Análisis de Talento para Reclutamiento en la Empresa
Disruptive information technologies
Objetivo
La empresa Disruptive information technologies está buscando mejorar su proceso de reclutamiento
y selección de practicantes. Actualmente, reciben una gran cantidad de información de candidatos a
través de formularios, entrevistas y evaluaciones, pero no tienen una manera efectiva de analizar
estos datos para identificar los puntos fuertes y habilidades clave de los aspirantes.
Para abordar este problema, la empresa ha propuesto un reto en el que los estudiantes deben
desarrollar una solución que permita analizar y visualizar los puntos fuertes de los nuevos aspirantes
a través datos de los candidatos simulados a través de IA. El análisis debe ayudar al equipo de
recursos humanos a tomar decisiones informadas basadas en datos, destacando las habilidades,
competencias y áreas de mejora de los candidatos.
Descripción del Reto
Los estudiantes deberán desarrollar una solución de análisis de talento en Python, siguiendo un flujo
que incluye:
● Generación de un dataset de candidatos utilizando IA.
● Carga del dataset en Appwrite.
● Limpieza, análisis e interpretación de los datos.
● Presentación de los resultados y hallazgos.
Requisitos del Reto
1. Generación del dataset con IA
Simulación de datos de candidatos: Utilizando técnicas de IA, los estudiantes deben generar
un dataset que simule los datos de aspirantes a una posición de practicantes. El dataset
debe incluir al menos las siguientes columnas:
Atributo Tipo de Dato Descripción
Nombre Text Nombre del candidato
Apellidos Text Apellidos del candidato
Género Text Género del candidato.
Fecha de Fecha de nacimiento del candidato en formato AAAA-MM-DD.
Nacimiento Date Útil para calcular la edad y analizar la distribución por edades.
Nivel de Nivel de estudios más alto del candidato (por ejemplo,
Educación Text bachillerato, licenciatura, posgrado).
Habilidades Lista de conocimientos técnicos que posee el candidato (por
Técnicas Text (List) ejemplo, Python, JavaScript, SQL).
Puntuación en la Puntuación otorgada al candidato en función de su rendimiento
entrevista Decimal (1-10) en la entrevista (escala de 1 a 10).
Puntuación en la Puntuación obtenida por el candidato en las pruebas técnicas
prueba técnica Integer (0-100) (escala de 0 a 100).
Disponibilidad del candidato para trabajar (por ejemplo, a tiempo
Disponibilidad Text completo, a tiempo parcial, flexible).
Expectativa
salarial Decimal Salario previsto o compensación en términos monetarios.
Interest in Text (High,
Company Medium, Low) El interés del candidato por trabajar en la empresa.
Ubicación Text La ubicación geográfica o la región en la que reside el candidato.
Número de años que el candidato lleva trabajando en funciones
Experiencia Integer relevantes o afines al cargo.
Lista de habilidades blandas que posee el candidato (por
Habilidades ejemplo, trabajo en equipo, comunicación, resolución de
blandas Text (List) problemas).
Preferencia de Entorno de trabajo preferido por el candidato (remoto,
trabajo Text presencial, híbrido).
Objetivo: Crear un archivo CSV que contenga los datos simulados de al menos 50
candidatos, utilizando librerías como faker, [Link], o generadores de datos
personalizados que usen IA.
2. Carga del dataset en Appwrite
● Conexión con Appwrite: Configurar Appwrite para que el archivo CSV con los
datos generados pueda ser cargado a la base de datos de la empresa.
○ Crear una conexión a Appwrite desde Python para cargar el archivo CSV
generado.
○ Subir los datos simulados de los candidatos a la base de datos de Appwrite.
● Objetivo: Garantizar que los datos generados sean almacenados correctamente en
la base de datos de Appwrite.
3. Limpieza y preparación de los datos:
● Eliminar valores inconsistentes o faltantes en el dataset generado.
● Asegurar la consistencia en los campos de habilidades y puntuaciones.
● Verificar que no haya datos duplicados.
● Preparación de los datos para el análisis: Establecer categorías claras para las
habilidades y convertir datos cualitativos en cuantitativos (ej. transformar Nivel de
Educación en valores numéricos).
Objetivo: Asegurar que los datos simulados estén listos para un análisis correcto.
4. Análisis exploratorio de datos (EDA)
● Generar estadísticas descriptivas (media, mediana, desviación estándar) de las
variables clave como Puntaje de Entrevista, Resultados de Pruebas Técnicas y
Experiencia Profesional.
● Visualizar las distribuciones de habilidades técnicas y soft skills.
● Crear gráficos que muestren la relación entre el nivel de educación, experiencia y
resultados en pruebas técnicas.
● Comparar el desempeño de los candidatos en las entrevistas con sus habilidades
técnicas.
Objetivo: Proporcionar una visión detallada de las competencias y características clave de
los candidatos generados.
5. Interpretación de los resultados:
● Analizar qué habilidades son más comunes entre los candidatos y cómo afectan su
desempeño general.
● Identificar candidatos con puntos fuertes en áreas específicas (ej. aquellos con altas
habilidades técnicas o con fuerte capacidad de liderazgo).
● Proponer mejoras o recomendaciones para seleccionar los mejores perfiles según
las necesidades de la empresa.
Objetivo: Ofrecer información valiosa que la empresa pueda usar para optimizar su proceso
de selección.
6. Presentación de resultados:
● Crear un informe que resuma los principales hallazgos del análisis, como las
habilidades más destacadas, el nivel promedio de los candidatos y sus puntos
fuertes y débiles.
● Presentación visual: Generar visualizaciones gráficas (ej. diagramas de barras,
gráficos de dispersión) que faciliten la interpretación de los datos para el equipo de
recursos humanos de la empresa.
Objetivo: Comunicar de forma clara y efectiva los resultados obtenidos, permitiendo que el
equipo de reclutamiento identifique a los mejores aspirantes de forma rápida.
Alcances esperados del Reto:
● Simulación realista de datos: Los estudiantes deben crear un dataset que refleje
de manera realista las características de los candidatos utilizando IA.
● Optimización del reclutamiento: El análisis de los datos debe ayudar a la empresa
a identificar los puntos fuertes de los aspirantes y tomar mejores decisiones durante
el proceso de selección.
● Automatización del proceso: Desde la generación de los datos hasta la carga en
Appwrite y el análisis, los estudiantes deben proponer una solución automatizada
que sea eficiente y fácil de usar.
● Visualización clara: Los resultados deben ser presentados de forma visual y
comprensible para los responsables del reclutamiento.
Entrega esperada por parte de los estudiantes:
● Código fuente funcional en Python, documentado, que genere los datos simulados,
los cargue en Appwrite y realice el análisis correspondiente.
● Archivo CSV con los datos generados de al menos 50 candidatos, que contenga las
columnas requeridas.
● Informe detallado que resuma los principales hallazgos del análisis.
● Gráficos y visualizaciones que presenten de forma clara los resultados obtenidos.