esic_arrow_drop_down_18px

Explora Artículos HR Analytics: mucho más que una moda

Artículos

octubre 17, 2018 9 min

HR Analytics: mucho más que una moda

Para lograr jugar un papel estratégico en las organizaciones hoy en día la función de RRHH necesita entender y aprovechar la fuerza de la analítica de datos.

HR Analytics: mucho más que una moda

Beatriz Lucía

Un contenido de Beatriz Lucía

Compartir

Es indudable que, a través de la analítica de datos, la función de RRHH va asumiendo con mayor naturalidad un papel activo en la aportación de valor al negocio. Sin embargo, no podemos olvidar la potencia que aporta esta analítica para proporcionar valor a nuestros empleados e incluso a las personas que pueden llegar a trabajar en la empresa. El equilibrio y la relación entre ambas: negocio y personas, es la clave para hacer un buen papel desde la estrategia de la gestión de personas.

La fuerza de la analítica se fundamenta en que permite conocer mejor a los empleados y al negocio, así como precisar las relaciones que se observan entre ambos. Esto mejora la toma de decisiones, soportada en datos, y permite comprobar si esas decisiones tienen los efectos deseados o no.

El tratamiento y análisis de los datos se hace imprescindible dada la demanda actual que recibe RRHH desde todos los elementos de la empresa. Por un lado existe lo que se conoce como democratización de los RRHH y se refiere al hecho de que cada vez más managers y directivos requieren información referida a las personas que les permita manejar mejor el negocio, en ocasiones se requiere incluso en tiempo real. Y, por otro lado, los profesionales demandan un servicio más individualizado, más a medida, que mejore su experiencia como empleado.

En este momento ya no se demanda al departamento de RRHH cubrir una vacante, sino que se requiere que la persona encaje bien en el grupo. Ya no se demandan cursos de formación, más bien cada empleado quiere ver su hoja de ruta acorde con sus objetivos, intereses, capacidades y posibilidades. Ya no se demandan subidas salariales cuando un empleado quiere irse, sino que se requiere conocer las condiciones económicas del equipo comparado con el mercado, y recomendaciones para mantenerlos en la compañía. Estos son solo algunos ejemplos del cambio de demanda hacia los RRHH en sus diferentes ámbitos de actuación que, si no están sucediendo ya, sucederán seguro en breve.

Son demandas complejas que pasan por disponer de un conocimiento experto en psicología organizacional y en evaluación de personas, pero también en psicometría y estadística inferencial y, en ocasiones, se hace necesario contar con expertos en Machine Learning, en el Procesamiento del Lenguaje Natural o en el tratamiento de grandes volúmenes de datos.

En paralelo con este cambio en el rol de RRHH, el entorno tecnológico en el que nos movemos proporciona una gran cantidad de datos impensable hace unos años. Añadido a los datos más tradicionales de los empleados, que residen habitualmente en las bases de datos para RRHH (HRIS), contamos con multitud de fuentes de información que nos permiten conocer mejor a las personas. Son muy útiles las pruebas de evaluación psicológica para conocer las capacidades, actitudes, desempeño, satisfacción, motivaciones o valores.

Contamos además con herramientas que permiten evaluar variables propias de los equipos como los flujos de comunicación o el estilo de liderazgo; y también es posible realizar análisis de las redes organizativas que se crean en las empresas (ONA). Contamos con datos activos, proporcionados por la persona, y también con datos pasivos que vamos dejando en nuestro uso de diferentes tecnologías. Es posible, por ejemplo, utilizar los datos de utilización de las salas de reunión y conocer quién se reúne con quién y cuándo, para obtener una estructura de relaciones. O bien podemos analizar la utilización que hace cada empleado en la plataforma colaborativa de la organización.

Y además de todos estos datos estructurados, existe cada vez un mayor volumen de datos sin estructura predefinida, como el texto natural que se expone en comentarios abiertos, mensajes, encuestas de clima, valoraciones, y también fotos, imágenes, vídeos, mensajes de voz, etc. Incluso datos que pueden generarse desde dispositivos móviles o wearables, como la ubicación, los trayectos, o incluso la frecuencia cardíaca. Es abrumador.

Desde el punto de vista del analista, supone un auténtico reto obtener estos datos con calidad, y posteriormente almacenarlos, procesarlos, analizarlos e interpretarlos. Desde el punto de vista del usuario final, de la persona a la que pertenecen esos datos, puede llegar a ser invasivo o incómodo. Por ello, uno de los aspectos que ocupa un lugar central en el debate sobre HR Analytics es la ética en el tratamiento de los datos y la transparencia en el uso de los mismos. Con el nuevo RGPD es obligatorio poner el foco con especial atención en el «para qué». Esta pregunta es la que determinará qué datos es necesario recoger y cómo se van a utilizar, ya que solo esos datos, pertinentes para el objetivo del análisis, serán los permitidos. Es obligado además informar a las personas acerca del motivo por el que estamos recogiendo esos datos, de manera que es mucho más probable que tengan mayor viabilidad aquellos proyectos donde el propio empleado obtenga una mejora o perciba un beneficio común. Este es, sin duda, uno de los mayores desafíos a los que se enfrenta esta disciplina.

