Analítica de datos en la selección de talento humano mediante el uso de técnicas básicas de IA

Abstract

Este proyecto desarrolla una solución automatizada para el reclutamiento en departamentos de Recursos Humanos (RRHH) utilizando inteligencia artificial (IA) y análisis de datos. Aprovechando algoritmos de aprendizaje automático como Random Forest y XGBoost, la aplicación analiza perfiles de candidatos basándose en experiencia laboral, educación y habilidades para predecir su idoneidad en roles específicos. Los datos se integran desde diversas fuentes, incluyendo currículums y registros históricos, garantizando eficiencia, precisión y reducción de sesgos.

La metodología CRISP-DM guió el desarrollo del sistema, abordando desde la limpieza de datos hasta la implementación de modelos y el despliegue de una aplicación web interactiva. El prototipo incluye funcionalidades como carga de datos, generación de predicciones y visualización de resultados a través de dashboards. Se obtuvo un desempeño notable del modelo, con métricas como una precisión del 77.47% y un AUC-ROC de 0.86, validando su eficacia para mejorar la selección de talento.

El proyecto contribuye a la optimización del tiempo, la equidad en las contrataciones y la alineación de las decisiones con los objetivos organizacionales. A futuro, se planea expandir la funcionalidad del sistema para incluir más características, mejorar la diversidad de datos y ofrecer soporte multilingüe.

This project develops an automated recruitment solution for Human Resources (HR) departments using Artificial Intelligence (AI) and data analytics. By leveraging machine learning algorithms such as Random Forest and XGBoost, the application analyzes candidate profiles based on work experience, education, and skills to predict their suitability for specific roles. Data is integrated from various sources, including resumes and historical records, ensuring efficiency, accuracy, and reduced biases.

The CRISP-DM methodology guided the system's development, addressing everything from data cleaning to model implementation and the deployment of an interactive web application. The prototype includes features such as data upload, prediction generation, and result visualization through dashboards. The model achieved notable performance metrics, including 77.47% accuracy and an AUC-ROC of 0.86, validating its effectiveness in improving talent selection.

The project contributes to optimizing time, ensuring fairness in hiring, and aligning decisions with organizational goals. Future plans include expanding the system's functionality to incorporate more features, improve data diversity, and provide multilingual support.