Archivo de la etiqueta: Harrison Ford

People Analytics (I): En busca del algoritmo de la felicidad

Inspirado en la forma y en el fondo por Eduardo Valencia y su más que recomendable libro People Analytics, os presento esta trilogía de posts sobre Big Data y RR.HH utilizando como hilo conductor las tres primeras películas de la saga de Indiana Jones, de la que me declaro fan incondicional. Ya…¿Y por qué Indiana?

Porque como buen arqueólogo, el doctor Jones es, además de un aventurero valiente y un héroe de acción y de principios (dejemos de lado las inclinaciones mercenarias de sus inicios), un científico que no se conforma con lo que cree saber. Él quiere saber. Y los científicos de datos (data scientists) son algo así. Son los “arqueólogos del dato”, investigadores que interpretan el pasado para comprender mejor el presente y así poder anticipar el futuro. Tal vez no vayan con un látigo y sombrero, ni se lleven a la chica, pero no me negarás que así suena un poco más interesante…

En este capítulo indagaremos al más puro estilo “Indy” acerca del significado del Big Data, reflexionaremos sobre sus aplicaciones a los RR.HH y buscaremos “el arca de la alianza” en forma del algoritmo de la felicidad. ¿Me acompañas?

Big Data vs. People Analytics

3- ALGORITMO

Estos términos no son enemigos pero tampoco significan lo mismo. El Big Data es un concepto que tiene mayor receptividad porque se lleva más tiempo hablando sobre él y aparece más en los resultados de búsqueda de Google. ¿Te suena algo eso del SEO o el SEM? Tal vez por eso lo escribo tantas veces…

Google, Google, Google. Siempre estás ahí. El señor Valencia explica en su libro que es precisamente esta compañía la que acuñó el término de People Analytics. Sí, fueron ellos quienes rebautizaron su departamento de RR.HH como “People Operations” y a la actividad analítica centrada en los empleados la llamaron “People Analytics”. Aunque existen otros nombres como HR Analytics, Talent Analytics o Workforce Analytics, el nombre propuesto por la multinacional se ha venido imponiendo.

Entonces, ¿QUÉ es el famoso BIG DATA?

Sin ponernos técnicos, un proyecto de Big Data es aquél que necesita más de una máquina para procesar datos. La tecnología Big Data se hace muy necesaria cuando por el volumen de datos, por la necesidad de velocidad de respuestas y/o por la variedad en los tipos de datos, tenemos que utilizar un grupo de ordenadores para que trabajen como uno solo. En esencia, sigue siendo lo que planteó Doug Laney en 2001 sobre las 3 V: Volumen, velocidad y variedad. 

Sin embargo, no siempre se necesita manejar datos “BIG” para extraer valor de la información disponible y aquí radica la principal diferencia con la analítica de datos. Al igual que en áreas como marketing o finanzas, en RR.HH acumulamos multitud de informaciones sobre los empleados, aunque es importante reseñar que con unos pocos datos podemos construir supuestos sólidos. La ciencia de datos se ocupa de lograr convertir “el vil metal” (la información, los datos) en oro (conocimiento). Por su parte, los analistas de datos, en su papel de alquimistas y arqueólogos aventureros, recopilan datos y evidencias, establecen supuestos y los contrastan con el objetivo de describir situaciones, realizar diagnósticos, aventurar predicciones o prescribir mejoras con altos niveles de confianza estadística. Para ello, se valen de la fiabilidad de las matemáticas. Metódicos, críticos y creativos, desarrollan funciones algorítmicas, inventan indicadores fiables y buscan con incansable obcecación correlaciones entre variables (causa-efecto), hasta quedar satisfechos.

“No siempre se necesita manejar datos “BIG” para extraer valor de la información disponible”

Y el concepto “People Analytics”, como su nombre indica, se relaciona con las prácticas analíticas relacionadas con las personas. Lo podríamos definir como la práctica de aplicar técnicas de la ciencia de datos al área de RR.HH para conocer mejor a los empleados (clientes internos) e incrementar su satisfacción y productividad. Así, People Analytics, recorre el camino que antes iniciaron en las áreas de marketing, ventas o finanzas, que pronto comprendieron las ventajas del uso de esta ciencia. ¿Y cuáles son estas ventajas para el área de RR.HH?

