ESCUELA UNIVERSITARIA DE POSGRADO IMPLEMENTACIÓN DE UNA APLICACIÓN MÓVIL CON MACHINE LEARNING APLICANDO LA NUEVA METODOLOGÍA CSKT PARA EL PROCESO DE CONTRATACIÓN DE PERSONAL EN EL SECTOR PRIVADO Línea de investigación: Ingeniería de software, simulación y desarrollo de TICs Tesis para optar el Grado Académico de Doctor en Ingeniería de Sistemas Autor Ogosi Auqui, José Antonio Asesor Petrlik Azabache, Iván Carlo ORCID: 0000-0002-1201-2143 Jurado Coveñas Lalupú, José Lira Camargo, Jorge Rosales Huamaní, Jimmy Aurelio Lima - Perú 2025 RECONOCIMIENTO - NO COMERCIAL - SIN OBRA DERIVADA (CC BY-NC-ND) ESCUELA UNIVERSITARIA DE POSGRADO IMPLEMENTACIÓN DE UNA APLICACIÓN MÓVIL CON MACHINE LEARNING APLICANDO LA NUEVA METODOLOGÍA CSKT PARA EL PROCESO DE CONTRATACIÓN DE PERSONAL EN EL SECTOR PRIVADO Línea de investigación: Ingeniería de software, simulación y desarrollo de TICs Tesis para optar el Grado Académico de Doctor en Ingeniería de Sistemas Autor Ogosi Auqui, José Antonio Asesor Petrlik Azabache, Iván Carlo ORCID: 0000-0002-1201-2143 Jurado Coveñas Lalupú, José Lira Camargo, Jorge Rosales Huamaní, Jimmy Aurelio Lima - Perú 2025 ÍNDICE Resumen ...................................................................................................................................... i Abstract ...................................................................................................................................... ii I. Introducción ........................................................................................................................ 1 1.1. Planteamiento del problema ........................................................................................ 1 1.2. Descripción del problema............................................................................................ 3 1.3. Formulación del problema .......................................................................................... 9 Problema general ................................................................................................................ 9 Problemas específicos ......................................................................................................... 9 1.4. Antecedentes ............................................................................................................... 9 1.5. Justificación de la investigación ................................................................................ 17 1.6. Limitaciones de la investigación ............................................................................... 18 1.7. Objetivos ................................................................................................................... 18 Objetivo general ............................................................................................................... 18 Objetivos específicos ........................................................................................................ 18 1.8. Hipótesis .................................................................................................................... 19 II. Marco Teórico ............................................................................................................... 21 2.1. Marco conceptual .......................................................................................................... 21 III. Método .......................................................................................................................... 48 3.1. Tipo de Investigación ................................................................................................ 48 3.2. Población y muestra .................................................................................................. 50 3.3. Operacionalización de variables................................................................................ 53 3.4. Instrumentos .............................................................................................................. 54 3.5. Procedimientos .......................................................................................................... 54 3.6. Análisis de datos........................................................................................................ 54 3.7. Consideraciones éticas .............................................................................................. 65 IV. Resultados ..................................................................................................................... 67 V. Discusión de resultados............................................................................................... 128 VI. Conclusiones ............................................................................................................... 133 VII. Recomendaciones ....................................................................................................... 137 VIII. Referencias .............................................................................................................. 140 IX. Anexos ........................................................................................................................ 150 ÍNDICE DE TABLAS Tabla 1 Datos actuales de los indicadores. ............................................................................... 8 Tabla 2 Comparación del AS – IS y TO – BE. ......................................................................... 8 Tabla 3 Descripciones del modelo de proceso CRISP-DM ................................................... 37 Tabla 4 Descripciones del modelo de proceso KDD .............................................................. 39 Tabla 5 Población y muestra ................................................................................................... 50 Tabla 6 Tipo de muestreo........................................................................................................ 51 Tabla 7 Matriz de operacionalización de variables ................................................................. 53 Tabla 8 Técnica e instrumento para recolección de la información ....................................... 54 Tabla 9 Elección de las pruebas estadísticas ........................................................................... 62 Tabla 10 Investigación con ética ............................................................................................. 66 Tabla 11 Comparativa entre resultados del modelo adaptado ............................................... 88 Tabla 12 Criterios de Aceptación de las métricas .................................................................. 89 Tabla 13 Métricas de evaluación del modelo......................................................................... 90 Tabla 14 Criterios de éxito ..................................................................................................... 91 Tabla 15 Evidencia de uso del aplicativo móvil .................................................................... 97 Tabla 16 Feedback del usuario final ...................................................................................... 99 Tabla 17 Comentarios de usuarios para la mejora y ajustes en el aplicativo móvil ............ 111 ÍNDICE DE FIGURAS Figura 1 Afiliados del Sistema Nacional de Pensiones por edad ............................................. 4 Figura 2 Afiliados del Sistema Nacional de Pensiones por sexo .............................................. 5 Figura 3 Diagrama Ishikawa ..................................................................................................... 5 Figura 4 Proceso de Negocios: Proceso de Contratación de Personal en el sector privado (AS – IS) ............................................................................................................................................ 7 Figura 5 Categorías de trabajo en el sector privado............................................................... 22 Figura 6 Factores que afectan la contratación ....................................................................... 24 Figura 7 Proceso de contratación ........................................................................................... 25 Figura 8 Programación tradicional vs Machine Learning ..................................................... 30 Figura 9 Elegir y entrenar un método de aprendizaje automático ......................................... 32 Figura 10 Algoritmos utilizados en Machine Learning ......................................................... 33 Figura 11 Metodología CRISP-DM ....................................................................................... 36 Figura 12 Metodología SEMMA ........................................................................................... 38 Figura 13 Metodología KDD ................................................................................................. 39 Figura 14 Metodología TDSP ................................................................................................ 40 Figura 15 Diseño de la metodología CSKT ........................................................................... 41 Figura 16 Propuesta organizacional ........................................................................................ 49 Figura 17 Diseño preexperimental en base a pre test y post test ........................................... 52 Figura 18 Fases para el análisis de datos ............................................................................... 55 Figura 19 Icono de la herramienta Minitab ........................................................................... 55 Figura 20 Pantalla principal de Minitab ................................................................................ 56 Figura 21 Histograma de muestra de la herramienta Minitab ............................................... 57 Figura 22 Gráfico de probabilidad de muestra ...................................................................... 57 Figura 23 Gráfico de probabilidad de dos muestras de ejemplo ............................................. 60 Figura 24 Prueba de hipótesis de T de student ...................................................................... 61 Figura 25 Estadísticas descriptivas de prueba ....................................................................... 61 Figura 26 Tabla de distribución de T de Student ................................................................... 64 Figura 27 Parámetros y actividades del modelo de Machine Learning con la metodología CSKT ....................................................................................................................................... 67 Figura 28 Árbol de decisión sobre la elección del seguro pensionario ................................. 70 Figura 29 Código de entrenamiento del modelo .................................................................... 72 Figura 30 Matriz de confusión del entrenamiento del modelo de Machine Learning ........... 73 Figura 31 Esquema de ROC del modelo de Machine Learning ............................................ 74 Figura 32 Métricas establecidas del modelo de Machine Learning ....................................... 75 Figura 33 Data de la SNP ...................................................................................................... 76 Figura 34 Código del usuario seleccionado para el modelo .................................................. 76 Figura 35 Datos del perfil del jubilado .................................................................................. 77 Figura 36 Resultado de modelo de predicción ....................................................................... 77 Figura 37 Secuencia del árbol de decisión del jubilado ......................................................... 78 Figura 38 Secuencia de la metodología ................................................................................. 78 Figura 39 Diseño del modelo funcional ................................................................................. 