Datos y gestión de personas (yII)

En la primera parte de este post planteaba los principios conceptuales que debían de tomarse en cuenta para la gestión de datos en el ámbito del Capital Humano.

En http://pauhortal.net/blog/datos-y-gestion-de-personas-i/ planteaba que “debemos de dejar de tomar decisiones basada en suposiciones, datos subjetivos e intuición. Debemos de empezar a tomar decisiones soportadas en datos objetivos. Esta es la única forma que tenemos para ofrecer mayor valor añadido a nuestras organizaciones”.

Un buen planteamiento de una estrategia de Gestión de Datos en RRHH (algunos lo llaman Peopleanalytics) no debe iniciarse con grandes cambios ni en los procedimientos, ni en los sistemas. Ha de partir del análisis de la información de la que disponemos aunque probablemente será necesario buscar alguna fuente nueva. No se trata por tanto de cambiar nada. Unos argumentos que he expuesto en http://pauhortal.net/blog/transformacion-lo-que-nos-espera/ http://pauhortal.net/blog/retos-en-capital-humano-para-2018/. Lo que existe, existe y se trata de ver en qué medida los datos que tenemos pueden integrarse y dar respuesta a las necesidades planteadas. También sería conveniente analizar cómo podemos de forma simple y sencilla obtener la información que nos permita analizar lo que ocurre de la forma más acertada posible.

Existen tres niveles para la gestión de los datos. La mayoría de las organizaciones son capaces de administrar el nivel (1); algunas pocas son capaces de generar y manejar el nivel (2) y muy pocas logran un nivel (3) que no es otro que el que realmente permite aportar valor:

  • Nivel 1- Analítica básica: Uso de datos para mostrar aspectos particulares de la gestión de personas como por ejemplo, registros de absentismo, rotación, niveles salariales, ratios de reclutamiento, etc. Es lo que genéricamente se denomina “cuadro de mando” o “cuadro de gestión de RRHH”.
  • Nivel 2- Correlaciones: Se trata de combinar los indicadores disponibles en la analítica básica con el objeto de responder a determinadas cuestiones o que permitan entender la correlación entre diferentes actividades y/o procesos. Un ejemplo de este nivel es la relación entre datos absentismo y categorías profesionales, los índices de rotación por departamentos/áreas o las relaciones entre variables aptitudinales y rendimiento, etc,
  • Nivel 3-Analítica predictiva: En este nivel podemos predecir tendencias o incluso comportamientos futuros. El uso de los datos y su gestión “inteligente” permitirá desarrollar acciones o tener una mejor y más rápida capacidad de respuesta. Exige formular las preguntas adaptadas a las necesidades de la organización, elaborar los indicadores que sean adecuados y disponer de una tecnología para buscar, integrar y mostrar los datos y ayudar en la toma de decisiones..

Para desarrollar esta estrategia considero que es necesario llevar a cabo un proceso circular que tome en consideración cinco aspectos:

1.- Empezar por hacerse las preguntas adecuadas. Primero lo primero, ¿qué deberíamos saber para poder tomar mejores decisiones? Sin buenas preguntas es poco probable que encontremos buenas respuestas.

2,- Identificar los datos y métricas relacionados con las preguntas planteadas: ¿qué información es relevante o no?. Es necesario diseñar modelos que permitan saber que datos son relevantes y acertar en su ponderación.

3.- Realizar un diseño de investigación adecuado: sin datos no hay analítica, y no hay analítica de calidad sin un buen diseño. ¿Qué diseños existen? (a) Diseños descriptivos: que permiten describir lo que ocurre. No obtenemos información sobre las relaciones entre variables. (b) Diseños correlacionales: que exploran las relaciones entre diferentes variables, analizando el grado en que distintos fenómenos se relacionan y (c) Diseños experimentales: que buscan la causalidad entre las variables, permitiendo la explicación de los fenómenos.

4.- Recolectar, procesar y analizar los datos necesarios: es el momento de considerar las fuentes de donde procede la información, su extracción y su procesamiento para un análisis posterior. El procesamiento es un elemento clave. Debemos garantizar que los datos sean válidos para obtener resultados de calidad.

 5.- Comunicar los resultados para generar conocimiento y ayudar en la toma de decisiones: de los hallazgos a la práctica. Es fundamental comunicar adecuadamente los resultados obtenidos, de una forma sencilla y comprensiva haciendo uso de las plataformas que hoy ya tenemos disponibles (web, Apps etc)

Para terminar destacar que, inspirándonos en las ideas expresadas por David Aguado en su blog http://ticycapitalhumano.blogspot.com.es/, antes de iniciar este proceso conviene tener en cuenta que:

  • No podemos esperar a tener datos perfectos, debemos trabajar con los que tenemos, aunque exigir que sean válidos y que estén alineados con la estrategia y los objetivos organizativos.
  • Debemos perder el miedo a experimentar y por tanto empezar con proyectos “de prueba” o con carácter de piloto, aunque tengamos una visión clara de los objetivos a conseguir.
  • No debemos olvidar que trabajamos con información de personas, que lo que pretendemos interpretar es el comportamiento humano con todo lo que ello supone.
  • Que debemos ser estrictos, en el cumplimiento de los requisitos legales como en el respeto a los criterios de confidencialidad.

Tenemos mucho trabajo por hacer.

Deja un comentario

Actividad Profesional: