HR Analytics o analítica de Recursos Humanos, también llamada analítica de capital humano (Human Capital Analytics en inglés) o analítica de talento (talent analytics), es un concepto análogo y en cierta medida precursor del concepto de people analytics o analítica de personas.
Autores como Gene Pease, Jean Paul Isson, Jesse S. Harriott y otros, ya describieron en su día en diferentes obras pioneras este concepto. Todos ellos arguyeron brillantemente sobre la imperiosa necesidad de adoptar un enfoque basado en datos para la gestión del capital humano dentro del entorno empresarial contemporáneo. El objetivo es conseguir con el análisis de datos y la aplicación de técnicas predictivas una ventaja competitiva significativa.
El Contexto Cambiante
Estos autores destacan los rápidos cambios en el mundo empresarial, impulsados por avances tecnológicos, globalización y evolución en las expectativas laborales. En este contexto dinámico, la gestión tradicional del talento, basada en intuiciones y prácticas estáticas, ya no es suficiente. La capacidad de adaptarse y responder con agilidad a estos cambios se convierte en una ventaja competitiva clave para el éxito empresarial.
La Ventaja Competitiva del Análisis Predictivo
Desarrollan el concepto de análisis predictivo como una herramienta poderosa para interpretar grandes volúmenes de datos y prever tendencias futuras en el comportamiento y las necesidades de los empleados. Este enfoque permite a las organizaciones anticiparse a los desafíos del capital humano, desde la contratación y la retención hasta el desarrollo y la gestión del rendimiento, con una precisión sin precedentes.
Barreras para la Adopción
A pesar de sus ventajas evidentes, estos pioneros también reconocen las barreras significativas para la adopción de la analítica de datos en la gestión del capital humano. Estas incluyen la falta de profesionales formados en esta disciplina, la resistencia cultural al cambio, la falta de habilidades analíticas dentro de los equipos de RRHH, y la percepción de que el análisis de datos es demasiado complejo o técnico para ser implementado de manera efectiva.
Casos de éxito y aplicaciones prácticas en las estrategias de gestión del talento
Para ilustrar cómo las organizaciones pueden superar estas barreras y aprovechar el análisis de datos, estos autores proporcionan ejemplos concretos y estudios de caso de empresas que han integrado con éxito el análisis predictivo en sus estrategias de gestión del talento. Estos ejemplos muestran cómo la implementación práctica de estos enfoques puede ser llevada a cabo con impacto positivo en los resultados empresariales.
Johnson & Johnson
Por ejemplo, en la multinacional Johnson & Johnson el uso de la analítica de datos permitió mejorar tanto la fidelización como el rendimiento de los empleados. La analítica de datos reveló que los empleados contratados directamente de la universidad permanecían más tiempo en la empresa y no había diferencia significativa en sus contribuciones en comparación con candidatos más experimentados. Como resultado, Johnson & Johnson aumentó el reclutamiento de recién graduados en un 20%, reduciendo la rotación mientras subía el rendimiento.
Wells Fargo
Otra organización que se ha liberado del silo de datos de RRHH es Wells Fargo. Brad Pearce, ha liderado la analítica de RRHH en esta empresa con visión de futuro, aprovechando el poder de los datos para impactar en la diversidad e inclusión, así como en el reclutamiento y retención. En estas áreas, su equipo, que es parte de la línea de negocios del banco comunitario, ha analizado datos macroeconómicos para ayudar a entender cómo está el banco y hacer mejoras predictivas.
Retención y Reclutamiento
«La mayoría de las empresas entienden su tasa de rotación», dice Pearce, «y luego muchas empresas hacen comparativas internas y externas.» Un ejemplo de benchmarking interno es comparar las tasas de rotación entre unidades de negocio, mientras que el externo típicamente compara con otras empresas del mismo sector. «Lo que la mayoría de las empresas no toman en cuenta es cómo los datos macroeconómicos impactan en la retención», dice Pearce. «Al monitorear el entorno de empleo en el que operamos, podemos anticipar y prepararnos para cambios que probablemente ocurran, en lugar de simplemente reaccionar a ellos.» Su equipo extrae datos del Buró de Estadísticas Laborales, como el desempleo regional, para ayudar a predecir la disponibilidad futura de talento en varios mercados. Cuando el desempleo es bajo, los empleados existentes pueden ser más propensos a buscar oportunidades externas. Por el contrario, cuando el desempleo es alto y el mercado está inundado de talento, los empleados existentes son más propensos a quedarse. «Usar datos de desempleo nos ayuda a saber cuándo contratar de forma preventiva para mantener ciertos niveles de personal», dice Pearce.
