Conversación con Marta Hidalgo
Marta Hidalgo es licenciada en Administración y Dirección de empresas por la Universidad de Barcelona y Máster en People Analytics por la UNED.
Con experiencia laboral en los departamentos de Recursos Humanos de compañías como Vueling Airlines, Inditex y Guess Apparel Spain, actualmente está trabajando como People Data Analyst en la consultoría PageGroup. Le
apasiona el mundo de los Recursos Humanos, sus innovaciones y las personas.
Mientras repasaba su trayectoria he visto que estudiaste Administración de Empresas y que pronto iniciaste tu carrera en el mundo de Recursos Humanos. ¿En qué momento te diste cuenta que te interesaba el mundo del Data?
Creo que el mundo del Data va ligado a todos los departamentos de una compañía. Cuando estaba en el departamento de Recursos Humanos, trabajaba con muchos datos relacionados con los empleados: fechas de incorporaciones, fechas de finalizaciones, promociones, etc. Me di cuenta de que trabajando y gestionando bien los datos, podríamos tener una mejor visión de cómo estábamos y plantearnos planes de acción objetivos de cara a los empleados.
De la misma manera que los departamentos de marketing utilizan los datos relacionados con los consumidores para conocerlos mejor y ofrecerles productos y servicios que mejoren su experiencia, en los departamentos de Recursos Humanos debemos utilizar los datos que tenemos de los empleados para conocerlos mejor y ofrecerles una mejor experiencia dentro de la compañía.
Cuéntame un poco más en detalle en qué consiste el campo de People Analytics
Para mí el campo de People Analytics es la analítica de datos aplicada a Recursos Humanos. Es decir, la aplicación de técnicas de análisis sobre datos de HR para tener una visión más clara de la situación que tenemos respecto a los empleados de la compañía y en base a esto, elaborar planes de acción y de mejora.
De hecho, cuando hablamos el otro día me hablaste del libro que escribiste sobre People Analytics. ¿Podrías decirme a grandes rasgos los temas que tratas?
Sí, se trata de mi trabajo de fin de máster llamado “People Analytics: de la teoría a la práctica”. Lo podéis encontrar en formato Kindle en la plataforma online de Amazon, tanto en español como en inglés.
En el proyecto, muestro distintas estrategias de People Analytics utilizando los programas Knime y Solr con el fin de lograr tres objetivos: 1) cómo se sienten los empleados de una compañía, 2) quiénes son aquellos empleados que tienen un mayor riesgo de abandono y 3) cómo la compañía puede detectar su talento interno de forma ágil para desarrollarlo y ofrecer a sus trabajadores posibilidades de rotación y promoción interna.
Hablemos más en detalle de cada uno de estos temas que has mencionado. Empecemos por la parte de “cómo se sienten los empleados”. ¿Podrías detallarme en qué consiste el proceso?: cómo se consiguen los datos, cómo se analizan, cómo se presentan, etc
Para realizar un análisis de las opiniones/sentimientos de los empleados, en el proyecto utilizo como método la encuesta llamada “encuesta de satisfacción laboral”. Es una herramienta que sirve para evaluar el grado de satisfacción laboral de los empleados con la empresa. Esta herramienta recoge información interna difícil de recabar mediante un asesor externo y es una manera de que los empleados canalicen sus opiniones a través de una herramienta oficial.
Una de las características de este tipo de encuestas es que es totalmente anónima, por tanto, los empleados se sienten libres de expresar sus opiniones de forma sincera. Uno de los apartados más interesantes de las encuestas de satisfacción laboral es el campo de texto libre, donde los empleados escriben de forma anónima los “pros” y los “contras” de trabajar en la compañía.
Para realizar esta primera parte del proyecto y analizar las opiniones de los empleados, utilizo una herramienta llamada Knime, que permite (mediante una serie de algoritmos) analizar la información no estructurada como son por ejemplo los textos y los comentarios de nuestros empleados (en otras palabras, es un proceso de text mining).
El análisis de text mining está estructurado en dos partes: primero de todo, veremos la “clasificación de comentarios de los empleados”, donde Knime clasifica y agrupa los comentarios de los empleados en positivos y negativos y nos muestra con la letra más grande aquellas palabras que han sido más repetidas entre los empleados.
Una vez analizados los términos y palabras más destacadas en los comentarios, analizo el porcentaje de los distintos tipos de sentimientos que muestran los empleados respecto a la compañía (sentimiento positivo, negativo, mixto o neutral). Este análisis se realiza utilizando el algoritmo de análisis de sentimiento llamado “Amazon”, disponible dentro de la plataforma de Knime.
Pasemos al segundo tema del libro. Detección de clusters de empleados. Aquí también me gustaría conocer el detalle de recogida de datos, análisis y conclusiones
El término “cluster” significa grupo homogéneo. Si hablamos de clusters de empleados, nos referimos a aquellos grupos de empleados que tienen variables similares (homogéneas). Este análisis consiste en detectar los distintos grupos de empleados que tenemos en una compañía. Para llevar a cabo el análisis, utilizo de nuevo la herramienta de análisis Knime.
Mediante una serie de algoritmos, las variables se pueden interpretar muy fácilmente y se puede observar, para cada segmento, el posicionamiento de cada variable. Podemos detectar por tanto qué cluster tiene las variables con los valores más bajos (es decir, qué segmento nos está agrupando a los empleados que tienen un valor más bajo de las variables que hemos seleccionado).
De esta manera, el algoritmo nos agrupa a los empleados y mediante distintos gráficos podemos interpretar cada uno de ellos.
