Data Science y Recursos Humanos: implementando el HR Analytics

Por Juan Carlos Gutiérrez Ceballos

Compártelo:

Compañeros de trabajo y pantalla de ordenador con estadísticas

25 de Sep de 2020 · Informática y TICS

Cuando me planteaba la temática sobre la que trabajar mi Proyecto Final de Máster, enseguida llegué a la conclusión de que unir mi experiencia profesional con mi formación actual sería una buena idea para aplicar los nuevos conocimientos a una realidad que ya había visto y sabía cómo funcionaba. El presente trabajo pretende ser una unión de los conceptos de la Ciencia de los Datos y los Recursos Humanos: la Analítica de Recursos Humanos. Veremos cómo sería una primera fase de implantación de un sistema de analítica de este tipo. Para ello se hace uso de una organización ficticia que sirve como ejemplo y, mediante datos de empleados generados aleatoriamente, se aplican diversas técnicas de estadística descriptiva y predictiva, así como otras herramientas que ayudan a poner en marcha el proyecto de implantación del sistema de HR Analytics. El trabajo se estructura en fases que llevan un orden lógico: desde el diagnóstico de la situación, pasando por el diseño de la investigación e implantación, identificación de los recursos humanos y técnicos que serían necesarios, hasta la presentación de las conclusiones, siempre teniendo presente que es un sistema cíclico que se retroalimenta, es flexible y está abierto a mejoras en el futuro.

¿Te resulta interesante?

¡Guarda este contenido completo en PDF!

Descarga gratis este contenido y consúltalo cuando lo necesites

1. Introducción

El departamento de Recursos Humanos empezó a formar parte de la planificación estratégica de las organizaciones en las últimas dos o tres décadas. Anteriormente, solo era tenido en cuenta en cuestiones operativas, pero las personas que formaban parte de las organizaciones y por medio de las cuales se conseguían los objetivos estratégicos, no se consideraban un recurso sobre el que realizar una correcta planificación a medio y largo plazo (Bose y Jose, 2018).

Paradójicamente, el análisis es intrínseco a las tareas de Recursos Humanos. La psicología se apoya en la identificación de rasgos de la personalidad, valores, motivaciones y actitudes para conocer mejor a un sujeto, así como en la evaluación de competencias que sirven como el mejor predictor de un comportamiento futuro. La selección de personal es un claro ejemplo de ello, pero igualmente lo aplicamos al estudio del clima laboral o a la transferencia de los conocimientos adquiridos en una formación a un determinado puesto de trabajo.

Aunque se habían realizado algunos esfuerzos previamente que habían quedado en análisis más o menos básicos, no fue hasta entrado el siglo XXI cuando empezamos a ver algunos ejemplos más avanzados del uso de la estadística para predecir o conocer mejor a los recursos humanos. Hablamos de casos como el de Billy Bean, director del equipo de béisbol Oakland A que, apoyándose en la estadística, contrata a los jugadores que mejor se adaptan a su equipo, a pesar de ser uno de los que menos recursos económicos tenía en comparación con sus rivales. Por otra parte, Google con su proyecto Oxygen quiso saber qué hacía a un “buen directivo”, ser un buen directivo, valga la redundancia. Pudieron saber qué características del liderazgo hacían realmente bueno a un líder (Bose y Jose, 2018).

La situación a día de hoy empieza tímidamente a despertar en relación a los Recursos Humanos, aunque no haya cambiado en demasía. Sin embargo, hay tendencias que indican que se puede romper de una vez ese muro aparentemente infranqueable y poder apoyarnos en técnicas más avanzadas para contar con una estrategia de Recursos Humanos en la que la toma de decisiones se base en aspectos mejor justificados: la reafirmación de los Recursos Humanos como parte de la planificación estratégica de las organizaciones, la digitalización de todos los sectores y la necesidad de una toma de decisiones que se base más en las evidencias y menos en las intuiciones, contando para ello con científicos de datos especializados en psicología organizacional (Bose y Jose, 2018).

Diversos estudios han evidenciado que las compañías que implantan proyectos de Big Data reportan casos de éxito, con mayor rendimiento y consideraban que habían tenido un alto impacto (La Valle et al., 2011). En España podríamos decir que estamos ante un escenario con mucho desarrollo por delante, con una madurez intermedia aún. También es cierto que la mayoría de proyectos van enfocados a mejorar la relación con el cliente y al desarrollo del producto o servicio en cuestión, quedando el área de Recursos Humanos relegada a posiciones menos prioritarias (ESADE, 2018).