80 Figura 40 Algoritmo de entrenamiento de Machine Learning - Script en Python ................ 81 Figura 41 Algoritmo de entrenamiento de Machine Learning - Importación de librerías ..... 81 Figura 42 Algoritmo de entrenamiento de Machine Learning - Definición de variables globales .................................................................................................................................... 82 Figura 43 Algoritmo de entrenamiento de Machine Learning - Predicciones basadas en el modelo entrenado ..................................................................................................................... 83 Figura 44 Modelo entrenado con la data Incrementada ......................................................... 83 Figura 45 Curva ROC enfocada a la data incrementada ........................................................ 84 Figura 46 Resultados de métricas enfocada a la data incrementada ...................................... 85 Figura 47 Prueba de los primeros datos del modelo .............................................................. 86 Figura 48 Segundo caso para el entrenamiento del modelo .................................................. 86 Figura 49 Tercer caso para el entrenamiento del modelo ...................................................... 87 Figura 50 Feedback técnico ................................................................................................... 87 Figura 51 Flujo de la secuencia de casos del modelo de Machine Learning ......................... 89 Figura 52 Recopilación de datos históricos de contratación................................................... 92 Figura 53. Limpieza de la data histórica ................................................................................. 93 Figura 54 Herramienta de transformación de Excel a JSON ................................................. 93 Figura 55 Visualización de la data en formato JSON ............................................................ 94 Figura 56 Depuración de la data ............................................................................................ 94 Figura 57 Data ajustada ......................................................................................................... 95 Figura 58 Entrenamiento con data controlada ....................................................................... 96 Figura 59 Ambiente de prueba para evaluar el modelo de la proyección .............................. 97 Figura 60 Medición de la eficiencia operativa ....................................................................... 98 Figura 61 Medición de la eficiencia operativa optimizada .................................................. 100 Figura 62 Infraestructura del despliegue de la aplicación móvil ......................................... 100 Figura 63 Estructura de Firebase de la aplicación móvil ..................................................... 101 Figura 64 Logo de la plataforma Firebase ........................................................................... 102 Figura 65 Logo de la plataforma Google Play ..................................................................... 102 Figura 66 Entorno de la plataforma de Firebase .................................................................. 103 Figura 67 Formulario para evaluar la satisfacción del usuario final y personal de RRHH . 104 Figura 68 Respuesta del usuario final para evaluar la satisfacción del aplicativo móvil - Pregunta 1 .............................................................................................................................. 104 Figura 69 Respuesta del usuario final para evaluar la satisfacción del aplicativo móvil - Pregunta 2 .............................................................................................................................. 105 Figura 70 Respuesta del usuario final para evaluar la satisfacción del aplicativo móvil - Pregunta 3 .............................................................................................................................. 106 Figura 71 Respuesta del usuario final para evaluar la satisfacción del aplicativo móvil - Pregunta 4 .............................................................................................................................. 106 Figura 72 Respuesta del usuario final para evaluar la satisfacción del aplicativo móvil - Pregunta 5 .............................................................................................................................. 107 Figura 73 Respuesta del usuario final para evaluar la satisfacción del aplicativo móvil - Pregunta 6 .............................................................................................................................. 108 Figura 74 Respuesta del usuario final para evaluar la satisfacción del aplicativo móvil - Pregunta 7 .............................................................................................................................. 108 Figura 75 Respuesta del usuario final para evaluar la satisfacción del aplicativo móvil - Pregunta 8 .............................................................................................................................. 109 Figura 76 Respuesta del usuario final para evaluar la satisfacción del aplicativo móvil - Pregunta 9 .............................................................................................................................. 110 Figura 77 Respuesta del usuario final para evaluar la satisfacción del aplicativo móvil - Pregunta 10 ............................................................................................................................ 110 Figura 78 Tabla de Student - Hipótesis específica 1 ........................................................... 115 Figura 79 Tabla de Student - Hipótesis específica 2 ........................................................... 118 Figura 80 Tabla de Student - Hipótesis específica 3 ........................................................... 121 Figura 81 Tabla de Student - Hipótesis específica 4 ........................................................... 124 Figura 82 Tabla de Student - Hipótesis específica 5 ........................................................... 127 Figura 83 Diagrama de paquetes ......................................................................................... 152 Figura 84 Arquitectura de TI de la aplicación móvil ........................................................... 152 ÍNDICE DE ECUACIONES Ecuación 1 Fórmula de Shapiro Wilk ..................................................................................... 58 Ecuación 2 Fórmula del valor b de la prueba.......................................................................... 58 Ecuación 3 Fórmula de los coeficientes tabulados de la prueba ............................................. 59 Ecuación 4 Fórmula de la prueba T de Student ...................................................................... 62 Resumen Objetivo: Implementar y evaluar una aplicación móvil con Machine Learning empleando la nueva metodología CSKT para optimizar el proceso de contratación de personal en el sector privado. Además, en el presente estudio examinó el impacto de la metodología CSKT y el Machine Learning en la contratación de personal en el sector privado, buscando obtener una mejora significativa en el proceso de la organización tanto en la eficiencia y/o la efectividad. Método: Con un enfoque aplicado y descriptivo, se empleó un diseño de investigación preexperimental, se analizaron diversas pruebas para evaluar el tiempo, costos, precisión y optimización del proceso. La muestra consistió en 5000 casos seleccionados aleatoriamente del universo de procedimientos de contratación. La recopilación de datos se realizó consultando a la database, complementada con fichas de observación. Resultados: Se destacan que la metodología CSKT junto con el Machine Learning mejora notablemente la eficiencia en tiempo y costos. Además, se comprobó la precisión del Machine Learning en la evaluación de criterios de aceptación, lo que sugiere una mayor objetividad en las decisiones de contratación. Se observó también una optimización del proceso de contratación mediante la mejora de la precisión del modelo de Machine Learning. Conclusiones: Se encontró que la eficiencia en la contratación se incrementa con el uso de ML en aplicaciones móviles, destacando el potencial transformador de la tecnología móvil en recursos humanos. Estos hallazgos respaldan la adopción de enfoques innovadores basados en datos para mejorar los procesos de contratación de personal en el sector privado. Palabras claves: machine learning, metodología CSKT, aplicación móvil, contratación de personal. Abstract Objective: Implement and evaluate a mobile application with Machine Learning using the new CSKT methodology to optimize the personnel hiring process in the private sector. Furthermore, in the present study, the impact of the CSKT methodology and Machine Learning on the hiring of personnel in the private sector was examined, seeking to obtain a significant improvement in the organization's process in both efficiency and/or effectiveness. Method: With an applied and descriptive approach, a pre-experimental research design was used, various tests were analyzed to evaluate the time, costs, precision and optimization of the process. The sample consisted of 5000 cases randomly selected from the universe of contracting procedures. Data collection was carried out by consulting the database, complemented with observation sheets. Results: It is highlighted that the CSKT methodology together with Machine Learning significantly improves efficiency in time and costs. In addition, the precision of Machine Learning was verified in the evaluation of acceptance criteria, which suggests greater objectivity in hiring decisions. An optimization of the hiring process was also observed by improving the precision of the Machine Learning model. Conclusions: It was found that hiring efficiency increases with the use of ML in mobile applications, highlighting the transformative potential of mobile technology in human resources. These findings support the adoption of innovative data-driven approaches to improve staffing processes in the private sector. Keywords: machine learning, CSKT methodology, mobile application, mobile application, mobile workforce management. 