People Analytics y Data
Los datos sirven cuando ayudan a decidir mejor
En muchas organizaciones el problema ya no es la falta de información. Ocurre más bien lo contrario: existen datos de plantilla, absentismo, rotación, desempeño, uso de beneficios, productividad o compromiso, pero no siempre está claro qué hacer con ellos.
Ahí empieza, para mí, el verdadero trabajo de People Analytics.
No consiste en acumular indicadores ni en construir cuadros de mando cada vez más completos. Consiste en utilizar los datos para entender mejor una situación concreta y reducir la incertidumbre antes de tomar una decisión.
Eso obliga a empezar por una pregunta, no por una métrica.
Si una empresa quiere entender por qué aumenta la rotación, la tasa global puede ser útil para detectar que algo está cambiando, pero no explica por sí sola qué ocurre. Habrá que saber quién se marcha, desde qué áreas, con qué antigüedad, en qué momentos y bajo qué circunstancias. Con el absentismo sucede algo parecido: conocer el volumen permite dimensionarlo, pero no identificar necesariamente sus causas.
El dato agregado rara vez cuenta toda la historia.
People Analytics no termina en Recursos Humanos
Las decisiones sobre personas están conectadas con el resto de la organización.
La rotación puede estar relacionada con el liderazgo, la compensación, el mercado laboral, el tipo de puesto o las posibilidades de desarrollo. La productividad depende también de procesos, herramientas, experiencia y organización del trabajo. El absentismo puede responder a factores muy distintos y no todos son laborales.
Por eso limitar People Analytics a los datos de RR. HH. suele dejar fuera parte del problema.
En muchos análisis es necesario conectar información de Operaciones, Finanzas, tecnología, prevención o negocio. No porque cuantos más datos tengamos mejor, sino porque algunas preguntas no pueden responderse desde una única fuente.
Lo importante no es medir más, sino medir con sentido
Una organización puede disponer de veinte indicadores y seguir sin saber qué decisión tomar.
Por eso intento trabajar siempre desde una secuencia bastante sencilla: definir qué queremos entender, comprobar qué datos existen, analizar si son comparables y suficientemente fiables, identificar patrones y, solo entonces, valorar qué conclusiones pueden sostenerse.
Ese orden es importante.
Cuando empezamos por el dashboard, existe el riesgo de terminar buscando una historia que encaje con los números. Cuando empezamos por el problema, los datos tienen una función mucho más clara.
Los promedios pueden ocultar lo relevante
Una tasa global de rotación o absentismo puede parecer estable y esconder comportamientos muy diferentes entre áreas, perfiles o momentos.
La segmentación ayuda a ver esas diferencias, pero también tiene límites.
En colectivos pequeños, una variación mínima puede cambiar mucho el resultado. Además, cuanto más detallado es el análisis, mayor atención requieren la privacidad, la confidencialidad y el riesgo de identificar personas concretas
Por eso segmentar no significa dividir una plantilla hasta encontrar una anomalía. Significa comprobar si existen diferencias que ayuden realmente a comprender el fenómeno.
Correlación no significa causa
Este es uno de los puntos en los que más fácil resulta sobreinterpretar los datos.
Supongamos que las personas que utilizan un determinado beneficio presentan menor rotación. Eso puede ser interesante, pero no demuestra que el beneficio haya provocado esa diferencia.
Quizá quienes lo utilizan tienen mayor antigüedad, pertenecen a determinadas áreas o presentan características distintas antes incluso de acceder al servicio.
Por eso, cuando una relación aparece en los datos, conviene distinguir entre tres cosas: que exista una asociación, que haya un mecanismo razonable que pueda explicarla y que dispongamos realmente de evidencia suficiente para hablar de causalidad.
No siempre podremos llegar al tercer nivel. Y no pasa nada.
Un buen análisis también consiste en saber hasta dónde permiten llegar los datos.
Evaluar beneficios e intervenciones
Una parte de mi trabajo se centra en analizar programas, beneficios y servicios dirigidos a empleados.
En este terreno es fácil confundir conceptos.
Que un servicio exista no significa que responda a una necesidad relevante. Que tenga mucha utilización tampoco demuestra que produzca un impacto organizativo.
Para evaluar una intervención conviene observar al menos cuatro cosas: si llega a la población adecuada, si se utiliza, qué resultados produce a corto plazo y si esos resultados pueden relacionarse de forma razonable con variables que importan a la organización.
El salto entre uso e impacto es especialmente importante.
Un programa puede tener mucha actividad y, sin embargo, no modificar ninguno de los indicadores que justificaron su implantación. También puede ocurrir lo contrario: una intervención con poca utilización puede resultar muy relevante para un colectivo concreto.
Por eso el volumen de uso no debería convertirse automáticamente en la medida de éxito.
Absentismo y rotación: dos ejemplos donde el detalle importa
Absentismo y rotación son dos buenos ejemplos de por qué un indicador aislado puede ser insuficiente.
En absentismo conviene observar frecuencia, duración, recurrencia, evolución temporal y, cuando la información lo permite, causas y colectivos afectados. Dos empresas con una tasa similar pueden estar afrontando problemas completamente distintos.
Con la rotación sucede algo parecido. No todas las salidas tienen el mismo significado ni el mismo coste. Importa distinguir entre salidas voluntarias e involuntarias, perfiles críticos y no críticos, movilidad interna y salida real de la organización, así como entre episodios puntuales y tendencias sostenidas.
La tasa sirve para detectar. El análisis sirve para entender.
El tiempo también forma parte del análisis
Muchas variables relacionadas con personas cambian de forma lenta o presentan estacionalidad.
Por eso un trimestre aislado puede inducir a conclusiones equivocadas.
Cuando los datos lo permiten, prefiero trabajar con series temporales, periodos comparables y evolución de colectivos. Esto ayuda a distinguir una tendencia de una variación puntual y permite observar mejor qué ocurre antes y después de una intervención.
La comparación temporal tampoco resuelve por sí sola la causalidad, pero aporta contexto y evita lecturas excesivamente inmediatas.
La calidad del dato condiciona todo lo demás
Antes de analizar hay que asegurarse de que los datos significan lo que creemos que significan.
Diferencias de definición entre sistemas, duplicidades, campos incompletos, cambios de criterio o periodos no comparables pueden alterar por completo una conclusión.
Buena parte del trabajo de Data ocurre precisamente aquí: integrar, documentar, validar y hacer comparables las fuentes.
Es una parte menos visible que el dashboard final, pero muchas veces es la que determina si el análisis será fiable o no.
Privacidad y proporcionalidad
Trabajar con información sobre personas exige límites.
No todo lo que técnicamente puede analizarse debería analizarse.
Una variable puede ser interesante desde el punto de vista estadístico y, al mismo tiempo, aportar muy poco valor real frente al riesgo que introduce. Por eso la privacidad, la minimización de datos, la proporcionalidad y la confidencialidad no deberían aparecer al final del proyecto, sino formar parte de su diseño.
Esto resulta especialmente importante cuando se trabaja con colectivos pequeños o con información sensible.
Cómo entiendo People Analytics
Mi forma de abordar este tipo de análisis parte de una idea sencilla: el objetivo no es producir más información, sino mejorar una decisión.
Eso significa entender primero el problema, saber a qué población afecta, comprobar qué datos existen, estudiar sus limitaciones y analizar después qué explicaciones son compatibles con la evidencia.
En ocasiones el resultado será una recomendación clara. En otras, la conclusión más útil será que todavía falta información para decidir.
Ambas cosas forman parte de un buen análisis.
Ámbitos en los que trabajo
Dentro de People Analytics y Data me interesan especialmente el absentismo, la rotación y retención, la productividad, el bienestar, el compromiso, la evaluación de beneficios e intervenciones, la segmentación de colectivos, la integración de datos y el análisis longitudinal.
También trabajo en modelos de indicadores que permitan pasar de la descripción a la interpretación y, cuando la evidencia lo permite, a la decisión.
Preguntas frecuentes
¿Qué es People Analytics?
Es el uso de datos y análisis para comprender mejor cuestiones relacionadas con personas y organizaciones y tomar decisiones con mayor fundamento.
¿People Analytics es lo mismo que un cuadro de mando de RR. HH.?
No. Un cuadro de mando puede ayudar a detectar cambios o anomalías, pero interpretar un fenómeno exige contexto, comparación y análisis.
¿Puede predecirse quién va a abandonar una empresa?
Pueden construirse modelos que estimen probabilidades, pero eso no convierte la predicción en certeza ni elimina los problemas de calidad del dato, privacidad o interpretación.
¿Cómo sabemos si un beneficio para empleados funciona?
Hay que distinguir entre disponibilidad, utilización, resultado e impacto. Para atribuir un efecto a una intervención hace falta un diseño de evaluación que permita descartar, en la medida de lo posible, explicaciones alternativa.
¿Por qué es importante analizar la evolución temporal?
Porque ayuda a distinguir tendencias sostenidas de variaciones puntuales y ofrece contexto para interpretar mejor los cambios.
Análisis relacionados
Cómo medir la rotación sin quedarse en una tasa
Qué información necesitamos para entender el absentismo
Utilización no es impacto: cómo evaluar un beneficio para empleados
Qué puede decirnos People Analytics y qué no
Por qué comparar un trimestre con el anterior puede inducir a error
Eduardo Gómez Rodríguez
Director de Transformación Digital e investigador en inteligencia artificial y organización del trabajo.
Trabajo en transformación tecnológica, Data y People Analytics y desarrollo mi investigación doctoral en la Universidad Rey Juan Carlos.