People analytics ayuda a los departamentos de Recursos Humanos o área de Personas, como se han renombrado, a ser data driven y tomar decisiones basadas en datos y no en la intuición. Permite conocer mejor a los empleados, mediante el análisis de datos, con el objetivo de encontrar palancas que los ayuden a convertirse en la mejor versión de sí mismos y aumentar, así, su productividad y los resultados de la organización.
Se trata, en definitiva, de optimizar el activo más valioso y olvidado de las empresas: sus personas. Lo contó Miguel Ángel Díez Rincón, Head of People Analytics de Telefónica, en el evento “Human Tech Day", organizado por IEBS Digital School. Miguel Ángel explicó que había llegado (hace menos de un año) del mundo de los datos a llevar sus posibilidades a esta área. “Optimizamos los activos inmobiliarios, financieros, tratamos de conocer lo mejor posible a los clientes -dijo-, pero nos olvidamos de los empleados, que es lo que permite que una compañía se diferencie de otras”.
Un portero jugando de delantero centro
Con el símil futbolístico que puso se entiende a la perfección: imaginad un equipo de fútbol en el que el que tiene talento para ser portero está jugando de delantero centro o al revés. Estas cosas pasan en las empresas y People analytics ayuda a identificarlo.
En palabras de uno de los mayores expertos de esta disciplina, Josh Bersin, permite entender en profundidad a los empleados: qué les preocupa y qué necesitan. Y, al utilizar ese conocimiento para aplicar medidas de transformación, se incrementa la productividad, se mejora el servicio al cliente y, en definitiva, se consiguen mejores resultados de negocio. Por eso, hablar de People analytics es hacerlo de euros.
¿Por qué ahora People analytics?
Miguel Ángel mostró unos datos del Instituto de ingeniería del conocimiento (enero 2020) según los cuales la mitad de las organizaciones ya relaciona el impacto de las acciones de RR.HH. con el negocio y el 78 por ciento de las grandes empresas considera importante la aplicación de analítica en RR. HH. Es el momento, por tanto, de jugar en esta otra liga -siguiendo con el símil futbolístico- o será tarde para diferenciarse.
Grados de madurez en People analytics
Según Bersin hay distintos niveles de evolución (nivel 1: reactivo, nivel 2: proactivo, nivel 3: analítica estratégica y nivel 4: analítica predictiva).
La mayoría de las organizaciones aún están en un reporting operacional (números de trabajadores, puestos, salarios…), que es útil pero aporta poco valor. El reporting avanzado, que manejan algunas compañías, ya incluye algunos datos dinámicos que ayudan a la toma de decisiones. Pero el planteamiento correcto -como señaló Miguel Ángel, de Telefónica- es evolucionar hacia un rol de consultoría. Las organizaciones tienen que identificar qué quieren que pase y ver cómo activar las palancas para que eso suceda y, así, mejorar sus resultados.
Las preguntas de negocio primero, luego los datos
El head of People analytics de Telefónica recalcó que no se debe comenzar un proyecto de este tipo con los datos, sino con las preguntas de negocio que los datos han de responder.
El error de los silos de datos
El de los silos de datos es otro error frecuente. No se trata de utilizar solo datos de RR.HH. (ERP), sino de enriquecerlos. El valor que aportan los datos viene de combinarlos con otros: encuestas de clima o motivación, benchmarking, datos de negocio…
Big data único para toda la organización
El big data debe ser único para toda la compañía: los datos de negocio, CRM y de RRHH deben estar en el mismo sitio porque de la mezcla sale el valor. Pero, en función de la pregunta de negocio que se plantee, se moverán los datos necesarios a un repositorio en cloud y se crearán modelos tratados y agregados que se subirán a un data warehouse para su consulta, con ese trabajo previo de limpieza aplicado.
Del data lake al “vertedero de datos”
Y es que tampoco se deben echar todos los datos en un data lake. Si no, en vez de un “lago de datos” tendríamos un “vertedero de datos”, dijo Miguel Ángel. Habría un montón de datos, muchos de ellos inútiles, que lo complican todo y además el almacenamiento y el procesamiento tiene un coste.
Por eso, lo primero son las preguntas de negocio (business questions first): hay que ver qué se quiere hacer. Y, a partir de ahí, identificar qué fuentes de datos son necesarias y hacer una valoración en una matriz por valor de impacto en el negocio y facilidad de obtención para descubrir los casos de uso que respondan a esas preguntas de negocio. Luego se trata de seleccionar alguno de ellos en función del valor y la viabilidad y ya buscar los datos precisos.
Casos de uso clásicos
Aunque hay casos de uso clásicos la analítica sirve para descubrir cosas no tan obvias. Por ejemplo, en las encuestas de clima y motivación tradicionalmente se pone el foco en las preguntas que salen peor, pero algunas pueden mejorarse y el impacto global ser nulo. En cambio, tres décimas de mejora en otra cuestión que no estaba tan mal puede impactar en el resultado de forma espectacular.
- Plan de talento. Los mandos intermedios tienen un papel clave, como ya hemos visto en este blog, tanto en la experiencia de empleado como, indirectamente, en la de cliente.
- Planificación de la fuerza de trabajo: diversidad con más talento femenino STEM, diversidad de pensamiento, convivencia intergeneracional… Todo ello aporta mucho valor al equipo, incrementa su rendimiento.
- Identificación y desarrollo de talento femenino.
- Atracción y fidelización de talento joven de alto potencial.
- Plan de reskilling y upskilling, de carácter estratégico para ver gaps y habilidades que es necesario desarrollar.
Calidad y gobierno del dato
Es necesario que los datos tengan calidad (consistencia, formato, contenidos) y un gobierno del dato (permisos de acceso y con las herramientas apropiadas). Es preciso centralizar estos procesos, que no haya chiringuitos, pues entonces se generarán problemas y no resultados.
Es necesario almacenar, procesar y elaborar modelos analíticos que permitan encontrar correlaciones de alto valor e identificar palancas para optimizar las posibilidades de los empleados y que la empresa obtenga su máximo valor.
Integrantes de un equipo de People analytics
Debe ser un equipo diverso, pero el responsable de Telefónica destacó la figura del business translator o el traductor de negocio como la figura más importante a su juicio. Este perfil corresponde a alguien que sabe de RR.HH. pero también de datos. No es necesario que sea científico de datos, pero tiene que saber cómo funcionan los datos para hacer interpretaciones correctas para este área. Si falta, el visualizador, arquitecto o ingeniero de datos se quedan huérfanos.
Visualización clara de resultados y ejecución de las recomendaciones de acción
Es fundamental -recalcó el head of People Analytics de Telefónica- mostrar a los decisores los resultados del análisis de datos de una manera visual muy atractiva y entendible. También que se proporcionen recomendaciones de acción y que se ejecuten porque si se queda solo en grafos bonitos de colores no habrá servido para nada y hay mucho en juego: como decíamos al comienzo, People analytics aporta valor al negocio.
Imagen: home thods
Soluciones y Sectores
Te puede interesar
-
Nodo IoT: el corazón de los edificios inteligentes en una smart city
Una ciudad se compone de edificios de todo tipo (residenciales, comerciales, industriales, públicos…) y para que se considere una ...
-
Una industria conectada es una industria sostenible
La industria manufacturera representa el 11,3% del PIB español pero es responsable del 24% del consumo energético y el ...
-
Radiografía de la experiencia de empleado en España
Las nuevas formas de trabajo suponen un cambio fundamental en la cultura de las organizaciones y una valiosa herramienta ...
