Las técnicas de HR Analytics en Recursos Humanos ayudan a obtener valor de los datos para una mejor gestión de las personas y una mejora en los resultados de la organización en su totalidad. Pero a pesar del notable impacto que Talent Analytics o análisis de los datos en RRHH puede aportar al negocio, estos son aún conceptos muy nuevos, y no siempre accesibles para los profesionales del sector.
Beatriz Lucía, Directora de Talent Analytics en el Instituto de Ingeniería del Conocimiento (IIC), ofrece una entrevista en el programa de podcast de Future for Work Institute, en el que habla sobre sobre HR Analytics, su trayectoria en las empresas españolas y sobre cómo empezar un proyecto HR Analytics y desarrollarlo con éxito.
¿Cómo has acabado dedicándote a Talent Analytics?
Poco a poco me fui especializando en psicometría y en analítica de datos relacionada con conocer mejor a las personas en el trabajo para tomar decisiones en el ámbito organizacional. Desde entonces, es una de nuestras áreas de expertise en el equipo. Nos asegurarnos de que la calidad del dato que se está tomando de las personas en RR.HH. es buena.
En paralelo con eso, antes de que se hablara de Big Data y de HR Analytics, empezamos a abordar proyectos de analítica. En el IIC podíamos medir la capacidad de predicción que tenía un test de selección para, por ejemplo, elegir a los mejores comerciales, predecir la rotación…
Al incorporarse nuevas tecnologías matemáticas y mucha más cantidad de datos hemos ido perfeccionando estos modelos y ampliando el rango de análisis que vamos abordando.
Esencialmente, tiene que ver con los datos que obtenemos de las personas y las organizaciones para tomar mejores decisiones.
Talent Analytics, People Analytics, HR Analytics… ¿Son cosas distintas o sinónimos?
Talent Analytics, People Analytics, HR Analytics son una sola cosa, pero que abarca mucho. Consiste en utilizar los datos que tenemos a nuestra disposición para mejorar la toma de decisiones. Y esto hay que hacerlo con una metodología y un proceso que garantice tanto la calidad en la recogida del dato como en la analítica. Solo de esta manera las conclusiones que se derivan de este análisis pueden tener todas las garantías.
Muchas veces se confunde el Taltent Analytics con una herramienta de visualización, un cuadro de mando, o un software, que es en lo que ahora están poniendo el foco muchas empresas. HR Analytics es mucho más que todo eso, supone la inteligencia de ver cuáles son los problemas que yo puedo tener en mi empresa y qué puedo abordar desde la analítica de los datos que tengo a mi disposición o puedo recoger.
Talent Analytis es una metodología y un proceso de análisis de datos para obtener evidencias a través de los datos que me permitan mejorar mis decisiones organizacionales y, por tanto, mejorar la organización.
Así, el objetivo final es ayudar a las organizaciones a tomar mejores decisiones en base a datos relacionados con las personas y que se ponen en relación con datos de negocio.
¿El Talent Analytics está presente en las empresas españolas?
En el IIC llevamos mucho tiempo hablando de HR Analytics, poco a poco los profesionales de RRHH y las empresas van entendiendo de lo que estás hablando, se percibe el valor que puede aportar al negocio como muy necesario, muy relevante y además está en boga.
Pero empresas que realmente estén empezando a hacer proyectos de Talent Analytics, en España, muy pocas. Fuera de España hay más avances, pero tampoco está avanzando rápido. En muchos informes de tendencias de Recursos Humanos, se refleja que muchas empresas creen que es importante aplicar analítica para mejorar la organización, alrededor de un 80%, sin embargo, cuando les preguntas si son buenas haciendo analítica, el porcentaje baja mucho.
Según algunos informes de IBM en Reino Unido, la cuestión está en que las empresas están más preocupadas ahora mismo por obtener el dato y por asegurarse de que tienen el dato. Por tanto, los recursos se centran en herramientas de software que les permitan guardar el dato. Esta es la parte más costosa, además de la más alejada de su conocimiento de RR.HH.
