lunes, 17 de abril de 2017

Tres lecciones de Google en People Analytics

Para entender lo que Google ha aportado a la ciencia de los datos en Recursos Humanos, es imprescindible leer Work Rules!: Insights from Inside Google That Will Transform How You Live and Lead de  Laszlo Bock. O al menos leer este post y creeros lo que os cuento :)
En 2015 cuando publicó su libro, Bock era aún Vicepresidente Senior de People Operations en Google.  Nos cuenta en su libro su experiencia al frente de un departamento que llevó la responsabilidad de pasar de seis mil empleados, cuando él comenzó a trabajar en Google en 2006, a casi sesenta mil.
En 2007, la cantidad de nuevas contrataciones alcanzó su punto máximo: 200 nuevos empleados cada semana.
Ya en 2015 Google recibía 2 millones de solicitudes de candidatos.
Un poco más adelante, ese mismo año Google sacó bajo la dirección de Bock, el sitio re:Work, que en palabras de Laszlo Bock:
El sitio web Re: Work es nuestra respuesta a la comunidad de personas que quieren mejorar el trabajo en todo el mundo.   

Lección 1. Google inventó el nombre “People Analytics”   

Si hoy hablamos aquí de “People Analytics”, en lugar de "HR analytics" o "Talent Analytics", la culpa es de Google.
Ellos rebautizaron su departamento de Recursos Humanos (HR) como “People Operations” y a la actividad analítica centrada en las personas de la organización la llamaron “People Analytics”. No hay duda de que el nombre caló. “People Operations” se ha convertido en un nombre popular para los departamentos de recursos humanos: Dropbox, Facebook, LinkedIn, Square, Zynga y más de veinte compañías han adoptado el nombre.
Si miramos en Google Trends la distribución de “People Analytics” vs. “HR Analytics”, vemos que aunque los números globales son pareceidos, “People Analytics” predomina en EEUU y Reino Unido. India, seguramente la segunda potencia en el área de analítica de RRHH, por el contrario, prefiere HR analytics. 

Lección 2.  Eliminando los sesgos de contratación con algoritmos

Como reconoce Laszlo Bock, para Google, el reclutamiento es más importante que la formación.
En Google, gastamos más del doble en reclutamiento, que una empresa promedio. Si somos capaces de seleccionar mejor a la gente, eso significa que tenemos menos trabajo que hacer con ellos una vez que son contratados.
El grupo de trabajo de People Analytics decidió evaluar las predicciones al entrevistar al candidato con el desempeño real de las nuevas contrataciones en un esfuerzo por averiguar con qué precisión los entrevistadores podían predecir el desempeño.
Los resultados fueron decepcionantes… A pesar de todo ese tiempo y esfuerzo, la investigación demostró que las entrevistas no predecían el rendimiento futuro muy bien.
El entrevistador subconscientemente sabía, desde el primer momento si le gustaba o no le gustaba el candidato. A partir de entonces, durante la hora siguiente, se dedicaba a buscar señales que confirmarían su primera impresión. Resultó que cuando un candidato creaba una primera impresión mala, era casi imposible dar vuelta a esta primera corazonada.
Google decidió atajar el problema eliminando en lo posible el sesgo humano tanto como fue posible. Lo hicieron automatizando la entrevista. En estas entrevistas utilizan ahora una aplicación llamada qDroid que dirige la entrevista.
El entrevistador ingresa la función del candidato y las preguntas las genera la aplicación. Estas preguntas están formuladas por qDroid. Este método asegura que la entrevista esté estructurada.
Además, el hecho de que los entrevistadores no formulen sus propias preguntas hace que las entrevistas sean menos sesgadas. Las preguntas de qDroid han sido ampliamente probados y han sido probados para predecir con precisión el desempeño laboral del candidato.