1 I. INTRODUCCIÓN 1.1. Planteamiento del problema Actualmente, la contratación del personal conlleva una serie de desafíos que merecen una atención cuidadosa. Estos desafíos pueden surgir tanto de la definición de criterios por parte de las empresas respecto a las cualidades deseadas en los candidatos, como de consideraciones relacionadas con la edad de los postulantes. Según un informe publicado por Redacción (2021), en donde se analiza una encuesta respecto al fenómeno del “Edadismo”, se observa que los trabajadores mayores de 40 años enfrentan dificultades significativas en el proceso de contratación en comparación con otros aspirantes. El informe señala que el 54% de estos individuos experimentan discriminación, especialmente cuando la solicitud se realiza a través de medios como correos electrónicos o llamadas telefónicas. Además, el 48% reporta enfrentar esta discriminación durante las entrevistas de trabajo, mientras que el 28% menciona que este fenómeno es menos frecuente cuando se trata de promociones internas. Es importante destacar que, aunque los jóvenes pueden tener más oportunidades de acceder a puestos laborales, esto no garantiza que cuenten con la experiencia necesaria para desempeñar eficazmente dichos roles. Por otro lado, la duración incierta de la pandemia ha exacerbado la inflexibilidad en la contratación de los empleados de la compañía. En contraste, en el ámbito público, se ha observado cierto éxito en la contratación de personal, en parte debido a la contribución social que implica la activación de mecanismos de contingencia para facilitar la inserción rápida de los trabajadores en empleos formales, con compensaciones adecuadas. Sin embargo, la rigidez de estos procesos, marcada por las normativas estatales y la falta de adaptación a tendencias de trabajo más ágiles, sigue siendo un desafío significativo. Esto se refleja tanto en la dificultad 2 para iniciar contratos de trabajo como en la gestión de la terminación de los mismos, así como en el desarrollo de relaciones laborales fluidas y eficientes. La flexibilidad del sistema legal en el Perú ha sido objeto de cuestionamiento debido a los continuos cambios en las condiciones laborales, esto es, menor flexibilidad en los procesos de contratación de empleados en las entidades correspondientes. Antes del inicio de la epidemia, existía un sistema de contratos estricto basado en reglas para regular las relaciones laborales, lo cual afectaba particularmente a los jóvenes que ingresaban al mundo laboral, enfrentando presiones derivadas de los protocolos de seguridad social. Actualmente, se proyecta un aumento del 18% en la demanda de personal de seguridad durante las campañas de fin de año en el sector de comercio y retail, según un informe de Gestión (2023) del grupo Eulen Perú. Durante la temporada navideña, la demanda de personal capacitado en seguridad se espera que alcance este porcentaje a partir de noviembre y hasta enero. Además, el Instituto de Economía y Desarrollo Empresarial señala que, desde marzo, el empleo juvenil formal en el sector privado ha aumentado, con un total de 1.08 millones de trabajadores, en comparación con los registros de 2019. Este incremento en la cantidad de jóvenes empleados puede afectar el sistema de contratación, dado el elevado número de postulantes para estos puestos y la necesidad de identificar a los candidatos más idóneos. El país enfrenta desafíos significativos en cuanto a la rigidez del sistema de contratación y despido, lo que contribuye a la carga laboral y promueve la informalidad. Esto se refleja en que el Perú posee uno de los sistemas de contratación más rígidos, según datos recopilados por (Pró y Raymond, 2021). El país se encuentra predominantemente en actividades transaccionales, como la generación de planillas. Sin embargo, para evolucionar hacia actividades más transformacionales, es decir, anticiparse y desarrollar proactivamente al ciudadano de acuerdo 3 a sus necesidades, se requiere una mayor incorporación de tecnología como soporte a las actividades de recursos humanos (Servir Perú, 2020). En cuanto al sistema de pensiones, se estima que más del 25% de la fuerza laboral peruana está afiliada al sistema impositivo de pensiones, compuesto por el Sistema Nacional de Pensiones (SNP) y el Sistema Privado de Pensiones (SPP). Sin embargo, una parte considerable de los afiliados a estos sistemas no cumplen con los requisitos para acceder a una pensión de jubilación, ya sea por no haber realizado aportes suficientes o por no haber acumulado los ahorros necesarios para obtener una renta vitalicia. Esto plantea desafíos significativos en términos de seguridad financiera para la población económicamente activa en su vejez. De entre los afiliados al SPP, aproximadamente un 60% no ha logrado acumular los ahorros necesarios para asegurarse una renta vitalicia en su vejez. Además, únicamente el 13.7% de la población peruana económicamente activa, comprendida entre los 15 y los 64 años, puede realistamente aspirar a obtener una pensión proveniente del Sistema Nacional de Pensiones (SNP) o del Sistema Privado de Pensiones (SPP) una vez llegada la etapa de la vejez. 1.2. Descripción del problema La problemática investigada se centra en la complejidad de la contratación de los empleados del sector privado, del cual se observa que el sistema de asignación de empleos, cargos y remuneraciones está influenciado en gran medida por la edad y la situación actual de los individuos. Este sistema presenta dificultades significativas, ya que los tiempos de contratación suelen ser prolongados debido a la rigidez técnica del proceso, lo que genera incomodidades tanto para el personal encargado de las contrataciones como para los propios solicitantes, quienes buscan obtener un empleo en el menor tiempo posible. 4 Los ciudadanos peruanos que han contribuido tanto al Sistema Nacional de Pensiones (SNP) como al Sistema Privado de Pensiones (SPP) se han encontrado con que su participación no tiene un impacto significativo en las decisiones relacionadas con su pensión. A pesar de los reportes de estado de cuenta, que a menudo carecen de información clave como una estimación precisa de la pensión que el trabajador podría aspirar, y las tácticas de ventas agresivas por parte de los agentes (como se ilustra en las figuras 1 y 2), no se ha proporcionado asesoramiento activo e independiente para alertar sobre posibles decisiones inadecuadas con respecto a la pensión. Figura 1 Afiliados del Sistema Nacional de Pensiones por edad Nota. En base al gráfico mostrado, se indica que el sistema asigna una pensión en base a la edad de cada trabajador en el sector privado teniendo declives respecto a la edad de cada uno de estos. 5 Figura 2 Afiliados del Sistema Nacional de Pensiones por sexo En base a los aspectos indicados previamente de la problemática general se tienen las causas de aspecto primordial mediante la diagramación de la relación entre la causa y efecto en el siguiente diagrama: Figura 3 Diagrama Ishikawa De acuerdo con la problemática analizada a través del diagrama de Ishikawa, se identifica la falta de conocimiento sobre el sistema pensionario como un factor clave. Muchos individuos no están adecuadamente informados sobre cómo retirar sus fondos de pensión o 6 dónde podrían recibirlos. Además, las empresas no brindan asesoramiento sobre cómo manejar estos fondos, lo que puede generar confusión entre los empleados. Se puede decir que las AFP pueden ayudar en el retiro de los fondos, esto puede llevar a una menor disponibilidad de dinero en el futuro, ya que se estaría utilizando el ahorro destinado para la jubilación. Por otro lado, aquellos trabajadores que tienen cuentas de ahorro individuales pueden beneficiarse de una mayor flexibilidad en la inversión y retiro de fondos, lo que les permite invertir en diversos activos según su tolerancia al riesgo. Sin embargo, esto también conlleva un mayor riesgo y la posibilidad de que las contribuciones no sean descontables de impuestos en ciertos lugares. El cambio de modalidad dentro de una entidad pensionaria puede resultar en la pérdida de aportes, dependiendo de la legislación y regulaciones vigentes en el país. Además, la decisión de jubilarse depende de la edad y estilo de vida deseado por el trabajador, lo que implica la necesidad de investigar las regulaciones específicas y consultar con expertos financieros antes de tomar una decisión. El diagrama de Ishikawa ha permitido identificar las posibles causas del problema y proporcionar una estructura clara para su resolución. Esta herramienta facilita al momento de realizar la evaluación sobre el aspecto de la calidad de los resultados y ayuda a identificar los puntos críticos que requieren mayor atención y mejora. En última instancia, contribuye al reconocimiento y mejora de los aspectos relevantes para una visión a largo plazo más efectiva. 7 A continuación, se da a presentar el modelamiento del proceso de negocios, en el cual se da a detallar las actividades involucradas. Para lo cual se tuvo que explicar desde el punto de vista de varios postulantes al momento de su elección de un régimen pensionario. Figura 4 Proceso de Negocios: Proceso de Contratación de Personal en el sector privado (AS – IS) 8 El proceso de contratación de muestra problemas en: ➢ Tiempo de contratación. (Quipas, 2021) (Armas, 2021) (Alkhazraji y Buhaliba, 2020) ➢ Costo de contratación. (Espinoza, 2020) ➢ Satisfacción del postulante. (Asto, 2020) (Berón et al., 2021) ➢ Eficiencia de vacantes. (Coronel, 2021) (Dávila, 2019) (Pérez, 2021) (Matute et al., 2021) (Yaranga, 2022) Tabla 1 Datos actuales de los indicadores. Indicador Datos de Pre-Prueba (Promedio) Tiempo de contratación 5 días (días hasta que elige el sistema pensionario/vacantes cerradas) Costo de contratación S/ 1000 (costos de contratación/ingresos) Satisfacción del postulante 20% (candidatos satisfechos con el nuevo sistema pensionario/contrataciones) Eficiencia de vacantes 10% (vacantes cerradas/total de vacantes) Nota. En base a los datos actuales de los indicadores de la problemática, se presenta un cuadro comparativo: la Situación Actual (AS-IS) y la Situación Propuesta (TO-BE). Para ello se tiene en cuenta que la contratación de personal se emplea de forma manual. Tabla 2 Comparación del AS – IS y TO – BE. Tiempos altos de contratación Tiempos bajos de contratación Incremento de costos por contratación de personal Decremento de costos por contratación de personal Insatisfacción del postulante por el riesgo asumido Satisfacción del postulante por el riesgo asumido Deficiencia de vacantes cubiertas Eficiencia de vacantes cubiertas 9 1.3. Formulación del Problema Problema General ¿En qué medida la implementación de una aplicación móvil con Machine Learning, basada en una nueva metodología CSKT, optimiza el proceso de contratación de personal en el sector privado? Problemas Específicos 1. ¿Cómo la metodología CSKT aplicada en el modelo de Machine Learning mejora la eficiencia en términos de tiempo y costos en el proceso de contratación de personal? 2. ¿Cómo el prototipo del modelo de Machine Learning evalúa de manera precisa los criterios de aceptación basándose en la categorización del proceso de contratación de personal? 3. ¿De qué manera la precisión del modelo de Machine Learning con la metodología CSKT optimiza el proceso de contratación de personal en el sector privado? 4. ¿Cómo la eficiencia del proceso de contratación de personal se ve mejorada con la utilización del modelo de Machine Learning en la aplicación móvil? 5. ¿Cómo la implementación práctica de la aplicación móvil con el modelo de Machine Learning y la metodología CSKT es efectiva en la optimización del proceso de contratación de personal en el sector privado? 1.4. Antecedentes Antecedentes Nacionales Según la investigación realizada por Coronel (2021), el cual fue aplicado con el objetivo de implementar el Machine Learning para mejorar la selección de personal administrativo. Los 10 hallazgos abordaron factores como la cantidad de candidatos y la evaluación de los currículos, la contratación para servicios administrativos, la imagen institucional y el logro de una administración judicial renovada, mediante la adaptación de algoritmos para establecer modelos basados en el aprendizaje automático, dando como resultado que en el índice de proceso de contratación tuvo una mejora del 40,3%. Asimismo, Yaranga (2022), en su investigación, realizó un estudio sobre la contratación del cuerpo docente, se identificó que este proceso es extenso y complejo, con una variedad de puntos que involucran términos técnicos y manuales. Debido a la gran cantidad de postulantes, mantener un flujo de proceso continuo y sin retrasos se vuelve complicado, lo que motiva la búsqueda de formas de automatización. Para enfrentar este problema, se aplicó ML en el procedimiento de elección de profesorado en la institución académica mencionada. El estudio fue concebido como un experimento cuasiexperimental, empleando un enfoque metodológico deductivo de naturaleza cuantitativa. Los resultados obtenidos fueron positivos: se observó un incremento del índice de postulantes, pasando de un 14% previo a la implementación del modelo a más del 40% después de su implementación. Asimismo, se registró un aumento significativo en el índice de contratación, superando el 50% de lo que estaba antes de la implementación del modelo. Como objetivo secundario e indicador de éxito, se utilizó la “eficiencia de vacantes”, basada en el índice de contratación de personal. Esto permitió evaluar el impacto del modelo de ML aplicado a la capacidad de llenar