Otro punto a tener en cuenta es que a los departamentos de RR.HH. les está costando convencer a los profesionales internamente. Desde Recursos Humanos tienen la labor de demostrar que se pueden tomar decisiones basadas en datos y que con ello se va a aportar valor a la empresa.
Por otro lado, hay empresas que directamente no tienen datos. En este caso, lo que deben hacer es empezar a recogerlos. El partir de cero tiene la ventaja de que la empresa estará empezando a explorar este mundo del People Analytics por donde tienen que empezar.
La recopilación de datos es un punto de partida, pero no se debe detener el proyecto en esta fase. En ocasiones, las empresas no tienen que tener todos los datos para empezar a hacer Talent Analytics, a veces es mejor pensar qué datos pueden dar respuesta a un problema concreto.
Por último, hay que tener en cuenta que el HR Analytics se suele implantar poco a poco, no hay que abarcar todo desde un principio. Normalmente se empieza con proyectos pequeños o proyectos piloto: una cantidad pequeña de datos, solo con un área… Lo importante es empezar, introducir la cultura de la analítica en la empresa.
¿Cuál es el primer paso para un proyecto Talent Analytics?
Lo fundamental para iniciar un proyecto Talent Analytics es empezar por una buena pregunta. Esa buena pregunta tiene que estar muy ligada a la estrategia de la empresa. No se trata de demostrar que tardarás mucho menos en cubrir una vacante, o de que todo tu personal está muy satisfecho; lo que tienes que demostrar es que eso tiene un impacto en tu negocio. Y eso se consigue haciéndose las preguntas correctas.
Muchas veces cuando vamos a una empresa a plantear un proyecto HR Analytics, esta tiene muy claro dónde quiere poner el foco y, a partir de ahí, trabajamos. Pero otras veces, la organización no tiene tan claro en qué se quiere centrar. En este caso, solemos hacer un taller con el equipo de RRHH y con las líneas de negocio de la empresa.
Aunque al principio RR.HH. pueda mostrarse reticente, estos workshops son muy útiles y enriquecedores. En ellos se tiene la oportunidad de conocer las necesidades que tiene la línea de negocio, y que pueden ser resueltas a través del área de RR.HH.
Primero, cada parte muestra sus inquietudes, que dan lugar a una pregunta. Después, nuestro trabajo consiste en poner en claro los datos con los que contamos para dar respuesta a esa pregunta, y ver si esa pregunta es estratégica o no, si cubre los objetivos de la organización.
La clave está en empezar: no esperes a tener todos los datos y a resolver todas las preguntas. Elige una y empieza a andar.
Ejemplo de proyecto Talent Analytics
Un buen ejemplo de proyecto Talent Analytics sería el proyecto que elaboramos para una entidad bancaria. Esta entidad necesita incorporar un número de comerciales al año, algo estratégico para la empresa, y tiene un equipo de selección concreto. La entidad bancaria recibe miles de curriculums respondiendo a esta oferta de trabajo, una cantidad abrumadora que es imposible procesar.
El equipo de RRHH está seguro de que están dejando de valorar muy buenos perfiles, ya que cuando se consigue el número de candidatos que la entidad necesita, se para de mirar curriculums. Por lo tanto, hay candidatos con muy buenos perfiles que no han podido ver y candidatos no tan buenos en los que se han invertido recursos.
La pregunta a la que querían responder era muy concreta y estratégica: ¿Cómo puedo tener una clasificación de candidatos que dé preferencia a los que más garantías tienen de parecerse a mi personal de éxito?
Con esta pregunta, la empresa tenía muy claro lo que quería conseguir: no quería aumentar el equipo de selección y, por otro lado, querían aumentar la cantidad de perfiles excelentes que querían incorporar a nivel estratégico de cantera para su organización. En este caso es importante que se identifique muy bien quién es el grupo de éxito, es decir, quiénes son las personas a las que quieres que se parezcan los candidatos.
