Diagnóstico de Marca Empleadora con NLP
MásterData ScienceFinalizado

Diagnóstico de Marca Empleadora con NLP

Reseñas de Glassdoor de Deutsche Bank frente a cuatro bancos globales con Transformers y BERTopic

Daniel García NiloDossier del proyecto
PythonNLPHugging Face TransformersDistilBERTSentence-TransformersBERTopicUMAPHDBSCANscikit-learnPyTorchlangdetectPandasNumPyMatplotlibSeabornJupyter Notebook
Descripción

Qué es y qué resuelve

Caso práctico de NLP del máster: diagnóstico de Deutsche Bank como empleador a partir de 47.450 reseñas de Glassdoor, comparado con J.P. Morgan, Barclays, Citi y HSBC, para proponer prioridades de atracción y retención a RRHH.

El análisis combina EDA sobre todas las reseñas, un control de sentimiento con DistilBERT, embeddings MiniLM y BERTopic (UMAP, HDBSCAN y c-TF-IDF) sobre una muestra equilibrada de 5.000 reseñas, un diccionario explícito de categorías de RRHH y una comparación de balances frente a peers con prueba de sensibilidad temporal. Concluye que la conciliación es la fortaleza más consistente (+5,62 pp) y que compensación (−4,15 pp) y carrera (−2,25 pp) merecen investigación.

Encargo de negocio

¿Qué valoran y qué critican los empleados de Deutsche Bank?

Caso práctico de NLP del máster: RRHH pide un diagnóstico de la compañía como empleador a partir de reseñas públicas de Glassdoor. La pregunta guía es qué valoran y critican los empleados, qué diferencia a la empresa de sus competidores y qué debería priorizar RRHH para atraer y retener talento.

Es un diagnóstico descriptivo: se usan modelos ya entrenados para leer textos a escala. No se entrena una red neuronal ni se predice el rating, y el resultado termina en un máximo de tres propuestas accionables.

Dataset

47.450 reseñas de cinco bancos globales

Cada reseña aporta empresa, fecha, situación (actual o antiguo), rating global, recomendación y dos textos libres: pros y cons. El Excel del encargo confirma sector y número de reseñas, no el tamaño de plantilla. Los peers se eligen por ser bancos globales con banca corporativa y de inversión y perfiles de talento compartidos.

Reseñas analizadas

47.450

Deutsche Bank y cuatro peers, filtradas al leer el Parquet.

Empresas

5

Deutsche Bank frente a J.P. Morgan, Barclays, Citi y HSBC Holdings.

Ventana

2018–2023

Del 27/07/2018 al 14/04/2023. Evidencia histórica.

Deutsche Bank

5.474

Reseñas; Citi aporta 14.609 y J.P. Morgan 11.100.

Muestra NLP

5.000

Hasta 1.000 reseñas por empresa, semilla 42.

Duplicados exactos

0

Tampoco fechas no interpretables ni ratings fuera de 1–5.

Pipeline NLP

De reseñas en bruto a decisiones de RRHH

El EDA usa todas las reseñas; los modelos usan la muestra equilibrada para limitar coste y evitar que el banco con más reseñas domine los temas. Pros y cons se analizan siempre como corpus separados. Los resultados pesados se guardan en caché con huella de muestra, modelos, parámetros y versiones: si algo cambia, se recalcula.

Parquet filtrado/
Limpieza/
EDA/
Muestra equilibrada/
Idioma (langdetect)/
Sentimiento (DistilBERT)/
Embeddings (MiniLM)/
BERTopic/
Categorías RRHH/
Comparación con peers/
Priorización
Preprocessing

Limpieza mínima para conservar el significado

  • Solo se eliminan duplicados exactos: dos comentarios parecidos no prueban que sean la misma reseña.
  • Se normalizan espacios y saltos de línea; los textos originales se conservan.
  • Sin stemming ni lematización y sin borrar negaciones: los transformers necesitan frases completas.
  • Textos vacíos o sin letras se excluyen: 47.449 pros y 47.435 cons válidos.
  • Frases como «no cons» se conservan: expresan ausencia de quejas, no un dato vacío.
  • Idioma orientativo con langdetect: 99,2–99,9 % inglés estimado; no se elimina nada automáticamente.
EDA

Deutsche Bank parte por debajo de la media de sus peers

«Sin opinión» no equivale a «no», por lo que la recomendación se calcula como sí / (sí + no) y se informa su cobertura. La diferencia entre antiguos y actuales orienta a quién escuchar; no demuestra que salir de la empresa cause una peor opinión.