vacantes de manera más eficiente y efectiva. Estos resultados sugieren de métodos de ML en el proceso de elección de personal docente puede mejorar significativamente la eficiencia y la efectividad del proceso, permitiendo a la universidad gestionar un mayor volumen de postulaciones y seleccionar candidatos de manera más acertada. De igual manera, según Asto (2020), en su investigación, implementó un estudio enfocado en mejorar la preparación de los candidatos por medio de la utilización de un sistema basado en Mobile Learning (M-Learning), con el propósito de optimizar su desempeño en 11 entrevistas de selección. Para ello, se diseñaron casos y entrevistas con el objetivo de que los candidatos adquirieran conocimientos relevantes sobre el proceso de selección y mejoraran sus habilidades para desenvolverse en este contexto. Durante la ejecución del estudio, se procedió a llevar la realización de un minucioso análisis de los métodos y técnicas utilizados en la selección de personal y los procedimientos parte del reclutamiento, junto con las herramientas de inteligencia artificial disponibles para mejorar este proceso. Se utilizó el sistema M- Learning como medio para proporcionar material educativo e interactuar con los postulantes. Posteriormente, tras la implementación del modelo de preparación y entrevista, se procedió a validar y evaluar su efectividad. Los resultados obtenidos indicaron una mejora significativa en la preparación de los candidatos y un mayor apoyo en la del selección de personal y en procedimientos parte del reclutamiento, asimismo, en el índice de facilidad de operación tuvo una mejora del 83% y en el índice de eficiencia de ejecución tuvo una mejora del 76%. En conclusión, se determinó que la propuesta de modelo era efectiva y recomendable, especialmente al adaptarse al estilo de aprendizaje de cada usuario. En base a las conclusiones del autor, se consideró válido el uso de recomendaciones de M-Learning para mejorar tanto la contratación de personal como la satisfacción del postulante. Este enfoque proporciona una herramienta eficaz para preparar a los candidatos de manera más efectiva y mejorar su desempeño en las entrevistas de selección, lo que a su vez puede aumentar las probabilidades de éxito en la contratación de personal adecuado para las necesidades de la organización. También, según Armas (2021), en su investigación, se determinó cómo las organizaciones peruanas han ido adoptando la Inteligencia Artificial, dado que, los cambios que involucra su utilización proporcionan un impacto significativo sobre otras organizaciones, y cómo se relaciona esto con la normativa laboral vigente. La investigación se centró en analizar si las regulaciones laborales en Perú promueven el avance tecnológico y una 12 administración empresarial adecuada, haciendo hincapié en el uso de la Inteligencia Artificial. Para llevar a cabo esta investigación, se recopilaron y analizaron 203 opiniones a través de una técnica de encuesta. Los hallazgos indicaron que la investigación identifica una conexión directa entre la eficiencia y el beneficio económico de las compañías y la preocupación por perder empleo a causa de la introducción de la Inteligencia Artificial, dando como resultado que en el índice de eficiencia de la inteligencia artificial tuvo una mejora del 31%. Del mismo modo, según Espinoza (2020), en su investigación, analizó la problemática del desconocimiento financiero personal en los fondos privados de pensiones, caracterizado por un acceso limitado, información oficial poco confiable e ininteligible para el ciudadano promedio. Para abordar esto, un modelo analítico de ML fue propuesto. El diseño del programa tiene como objetivo anticipar el capital acumulado de un adherente contemplando su venidera jubilación. Este modelo se fundamentó en factores de crecimiento y se desarrollaron técnicas, metodologías y herramientas de valoración, junto con una aplicación móvil, todas basadas en Machine Learning. Durante el proceso, se validó y elaboró el modelo de predicción de estimación y proyección. Se ha demostrado mediante lo hallado que, instaurar este modelo mejoró significativamente el conocimiento sobre los aportes mensuales y generó un mejor entendimiento de los afiliados respecto a los parámetros utilizados por la SBS, dando como recomendación que en el índice de regresión lineal tuvo una mejora del 0.006535, en el índice de regresión de redes neuronales tuvo una mejora del 0.006752, en el índice de regresión de árbol de decisión tuvo una mejora del 0.000088, en el índice de regresión lineal bayesiana tuvo una mejora del 0.006535 y en el índice de regresión de bosques aleatorios tuvo una mejora del 0.000109. Como recomendación final, se sugirió que los individuos consulten con especialistas financieros para adquirir una comprensión más exhaustiva y holística de sus finanzas y futuras pensiones. 13 Antecedentes Internacionales Según Dávila (2019), en su investigación, se enfocó en los procedimientos administrativos y lo relacionado a la gestión de la planilla de trabajadores, con especial atención en los procedimientos llevados a cabo por el área de RR.HH. Se estableció de manera precisa el proceso de contratación, abordando aspectos como el perfil requerido por los empleadores, la rotación de personal y la gestión de puestos de trabajo. Una herramienta clave utilizada en este estudio fue la data Mining, este último ha servido como aquel recurso de apoyo al procesamiento de candidatos. El objetivo primordial consistió en diseñar un método eficiente, tomando en cuenta los perfiles de puesto para diferenciar las reglas de decisión proporcionadas a los candidatos, con la finalidad de acelerar la decisión making dentro del ámbito de competencia, dando como resultado que el índice de análisis de reglas ideales tuvo una mejora del 80%. El enfoque basado en la Data Mining permitió identificar a los mejores candidatos a través del análisis de vacantes, ofertas de empleo y reglas de decisión establecidas. Además, se implementaron etapas de entrenamiento basadas en Data Mining en pro de la optimización del proceso de selección. También, según, Pérez (2021), en su investigación, indicó que el Data Mining emerge como un campo que, si bien ofrece oportunidades valiosas, enfrenta desafíos considerables que deben ser superados. Es crucial desarrollar criterios reproducibles que faciliten la aplicación efectiva de esta técnica y que contribuyan al avance investigativo del área. En la contextualización de la elección de las decisiones discrecionales en el procedimiento de reclutamiento de recursos humanos, se destaca la importancia de elegir y evaluar candidatos de manera efectiva. Este proceso implica la identificación de las características más apropiadas para cada posición, así como la valoración de aptitudes y competencias pertinentes. Para interactuar eficazmente con la tecnología, es fundamental replantear el liderazgo transformacional. Esto implica proporcionar un pensamiento crítico que fomente la adaptación a los avances tecnológicos y promueva una cultura organizacional que valore la innovación y 14 el aprendizaje continuo. Una propuesta valiosa sería desarrollar minería de datos textual que genere valor a través de evidencia reproducible. Esto permitiría una evaluación y selección más efectiva de candidatos, optimizando así el proceso de contratación y elección de empleados. En este contexto, es esencial estudiar los conceptos básicos de selección de personal, organización y discursos psicológicos. Estos conocimientos ofrecen un fundamento robusto para comprender los aspectos clave del proceso de selección de personal y facilitan la implementación de estrategias eficaces en el ámbito de la administración de recursos humanos. A esto se le suma, el estudio realizado por Lu et al. (2024), en el cual se ha planteado el objetivo medular de mapear sistemáticamente, describir y resumir la utilización actual de inteligencia artificial en el proceso de reclutamiento y retención de profesionales clínicos. Se llevo a cabo una revisión exhaustiva del alcance, que abarca tanto literatura revisada por pares como literatura gris y explorar la utilización de herramientas basadas en IA. La revisión seguirá la metodología marco proporcionado por el Instituto Joanna Briggs (JBI) para asegurar la transparencia y la conformidad de la presentación de informes, estándares, la extensión. Asimismo, según, Matute et al. (2021), en su artículo, se realizó una exhaustiva recolección de datos pertinentes, que incluyó desde las estrategias más eficientes en la administración de capital humano hasta los enfoques más innovadores en materia de inclusión laboral. Se logró identificar y comprender los factores de éxito específicos que pueden influir en la promoción de una cultura organizacional inclusiva. Además, se hizo hincapié en la capacidad de gestionar y realizar cambios dentro de la organización. Esto implicó no solo identificar los factores clave para la inclusión laboral, sino también desarrollar estrategias efectivas para implementar estos cambios y fomentar una cultura de diversidad y equidad en el lugar de trabajo. Un aspecto importante de la investigación fue el uso del sector público como base del marco referencial. Se exploraron las prácticas y políticas exitosas implementadas en 15 el sector público, que podrían adaptarse y aplicarse en entornos empresariales para mejorar la inclusión laboral. Además, se exploraron las posibilidades de aplicar técnicas de aprendizaje automático con el fin de optimizar el proceso de contratación de empleados, lo que podría contribuir significativamente a garantizar una contratación más inclusiva y equitativa, dando como resultado que el índice de precisión de función lineal tuvo una mejora del 0.805, el índice de precisión de función cuadrática tuvo una mejora del 0.815 y el índice de precisión de función cúbica tuvo una mejora del 0.818. También, según, Berón et al. (2021), en la investigación de su autoría, se basó en teorías fundamentadas en el empirismo y enfoques de técnicas de Data Mining a fin de capturar la base de datos de enfermedades y utilizarla para predecir el motivo de ausentismo en el trabajo. El propósito medular fue prever el comportamiento del motivo de ausentismo, lo que permitió identificar las posibles causas que podrían intervenir en este fenómeno. Para lograr este propósito, se desarrollaron especificaciones de metodología reproducible que proporcionaron las BD confiables para la predicción del ausentismo. Esto implicó la recopilación y análisis de datos relacionados con enfermedades, ausentismo laboral y otros factores relevantes que podrían influir en la asistencia de los empleados al trabajo. Se hace uso de técnicas complejas de Data Mining para explorar y analizar los datos recopilados, identificando patrones, tendencias y relaciones que podrían ayudar a predecir el motivo de ausentismo. Estas técnicas permitieron la construcción de modelos predictivos precisos y confiables que podrían utilizarse para anticipar el ausentismo laboral y tomar medidas preventivas para abordar las causas subyacentes, dando como resultado que el índice de efectividad tuvo una mejora del 94,72%. Por otro lado, Fraij y László (2021), en su estudio, cuyo objetivo medular fue revisar la implementación de IA en procedimientos relacionados con la contratación de la Gestión de RR.HH. Se adoptó una revisión sistemática en la que se revisaron artículos académicos, artículos de revistas y sitios web altamente calificados en campos relacionados. Sin embargo, la metodología de investigación utilizada parece razonable 16 y aceptable ya que cubre un buen número de artículos relacionados con el área temática principal. Los resultados y las conclusiones fueron casi claros: el uso de la IA tiene ventajas en el ámbito de la contratación, ya que la tecnología puede ser la mejor opción en este ámbito. De igual forma, según Alkhazraji y Buhaliba (2020), en su trabajo de investigación, mencionó que el aprendizaje para el reclutamiento en las organizaciones ha demostrado ser una herramienta invaluable que no solo ha ahorrado tiempo a los reclutadores, sino que también ha mejorado significativamente la calidad de las contrataciones. Este avance no solo es relevante para el presente, sino que también ofrece una base robusta para investigaciones posteriores en el área de administración de los empleados. El uso de aprendizaje automático ha transformado las funcionalidades al gestionar al área de RR.HH., permitiendo una selección más precisa y eficiente de candidatos. Para aprovechar al máximo esta tecnología, es crucial replantear los procedimientos relacionados al reclutamiento con el fin de agilizar la selección de candidatos y adaptarse a los avances tecnológicos. Una propuesta valiosa sería determinar la importancia del uso de M-Learning, que genera valor mediante una evidencia de adopción sólida. Esto permitiría comprender mejor cómo esta tecnología puede mejorar eficazmente el procedimiento de contratación y elección de empleados en las organizaciones. Además, sería beneficioso desarrollar minería de datos textual para generar valor mediante una evidencia reproducible. Esta técnica podría facilitar la evaluación y selección de candidatos de manera más efectiva, optimizando así el proceso de reclutamiento, dando como resultado que el índice de precisión tuvo una mejora del 90%. Para llevar a cabo estos avances, es esencial estudiar los conceptos básicos de selección de personal, organización y discursos psicológicos. Esta comprensión proporciona una base sólida para abordar los desafíos y oportunidades asociados con la implementación de tecnologías avanzadas en el procedimiento de contratación y elección de empleados. 