Tiempos de transición laboral en empresas de outplacement tradicional en Chile


Rodrigo Vera y Rafael Rodríguez [1]
10 de enero de 2020

Resumen Ejecutivo

Ante dudas surgidas de los plazos de transición laboral de ejecutivos en procesos de Outplacement en Chile, de acuerdo con 3 artículos publicados en el diario El Mercurio (ver Apéndice I: El Mercurio del 13 de febrero de 2017, 29 de octubre de 2018 y 2 de diciembre de 2019), la empresa de outplacement LabLab decidió realizar un estudio que permitiera establecer estos plazos con rigor analítico.

Para este propósito, se consideraron los datos de 478 ejecutivos que participaron en programas de outplacement, base de datos levantada a partir de listados difundidos en 2018 por dos empresas tradicionales de la industria (ver Apéndice II: Base de datos). Estos ejecutivos fueron contactados individualmente para verificar sus tiempos de transición laboral, con un período de observación promedio de 19 meses. El tamaño muestral permite hacer un análisis determinístico para el universo de ejecutivos que perdieron su trabajo e iniciaron un proceso de outplacement el año 2018, como también modelar los plazos de desempleo para aquellos anteriores al 2018 (al no contar con los datos de quienes sí encontraron trabajo en periodos previos). La metodología de análisis es el estimador de Kaplan-Meier, el cual corresponde a uno de los métodos no-paramétricos para análisis Time-to-Event.

Los resultados del modelo indican que los plazos efectivos de desempleo para ejecutivos que realizaron programas de recolocación durante el 2018 ascienden a 10 meses. Esto se compone de un 60% de ejecutivos que perdieron su empleo el año 2018 y sí encontraron trabajo (en promedio a los 6,3 meses) y un 40% que aún seguía en búsqueda a los 13 meses promedio de observación desde la fecha de pérdida del empleo.

Las cifras publicadas por las empresas objetos del estudio, y por otras dos empresas tradicionales en el diario El Mercurio en las fechas antes señaladas, afirman que los tiempos de transición ascienden aproximadamente a 4 meses, lo cual difiere de lo observado en el análisis con datos objetivos y con el modelamiento de los datos. Lo anterior nos lleva a realizar una invitación amplia a instituir metodologías que permitan tener una discusión certera sobre los tiempos de desempleo, y a considerar todos los casos, incluyendo los datos de quienes no han encontrado trabajo, pues entregan información necesaria para estimar correctamente los tiempos efectivos de recolocación.

Introducción

En Chile, el mercado de empresas de outplacement es una industria de US$ 10 millones al año (Pleasant Work Chile, 2018), con dos actores importantes que concentran sobre un 50% (People & Partners y Lee Hecht Harrison), más varios otros de menor tamaño. Durante los últimos años y desde el 2015, se ha instalado en la discusión pública el “desempeño” que esta industria tiene en los ejecutivos que buscan empleo. En importante medida, este desempeño está ligado al plazo de reinserción de altos ejecutivos, el que según cifras publicadas en El Mercurio asciende aproximadamente a 4 meses (Sommer Group, 2014; Lee Hetch Harrison, 2017; PwC, 2018; El Mercurio, 2018; Lukkap, 2019). 

LabLab es una empresa de outplacement digital cuya misión es encontrar trabajo a personas que lo necesitan. Al estar ingresando al mercado, LabLab decidió evaluar y medir los tiempos de desempleo y recolocación laboral de los ejecutivos como una práctica de benchmarking. Para esto, en una primera instancia se tomó una muestra pequeña y se calculó los tiempos de recolocación. Se encontró una diferencia importante con la información que está publicada en El Mercurio y que, hoy en día, se considera el estándar de la industria. Esta situación inspiró a analizar los datos en una escala mayor que permitiera generalizar los datos con una metodología robusta, entendiendo las complejidades y particularidades de los datos que entrega cada ejecutivo que participa en un proceso de outplacement. 

Se entiende, con este ejercicio, que es fundamental exponer con exactitud los tiempos reales de recolocación en programas de outplacement, ya que esto impacta en las expectativas de las personas que participan en estos programas de recolocación laboral. Además, puede tener efectos no deseados en aquellos ejecutivos que superan en tiempo lo que se ha dicho hasta ahora.

