Implementación y Modelos Predictivos en People Analytics: Métrica y Estrategia de RR.HH.

Introducción a People Analytics (PA)

People Analytics (PA) se define como el uso de técnicas de medición y modelado para entender y optimizar la parte humana de un negocio.

El Ciclo de People Analytics (PA)

1. Definición de necesidad: Establecer qué se quiere conseguir (la pregunta de negocio).
2. Identificación de datos y métricas: Determinar los datos necesarios para responder a la pregunta.
3. Limpieza de datos: Desarrollar el diseño de investigación.
4. Puesta en marcha: Recolección y modelado de datos.
5. Evaluación: Medir cómo se está impactando el negocio y el retorno de la inversión.

Indicadores Clave de Desempeño (KPIs) en RR.HH.

Los KPIs de desempeño deben ser SMART: Específicos, Medibles, Alcanzables, Relevantes y con Tiempo límite.

Indicadores de Eficiencia

Miden cómo se gestionan los recursos en capacitación y desarrollo:

• Actividad y uso: Hora promedio de capacitación por empleado.
• Costo: Costo promedio por hora de entrenamiento.
• Dotación: Mide lo relativo al número de participantes entrenados.
• Ciclo de tiempo: Tiempo necesario para desarrollar soluciones presenciales.
• Esfuerzo: Esfuerzo requerido para crear nuevos cursos.

Indicadores de Efectividad

Evalúan los resultados de la capacitación, generalmente siguiendo el modelo de Kirkpatrick y el ROI:

• Satisfacción
• Aprendizaje
• Aplicación
• Impacto
• ROI (Retorno de la Inversión)

Tipos de Indicadores según su Función

• Descriptivo: Describen relaciones y patrones de datos actuales e históricos (ejemplos: eficiencia, rotación, costo de reclutamiento).
• Diagnóstico: Explican por qué ocurrieron ciertos resultados.
• Predictivo: Predicen rendimiento o permanencia usando datos actuales e históricos (ejemplo: modelo que aumente la probabilidad de seleccionar correctamente a las personas a contratar).
• Prescriptivo: Analizan escenarios futuros para mejorar la toma de decisiones (ejemplo: selección de la modalidad del programa formativo en razón de tener con mayor probabilidad la tasa de transferencia deseada).

Indicadores por Naturaleza de la Métrica

• Indicador de Actividad: Tasa de rotación, tasa de ausentismo, participación.
• Indicador de Resultados: Satisfacción laboral, retención del talento, ROI.

Fundamentos de Datos y Contexto

Marco PESTEL

Herramienta para el contexto externo:

• Política
• Economía
• Sociedad
• Tecnología
• Ecología
• Leyes

Fuentes y Tipos de Datos

Tipos de fuentes de datos: Interno, Externo.

• Fuente Pasiva: Uso de permisos, correos, ingreso y salida de credenciales.
• Fuente Activa: Encuestas, entrevistas.

Clasificación de Datos

• Datos Duros: Son datos objetivos, no dependientes de percepciones, que en su origen se comportan como números (ejemplo: tasa de rotación).
• Datos Blandos: Son datos extraídos de percepciones, pero que son llevados a escalas numéricas para el posterior modelado (ejemplos: clima laboral, engagement).

Técnicas Estadísticas y Modelado

Análisis Factorial

• Exploratorio: Se realiza sin hipótesis previa, buscando determinar el número de factores que explican mejor las correlaciones entre variables.
• Confirmatorio: Se basa en una hipótesis específica fundamentada en teoría previa, buscando verificar si los datos se ajustan a una estructura factorial predeterminada.

Regresión Lineal Simple

Objetivo: Predecir la variable Y (dependiente) usando la variable X (independiente).

Árboles de Decisión

Gráfico utilizado para la toma de decisiones o para clasificar datos, como predecir si un empleado dejará la empresa según variables como desempeño, salario o satisfacción. Útil para datos complicados.

Visualización de Datos

• Gráficos de barras: Para comparar variables categóricas como edad, género o nivel de educación entre diferentes grupos de empleados.
• Gráficos de dispersión: Para analizar la relación entre variables continuas como salario y desempeño.
• Gráficos de líneas: Para mostrar tendencias en el tiempo, como el crecimiento de la empresa o el cambio en la tasa de rotación de personal.

Significación Estadística y Práctica

• Significancia Estadística: Se logra cuando se obtiene un resultado que es muy poco probable que ocurra por casualidad (generalmente, una probabilidad menor al 5%).
• Significancia Práctica: El beneficio obtenido es superior a los costos de la intervención.

Aplicaciones Específicas y Desafíos

Análisis de Rotación y Retención

Es un proceso difícil de implementar pero valioso. Requiere recopilar datos y realizar un modelado complejo. Sus beneficios incluyen mejorar el clima laboral, optimizar recursos e identificar patrones de fuga.

Consideraciones y Ejemplos Prácticos

Motivos por los que los datos de aplicación de un instrumento de medición no se corresponden con la realidad:

• Diseño del instrumento con agrupación arbitraria de ítems.
• Características de los participantes o diferencias individuales.
• Variables de contexto.

Ejemplos de indicadores de calidad de vida dentro de una organización:

• Satisfacción laboral: Blando, cuantitativo, resultado.
• Ausentismo laboral: Duro, cuantitativo, actividad.
• Percepción de comunicación interna: Blando, cualitativo, resultado.

Framework para diseñar y evaluar intervenciones específicas (Modelo Kirkpatrick): Reacción, Aprendizaje, Aplicación, Impacto, ROI.

Comunicación Efectiva de Resultados

Aspectos importantes al momento de comunicar los hallazgos de People Analytics:

• Ser claro en la pregunta de negocio.
• Entender muy bien los datos utilizados.
• Identificar los mensajes clave.
• Elegir el gráfico adecuado a los datos.
• Usar color y tamaño para atraer la atención sobre los puntos relevantes.