17 1.5. Justificación de la investigación Conveniencia El estado de progreso de esta investigación actual sirve para mejorar la contratación del personal en el sector privado, por ende, se logra disminuir el tiempo de contratación, se reduce el costo por reparación social, aumenta la satisfacción del postulante e incrementa el grado de contento de los individuos involucrados en el proceso para la prestación servicios para el desarrollo de la eficiencia de la cultura previsional para los postulantes del sector privado. Relevancia social Mediante la aplicación de la metodología CSKT se podrá obtener una ventaja mediante el perfeccionamiento del procedimiento de Contratación de personal en el sector privado utilizando Machine Learning para reducir el desconocimiento que tienen muchos postulantes al momento de su elección de un régimen pensionario. Esto a su vez mejora la calidad de estrategias ejecutadas de la oficina de recursos humanos, con la utilización de un software en óptimas condiciones y correctamente calibrado. Implicaciones Prácticas Por medio del estudio actual se pretende manifestar una solución frente a los problemas presentados en los procedimientos relacionados a la Contratación de los empleados en el sector privado, consintiendo que la obtención de información para la decisión de un régimen pensionario sea más rápida, y por ende los postulantes eleven su satisfacción en asumir los riesgos de su elección; asimismo, permite al postulante obtener una cultura previsional tempranamente de las ventajas y desventajas que estos ofrecen. Valor teórico 18 La metodología CSKT que se obtenga de la comparación de las metodologías ya existentes, a posteriori, ya implementada en el proceso de Contratación de personal, se podrá volver a aplicar a los demás procesos que impliquen un material de selección brindados por el sector privado. Aportes Con la presente investigación se logra mejorar el proceso de Contratación de personal del sector privado, logrando disponer de una herramienta móvil que facilite decidir por una elección de un seguro pensionario confiable. 1.6. Limitaciones de la investigación a) Pedir información de las planillas de la SBS a un costo de uso para acceder a dichas planillas no solo se limita a los investigadores. b) El investigador solo tiene acceso a las planillas de la SBS por edad y sexo. c) Para el desarrollo del trabajo de investigación el ingreso al puesto de trabajo está restringido; asimismo se desconoce la forma de análisis de las plantillas de personal que le ofrecen al postulante. 1.7. Objetivos Objetivo general Implementar y evaluar una aplicación móvil con Machine Learning empleando la nueva metodología CSKT para optimizar el proceso de contratación de personal en el sector privado. Objetivos específicos 1. Verificar la eficacia de la metodología CSKT aplicada en el modelo de Machine Learning mejora la eficiencia en términos de tiempo y costos en el proceso de contratación de personal. 19 2. Desarrollar y analizar el prototipo de Machine Learning que evalúe los criterios de aceptación en el proceso de contratación de personal. 3. Medir la precisión del modelo de Machine Learning con la metodología CSKT y su impacto en la optimización del proceso de contratación de personal en el sector privado. 4. Evaluar la eficiencia operativa del modelo de Machine Learning integrado en la aplicación móvil. 5. Implementar la aplicación móvil con Machine Learning y la metodología CSKT y estudiar su efectividad en el proceso de contratación de personal. 1.8. Hipótesis Hipótesis General La implementación de una aplicación móvil con Machine Learning y la metodología CSKT optimiza significativa el proceso de contratación de personal en el sector privado. Hipótesis Específicas 1. La metodología CSKT aplicada en el modelo de Machine Learning mejora la eficiencia en términos de tiempo y los costos en el proceso de contratación de personal. 2. El prototipo de Machine Learning evalúa de manera precisa los criterios de aceptación basándose en la categorización del proceso de contratación de personal. 3. La tasa de precisión del modelo de Machine Learning con la metodología CSKT optimiza significativamente el proceso de contratación en el sector privado. 4. La eficiencia del proceso de contratación de personal mejora con la utilización del modelo de Machine Learning en la aplicación móvil. 20 5. La implementación práctica de la aplicación móvil con Machine Learning y la metodología CSKT es efectiva en la optimización del proceso de contratación de personal en el sector privado. 21 II. MARCO TEÓRICO 2.1. Marco conceptual 2.1.1. Contratación de personal A continuación, para la descripción de la variable dependiente que es Contratación de personal, se consideró los siguientes conceptos: Según Borisova et al. (2020), la principal definición con este concepto es el estrecho vínculo estricto con el estado “Buscando empleo”. Este proceso implica la búsqueda exhaustiva en todos los lugares donde una persona deja huellas de información en línea. La búsqueda avanzada tiene el potencial de ampliar significativamente el flujo de entrada de candidatos, lo cual es una gran ventaja si se busca implementar estrategias de reclutamiento o contratación de profesionales. La lista de ubicaciones digitales candidatas potencialmente adecuadas sirve como base para establecer parámetros destinados a la entrega de información a los grupos objetivo, así como para seleccionar el método de contacto con los solicitantes. El conjunto de herramientas disponibles incluye una amplia variedad de opciones, como anuncios dirigidos, contenido personalizado, banners emergentes y publicidad en redes sociales. La elección de una herramienta en particular su dependencia es por múltiples factores, tales como: la ubicación de los potenciales candidatos y sus respectivas preferencias en cuanto a la recepción de comunicaciones y oportunidades laborales. Es esencial considerar estas variables al decidir qué herramientas utilizar para maximizar la efectividad del proceso de reclutamiento y contratación. Según Shaari y Amiru (2020), los procedimientos relacionados a la contratación de personal están experimentando una evolución significativa, pasando de los métodos convencionales a una etapa más flexible que beneficia tanto a los empleadores como a los empleados. Esta evolución conlleva una mayor eficiencia en la retención del talento y un mayor 22 compromiso por parte de los empleados. Los empleados ahora tienen la ventaja de poder equilibrar mejor sus responsabilidades laborales y familiares, así como tener un mayor control sobre su trabajo y la oportunidad de buscar su crecimiento personal. Esta flexibilidad es especialmente común en los países desarrollados, donde se ha vuelto una práctica estándar en la esfera empresarial con la meta de fomentar o impulsar la reactivación económica. Para muchas grandes empresas, esta flexibilidad se ha convertido en una parte integral de sus planes estratégicos para el desarrollo socioeconómico del país. Los términos de duración y horarios de trabajo ofrecidos durante el proceso de contratación reflejan esta tendencia hacia una mayor flexibilidad y adaptabilidad en el entorno laboral actual. La siguiente figura muestra las categorías de trabajo en el sector privado: Figura 5 Categorías de trabajo en el sector privado Factores que afectan la contratación de persona Según Anayochukwu y Anayochukwu (2021), el proceso de implementar un proceso válido en el reclutamiento y selección de servidores públicos debe cumplir rigurosamente con los principios de desempeño del servicio público, utilizando el mérito como criterio fundamental para establecer reglas equitativas. Esto implica la especificación detallada de 23 todos los atributos relevantes de los solicitantes de empleo, que van desde aspectos sociológicos y físicos hasta educativos y psicológicos, garantizando así un proceso completo y justo. Por consiguiente, la efectividad del proceso de selección tiene un impacto crucial en la capacidad durante un tiempo prologado de la corporación para conseguir sus objetivos. La introducción de empleados debe basarse en un debido proceso de contratación y selección que tenga en cuenta diversos factores, como los sociológicos e institucionales. Los factores sociológicos, que incluyen consideraciones políticas y de patrocinio, a menudo se puede percibir su influencia dentro del proceso de selección, lo que puede llevar a decisiones que no se basan únicamente en las calificaciones y el mérito de los candidatos. Por otro lado, los factores institucionales, como las pruebas de gestión y desempeño, las habilidades, la experiencia y las calificaciones, deben ser los principales criterios para evaluar a los candidatos. Además, según el autor Lu et al. (2024), los problemas de reclutamiento y retención afectan a diferentes aspectos de los servicios de salud y atención; se considera a la rotación y la escasez de personal variables que impactan en la excelencia del cuidado y el paciente. Adicionalmente, Alkan et al. (2024) hace mención de otro factor muy involucrado es la rotación de personal que indica problemas de retención en el sector sanitario personal. De lo anteriormente mencionado, existen lagunas en la comprensión de la raíz a causa de las deficiencias de la fuerza laboral de una organización individual y cómo los factores del entorno de práctica interactúan para impactar en la captación y conservación del personal. También hace mención del aumento de la carga de trabajo y el agotamiento son factores, los cuales están relacionados con la COVID19 u otras enfermedades exacerban la salud del personal. Es esencial evitar la influencia política y local en la selección de personal para garantizar la idoneidad y la eficacia del proceso de contratación en el ámbito público. La siguiente figura muestra los factores que inciden en la contratación: 24 Figura 6 Factores que afectan la contratación Proceso de contratación de personal Según Dhabuwala y Pitroda (2021), la selección del personal es un paso primordial en la administración de RR.HH. en cualquier entidad. Su meta primordial consiste en identificar y elegir individuos calificados para desempeñar roles específicos dentro de la compañía. Este se inicia en la exploración activa de nuevos empleados y concluye con la incorporación de los candidatos seleccionados en los puestos vacantes. El ciclo de contratación comprende diversas etapas, desde la identificación de las necesidades de personal hasta la presentación de las solicitudes de empleo por parte de los candidatos. Durante este proceso, se evalúan las habilidades, competencias y experiencias de los postulantes, con el fin de encontrar el mejor ajuste para los requerimientos del puesto. 