Analytics:

Nuevas Formas

de Gestionar el

Desempeño

Tecnología, Psicología y

Gestión Humana

¡Mucho!

• Performance

• Personas

• Productividad

• Modelar (el talento)

• Analytics

• Gestión de Talento

• Tecnología

• Psicología

Algo de Ingeniería, Psicología, Profesorado, Maestría en Cs. Sociales del

Trabajo, Maestría en Data Mining y Knowledge Management, Evaluación

Psicológica, Gestión Humana, Gusto por la Tecnología, Ciencias, Estudio. Hoy

Doctorado (Combinando Cs. Sociales, Gestión Humana y Cs. de la

Computación)

Ni blando, ni duro. ¡Ambos!

Juan

Cambió el paradigma de la

información y los datos: las

cosas son diferentes

Cambió la

lógica de

cómo se

genera el

contenido

y quién lo

hace

• ¡Muchos Datos!

• Software potente y disponible (incluso gratis!)

• Equipamiento accesible

• Muchos temas para resolver

Una combinación explosiva

Cambiaron las posibilidades

para el negocio

Algunas cosas para pensar

+ Administración de Personal

+ Administración de Recursos

Humanos

+ Gestión de Recursos Humanos

+ Gestión de Capital Humano

+ Gestión de Personas

¿Cómo evolucionó GH?

1980: Jac Fitz-Enz – HR tiene que justificar el costo de su existencia

misma.

1984: Cascio – La necesidad de entender que se trata de $

Avances

Algunas frases frecuentes…¿Qué cambió de la Gestión del

Desempeño?

Papel = Web

Algunas frases frecuentes…

• Mis indicadores no me ayudan a tomar decisiones

• Hay cosas que no sé por qué están ocurriendo (rotación,

ausentismo, bajo desempeño, etc.)

• Tenemos muchos datos pero no los usamos

• El negocio me pide que demuestre…

• Queremos poder anticiparnos

• Necesitamos tener seguridad de nuestras decisiones

• Y otras cosas que pensamos pero no decimos…

Los Profesionales de GH

+ Cuali es mejor que cuanti

+ Ciencias Sociales

+“No me gustaba la matemática”

+“Word, Excel, Powerpoint, e-mail,

navegadores… y con eso es

suficiente”

No se trata de “medir”,

aunque suene bonito.

Es momento de

revolucionar

No se trata solo de “medir”,

aunque suene bonito.

¡Es mucho más!

+ Entender+ Modelar+ Anticipar+ Identificar

+ Comprender+ Evaluar+ Relacionar+ Vincular+ Analizar

En Dios

confiamos.

Los demás

deben

traer

datos.

Distribución Desempeño

(Creíamos)

Datos analizados

+ 195 Muestras

+ 4 Áreas (Política, Deporte, Espectáculo,

Academia)

+Datos de Desempeño Individual

+ >93% indicaron que…

Distribución Desempeño (Parecería)

> Del 70% debajo de la media

Moneyball

¿Necesitamos gerentes? ¿qué

los diferencia?

Proyecto Oxígeno

+ Buen coach

+ Desarrolla el equipo

+ Expresa interés y preocupación

+ Productivo y orientado a

resultados

+ Buen comunicador

+ Ayuda el desarrollo de carrera

+ Visión y estrategia para el equipo

+ Conocimiento técnico para

ayudar o asesorar

• En Moneyball: Sabermetrics

• Talent Analytics

• HR Analytics

• Analítica de Gestión Humana

• People Analytics

Llamalo como prefieras

Disciplina que tiene como objetivo

Extraer “insights” (conocimiento) de los datos (“activos”)

Generar conocimiento para decisiones y estrategias

Analytics

Analytics es saber aprovechar los datos

¿Para qué?

Para el negocio

(y las personas)

Analytics: ¿Dónde estás parado?

Niveles de Madurez de Bersin

1. Informes operacionales

2. Informes estratégicos

3. Análisis estratégico

4. Análisis predictivo

Lo tra

dic

iona

lD

M

1. Midiendo lo que

tenga sentido medir

Midiendo lo que tenga que medir

+ Indicadores

+ Tableros

+ Dashboards

+ Métricas

No es que no sirvan pero…

+ ¿Cuánto me dicen?

+ ¿Qué explican?

+ ¿Cuánto me ayudan a resolver?

+ Y más importante aún… ¿qué impacto o

importancia tienen en el negocio?

Mejor saber…

+ Cuál es el desempeño de las personas

que seleccionamos

+ Si las actividades de capacitación tienen

alguna utilidad

2. Profundizar lo

descriptivo

“BI”

Objetivo:

¡Involucrar!

3. Encontrando

relaciones entre

datos

Objetivos: ¡Relacionar!

4. Modelos

Predictivos

Modelos Predictivos en Gestión Humana

Temas que requieren decisiones de manera continua

Tiene que haber tiempo para realizar el análisis

Tiene que poder justificarse la inversión

¿Cuándo usar Analytics?

Definir el problema: si no es apropiada, no se tendrán

respuestas útiles

Reconocer el problema

Revisar hallazgos anteriores

Proceso Analytics (1)

Solucionar el problema

Definir las variables a incluir en el proceso

Recopilar los datos

Analizar la información

Proceso Analytics (2)

Presentar resultados y tomar acciones.

Si no se entienden los datos y conclusiones, no se tomarán

decisiones y menos aún, acciones.

Proceso Analytics

53

“El

Problema”

Definir el problema

Análisis del planteo inicial del problema

Análisis de los requerimientos de una solución, de las

restricciones humanas y organizativas

Análisis de los datos disponibles o necesarios

¿Dónde aplicarlo?

¿Por qué no vienen o por qué se

van?

¿Qué impulsa

el desempeño?

Segmentos

¿Qué ofrecer?

Selección certera

Factores de

potencial

Anticiparme a quién se va

Y todo tema

que requiera

soluciones

Los Nuevos Desafíos de GH

¿Qué hacés con los

datos?

Los Nuevos Desafíos de GH

• Involucrarnos en los números que importan al

negocio

• Actuar estratégicamente con la información y

datos que tenemos y podríamos tener

• No repetir métricas, sino pensar cuáles son las

preguntas.

• Repensar la estructura del área y conformación

de nuestros equipos

¿Cuál es tu excusa?

+Todos tienen muchas datos

+ Hay mucho software disponible

+ Muchos problemas que necesitan solución

+ El negocio lo pide

+ La gente lo necesita

+ No hay que empezar por cosas grandes

El hombre razonable se adapta al mundo; el

irrazonable intenta adaptar el mundo a sí

mismo. Así pues, el progreso depende del

hombre irrazonable.

Bernard Shaw

Prof. Mag. Juan M. Bodenheimer

jb@instare.com

Instare – Knowledge Beyond

Intuition

Organizational Development and

Advanced Analytics

Slides Adicionales

El negocio nos presiona

Definir el problema

Poner en correspondencia una aplicación con una

pregunta (tarea, herramienta) estadística significativa es

una de las partes más difíciles del análisis de datos:

Muchas veces se resuelve correctamente el problema

equivocado

Es engañosamente fácil aplicar una técnica de análisis

de datos: Conviene evitar las estrategias “rápidas y

furiosas” de apretar botones del software para obtener

algún “resultado”

Definir el problema

• Sin una clara comprensión del problema el resultado del

análisis es por lo general “basura”

• La ausencia de conocimiento de “dominio” o la falta de

un experto de dominio es un handicap severo

• No se debe confundir el problema de negocio con el

problema de análisis (una reformulación del primero)

¿Qué hay de nuevo en HR?

• E-Assessment

• Nuevos Canales Reclutamiento (Redes

Sociales)

• Gamification

• Teletrabajo

Un cambio: de hormigas de los

informes a ninjas del análisis (1) –Hormigas Ninjas

Dedican 75% de su tiempo a producir datos.

Su trabajo es producir informes . El trabajo es extrar

datos, escribir consultas, responder a requerimientos,

y agendar salidas de datos (informes, tableros), etc.

Dedican 75% de su tiempo en generar análisis que

ofrezcan ideas de acciones a implementar.

Usan el lenguaje de los informes o métricas que ya

tienen

Lo que dicen es "lenguaje normal", como por ej.

"debemos disminuir el tamaños de los equipos",

"debemos desarrollar la competencia x", "sugiero

modificar en x aspectos los perfiles que contratamos

para esta posición“.

Reciben indicaciones de ninjas u otros de trabajos

respecto a fuentes y estructuras de los datos y que

trabajen con sistemas para eso.

El trabajo de esta analista es segmentar, separar,

dividir, profundizar, responder preguntas del negocio,

Trabajan con informes standard Evitan los informes standard: Estos "genéricos" no

responden a las necesidades de nadie, y

frecuentemente presentan métricas que no son de

utilidad. No sirven, a pesar del esfuerzo de las

"ardillas" de agregar algún filtro o sumar otra

dimensión.

Utilizan datos sumarizados Van a lo granular. Lo otro no tiene contexto, no hay

análisis específico, no vemos qué pasa dónde y

cómo. Es necesaria la segmentación, que nos

permite identificar los clusters .

Un cambio: de hormigas de los

informes a ninjas del análisis (2)Hormigas Ninjas

Informes: escupir datos o construir “paquetes”. Análisis: cuestionar de manera abierta a los datos,

para obtener "insights" (hallazgos, novedades,

aprendizaje) y no generar "más datos".

Entrega datos Está pensando cómo visualizar (mostrar

efectivamente)

Eliminating Reviews: A Lot of Discussion, but Little Action—Although

trade publications have popularized the elimination of performance

ratings, only 4% of organizations have followed this advice. An

overwhelming 96% of organizations surveyed still use a rating scale to

measure employee performance. Of these, about 5% are considering

eliminating—or are planning to eliminate—their rating scale.

Análisis de datos es la transformación(procesamiento) de

los mismos con algunos de los objetivos siguientes:

“Principal” (exploración y modelización)

Exploratorio/confirmatorio

Descriptivo/inferencial

Auxiliar o soporte (pero no menos importante)

Preprocesamiento (preparación de datos)

Postprocesamiento

Material para ser

utilizado únicamente

en la actividad

indicada

Procesamiento

Comunicar es el

nuevo problema (o

el problema

olvidado)