<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Dani Castro on Medium]]></title>
        <description><![CDATA[Stories by Dani Castro on Medium]]></description>
        <link>https://medium.com/@danicastro?source=rss-d99d16ad5721------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*kCMggtk5t2ZYTLjr.jpg</url>
            <title>Stories by Dani Castro on Medium</title>
            <link>https://medium.com/@danicastro?source=rss-d99d16ad5721------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Mon, 16 Nov 2026 22:08:31 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@danicastro/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Saturdays.ai: Detectando el Estrés Laboral]]></title>
            <link>https://medium.com/saturdays-ai/saturdays-ai-detectando-el-estr%C3%A9s-laboral-59189170c9da?source=rss-d99d16ad5721------2</link>
            <guid isPermaLink="false">https://medium.com/p/59189170c9da</guid>
            <category><![CDATA[artficial-intelligence]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[ai4good]]></category>
            <category><![CDATA[ai4all]]></category>
            <category><![CDATA[ai-saturdays]]></category>
            <dc:creator><![CDATA[Dani Castro]]></dc:creator>
            <pubDate>Sat, 25 Jul 2020 10:13:51 GMT</pubDate>
            <atom:updated>2020-12-16T09:30:56.229Z</atom:updated>
            <content:encoded><![CDATA[<p>A pesar de estar pasando por una de las mayores crisis sanitarias de los últimos años, existe una epidemia oculta y tan normalizada en nuestro día a día que, por lo general, pasa desapercibida y cuyas consecuencias son devastadoras, causando anualmente <a href="https://www.stress.org/42-worrying-workplace-stress-statistics#:~:text=35.-,Work%2Drelated%20stress%20causes%20120%2C000%20deaths%20and%20results%20in,billion%20in%20healthcare%20costs%20yearly.&amp;text=Both%20the%20human%20and%20financial,year%20from%20work%2Drelated%20stress.">120.000 muertes directas solo en Estados Unidos</a>.</p><p>Y es que el estrés laboral ha sido definido como la<strong> Epidemia del siglo XXI</strong>:</p><figure><img alt="Estrés epidemia global del siglo XXI" src="https://cdn-images-1.medium.com/max/1024/1*9kPRPGOKhpO7H1qcNVFC_g.png" /></figure><p>Esta entrada describe la aventura de cuatro personas que se unieron en la fase Code2Learn de <a href="https://www.saturdays.ai/?utm_source=blog&amp;utm_medium=articulo&amp;utm_campaign=estres">Saturdays.ai</a> para intentar averiguar qué incide en el estrés laboral, y si es posible predecirlo.</p><h3><strong>El equipo:</strong></h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/460/1*Ce9G5E2T4SxhWTmSdA3S2w.jpeg" /><figcaption>Equipo Code2Lean</figcaption></figure><ul><li><a href="https://www.linkedin.com/in/jose-antonio-vives-gonzalez-83724a6a/">Jose Antonio Vives</a></li><li><a href="https://www.linkedin.com/in/fran-arenas-af%C3%A1n">Francisco Arenas Afán de Rivera</a></li><li><a href="https://www.linkedin.com/in/jaume-pardo-socias-4a9173192/">Jaume Pardo Socias</a></li><li><a href="https://www.linkedin.com/in/castrodani/">Dani Castro Garcia</a></li></ul><h3>El Contexto</h3><p>La primera parte de cualquier proyecto en DS es contar con un dataset. Para ello, contamos con los datos de <a href="https://medium.com/u/cd964ebe610">Happyforce</a>, que se describe tal que así:</p><figure><img alt="Happyforce y el Employee Engagement" src="https://cdn-images-1.medium.com/max/739/1*Rkz9jAMmqHlII3jHaQovEQ.png" /><figcaption>Happyforce y el Employee Engagement</figcaption></figure><blockquote><a href="http://www.myhappyforce.com/">Happyforce</a> es una plataforma Employee Engagement que utilizan empresas y organizaciones para medir el nivel de compromiso de sus empleados, lo que permite a las mismas, managers y equipos mejorar, motivar y fidelizar el talento.</blockquote><blockquote>A diferencia de una encuesta de clima (que suele ser anual), Happyforce lleva a cabo una medición continua de las diferentes dimensiones del <a href="https://en.wikipedia.org/wiki/Employee_engagement">Employee Engagement</a> mediante encuestas de pulso y una pregunta diaria tan sencilla como preguntar ¿Cómo estás hoy?.