficiente logístico se calcula comparando la probabilidad de la ocurrencia del suceso con la probabilidad de no ocurrencia, de forma que los coeficientes estimados son medidas de los cambios en la ratio de probabilidades denominado odds ratio.
Tabla 3 Estadísticos de bondad de ajuste
| Estadístico | Completo |
|---|---|
| Observaciones | 288 |
| Suma de los pesos | 288.000 |
| GL | 265 |
| -2 Log(Verosimilitud) | 250.034 |
| R²(Nagelkerke) | 0.539 |
| AIC | 296.034 |
| SBC | 380.282 |
| Iteraciones | 6 |
Fuente: Elaboración propia utilizando XLSTAT 2016
Para evaluar la bondad de ajuste del modelo se considera el coeficientes de determinación R² que resume la proporción de varianza en la variable objetivo atribuible a las variables predictores (independientes); y para determinar si el modelo es un clasificador adecuado, se utilizó una muestra de aprendizaje supervisado para calcular el área bajo la Curva ROC (Receiver Operating Characteristic), y la matriz de confusión. Ambas se construyen a partir de los estadísticos sensibilidad (verdaderos positivos/total de valores positivos) y especificidad (verdaderos negativos entre total de valores negativos).
En este caso, se observa un coeficiente de determinación de 0.53, mientras que el área bajo la curva de ROC es de 88% y el procentaje de acierto en la matriz de confusión es de 80.21%.
Tabla 4 Matriz de confusión para la muestra de estimación
| de \ a | 0 | 1 | Total | % correcto |
|---|---|---|---|---|
| 0 | 125 | 23 | 148 | 84.46% |
| 1 | 34 | 106 | 140 | 75.71% |
| Total | 159 | 129 | 288 | 80.21% |
Tabla 5 Parámetros del Modelo
| Fuente | Coeficiente estandarizado | Error estándar | Chi-cuadrado de Wald | Pr > Chi² | Odds ratio | Efecto marginal |
|---|---|---|---|---|---|---|
| Edad | 0.125 | 0.022 | 32.766 | < 0.0001 | 1.133 | 0.031 |
| Número de Hijos | 0.085 | 0.180 | 0.222 | 0.638 | 1.089 | 0.021 |
| Número de otros dependientes económicos (por ejemplo padres o hermanos) | 0.186 | 0.166 | 1.261 | 0.261 | 1.205 | 0.046 |
| Pasar más tiempo con tu familia | -0.023 | 0.067 | 0.119 | 0.731 | 0.977 | -0.006 |
| Trabajar en un lugar cómodo y seguro | -0.064 | 0.087 | 0.548 | 0.459 | 0.938 | -0.016 |
| Tener oportunidades de crecimiento laboral | -0.122 | 0.087 | 1.935 | 0.164 | 0.885 | -0.030 |
| Tener mejor salario y prestaciones | 0.190 | 0.091 | 4.317 | 0.038 | 1.209 | 0.047 |
| Disfrutar el trabajo | 0.005 | 0.073 | 0.004 | 0.947 | 1.005 | 0.001 |
| Continuar con tu preparación académica | -0.076 | 0.076 | 0.990 | 0.320 | 0.927 | -0.019 |
| Llevarte bien con tus jefes en el trabajo | 0.057 | 0.092 | 0.380 | 0.538 | 1.058 | 0.014 |
| Vivir con menos estrés | 0.011 | 0.084 | 0.016 | 0.900 | 1.011 | 0.003 |
| Llevarte bien con tus compañeros de trabajo | 0.036 | 0.090 | 0.162 | 0.687 | 1.037 | 0.009 |
| Ser reconocido por tus logros y esfuerzo | -0.058 | 0.075 | 0.587 | 0.444 | 0.944 | -0.014 |
| Sexo (1:Femenino, 2: Masculino)-1 | 0.000 | 0.000 | 0.000 | |||
| 2 | 0.198 | 0.346 | 0.328 | 0.567 | 1.219 | 0.049 |
| Estado Civil (1: Soltero, 2: Casado o en unión)-1 | 0.000 | 0.000 | 0.000 | |||
| 2 | 0.477 | 0.376 | 1.614 | 0.204 | 1.611 | 0.119 |
| Lugar donde vive (1 urbano, 2 rural)-1 | 0.000 | 0.000 | 0.000 | |||
| 2 | -1.735 | 1.057 | 2.695 | 0.101 | 0.176 | -0.364 |
| Escolaridad (1:Primaria, 2:Secundaria, 3:Bachillerato; 4:Licenciatura, 5:Posgrado)-1 | 0.000 | 0.000 | 0.000 | |||
| 2 | 1.203 | 1.188 | 1.025 | 0.311 | 3.330 | 0.277 |