La ética tiene que ser el conductor del modo en que utilizamos las técnicas analíticas para entender un determinado fenómeno o entrenar un modelo de datos.

Pero además, la ética tiene que ser también el conductor del modo en que utilizamos las técnicas analíticas para entender un determinado fenómeno o entrenar un modelo de datos. Cuando no se presta atención al “para qué”, cuando no se conoce bien el fenómeno que se esté analizando o cuando la calidad del dato es deficiente, es necesario ser muy cauteloso con las conclusiones que pudieran derivarse del análisis.

Cuando trabajamos con modelos matemáticos basados en la estadística inferencial y en modelos lineales es más fácil conocer cómo está funcionando la analítica y qué sesgos pueden estar interfiriendo. Esto no quiere decir que el problema o el fenómeno estudiado sea sencillo, pero sí el modelo matemático que lo sustenta. Por ejemplo, una prueba de diferencia de medias, una correlación o una ecuación de regresión lineal simple son técnicas sencillas que, aplicadas a datos pertinentes y de calidad, permiten conocer la relación entre dos o más variables interesantes. Estas técnicas nos permiten observar si esa relación es estadísticamente significativa, es decir si es segura (no se debe al azar) y además nos permiten estimar la magnitud de esa relación, lo que se denomina tamaño del efecto. Es imprescindible conocer e interpretar las dos para obtener una conclusión válida. Puede suceder, por ejemplo, que la antigüedad de los empleados muestre una correlación estadísticamente significativa con una medida de satisfacción, pero será necesario analizar el tamaño de esa correlación para determinar la relevancia de la relación entre ambas. De esta forma, este tipo de técnicas permiten conocer el impacto de unas variables en otras.

Sin embargo, cuando trabajamos con modelos no lineales, basados en técnicas de Machine Learning para, por ejemplo, realizar una predicción del riesgo de salida que tiene un empleado, es extremadamente complejo conocer cómo está funcionando ese algoritmo. Si bien mediante técnicas matemáticas podemos conocer muy bien la eficacia de la predicción, es muy complicado conocer en qué está basada esa predicción, conocer cuáles son las variables relevantes. Es necesario, por tanto, conocer qué aporta cada técnica y cuáles son sus ventajas y limitaciones para elegir una u otra dependiendo de cada caso concreto.

Otro aspecto muy relevante, alineado con la ética en la toma de decisiones basada en estos algoritmos, es el propio sesgo presente en los datos de partida. Resulta imprescindible vigilar que los datos con los que estamos obteniendo el modelo estén libres de sesgo, o al menos que este sea conocido y medible. Son sabidos los casos en los que se ha entrenado un algoritmo para identificar los candidatos más válidos y el modelo ha aprendido el propio sesgo que ponen en marcha los seleccionadores.

Es incuestionable en este momento que la función de RRHH puede y debe entender, utilizar y aprovechar la potencia de los datos y su análisis.

En definitiva, es incuestionable en este momento que la función de RRHH puede y debe entender, utilizar y aprovechar la potencia de los datos y su análisis. Prueba de ello son los (cada vez más) numerosos artículos y referencias de nuevos modelos de gestión de personas, de alto valor estratégico en las organizaciones. Así como casos de éxito concretos y numerosos debates acerca del nuevo perfil técnico en el ámbito de los RRHH.

Esta responsabilidad no puede recaer en un área diferente a la de gestión de personas, garantía de que se abordará con la mejor calidad para nuestros empleados, para la organización y para las personas que se relacionan con esta.

******

Beatriz Lucía es directora de innovación en el área Talent Analytics en el Instituto de Ingeniería del Conocimiento

Imagen Dako Huang bajo licencia Creative Commons

__________

Contenido relacionado

¿Te ha gustado?

Future for Work Institute funciona con un modelo de suscripción anual que incluye acceso a las actividades de nuestro calendario y a los recursos de nuestro repositorio de conocimiento, así como servicios in-company.

  • Plan

    Curiosity

    Recomendado para equipos de RRHH de entre 5 y 20 personas.

    Suscríbete

  • Plan

    Pioneer

    Recomendado para equipos de RRHH de entre 15 y 100 personas.

    Suscríbete

  • Plan

    Exploration

    Recomendado para equipos de RRHH de más de 100 personas.

    Suscríbete

  • Plan

    Horizons

    Para las organizaciones de mayor complejidad.

    Suscríbete