Data Science y Recursos Humanos: implementando el HR Analytics

El departamento de Recursos Humanos empezó a formar parte de la planificación estratégica de las organizaciones en las últimas dos o tres décadas. Anteriormente, solo era tenido en cuenta en cuestiones operativas, pero las personas que formaban parte de las organizaciones y por medio de las cuales se conseguían los objetivos estratégicos, no se consideraban un recurso sobre el que realizar una correcta planificación a medio y largo plazo (Bose y Jose, 2018).

Paradójicamente, el análisis es intrínseco a las tareas de Recursos Humanos. La psicología se apoya en la identificación de rasgos de la personalidad, valores, motivaciones y actitudes para conocer mejor a un sujeto, así como en la evaluación de competencias que sirven como el mejor predictor de un comportamiento futuro. La selección de personal es un claro ejemplo de ello, pero igualmente lo aplicamos al estudio del clima laboral o a la transferencia de los conocimientos adquiridos en una formación a un determinado puesto de trabajo.

Aunque se habían realizado algunos esfuerzos previamente que habían quedado en análisis más o menos básicos, no fue hasta entrado el siglo XXI cuando empezamos a ver algunos ejemplos más avanzados del uso de la estadística para predecir o conocer mejor a los recursos humanos. Hablamos de casos como el de Billy Bean, director del equipo de béisbol Oakland A que, apoyándose en la estadística, contrata a los jugadores que mejor se adaptan a su equipo, a pesar de ser uno de los que menos recursos económicos tenía en comparación con sus rivales. Por otra parte, Google con su proyecto Oxygen quiso saber qué hacía a un “buen directivo”, ser un buen directivo, valga la redundancia. Pudieron saber qué características del liderazgo hacían realmente bueno a un líder (Bose y Jose, 2018).

La situación a día de hoy empieza tímidamente a despertar en relación a los Recursos Humanos, aunque no haya cambiado en demasía. Sin embargo, hay tendencias que indican que se puede romper de una vez ese muro aparentemente infranqueable y poder apoyarnos en técnicas más avanzadas para contar con una estrategia de Recursos Humanos en la que la toma de decisiones se base en aspectos mejor justificados: la reafirmación de los Recursos Humanos como parte de la planificación estratégica de las organizaciones, la digitalización de todos los sectores y la necesidad de una toma de decisiones que se base más en las evidencias y menos en las intuiciones, contando para ello con científicos de datos especializados en psicología organizacional (Bose y Jose, 2018).

Diversos estudios han evidenciado que las compañías que implantan proyectos de Big Data reportan casos de éxito, con mayor rendimiento y consideraban que habían tenido un alto impacto (La Valle et al., 2011). En España podríamos decir que estamos ante un escenario con mucho desarrollo por delante, con una madurez intermedia aún. También es cierto que la mayoría de proyectos van enfocados a mejorar la relación con el cliente y al desarrollo del producto o servicio en cuestión, quedando el área de Recursos Humanos relegada a posiciones menos prioritarias (ESADE, 2018).

Esto nos da un importante margen para ahondar en la materia de la analítica de Recursos Humanos y aportar en el desarrollo de este campo. Otra de las premisas de las que parte esta propuesta de intervención es: si quiero conocer mejor a mis clientes para mejorar mi relación con ellos, ¿por qué no lo hago también con mis clientes internos, mis empleados?

2. Propuesta

2.1 Avanzadron y situación actual

El objetivo principal del presente proyecto es diseñar un programa de implementación de HR Analytics en una organización ficticia mediante la detección de necesidades y el planteamiento de las acciones adecuadas para cubrirlas.

Avanzadron es nuestra empresa ficticia que nos sirve de ejemplo para elaborar dicha propuesta. Es una empresa del sector agrotecnológico, fundada en el año 2010 con sedes en Málaga, Sevilla y Almería. Sus líneas de negocio son el desarrollo de drones, robótica, el estudio de la calidad de los cultivos y la investigación de fertilizantes ecológicos. Cuenta con 988 empleados en la actualidad repartidos entre los seis departamentos: RR.HH., Marketing, Finanzas, Administración, I+D y Operaciones.

Nos encontramos ante una compañía con planes de expansión internacional y un rápido crecimiento en los últimos años. Esto ha dificultado que ciertas áreas, como Recursos Humanos, sigan el ritmo y se han quedado en tareas más básicas que no están extrayendo todo el potencial. Por ello se ha decidido apostar por la analítica avanzada, entre otras cosas, para alcanzar una mayor comprensión del funcionamiento interno y externo de la compañía. Se decidió crear un equipo de Analítica, formado actualmente por 136 personas entre las tres sedes.

A principios de año se pusieron sobre la mesa una serie de cuestiones que son el punto de partida al diseño de toda la investigación que se va a realizar a posteriori. Son las siguientes:

• Conocer la rotación del personal para identificar los motivos de salida y qué patrones de comportamiento se pueden estar dando o cómo predecir la salida de una persona.
• Evaluar y medir el bienestar de los empleados, identificando los factores que influyen en ello.
• Saber qué formación se requiere y cuál se está demandando.
• Conocer cómo se percibe el ambiente laboral.
• Comparar los valores personales de los empleados con los de la empresa. En el caso de Avanzadron, la organización se identifica con la estimulación, la auto-dirección y el logro según la escala de valores de Schwartz (1992).
• Realizar un estudio salarial para evaluar la equidad interna y externa.