Ventajas y aplicaciones del People Analytics

Las compañías acumulan datos y datos sobre sus empleados, pero a la hora de la verdad, ¿los utilizan? En los mejores casos tomamos la temperatura a las organizaciones con nuestras encuestas de clima, indagamos sobre las motivaciones e intereses de los empleados y evaluamos las competencias y habilidades directivas de los trabajadores, pero, ¿extraemos el máximo potencial de toda esta información?

¿Y si te dijera que una máquina es capaz de averiguar qué empleados están en riesgo de abandonar la organización, cuándo lo harán y por qué? ¿Y si te asegurase con un alto nivel de confianza estadística qué candidatos en un proceso de selección serán empleados de alto rendimiento, comprometidos y alineados a la cultura de tu compañía? ¿Y si pudiera establecer una relación causa-efecto entre el compromiso de los empleados con su rendimiento y a su vez con los resultados económicos de la empresa? Vaya chollo, ¿no? People Analytics permite todo esto y más.

El análisis predictivo aplicado a los RR.HH nos ayudará en nuestros procesos de selección para elegir al candidato idóneo o para definir un proceso eficiente, nos puede servir para medir el impacto económico de una acción formativa o conocer los beneficios que dejará un empleado en su puesto de trabajo en un tiempo determinado. ¡Y todo esto manejando datos a tiempo real!

Aunque con esto de la tecnología en España aún nos pasa como antaño con las películas americanas, que llegaban más tarde, en algunas compañías muy reconocidas como Facebook (ver caso bonus para reducir absentismo) y Google ya se utilizan estas metodologías de manera habitual. Y no son casos aislados. Como nos cuenta David Greene en este artículo, cada vez existen más casos de éxito en la aplicación de esta tecnología aplicada a la gestión del talento en empresas de la talla de Johnson & Johnson, Capegimini, EY… Y cada vez más se suben al carro…

“El 93% de los jefes de personal cree que los datos se utilizarán de forma habitual en RR.HH”.

Estudio Workday («HR Digital Disruption, sobre el valor de la tecnología en la gestión de personas»).

Pero todo esto no quiere decir que lo que se ha hecho hasta ahora no tenga validez. La opinión de los expertos y la definición y puesta en marcha de procesos estructurados sigue obteniendo óptimos resultados y altos niveles de confianza. Sin embargo, se puede hacer mejor. Desde siempre los procesos de RRHH han venido revestidos de cierto aroma a intuición, sesgo, subjetividad…Y ya ha llegado el momento de “mejorar la rueda”. Para reforzar este punto comparto esta interesante entrevista en inglés al Premio Nobel de Economía en 2002, el primer psicólogo en lograrlo, Daniel Kanheman.

Porque esto, señoras y señores, es ciencia. Con  estas herramientas se gana en confianza, fiabilidad, objetividad, agilidad, conocimiento… y se ahorra tiempo, dinero, recursos… Y algo que ya nos hacía falta; nos permite hablar con seguridad otro lenguaje, el lenguaje del negocio. Imaginemos esta argumentación ante un comité de dirección:

 “…Señor Director General, estimado Director Financiero: Les propongo este plan de desarrollo adaptado a este colectivo y les aseguro resultados óptimos con un nivel de confianza del 85% y un riesgo del 15% de que la acción no funcione. En caso de que esta acción tenga éxito, incrementará el rendimiento de dicho colectivo en un 10% en un año y se reducirá la tasa de rotación anual en un 3%, produciéndose un aumento de los beneficios de un 0,25% anual. Además, la recuperación de la inversión (ROI) se producirá a partir del quinto mes según las estimaciones que les muestro en el siguiente gráfico…“

Claro, todo esto está muy bien en la teoría, pero dame algún ejemplo concreto. ¿Cómo se construyen esas relaciones entre el compromiso y los resultados económicos de la empresa, o ¿cómo se establecen esas predicciones futuristas tan de ciencia ficción? ¿Cuáles son esos algoritmos de la felicidad?