25 Figura 7 Proceso de contratación Con relación al flujo anterior se puede mencionar que: a. Vacante de empleo: Esto se debe a que el reclutador está tomando medidas para encontrar candidatos adecuados para problemas recién creados o definidos por la organización, definido como un puesto renumerado. Para ello, el candidato debe tener tiene la intención de completar los requisitos para un puesto de trabajo y de esa manera puede ser localizado por el reclutador de manera inmediata o en un lapso temporal definido. b. Planificación de la contratación: Los planes de contratación se refieren a las estrategias que utiliza la empresa para contratar empleados. Esto sirve como base de planificación para que las empresas encuentren candidatos elegibles sin incurrir en tiempo de inactividad. 26 El plan de contratación identifica los siguientes pasos para un puesto en particular: 1. Identificar la oferta de trabajo: Una oferta de trabajo es cuando el candidato es invitado formalmente a trabajar para la empresa. 2. Decidir cómo llenar la vacante: Esto incluye la búsqueda de empleo y los anuncios de la bolsa de trabajo, así como también el propio sitio web del candidato para poder llenar la vacante. 3. Identificación del grupo objetivo: Consiste en seleccionar a quienes están más interesados por la empresa, posición de trabajo o puesto remunerado. 4. Notificar al grupo objetivo: Significa que el grupo objetivo es llamado para recibir una información específica sobre su proceso de reclutamiento. 5. Reunión con los candidatos: Es una parte importante del proceso de reclutamiento, donde los candidatos que completen más requisitos por la empresa al participar en una reunión con encargados de RR.HH. y los gerentes de reclutamiento, quienes necesitan saber cómo llevar a cabo la contratación de personal con los candidatos que quedan. Indicadores de la contratación de personal En el estudio se han tomado en cuenta cuatro (4) medidas, que son: Duración del proceso de contratación, Gastos asociados al proceso de contratación, Nivel de satisfacción del candidato y Efectividad en el llenado de vacantes. A continuación, se explica los conceptos y fórmulas correspondientes: Según Jaramillo (2020), el Tiempo de contratación permite profundizar en los tiempos como el comienzo de la actividad y la fecha límite de presentación de postulantes, teniendo en cuenta el tiempo de asistencia requerida por la prioridad y volumen de los procesos considerando el (Acuerdo de Nivel de Servicio) establecido, que tiene como fórmula: 27 Tiempo de contratación = (días hasta que elige el sistema pensionario / vacantes cerradas) De acuerdo con el concepto antes mencionado, se especifica entonces que es la división de días hasta que elige el sistema pensionario entre el número de vacantes cerradas con un resultado en días. Según Guamán et. al. (2020), el Costo de contratación es desarrollar efectivamente un proceso de selección pensando en los costos que se requieren para llevarlo a cabo. Entre estos, se pueden mencionar algunas cantidades: vacantes, horas de trabajo, comidas y, en algunos casos, alojamiento, que tiene como fórmula: Costo de contratación = (costos de contratación / ingresos) De acuerdo con el concepto antes mencionado, se logra especificar entonces que es la división de costos de contratación entre el número de ingresos con un resultado en moneda (soles). Según Sánchez (2020), la Satisfacción del postulante es lograr que la dedicación y la fidelidad de los empleados no solo se limitan al bienestar laboral personal, sino estén ligados a su desempeño y niveles de eficiencia, potenciando la buena reputación de una empresa en particular, que tiene como fórmula: Satisfacción del postulante = (candidatos satisfechos con el nuevo sistema pensionario / contrataciones) De acuerdo al concepto antes mencionado, se especifica entonces que es la división de candidatos satisfechos con el nuevo sistema pensionario entre el número de contrataciones con un resultado en porcentaje (%). 28 De acuerdo con el estudio realizado por Hanze en 2020, la finalidad de la Eficiencia de Vacantes es acelerar a la exploración de candidatos por parte de las empresas que utilizan este sistema, facilitando de esta manera el proceso de búsqueda y contratación de nuevos talentos para cubrir las vacantes disponibles, que tiene como fórmula: Eficiencia de vacantes = (vacantes cerradas / total de vacantes) De acuerdo con el concepto antes mencionado, se logra especificar entonces que es la división del número de vacantes cerradas entre el total de vacantes con un resultado en porcentaje (%). 2.1.2. Aplicación móvil En el presente punto se explica lo que es una aplicación móvil en base a los siguientes conceptos: Según Mendoza et al. (2020), una app consiste en ser un software que está especialmente diseñado para que pueda ser ejecutado en dispositivos móviles, ofreciendo mayor practicidad y eficacia en comparación con los sistemas web o de escritorio. Estas aplicaciones pueden ser utilizadas de manera efectiva en dispositivos móviles sin depender de una conexión constante a una fuente de energía cercana, lo que las hace prácticas y eficientes para los usuarios. Al estar conectada a una base de datos mediante un servicio de plataforma como Firebase, las aplicaciones móviles pueden ofrecer soluciones que aborden diversas necesidades de los usuarios, como el proceso de contratación de personal. Estas soluciones pueden incluir un software que facilite el control y la verificación de las vacantes disponibles en una empresa, así como la evaluación de qué candidatos se ajustan mejor al perfil requerido. Esto ayuda a evitar la contratación de personas que no posean los conocimientos necesarios para 29 desempeñarse eficazmente en el área específica dentro de la organización (Ortiz y Valadez, 2019). 2.1.3. Machine Learning A continuación, se ha tenido que considerar ciertos conceptos para poder realizar la descripción de la variable independiente: Machine Learning. Como se detalla a continuación: Según Campesonato (2020), el aprendizaje automático, como subconjunto de la inteligencia artificial, aborda tareas complejas que son difíciles de resolver con métodos de programación tradicionales. Los filtros de spam de correo electrónico son un ejemplo temprano de aplicación de aprendizaje automático. Este enfoque a menudo mejora la precisión de los algoritmos anteriores. Aunque existen varios algoritmos de ML, la calidad de los datos es fundamental y puede presentar desafíos como la insuficiencia, baja calidad, errores o datos irrelevantes. En este capítulo, se explora formas de abordar estos problemas. En términos simples, hace referencia a una matriz de datos estructurada que representan características específicas para cada punto de datos. Cada fila puede representar, por ejemplo, un cliente, y cada columna sería una característica específica de ese cliente, como edad, género, ingresos, etc. Los conjuntos de datos suelen estar en formatos como archivos CSV o hojas de cálculo, facilitando su manipulación y análisis. (p. 24). En este mismo, coincide Rąb-Kettler y Lehnervep (2019), quiénes considerar a Machine Learning, en pocas palabras, consiste en el proceso donde la máquina tiene la capacidad de aprendizaje por sí sola sin la dependencia de estar programado para realizar de una determinada forma aprendiendo de sus errores. Por ejemplo, ellos también hacen mención a AlphaGo, un programa de aprendizaje automático de Google diseñado para jugar GO, antes de convertirte en un maestro y vencer a los jugadores humanos, perdió varios juegos, lo que le ayudó a aprender y desarrollarse nuevas estrategias ganadoras (p. 3). 30 A posteriori, se observa la derivación automática de acciones a partir de datos sin intervención manual, como diferenciador importante entre ML y la programación tradicional: Figura 8 Programación tradicional vs Machine Learning Nota. Este gráfico fue extraído de Chinnamgari (2019) En ese sentido, según Chinnamgari (2019), otro diferenciador importante entre ML y la programación tradicional es que el conocimiento adquirido a través de ML va más allá de la generalización de ejemplos de entrenamiento. Los programas codificados en la programación tradicional solo pueden ejecutar las respuestas contenidas como parte del código, pero el algoritmo interpreta datos que nunca se habían visto. Por su lado, desde otro punto de vista sobre la figura, según Lee (2019), si ha escrito un programa, debe estar familiarizado con el diagrama que se muestra. Para la programación tradicional, puede crear programas que realicen contabilidad, como listas de inventario. El programa calcula las pérdidas en base a datos y ganancias o registros de ventas. Tal vez también pueda crear algunos gráficos agradables y extravagantes para mostrar su rendimiento de ventas. En este caso, el resultado es un estado de resultados y otros gráficos. 31 En otros casos, el aprendizaje automático ha transformado el paradigma de programación tradicional de la Figura 5 en el nuevo paradigma que se muestra en la sección Aprendizaje automático. En lugar de alimentar los datos al programa, los datos recopilados y la salida ahora se usan para derivar el programa (también conocido como el modelo). Usando el mismo ejemplo de contabilidad en el paradigma de aprendizaje automático, se toma en cuenta registros de ventas diarios (tanto datos como resultados) y se utiliza para derivar un conjunto de reglas y hacer predicciones. Puede usar este modelo para predecir los artículos más populares o menos populares para vender el próximo año. Según Hart et al. (2021), además de simplemente predecir la presencia de un compuesto, el aprendizaje automático se puede entrenar para predecir directamente otras propiedades microscópicas observables, como la dureza, la ductilidad, la tenacidad y la temperatura de Curie. En 2009, demostraron que PCA se puede utilizar para reproducir mapas estructurales que representan la relación entre estructura y propiedades (propiedades electrónicas y parámetros de estructura cristalina) con Data Mining. En 2018, utilizaron un algoritmo de bosque aleatorio (RF) para estudiar las características, la capacidad calorífica, la entropía de vibración y la energía libre 59 del espectro de fonones para mejorar la predicción de la estabilidad termodinámica de temperatura finita. El modelo puede incluir condiciones de aleación como parte del vector de características para predecir el procesamiento. Según Janiesch et al. (2021), en general, ML implica que el desempeño de un programa de computadora se perfecciona mediante la adquisición de experiencia en la medición de una clase particular de trabajo y rendimiento. Entonces, la meta es automatizar la creación de modelos analíticos para llevar a cabo actividades de cognición, a manera de ejemplo, la identificación de objetos o el hecho de traducir del lenguaje humano. Esto se logra mediante la 32 aplicación de algoritmos que aprenden iterativamente datos de entrenamiento específicos de la tarea, lo que permite que las computadoras encuentren información oculta y patrones complejos sin programarlos explícitamente. Especialmente en tareas que involucran datos multidimensionales como clasificación, regresión y agrupación, Machine Learning evidencia una buena adaptabilidad. Según Greener et al. (2022), “Machine Learning” se refiere en términos generales al proceso de adaptar modelos predictivos a los datos e identificar grupos de información dentro de los datos. En el campo del aprendizaje automático, básicamente se utilizan cálculos para intentar estimar o imitar la capacidad humana para reconocer patrones, aunque