</blockquote><p>Dentro de las dimensiones, que a su vez, están compuestas por factores, encontramos la medición de nuestro objetivo: El <strong>estrés laboral</strong>, como factor que se mide dentro de la dimensión de “Bienestar”:</p><figure><img alt="Dimensiones de Employee Engagement" src="https://cdn-images-1.medium.com/max/431/1*cUjx9teyESaf-xtvLxhpRA.png" /><figcaption>Dimensiones de Employee Engagement</figcaption></figure><p>Con ello, tenemos un dataset fantástico como punto de partida para explorar la relación entre factores, dimensiones, etc.</p><p><strong>¿Se cumplirá lo que dice la literatura?</strong></p><figure><img alt="Factores del estrés laboral" src="https://cdn-images-1.medium.com/max/900/1*I_xa-sUnZrJXXcpP6xUsuA.jpeg" /><figcaption>10 factores que generan estrés laboral</figcaption></figure><h3>El Dataset</h3><p><a href="https://medium.com/u/cd964ebe610">Happyforce</a> nos facilitó el conjunto de datos dividido en dos ficheros:</p><ul><li><strong>scores.csv:</strong> contiene todas las respuestas a las diferentes preguntas de las diferentes dimensiones medidas por Happyforce (más información sobre las dimensiones <a href="https://myhappyforce.com/en/measure/">aquí</a>).<br>El número de votos registrados es de 103.330, el número de participantes (empleados) es de 6.419, mientras que el número de empresas en el archivo es de 72. <br>Es en este archivo donde podemos encontrar lo que se convertirá en nuestra variable objetivo: <strong>el estrés</strong>.</li><li><strong>hi.csv:</strong> este archivo contiene los votos a la pregunta diaria “¿Cómo estás hoy?” de los empleados que han participado en cualquiera de las preguntas del archivo scores.csv. <br>Este archivo contiene las 847.935 entradas.</li></ul><p><strong>Nota:</strong> por los procesos de exportación de datos de Happyforce, encontramos duplicados en los ficheros. Los números arriba mostrados, pertenecen a los datos una vez filtrados.</p><h3>La definición del problema</h3><p>La pregunta de estrés en Happyforce se formula de la siguiente forma:</p><p><em>“En una escala del 1 al 10, ¿cómo calificaría el estrés relacionado con el trabajo?”</em></p><p>Siendo 1 un estrés alto y 10 un estrés bajo.</p><p>Sabiendo esto, la primera decisión que tomamos es definir qué es un empleado estresado, basándonos en la distribución en el propio dataset:</p><figure><img alt="Distribución de los votos de estrés" src="https://cdn-images-1.medium.com/max/505/1*mUSuRkp1A0VGI_TzBvKrjw.png" /><figcaption>Distribución de los votos de estrés</figcaption></figure><p>Dividimos la escala en dos, tal que:</p><ul><li>1–3 estresado 😓.</li><li>4–10 no estresado 🤗.</li></ul><p>Al establecer el umbral por debajo de 3, un 50,3% de los empleados han expresado en algún momento que se sintieron estresados, lo que nos da un conjunto de datos equilibrado.</p><h3>La aproximación</h3><h4>Un poquito de EDA</h4><p>Cualquier proyecto de DS comienza con la Exploración y Análisis de Datos (EDA), con el fin de encontrar patrones y preparar los datos para las tareas de ML.</p><p>En nuestro caso, esta ha sido la fase más extensa del proyecto y una de las más críticas, ya que según se lleve a acabo de una forma u otra, puede cambiar drásticamente la estrategia para generar los modelos más o menos efectivos en cualquiera de sus vertientes (tiempo de cálculo, precisión, etc.).</p><p>La primera fase, fue comprobar la estructura de los dos archivos proporcionados:</p><figure><img alt="Muestra de las preguntas que hay en el dataset" src="https://cdn-images-1.medium.com/max/1024/1*-NK9PN6M-a2RqBEkaQgRwg.png" /><figcaption>Una pequeña muestra de las preguntas que hay en nuestro dataset</figcaption></figure><p>En el conjunto de datos de las preguntas de engagement (<strong>scores.csv</strong>), cada registro representa la respuesta de un empleado a una pregunta determinada.</p><p>Adicionalmente, para cada registro encontramos suficientes variables para identificar la empresa, el sector al que pertenece la empresa, el id de la pregunta, el id del factor al que se asocia la pregunta y la fecha en la que se responde a la pregunta, además de lo que voto el empleado en una escala entre 1 y10.