El proceso de depuración de candidatos fue muy largo: primero pasaban por un periodo de pruebas, después volvían a hacer una evaluación, pasaban una serie de tamices y finalmente quedaba un grupo muy reducido de candidatos excelente. Y con este pequeño grupo final se entrenaba el modelo.
Aunque este grupo tan pequeño nos proporcionó menos datos, lo esencial fue que eran datos de mucha calidad. Así, los resultados del primer algoritmo que desarrollamos fueron muy buenos.
Entrenamos un modelo que tiene en cuenta los datos del curriculum del candidato, además de una serie de pruebas de evaluación que nos parecieron relevantes para los perfiles. Evaluamos personalidad, inteligencia y talento comercial. Con esos datos se dio una puntuación a cada candidato en función de su grado de probabilidades de ser como los del grupo de éxito.
Cuando los técnicos seguían las recomendaciones proporcionadas por el algoritmo, es decir, cuando seleccionaban al candidato que tenía la puntuación más alta, conseguían la misma cantidad de candidatos de éxito que con los sistemas que utilizaban antes en la mitad de tiempo. El modelo está siendo entrenado con nuevos datos, incorporando textos naturales para mejorar todavía más esa predicción. Y está dando muy buenos resultados.
¿Cuál es el segundo paso para un proyecto de Talent Analytics?
Una vez que tenemos una pregunta clave, hacemos un pequeño diseño de investigación, que puede ser muy sencillo o muy complejo, dependiendo de la pregunta y el contexto. Ese diseño de investigación te ayuda a no desviarte del camino y a comprobar que, efectivamente, has conseguido lo que estabas buscando.
En paralelo se van buscando los datos que necesitas para dar respuesta a la pregunta. Esos datos pueden estar en la empresa, y estar disponibles y ser de fácil acceso, pueden no estar en la empresa y tener que recogerlos, o pueden estar en la empresa, pero el dueño no es RRHH.
Es muy habitual que el propietario de los datos es sistemas, negocio, etc. En este caso, el proceso es más laborioso, pues hay que conseguir esos datos, tarea no siempre fácil.
Hay que tener en cuenta que son datos de cierta sensibilidad, como el salario, la evaluación del desempeño, la evaluación del potencial, encuesta de clima… Por esta razón es necesario que el proyecto esté muy bien entendido por toda la organización y que sea estratégico, que esté esponsorizado por los líderes adecuados.
¿En RR. HH. es más importante la cantidad o la calidad de los datos?
No es tanto tener muchos datos como tener datos de calidad, relevantes. Es lo que llamamos Smart Data o datos inteligentes. En RR.HH. trabajamos con una cantidad de datos más pequeña, no es Big Data. Y a veces el dato no tiene la calidad que desearíamos.
Por ejemplo, en las evaluaciones del desempeño, el dato suele ser pobre, o bien porque todos están evaluados entre los mismos valores, o bien porque se instrumentaliza la evaluación de desempeño para, por ejemplo, incrementar un poco el sueldo al empleado que no se lo has podido aumentar por otra razón.
Con las herramientas de evaluación tradicionales hay cierto sesgo que tienes que conocer. Aun así, son los datos con los que hay que trabajar, tampoco puedes no analizarlos porque no tengas datos buenos. Sí es importante que conozcas la calidad que tienen para poder tomar la conclusión adecuada a esa calidad.
Otro factor a tener en cuenta es el formato, no siempre te encuentras los datos en el formato ideal. Cuando pedimos los datos a una empresa para un proyecto, normalmente nos dan multitud de ficheros en multitud de formatos.
En el IIC tenemos equipo para poder trabajar con ello, pero es verdad que este periodo de limpieza de los datos nos ocupa mucho tiempo.
¿Y cuál sería el siguiente paso para un proyecto de Talent Analytics?
