Las pérdidas de productividad causadas por el ausentismo en el trabajo cuestan a los empleadores de EE. UU. miles de millones de dólares cada año. Además, los empleadores suelen gastar una cantidad considerable de tiempo gestionando a los empleados que tienen un rendimiento deficiente. Al utilizar análisis predictivos y algoritmos de aprendizaje automático, las organizaciones pueden tomar mejores decisiones, aumentando así la productividad organizacional, reduciendo costos y mejorando la eficiencia. Por lo tanto, en este documento proponemos métodos de optimización híbridos para encontrar el modelo más parsimonioso para la clasificación del ausentismo. Utilizamos datos de una empresa de mensajería brasileña. Para categorizar las clases de ausentismo, preprocesamos los datos, seleccionamos los atributos mediante múltiples métodos, equilibramos el conjunto de datos utilizando el método de sobre-muestreo de minorías sintéticas y luego empleamos cuatro métodos de clasificación de aprendizaje automático: Máquina de Vectores de Soporte (SVM), Regresión Logística Multinomial (MLR), Red Neuronal Artificial (ANN) y Bosque Aleatorio (RF). Seleccionamos el mejor modelo basado en varias puntuaciones de validación y comparamos su rendimiento con el modelo existente. Además, los gerentes de proyectos pueden carecer de experiencia en aprendizaje automático o no tener el tiempo para desarrollar algoritmos de aprendizaje automático. Por lo tanto, proponemos una herramienta interactiva basada en la web respaldada por la teoría de gestión de análisis cognitivo (CAM). La herramienta de decisión basada en la web permite a los gerentes tomar decisiones más informadas y puede ser utilizada sin ningún conocimiento previo de aprendizaje automático. Comprender los patrones de ausentismo puede ayudar a los gerentes a revisar políticas o crear nuevos arreglos para reducir las ausencias en el lugar de trabajo, las pérdidas financieras y la probabilidad de insolvencia económica.