En este estudio se trabajó con dos preguntas de investigación, teniendo dos focos principales: la rigurosidad metodológica y la transparencia de las etapas. Las preguntas de investigación son las siguientes:

[RQ1] ¿Qué modelo permite describir y predecir, de mejor manera, el tiempo de desempleo de los ejecutivos que buscan empleo?

[RQ2] Según la pregunta de investigación RQ1, ¿cuáles son los tiempos de desempleo para los ejecutivos que participan de programas de outplacement en empresas tradicionales en Chile? 

Metodología

Esta sección se organiza de la siguiente manera: (1) selección del modelo que mejor predice los tiempos de recolocación a partir de los datos disponibles, sin simplificar la complejidad del problema que está siendo observado; (2) se describen los participantes, el procedimiento y las variables a ser analizadas y cuyo resultado se mostrará en la siguiente sección.

1. Modelo de predicción 

Un aspecto importante por considerar en el análisis de datos es qué hacer con los ejecutivos que, al momento de realizar una observación, aún no han encontrado trabajo. La investigación que hace el área de la salud se considera a la vanguardia en términos de metodología, principalmente por la relevancia que tienen las conclusiones que los investigadores realizan. En esta línea, se tomó como análisis una metodología que está desarrollada en el área de epidemiología. Pero también se pueden encontrar aplicaciones en áreas de la sociología (tiempo de reincidencia de presos), económicas y en análisis de falla de sistemas o productos (product reliability) (Kalbfleisch, & Prentice, 2011).

Este análisis es conocido como time-to-event e incluye una serie de métodos que analizan la duración esperada hasta que un evento ocurra. No es solo si el evento (un ejecutivo encuentre trabajo) ocurrió o no, ya que esto último corresponde a un análisis binario. El análisis time-to-event considera el hecho que no todos los sujetos vivencian el evento en cuestión durante el tiempo que estaban siendo observados. Esto hace que el tiempo de desempleo para algunos sujetos sea desconocido o incompleto. Este fenómeno se llama censura de datos y está bien documentado en la literatura médica (Hougaard, 1999; Cornell Statistical Consulting Unit (s.f)).

Las ventajas que tiene usar este tipo de análisis es que se trabaja con datos censurados (Kalbfleisch, & Prentice, 2011). Al tener datos censurados hace imposible utilizar simples métodos de regresión lineal o logística o incluso asumir distribución normal en los datos, lo cual significa agregar un gran sesgo en el análisis (Clark, Bradburn, Love, & Altman, 2003). Se considera como particularidad de time-to-event tener una pregunta de investigación de “outcome” binario (si ocurrió o no el evento) y continuo (tiempo que pasa hasta que ocurra el evento). 

De las técnicas más comunes para realizar este tipo de análisis se encuentra el estimador de Kaplan-Meier (Kleinbaum, & Klein, 2012; Rodriguez, 2005), el cual predice la probabilidad de que un evento ocurra en el tiempo, en este caso, encontrar trabajo en el tiempo. Es un método no-paramétrico, lo que implica que no supone una distribución fija de la variable dependiente (outcome). A diferencia de un método paramétrico, que permitiría ajustar una distribución a la variable dependiente.

2. Análisis de datos 

Procedimiento

Este estudio contó con una base de datos [BD] con información difundida por dos empresas tradicionales de outplacement en Chile a lo largo del año 2018 (ver Apéndice II: Base de datos). La BD contaba con la información de 545 ejecutivos. Entre febrero y agosto del año 2019 se hizo un seguimiento de los ejecutivos, siendo contactados primero por correo electrónico donde se les solicitó el curriculum vitae [CV] actualizado. Luego de esto, se llamó, consultando si estaban todavía desempleados o no. Finalmente, se verificó la información disponible en LinkedIn para todos ellos. Con esto, se pudo obtener la siguiente información: fecha de despido y fecha de recolocación en caso de haber encontrado trabajo. Para estos efectos se privilegió la información proporcionada directamente por el ejecutivo contactado, lo cual ocurrió en el 80,00% de los casos. En ausencia de confirmación directa, se consideró la información disponible en LinkedIn, lo cual ocurrió para el 7,71% de los casos. No se logró verificar información para el 12,29% de los casos.

