A Data-Driven Competency Detection Model for Improving Workforce Planning and Decision-Making

Abstract

La transformación digital ha intensificado la necesidad de herramientas computacionales capaces de identificar competencias laborales emergentes en diferentes industrias. Este estudio propone un modelo analítico escalable que integra minería de datos, procesamiento de lenguaje natural (PLN) y aprendizaje automático para extraer y clasificar habilidades profesionales de grandes volúmenes de información laboral estructurada y no estructurada. La metodología se implementó a través de un pipeline de cuatro etapas (extracción, preprocesamiento, modelado y visualización) y se validó utilizando un estudio de caso de datos del mercado laboral recopilados de registros oficiales y plataformas digitales de empleo entre 2020 y 2024. Se aplicaron algoritmos supervisados ​​(Random Forest, SVM) y no supervisados ​​(K-Means, DBSCAN) para detectar patrones semánticos y competencias de clúster, donde Random Forest logró el mayor rendimiento (puntuación F1 = 96,64%). El modelo identificó cuatro clústeres de competencias dominantes (tecnológicas, gerenciales, operativas e híbridas), destacando la creciente integración de habilidades técnicas y blandas requeridas en entornos laborales con alta intensidad digital. El marco propuesto aporta un enfoque computacional generalizable para la planificación de la fuerza laboral, el apoyo a la toma de decisiones y la gestión de operaciones. Su arquitectura modular permite la adaptación a múltiples contextos industriales y facilita el monitoreo continuo de la evolución de las competencias. Esto convierte al modelo en una herramienta valiosa para organizaciones, legisladores e investigadores que buscan información basada en datos sobre la dinámica de los mercados laborales digitalizados.