| 3 | 0.854 | 1.116 | 0.585 | 0.444 | 2.348 | 0.208 |
| 4 | 0.817 | 1.110 | 0.542 | 0.462 | 2.264 | 0.201 |
| 5 | 1.921 | 1.343 | 2.047 | 0.153 | 6.829 | 0.381 |
| Nivel jerárquico de tu último trabajo: (3: Gerencial; 2:Mando Medio; 1: Operativo)-1 | 0.000 | 0.000 | 0.000 | |||
| 2 | -0.025 | 0.375 | 0.005 | 0.946 | 0.975 | -0.006 |
| 3 | -0.083 | 0.531 | 0.025 | 0.875 | 0.920 | -0.021 |
Fuente: Elaboración propia utilizando XLSTAT 2016.
La tabla de parámetros del modelo nos muestra la contribución de cada variable independiente. Entre los predictores continuos destaca la edad y la intención de lograr un mejor salario y prestaciones; entre los predictores categóricos los principales predictores son la escolaridad y el estado civil. La prueba de Chi-cuadrado de Wald nos permite observar que la mayoría de las variables consideradas aportan algo al modelo, pues su valor es diferente de cero.
También podemos apreciar que los coeficientes estandarizados más altos concuerdan con los odds ratio más elevados, tanto en las variables predictoras categóricas como en las continuas.
Por ejemplo una persona cuyo estado civil es casado o en unión, tiene un odss ratio de 1.61, lo que significa que tiene una probabilidad de permanecer en el empleo de 61% mayor que las personas solteras. Para esta variable, el coeficiente estandarizado es de 0.131.
Cuando el odds ratio es menor a 1, por ejemplo cuando el nivel jerárquico del último trabajo fue mando medio, la probabilidad de permanecer al menos un año es 2.5% menor que cuando fue operativo.
El predictor edad tiene el coeficiente estandarizado más elevado (0.828), y un odds ratio de 1.133, lo que significa que cada unidad adicional representaría un 13% de mayor probabilidad de permanencia.
A continuación se calcularon los efectos marginales de las medias y se compararon con los odds ratio de cada una de las variables. Cabe mencionar que los efectos marginales expresan “el efecto promedio de la variable independiente sobre la probabilidad de que suceda la categoría de contraste de la variable dependiente” (Ballesteros, 2018: 6), mientras que los odss ratio son las oportunidades relativas de que suceda un evento, conforme la variable predictora se incrementa en una unidad (si es continua) o conforme cambia de categoría (si es categórica).
En cuanto a los efectos marginales, podemos ver que los valores más altos son consistentes con los odds ratio altos, pero sólo en las variables categóricas, por ejemplo la escolaridad. Para las variables continuas, todos los efectos marginales son bajos, pero son consistentes con los coeficientes estandarizados, pues tienen el mismo signo pero suavizan el efecto de cada variable independiente sobre la variable dependiente.
Algoritmo de K-Means
También se aplicó el algoritmo de K-Means para caracterizar los grupos rotador y no rotador a partir de las variables de ajuste laboral.
El algoritmo de K-Means es una clasificación no supervisada en el que un conjunto de patrones (datos), generalmente multidimensionales, se clasifica en grupos (clusters) de tal manera que los miembros de un grupo son similares según un criterio predefinido. La agrupación de un conjunto forma una partición de sus elementos elegidos para minimizar alguna medida de disimilitud entre los miembros del mismo grupo. El K-means encuentra un óptimo local minimizando una medida de distancia entre cada dato y su centro de clúster más cercano (Pakhira, 2009).
