Potenciar la gestión de Recursos Humanos con Big Data Science

En los últimos años, las nuevas tecnologías y el desarrollo de las telecomunicaciones están impulsando grandes cambios en la sociedad. Las empresas no son ajenas a estos cambios que impactan directamente en la relación con los clientes, que demandan productos y servicios adaptados a sus gustos y preferencias. Esto requiere transformaciones profundas en todos los ámbitos de la compañía, comenzando por los Recursos Humanos.

Para abordar esta situación y adaptarse a las nuevas necesidades del mercado, las empresas están afrontando procesos de Transformación Digital. Para el éxito de estos procesos es clave la participación de los departamentos de Recursos Humanos, responsables de facilitar un profundo cambio cultural que posibilite la tracción de la compañía, introducir nuevas capacidades, mediante una combinación de desarrollo de talento interno y captación de talento externo y por supuesto, retener a los empleados con mayor talento. Para afrontar estos retos, cada vez más compañías utilizan técnicas de Big Data Science que permiten optimizar los recursos disponibles.

Para aquellos departamentos de RRHH que no hayan comenzado a explotar las capacidades del Big Data Science, surgirán dos preguntas:¿Qué es el Big Data Science? y ¿cómo puede ayudar en la optimización de la captación, el desarrollo y la retención de los empleados?

El Big Data Science, o la unión del Big Data y el Data Science, consiste en la extracción de conocimiento de los datos disponibles. Esto se consigue combinando técnicas estadísticas o de machine learning con tecnologías Big Data, es decir, tecnologías de almacenamiento y tratamiento de grandes volúmenes de datos. Esta combinación está siendo una de las principales palancas de transformación en las entidades, permitiendo la evolución hacia una compañía data-driven, que es el nombre que reciben aquellas empresas que sitúan el conocimiento extraído de los datos en el corazón de la toma de decisiones y los procesos operativos.

Tradicionalmente, el Big Data Science se ha focalizado en la mejora de los procesos productivos industriales, en la optimización de la distribución logística, en la gestión de los clientes y en la gestión de riesgos, principalmente de crédito y fraude. Actualmente, otras áreas de las compañías, como por ejemplo, contabilidad, asesoría jurídica, procesos funcionales o compras están introduciendo estas técnicas para optimizar sus procesos. Incluso están proliferando las aplicaciones en el campo que nos atañe, RRHH, donde ya es habitual disponer de modelos analíticos asociados a la evaluación del desempeño entre otros. Pero el uso del Big Data Science es todavía incipiente en la mayoría de las áreas y, en aquellas que lo utilizan no suele aprovecharse todo el potencial del que se dispone.

Uno de las características más importantes del Big Data Science es su transversalidad a todos los sectores, que está facilitando la adaptación a cualquier sector de soluciones utilizadas en otros ámbitos. Por ejemplo, la metodología de medición de la efectividad de las acciones publicitarias en internet se basa en el diseño de experimentos, que ha sido ampliamente desarrollado en las últimas décadas por el sector farmacéutico para evaluar la efectividad de los medicamentos.

En este sentido, hay que preguntarse qué soluciones de otras áreas pueden aplicarse a la mejora de los procesos de captación, desarrollo y retención del talento. En este artículo se muestran ejemplos de soluciones maduras en otras áreas que pueden adaptarse a los tres procesos indicados. Aunque no todas las propuestas serán aplicables a todas las compañías, su lectura mostrará el valor del Big Data Science en la mejora de estos procesos. Es importante concluir que estos modelos ayudan a mejorar los procesos, pero para cada caso particular es conveniente realizar un análisis específico con el fin de determinar el modelo concreto que optimice los procesos de captación, desarrollo y retención del talento en la compañía.

Captación de personal

La captación de personal es cada vez más complicada. Las capacidades y los conocimientos requeridos son más concretos y tras la preselección de los aspirantes que cumplen con los requisitos, la selección final se realiza en base a las entrevistas personales donde se selecciona al mejor candidato. Sobre éste existen dos interrogantes: ¿aportará valor a la compañía?, ¿se adaptará a la cultura de la misma? El Big Data Science nos permite desarrollar modelos que estiman el valor que aportará el candidato o su grado de adaptación como herramientas complementarias al proceso de captación de talento.