sea de manera objetiva. El aprendizaje automático es especialmente útil cuando el conjunto de datos que se analiza es demasiado grande (muchos puntos de datos individuales) o complejo (incluidas muchas características) para el análisis humano y/o cuando se automatiza el proceso de análisis de datos. Cree una canalización reproducible y eficiente en el tiempo. El procedimiento para entrenar técnicas de Machine Learning se muestra a continuación: Figura 9 Elegir y entrenar un método de aprendizaje automático 33 Algoritmos empleados en Machine Learning Según Mahesh (2020), ML conviene cuando se busca instruir a las máquinas sobre cómo procesar datos de manera más eficaz. Cuando los datos son complejos y difíciles de interpretar directamente, se recurre al aprendizaje automático. Dado el vasto conjunto de datos disponibles, la demanda de ML está en aumento, siendo utilizado por diversas industrias para extraer información relevante. El propósito medular del ML consiste en la asimilación de conocimientos a partir de los datos, se han efectuado muchos estudios con el propósito dar la posibilidad que las máquinas desarrollen competencias autónomamente, prescindiendo de instrucciones de programación explícitas. Matemáticos y programadores emplean variadas estrategias para enfrentar este desafío en una data extensa. La selección del algoritmo adecuado depende del problema en cuestión, el número de variables, el modelo óptimo, entre otros factores. Machine Learning sustentada dada su diversidad de algoritmos para finiquitar cuestiones relacionadas con la información, y aquellos destacados, según los científicos, se visualizar en la siguiente representación: Figura 10 Algoritmos utilizados en Machine Learning 34 Indicadores de ML Para la evaluación del modelo de ML empleado en el proyecto, se tiene en cuenta las siguientes métricas: Tasa de precisión del modelo de ML: Hace referencia al índice o porcentaje de todos los valores verdaderos y positivos en base a todas las predicciones que el modelo de aprendizaje automático realiza durante una operación (Mon, 2022). Eficiencia del modelo de ML: Se entiende por el alcance que tiene el modelo en obtener excelentes niveles de rendimiento por medio de los recursos que tenga a su disposición y los tiempos reducidos de su entrenamiento logrando obtener niveles de eficiencia deseados (Mirjalili y Raschka, 2020). Evaluación del prototipo de ML: Enfocado en el desarrollo completo del modelo de la aplicación móvil con tecnología de aprendizaje automático considerando que cumpla cada requerimiento establecido durante las pruebas de su funcionamiento (Ortiz y Andres, 2021). Los siguientes indicadores son a considerar en base al objetivo de validación del funcionamiento del modelo de aprendizaje automático: Accuracy: El presente indicador hace alusión al índice total de las observaciones realizadas en base a las respuestas acertadas que el modelo de aprendizaje automático, es decir, las mediciones y actividades que dicho modelo realiza se hacen tomando en cuenta la cantidad de las respuestas verdaderas positivas o negativas que este modelo obtiene al momento de realizar las pruebas (Bozzi, 2023). Accuracy = 𝑽𝒆𝒓𝒅𝒂𝒅𝒆𝒓𝒐𝒔 𝒑𝒐𝒔𝒊𝒕𝒊𝒗𝒐𝒔+𝑽𝒆𝒓𝒂𝒅𝒆𝒓𝒐𝒔 𝒏𝒆𝒈𝒂𝒕𝒊𝒗𝒐𝒔𝑽𝒆𝒓𝒅𝒂𝒅𝒆𝒓𝒐𝒔 𝒑𝒐𝒔𝒊𝒕𝒊𝒗𝒐𝒔+𝑽𝒆𝒓𝒅𝒂𝒅𝒆𝒓𝒐𝒔 𝒏𝒆𝒈𝒂𝒕𝒊𝒗𝒐𝒔+𝑭𝒂𝒍𝒔𝒐𝒔 𝒑𝒐𝒔𝒊𝒕𝒊𝒗𝒐𝒔+𝑭𝒂𝒍𝒔𝒐𝒔 𝒏𝒆𝒈𝒂𝒕𝒊𝒗𝒐𝒔 35 Precisión: En el caso del presente indicador se menciona el porcentaje de los valores verdaderos positivos los cuales fueron predichos de forma correcta (Pérez, 2021). Precisión = 𝑽𝒆𝒓𝒅𝒂𝒅𝒆𝒓𝒐𝒔 𝒑𝒐𝒔𝒊𝒕𝒊𝒗𝒐𝒔𝑽𝒆𝒓𝒅𝒂𝒅𝒆𝒓𝒐𝒔 𝒑𝒐𝒔𝒊𝒕𝒊𝒗𝒐𝒔+𝑭𝒂𝒍𝒔𝒐𝒔 𝒑𝒐𝒔𝒊𝒕𝒊𝒗𝒐𝒔 Recall: Dentro del presente indicador para el modelo de machine learning se consideran todas las predicciones positivas que fueron dadas de manera correcta (Pérez, 2021). Recall = 𝑽𝒆𝒓𝒅𝒂𝒅𝒆𝒓𝒐𝒔 𝒑𝒐𝒔𝒊𝒕𝒊𝒗𝒐𝒔𝑽𝒆𝒓𝒅𝒂𝒅𝒆𝒓𝒐𝒔 𝒑𝒐𝒔𝒊𝒕𝒊𝒗𝒐𝒔+𝑭𝒂𝒍𝒔𝒐𝒔 𝒏𝒆𝒈𝒂𝒕𝒊𝒗𝒐𝒔 F1 – Score: Para el presente indicador se toma en cuenta los indicadores previos los cuales son la Precisión y el Recall, haciendo que se pueda predecir mejor los resultados positivos a diferencia de la métrica de Accuracy (Borja et al., 2020). F1 – Score = (Precisión * Recall) / (Precisión + Recall) Metodologías de desarrollo de Machine learning En la investigación se han analizado cuatro (4) tipos de enfoques metodológicos, que son: CRISP-DM, SEMMA, KDD y TDSP. Posteriormente, se explica la terminología de cada uno de ellos: 36 METODOLOGÍA CRISP-DM De acuerdo con Schröer et al. (2021), el modelo CRISP-DM es una metodología estándar y ampliamente adoptada en la industria para llevar a cabo proyectos de Data Mining de manera eficiente. Este modelo consta de seis fases principales: (a) Comprensión del negocio, donde se busca entender los objetivos y requisitos empresariales para el proyecto de Data Mining. (b) Data understanding, en la que se recopilan datos pertinentes y se da la realización de una investigación preliminar para la comprensión de su estructura y calidad. (c) data preparation, donde se realiza: data cleaning, integration, y transformation; con el propósito de prepararlos para el modelado. (d) Modeling, donde se eligen y emplean técnicas de modelado apropiadas en el análisis de la data y el logro del alcance de los objetivos planteados del proyecto. (e) Evaluation, donde se evalúan los modelos creados para determinar su precisión y efectividad resolutiva frente a los problemas identificados. (f) Deployment: Los modelos y los resultados se implementan en el entorno operativo del negocio para su uso continuo y monitoreo. La sgte. figura evidencias etapas pertenecientes a la metódica CRISP-DM y seguido se evidencia las descripciones del modelo de proceso CRISP-DM: Figura 11 Metodología CRISP-DM 37 Tabla 3 Descripciones del modelo de proceso CRISP-DM Comprensión de la empresa Conseguir una perspectiva completa de la disponibilidad de los medios imprescindibles y requeridos, es crucial su evaluación y/o análisis de la situación de la organización empresarial. Ello supone el establecimiento con la finalidad de la recolección de la data, el cual es considerado uno de los aspectos primordiales de la etapa. Durante este procedimiento, es imprescindible explicar las diversas modalidades de extracción de datos (como categorización, entre otras) y los estándares de éxito vinculados a esta tarea (como exactitud, entre otros), seguido por la creación de un plan de proyecto minucioso y obligatorio. Data understanding Recolectar información de diversas fuentes, examinarla exhaustivamente y valorar su calidad es una labor esencial en esta fase. El manual de instrucciones detalla la tarea de explicar la información mediante análisis estadísticos, lo que lleva a la identificación de sus características y conexiones. Data preparation Resulta esencial efectuar una selección de datos estableciendo filtros de admisión y rechazo durante este periodo. La disminución de la excelencia de la data puede abordarse por medio del procedimiento de la depuración de la data, de acuerdo con el modelo que ha sido utilizado (previamente identificado en la fase inicial). En consecuencia, es crucial definir una característica derivado de todos estos procedimientos para poder hacer frente a posibles variaciones según el modelo. Modeling La etapa de implementación usualmente se detalla en la guía de usuario, la cual puede ser tanto el informe final o una parte del módulo perteneciente al software. En dicho manual se describe que la fase correspondiente a la implementación engloba la ejecución, control y planificación del mantenimiento (Solano et al., 2022). Evaluation Para llevar a cabo una valoración del modelo, se aconseja inspeccionarlo mediante los parámetros de evaluación disponibles para identificar cuál es el más pertinente. Por lo tanto, resulta relevante establecer un enfoque distinto para analizar los resultados, además de revisar el proceso desde el inicio para asegurar la consecución de los resultados óptimos. Deployment La etapa de implementación comúnmente se especifica en la manual de usuario, el cual puede ser tanto el informe definitivo como el módulo de software. La guía aclara que la etapa de despliegue incluye la ejecución, control y programación de la gestión (Solano et al., 2022). 38 METODOLOGÍA SEMMA Según Butka et al. (2020), SEMMA es una lista de pasos que guían a los usuarios en la ejecución de un proyecto de Data Mining. Aunque SEMMA proporciona todavía una visión bastante general del PDC, los autores afirman que es una organización más lógica de sus herramientas para cubrir las tareas principales de Data Mining (conocidas como SAS Enterprise Miner). Cabe resaltar que SEMMA cuanta con las siguientes fases: (a) Muestreo, (b) Explorar, (c) Modificar, (d) Modelar y (e) Evaluar. Se puede decir entonces que proporciona la descripción del proceso para seguir la herramienta de Data Mining. La siguiente figura muestra el proceso de la metodología SEMMA: Figura 12 Metodología SEMMA METODOLOGÍA KDD Según Murnawan y Nugraha (2021), KDD se utiliza para referirse al proceso de descubrir e identificar patrones en un conjunto de datos. Cabe resaltar que KDD cuenta con las siguientes fases: (a) Selección, (b) Reprocesamiento o limpieza, (c) Transformación y (d) Data Mining. De acuerdo con el concepto antes mencionado, KDD es una metodología que permite 39 la interpretación o predicción de eventos futuros. La siguiente figura muestra el proceso de la metodología KDD y seguido se muestra la descripción del modelo de proceso de KDD: Figura 13 Metodología KDD Tabla 4 Descripciones del modelo de proceso KDD Fase Breve descripción Limpieza e integración El objetivo de data cleaning es que la data procesados por Data Mining sean limpios y de alta calidad. Selección de datos A partir del entrenamiento de datos, después de que se hayan realizado las fases de limpieza e integración, la selección de datos ya ingresados se realiza en la fuente de datos ya limpios. Transformación de datos Consiste en aquel proceso de conversión de la data en el formato requerido para el siguiente proceso de extracción de datos. Por lo tanto, en esta etapa, se realizan algunos cambios en los atributos de la forma que aún no son adecuados para la excavación. Data Mining Es la fase en la que se utiliza el proceso de búsqueda de patrones o información de interés. METODOLOGÍA TDSP Según Costa y Aparicio (2020), TDSP es una metodología de Data Science rápida e iterativa. El TDSP también sugiere cómo los roles de equipo funcionan mejor juntos. Cabe resaltar que TDSP cuenta con las siguientes fases: (a) Analyze, Design, Configure, and Build, (b) Deploy, and (c) Operate and Optimize. De acuerdo al concepto antes mencionado, TDSP 40 es una metodología que tiene por objetivo el mejorar la cooperación y el aprendizaje de un equipo de analista de datos al seguir los procesos, de principio a fin, cuando se llevan a cabo. La siguiente figura muestra el proceso de la metodología TDSP: Figura 14 Metodología TDSP Metodología CSKT En base a las metodologías explicadas dentro del presente capitulo es que se realiza el diseño de la metodología de la metodología CSKT en donde se consideran a algunos de los factores importantes de las metodologías CRISP-DM, KDD, SEMMA y TDSP en donde, mediante el siguiente diagrama se muestra la siguiente estructura. 41 Figura 15 Diseño de la metodología CSKT En base al gráfico mostrado se tiene en cuenta que dentro de la metodología inicia con el entendimiento del negocio en donde se realiza una toma de decisión en el que, si se descubrió algo nuevo para el negocio es que se procede a introducir estos puntos nuevos dentro del proyecto para luego proceder al entendimiento de los datos, de ser el caso contrario se procede al entendimiento de los datos directamente, luego, se preparan los datos donde luego surge una condicional en donde sí se realizaron cambios en el tipo de preparación de los datos, de ser así, se introducen dichos cambios en el proyecto como registros y luego seleccionar estos datos se toma una muestra significante dentro de dicho conjunto de datos, en caso contrario, se procede a realizar una comprensión de la fuente de los datos en los que, se realiza una preparación, exploración y limpieza con tal de obtener una clara y filtrada fuente de datos en donde luego se procede a la selección de estos nuevos datos volviendo a la toma de la muestra significativa de dicha data, luego de ello se procede a presentar la versión del modelo en donde si estos 42 resultados son factibles, se solicita la aceptación del cliente cerrando así el proceso de dicha metodología, de ser en caso contrario se retorna al entendimiento de los datos hasta que se cumplan los requisitos previos, asimismo, el diseño de la metodología fue aceptada por la (Ogosi, 2022). 