11/08/2016

People Analytics, paso a paso

People Analytics. Personas y relaciones

People Analytics es la ciencia y el arte de aplicar técnicas de Data Science (ciencia de los datos) al área de recursos humanos, con el objetivo de conocer mejor a nuestros colaboradores y aumentar su grado de satisfacción y productividad.

 La ciencia de los datos tiene una metodología específica que aplicamos en los procesos de People Analytics.

 “Si buscas realmente la verdad, será necesario que al menos una vez en la vida dudes, tanto como sea posible, de todas las cosas” 
“No basta con tener una gran mente. Lo más importante es saber usarla bien” 
Descartes, El discurso del método (1637)

People Analytics y la metodología de CRISP-DM

También extraer valor de los datos en People Analytics tiene un proceso con etapas bien definidas.

El proceso básico de cualquier solución es la recopilación e incorporación de conocimiento del dominio de recursos humanos de la organización, para posteriormente aprender de los conocimientos adquiridos, mediante algoritmos de aprendizaje computacional y análisis de datos (Data Science), el razonamiento sobre esos conocimientos y, finalmente, ante una demanda de información, ser capaz de emitir una respuesta (predicción, clasificación, recomendación) justificando los resultados (con métricas objetivas).

La metodología CRISP-DM nació en los 90. CRISP-DM (Cross Industry Standard Process for Data Mining) proporciona una descripción normalizada del ciclo de vida de un proyecto estándar de análisis de datos, de forma análoga a como se hace en la ingeniería del software con los modelos de ciclo de vida de desarrollo de software.
Business understanding. Data understanding. Data preparation. Modeling. Evaluation. Deployment


En nuestra metodología de trabajo con People Analytics, generalmente simplificamos este proceso de 6 fases a 4 pasos. Pero fundamentalmente seguimos el modelo de los 90.

Paso 1: Necesidades RRHH. Paso 2: Datos. Paso 3: Modelo. Paso 4. Evaluación y despliegue

Paso 1. Definición de necesidades de Recursos Humanos.

Esta fase inicial se enfoca en la comprensión de los objetivos de proyecto. En People Analytics planteamos esta necesidad de negocio en forma de pregunta:

Gráfico. Algunas de las preguntas que resuelve People Analytics.

Gráfico. Algunas de las preguntas que resuelve People Analytics.

 

Paso 2. Estudio y comprensión de los datos

A continuación nos proponemos obtener los datos más relevantes para la gestión de RRHH en general y la gestión del talento en particular.

La fase de entendimiento de datos comienza con la colección de datos inicial y continúa con las actividades que permiten familiarizarse con los datos, identificar los problemas de calidad, descubrir conocimiento preliminar sobre los datos, y/o descubrir subconjuntos interesantes para formar hipótesis en cuanto a la información oculta.

La fase de preparación de datos cubre todas las actividades necesarias para construir el conjunto final de datos (los datos que se utilizarán en las herramientas de modelado) a partir de los datos en bruto iniciales. Las tareas incluyen la selección de tablas, registros y atributos, así como la transformación y la limpieza de datos para las herramientas que modelan.

Estos datos pueden ser recogidos a partir de bases de datos operacionales de RR.HH. o del datawarehouse de datos de personal, que incluye todo tipo de información del empleado, desde variables demográficas (sexo, edad, estado civil, número de hijos, formación, lugar de residencia…), indicadores de su vida laboral (años de experiencia laboral, número de empresas anteriores, salario, tiempo en su actual puesto, tiempo con su actual responsable...) y otras métricas de evaluación (resultados de la evaluación periódica del rendimiento del empleado, medida del Employee Net Promoter Score, etc.).


Paso 3. Modelado

Seguidamente, el proceso propiamente de análisis consiste en la ejecución de las técnicas de Data Analytics para identificar patrones que representan la relación entre los datos, mediante algoritmos aplicables a las variables específicas bajo análisis, tales como regresiones, K-vecinos más cercanos, redes neuronales, árboles de decisión, redes bayesianas, etc.

-En general, se pueden aplicar algoritmos de agrupamiento, por ejemplo, clustering borroso o no basado en K-Means o K-Medoids, algoritmos iterativos jerárquicos aglomerativo o por división, o algoritmos basados en distribución (como Expectation-Maximization) o en densidad (DBSCAN, OPTICS), para establecer la lista de empleados con características similares y poder así definir líneas de acción comunes.

-Mediante técnicas de detección de asociaciones, basadas en el algoritmo a priori o variaciones, los patrones que se descubran pueden utilizarse para asociar el perfil del empleado con el puesto de trabajo o tarea más apropiados, o analizar los empleados con mejor rendimiento para según qué tareas.

-Como resultados de las tareas de predicción y clasificación (con diferentes algoritmos: regresión, árboles de decisión, K-vecinos más cercanos, redes neuronales, máquinas de vectores soporte, redes bayesianas, etc.), los patrones descubiertos pueden ser utilizados para predecir el rendimiento de los empleados, su comportamiento, actitud o predisposición ante diferentes retos laborales, predecir el progreso de los empleados en el tiempo, o identificar el mejor perfil laboral para una cierta necesidad entre diferentes candidatos.
Como parte del proceso, también se evalúa la validez de los modelos con conjuntos de validación/test que permiten asegurar la relevancia del modelo extraído.


Paso 4. Evaluación y despliegue: acción

El último paso sería transformar los patrones generados en planes concretos de acción que puedan ayudar a las personas de RR.HH. para alcanzar sus metas.

En esta etapa en el proyecto, se han construido uno o varios modelos que parecen alcanzar calidad suficiente desde la una perspectiva de análisis de datos.

Antes de proceder al despliegue final del modelo, es importante evaluarlo a fondo y revisar los pasos ejecutados para crearlo, comparar el modelo obtenido con los objetivos de negocio.

Dependiendo de los requisitos, la fase de desarrollo puede ser tan simple como la generación de un informe o tan compleja como la realización periódica y quizás automatizada de un proceso de análisis de datos en la organización.

Los pasos en el proceso de minería se repiten hasta que se extrae el conocimiento significativo. Un patrón que satisfaga estas condiciones se convierte en conocimiento de la organización y se puede utilizar en todas las aplicaciones de RR.HH.

 

El 23 de noviembre de 2016. Seminario gratuito de People Analytics en Madrid.

En el seminario gratuito de People Analytics trataremos con más profundidad este tema de la metodología que permite extraer valor de los datos.

El seminario de People Analytics va dirigido a profesionales de los departamentos de recursos humanos que vean la necesidad de aprender a tomar decisiones basadas en datos que les ayuden a mejorar sus resultado en las áreas de reclutamiento, evaluación del desempeño, compensaciones, formación o la gestión del talento.