Esto nos da un importante margen para ahondar en la materia de la analítica de Recursos Humanos y aportar en el desarrollo de este campo. Otra de las premisas de las que parte esta propuesta de intervención es: si quiero conocer mejor a mis clientes para mejorar mi relación con ellos, ¿por qué no lo hago también con mis clientes internos, mis empleados?

 

2. Propuesta

2.1 Avanzadron y situación actual

El objetivo principal del presente proyecto es diseñar un programa de implementación de HR Analytics en una organización ficticia mediante la detección de necesidades y el planteamiento de las acciones adecuadas para cubrirlas.

Avanzadron es nuestra empresa ficticia que nos sirve de ejemplo para elaborar dicha propuesta. Es una empresa del sector agrotecnológico, fundada en el año 2010 con sedes en Málaga, Sevilla y Almería. Sus líneas de negocio son el desarrollo de drones, robótica, el estudio de la calidad de los cultivos y la investigación de fertilizantes ecológicos. Cuenta con 988 empleados en la actualidad repartidos entre los seis departamentos: RR.HH., Marketing, Finanzas, Administración, I+D y Operaciones.

Nos encontramos ante una compañía con planes de expansión internacional y un rápido crecimiento en los últimos años. Esto ha dificultado que ciertas áreas, como Recursos Humanos, sigan el ritmo y se han quedado en tareas más básicas que no están extrayendo todo el potencial. Por ello se ha decidido apostar por la analítica avanzada, entre otras cosas, para alcanzar una mayor comprensión del funcionamiento interno y externo de la compañía. Se decidió crear un equipo de Analítica, formado actualmente por 136 personas entre las tres sedes.

A principios de año se pusieron sobre la mesa una serie de cuestiones que son el punto de partida al diseño de toda la investigación que se va a realizar a posteriori. Son las siguientes:

  • Conocer la rotación del personal para identificar los motivos de salida y qué patrones de comportamiento se pueden estar dando o cómo predecir la salida de una persona.
  • Evaluar y medir el bienestar de los empleados, identificando los factores que influyen en ello.
  • Saber qué formación se requiere y cuál se está demandando.
  • Conocer cómo se percibe el ambiente laboral.
  • Comparar los valores personales de los empleados con los de la empresa. En el caso de Avanzadron, la organización se identifica con la estimulación, la auto-dirección y el logro según la escala de valores de Schwartz (1992).
  • Realizar un estudio salarial para evaluar la equidad interna y externa.

 

2.2 Diseño de la investigación

Se han desarrollado algunos modelos de HR Analytics, aunque el campo aún esté en una madurez media-baja. Es el caso de los modelos DELTA (Davenport, 2006; Davenport et al., 2010) y LAMP (Cascio y Boudreau, 2010). Siguiendo el trabajo de Aguado García (s.f.), ambos modelos y cualquier ciclo de análisis de datos se pueden resumir en la siguiente estructura:

  1. Formulación de preguntas apropiadas dirigidas a lo que queremos averiguar.
  2. Identificamos los datos y métricas necesarios para afrontar esas preguntas.
  3. Hacemos un diseño de la investigación.
  4. Recolectamos, transformamos y analizamos los datos para llegar a unas conclusiones.
  5. Comunicamos los resultados de forma que otros puedan comprenderlos para ayudar en la toma de decisiones.

En nuestro caso, los datos de los empleados se han generado automáticamente y están guardados en una base de datos MySQL. Consultamos la información mediante el lenguaje SQL y la extraemos en formato .csv para ser analizada en cuadernos Jupyter con el lenguaje de programación Python. Hay una serie de librerías que nos van a ser de utilidad en nuestro trabajo: Numpy y Pandas para el tratamiento de los datos, Matplotlib y Seaborn para visualización gráfica y Scikit-learn para la construcción de modelos de aprendizaje automático.

También es necesario un trabajo codo con codo entre el equipo de Analítica, Recursos Humanos y la Dirección.

Se realiza un primer análisis exploratorio de los datos con los que ya contamos. Aquello que no conozcamos es recogido mediante dos cuestionarios: uno para recoger datos del clima laboral y valores personales; el segundo para recoger datos sobre necesidades formativas y niveles de competencias. Este último es realizado por RR.HH. en entrevista presencial.

Se elabora una tabla con el Plan de Acción, desde mayo de 2020 hasta enero de 2021, cuando acabará previsiblemente esta primera fase. Además, para facilitar su seguimiento, se crea un diagrama de Gantt en Excel. Junto con los análisis exploratorios, se crea un Cuadro de Mando Integral con cuatro KPI: bienestar laboral, rotación, relación con el equipo y conflictos reportados.