</p><p>Es importante mencionar, que estas preguntas se lanzan una vez al mes, y un empleado termina de completar todas a los 3 meses. Además las preguntas, son opcionales, con lo cual no siempre tenemos todos los registros para un empleado dado.</p><p>En cuanto al otro fichero (<strong>hi.csv</strong>), contiene las respuestas a la pregunta ¿Cómo estás hoy?, que Happyforce utiliza para calcular lo que se conoce como el <strong>Índice de Felicidad </strong>(o HI). <br>Cada registro representa un voto de un empleado en una fecha determinada. Los valores del HI van de 1 a 4, siendo 4 la puntuación más positiva.</p><h4><strong>Cocinando los datos</strong></h4><p>Ambos datsets están basados en fechas, y nuestro objetivo era poder predecir si un empleado va a sufrir estrés.</p><p>Por ello, necesitábamos construir un nuevo conjunto de datos donde tuviéramos toda la información relacionada previa a la fecha en que un empleado respondiera a la pregunta sobre el estrés.</p><p>Por ejemplo:</p><ul><li>Si un empleado votó X en la pregunta sobre el estrés en mayo… ¿cómo fue su índice de felicidad en los últimos 3 meses?</li><li>Si un empleado votó Y en la pregunta de estrés en mayo… ¿qué votó en cualquier otra pregunta de pulso los últimos 6 meses?</li></ul><p>Así que construimos una función que nos permitió generar un nuevo dataset cruzando los datos. Como resultado obtuvimos un Dataframe donde para cada registro de un empleado que votó la pregunta de estrés en una fecha dada, tenemos:</p><ul><li>La media de lo que votó del resto de preguntas de engagement, 2, 3 y 6 meses antes.</li><li>La media de cada factor, 2, 3 y 6 meses antes.</li><li>La media del HI , 2, 3 y 6 meses antes.</li></ul><p>Adicionalmente, añadimos el sector al que pertenece el empleado, de cara a verificar la relevancia de este.</p><h4><strong>Un primer vistazo</strong></h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*k3xoIZxN7QYJRzrOxeWruA.png" /><figcaption>Estrés por sector</figcaption></figure><p>Por sectores, el de Recursos Naturales, es en el cual los empleados muestran un mayor nivel de estrés (un 74%). Sin embargo, el número de empleados que han participado es bajo en comparación con el de Servicios Financieros (334), donde un 62% de los empleados expresan que sienten estrés.</p><p>En cualquier caso, en la mayoría de los sectores, <strong>el 40% de los empleados sienten estrés en algún momento</strong>.</p><p>Una última conclusión: si quieres una vida tranquila, desarrolla tu carrera profesional en el sector de <strong>Management &amp; Consulting.</strong></p><h4>Buscando correlaciones</h4><p>De un vistazo y filtrando por las variables que tienen entre un -6% y un 6% de relación…</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1010/1*WL0kH-uDr_D84rQkakkE-A.png" /><figcaption>Correlaciones con el estrés</figcaption></figure><p>… se observa que:</p><ul><li>La pregunta de HI (¿Cómo estás hoy?), tiene una relación directa con el estrés en cualquier rango temporal.</li><li>Las siguientes preguntas de los indicadores, también tienen alta correlación con el estrés:<br>- The business goals and strategies set by senior leadership are taking |COMPANY_NAME| in the right direction.<br>- |COMPANY_NAME| communicates in a clear and effective way us.<br>- I trust that the people I work with are committed to do a good job<br>- On a scale from 0–10, how would you rate the benefits |COMPANY_NAME| offers?<br>- On a scale from 1 to 10, how likely are you to recommend |COMPANY_NAME| as good place to work?<br>- I would rate the processes for determining pay in |COMPANY_NAME| as:<br>- I would rate the amount of resources, people and efforts that |COMPANY_NAME| invests to achieve its goals as:<br>- My teammates, welcome opinions different from their own.<br>- Do you have the tools and resources you need to do your job?</li><li>Y finalmente, como habíamos visto pertenecer a uno de los siguientes sectores:<br>- FINANCIAL_SERVICES_INSURANCE<br>- MANAGMENT_CONSULTING<br>- COMPUTER_SOFTWARE_IT_SERVICES<br>tiene una alta correlación a la hora de padecer o no estrés laboral.