El siguiente paso, dependiendo de la pregunta que nos hayamos planteado, utilizamos una tecnología de análisis de datos u otra. Nosotros hacemos dos tipos de proyecto:
- Perfilado. El entregable final es un informe de las variables más relevantes, dependiendo de las preguntas que te hayas hecho: ¿qué características tienen los perfiles con más absentismo laboral? ¿Cuáles son los candidatos idóneos para un puesto?, etc. Es un informe que le permite a RR.HH. saber qué está pasando y tomar acción. En ese tipo de proyectos se suelen utilizar estadísticas inferenciales clásicas: análisis de correlación, diferencias de medias, ecuaciones de regresión, factoriales…
- Modelos de predicción o de clasificación. Además del perfilado, en otros proyectos también se incluye un modelo de predicción o un modelo de clasificación. En estos modelos las técnicas de analítica que se utilizan son mucho más complejas.
En el IIC contamos con un equipo de Ingeniería Algorítmica, compuesto por data scientists. Este grupo está investigando constantemente los mejores modelos matemáticos que permiten dar respuesta a problemas complejos y nos dan soporte a las áreas cuando se plantea un problema de estas características.Este tipo de analítica es muy opaca. Cuando se hace una clasificación o una predicción con modelos de predicción o clasificación, no se sabe por qué un candidato tiene una puntuación muy alta y otro no. Como es una relación muy compleja de los datos, solo se puede entrenar con matemática más compleja.
Por esta razón, es muy complicado de entender para los demás departamentos. Y por eso siempre está presente la analítica más clásica de perfilado, en la que los resultados son mucho más manejables y más entendibles para el cliente.
Conocimientos de análisis de datos para emprender un proyecto de Talent Analytics
Es cierto que hay empresas que están empezando a crear su área específica, o incluso sus laboratorios de datos general para toda la empresa, con el que hacen analítica de RR.HH.
Yo creo que la capacitación del departamento de RR.HH. tiene que ver más con ser capaz de entender la función de HR Analytics, para qué me vale y cómo puedo interpretarlo.
No hace falta saber hacer una red neuronal o una correlación, pero sí entender por qué una correlación te permite obtener una conclusión. Son los matemáticos e informáticos los que implementan la solución informática, están ahí para ayudarnos. Pero la parte de traducción al negocio es labor de RR.HH.
¿Cuáles son los factores clave de éxito de proyectos Talent Analytics?
- Que esté alineado con la estrategia de la organización. Es importante que se sepa qué se está haciendo, que se entienda por qué, y que, por tanto, todo el mundo se sienta implicado en el proyecto.
- Que aporte valor a la empresa, que interese a las líneas de negocio.
- Empezar, aunque sea con un proyecto pequeño. Se puede empezar poco a poco. Lo importante es empezar. Un cliente nuestro nos dijo una vez que es más importante el viaje que el destino. Se aprenden muchas cosas de cómo funciona tu empresa cuando empiezas a analizar los datos.
- Tener un equipo multidisciplinar. Poder contar con informáticos, matemáticos y psicómetras, ya sea dentro o fuera de la empresa.
- No olvidar que los datos hablan de personas. Esto es vital. Las decisiones no las toma nunca el algoritmo, las toma el profesional de RR.HH. En el IIC tenemos esto muy presente. Por ejemplo, factores como el género y la edad no están nunca en el algoritmo. Nunca una persona por tener más o menos edad o ser hombre o mujer va a obtener una puntuación superior o inferior en una clasificación que nosotros hagamos. Son consideraciones éticas en el propio algoritmo. Los datos son muy poderosos y estamos hablando de contratar o no a una persona y tomar acción con personas, la responsabilidad de RR.HH. es muy alta.
¿Cuál es tu visión del futuro del trabajo?
Mi visión tiene que ver con un futuro de trabajos muy especializados y de gente muy capacitada. Creo que el trabajo de manufacturación se va a acabar, va a haber muchas cosas automatizadas y se va a requerir un conocimiento más especializado.
Este programa de podcast está incluido en el espacio «Señales», presentado por Santiago García y Jordi Serrano, donde se publican contenidos sobre la gestión de personas y el futuro del trabajo. Está dirigido por Future for Work Institute, un observatorio independiente que analiza y divulga innovaciones tecnológicas y metodológicas para traducirlo al lenguaje de las empresas.