
Tecnologías Big Data, Minería de Datos y Analítica aplicada a la gestión de Recursos Humanos
contiene: un caso de estudioBy Mg. Agustín María OrlandiLength4h 29m
About this audiobook
La utilización de la tecnología big data y analítica aplicada a la gestión de recursos humanos, people analytics, indica que la empresa desea obtener, procesar, analizar e interpretar información, con el propósito de mejorar las decisiones que se toman en el ámbito de la gestión del capital humano. Se está cambiando la naturaleza básica de la gestión del capital humano para que evolucione desde un rol transaccional a uno en donde su contribución estratégica se vuelve crucial.
El área de recursos humanos debe pasar de una etapa en donde las decisiones se toman a partir de la intuición, a otra en donde las decisiones surgen del proceso inteligente de evidencias: la etapa de big data, data mining y analítica aplicada a la gestión de recursos humanos. Esta investigación apunta de manera directa a brindar las herramientas, técnicas y enfoques que faciliten dicha transición, asegurando de este modo el rol estratégico del área. Actualmente, los avances tecnológicos son utilizados en todos los sectores de las empresas, es la oportunidad de mejorar la capacidad para tomar decisiones basadas en el procesamiento inteligente de la información.
Audiobook details
GenreBusiness and Economics
Length4 hrs 29 mins
Narrated byListen with 1,000+ voices
FormateBook with Audio
Publish dateAug 2, 2024
LanguageSpanish
Table of contents
1Introduction
542.8.3.2 METODOLOGÍA KDD
2CAPÍTULO 1: INTRODUCCIÓN
552.8.3.3 METODOLOGÍA CRISP-DM
31.1 INTRODUCCIÓN AL TEMA
562.8.3.4 COMPARACIÓN DE METODOLOGÍAS
41.2 FUNDAMENTACIÓN Y ANTECEDENTES
572.9 ANALYTICS
51.3 DESCRIPCIÓN DEL PROBLEMA Y/O PREGUNTA SIN RESPUESTA ABORDADOS
582.9.1 OBJETIVO DE PEOPLE ANALYTICS
Show all chaptersShow less
61.4 PREGUNTA DE INVESTIGACIÓN
592.9.2 CASOS DE EJEMPLIFICADORES DEL USO DE PEOPLE ANALYTICS
71.5 HIPÓTESIS
602.9.3 FUNCIONES Y TAREAS DE PEOPLE ANALYTICS
81.6 OBJETIVOS DE LA INVESTIGACIÓN
61CAPÍTULO 3: GESTIÓN DE RECURSOS HUMANOS Y SECTOR FINANCIERO DE LA REPÚBLICA ARGENTINA
91.7 METODOLOGÍA
623.1 LA MOTIVACIÓN
10CAPÍTULO 2: MARCO TEÓRICO
633.2 EL ENTORNO LABORAL Y LOS TRABAJADORES
112.1 CRITERIOS DE ÉXITO
643.3 RELACIÓN ENTRE ACTIVIDADES DE FORMACIÓN Y DESEMPEÑO
122.1.1 ANÁLISIS FODA
653.4 RELACIÓN ENTRE AUSENTISMO Y CLIMA LABORAL
132.1.2 RECURSOS FINANCIEROS ADMINISTRADOS POR LA DIRECCIÓN DE RECURSOS HUMANOS
663.5 SECTOR FINANCIERO DE LA REPÚBLICA ARGENTINA
142.1.3 RECURSOS NO FINANCIEROS ADMINISTRADOS POR LA DIRECCIÓN DE RECURSOS HUMANOS
67CAPÍTULO 4: DISEÑO DE LA SOLUCIÓN
152.2 SISTEMAS DE SOPORTE DE DECISIÓN (SSD)
684.1 DATA VISUALIZATION
162.3 GESTORES DE BASE DE DATOS (SGBD): 2.3.1 CONCLUSIÓN
694.1.1 ¿QUÉ ES LA VISUALIZACIÓN DE DATOS?
172.4 CLASIFICACIÓN DE BASES DE DATOS (SGBD)
704.1.1.1 ORACLE DATA VISUALIZATION
182.5 BIG DATA
714.1.1.1.1 ORACLE ANALYTICS VERSIÓN DESKTOP
192.5.1 OBJETIVO DEL BIG DATA
724.1.1.1.2 ORACLE ANALYTICS VERSIÓN CLOUD
202.5.2 ¿QUÉ DATOS UTILIZA BIG DATA?