</li></ul><p><strong>¿Recuerdas la imagen del principio?</strong></p><p>Vamos a revisarla de nuevo:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/900/1*I_xa-sUnZrJXXcpP6xUsuA.jpeg" /></figure><ul><li>Salary &amp; Benefits: es la primera causa de estrés.</li><li>La falta de alineamiento(objetivos, confianza entre miembros de un equipo , relaciones, cultura, etc.)</li><li>Herramientas y recursos &amp; Resources</li></ul><p>¿Ves una relación entre las causas del estrés y las respuestas a las preguntas? ☺️.</p><h3>Construyendo los modelos</h3><p>Con los datos listos para empezar a jugar, decidimos centrarnos en los siguientes algoritmos supervisados:</p><ul><li><a href="https://es.wikipedia.org/wiki/%C3%81rbol_de_decisi%C3%B3n">Decision Tree</a>.</li><li><a href="https://es.wikipedia.org/wiki/Random_forest">Random Forest</a>.</li><li><a href="https://es.wikipedia.org/wiki/Regresi%C3%B3n_log%C3%ADstica">Logistic Regression</a></li></ul><h4><strong>Decision Tree</strong></h4><p>Aunque es el modelo más simple, en muchos casos es más que suficiente.</p><p>Para encontrar la mejor combinación de hiperparámetros, realizamos un <a href="https://scikit-learn.org/stable/modules/grid_search.html">Grid Search</a> sobre <strong>DesicionTreeClassifier</strong> para afinar la profundidad (‘max_depth’) y el número de características (‘max_features’).</p><p>El resultado fue que con los siguientes hiperparámetros:</p><ul><li>max_depth=2</li><li>max_features=19</li></ul><p>Alcanzamos una <strong>precisión de 0,578</strong>. Not bad para una primera prueba.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*2Wb3GBYHUHNxpCFhf8AxHQ.png" /></figure><h4>Random Forest</h4><p>La evolución lógica fue probar con un Random Forest. De nuevo seguimos la misma aproximación para encontrar los mejores hiperparametros, siendo en nuestro caso</p><ul><li>max_depth=110</li><li>n_estimators=130</li><li>min_samples_leaf=2</li><li>min_samples_split=40</li><li>max_leaf_nodes=35</li></ul><p>los cuales generaron un modelo con mayor precisión, siendo esta de <strong>un 0.589</strong>.</p><p>Una de las ventajas del algoritmo Random Forest, es que podemos obtener que variables son más relevantes en la predicción. En nuestro caso encontramos:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*HUYclEin2B8Kzojk0hwmaA.png" /><figcaption>Feature importance en Random Forest</figcaption></figure><p>Bastante similar a lo observado en la matriz de correlaciones: el HI y la industria, son las variables con mayor importancia, aunque también entra en juego la respuesta a alguna pregunta, como puede ser:</p><ul><li>My teammates, welcome opinions different from their own.</li><li>The business goals and strategies set by senior leadership are taking.</li><li>|COMPANY_NAME|* in the right direction.</li></ul><h4>Logistic Regression</h4><p>Finalmente, decidimos probar con la Regresión Logística.</p><p>La primera aproximación fue construir el modelo usando las variables más importantes detectadas en el Random Forest, y eliminado las variables<a href="https://towardsdatascience.com/p-value-explained-simply-for-data-scientists-4c0cd7044f14"> cuyo coeficiente no es significativo</a> (P&gt;|z| &gt; 0.05).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/662/1*u09BKuoxYYIXpmZpuKzT7g.png" /><figcaption>Variables con mayor importancia</figcaption></figure><p>Con esta combinación, obtuvimos un modelo con una <strong>precisión de 0.616</strong></p><p>Junto al HI y el sector, vemos que las siguientes preguntas tienen incidencia en el modelo:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*JbaLUay9HSVA5lU0RY3r3Q.png" /></figure><p>Mencionar que el resultado de la regresión nos da coeficientes negativos para COMPUTER_SOFTWARE_IT_SERVICES, month_3, vote_17_f_M2_1_cat, lo cual indica que el efecto de estas variables es inverso al resto, es decir, que si la variable vale 1, disminuyen las probabilidades de tener estrés.</p><p>La matriz de confusión de este modelo fue:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/252/1*pxYm4l2kGeg8ms_lKcOrzA.png" /><figcaption>Matriz de confusión del modelo 1</figcaption></figure><p><strong>Segunda aproximación</strong></p><p>Animados por los resultados, construimos un segundo modelo usando otras variables que anteriormente habíamos detectado como significativas:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/661/1*GikKtoFxz_lEHJRoukWS2w.png" /></figure><p>El resultado empeoró un poco, teniendo una <strong>precisión de 0.613.</strong></p><p>En este caso, la combinación es muy similar a la del modelo 1 pero con alguna otra variable que hace que los coeficientes sean ligeramente diferentes. En cuanto a la relación de preguntas, en este caso sería:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*pn25zQB5Zg8l02GKSWDaTw.png" /></figure><p>La matriz de confusión de este modelo fue:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/276/1*tF-s6ZJs0s2l31L2A5NfAw.png" /><figcaption>Modelo 2</figcaption></figure><h3>Conclusiones</h3><p>A pesar de la naturaleza del dataset, y debido al formato de medición que hace Happyforce (mediante pulsos distribuidos en el tiempo), conseguimos construir un dataset que ya desde el inicio nos permitió a partir del análisis correlacional verificar que los datos y lo que dice la literatura sobre el estrés laboral coinciden.</p><p>Con ese punto de inicio, hemos podido validar que con un modelo supervisado como la Regresión Logística, compuesta con pocas variables, somos capaces de predecir el estrés con un 62% de precisión.</p><p>Es reseñable mencionar, que además de las preguntas relacionadas con:</p><ul><li>Confianza (en el equipo, manager, u organización).</li><li>Herramientas de trabajo.</li><li>Y otras relacionadas con la <a href="https://escueladeexperiencias.com/secreto-motivacion/">Motivación 3.0</a>.</li></ul><p>la industria, y una medición tan sencilla como preguntar “¿Cómo estás hoy?”, contribuyen tanto a determinar si un empleado puede sufrir estrés.</p><h3>Próximos pasos</h3><p>Tradicionalmente los resultados de cualquier encuesta de empleados terminan sobre la mesa de RRHH o de los managers, quienes finalmente determinaran que acciones tomar, y estas acciones no siempre tienen un impacto en los empleados.</p><p><strong>Pero…</strong></p><p>¿Y si pudiéramos dar valor a los empleados automáticamente a todas las contribuciones que hacen en las encuestas?</p><p>¿O si fuéramos capaces de decirle a un empleado en particular lo que le “dolerá” en el futuro, y cómo actuar antes de que suceda?.</p><p>Las aplicaciones prácticas de este proyecto son mucho más amplias que el estrés.</p><p>En el día a día del empleado y a lo largo de nuestra carrera profesional, vivimos cientos de situaciones y sentimientos a los que nos tenemos que enfrentar, y habilidades a desarrollar o mejorar.</p><p>Siendo capaz de predecir estas situaciones (estrés, falta de alineamiento con tu equipo, etc.), puede contribuir a que una persona pueda actuar antes de que los problemas acontezcan.</p><h3>Notas y agradecimientos</h3><p>En el siguiente repositorio:</p><p><a href="https://github.com/DDani/saturdays.ai-stress">DDani/saturdays.ai-stress</a></p><p>se encuentra el Notebook y el dataset usado en este proyecto.</p><p>Queremos agradecer a todos los miembros de <a href="https://www.saturdays.ai/city-mallorca.html?utm_source=blog&amp;utm_medium=articulo&amp;utm_campaign=estres">Saturday.ai Mallorca</a>, y en especial a <a href="https://medium.com/u/3470700ae801">Javier Cantero Lorenzo</a>, <a href="https://www.linkedin.com/in/marisahuaynalaya/">Marisa Huaynalaya</a> y <a href="https://www.linkedin.com/in/alvaro-fragoso/">Álvaro Fragoso</a>, por su dedicación y esfuerzos por traer una iniciativa como Saturday.ai a Mallorca y haber sido capaces de desarrollarla en unas circunstancias de excepcionalidad como las que estamos viviendo debido al COVID-19.</p><p><strong>De corazón: ¡Gracias!</strong></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=59189170c9da" width="1" height="1" alt=""><hr><p><a href="https://medium.com/saturdays-ai/saturdays-ai-detectando-el-estr%C3%A9s-laboral-59189170c9da">Saturdays.ai: Detectando el Estrés Laboral</a> was originally published in <a href="https://medium.com/saturdays-ai">Saturdays.AI</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>