La compensación del remuestreo

Una gran empresa tecnológica quiere predecir la rotación de empleados para mejorar la retención. Pero solo el 12% de los empleados se ha marchado, así que el modelo se entrena principalmente con casos de "permanencia" (88%), lo que dificulta detectar a quienes corren riesgo de irse.

Para corregir este desbalance, el equipo de RR. HH. usa remuestreo sintético para crear más casos de "salida" y equilibrar los datos.

Un requisito clave: el modelo debe evitar clasificar por error a empleados leales como "de alto riesgo de salida", para no malgastar esfuerzos de retención.

El modelo se evalúa con:

• Exactitud en entrenamiento: predicciones correctas sobre los datos de entrenamiento.
• Exactitud en prueba: predicciones correctas sobre datos nuevos.
• Precisión: cuántos de los pronosticados como salientes realmente se fueron.

Métrica	Modelo A (sin remuestreo)	Modelo B (con remuestreo)
Exactitud en entrenamiento	85%	95%
Exactitud en prueba	82%	85%
Precisión	80%	68%