Tabla 6 Centroides de grupo
| Variable | Conglomerado1 | Conglomerado2 | Centroide principal |
|---|---|---|---|
| Permanencia Si/No | 0 | 1 | 7.4242 |
| Pasar más tiempo con tu familia | 6.5283 | 6.8911 | 6.7662 |
| Trabajar en un lugar cómodo y s | 4.4906 | 5.6634 | 5.2597 |
| Tener oportunidades de crecimie | 6.7736 | 7.8218 | 7.461 |
| Tener mejor salario y prestacio | 4.3019 | 7.8812 | 6.6494 |
| Disfrutar el trabajo | 6.2264 | 5.4752 | 5.7338 |
| Continuar con tu preparación ac | 7.4528 | 5.2871 | 6.0325 |
| Llevarte bien con tus jefes en | 4.9057 | 3.0693 | 3.7013 |
| Vivir con menos estrés | 3.0755 | 4.5248 | 4.026 |
| Llevarte bien con tus compañero | 7.7358 | 3.1089 | 4.7013 |
| Ser reconocido por tus logros y | 1.9811 | 4.495 | 3.6299 |
| Percepción de incertidumbre | 2.8491 | 2.8515 | 2.8506 |
Fuente: Elaboración propia utilizando MINITAB 2023
Tabla 7 Contribución de las variables en el modelo de K-Means (Análisis de Varianza)
| Variable | Cuadrados medios (Modelo) | Cuadrados medios (Error) | F | Pr > F |
|---|---|---|---|---|
| Pasar más tiempo con tu familia | 18.384 | 8.548 | 2.151 | 0.120 |
| Trabajar en un lugar cómodo y seguro | 49.774 | 5.126 | 9.710 | 0.000 |
| Tener oportunidades de crecimiento laboral | 69.292 | 4.303 | 16.105 | <0.0001 |
| Tener mejor salario y prestaciones | 186.078 | 4.721 | 39.413 | <0.0001 |
| Disfrutar el trabajo | 215.944 | 5.193 | 41.581 | <0.0001 |
| Continuar con tu preparación académica | 220.932 | 4.884 | 45.236 | <0.0001 |
| Llevarte bien con tus jefes en el trabajo | 44.600 | 3.888 | 11.472 | <0.0001 |
| Vivir con menos estrés | 89.103 | 4.965 | 17.947 | <0.0001 |
| Llevarte bien con tus compañeros de trabajo | 291.170 | 4.993 | 58.317 | <0.0001 |
| Ser reconocido por tus logros y esfuerzo | 131.397 | 4.868 | 26.990 | <0.0001 |
| Percepción de incertidumbre | 0.460 | 0.895 | 0.514 | 0.599 |
Fuente: Elaboración propia utilizando MINITAB 2023
Fuente: Elaboración propia utilizando MINITAB 2023
Figura 4 Clusters de K-Means. Perfil de las clases.
El grupo con tendencia a permanecer en el empleo (1) muestra valores medios (centroides) más altos en las variables pasar más tiempo con la familia, trabajar en un lugar cómodo y seguro, tener oportunidades de crecimiento laboral y tener mejor salario y prestaciones, vivir con menos estrés y ser reconocido por sus logros y esfuerzo. En tanto, el grupo con tendencia a rotar (0) muestra valores más elevados en las variables disfrutar del trabajo, continuar con tu preparación académica, llevarte bien con tus jefes y llevarte bien con tus compañeros.
Conclusiones y discusión
En este documento se ha delineado un marco de referencia para explicar la permanencia en el empleo, y en consecuencia, la salida prematura de un trabajador luego de su contratación en la industria manufacturera. Las investigaciones relacionadas con el tema identifican como predictores de rotación el bajo control laboral o tensión laboral, las demandas laborales, el desequilibrio esfuerzo-recompensa, el bajo apoyo social y el trabajo repetitivo (Knardahl et al., 2017); la satisfacción laboral (Davis y Newstrom, 2000; y Skinner y Roche, 2021); recompensas, responsabilidad, estándares, conformidad y liderazgo (Subramanian y Shin, 2013).
Por otra parte, Akosile y Ekemen, (2022) encuentran que la motivación intrínseca y extrínseca son mediadores en las intenciones de rotación, mientras que (Karasek, 1979, 1985, 1989 y 1998), puntualiza que los efectos del estrés se amortiguan o moderan cuando existe apoyo de parte de los compañeros y los superiores.
Cada predictor ha sido definido a partir de distintos modelos teóricos como el enfoque de los Factores Psicosociales (IT, 1984); los modelos de demanda-control y demanda-control-apoyo (Karasek, 1979, 1985, 1989 y 1998); la Teoría de la Discrepancia (Locke, 1970) y la Teoría de la Autodeterminación (Gagné y Deci, 2005).
Vistos en conjunto, estos modelos explican las intenciones de rotación como resultado de la forma en que se plantea la relación entre las características del empleado (necesidades, motivadores), el perfil de la vacante (demandas del empleo) y la oferta psicosocial de la empresa.
Esta investigación ayuda a explicar, al menos en parte, las razones por las que los factores identificados pueden considerarse como predictores de las intenciones de rotación, y para ello se apoya en hallazgos de la economía conductual, y en específico el heurístico de anclaje y ajuste; por lo tanto, complementa los hallazgos de investigaciones anteriores al proponer que la salida prematura de los empleados se puede caracterizar como una función de los factores de anclaje (perfil sociodemográfico y experiencias de trabajo anteriores) y ajuste (perfil psicosocial).
Tomando como base las preguntas de investigación se concluye lo siguiente:
Las variables asociadas al heurístico de anclaje y ajuste ejercen influencia sobre la probabilidad de permanencia mínima de un año en un candidato a ocupar una vacante. Sin embargo, entre los factores sociodemográficos los predictores más relevantes son la edad, el nivel de escolaridad y el estado civil, mientras que, en lo referente al perfil psicosocial, los principales predictores son salario y prestaciones y tener oportunidades de crecimiento laboral.
Los parámetros obtenidos nos permiten formular un modelo predictivo para estimar la probabilidad de permanencia de al menos un año un candidato a ocupar una vacante. Al utilizar una muestra de aprendizaje supervisado, el área bajo la curva de ROC es de 88% y el procentaje de acierto en la Matriz de Confusión es de 80.21%, por lo que se considera que el modelo es un clasificador aceptable.
El análisis de los efectos marginales y odds ratio arroja resultados consistentes con los coeficientes estandarizados de las variables categóricas (escolaridad). Para el caso de las variables continuas, el signo de los efectos marginales también concuerda con los coeficientes estandarizados, aunque su contribución a la variable dependiente se encuentra suavizada.
Por otra parte, es posible caracterizar un perfil psicosocial de los trabajadores estables en contraste con los que tendrían propensión a rotar en un período menor a 1 año. Utilizando el algoritmo de aprendizaje no supervisado K-Means se encontró que las personas con mayor intención de rotar priorizan los factores disfrutar del trabajo, continuar con tu preparación académica, llevarte bien con tus jefes y llevarte bien con tus compañeros; mientras que las personas con mayor expectativa de permanencia dan mayor importancia a los factores pasar más tiempo con la familia, trabajar en un lugar cómodo y seguro, tener oportunidades de crecimiento laboral y tener mejor salario y prestaciones.
Es interesante advertir que de acuerdo al algoritmo de K-Means, los factores que caracterizan al grupo no rotador se relacionan de manera predominante con la motivación extrínseca, mientras que los rasgos del grupo rotador corresponden a motivadores intrínsecos. Como se mencionó anteriormente, de acuerdo a la Teoría de la Autodeterminación ambos tipos de motivación son consideradas como mediadores entre la satisfacción laboral y la intención rotadora.
Una estrategia de retención de personal en la industria manufacturera podría considerar los siguientes elementos:
Utilizar modelos predictivos para evaluar la probabilidad de permanencia en candidatos a ocupar vacantes, evaluando factores asociados al heurístico de anclaje y ajuste como los factores de motivación que la persona prioriza y las características de los empleos anteriores.
Evaluar el perfil de factores psicosociales de la organización, identificando áreas de oportunidad con base en los factores de ajuste identificados en los candidatos que tienden a la estabilidad.
Evaluar el perfil psicosocial de los candidatos y en cada caso, realizar la comparación con las características de la vacante, identificando discrepancias que pueden derivar en la salida prematura del trabajador.