 

2.3 Análisis exploratorio

Con estos primeros análisis de todos los datos recogidos, se llega a una serie de conclusiones que quedan resumidas en los siguientes puntos:

  • Somos 988 empleados: 499 hombres y 489 mujeres. Los más jóvenes tienen 19 años y los mayores, 61 años. La media de edad es de casi 42 años, siendo el grupo de 39 a 49 años el más numeroso.
  • Las formaciones técnicas son más numerosas porque son también los departamentos con más empleados. No existen formaciones muy específicas para cada departamento, por lo que sería interesante trabajar en ello para un mejor aprovechamiento.
  • El número de empleados ha crecido constantemente y solo en julio de 2016 tuvimos una rotación negativa.
  • Se identifica una posible falta de desarrollo profesional como motivo de salida en varias ocasiones, seguido de cuestiones salariales. Conviene hacer un estudio salarial externo.
  • Cumplimos con la equidad salarial interna. La mitad de nuestra plantilla está entre los 23.000 y 38.000 euros brutos anuales. Hombres y mujeres tienen un salario promedio de 31.000 euros brutos anuales.
  • Aprobamos en todos los factores de bienestar propuestos, incluida la satisfacción global (más de 3 puntos sobre 5). Existe margen de mejora.
  • Nuestros empleados se identifican principalmente con los valores de auto-dirección, poder, seguridad y tradición. Quizás influya el hecho de que la media de edad está en torno a 42 años y ese grupo de edad pueda priorizar la estabilidad y la seguridad en esa etapa de la vida.
  • La estimulación es el valor menos identificado. Igualmente, quizás pueda relacionarse con los datos demográficos de la plantilla.
  • El ambiente laboral se percibe de una forma bastante equilibrada, entre aquellos que lo ven como estimulante al desarrollo de ideas y el trabajo en equipo y aquellos que lo perciben como más conservador e individualista.
  • Las principales necesidades formativas son el liderazgo,  la  tecnología aplicada al proyecto, la comunicación, materia de contratos, redes sociales e idiomas. Encaja con los planes de internacionalización que se quieren llevar a cabo.
  • Las competencias evaluadas tienen un nivel correcto, pero sin destacar en ninguna, por lo que existe margen de mejora. Reafirmamos la necesidad de potenciar el plan formativo.

 

2.4 Modelos de Machine Learning

Se ha propuesto la creación de dos modelos de aprendizaje automático:

  • Modelo predictivo del salario ofrecido en el mercado para un determinado puesto mediante el estudio de ofertas de trabajo en diversos portales de empleo donde se muestre el salario, con el fin de investigar y mejorar la equidad externa si es necesario. Las variables con las que se trabajarían serían: nombre del puesto, nivel educativo, años de experiencia, competencias exigidas, disponibilidad para viajar, nivel de conocimientos  exigidos, ubicación, sector, tipo de contrato ofrecido e idiomas. El salario ofrecido sería la variable dependiente. Se trabajaría con un modelo de regresión (Regresión Lineal, Árbol de Decisión, Random Forest, y modelos con parámetro de regularización, véase Lasso y Ridge).
  • Modelo predictivo del bienestar laboral basado en los factores propuestos (relación con compañeros, relación con jefe, salario, beneficios sociales, horario, proyecto, desarrollo de carrera profesional, formación recibida, herramientas de trabajo e instalaciones). Tenemos las variables codificadas numéricamente, por lo que trabajaríamos también con un modelo de regresión como en el caso anterior.

 

2.5 El problema de las correlaciones

Es importante destacar que, debido a la generación automática de los datos para poder trabajar a modo de ejemplo, la correlación entre las  variables  creadas es muy débil (coeficiente de correlación rondando el 0). Esto provoca que las conclusiones no sean del todo realistas en determinadas ocasiones y que, por ejemplo, no fuese posible construir modelos de regresión útiles que nos sirvieran para realizar predicciones. El coeficiente de determinación (R2 y R2 ajustado) arrojaba un resultado muy malo. Si visualizábamos el diagrama de dispersión enfrentando targets y predicciones, no había ninguna relación lineal entre ellos.

Hubiera sido igualmente interesante poder ver qué factores del bienestar laboral de los que se propusieron se correlacionaban en mayor medida con la satisfacción global. La matriz de correlación y el mapa de calor mostraban los resultados ya mencionados.

Sin embargo, esto no ha impedido de ninguna forma seguir un procedimiento de análisis, investigación y aplicación de diferentes herramientas tal y como haríamos en un caso real.

Junto con la importancia de asegurarnos una buena calidad de los datos, encontramos otras dificultades que afrontar: la resistencia al cambio, teniendo en cuenta además que los empleados pueden “sentirse analizados” constantemente; realizar un buen seguimiento para asegurarnos una alta tasa de respuesta a los cuestionarios mensuales para recogida de datos; e imprescindible mantener los datos actualizados porque sin ello el análisis no aporta beneficios y los KPI carecen de utilidad.