Estos modelos pueden compararse con el modelo de concesión de préstamos. La información personal del cliente permite corroborar el cumplimiento de los requisitos, pero ¿cómo podemos cuantificar su intención de pago? Para esto se desarrollan modelos de scoring de impago que realizan estimaciones de la probabilidad de impago, o dicho de otra forma, de la conveniencia del cliente a cumplir con sus obligaciones. Estos modelos se establecen con la información facilitada por el cliente y se pueden mejorar con la información de éste disponible en otras fuentes, como ficheros de morosidad o, si contamos con Big Data Science, con información capturada en redes sociales y explotada mediante técnicas de information retrieval, que pueden llegar a estimar los gustos y preferencias de los clientes (incluso ludopatías). Además, el sentimiento que se extrae de los comentarios que realiza en redes sociales permite averiguar, mediante técnicas de text-mining, factores cualitativos muy ligados con la personalidad. Con todo el conocimiento desprendido de los datos es posible estimar de forma muy precisa la intención de pago del cliente.

Del mismo modo, es posible estimar un modelo de scoring de adecuación del candidato a la compañía y enriquecerlo con información de los aspirantes referente a sus gustos y preferencias mostrados en redes sociales o incluso su personalidad (ira, negatividad, positividad, alegría, tristeza, etc.) mediante análisis de sentimiento de sus publicaciones.

Muchas compañías ya incluyen esta información en sus decisiones de selección pero suelen contar con procesos manuales de extracción para cada postulante. El Big Data Science permite la automatización de estas acciones y modelos, mejorando y normalizando la información del candidato recogida durante todas las fases del proceso de selección. Además de reducir los costes de los procesos de selección, facilita la decisión del profesional de recursos humanos.

Desarrollo personalizado

La sociedad evoluciona, lo estamos viviendo en primera persona como usuarios y clientes, entonces, ¿no deberían hacerlo los empleados al mismo ritmo? En este panorama de cambio continuo es fundamental contar con planes de desarrollo que permitan asimilar esa nueva cultura y desarrollar las capacidades necesarias. El principal problema es que estas capacidades ya no son generales como la ofimática o el inglés. Son capacidades específicas muy especializadas como experiencia de usuario, arquitecturas distribuidas, metodologías ágiles, design thinking, robótica, piloto de drones, etc. El Big Data Science ayuda a planificar las acciones a realizar para el desarrollo de los empleados.

Esto es semejante a las compras que realizan los clientes, cada vez más personalizadas. Desde un punto de vista comercial, las empresas se están focalizando en ofrecerles el producto adecuado en función de sus necesidades, y para conseguirlos e utilizan modelos analíticos de propensión que posibilitan asignar a cada uno el producto adecuado. Pero el producto correcto debe ofrecerse en el momento idóneo y por el canal apropiado, para determinarlo se realizan modelos de atribución de canales complementado con técnicas de diseño de experimentos. En el mundo comercial es clave ofrecer el producto adecuado, en el momento idóneo y por el canal preciso.

Del mismo modo, a cada empleado ¿no sería conveniente ofrecerle una formación adecuada? Para esto primero tendremos que valorar la adecuación de las acciones formativas para cada trabajador, esto es posible mediante modelos analíticos de propensión. Pero el aprovechamiento de la acción formativa depende de otros factores particulares que suelen ser contrarios entre sí como individual vs grupal, in-company vs Escuela de Negocios, presencial vs virtual, píldora formativa vs MOOCs, mañana vs tarde, etc. Cada empleado tendrá una combinación de factores óptima que es conveniente estimar mediante técnicas analíticas para poder ofrecer formación personalizada que maximice su desarrollo. Algunas compañías están creando plataformas abiertas y modulares de formación que incluyen foros, aulas compartidas, recursos visuales, que permiten personalizar las diferentes acciones formativas para adecuarlas a los destinatarios. Incluso alguna está incentivando la formación mediante técnicas de gamificación que incluyen incentivos, que pueden ser monetarios o no. Todo con el objetivo de optimizar el desarrollo de los compañeros para mejorar sus resultados.

Retención del talento

Uno de los mayores retos a los que se enfrentan las organizaciones es retener el talento, un bien escaso en la actualidad y codiciado por muchas empresas que pueden tentar al empleado. Cuando un empleado informa de su decisión de abandonar la compañía suele tener firmado un contrato con otra y es muy difícil evitar su fuga. La gestión de la retención del talento no debe ser  ante el comunicado del empleado, debe ser proactiva, pero ¿cómo podemos identificar los empleados con mayor riesgo de fuga? El Big Data Science ayuda a identificar a los empleados con mayor probabilidad de abandono posibilitando una gestión proactiva personalizada.