Con lo anterior, en 478 de 545 ejecutivos (87.71%) se pudo establecer el tiempo en que cada ejecutivo demoró en encontrar trabajo (en caso de haber encontrado) o si sigue cesante. Esto es independiente si al momento del levantamiento de información la persona estaba o no cesante nuevamente.

Variables

Tiempo de observación: tiempo que pasa desde que el ejecutivo pierde el empleo y fue contactado para el estudio. En caso de tener una respuesta afirmativa cuando se preguntaba si se habían reintegrado, se cerraba el seguimiento. Para el resto de los ejecutivos, el tiempo de observación corresponde al tiempo que pasa desde que el ejecutivo pierde el empleo hasta agosto del 2019.

Tiempo de desempleo: tiempo que pasa entre que un ejecutivo pierde el empleo hasta que logra recolocarse en un nuevo trabajo.

Tiempo de recolocación: tiempo que pasa desde que un ejecutivo ingresa al programa de outplacement hasta que encuentra un nuevo trabajo.

A partir de la descripción de las variables anteriores, es evidente que tiempo de recolocación y tiempo de desempleo no son, necesariamente, equivalentes. Para la sección de resultados se analiza el tiempo de desempleo pues los datos disponibles no permiten para todos los casos establecer la fecha de ingreso al programa de outplacement, no siendo posible calcular el tiempo de recolocación.

Resultados

Análisis descriptivo de los datos

La BD cuenta con 478 ejecutivos validados, según lo que fue descrito en la subsección Procedimiento.  De ellos, los ejecutivos recolocados corresponden a un 72.80% del total (N = 348). El restante 27.19% (N = 130) aún no encontraba trabajo al término de la observación, en promedio a los 19.26 meses de tiempo de observación. Esto significa que se cuenta con 130 datos incompletos o censurados. 

Por lo tanto, se puede afirmar de los datos observados que aquellos que encontraron trabajo según se muestra en la Figura 1, se distribuyen con una media de 8.67 meses (SD = 6.21), una mediana de 7 meses y una moda de 5.84 meses. Según se puede apreciar, esta distribución no corresponde a una distribución normal.

Figura 1. Distribución de tiempos de desempleo de ejecutivos que sí encuentran trabajo (N=348). Las líneas amarillas,
magenta y roja indican moda, mediana y media respectivamente. La curva azul representa la densidad acumulada o
proporción de personas que encuentra trabajo de la muestra total (N=478).

Al considerar una submuestra con observaciones de quienes quedaron desempleados el año 2018 (N=230), se observa que un 59.56% (N = 137) de ellos encontró trabajo, mientras que un 40.43% (N = 93) aún no lo hacía al término de la observación (con un tiempo de observación promedio de 13.03 meses). Al considerar solo aquellos ejecutivos que encontraron trabajo, el promedio de tiempo de desempleo es 6.38 meses (SD = 3.53) con una mediana de 6 meses y una moda de 5.60 meses. 

Figura 2. Histograma con meses de desempleo para submuestra de personas desempleadas durante el 2018 y que encontraron
empleo (N=137). Las líneas amarilla, magenta y roja indican moda, mediana y media respectivamente. La curva azul
representa la densidad acumulada o proporción de personas que encuentra trabajo de la submuestra total (N=230).

La siguiente tabla resume los resultados del análisis descriptivo de los datos, en la cual se aprecia que el tiempo de desempleo para los ejecutivos que encuentra trabajo, varía en función del tiempo de observación, como también del porcentaje de ejecutivos empleados dentro de dicho periodo.

Descripción
de la muestra
Tamaño muestral (N) Tiempo de observación
(meses)
Ejecutivos empleados al término de la observación (%) Ejecutivos sin trabajo al término de la observación (%) Tiempo promedio de desempleo para quienes se emplean (meses)
BD completa de ejecutivos validados en el estudio 478 19,26 72,80 % 27,19% 8,67
Submuestra de BD con los desempleados durante 2018 230 13,03 59,56 % 40,43% 6,38


Del cuadro anterior se desprende que, concluir cifras de tiempos de recolocación de ejecutivos sin considerar aquellos que al momento de la observación no han encontrado trabajo (y que son significativos), lleva a sacar conclusiones erradas respecto al tiempo promedio de recolocación laboral.