Rating medio

3,73

Frente a 3,83 de media simple de los cuatro peers.

Recomienda

70,9 %

De quienes responden sí/no; peers 75,9 %. Cobertura 61,3 %.

Antiguos − actuales

−0,39

Puntos sobre 5: 3,49 frente a 3,87.

Rating medio de empleados actuales y antiguos por empresa

Figura original del notebook, base completa sin duplicados.

EDA temporal

Una media global que oculta cambios

La media anual observada de Deutsche Bank pasa de 3,40 en 2018 a 3,87 en 2023. Los periodos con menos de 30 ratings no se dibujan y el primer y último año pueden ser parciales. J.P. Morgan y HSBC no aportan reseñas en 2022–2023, por lo que la comparación de categorías se repite después sobre el periodo común.

Evolución anual del rating medio por empresa entre 2018 y 2023

Figura original del notebook. No se atribuye el cambio a políticas concretas.

Transformers

Sentimiento como control de calidad, no como métrica de acierto

DistilBERT SST-2 (Hugging Face Transformers, CPU) clasifica cada texto en positivo o negativo, sin clase neutral. Como no hay etiquetas humanas, se usa para comprobar la coherencia de los campos pros y cons, no como accuracy ni como medida de satisfacción.

Los desacuerdos se leen uno a uno: «Nothing is good about this place» en pros es una crítica real, mientras que «They pay you to get licensed» marcado como negativo parece un error del modelo. Desacuerdo con el campo y error del modelo no son lo mismo.

Pros positivos · DB

93,2 %

Coherencia con el campo; peers entre 93,1 y 95,3 %.

Cons negativos · DB

85,2 %

Coherencia con el campo; peers entre 80,1 y 83,3 %.

Textos truncados

0 / 4

Pros / cons por encima de 512 tokens, sobre 5.000 cada uno.

Topic modeling

BERTopic: de qué hablan realmente los empleados

Los embeddings de MiniLM acercan «salario competitivo» y «buena remuneración» aunque usen palabras distintas. UMAP reduce dimensiones, HDBSCAN agrupa sin imponer el número de temas y c-TF-IDF describe cada grupo. Las stopwords en inglés solo se eliminan en esa descripción, no en los textos del modelo.

Los parámetros son elecciones exploratorias para obtener temas legibles, no valores optimizados con etiquetas humanas.

all-MiniLM-L6-v2/
UMAP (15 vecinos, 5 dims)/
HDBSCAN (min_cluster_size 40)/
c-TF-IDF (1-2 gramas)

Topics en pros

27

Modelo ajustado con los pros de las cinco empresas juntas.

Topics en cons

27

Modelo independiente para los cons.

Sin clasificar · DB

33,3 / 29,6 %

Pros / cons outliers (-1); se mantienen en los denominadores.

Categorías de negocio

Un diccionario explícito de topics a palancas de RRHH

Cada etiqueta se propone tras leer palabras y ejemplos representativos reales, y queda pendiente de validación humana conjunta. Los grupos ambiguos se mantienen como «Otros temas», «Valoración general» o «Sin quejas concretas» y nunca generan una recomendación automáticamente.

  • Compensación: sueldo, beneficios, variable, seguros y permisos.
  • Conciliación: flexibilidad, horarios y carga de trabajo.
  • Cultura: compañeros, ambiente e inclusión.
  • Carrera: aprendizaje, promoción y movilidad.
  • Dirección: gestión, política interna y cambios de estrategia.
  • Procesos y tecnología: herramientas, burocracia y tecnología heredada.
  • Marca y alcance internacional: prestigio y escala global.
  • Estabilidad laboral: seguridad del empleo, despidos y offshoring.
Comparación con peers

Conciliación destaca; compensación y carrera quedan por detrás

Balance neto = % pros − % cons; gap = balance de Deutsche Bank − media simple de los cuatro peers, para que cada competidor pese igual. Son proporciones relativas: un gap negativo no demuestra causalidad ni significación estadística.

Conciliación

+5,62 pp

Gap de balance (pros − cons) frente a la media de peers.

Cultura

+3,90 pp

La categoría más frecuente en pros de DB (20,8 %).

Compensación

−4,15 pp

Mayor desventaja relativa: 8,5 % de cons frente a 6,52 % en peers.

Carrera

−2,25 pp

10,3 % de cons de DB frente a 9,07 % en peers.

Dirección

−0,85 pp

7,0 % de cons, sin topic específico en pros.

Procesos y tecnología

−0,75 pp

La categoría con más cons de DB: 12,0 %.

Gap del balance de Deutsche Bank frente a peers por categoría

Figura original del notebook, muestra NLP.

Sensibilidad

Repetir la comparación en el periodo común

Con las mismas etiquetas, sobre las fechas que comparten las cinco empresas, seis de las ocho categorías mantienen el signo. Conciliación sigue siendo favorable (+4,75 pp) y compensación desfavorable (−2,53 pp); dirección empeora a −3,85 pp. Cultura (+3,90 → −0,53) y marca (−0,25 → +3,03) cambian de signo, por lo que no se presentan como hallazgos estables.

Retención

Quejas frente a valoración y empleados antiguos

Procesos y tecnología acumula 120 cons, pero con rating 4,03: el volumen de quejas no basta para priorizar. Las opiniones de antiguos no son motivos de salida confirmados; se proponen como temas para entrevistas de permanencia y salida.

Recomiendan · cons de cultura

26,9 %

−46,95 pp frente al resto de cons de DB; rating 2,97.

Recomiendan · cons de dirección

45,1 %

−29,21 pp frente al resto; rating 3,30 frente a 3,81.

Dirección · antiguos

9,6 %

De los cons de antiguos, frente a 5,4 % en actuales y 8,4 % en antiguos de peers.

Resultados

Qué investigar primero

La matriz cruza el peso en cons de Deutsche Bank con su desventaja frente a peers. Es una ordenación heurística, sin interpretación económica ni estadística, contrastada después con rating, recomendación, antiguos y periodo común.

Compensación

35,28

Puntuación heurística: peso en cons × máximo(0, desventaja).

Carrera

23,17

Segunda prioridad; contraste de rating de solo −0,10/5.

Procesos y tecnología

9,00

Mucho volumen, pero desventaja pequeña y rating alto.

Matriz de prioridad: peso en cons de Deutsche Bank frente a desventaja respecto a peers

Figura original del notebook. Los puntos vacíos tienen menos de 30 cons.

Recomendaciones

Tres propuestas para RRHH, como hipótesis a validar

Conclusión del notebook: la conciliación es la fortaleza comparativa más consistente. Compensación y carrera merecen investigación, pero las quejas salariales por sí solas no justifican ajustes generales; las de dirección sí acompañan valoraciones más bajas.

  • 1. Diagnosticar la compensación: revisar en 60 días bandas y progresión por puesto y país con datos internos; ajustar solo donde se confirme la desventaja.
  • 2. Pilotar conversaciones de carrera: 90 días en dos equipos con conversaciones mensuales, criterios de promoción escritos y plan de aprendizaje.
  • 3. Comunicar conciliación verificable: confirmar qué flexibilidad sigue vigente por puesto y comunicarla en vacantes y entrevistas.
  • Cada propuesta incluye un indicador interno que todavía no se ha medido; se fija primero la base inicial.
Limitaciones

Lo que este análisis no puede afirmar

  • Glassdoor recoge opiniones autoseleccionadas, no una muestra representativa de la plantilla.
  • Sin país ni puesto no se puede ajustar la mezcla de empleados entre empresas.
  • Datos históricos (2018–2023) y dos peers sin reseñas en 2022–2023.
  • Sentimiento binario de otro dominio, con errores, ambigüedad y recorte de textos.
  • Un topic dominante por texto; las etiquetas requieren validación humana.
  • Asociaciones sin causalidad ni significación estadística; sin métricas supervisadas porque no hay etiquetas de referencia.
Recursos

Archivos del proyecto

Documentación, notebooks, entregables y archivos organizados como dossier consultable.

Jupyter Notebook

Notebook

Análisis completo con salidas guardadas: EDA, control de sentimiento, BERTopic, comparación con peers y recomendaciones para RRHH.

Matriz de prioridad

Diagrama

Gráfico final del notebook: peso en cons de Deutsche Bank frente a desventaja respecto a peers.

Nota

Fuente: Glassdoor_proyecto.ipynb con salidas guardadas (revisión del 09/10/2026). Todas las cifras proceden de esas salidas; las figuras conservan sus rótulos originales en español.

Proyecto académico basado en reseñas públicas, sin relación con Deutsche Bank. El dataset Parquet del caso (≈ 290 MB) no se publica en el portfolio.