Este problema es comparable a la prevención del abandono de clientes, ampliamente desarrollada en los bancos y en las empresas de telecomunicaciones, por lo que sus modelos y técnicas analíticas se pueden aplicar para prevenir la fuga de talento. Para afrontar el abandono de clientes, es habitual realizar una segmentación o clustering que permite agrupar a aquellos con características similares para focalizarse en los que tienen mayor valor. Con el fin de cuantificarlo se utilizan métricas sintéticas como el customer lifetime value o CLV, que agrega varias características de la relación entre la empresa y el cliente como pueden ser los ingresos, el margen, el potencial, la vinculación, etc.  Una vez identificados, se desarrolla un modelo predictivo que estime la probabilidad de abandono del cliente con el objetivo de realizar acciones comerciales sobre aquellos clientes de alto valor con mayor probabilidad de abandono.

Del mismo modo, para abordar la renuncia de los empleados es fundamental contar con una métrica de valoración de talento basada en métricas de rentabilidad, eficiencia, eficacia y productividad de éstos como pueden ser las evaluaciones del desempeño, proyectos realizados, ventas periódicas, salario, empleados gestionados, etc. De esta manera podríamos identificar a los empleados más importantes para la compañía. Una segmentación o clustering que permita agrupar a aquellos con características homogéneas para realizarles una gestión proactiva generalista similar. Si además, se complementa con un modelo de predicción de abandono que determine los empleados de talento elevado que tienen una alta probabilidad de dejar la compañía, se podría establecer una estrategia proactiva personalizada de retención del talento, en contraposición a la actuación, tras el comunicado de baja por parte del empleado.

Por dónde empezar

La mayoría de los departamentos de RRHH trabajan con grandes cantidades de datos de empleados y cuentan con modelos de fidelización, de evaluación del desempeño, etc. Pero, ¿extraen todo el valor y conocimiento de los mismos? Los científicos de datos son los profesionales que permiten aprovechar al máximo el conocimiento que atesoran los datos disponibles, tanto internos como externos, mediante tecnologías Big Data y de Data Science. Pocos departamentos de RRHH disponen de científicos de datos propios, ya que es habitual que existan departamentos centralizados de Data Science que prestan estos servicios a todas las áreas  de la compañía.

Los primeros pasos a realizar para comenzar a aprovechar las ventajas del Big Data Science serían los siguientes:

l   Detectar los retos a los que se enfrenta continuamente el departamento de RRHH. Todos los procesos son mejorables, por lo que no debería ser un problema identificar varias iniciativas y priorizarlas por importancia.

l   Dimensionar las necesidades de científicos de datos para el departamento o para la unidad centralizada de Data Science. Si no es posible contar con un científico de datos, incluso se pueden contratar por internet expertos en esta materia de todo el mundo por proyectos e incluso por horas.

l   Elegir el modelo tecnológico. Si el presupuesto es reducido o no se quieren acometer grandes inversiones, actualmente es posible aprovechar las capacidades de la nube y contratar la arquitectura y las herramientas analíticas como servicio pagando sólo por el tiempo empleado.

l   Comenzar a desarrollar modelos sencillos que permitan su explotación inmediata para mejorar los procesos desde el primer momento.

Si internamente no fuese posible abordar estos proyectos, se puede fijar el presupuesto disponible y ofrecerlo como premio en plataformas de competiciones analíticas, como Kaggle. En estas plataformas, miles de científicos de datos de todo el mundo compiten y colaboran para encontrar el modelo adecuado a los problemas planteados por las compañías.

Es cierto que las ventajas que aporta el Big Data Science no compensan sus costes hasta que se realiza un uso elevado de la tecnología y los modelos desarrollados, por lo que las empresas grandes son las que más valor pueden extraer del Big Data Science. Pero la reducción progresiva de los costes tecnológicos, la proliferación de soluciones de analítica avanzada con costes más ajustados y la posibilidad de contratación de ambas como servicio están propiciando la adopción del Big Data Science por entidades de menor tamaño. Actualmente no hay excusas monetarias ni tecnológicas para no emplear las capacidades del Big Data Science.

Al igual que los departamentos de Marketing han tenido que pasar de la “visión producto” a la “visión cliente”, los departamentos de RRHH tienen que hacerlo de la “visión puesto vacante” a “visión empleado”. Los empleados son los clientes de los departamentos de RRHH y pronto todos comenzaremos a hablar de la visión 360 del trabajador, el employee centric, el employee journey, la experiencia del empleado (UX) e incluso el valor del empleado (ELV).

En definitiva, con el Big Data Science podremos afrontar la transformación digital con mayores garantías de éxito.