Aceptamos el reto de Quether de automatizar su análisis de talento. El mayor desafío fue técnico: los datos de configuración (org_config.json, vision_futura.json) venían incrustados en archivos RTF, lo que nos obligó a construir un data_loader.py robusto antes de empezar.
Cómo lo construimos:
Nivel 1-2: Implementamos el algoritmo de ponderación (50/25/15/10) en modules/compatibility.py y creamos la app en app.py para mostrar los rankings con la clasificación (READY, NEAR, FAR).
Nivel 3 (IA): Integramos LangChain (modules/recommendations.py) para generar los planes de desarrollo y los resúmenes ejecutivos.
Nivel 4 (Nuestra Aportación): Fuimos más allá. Vimos el potencial de las columnas retention_risk y dedicación_actual del talento_actual.csv y las usamos para crear el "Dashboard Estratégico". Finalmente, añadimos un grafo de red interactivo (Pyvis) para visualizar las conexiones de habilidades.
Lo que aprendimos: El mayor desafío no fue la IA, sino la limpieza de datos. La verdadera innovación fue desbloquear los datos estratégicos que el cliente ya tenía (como el riesgo de fuga) y convertirlos en una herramienta visual e interactiva.
Built With
- networkx
- pandas
- plotly
- python
- pyvis
- scikit-learn
- streamlit
Log in or sign up for Devpost to join the conversation.