En HR Analytics existe un término llamado el muro de Bourdeau, este representa la dificultad de pasar de un análisis descriptivo de los datos a un análisis predictivo. El análisis descriptivo nos permite responder a preguntas relacionados con la cuantificación:
- ¿Cuántos procesos de selección están abiertos?
- ¿Cuántas personas ofrecen un desempeño elevado?
- ¿Cuál es el grado de satisfacción de los trabajadores con la compañía?
El análisis predictivo permite establecer relaciones entre las variables de correlación o bien de relación causa-efecto. Entender estas relaciones permite responder a preguntas como:
- ¿Cuáles son las variables que debo evaluar en un proceso de selección para elegir a las personas que ofrecerán un alto desempeño tras su incorporación?
- ¿En qué medida está relacionada la retribución con el desempeño y en qué puestos la relación es más fuerte?
- ¿Qué factores influyen de forma más directa en la satisfacción laboral en mi compañía?
Como decía, el muro de Bourdeau representa la dificultad de pasar de un análisis descriptivo a un análisis predictivo, pero también muestra como el valor de la información se incrementa exponencialmente a medida que esta se explota.
De hecho, conocer las relaciones entre variables no sólo es útil para saber enfocar mejor las políticas de gestión de personas, es especialmente relevante para optimizar procesos. Por ejemplo, si los datos nos indicaran que las variables que mejor predicen el desempeño de los comerciales fueran la potencia cognitiva, la orientación al logro y la orientación al cliente, podría centrar el proceso de selección en estas tres variables y hacerlo más rápido, más predictivo y ágil para el participante obteniendo mejores resultados.
Un estudio de Josh Bersin de 2018 reveló que tan solo el 26% de las grandes compañías están utilizando modelos predictivos[i], si son tan pocas las compañías que están utilizando este tipo de técnicas, la conclusión podría ser que es algo muy complicado y al alcance de unos pocos. Espero que nadie se enfade, pero, este artículo está dirigido a desmitificar esa idea.
La matemática y técnicas estadísticas que se utilizan en HR Analytics, son sencillas y están al alcance de casi cualquier titulado en disciplinas científicas. De hecho, algo tan sencillo como un análisis de regresión ya permite conocer si existen relaciones de causa-efecto entre dos variables. Por supuesto, todo se puede sofisticar hasta límites insospechados incorporando IA y redes neuronales, pero la analítica básica y más habitual es sencilla y está al alcance de cualquiera.
Entonces, si es tan útil y fácil, ¿por qué no hay muchas más compañías utilizando las técnicas de HR Analytics para tomar decisiones sobre el talento?
Desde mi punto de vista la respuesta es sencilla, los departamentos de RR.HH. no estamos habituados a trabajar con datos. Y este es el primer paso. Lo realmente difícil no son los análisis, es contar con datos fiables, relevantes y correctamente depurados.
Saltar el muro de la analítica descriptiva a la analítica predictiva no es difícil, depende tan solo de aplicar una matemática diferente. Pero la clave para dar ese salto comienza antes y, cómo mínimo se deben cumplir dos condiciones:
- Impulso desde la dirección de RR.HH.: Como comentaba la mayor parte de los departamentos de RR.HH. no está habituados a tomar decisiones basadas en datos, la fuente de la toma decisiones suele venir directamente desde el negocio o de la experiencia de los gestores de la dirección de RR.HH. Siempre he dicho que tenemos mucho que aprender de los departamentos de Marketing y Finanzas, entre otras cosas, de cómo manejan sus datos y como les empoderan en la toma de decisiones. Es difícil cuestionar a un director de Marketing cuando en el comité de Dirección presenta datos que apoyan la idea de que invirtiendo x miles de euros en una campaña, se va a conseguir un incremento de la imagen de la compañía y de las ventas que supondrán x+y beneficios. De la misma forma es difícil cuestionar a un director de RR.HH. cuando en un comité dice que un programa de formación a los comerciales de x miles de euros va a conseguir un incremento en la satisfacción del cliente y de las ventas que supondrán x+y beneficios. Sin embargo, el primer caso se ve con asiduidad y el segundo no tanto. Y, sin embargo, tenemos los datos y los conocimientos para identificar ese tipo de relaciones.
- Calidad del dato: Termino el punto anterior diciendo que “tenemos los datos”; bueno en realidad esta es la segunda condición. Contar con datos fiables, correctamente tabulados y explotables estadísticamente, sin duda este es uno de los grandes caballos de batalla. Probablemente porque no existe ese hábito en la gestión de la información de RR.HH. contamos con menos fuentes de datos y más dificultades para unificar la información. Obviamente esta información sobre los datos de las personas y su gestión no se puede recoger “manualmente”. La buena noticia es que los Departamentos de RR.HH. contamos con cada vez más plataformas que facilitan una gestión integral del Talento y permiten explotar los datos de forma óptima. Plataformas como Panorama, o cualquier ERP permiten recopilar y estructurar la información para que pueda ser analizada utilizando técnicas de HR Analytics.
En definitiva, contamos con una nueva fuente de información a la hora de tomar decisiones sobre la gestión del Talento, los datos. La analítica que requieren es sencilla, está al alcance de cualquier compañía y las ventajas de su aplicación generar un valor exponencial. Los datos quieren contarnos historias sobre el Talento de nuestra organización, tan solo hay que escucharlos.
[i] https://bersinacademy.com/blog/2020/04/resource-spotlight-a-new-maturity-model-for-analytics