En la misma línea, el equipo de Pearce también usa datos macroeconómicos para entender la disponibilidad de talento a nivel regional, por tipo de trabajo. Al entender dónde y cuándo está disponible el talento, el banco puede construir una estrategia de atracción dirigida para el talento que necesitan. Por ejemplo, tiene una mejor idea de dónde anunciar o visitar campus universitarios para reclutar nuevos empleados.
Diversidad e Inclusión
En la experiencia de Pearce, la mayoría de las organizaciones que miden la diversidad por etnia o sexo están usando comparativas nacionales para rastrear el progreso, ya sea en toda la fuerza laboral o dentro de un cierto grupo de roles clave. Su equipo ha llevado sus mediciones de diversidad al siguiente nivel al aprovechar los datos de la Encuesta de la Comunidad Americana, una encuesta anual realizada por la Oficina del Censo de los Estados Unidos que, entre otras cosas, rastrea la edad, el sexo y la raza de los encuestados a través de comunidades.
Al mirar la composición de la comunidad o región, el banco ha profundizado su comprensión del progreso y las oportunidades de varios mercados en el frente de la diversidad.
Pearce dice: «Queremos establecer metas y objetivos razonables para nuestros líderes en lo que se refiere a diversidad e inclusión. A veces, un enfoque más dirigido funciona mejor que un enfoque único para todos.» Por ejemplo, el banco puede ver que la fuerza laboral en la región de Los Ángeles puede ser más diversa, pero es importante tener en cuenta que hay más talento diverso disponible en ese mercado particular que en, digamos, el Medio Oeste. «Es importante que preparemos a nuestros líderes para el éxito. Al fomentar el movimiento interno a través de diferentes regiones, damos a los líderes más oportunidades y podemos ser conscientes de las diferencias en las comunidades que servimos en nuestra huella nacional», dice Pearce.
Citizens Bank
Por su parte, Melissa Arronte desarrolló en Citizens Bank una nueva función de analítica de RRHH, que terminó germinando en un nuevo departamento que en la actualidad incluye investigación, inteligencia empresarial e informes. Pudieron realizar varios proyectos con éxito, como un proyecto para reducir la rotación.
Por supuesto, a veces son otras partes de la organización las que requieren datos de RRHH para arrojar luz sobre sus problemas empresariales. En Citizens Bank estaban preocupados por la rotación entre los representantes de ventas, y todos tenían teorías sobre cómo combatirla. De hecho, muchos de los gerentes de ventas no se daban cuenta de que había un problema de rotación en absoluto. Como jefa de analítica de RRHH, Melissa Arronte pensó que la organización podría analizar los currículos de los representantes de ventas pasados y actuales con el objetivo de reducir la rotación no deseada mejorando el proceso de selección. Comenzó entrevistando a gerentes de ventas. «Teníamos algunas teorías interesantes», dice Arronte. «Una de sus ideas era que si habías hecho ventas inmobiliarias, era probable que fueras un representante de ventas exitoso [con la organización] porque tendrías muchas conexiones en la comunidad».
El equipo de Arronte extrajo currículos y los codificó basándose en la historia laboral de cada representante, lo cual es un excelente ejemplo de cómo hacer útiles los datos no estructurados en un análisis tradicional. Los datos no estructurados, típicamente se definen como «información que no tiene un modelo de datos predefinido y/o no está organizada de manera predefinida». Una vez que los currículos fueron codificados, los analistas pudieron mapear las historias laborales contra las tasas de rotación de esos representantes. Resultó que los antiguos agentes inmobiliarios tenían una alta rotación. La organización requería un tipo de venta totalmente diferente al que los agentes estaban acostumbrados: muchas llamadas en frío y convencer a los prospectos para cambiar de proveedor de servicios financieros. El equipo de Arronte continuó el análisis y elaboró una lista de ocho indicadores en los currículos que probablemente indicarían que una persona iba a rotar.
Otro factor fue la presencia de errores en el currículo. «La gente a menudo ignora los errores tipográficos debido a la gran experiencia o habilidades deseadas», dice Arronte. «Lo que encontramos para los representantes de ventas y otros trabajos estudiados fue que los errores tipográficos eran predictivos del rendimiento y la rotación. Creo que los errores tipográficos podrían indicar muchas cosas posibles sobre un candidato, pero claramente es una señal de alerta».
Basándose en los factores que probablemente indicaban rotación, crearon un proceso de selección para los futuros representantes de ventas. «En nueve meses, ahorramos más de 4 millones de dólares en gastos de rotación», dice Arronte. Finalmente, crearon una herramienta que daba a los candidatos una serie de preguntas para responder antes de reunirse con un reclutador, y los reclutadores podían usar las respuestas para ayudar a priorizar a quién entrevistarían.
Como es el caso con muchos proyectos de analítica de RRHH, los factores culturales de la organización impactaron finalmente en la iniciativa. Arronte dice que la recepción de la nueva herramienta varió en toda la organización. Recuerda, «En algunos lugares, la gente era realmente receptiva y hablaría sobre los indicadores clave y cómo tenía sentido con lo que estaban haciendo y cómo podrían pensar lógicamente sobre ello. Otras personas decían, ‘Simplemente voy a seguir haciendo lo mío'».
Arronte dice que gran parte del éxito de un proyecto analítico depende de la capacidad para vender la iniciativa dentro de la organización. Incluso consideró agregar un rol laboral en su equipo que sería responsable de mantener su oído en el suelo con respecto a las necesidades de sus clientes, asistiendo a sus reuniones y entendiendo sus problemas empresariales para ayudar al grupo de analítica de RRHH a abordar los problemas clave. Los hallazgos de una iniciativa analítica deben presentarse de manera que las partes involucradas puedan absorber los puntos críticos y tomar medidas basadas en la información.
Hacia una Cultura de Datos en RRHH
Estos autores insisten en la necesidad de que los líderes empresariales y profesionales de recursos humanos adopten una mentalidad orientada a los datos. Pease arguye que el desarrollo de una cultura organizacional que valore y utilice el análisis de datos en la toma de decisiones de capital humano es fundamental para aprovechar el potencial completo de los empleados y asegurar el éxito a largo plazo de las empresas.
Analítica predictiva
Otro concepto desarrollado por estos autores muy vinculado a HR Analytics y a un máster en HR Analytics es la analítica predictiva aplicada a los recursos humanos. Definen la analítica predictiva de manera amplia como el descubrimiento de patrones significativos en datos para comprender los motores del rendimiento (drivers of performance en inglés). Su enfoque es sintetizar datos de dentro y fuera de RRHH para mejorar predictivamente las inversiones en personas. El objetivo último, que es la transformación (u optimización) de inversiones, utiliza el rendimiento pasado para alcanzar los mejores resultados futuros posibles. Esto es lo que los analistas en otras disciplinas quieren decir cuando utilizan el término analítica predictiva y métodos cuantitativos para obtener percepciones que ayudan a tomar decisiones y mejoran el rendimiento empresarial. Otra definición de analítica predictiva proviene de Forrester Research: “Técnicas, herramientas y tecnologías que usan datos para encontrar modelos predictivos que pueden predecir resultados con una probabilidad significativa de precisión.” En todo esto, puede ser difícil saber si un análisis es verdaderamente un estudio en analítica predictiva.
Es importante distinguir entre dos disciplinas clave que frecuentemente se confunden: la planificación de la fuerza laboral y la optimización de la fuerza laboral.
Planificación de la fuerza laboral
La planificación de la fuerza laboral nos asegura que la organización tenga el talento que necesita, dónde y cuándo lo necesita. Esto debe suceder dentro del presupuesto establecido para ejecutar el plan de negocios. Responde a las implicaciones de la estrategia empresarial en la fuerza laboral, buscando comprender las razones detrás de las necesidades de la fuerza laboral para satisfacerlas adecuadamente.»
Al considerar el ciclo de vida del empleado, la planificación de la fuerza laboral generalmente abarca la planificación, reclutamiento y contratación. Existe una amplia variedad de herramientas de software en el mercado para facilitar la planificación de la fuerza laboral, y muchas organizaciones grandes también tienen sus propias soluciones desarrolladas internamente.