Análisis de Time-To-Event

Los análisis se realizaron con el software R (ver Tableman, & Kim, 2003), con la librería survival. Además, se utilizó el método Kaplan-Meier con tiempos de desempleo mayor a 0 meses, lo que permite realizar análisis no-paramétricos (Kaplan-Meier) y paramétricos (ajuste de distribución a la variable dependiente). Con esto, la muestra queda en 473 ejecutivos (5 menos, cuyo tiempo de desempleo fue 0). De ellos, 343 (72.51%) encontraron trabajo mientras que 130 (27.48%) no lo hicieron. Los 130 ejecutivos que no encontraron trabajo se consideran datos censurados. 

La Figura 3 muestra la curva de Kaplan-Meier (para más detalle ver Apéndice IV: output Kaplan-Meier), la cual corresponde a la representación gráfica de la probabilidad estimada (curva azul continua) por este método con rangos de 95% de confianza (curva azul punteada):

Figura 3. Curva de Kaplan-Meier

Según como se observa, la mediana (es decir, el valor en el eje x que corresponde a la probabilidad de supervivencia de 0.5) corresponde a 10 meses. La probabilidad de supervivencia debe interpretarse como la “probabilidad de que luego de X meses, una persona siga desempleada”

Con respecto a la distribución de la muestra, ésta no corresponde a una distribución normal (ver Apéndice III: curva de Cullen and Frey). Esto quiere decir que no se puede describir la muestra con la media, lo que corresponde a una de las medidas de tendencia central más conocidas (media, mediana y moda). Es por esto que se decidió realizar un análisis paramétrico e intentar ajustar la muestra a una distribución conocida. Según el análisis de Cullen & Frey (ver Apéndice III) las más probables son Lognormal, Gamma y Weibull.

Ajustando a la curva de distribución Weibull y Lognormal descrito en Therneau (2015), la escala es significativa (p < 0.001) en el primer caso. El ajuste se muestra en la Figura 4a y 4b.

Figura 4a. Ajuste de distribución Weibull.   

 Figura 4b. Ajuste de distribución Lognormal

Discusión

Los resultados revelan una gran brecha entre lo que declaran las empresas de outplacement los últimos años (alrededor de 4 meses) y los datos del modelo (10 meses), lo cual nos lleva a plantear la hipótesis de que la industria omite la información de quienes no han encontrado empleo (datos censurados para efectos de este estudio) a la hora de calcular sus tiempos de recolocación. Y, como se demostró, la muestra no distribuye normal como para entregar la media como medida de tendencia central. Por otro lado, se levanta una segunda hipótesis: la industria entrega como tiempo de desempleo el tiempo de recolocación, lo que genera la percepción de que los tiempos de desempleo son menores, dado que los ejecutivos tienden a entrar a los programas de outplacement con un desfase con respecto al momento de ser despedidos.

Un elemento importante es que, al momento de entregar los resultados, hay que ser claros en referir el tiempo de desempleo a una unidad de tiempo de observación. La ventana de observación de este estudio es de 19.26 meses y al cabo de este tiempo hubo un porcentaje de personas que no había encontrado empleo. Esto es relevante a la hora de exponer de forma precisa la información de la industria de outplacement. Así se podrá sincerar las expectativas de las personas y el mercado. 

Considerando la forma de la curva de una distribución Weibull y Lognormal se observa que existe una asimetría derecha. Esto significa que hay un grupo importante de ejecutivos que encuentran trabajo en un plazo relativamente bajo. Por otro lado, los ejecutivos que no encuentran trabajo, y que se encuentran en la cola de la distribución, lo hacen después del año. Esto muestra la importancia de la ventana de observación: si nos concentramos en la primera porción de meses podemos subestimar, de manera muy equivocada, el tiempo de desempleo.

Conclusiones

Para responder la primera pregunta de investigación ¿Qué modelo permite describir y predecir, de mejor manera, el tiempo de desempleo de los ejecutivos que buscan empleo? este trabajo propone utilizar los métodos que provee el análisis de supervivencia, o time-to-event analysis. Estos análisis permiten considerar datos que están censurados o incompletos, lo que ocurre en el caso de los tiempos de desempleo. Para responder la segunda pregunta ¿cuáles son los tiempos de desempleo para los ejecutivos que participan de programas de outplacement en empresas tradicionales en Chile? se utilizó el método Kaplan-Meier, el cual pudo predecir el tiempo de desempleo de estas personas con una mediana de 10 meses (ver Figura 3).