Daniel Kahneman: un algoritmo o al menos una entrevista estructurada

Las conclusiones del equipo de Laszlo Bock son las mismas de Kahneman, el psicólogo que ganó el "Premio Nobel" de Economía por haber integrado aspectos de la investigación psicológica en la ciencia económica, especialmente en lo que respecta a la toma de decisiones, después de 60 años de investigación y práctica real en el área de contratación: un algoritmo, mejora sistemática los resultados de una entrevista no estructurada.
Es un placer ver a Daniel Kahneman en la conferencia de People Analytics 2016 en Wharton. La entrevista dura casi una hora. Pero os aseguro que emociona ver la lucidez, la humanidad y el grandísimo sentido del humor de un Kahneman de 82 años. 

Kahneman nos recuerda que los estudios en el área son concluyentes: que el uso de algoritmos es el método más eficaz para tomar decisiones en tareas de contratación.
El cerebro humano comete espontáneamente numerosos errores a la hora de tomar decisiones, ya sea debido a sesgos y sobre todo por la extraordinaria variabilidad del proceso, por el ruido asociado a este tipo de procesos.
Un algoritmo o una entrevista estructurada es la recomendación de Kahneman.

Lección 3. ¿Cuántas entrevistas se necesitan para contratar a un Googler? La regla del 4.

El proceso de contratación en Google fue diseñado para ser meticuloso con el fin de evitar falsos positivos o contrataciones tóxicas. Pensaron que cuanto más empleados de Google hubieran entrevistado a un solo candidato, mejor sería su decisión de contratación, lo que significaría que alguien que solicitaba a Google podría estar sujeto a más de una docena de entrevistas. Un gran esfuerzo, sin duda, que exige una cantidad masiva de tiempo del empleado y que podría hacer para una experiencia agotadora para el candidato.
El equipo de People Analytics decidió examinar los datos para ver cuál era la utilidad real de una entrevista.
En Google,  aparentemente, las entrevistas se hacen uno a uno. Cada entrevistador asigna una puntuación de entrevista al candidato. Al mirar los datos, comprobaron que, efectivamente, la media de los puntajes de dos entrevistas mejoraba sustancialmente la capacidad de predecir si el candidato recibiría una oferta que si sólo miramos una puntuación de una entrevista. ¿Qué sucede de la media de añadir la puntuación de un tercer entrevistador? ¿Y un cuarto?
Resulta que hay un rendimiento decreciente en el feedback del entrevistador. Basándose en su análisis estadístico, el equipo encontró que cuatro entrevistas fueron suficientes para predecir si alguien debería ser contratado en Google con un 86% de confianza.
Después de la cuarta entrevista, el aumento en la precisión cayó dramáticamente - con cada entrevista adicional, la exactitud de la capacidad media de la cuenta de la entrevista para predecir una decisión del hire / no hire aumentó menos de un por ciento.

Este gráfico muestra el aumento de la precisión de la puntuación media de la entrevista a medida que crece el número de entrevistadores. Cuatro entrevistas fueron suficientes para predecir el desempeño de un nuevo empleado en Google con un 86% de confianza. Después de la cuarta entrevista, la exactitud de la puntuación media aumenta en menos del uno por ciento
Las implicaciones de esta investigación eran obvias: se podían tomar decisiones de contratación con confianza con tan sólo cuatro empleados experimentados de Google que realizan entrevistas. Armado con estos datos, el equipo de personal de Google propuso lo que llaman la "Regla de Cuatro", que utilizan para la contratación estándar. La regla del cuatro redujo el promedio de tiempo de contratación en cerca de dos semanas, ha ahorrado a los empleados cientos de miles de horas en el tiempo de entrevistas, y ha ayudado a reducir el ya estresante proceso para los candidatos

martes, 4 de abril de 2017

La voz del cliente, como en los cuentos. Infografía.

Publicado originalmente en: https://www.meaningcloud.com/es/blog/infografia-la-voz-del-cliente-como-en-los-cuentos


Si alguna vez has tenido que echarte al camino con la misión de encontrar qué necesitan tus clientes, qué quieren o qué aborrecen, sabrás que hay muchos peligros acechando, tareas arriesgadas y aliados inesperados.