Optimización de la fuerza laboral
Continuando a lo largo del ciclo de vida del empleado, la optimización de la fuerza laboral puede beneficiar áreas como la incorporación, capacitación, reconocimiento y recompensas, mentoría, desarrollo de liderazgo y gestión del rendimiento. Lograr la optimización de la fuerza laboral requiere la aplicación de la analítica predictiva.
En términos simples, la analítica predictiva significa utilizar métodos cuantitativos para derivar percepciones de los datos y luego utilizar esas percepciones para dar forma a las decisiones empresariales, pronosticar y, en última instancia, mejorar el rendimiento empresarial. Muchos departamentos de una organización (por ejemplo, marketing, finanzas, prevención de fraudes, comportamiento del consumidor, etc.) emplean la analítica predictiva para obtener una previsión empresarial. Y también se aplica cada vez más en RRHH, donde está emergiendo con fuerza.
El entorno empresarial actual ha creado la tormenta perfecta para que la analítica predictiva finalmente se afiance. Con acceso a datos organizacionales dispares, tecnología avanzada y el poder del software, RRHH ahora está posicionado y se espera que tome decisiones empresariales sofisticadas basadas en datos y demuestre el impacto empresarial de las inversiones. RRHH y L&D están en las etapas iniciales de lo que la analítica predictiva ofrecerá a una organización. El interés y la demanda de la analítica predictiva crecen con fuerza. En última instancia, la optimización de la fuerza laboral mejora el rendimiento. Al igual que con la planificación de la fuerza laboral, hay una serie de soluciones de software para ayudarte a lograr esta optimización.
¿Qué puede hacer la analítica por ti?
Según estos autores, las organizaciones que aplican la toma de decisiones basada en datos superan a sus competidores. Ya en 2013, un estudio de Bain & Company examinó las capacidades analíticas de 400 grandes empresas y encontró que, cuanto más avanzada es la analítica de una organización, mayor es el margen por el cual superaba a sus competidores.
Los principales usuarios de analítica eran:
◾ Dos veces más propensos a estar en el cuartil superior de rendimiento financiero dentro de sus industrias
◾ Cinco veces más propensos a tomar decisiones mucho más rápidas que sus pares en el mercado
◾ Tres veces más propensos a ejecutar decisiones como se pretendía
Aunque estos resultados son un gran argumento a favor de la analítica en general, no son específicos de RRHH.
Sí lo es otro estudio de Deloitte, que concluyó que las empresas que están aumentando sus inversiones en medición y analítica de RRHH están «duplicando sus mejoras en reclutamiento, triplicando sus capacidades de desarrollo de liderazgo y disfrutando de precios de acciones un 30 por ciento más altos.»
Las inversiones en RRHH contribuyen a los resultados empresariales
Las empresas han intentado comprender los datos de la fuerza laboral desde principios de 1900. La disciplina en evolución de la analítica de talento, sin embargo, combina datos de la fuerza laboral con datos empresariales para ayudar a las empresas a tomar mejores decisiones sobre las personas.
Es esa inclusión de datos empresariales lo que tiende a ser una barrera significativa para el éxito con la analítica de RRHH.
Un desafío común que los expertos en HR Analytics mencionan fue el cambio cultural requerido para hacer que la analítica de RRHH tenga éxito. Amit Mohindra, VP de gestión de talento y diversidad en McKesson Corporation, dice: «En algún momento, el consumidor de analítica tiene que digerir todos los hechos y tendencias y convencerse de que la historia que se cuenta… es válida.»
Otros expertos cuentan que habían completado análisis increíbles con hallazgos asombrosos que finalmente fueron archivados porque sus jefes no estaban preparados para lidiar con tales resultados o simplemente no querían escucharlos. Benge dice: «La analítica de RRHH es todo sobre gestión del cambio. Construir modelos, entender métricas y entregar flujos de datos en tiempo real son extremadamente importantes, pero si la gente no está lista para aceptarlos, entonces no entregarán resultados empresariales.»
La búsqueda de una gestión de recursos humanos impulsada por datos es un viaje que nunca termina realmente. Incluso los departamentos de RRHH más sofisticados están constantemente aprendiendo nuevas técnicas, limpiando y manteniendo sus datos, forjando relaciones en toda la organización y realizando estudios como un máster en recursos humanos para estar completamente al día.
Por todo lo anterior, es muy importante contar con un máster oficial en people analytics y gestión de talento digital como el que ofrece ID Digital School en colaboración con la prestigiosa Universidad Camilo José Cela.