 

3. Conclusiones

Aquí se ha expuesto una aproximación a la implementación de un sistema de HR Analytics que nos pueda ayudar a optimizar la maquinaria interna de nuestra compañía, reflejándose en un mayor bienestar, rendimiento y mejor servicio de cara a nuestros clientes internos y externos.

Es una propuesta flexible y que se retroalimenta. Una vez comunicados unos resultados, volvemos a formularnos preguntas para guiarnos adonde queramos llegar. Esto también implica que las mejoras son una constante mediante la cual el sistema va evolucionando. Debemos insistir en una buena calidad de los datos, no solo en origen sino una vez transformados; gracias a ello, poder generar nuevos modelos de predicción en los que apoyarnos para la toma de decisiones y así desmarcarnos de las métricas más básicas que, aunque nos aportan información esencial, no supondrían una mejora sustancial de nuestro sistema según lo que ya se venía haciendo; y finalmente se pueden designar a personas dentro de Recursos Humanos encargadas del sistema de HR Analytics, para ser punto de enlace con el equipo de Analítica.

El comportamiento humano suele ser difícil de predecir. Estamos en un entorno muy cambiante que ha vuelto algunas cuestiones muy inestables. La rápida rotación, el crecimiento de nuestros competidores o las condiciones e intereses de nuestros empleados han hecho que la retención del talento sea una temática que preocupa a los departamentos de Recursos Humanos, tanto por contar con las personas adecuadas como por la pérdida que provocan si se produce su salida de la organización. Son problemáticas de peso con las que tratar y en las que la analítica de Recursos Humanos puede aportar bastante.

Es conveniente recordar que lo que ofrecemos y producimos es resultado de las personas que componen nuestra organización y siempre deberían ser una prioridad. El HR Analytics está aquí para apoyarnos en estas tareas.

Referencias

Aguado García, D. (s.f.). HR Analytics: analizando el talento de la organización para obtener    valor.    Instituto    de    Ingeniería    del    Conocimiento. https://www.iic.uam.es/wp-content/uploads/2016/04/Whitepaper- HRAnalytics.pdf

Bose, I., y Jose, D. (2018). Evolution Of Human Resource Analytics: An Exploratory Study. ResearchGate. https://www.researchgate.net/publication/324825157_EVOLUTION_OF_HU MAN_RESOURCE_ANALYTICS_AN_EXPLORATORY_STUDY

Caldentey, D. (12 de marzo de 2018). Del Departamento de RRHH al de Talento Humano:    Los    Cambios    Van    Más    Allá    del    Nombre.    Unir    Revista. https://www.unir.net/empresa/revista/noticias/del-departamento-de-rrhh-al- de-talento-humano-los-cambios-van-mas-alla-del-nombre/549203604057/

Chatterjee, S. (24 de agosto de 2017). Good Data and Machine Learning. Towards Data Science. https://towardsdatascience.com/data-correlation-can-make- or-break-your-machine-learning-project-82ee11039cc9

Chrisos, M. (6 de enero de 2020). 5 Types of HR Analytics Every Manager Should Know. Tech Funnel. https://www.techfunnel.com/hr-tech/5-types-of-hr- analytics-every-manager-should-know/

ESADE. (2018). Adopción e impacto del Big Data y Advanced Analytics en España. http://itemsweb.esade.edu/wi/Prensa/InformeESADE_AdopcionImpactoBig DataAdvancedAnalytics.pdf

Morales Domínguez, J. (18 de octubre de 2019). HR Analytics y la Gestión del Talento Digital. Revista Inesem. https://revistadigital.inesem.es/gestion- empresarial/hr-analytics-y-la-gestion-del-talento-digital/

QuestionPro (s.f.). HR Analytics: Definition, Example, HR Metrics Dashboard And Predictive HR Analytics. https://www.questionpro.com/blog/hr-analytics- and-trends/
 

The OD Consulting Group. (s.f.). Encuesta de Cultura Organizacional Denison. https://www.theodcg.com/evaluacion-de-talento-y-cultura/denison

Tukey, J. W. (1962). The Future of Data Analysis. Project Euclid. https://projecteuclid.org/euclid.aoms/1177704711

Van Vulpen, E. (s.f.). 14 HR Metrics examples. Analytics in HR. https://www.analyticsinhr.com/blog/14-hr-metrics-examples/
 

Compártelo:

Valora este artículo:
Ver todos los artículos del área de Informática y TICS
Universidades colaboradoras
La universidad Antonio de Nebrija es Universidad colaboradora con INESEM Business School La universidad a Distancia de Madrid es Universidad colaboradora con INESEM Business School