Voz del cliente como en los cuentoshttps://www.meaningcloud.com/es/blog/infografia-la-voz-del-cliente-como-en-los-cuentos


Los clientes están hablando. Están participando en charlas apasionadas y sinceras en foros, redes sociales y chats … Escucharlos, entender lo que quieren decir y actuar sobre ese conocimiento está directamente relacionado con mejorar la experiencia del usuario y, como resultado, mejorar la rentabilidad de la organización .
En los últimos años, el escenario ha cambiado radicalmente. Para empezar, las fuentes se han multiplicado. La conversación, por otro lado, funciona las 24 horas del día, los 365 días del año. A menudo es multilingüe y muchas veces ni siquiera cumple con las reglas ortográficas más básicas. Es lenguaje natural, no-estructurado.
Si tienes que analizar la voz del cliente, es probable que carezcas de los recursos humanos necesarios para alcanzar, leer, clasificar, interpretar o extraer valor de tales volúmenes de datos. Y menos aún hacerlo en tiempo real.
Resultado: gran parte de este tesoro valioso sigue sin explotarse.
Sólo un procesamiento automático o semiautomático de las fuentes masivas de datos no-estructurados nos permite realizar este análisis con la calidad, volumen y coherencia necesarios.

¿Por qué necesitas tus propias arañas?

Una serie de herramientas comerciales como Radian 6 o BrandWatch ofrecen acceso a una variedad de fuentes de texto para analizar la voz del cliente. Algunos dicen que llegan hasta 80 millones de sitios.

3 problemas con estas soluciones de uso general para el crawling

1. Radian 6 y los otros llegan a muchas partes, pero son superficiales. Sus rastreadores entran a muchas webs, pero, normalmente son solo capaces de “arañar” la superficie de estos sitios. No sueñes con que te traigan el sitio completo.
2. Apenas entienden las necesidades de tu negocio. Son de uso general. ¿Qué ocurre si estás interesado en escuchar y analizar la voz de los jugadores de videojuegos: la solución empaquetada va a llegar sólo a una pequeña porción de esos sitios que te interesa analizar.
3. Muchas veces, la fuente más valiosa de la voz del cliente se esconde en los foros. Y los foros basados en web son difíciles de rastrear con crawlers. El crawling empaquetado no funciona en este territorio.
En nuestra experiencia, cuando quieres analizar en serio la Voz del Cliente, es muy probable que necesites arañas con una programación ad-hoc para llegar a lo que realmente necesita analizar.

Las cadenas de texto son claramente insuficientes. Utiliza una plataforma semántica.

Tienes los textos. Es hora de analizarlos. Las búsquedas basadas en cadenas de texto no van a funcionar. El lenguaje natural es simplemente demasiado complicado. La ambigüedad, la ironía, los errores ortográficos y otros problemas lo hacen realmente difícil de procesar. Ya escribimos sobre esto en: Recognizing entities in a text: not as easy as you might think!

Sólo 3 ejemplos que ilustran la necesidad de herramientas más sofisticadas para analizar el lenguaje natural:

1. ¿De qué hablamos cuando decimos “Washington”?. Puede referirse a personas más o menos conocidas (empezando por George Washington), el estado en la costa del Pacífico de los EE.UU., la capital de los EE.UU. (Washington, DC) y un buen número de otras ciudades, instituciones e instalaciones en EEUU y en otros países. Puede incluso ser un metonimia para referirse al gobierno federal de los Estados Unidos.
Se necesitan recursos semánticos y contextuales para realizar una correcta desambiguación. ¿Hay otras referencias al mismo nombre (tal vez en una forma más completa) a lo largo del texto? El análisis semántico puede decirnos si tratamos con una persona (que produce acciones humanas) o un lugar (donde suceden las cosas).
2. Cuando escribimos intentamos evitar las repeticiones. Dentro de un texto, solemos referirnos a las mismas entidades con nombres diferentes.
Recordemos a Nelson Mandela, el Dr. Mandela (dependiendo del contexto) y Madiba son reconocidos por los angloparlantes como la misma entidad.
3. Las faltas de ortografía abundan. Los errores de tecleado son frecuentes. Las abreviaturas creativas también. ¿Si en un texto en inglés encontramos la palabra “Genva“, deberíamos pensar en Geneva, Genève (en francés Ginebra) o Genoa (en Génova italiana)?
Una plataforma semántica tratará todas esas dificultades. La estrategia para interpretar correctamente una palabra desconocida, implica usar métricas para la distancia entre la palabra desconocida y otras palabras que podemos reconocer como correctas.
En nuestro ejemplo, si el texto ha sido tecleado con un teclado qwerty, parece que la distancia entre Genva y Geneve implica una sola operación de borrado, mientras que la distancia entre Genva y Genoa implica una sustitución usando una letra bastante separada en el teclado. Por lo tanto, con métricas de distancia, Geneve debe ser preferido. Pero la información contextual es igualmente importante para la desambiguación. Si nuestro texto incluye menciones a lugares en Suiza, o se puede establecer como el contexto geográfico correcto, entonces Ginebra gana oportunidades. De lo contrario, si el texto es sobre los cruceros por el Mediterráneo, Génova parece ser la elección natural.
Finalmente, dentro de una plataforma semántica, el análisis de sentimiento consiste en la aplicación del procesamiento de lenguaje natural, análisis de texto y lingüística computacional para identificar y extraer información subjetiva de varios tipos de contenido.

Cocinando valor desde datos estructurados

Una vez domesticado (estructurado) el lenguaje natural, es tiempo de extraer valor de los datos. Los paneles de control, las alertas o la posibilidad de realizar consultas adicionales sobre los datos nos acercan al final feliz, es decir, a sugerir acciones que mejorarán la experiencia de sus clientes.

lunes, 3 de abril de 2017

La métrica de oro para medir el valor de un empleado


Aunque las empresas gastan entre un 60% y un 70% de su dinero en capital humano (http://bit.ly/2n6oec9), la mayoría de las organizaciones siguen contratando y desarrollando el talento de los empleados con decisiones basadas en la intuición. Hay, sin embargo, métodos más rigurosos a nuestra disposición.
En People Analytics, el Employee LifeTime Value (E-LTV, valor de la vida útil del empleado – no confundir con LGTB 😃), sirve para determinar el valor económico que un empleado aporta a una organización durante el tiempo que pasa en un puesto.
El E-LTV debería ser una métrica fundamental en todas las organizaciones. ¿Por qué?
Porque si no sabemos lo que un empleado aporta, no podemos saber cuánto hay que invertir para ficharlo o lo que debemos gastar para mantenerlo. Más aún, se trata de una medida que debería guiar muchas de las decisiones que tomamos en las áreas de selección, onboarding, desarrollo del talento, fidelización o motivación.
En el lado del cliente, el Customer Lifetime Value o CLV es una métrica de marketing que representa el beneficio total que una compañía obtiene de la relación con un cliente durante toda la vida útil. Algunos han llamado al Lifetime Value “la métrica de oro” porque nos ayuda a determinar cuánto negocio podemos esperar de un cliente existente en el futuro.
Para el contexto de People Analytics, simplemente vamos a necesitar reemplazar la palabra cliente por la palabra empleado. Después de todo, nuestros empleados son clientes internos. Todos nosotros (Marketing o RRHH) compartimos el mismo objetivo final: proporcionar la mejor experiencia a nuestros clientes o empleados y optimizar su valor.
Calculando el Employee Lifetime Value
Con E-LTV vamos a ser capaces de responder a la siguiente pregunta:
- ¿Qué beneficio neto dejará un empleado durante el tiempo que pasa en un puesto?
Para responder a esta pregunta, vamos a necesitar tres métricas: el costo, el rendimiento y el abandono.