No basta con analizar el mejor escenario, que es el de las personas que sí encuentran empleo. También hay que considerar aquellos que no lo encuentran. Esto nos lleva a realizar una invitación amplia a (i) instaurar metodologías robustas que permitan tener una discusión certera sobre tiempos de desempleo y recolocación, (ii) considerar todos los casos, incluso los datos de quienes no han encontrado trabajo (datos censurados), pues dan una información necesaria para estimar los tiempos efectivos de recolocación.

Dejamos como futuras líneas de investigación utilizar tecnologías de inteligencia artificial como machine learning para poder encontrar los factores que determinan los tiempos de desempleo y recolocación de una persona y así poder entregar una información más cercana a las personas, considerando los factores que ayudan y/o perjudican a la hora de encontrar empleo.

Agradecimientos

Se agradece a Daniela Caballero, PhD en Ciencias de la Computación PUC, por su revisión y sugerencias en la parte metodológica e identificación del modelo de predicción. Por su colaboración en las distintas etapas del documento, a Tal Rosen, PhD en Ciencias de la Ingeniería PUC, a Magdalena León, Ingeniero Comercial PUC, y a Juan José Andreu, MSc en Ingeniería y Ciencias de la Computación PUC (todos socios de LabLab). También a Gabriel Martínez, María Teresa Ferrada y Evangelina Nawarth por su colaboración en la etapa de levantamiento de información.

Referencias

Clark, T.G., Bradburn, M.J., Love, S.B., Altman, D.G. (2003). Survirval Analysis Part I: Basic concepts and first analyses. British Journal of Cancer, 89, 232-238.

Cornell Statistical Consulting Unit (s.f). Censored Data – Cornell University. http://www.cscu.cornell.edu/news/statnews/stnews67.pdf

El Mercurio (2019). Economía y Negocios: Incertidumbre sobre futuro laboral prevé un alza en los tiempos de recolocación de ejecutivos. Recuperado de: http://www.lukkap.cl/incertidumbre-sobre-futuro-laboral-preve-un-alza-en-los-tiempos-de-recolocacion-de-ejecutivos/

El Mercurio (2018). Economía y Negocios: Mujeres acortan tiempos de recolocación con hombres y ambos promedian 4 meses. Recuperado de: https://www.pwc.com/cl/es/prensa/prensa/2018/Mujeres-acortan-tiempos-de-recolocacion-con-hombres-y-ambos-promedian-4-meses.html

El Mercurio (2018). Economía y Negocios: Tiempo de recolocación de profesionales de más de 50 años disminuye casi 20% desde 2016. Recuperado de: http://www.economiaynegocios.cl/noticias/noticias.asp?id=479364

El Mercurio (2017). Economía y Negocios: Ejecutivos en programas de outplacement demoran 4.7 meses en reubicarse en 2016. Recuperado de: www.lhh.cl/el-mercurio-ejecutivos-en-programas-de-outplacement-demoraron-47-meses-en-reubicarse-en-2016

Pleasant Work Chile (2018). Programas de outplacement aumentan 30% en el último año. Recuperado de: https://www.headhuntersworkplace.cl/sitio/index.php?option=com_content&view=article&id=142:-programas-de-outplacement-aumentan-30-en-el-ultimo-ano&catid=12:Outplacement&Itemid=25

Hougaard, P. (1999), Fundamentals of Survival Data. Biometrics, 55. 13-22. doi:10.1111/j.0006-341X.1999.00013.x

Kalbfleisch, J. D., & Prentice, R. L. (2011). The statistical analysis of failure time data (Vol. 360). John Wiley & Sons.

Kleinbaum D.G., Klein M. (2012) Kaplan-Meier Survival Curves and the Log-Rank Test. In: Survival Analysis. Statistics for Biology and Health. Springer, New York, NY

Rodríguez G (2005). Non-Parametric Estimation in Survival Models. http://data.princeton.edu/pop509/NonParametricSurvival.pdf

Tableman, M., & Kim, J. S. (2003). Survival analysis using S: analysis of time-to-event data. Chapman and Hall/CRC.

Therneau, T. (2015). A Package for Survival Analysis in S. version 2.38, https://CRAN.R-project.org/package=survival.

