Un presente y futuro de
RR.HH. basado en datos:
Aplicaciones de Data
Mining en la Gestión de
Personas
Congreso de RR.HH. De Costa Rica 30/10/2012
Entender las posibilidades del Data Mining no es algo simple e inmediato.
Lo invito a
escribirme a [email protected] contactarme por Skype o
por teléfono
para seguir conversando.
Pero no solo sobre Data Mining, sino también acerca de Capacitación, Desarrollo y otros temas estratégicos de Capital Humano
Objetivos de la Actividad
• Conocer Analytics y Data Mining
• Identificar situaciones donde ambas disciplinas pueden permitir mejorar la gestión de personas
• Reconocer algunos ámbitos de gestión de personas donde los datos no son aprovechados
Contenidos de la Actividad:
• Herramientas y fundamentos del Data Mining.
• Diferencias con Bussiness Inteligence (BI) y Reporting
• Utilizando una gestión basada en datos y evidencia
• Tipos de problemas que el DM puede resolver
• Ejemplos de situaciones en las cuales el Data Mining puede encontrar soluciones o sumar valor a la Gestión de Personas
Analytics:
utilizar los datos para tomar decisiones inteligentes1. Informes operacionales: informes y tableros de control con información de “dónde se está ahora”.
2. Informes estratégicos: desarrollar informes detallados que permiten rotar, filtrar y analizar el “dónde se está ahora” en gran detalle (por ej. analizar datos haciendo cortes por clientes,
empleado, segmento, región, etc.)
3. Análisis estratégico: usar los datos que se poseen para hacer correlaciones entre ellos y así poder comprender qué relaciones existen. Es usar la estadística para entender relaciones claves que antes no podíamos ver.
4. Análisis predictivo: usar los datos y estadísticas de los puntos anteriores para poder crear modelos predictivos.
Lo
tr
adic
ional
2 Conceptos Clave
Talent Analytics:
Análisis de datos cuantitativos acerca de la gente
trabajando para entender el impacto de la gente en el desempeño (del negocio).
Permite que las compañías vean las tendencias y correlaciones entre la gente y los resultados.
Workforce Analytics:
abordaje basado en evidencia para tomar mejores decisiones. Se utilizan las conductas pasadas de los
Categorías de Problemas
Encontrar las combinaciones de variables que explican una variable específica Regresiones, Redes Neuronales, Árboles de Decisión, etc. AprendizajeSupervisado Encontrar o
explicar las
Menor / Mayor 25 Años
Introversión / Extroversión MBTI
Promedio de Llamados Menor / Mayor de 5
Minutos
Cantidad de Llamados Diarios Menor / Mayor
de 40 Diarios
Antigüedad Menor / Mayor de 10 Años
Promedio de Duración del Llamado Menor / Mayor de 10 Minutos
Cantidad de Llamados Menor / Mayor de 30
“Los conformes”: 20%
“Todo en orden” excepto…:
15%
Los Disconformes: 40% “Ni contenido
ni
disconforme”: 25%
Clima
Regresión Lineal Regresión Logística
¿Qué probabilidad hay? ¿Qué variables tienen
Y otras herramientas de la
estadística, aprendizaje
automático y disciplinas
vinculadas
• Máquinas de Soporte Vectorial (SVM) • Redes Neuronales
• Análisis de Supervivencia • Series de Tiempo
¿Dónde aplicarlo?
• Selección de Personal
• Predecir a los de alto desempeño para un puesto
• Gestión del Desempeño
• Identificar los grupos de performers
• Potencial
• Identificar quiénes son de alto potencial
• Encontrar sesgos de apreciación de potencial
• Beneficios
• Diseñar modelos de beneficios para los diversos segmentos de la organización
• Compensaciones
• Optimizar los esquemas de compensaciones según resultados
• Ausentismo
• Predecir el ausentismo
• Identificar los perfiles con mayor ausentismo
• “Churn” (Retención)
Un ejemplo…
¿Quiénes son mis “clientes”?