2.2. Glosario de términos CSKT: Metodología la cual toma referencia de otras metodologías enfocadas en la Data Mining las cuales son CRISP-DM, SEMMA, KDD, TDSP. Entrenamiento: Término el cual hace referencia instruir al modelo de aprendizaje automático por medio de pruebas que ayuden con la mejora del mismo. Sistema pensionario: Es la formación de normas, regulaciones y mecanismos los cuales rigen el modo de pago y financiamiento de las pensiones a trabajadores de un país o región. Pensión de jubilación: Se le considera un privilegio monetario a personas quienes hayan alcanzado la edad de jubilación o que hayan cumplido ciertos criterios con el sistema nacional de pensión de un país. Android: Sistema operativo de dispositivos móviles el cual es un intermediario para el acceso a aplicaciones móviles que muchos usuarios emplean para múltiples propósitos. APP: Es un abreviado para el termino aplicación o application, es usualmente usado para hacer referencia a las aplicaciones informáticas desarrolladas para su aplicación en dispositivos electrónicos. Database: Es aquella colección de la data archivada cuya información está estructurada y relacionada a un fin o temática la cual puede ser administrada de manera eficiente. 43 2.3. Estado del arte El empleo de T.I. en el ámbito empresarial responde a las demandas y competencias del mercado laboral y productivo. Se busca mejorar diversos aspectos operativos con el fin de aumentar la eficiencia y el progreso de las empresas. Contextualmente, las TIC cumplen un rol imprescindible al influir en múltiples aspectos organizacionales. La contratación de personal cualificado y adecuado es crucial para el éxito de estas empresas, y cobra un papel relevante para el desempeño y desarrollo continuo. La selección y contratación efectivas de individuos idóneos, capacitados y comprometidos contribuyen significativamente a optimizar las operaciones empresariales. Es importante destacar que, una vez identificados y aceptados, estos profesionales pueden ocupar diversos roles en el entorno de las PYMES, generando mejoras progresivas en su funcionamiento y competitividad (Osorio, 2021). Por consiguiente, la relevancia de aplicativo web en el proceso organizacional que forma parte del objeto de estudio tiende a variar según los requerimientos específicos proporcionado por los usuarios, considerando además el crecimiento de la empresa y su necesidad de adoptar tecnologías que faciliten tanto la contratación de personal como la elección de aspirantes adecuados para las posiciones vacantes. En este sentido, dicha tecnología debe ser capaz de identificar y evaluar tanto a las habilidades y/o competencias necesarias para cada puesto, permitiendo así una contratación más efectiva y acorde al cargo. Por lo tanto, existen varias empresas que requieren encontrar soluciones que simplifiquen y agilicen los procedimientos relacionados a la contratación, asegurando así la selección de la persona adecuada para cada puesto disponible (Miranda, 2020), por otro lado, la aplicación de metodologías ágiles conlleva una serie de ventajas que facilitan la estructuración y administración de proyectos de software. Estas metodologías ofrecen un enfoque flexible que permite adaptarse a los cambios en el desarrollo del proyecto, ya que proporcionan herramientas para la elaboración progresiva y paso a paso de los diferentes componentes del software deseado. Además, permiten la distribución eficiente 44 de las tareas, asignando responsabilidades específicas a cada miembro del equipo de desarrollo. Esto facilita la comprensión y el seguimiento de las actividades totalmente requeridas para llevar a cabo el proyecto de manera efectiva. (Martín, 2020). En base al desarrollo de software en donde se debe de aplicar posibles técnicas de innovación y manejo de nuevas tecnologías; Gil y Seguro (2022), destacan que la utilización de Machine Learning a fin de evaluar el rendimiento de proyectos de desarrollo de software. Su enfoque proporciona valiosas perspectivas destinadas a potenciar la eficiencia y calidad en este sector específico logrando determinar si las técnicas de machine learning resultan ser factibles o no para el ámbito en el cual se está enfocando, por otra parte, Forero y Bennasar (2024), en base a su investigación quienes han realizado un análisis estructurado que examina las técnicas y aplicaciones de ML e IA en la educación, enfatizando el impacto transformador de estas tecnologías en la educación remota en donde se determina que el uso de esta tecnología se destaca con el manejo de recursos necesarios para optimizar este método de educación sin presentar inconveniente alguno. La aplicación de machine learning resulta una herramienta altamente aplicable para lo que son el desarrollo de herramientas como el reconocimiento de voz como de imágenes, la creación de aplicaciones de NLP y modelos de análisis predictivo, así como es altamente recomendable su aplicación para el desarrollo de herramientas enfocadas al análisis financiero o estrategias de marketing, sin dejar de tomar en cuenta su constante evolución y el potencial de descubrir nuevas aplicaciones para esta tecnología (Sharifani y Amini, 2023). Un ejemplo de ello se destaca en una investigación en donde se hizo una revisión sobre investigaciones en donde aplicaban machine learning en el tópico del COVID-19 enfocado a diversos objetivos y diferentes tipos de algoritmos, en donde de las revisión de 16 artículos 14 aplicaron el aprendizaje supervisado, uno de ellos aplico el aprendizaje no supervisado y el ultimo aplico 45 una combinación de ambos métodos, de las 14 investigaciones 5 aplicaron el algoritmo de regresión logística mostrando resultados prometedores en el ámbito de atención y aplicación de la salud en el tema del COVID-19, tres de ellos aplicaron redes neuronales artificiales los cuales también brindaron notables resultados, los demás 14 artículos que aplicaron una variedad de algoritmos tanto supervisados como no supervisados mostraron también resultados precisos, específicos y con alta sensibilidad (Kwekha et al., 2023). En lo que respecta al campo médico, el uso de esta tecnología resulta ser relevante ante casos en los que se desea conocer con mayor precisión el estado de los pacientes, así como la búsqueda de historia médicas y determinar el diagnóstico médico mediante registros relacionándolos ante casos similares o existentes hasta el momento. Pineda (2022), resalta la utilización de modelos predictivos fundamentados en Machine Learning (ML), centrando su atención en cómo estos modelos pueden ser aplicados para potenciar los resultados en la prestación de servicios médicos cumpliendo con las expectativas tanto de los pacientes como del propio personal en lo que respecta al uso de esta tecnología, del mismo modo, Valdivieso et al. (2019), investigan las posibilidades de combinar mHealth, big data y ML como herramientas tecnológicas de apoyo en la salud humana colombiana, indicando el impacto beneficioso que esto tiene en el nivel de prestación de servicios y en la supervisión de la salud. El uso de la tecnología de ML se basa en la recolección de los datos, un dato de vital importancia cuando se trata de labores y situaciones que involucran los procesos que se dan dentro de una empresa en el que, mediante una recolección de datos tomando en cuenta los criterios que la empresa solicita en un empleado, así como la información de los potenciales postulantes al cargo de trabajo, una vez dentro del puesto contratado por la entidad, se tiene un contrato bajo un salario dado de manera adecuada para que el empleado contratado se le pueda pagar en base a los datos recabados en su experiencia siendo esta la facultad de entrenamiento 46 de un ML la cual facilita el asunto de la contratación de personal en compañías que requieran de esta (Fajardo, 2023). Asimismo, en el tema de las pensiones se tiene en cuenta la utilización de los modelos de ML para el proceso de discernimiento de pagos de trabajadores en empresas en donde se tiene en cuenta el desempeño de los trabajadores que se dan durante los meses siendo este modelo el cual por medio del entrenamiento que se da en el proceso es que se asigna un sueldo en específico al trabajador cerciorándose de que estos reciban una pensión justa dependiendo de su rendimiento en lo laboral (Gil, 2022), en base al tema de la educación, se presentan casos en los que se desea emplear técnicas para optimizar el rendimiento académico mediante investigaciones o casos en los que ayuden con la educación de los estudiantes aplicando las técnicas de aprendizaje automático siendo el caso de Cruz et al. (2022), resaltan la aplicación de métodos de ML y destacan los aspecto en base a la recolección de información relacionada ante un tema o curso de educación, qué posibles métodos se emplearían dentro de una aula de clase y qué recursos se estarían empleando destacando libros que contengan los temas que se pueden enseñar durante el año escolar para los estudiantes, además, en un enfoque similar. Estrada et al. (2020), proponen un modelo selectivo del talento humano basado en ML, destacando la utilidad práctica de las RNA en los procedimientos de selección. Asimismo, dentro de las soluciones que puede brindar esta tecnología, se debe tener en cuenta el modo en que se utiliza dado que para obtener un buen desempeño dentro de la solución ante muchos problemas, se toma como criterios la tasa de precisión en el cual se requiere determinar la cantidad de aciertos que se da durante el entrenamiento de esta inteligencia puesto que, antes de lanzar esta solución a la implementación, se requiere de una capacitación continua de la tecnología de aprendizaje automático ante el problema al cual se incorpora para cumplir con su propósito y no generar mayores dificultades en el proceso (Mon, 2022), dentro del tema de rendimiento, se considera que, para una mejor calidad de servicio de esta tecnología frente a un proceso el cual se está incorporando, se debe considerar el tema de 47 la eficiencia del modelo de Machine Learning ya que, al momento de establecer las funciones y criterios dentro de dicho modelo, se debe de realizar un constante entrenamiento poniéndolo a prueba dentro del proceso el cual se está integrando con la finalidad de que, al momento de emplear todos los recursos que estén a su disposición, no deba consumir demasiado espacio ni recursos innecesarios debido a la cantidad de fallos que pueda obtener durante su funcionamiento (Mirjalili y Raschka, 2020). No obstante, para realizar y proceder con las pruebas iniciales del aplicativo con la tecnología de aprendizaje automático, es necesario emplear un prototipo con la finalidad de evaluar su desempeño en lo que respecta al proceso a practicar puesto que, esto no solo brinda la ventaja de que los propios desarrolladores puedan visualizar qué aspectos puede mejorar dicho software sino que, además, los propios usuarios quienes manejen la aplicación puedan tener una primera perspectiva de cómo es la aplicación una vez se tenga el producto final, cosa que puede implicar en la mejora de algunas funciones o en las modificaciones de otras funciones (Ortiz y Andres, 2021). También, en base a la evaluación del software, se tienen en cuenta las métricas de validación de ML con la finalidad de que esta al momento de realizar constantes entrenamientos se pueda determinar si el desempeño que esta revela puede beneficiar a la misma