Un presente y futuro de RR.HH. basado en datos: Aplicaciones de Data Mining en la Gestión de Personas Congreso de RR.HH. De Costa Rica 30/10/2012 Prof. Lic. Juan M. Bodenheimer jb@instare.com
Nuestra Agenda Objetivos de la Actividad Conocer Analytics y Data Mining Identificar situaciones donde ambas disciplinas pueden permitir mejorar la gestión de personas Reconocer algunos ámbitos de gestión de personas donde los datos no son aprovechados Contenidos de la Actividad: Herramientas y fundamentos del Data Mining. Diferencias con Bussiness Inteligence (BI) y Reporting Utilizando una gestión basada en datos y evidencia Tipos de problemas que el DM puede resolver Ejemplos de situaciones en las cuales el Data Mining puede encontrar soluciones o sumar valor a la Gestión de Personas
DM Lo tradicional Analytics: utilizar los datos para tomar decisiones inteligentes 1. Informes operacionales: informes y tableros de control con información de dónde se está ahora. 2. Informes estratégicos: desarrollar informes detallados que permiten rotar, filtrar y analizar el dónde se está ahora en gran detalle (por ej. analizar datos haciendo cortes por clientes, empleado, segmento, región, etc.) 3. Análisis estratégico: usar los datos que se poseen para hacer correlaciones entre ellos y así poder comprender qué relaciones existen. Es usar la estadística para entender relaciones claves que antes no podíamos ver. 4. Análisis predictivo: usar los datos y estadísticas de los puntos anteriores para poder crear modelos predictivos.
2 Conceptos Clave Talent Analytics: Análisis de datos cuantitativos acerca de la gente trabajando para entender el impacto de la gente en el desempeño (del negocio). Permite que las compañías vean las tendencias y correlaciones entre la gente y los resultados. Workforce Analytics: abordaje basado en evidencia para tomar mejores decisiones. Se utilizan las conductas pasadas de los empleados para predecir conductas o resultados futuros. Sinónimos: Human Capital Analytics, People Analytics
Categorías de Problemas Aprendizaje Supervisado Encontrar las combinaciones de variables que explican una variable específica Aprendizaje No Supervisado Encontrar o explicar las agrupaciones en un conjunto de datos Regresiones, Redes Neuronales, Árboles de Decisión, etc. Clustering, Reglas de Asociación
Menor / Mayor 25 Años Introversión / Extroversión MBTI Antigüedad Menor / Mayor de 10 Años Promedio de Llamados Menor / Mayor de 5 Minutos Cantidad de Llamados Diarios Menor / Mayor de 40 Diarios Promedio de Duración del Llamado Menor / Mayor de 10 Minutos Cantidad de Llamados Menor / Mayor de 30 Diarios
Los conformes : 20% Clima Organizacional Ni contenido ni disconforme : 25% Todo en orden excepto : 15% Los Disconformes: 40%
Qué variables tienen impacto en y? Qué probabilidad hay? Regresión Lineal Regresión Logística
Y otras herramientas de la estadística, aprendizaje automático y disciplinas vinculadas Máquinas de Soporte Vectorial (SVM) Redes Neuronales Análisis de Supervivencia Series de Tiempo Reglas de Asociación
Dónde aplicarlo? Selección de Personal Predecir a los de alto desempeño para un puesto Gestión del Desempeño Identificar los grupos de performers Potencial Identificar quiénes son de alto potencial Encontrar sesgos de apreciación de potencial Beneficios Diseñar modelos de beneficios para los diversos segmentos de la organización Compensaciones Optimizar los esquemas de compensaciones según resultados Ausentismo Predecir el ausentismo Identificar los perfiles con mayor ausentismo Churn (Retención) Anticipar quiénes abandonarán la compañía
Un ejemplo Quiénes son mis clientes? Segmentando los empleados de la compañía, como lo hace Marketing con los clientes de la empresa Porque Quiero armar una oferta de beneficios específica para cada grupo Entender qué necesidades o expectativas pueden existir de desarrollo de carrera Armar esquemas de compensación total que impacten en todos los empleados, porque cada grupo se siente identificado o representado Clustering lo resuelve
Ejemplo de Segmentos Estudiantes Jóvenes Jóvenes Padres Padres Múltiples Padres con Hijos Mayores 18 a 25 Años Estudiantes Universitarios Utilizan los programas de descuento de la compañía 25 a 35 Años Solteros, Conviviendo, Casados Sin Hijos En posiciones de supervisión, jefatura o gerenciales principalmente 25 a 35 Años Solteros, Conviviendo, Casados Con hijos de hasta 5 años Poca antigüedad en la empresa Presentan mayor nivel de llegadas tardes Hijos adolescentes, o hijos en edades diversas Nivel de ausentismo mayor que el promedio de otros grupos Mayores de 35 Años Sin Hijos o con hijos mayores de 21 años Menores niveles de horas extra Nivel de desempeño medio
Anticipándome a quienes podrían irse Cómo anticiparme a quienes se irán de la compañía? Cómo saber quien buscando el cambio o próximamente renunciará? Cómo poder evitar salvar al talento cuando ya es tarde? Adaptar el análisis de Churn/Attrition como lo hacen los bancos
Quién se irá? Aumentó el uso del teléfono con llamados externos? Registra un aumento en la cantidad de llegadas tardes Envía un volumen mayor de mails a direcciones externas a la empresa? Se registra una baja en el nivel de ventas realizadas? Aumentó el uso de beneficios de empleados? Aumentó el nivel de prestaciones médicas solicitadas? Disminuyó la cantidad de veces que se loguea al sistema?
3. Ejemplo Un análisis real y no suposiciones sobre las competencias y el alto desempeño Qué hacen los vendedores que más venden? Qué los hace diferentes? Si lo sé, los puedo buscar, o entrenar para que lo sean.
Los mejores vendedores Menor / Mayor 25 Años Introversión / Extroversión MBTI Antigüedad Menor / Mayor de 10 Años Promedio de Llamados Menor / Mayor de 5 Minutos Cantidad de Llamados Diarios Menor / Mayor de 40 Diarios Promedio de Duración del Llamado Menor / Mayor de 10 Minutos Cantidad de Llamados Menor / Mayor de 30 Diarios
Pero Es un software? O lo incluyo en mi software? Se utiliza software específico Por ej. SAS, SPSS Modeler, R, Rapidminer, etc. El Delivery es un informe que explica lo que se quería saber O un modelo de decisiones para incluir en los informes Por ej. cómo listar a todos los candidatos para comenzar llamando a los que tendrán alto desempeño
Cuáles son las ventajas del Data Mining? Se usan datos que ya se tienen disponibles No hay que generar nuevas encuestas o recolectar más información Ofrece soluciones que el análisis que estás haciendo hoy no te da. No tiene sesgos: Revisa todas las combinaciones de variables que se incluyan Ofrece soluciones basadas en datos, no en subjetividades o supuestos
Pero Dudas e inquietudes No tenemos datos Aunque no lo sepa, tienen muchos datos para aprovechar: En tu sistema de administración de personal, gestión del desempeño, sistemas de gestión empresaria (ERP), sistemas para clientes (CRM) y muchos otros. Todos pueden servir! No podemos acceder a los datos Siempre se puede y seguramente es más fácil de lo que uno imagina. Solo hay que buscar la opción, o el interlocutor adecuado.
Pero Dudas e inquietudes Mis datos tienen errores El DM tiene una fase inicial de revisión y corrección, preparándolos para poder hacer los análisis que se necesiten. No confío en mis datos Parte del trabajo inicial es revisar los datos así se puede identificar las limitaciones de los análisis, y brindar conocimiento sobre la validez y confiabilidad de información disponible.
Pero Dudas e inquietudes Es mucho trabajo preparar los datos No tenés que prepararlos. Los necesitamos lo más bruto posible. Siempre nuestra primera tarea es revisarlos, corregirlos y modificarlos de acuerdo a lo que tengamos que realizar. Prepararlos es nuestro trabajo.
Para los curiosos Statistics One Introduction to Mathematical Thinking Computing for Data Analysis Neural Networks for Machine Learning Machine Learning Entre otros
Prof. Lic. Juan M. Bodenheimer jb@instare.com @juanbodenheimer @instare Presentación disponible en el Blog de www.instare.com