734.1.1.1.3 ORACLE ANALYTICS VERSIÓN ON PREMISE
212.5.3 CASOS DE EJEMPLIFICADORES, PORQUÉ BIG DATA
744.1.1.1.4 ORACLE ANALYTICS DAY BY DAY
222.5.4 TÉCNICA DE SISTEMATIZACIÓN DE INFORMACIÓN DE BIG DATA
754.1.1.2 DETALLE DE LA DESCARGA DE LA APLICACIÓN
232.5.5 COMO SE IMPLEMENTA BIG DATA
764.1.1.3 LOOK AND FEEL: EXPLORACIÓN Y VISUALIZACIÓN
242.5.6 BIG DATA APLICADO EN LA GESTIÓN DE RECURSOS HUMANOS
774.1.2 ORACLE SQL DEVELOPER
252.5.7 APRENDIZAJE AUTOMÁTICO (MACHINE LEARNING)
784.2 ANÁLISIS DE DATOS
262.6 BODEGA DE DATOS (DATA WAREHOUSE)
794.3 PREPARACIÓN DE LOS DATOS
272.7 DEFINICIÓN DE ETL
804.4 CREACIÓN DE LA BASE DE DATOS
282.8 MINERIA DE DATOS (DATAMINING)
814.5 CONSTRUCCIÓN DE ETL
292.8.1 OBJETIVO DE LA MINERÍA DE DATOS
824.5.1 PREPARAR LOS DATOS ETL
302.8.2 TIPOS DE MINERÍA DE DATOS
834.5.2 SELECCIÓN DE LA FUENTE DE DATOS
312.8.2.1 PREDICCIÓN
844.5.3 CONSTRUCCIÓN DEL DATA WAREHOUSE
322.8.2.2 AGRUPACIÓN
854.6 IMPLEMENTACIÓN DE LA SOLUCIÓN
332.8.2.3 FUNCIONES Y TAREAS DE LA MINERÍA DE DATOS
864.6.1 CREACIÓN DE TABLAS DIMENSIONALES ORACLE SQL DEVELOPER
342.8.2.3.1 MINERÍA DE DATOS SUPERVISADA
874.6.1.1 DIM_EMPLEADOS
352.8.2.3.1.1 KNN VECINOS MÁS CERCANOS
884.6.1.2 DIM_PUESTOS
362.8.2.3.1.2 MÁQUINAS DE SOPORTE VECTORIAL
894.6.1.3 DIM_SUCURSALES
372.8.2.3.2 MINERÍA DE DATOS NO SUPERVISADA
904.6.2 PROCESAMIENTO DE DATOS EN ORACLE ANALYTICS: 4.6.2.1 CONFIGURACIÓN DE LA CONEXIÓN A LA BASE DE DATOS ORACLE
382.8.2.3.2.1 CLUSTERING
914.6.3 CREACIÓN DE SET DE DATOS EN ORACLE ANALYTICS
392.8.2.3.2.2 K-MEANS
924.6.3.1 DIM_EMPLEADOS
402.8.2.3.3 TÉCNICAS DE MINERÍA DE DATOS
934.6.3.2 DIM_PUESTOS
412.8.2.3.3.1 REDES NEURONALES
944.6.3.3 DIM_SUCURSALES
422.8.2.3.3.2 ALGORITMO DE RED NEURONAL DE SQL (MICROSOFT)
954.6.4 Generación de FACT_ANALYTICS_RRHH
432.8.2.3.3.3 AGRUPAMIENTO O CLUSTERING
964.6.5 IMPORTACIÓN DE DATOS EN LOS DIMENSIONALES
442.8.2.3.3.4 CLASIFICACIÓN
974.6.5.1 DIM_EMPLEADOS
452.8.2.3.3.5 REGRESIÓN
984.6.5.2 DIM_PUESTOS
462.8.2.3.3.6 ÁRBOLES DE DECISIÓN
994.6.5.3. DIM_SUCURSALES
472.8.2.3.4 TIPOS DE MODELOS PARA ANÁLISIS PREDICTIVOS
1004.6.5.4 FACT_ANALYTICS_RRHH
482.8.2.3.4.1 MODELOS PREDICTIVOS
1014.6.5.5 DESARROLLO DEL PROYECTO
492.8.2.3.4.2 MODELOS DESCRIPTIVOS
1024.6.6 DISEÑO DE LAS PRUEBAS
502.8.2.3.4.3 MODELOS DE DECISIÓN
103CAPÍTULO 5: CONCLUSIONES
512.8.2.3.4.4 CARACTERÍSTICAS DE LAS HERRAMIENTAS DE ANÁLISIS PREDICTIVO
1045.1 CONCLUSIONES
522.8.3 METODOLOGÍAS DE MINERÍA DE DATOS
1055.2 TRABAJO A FUTURO
532.8.3.1 METODOLOGÍA SEMMA
106CAPÍTULO 6: BIBLIOGRAFÍA