Algoritmos de la felicidad

Lo reconozco, este es un título más bien “marketiniano”. La felicidad desde mi punto de vista corresponde a cada uno, pero desde las organizaciones podemos esforzarnos por al menos “acomodarla” o, por si esto no gusta, ¿facilitarla?

Volvamos al marketing. Desde hace años, en esta área se utilizan algunos indicadores que ayudan a medir el nivel de satisfacción de sus clientes. Sin rompernos mucho la cabeza, podemos hacer la traslación cliente-cliente interno-empleado y apropiarnos dichos indicadores para la gestión de personas. La buena noticia es que estos medidores se pueden conectar con esa felicidad que buscan las compañías (ATENCIÓN: ¡la experiencia cliente y la experiencia empleado pueden ser lo mismo!) y ser ligados con parámetros de medición del negocio como pueda ser el ROI o  el coste/beneficio.

“La buena noticia es que podemos conectar indicadores como la experiencia empleado con los indicadores del negocio”

Los indicadores de negocio o de resultado, nos vienen a aportar información sobre la rentabilidad, el riesgo o el crecimiento de una compañía, aspectos que no nos olvidemos, son el efecto que busca toda organización. Suena bien, ¿verdad? Veamos un ejemplo de un algoritmo muy valioso.

Employee Life Time Value

Este algoritmo en el marketing es conocido como c-LTV (customer lifetime value) que significa valor del tiempo de vida del cliente. En nuestro caso, no nos cuesta nada trasladar el mismo concepto a los empleados, nuestros clientes internos, y así hablar del Employee Lifetime value (valor de vida del empleado). Al final, esta variable viene a expresar el valor económico que aporta un empleado a una empresa durante el tiempo que permanece en un puesto. ¿Cómo se calcula? No entraré en detalle, pero aquí tendremos que ser creativos (para inventar indicadores fiables), realistas (coherentes con el contexto de la compañía) y críticos (para probar hasta dar con la fórmula más adecuada para nuestra organización). Por ejemplo, se podrían tener en cuenta variables explicativas como los costes de contratación, los gastos de orientación y formación, el sueldo y SS o los costes de un posible abandono, y por supuesto lo que suma, los ingresos que el empleado genere a través de su rendimiento. Lo más positivo es que esta función bien definida podrá aportarnos información clave y respondernos a preguntas como: ¿A partir de qué momento un empleado genera beneficios? ¿Cuánto invertimos para fichar a un potencial empleado? ¿Cuánto gastamos para mantenerlo? ¿qué “variables de felicidad” podría introducir para lograr que los empleados generen beneficios antes y por más tiempo?

Estos algoritmos son construcciones teóricas que se sustentan en variables que las explican y que se miden a través de indicadores. Un ejemplo de indicador que se utiliza mucho es el NPS (Net Promoter Score), muy efectivo por su simplicidad y  que se utiliza normalmente en marketing para explicar el compromiso o la “experiencia cliente”. Aquí se explica mucho mejor de lo que yo lo haría. Al igual que en el caso anterior, este indicador tan sencillo nos puede servir también para medir la fidelidad y el compromiso o, ¿por qué no? La ”felicidad” de nuestros empleados.

“La felicidad es la certeza de no sentirse perdido”. Jorge Bucay.

Quién sabe, tal vez Bucay tenía razón. Puede que lo que necesitemos es huir de la incertidumbre y tal vez el análisis predictivo nos ayude a alcanzar esa felicidad tan ansiada…

Pero como no todo es tan sencillo y nada es “blanco o negro”, esta visión para algunos puede resultar algo utópica y encontrar detractores. ¿Tú cómo lo ves?

En el próximo capítulo de esta trilogía se propone la antítesis de esta formulación para construir desde la crítica, observando las barreras e ideas contrarias al Big Data y la Inteligencia artificial. Ya en los mejores cines, People Analytics (II): El Templo Maldito de los Datos. 

 

 

Anuncios