Cuando hablamos de People Analytics, una de las funciones más demandadas por los departamentos de RRHH son los modelos predictivos, para poder anticipar cualquier evento relacionado con la plantilla. Por ejemplo, ya podemos saber el nivel de rotación no deseada en una empresa gracias a la IA e, incluso, predecir qué perfiles concretos se irán de la empresa en los próximos 12 meses. Pero, ¿para qué sirve exactamente esta información? Muy simple: para poder hacer que el algoritmo se equivoque siempre.
Esta es la reflexión de Nicolás Pedrón, Gerente de Planificación y Reporting en Caixabank, durante el tercer desayuno del Ciclo People Analytics, organizado por ORH en colaboración con aggity y celebrado el pasado 20 de enero. Su tesis es tan lógica como irrefutable: «El objetivo ideal del algoritmo predictivo de salidas a 12 meses debería ser que falle siempre. Es decir, que debemos conseguir que todos aquellos que tienen riesgo de fuga se queden en la empresa porque hayamos reaccionado a tiempo”.
En concreto, se refiere a los algoritmos que ya son capaces de cruzar datos tanto personales como de clima laboral o el nivel de skills del empleado para determinar cuánta rotación no deseada hay en una empresa. Y cuánta se producirá en los próximos 12 meses, con nombres y apellidos. Por ejemplo, en los dashboards arquetípicos que genera aggity, se monitorizan datos por el tipo de salida (baja voluntaria o despido), por género, por edad, por antigüedad, por área, por rol, por mes de la salida… Una base de datos cruzada que permite que, con poca información (como una simple nómina) se puedan sacar muchas conclusiones. Y hasta predicciones.
Los algoritmos no toman decisones
Algo en línea con lo que señalaba durante su intervención Javier Campelo, Head Analytics & AI Solutions Leader de aggity, que recordaba que People Analytics puede servir para medir aspectos tan diversos como el bienestar, la motivación o el nivel de engagement del empleado en todo el ciclo laboral del empleado en la empresa: desde el recruiting hasta la fidelización, pasando por la selección, el on-boarding, y el desarrollo de carrera.
Eso sí, en todos estos casos, es la IA la que está al servicio de RRHH, y no al revés. «Los algoritmos no toman decisiones, dan inputs para que las personas las tomen», recordaba Campelo. Por eso, la clave reside en saber dónde poner el foco.
Y, por eso, Carlos Cabañas, Talent & HR Solutions Sales Leader, expuso un ejemplo claro: los dolores en la atracción de talento que suelen sufrir las empresas. En primer lugar, debemos definir un funnel para saber qué objetivo tenemos; después, esto nos permite saber a qué número tenemos que llegar para tener una base óptima de candidatos; más tarde, con esos datos, podremos calcular (y reducir) el tiempo medio para fichar a una persona para una posición determinada; por último, podemos incorporar a la base de datos los apendizajes de los que se van de la compañía.
Y, cuando hablamos de fidelización de talento, Cabañas apuntaba que lo principal es realizar un análisis previo del encaje de una persona en cada puesto. El análisis de datos actual ya permite conocer no solo el nivel de competencia de un empleado en un rol determinado, sino también si cumple con las soft skills que se demandan. En cualquier caso, ya hablemos de atracción, selección, engagement o fidelización, la clave reside en nutrir constantemente a la base de datos con toda la información posible para generar un sistema de retroalimentación. Por ejemplo, con pruebas técnicas, entrevistas estructuradas, test de habilidad cognitiva, test de role-play… Cada uno de ellos, con un peso determinado en la capacidad del algoritmo a la hora de predecir su comportamiento futuro.
Definir el target, identificar variables y elaborar conclusiones
El único requisito es definir el target previamente. En otro ejemplo planteado por Rubén Marín, People Analytics Specialist, si una empresa quiere saber cuánta rotación tiene, lo primero que hace es fijarse en sus datos internos. Así, esta primera aproximación le puede indicar que la tasa de rotación es del 40%. Sin embargo, ¿y si esos datos no son exactos? ¿Y si no están segmentados? Tal vez, ese altísimo nivel de rotación simplemente se deba a un error en la fijación del target: su análisis cuenta tanto las salidas no deseadas como las deseadas (contratos de sustitución, por circunstancias de la producción, etc.). Por eso, hasta que no se eliminen los datos correspondientes a ese tipo de contratación de duración determinada, la empresa no podrá saber exactamente la tasa de rotación no deseada.
El siguiente paso es definir, entre las variables que se identifican en base a los datos, cuáles son relevantes y cuáles son irrelevantes (que no tienen relación con la causa del problema). Por ejemplo, en las salidas no deseadas puede haber variables irrelevantes como la distancia entre el domicilio y el trabajo (fácilmente constatable con una simple nómina y Google Maps) si hablamos de una compañía en la que se permite el teletrabajo a discreción.
Por último, de entre las variables relevantes, se extraen conclusiones analíticas. Por ejemplo, supongamos que en esa hipotética empresa el principal insight sea que se producen el doble de salidas no deseadas en menores de 30 años que en el resto de rangos de edad. Es aquí donde el algortimo puede llegar a predecir fugas futuras de talento, incluso indicándonos en qué mes es más probable estadísticamente que se produzca la salida. Y, por eso mismo, la labor del departamento de RRHH es utilizar toda esa información para contradecir al algoritmo, bien sea mejorando en general la experiencia del empleado en la empresa, o bien implementando medidas concretas en base a la escucha activa al empleado.
En este punto, Xavi Escales, People Analytics Advisor de aggity, era totalmente gráfico durante su intervención: «El bienestar del empleado es una obligación. Y hay que escuchar a los empleados para saber qué bienestar demandan: no intentéis montar un club de running femenino si lo que os demandan es un club de zumba. People Analytics sirve también para escuchar a la plantilla».
Algo especialmente importante por dos motivos: porque, según Escales, el 91% de las compañías van a fichar talento en los próximos 12 meses; y porque en el contexto de la guerra por el talento que vivimos, la fidelización es una de las grandes apuestas de las empresas de cara a 2023. Y herramientas como People Analytics podrían marcar la diferencia. No en vano, de aquí a cinco años el mercado de la tecnología para RRHH podría llegar hasta los 35.600 millones de dólares.