Breve (y seguramente innecesaria) nota sobre el "vil metal", el oro y los datos. ¡Saltad esta sección al completo si aborrecéis las digresiones!

Entiendo que a estas alturas algunos estaréis pensando que un análisis de este género está "deshumanizando" la gestión de personas (de recursos humanos) al reducirlas a números, y, peor aún, a "vil metal".
Hablemos primero de números. No deberíamos desconfiar de la cuantificación. Al contrario, es fundamental para el método científico. Para ser capaces de mejorar, necesitamos medir lo que observamos. La conocida cita de Lord Kelvin en versión completa, es de obligado cumplimiento:
" Lo que no se define no se puede medir. Lo que no se mide, no se puede mejorar. Lo que no se mejora, se degrada siempre"
En cuanto al "vil metal", puedo llegar vuestra aversión, como veréis más abajo. Pero, seguraemente por razones diferentes.
Hoy día, "vil metal" es sinónimo de "dinero" y nos llega cargado de connotaciones nada positivas. Sin embargo, en su origen, la expresión "vil metal" se refería al cobre (o el estaño) en contraposición a los metales preciosos, como el oro o la plata.
Como cuando en 1562 mi paisano Fray Diego de Estella escribía en su Tratado de la vanidad del mundo:
Por un pedacito de cobre no comprarás nada en la plaza. Pero si le pones el sello Real y es moneda corriente compras lo que has menester. […] Nuestras obras de su naturaleza son como cobre, que es vil metal y de baxo precio y por ellas no comprarás el Cielo mas si están acuñadas con el cuño de la gracia y llevan este sello Real y las armas de la caridad son de tanto valor y tan meritorias y de tan alto precio que comprarás con ellas la bienaventuranza y vida eterna.
Así, el vil metal (el cobre), que carecía de valor per se, cuando se acuñaba, cuando se convertía en moneda, adquiría su valor de cambio. De ahí que "vil metal", originalmente cobre o estaño, pasara a convertirse en sinónimo de dinero.
Una cita más, la última. Ya a principios del siglo XX, en la traducción que Blasco Ibáñez hizo de las mil y una noches, leemos un pasaje sobre el alquimista Hassán:
Y Hassán echó al crisol los pedazos de cobre, […] levantando la voz, gritó: ¡Oh vil metal, que la virtud del oro ahuyente tus impurezas! […] ¡Oh cobre, conviértete en oro!" 
Me resulta inspirador esta transformación metálica de los alquimistas. Del mismo modo que los alquimistas intentaban convertir el cobre (el vil metal) en oro (metal noble), en People Analytics (y en ciencia de los datos) intentamos transformar el dato, "que es vil metal y de baixo precio", en oro (valor para las organizaciones). Con ciencia y no cona magia, claro. Nos hemos acercado un tanto al oro de nuevo, aunque sea dando un rodeo considerable. Volvemos al Employee Lifetime Value.

Costo y Rendimiento

Nos vamos a centrar en dos métricas: costo y rendimiento. Dejamos para otro post un tercer elemento fundamental para una análisis predictivo del Employee LifeTime Value: la predicción de abandono. Utilizando costo y rendimiento, vamos a ser capaces de responder a otras dos preguntas fundamentales: ¿Cuál es el punto de equilibrio de un nuevo empleado?
¿Cuándo empieza un empleado a aportar beneficio neto a la organización? Responder a estas preguntas nos va a servir para tomar muchas decisiones que impactan significativamente en la cuenta de resultados. Nos va a permitir segmentar a los empleados con un foco en valor. De ahí lo de la Métrica de oro. Para entender mejor estas métricas, vamos a representar costo y rendimiento con gráficos. Veámoslos uno por uno.
Costo: ¿Cuánto cuesta encontrar, capacitar y mantener a un empleado en este puesto?
La curva de costos registra la cantidad de dinero que se gasta durante el tiempo que un empleado está en un puesto. Hablamos de puesto y no del tiempo que pasa en la empresa. Si cambia a otro puesto, se inicia un nuevo ciclo de vida.
El gráfico de costos es como un registro diario de costos para un nuevo empleado, desde el primer día. En el gráfico mostramos la evolución por semanas de estos costos para el año 1 de un programador de JAVA recién contratado y que llega con 2 años de experiencia previa antes de entrar en la empresa.  El punto “cero” de la gráfica, recoge los costos de reclutamiento: anuncios, entrevistas, pruebas, etc. Empezamos con 3.105 €. Se corresponde a los gastos de contratación. El análisis de estos gasto requiere un estudio más detallado. Esta captura puede servirnos para empezar. En el excel que podéis descargar aquí tenéis los detalles. 
A partir de la semana 1, y hasta la semana 4, al sueldo se suman los gastos de orientación y capacitación. Después de la semana 5, sólo quedan los gastos de sueldo + seguridad social y “overhead”. “Overhead expense” son los gastos generales, los que no pueden ser trazados o identificados con ninguna unidad de costo en particular y que por lo tanto no generan directamente beneficios.