Apéndice

I. El Mercurio – 2 de diciembre de 2019

I. El Mercurio – 29 de octubre 2018

I. El Mercurio – 13 de febrero de 2017

II. Base de Datos [BD]

La base de datos validada que fue utilizada en el estudio está compuesta de:

  • Un 16.52% de ejecutivos (N = 79) que realizó el proceso de recolocación en Lukkap, y un 83.47% (N = 399) que lo hizo en People & Partners.
  • Un 19.66% de ejecutivos de género femenino (N = 94) y un 80.33% de ejecutivos de género masculino (N = 384).
  • La proporción por tipo de cargo es la siguiente: hay un 4,81% de gerentes generales (N = 23), un 61,30% de gerentes (N = 293), un 26,15% de subgerentes (N = 125) y un 7,74% de jefaturas y otros roles (N = 37).
  • Con respecto a la participación por sector, el sector servicio tiene el 72.38% (N = 346) de los ejecutivos, el de manufactura el 20.50% (N = 98) y el sector extractivo y agrícola el restante 7.11% (N = 34). 
  • Por último, se observa que las industrias más representadas son telecomunicaciones y medios (N = 65), intermediación financiera (N = 64), salud (N = 49), y consumo masivo (N = 47).

III. Gráfico de Cullen and Frey

   descdist(registro_2018$desempleado_meses, discrete = FALSE, boot = 600, method = "sample",
      graph = TRUE, obs.col = "darkblue", obs.pch = 16, boot.col = "orange")   
   summary statistics
   min:  1   max:  42 
   median:  10 
   mean:  11.57082 
   sample sd:  7.94722 
   sample skewness:  1.085166 
   sample kurtosis:  4.098066  

IV. Output Kaplan-Meier

 Call: survfit(formula = surv_registro_2018 ~ 1, data = registro_2018)
  
  time n.risk n.event survival std.err lower 95% CI upper 95% CI
     1    473      21   0.9556 0.00947       0.9372        0.974
     2    452      20   0.9133 0.01294       0.8883        0.939
     3    432      17   0.8774 0.01508       0.8483        0.907
     4    415      34   0.8055 0.01820       0.7706        0.842
     5    381      30   0.7421 0.02012       0.7037        0.783
     6    351      25   0.6892 0.02128       0.6487        0.732
     7    326      25   0.6364 0.02212       0.5945        0.681
     8    301      25   0.5835 0.02267       0.5407        0.630
     9    273      19   0.5429 0.02292       0.4998        0.590
    10    252      20   0.4998 0.02304       0.4566        0.547
    11    228       9   0.4801 0.02305       0.4370        0.527
    12    215      15   0.4466 0.02301       0.4037        0.494
    13    190      23   0.3925 0.02282       0.3503        0.440
    14    157      11   0.3650 0.02268       0.3232        0.412
    15    139       9   0.3414 0.02253       0.3000        0.389
    16    120       5   0.3272 0.02248       0.2860        0.374
    17    103       7   0.3049 0.02246       0.2639        0.352
    18     87       4   0.2909 0.02250       0.2500        0.339
    19     76       4   0.2756 0.02258       0.2347        0.324
    20     60       3   0.2618 0.02281       0.2207        0.311
    22     49       4   0.2404 0.02332       0.1988        0.291
    23     45       2   0.2298 0.02347       0.1881        0.281
    24     42       2   0.2188 0.02360       0.1771        0.270
    25     38       1   0.2131 0.02367       0.1714        0.265
    26     37       2   0.2015 0.02375       0.1600        0.254
    28     31       2   0.1885 0.02393       0.1470        0.242
    30     22       1   0.1800 0.02433       0.1381        0.235
    31     18       1   0.1700 0.02495       0.1275        0.227
    34      7       1   0.1457 0.03103       0.0960        0.221
    38      3       1   0.0971 0.04472       0.0394        0.239 
  > print(km_registro_2018)
Call: survfit(formula = surv_registro_2018 ~ 1, data = registro_2018)
 
      n  events  median 0.95LCL 0.95UCL 
    473     343      10       9      12  

[1] Rodrigo Vera es Ingeniero Civil Industrial de la Pontificia Universidad Católica de Chile (PUC) y MSc in Management de Stanford University.
Rafael Rodríguez es Ingeniero Comercial de la PUC. Ambos son socios de LabLab, empresa de Outplacement digital.

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *