Data-driven talent management: predictive modeling for human capital decisions in the BPO industry

• Diaz Fonseca, Diego Alejandro ^[1] ; Romero Villalobos, Oswaldo Alberto ^[1] ; Barón Velandia, Julio ^[1]
  1. [1] Francisco José de Caldas District University
• Localización: Ingeniería Solidaria, ISSN-e 2357-6014, Vol. 22, Nº. 2, 2026
• Idioma: inglés
• Títulos paralelos:
  • Gestión del talento basada en datos: modelado predictivo para decisiones sobrecapital humano en la industria BPO
• Enlaces
  • Texto completo
• Resumen
  • español

    Introducción: Este artículo es producto de la investigación “Modelo de perfilación y selección de personal aplicado al sector BPO en Colombia basado en técnicas de predictive analytics y algoritmos genéticos”, desarrollada en la Universidad Distrital Francisco José de Caldas en el año 2025. Problema: La organización bajo análisis presentó una deserción temprana de 62.82%, evidenciando altos costos asociados con el reclutamiento, la capacitación y la curva de aprendizaje, lo cual implicaba limitaciones en los procesos tradicionales de reclutamiento. Objetivo: Diseñar y evaluar un modelo predictivo que identifique a los candidatos con mayor probabilidad de al menos 3 meses de permanencia y determine los atributos más influyentes para dicha retención. Metodología: Se adoptó un enfoque mixto. Las variables relevantes fueron inicialmente identificadas mediante consulta con profesionales de reclutamiento; posteriormente, se entrenaron modelos de aprendizaje automático sobre 560 registros de contratación. Se aplicaron algoritmos como SVC, Random Forest y KNN. El desbalance de clases fue abordado utilizando SMOTE y el desempeño fue evaluado mediante métricas como exactitud, sensibilidad, especificidad y F1-score. Resultados: El modelo propuesto redujo la deserción temprana mediante simulación de 62.82% a 4.11%, representando una reducción relativa de 93.6%, junto con ahorros estimados de hasta COP $1B en un trimestre. El modelo SVC se destacó con una especificidad de 94.44%, minimizando contrataciones de alto riesgo. Conclusiones: Los modelos predictivos en el reclutamiento mejoran significativamente la retención y la optimización de recursos. Originalidad: El estudio vincula la precisión predictiva con un impacto financiero medible en el sector BPO colombiano. Limitaciones: No se recolectaron atributos sensibles para prevenir sesgo discriminatorio.

  • English

    Introduction: This article is the result of the research project “Model for Profiling and Personnel Selection Applied to the BPO Sector in Colombia Based on Predictive Analytics Techniques and Genetic Algorithms”, developed at Universidad Distrital Francisco José de Caldas in 2025. Problem: The organization under analysis exhibited early attrition of 62.82%, resulting in high costs associated with recruitment, training, and the learning curve, which revealed limitations in traditional recruitment processes. Objective: To design and evaluate a predictive model that identifies candidates with the highest probability of at least 3 months of tenure and determines the most influential attributes for such retention. Methodology: A mixed approach was adopted. Relevant variables were initially identified through consultation with recruitment professionals; subsequently, machine learning models were trained on 560 hiring records. Algorithms including SVC, Random Forest, and KNN were applied. Class imbalance was addressed using SMOTE, and performance was evaluated using metrics such as accuracy, sensitivity, specificity, and F1-score. Results: The proposed model reduced early attrition, through simulation, from 62.82% to 4.11%, representing a relative reduction of 93.6%, along with estimated savings of up to COP $1B in one quarter. The SVC model stood out with a specificity of 94.44%, minimizing high-risk hires. Conclusions: Predictive models in recruitment significantly improve retention and resource optimization. Originality: The study links predictive accuracy with measurable financial impact in the Colombian BPO sector. Limitations: Sensitive attributes were not collected to prevent discriminatory bias.