Rendimiento: ¿Cuántos ingresos genera?

La curva de ingresos muestra la contribución que un empleado hace a la empresa, comenzando el primer día. 
Normalmente, hasta que el entrenamiento inicial y la orientación estén terminados, los ingresos son igual a cero. En este ejemplo la contribución comienza en la semana 5. Los empleados suelen aumentar la productividad después de semanas, meses o años. Después de una fase de ascenso del rendimiento (semanas 4-14 en el ejemplo), ese nivel puede estabilizarse, aumentar gradualmente, o incluso inclinarse hacia abajo después de años. El nivel final de contribución se puede calcular directamente en algunos puestos. En otros simplemente se puede hacer una estimación.

Punto muerto diario (daily break even point)

El gráfico muestra juntas las curvas que representan costes e ingresos para un empleado durante un año. Al principio, los costos de reclutamiento y entrenamiento son altos mientras que el rendimiento es cero. Día a día, la organización pierde dinero. En la semana 13 las líneas se cruzan por primera vez. Esto se conoce como punto de equilibrio diario (daily break even point).
Después de varias semanas de equilibrio, a partir de la semana 28, por primera vez, el empleado entrega diariamente una contribución positiva neta.

Resultados acumulados

La “cuenta de resultados” de una organización con sus empleados varía mucho según el día en el que se produce el abandono.

En el gráfico se muestra cómo al contabilizar los ingresos por un lado y la deuda contraída por los gastos de contratación y la formación, sumado a el saldo es negativo hasta la semana 127. A este punto de inflexión se le denomina punto muerto acumulativo (cumulative break even point). Por tanto, sólo con empleados que permanecen al menos 127 semanas en la empresa, obtiene la organización un beneficio neto en su relación con un empleado. Cualquiera que permanezca menos que es tiempo hace perder dinero. En el caso peor, si un empleado abandona la empresa entre las semanas 11 y 34, las pérdidas netas para la organización son de más de 15 mil euros.

Rotación: ¿Cuánto tiempo permanecerá en el puesto?

Vamos a ver este punto con más profundidad en otro post. Unas líneas como adelanto: vamos a entrar en el territorio del análisis de supervencia, donde trabajamos con la probabilidad de que un empleado esté en su puesto durante diferentes puntos de su estancia en la empresa.

=============================================================
People Analytics Pro es el primer máster que enseña a los profesionales de RRHH a dominar las técnicas analíticas necesarias para evaluar y resolver problemas de sus área de desempeño como reclutamiento, gestión del talento, compensación o retención.
=============================================================
Referencias
Jean Paul Isson, Jesse S. Harriott. (2016). People Analytics in the Era of Big Data: Changing the Way You Attract, Acquire, Develop, and Retain Talent. Wiley (http://amzn.to/2njPGUY).
Jeff Higgins and Grant Cooperstein, Managing an Organization’s Biggest Cost: The Workforce, Human Capital Management Institute (http://bit.ly/2n6oec9)