Y el tercer tema del libro es la detección ágil de talento ¿podrías darme más detalles? (herramientas, datos utilizados, etc)
Todos y cada uno de los empleados de una compañía tienen un nivel de performance concreto y tienen también unas habilidades y unos intereses formativos distintos.
Para poder tener acceso de forma ágil a todos estos datos y, además, tener un “background” de sus últimas experiencias laborales previas y sus intereses profesionales y formativos, en el proyecto realizo unas plantillas digitales, en las cuales se indica toda la información necesaria para tener un perfil profesional completo de cada empleado.
Con este perfil completo del empleado, voy a indexar todas las plantillas en un programa llamado Solr, y voy a detectar qué empleados cumplen con los requisitos que solicitamos para que puedan ocupar por ejemplo una posición de mánager y, por tanto, puedan promocionar dentro de la compañía.
En todos estos casos, y si te he entendido bien, no hace falta tener un perfil muy técnico. Pensemos ahora en casos de People Analytics en los que sí haga falta recurrir a modelos de analítica avanzado. ¿Algún caso de uso o ejemplo que te gustaría destacar? Estoy pensando en temas de formación, selección de personal, carrera profesional, etc
Creo que dentro del área de People Analytics, es importante tener varios perfiles distintos. Para la parte más de reporting o visualización de datos no se necesita tener un perfil muy técnico pero por ejemplo para realizar modelos de analítica avanzada o de desarrollo de sistemas se necesita un perfil más técnico, un perfil más relacionado con el de Data Science.
En organizaciones como Telefónica o BBVA han creado un “Recomendador” que es una plataforma digital que empodera a los empleados en su desarrollo ofreciéndoles oportunidades laborales internas adecuadas a su perfil (sus Hard Skills y Soft Skills). Es una práctica muy valiosa, dado que ofrece valor al recruiter y al empleado, así como también a las distintas posibilidades de formación que ofrece la compañía. Para el desarrollo de esta herramienta interna por ejemplo, sí que se necesita un perfil técnico.
Y si miramos hacia el futuro ¿qué grandes cambios prevés en el ámbito de People Analytics en los próximos 3-5 años?
Creo que, en los próximos 3-5 años, el ámbito de People Analytics cada vez será más relevante para todas las empresas, especialmente en aquellas que actualmente todavía no trabajan en la implementación de este tipo de herramientas. Será una disciplina consolidada para todas las compañías, al igual que las acciones para el bienestar de nuestros empleados. Considero también que, en un futuro cercano, deberemos tener en cuenta que en el lugar de trabajo ya no solo encontraremos personas, sino, también, robots, chatbots y asistentes virtuales, eso va a hacer que debamos adaptarnos a la Inteligencia Artificial, y People Analytics deberá adaptar nuevas técnicas para analizar la productividad y el bienestar.
Otro punto que creo que también será clave en un futuro, es la adaptación al Metaverso. Si con el tiempo más empresas deciden adaptarse al Metaverso y al uso de entornos de realidad virtual para realizar reuniones de trabajo, entrevistas…etc, el ámbito de People Analytics también deberá adaptarse a estas innovaciones.
Termina esta frase. Una empresa debería apostar por el área de People Analytics porque…
Porque hoy en día es la forma más eficiente que tenemos de tomar decisiones, observando nuestros datos y analizándolos.
En el mundo de los Datos hay un debate abierto sobre el uso ético de los mismos. Si nos referimos a People Analytics, creo que el tema es especialmente relevante ya que hablamos de personas. Ha habido casos particularmente preocupantes como algoritmos que rechazan CVs por razones de sexo o raza. ¿Cuál es tu punto de vista al respecto?
Considero que los algoritmos deben estar muy preparados para evitar tener errores de estas dimensiones. Antes de lanzar un algoritmo, hay que testearlo para que vaya aprendiendo y evitar grandes sesgos. Respecto al uso ético de los datos, hay que tener muy presente la Ley de Protección de Datos y no solicitar datos delicados.
Estamos obligados a respetar y proteger la privacidad de los candidatos y a eliminar toda la información de carácter personal pasado el tiempo que nos dicta la ley. People Analytics también engloba aspectos como la aplicación de buenas prácticas de inclusión y diversidad, así como la mejora del clima laboral, el bienestar y salud de los empleados.
Recientemente entrevisté a Enric Guinovart (Cofundador de Avatar Cognition). Le pedí que hiciera una pregunta para la siguiente persona a entrevistar. Su pregunta fue: ¿a qué barreras se enfrenta el campo de HR analytics en relación a las limitaciones de las tecnologías disponibles y sus consecuencias para los empleadores y candidatos? ¿Qué debe mejorar para alcanzar los objetivos ideales de valor de HR analytics?
Dentro de las innovaciones de Recursos Humanos, una de las tendencias a la que las empresas se están adaptando cada vez más es al uso de la Inteligencia Artificial. La IA se está convirtiendo en una parte masiva de las operaciones diarias y más concretamente, dentro del área de selección. Es muy útil para evaluar currículums y también ahorra tiempo al realizar tareas repetitivas. Sin embargo, como he comentado anteriormente, estas herramientas pueden provocar un mal manejo de los datos dado que a veces ha demostrado ser defectuosa. Esta es una de las barreras a las que nos podemos enfrentar, y el objetivo es intentar asegurarse de que la Inteligencia Artificial que se utiliza esté en constante proceso de pruebas y de mejora para evitar sesgos y alcanzar los objetivos ideales.
Y tú ¿qué le preguntarías al siguiente entrevistado?
¿Qué mecanismos de People Analytics están llevando a cabo en su empresa? ¿Están apostando por modelos de análisis complejos? ¿Qué planes tienen en los próximos 5 años dentro de este ámbito?