2.2 Diseño de la investigación

Se han desarrollado algunos modelos de HR Analytics, aunque el campo aún esté en una madurez media-baja. Es el caso de los modelos DELTA (Davenport, 2006; Davenport et al., 2010) y LAMP (Cascio y Boudreau, 2010). Siguiendo el trabajo de Aguado García (s.f.), ambos modelos y cualquier ciclo de análisis de datos se pueden resumir en la siguiente estructura:

1. Formulación de preguntas apropiadas dirigidas a lo que queremos averiguar.
2. Identificamos los datos y métricas necesarios para afrontar esas preguntas.
3. Hacemos un diseño de la investigación.
4. Recolectamos, transformamos y analizamos los datos para llegar a unas conclusiones.
5. Comunicamos los resultados de forma que otros puedan comprenderlos para ayudar en la toma de decisiones.

En nuestro caso, los datos de los empleados se han generado automáticamente y están guardados en una base de datos MySQL. Consultamos la información mediante el lenguaje SQL y la extraemos en formato .csv para ser analizada en cuadernos Jupyter con el lenguaje de programación Python. Hay una serie de librerías que nos van a ser de utilidad en nuestro trabajo: Numpy y Pandas para el tratamiento de los datos, Matplotlib y Seaborn para visualización gráfica y Scikit-learn para la construcción de modelos de aprendizaje automático.

También es necesario un trabajo codo con codo entre el equipo de Analítica, Recursos Humanos y la Dirección.

Se realiza un primer análisis exploratorio de los datos con los que ya contamos. Aquello que no conozcamos es recogido mediante dos cuestionarios: uno para recoger datos del clima laboral y valores personales; el segundo para recoger datos sobre necesidades formativas y niveles de competencias. Este último es realizado por RR.HH. en entrevista presencial.

Se elabora una tabla con el Plan de Acción, desde mayo de 2020 hasta enero de 2021, cuando acabará previsiblemente esta primera fase. Además, para facilitar su seguimiento, se crea un diagrama de Gantt en Excel. Junto con los análisis exploratorios, se crea un Cuadro de Mando Integral con cuatro KPI: bienestar laboral, rotación, relación con el equipo y conflictos reportados.

2.3 Análisis exploratorio

Con estos primeros análisis de todos los datos recogidos, se llega a una serie de conclusiones que quedan resumidas en los siguientes puntos:

• Somos 988 empleados: 499 hombres y 489 mujeres. Los más jóvenes tienen 19 años y los mayores, 61 años. La media de edad es de casi 42 años, siendo el grupo de 39 a 49 años el más numeroso.
• Las formaciones técnicas son más numerosas porque son también los departamentos con más empleados. No existen formaciones muy específicas para cada departamento, por lo que sería interesante trabajar en ello para un mejor aprovechamiento.
• El número de empleados ha crecido constantemente y solo en julio de 2016 tuvimos una rotación negativa.
• Se identifica una posible falta de desarrollo profesional como motivo de salida en varias ocasiones, seguido de cuestiones salariales. Conviene hacer un estudio salarial externo.
• Cumplimos con la equidad salarial interna. La mitad de nuestra plantilla está entre los 23.000 y 38.000 euros brutos anuales. Hombres y mujeres tienen un salario promedio de 31.000 euros brutos anuales.
• Aprobamos en todos los factores de bienestar propuestos, incluida la satisfacción global (más de 3 puntos sobre 5). Existe margen de mejora.
• Nuestros empleados se identifican principalmente con los valores de auto-dirección, poder, seguridad y tradición. Quizás influya el hecho de que la media de edad está en torno a 42 años y ese grupo de edad pueda priorizar la estabilidad y la seguridad en esa etapa de la vida.
• La estimulación es el valor menos identificado. Igualmente, quizás pueda relacionarse con los datos demográficos de la plantilla.
• El ambiente laboral se percibe de una forma bastante equilibrada, entre aquellos que lo ven como estimulante al desarrollo de ideas y el trabajo en equipo y aquellos que lo perciben como más conservador e individualista.
• Las principales necesidades formativas son el liderazgo,  la  tecnología aplicada al proyecto, la comunicación, materia de contratos, redes sociales e idiomas. Encaja con los planes de internacionalización que se quieren llevar a cabo.
• Las competencias evaluadas tienen un nivel correcto, pero sin destacar en ninguna, por lo que existe margen de mejora. Reafirmamos la necesidad de potenciar el plan formativo.

2.4 Modelos de Machine Learning

Se ha propuesto la creación de dos modelos de aprendizaje automático:

• Modelo predictivo del salario ofrecido en el mercado para un determinado puesto mediante el estudio de ofertas de trabajo en diversos portales de empleo donde se muestre el salario, con el fin de investigar y mejorar la equidad externa si es necesario. Las variables con las que se trabajarían serían: nombre del puesto, nivel educativo, años de experiencia, competencias exigidas, disponibilidad para viajar, nivel de conocimientos  exigidos, ubicación, sector, tipo de contrato ofrecido e idiomas. El salario ofrecido sería la variable dependiente. Se trabajaría con un modelo de regresión (Regresión Lineal, Árbol de Decisión, Random Forest, y modelos con parámetro de regularización, véase Lasso y Ridge).