Segmentando los empleados de la compañía, como lo hace Marketing con los clientes de la empresa
Porque…
• Quiero armar una oferta de beneficios específica para cada grupo
• Entender qué necesidades o expectativas pueden existir de desarrollo de carrera
• Armar esquemas de compensación total que impacten en todos los empleados, porque cada “grupo” se siente
identificado o representado
Ejemplo de Segmentos
Estudiantes
• 18 a 25 Años • Estudiantes
Universitarios • Utilizan los
programas de descuento de la compañía
Jóvenes
• 25 a 35 Años • Solteros,
Conviviendo, Casados • Sin Hijos • En posiciones
de supervisión, jefatura o gerenciales principalmente
Jóvenes Padres
• 25 a 35 Años • Solteros,
Conviviendo, Casados • Con hijos de
hasta 5 años • Poca
antigüedad en la empresa • Presentan
mayor nivel de llegadas tardes
Padres Múltiples
• Hijos
adolescentes, o hijos en edades diversas
• Nivel de ausentismo mayor que el promedio de otros grupos
Padres con Hijos Mayores
• Mayores de 35 Años
• Sin Hijos o con hijos mayores de 21 años • Menores
niveles de horas extra
Anticipándome a quienes
podrían irse
• ¿Cómo anticiparme a quienes se irán de la compañía?
• ¿Cómo saber quien buscando el cambio o próximamente renunciará?
• ¿Cómo poder evitar “salvar al talento” cuando ya es tarde?
¿Quién se irá?
¿Aumentó el uso del teléfono con llamados externos?
Registra un aumento en la cantidad de
llegadas tardes
¿Se registra una baja en el nivel de ventas
realizadas?
¿Aumentó el uso de beneficios de
empleados?
¿Envía un volumen mayor de mails a direcciones externas
a la empresa?
¿Aumentó el nivel de prestaciones médicas
solicitadas?
¿Disminuyó la cantidad de veces que se “loguea” al
3. Ejemplo
Un análisis real y no suposiciones sobre las competencias y el alto desempeño
¿Qué hacen los vendedores que más venden? ¿Qué los hace diferentes?
Menor / Mayor 25 Años
Introversión / Extroversión MBTI
Promedio de Llamados Menor / Mayor de 5
Minutos
Cantidad de Llamados Diarios Menor / Mayor
de 40 Diarios
Antigüedad Menor / Mayor de 10 Años
Promedio de Duración del Llamado Menor / Mayor de 10 Minutos
Cantidad de Llamados Menor / Mayor de 30
Diarios
Pero… ¿Es un software? ¿O lo incluyo en mi software?
Se utiliza software específico
Por ej. SAS, SPSS Modeler, R, Rapidminer, etc.
El “Delivery”
es un informe que explica lo que se quería saber
O un “modelo de decisiones” para incluir en los informes
Por ej. cómo listar a todos los
¿Cuáles son las ventajas del Data Mining?
Se usan datos que ya se tienen disponibles
No hay que generar nuevas encuestas o “recolectar más información”
Ofrece soluciones que el análisis que estás
haciendo hoy no te da. No tiene sesgos: Revisa todas las combinaciones de variables que se incluyan
“Pero…” Dudas e inquietudes
“No tenemos datos”
Aunque no lo sepa, tienen muchos datos para aprovechar: En tu sistema de administración de personal, gestión del desempeño, sistemas de
gestión empresaria (ERP), sistemas para clientes (CRM) y muchos otros. ¡Todos pueden servir!
“No podemos acceder a los datos”
Siempre se puede y seguramente es más fácil de lo que uno imagina. Solo hay que buscar la
“Pero…” Dudas e inquietudes
“Mis datos tienen errores”
El DM tiene una fase inicial de revisión y
corrección, preparándolos para poder hacer los análisis que se necesiten.
“No confío en mis datos”
Parte del trabajo inicial es revisar los datos así se puede identificar las limitaciones de los análisis, y brindar conocimiento sobre la validez y
“Pero…” Dudas e inquietudes
“Es mucho trabajo preparar los datos”
No tenés que prepararlos. Los necesitamos lo más “bruto” posible. Siempre nuestra primera tarea es revisarlos, corregirlos y modificarlos de acuerdo a lo que tengamos que realizar.
Para los curiosos
Statistics One
Introduction to Mathematical Thinking
Computing for Data Analysis
Neural Networks for Machine Learning
Machine Learning
Nos gusta conversar sobre lo que hacemos, y sobre los problemas que enfrentan nuestros colegas.
No dude en escribirnos, llamarnos y ponerse en contacto.
Prof. Lic. Juan M. Bodenheimer
@juanbodenheimer @instare
Presentación disponible en el
