Si bien estas herramientas ayuda a Identificar, Reclutar y Recompensar mejor al personal, también van en contra de nuestra sabiduría común de RR.HH.
Así lo cuenta un reciente informe de Mc Kinsey donde hace una analogía coon Bill James, famoso vigilante de fábrica estadounidense que se convirtió en historiador y estadístico de béisbol, quien observó que: “Siempre habrá personas que están por delante de la curva y personas que están detrás de la curva. Pero el conocimiento mueve la curva. Es por ello “algunas compañías están descubriendo que si emplean lo último en análisis de datos, pueden encontrar, implementar y avanzar a más personas del lado derecho de la curva, incluso si los resultados al principio parecen contradictorios”.
Durante la última década, el análisis de big data ha revolucionado la forma en que muchas empresas hacen negocios. Los principales directores de marketing realizan un seguimiento de los patrones de compra detallados y las preferencias para predecir e informar el comportamiento del consumidor. Los directores financieros utilizan análisis integrales en tiempo real y progresistas para comprender mejor las diferentes líneas de negocio. Y ahora, los profesionales de Gestión de Personas estamos comenzando a implementar modelos predictivos de talento que pueden identificar, reclutar, desarrollar y retener a las personas correctas de manera más efectiva y rápida.
El mapeo de los datos de RR.HH. ayuda a las organizaciones a identificar los puntos débiles actuales y prioriza las futuras inversiones en análisis. Sorprendentemente, sin embargo, los datos no siempre apuntan en la dirección que los profesionales más experimentados de Capital Humano esperamos. Aquí hay tres ejemplos.
- Elegir dónde Lanzar Nuestra Red de Reclutamiento
Tomemos el ejemplo real de un banco en Asia, tenía un plan muy usado para contratar: Reclutar a los mejores y más brillantes de las universidades más prestigiosas. El proceso fue puesto a prueba cuando la compañía con más de 8,000 colaboradores en 30 sucursales, comenzó una importante re estructuración organizacional. Como parte del esfuerzo, el banco recurrió al HR Analytics para identificar a los empleados de alto potencial, mapear nuevos roles y obtener una mayor visión de los principales indicadores de desempeño.
Se recopilaron treinta puntos de datos alineados con cinco categorías: datos demográficos, información de la sucursal, desempeño, historial profesional y tenencia, para cada colaborador utilizando fuentes existentes. Luego, se aplicaron los análisis para identificar puntos en común entre los ejecutivos de alto (y bajo desempeño). Esta información, a su vez, ayudó a crear perfiles para los empleados con una mayor probabilidad de tener éxito en determinados roles.
El análisis posterior basado en el aprendizaje automático reveló que las estructuras de las filiales y los equipos eran altamente predictivas con respecto a los resultados del negocio. También destacó cómo algunos roles clave tuvieron un impacto particularmente fuerte en el éxito general del banco. Como resultado, los ejecutivos construyeron nuevas estructuras organizacionales alrededor de equipos clave y grupos de talentos. En muchos casos, las suposiciones anteriores sobre cómo encontrar el talento interno para los nuevos roles fueron revisados.
Mientras que el banco siempre había pensado que los mejores talentos provenían de los mejores programas académicos, por ejemplo, un análisis riguroso reveló que los empleados más efectivos procedían de una variedad más amplia de instituciones, incluidas cinco universidades específicas y tres programas de certificación adicionales. Una correlación observable fue evidente entre ciertos empleados que fueron considerados como “de mayor rendimiento” y aquellos que habían trabajado en roles previos, lo que indica que las posiciones específicas podrían servir como alimentadores para futuros líderes. Ambos hallazgos se han aplicado desde entonces en la forma en que el banco recluta, mide el desempeño y relaciona a las personas con los roles. Los resultados: un aumento del 26 por ciento en la productividad de la sucursal (medida por el número de empleados a tiempo completo necesarios para respaldar los ingresos) y una tasa de conversión de nuevos empleados un 80 por ciento más alta que antes de que se implementaran los cambios. Durante el mismo período, el ingreso neto también aumentó en un 14 por ciento.
2. Reducir el Sesgo a la Hora de Contratar
La democracia de los números también puede ayudar a las organizaciones a eliminar las preferencias inconscientes y los prejuicios, que pueden surgir incluso cuando los responsables tienen las mejores intenciones. Por ejemplo, una empresa de servicios profesionales se vio casi abrumada por las 250,000 solicitudes de empleo que recibía cada año. Al introducir una automatización más avanzada, buscó reducir los costos asociados con el proceso inicial de selección de CV y mejorar la efectividad de los primeros contactos. Dado que una complicación fueron los objetivos agresivos que la compañía había establecido simultáneamente para contratar a más mujeres, lo que provocó la preocupación de que una máquina programada puedar minar este objetivo.
Sin embargo, las preocupaciones demostraron ser injustificadas. El algoritmo adoptado por RR.HH. tuvo en cuenta los datos históricos de reclutamiento, incluidos los CV de los solicitantes anteriores y, para aquellos que recibieron ofertas previamente, contando sus decisiones sobre si aceptar o no. Cuando se vinculó a los objetivos de contratación de la empresa, el modelo identificó con éxito a los candidatos con mayor probabilidad de ser contratados y los pasó automáticamente a la siguiente etapa del proceso de reclutamiento. Aquellos menos propensos a ser contratados fueron automáticamente rechazados. Con un campo más claro, los reclutadores expertos fueron más libres de centrarse en los candidatos restantes para encontrar el ajuste correcto. Los ahorros asociados con la automatización de este paso, que abarcó más del 55% de los currículos, generaron un retorno de la inversión del 500%. Además, el número de mujeres que pasaron por el filtro automático, cada una por su mérito, representó un aumento del 15% por ciento sobre el número que había pasado por el proceso tradicional anterior. La suposición fundamental de que el filtro realizado por personas aumentaría la diversidad de género de manera más efectiva se demostró incorrecta.
3. Abordar el Desgaste Mejorando la Gestión
Con demasiada frecuencia, las empresas buscan ganar la guerra de talentos lanzando cada vez más dinero y/o beneficios extraordinarios. Un ejemplo fue una importante aseguradora de los EE.UU. que había estado enfrentando altas tasas de deserción; primero buscó, con un éxito mínimo, ofrecer bonos a los gerentes y empleados que optaron por permanecer. Entonces la compañía se volvió más inteligente. Recolectó datos para ayudar a crear perfiles de trabajadores en riesgo; la inteligencia artificial (AI) aplicada incluía una variedad de información, como perfil demográfico, antecedentes profesionales y educativos, calificaciones de desempeño y, sí, niveles de compensación. Mediante la aplicación de análisis de datos se generó un hallazgo clave que saltó a primer plano: los empleados en equipos más pequeños, con períodos más largos entre las promociones y con los administradores de menor rendimiento, tenían más probabilidades de irse.
Una vez que estos empleados de alto riesgo habían sido identificados, se hicieron esfuerzos más informados para convencerlos de que se quedaran. Principalmente, esto implicaba mayores oportunidades para el desarrollo del aprendizaje y más apoyo de un gerente superior. Las bonificaciones, por otro lado, demostraron tener poco o ningún efecto. Como resultado, los fondos que podrían haber sido asignados a aumentos de compensación ineficaces se invirtieron en el desarrollo del aprendizaje para los empleados y la capacitación mejorada para los gerentes. El rendimiento y la retención mejoraron, con ahorros significativos sobrantes, mostrando una vez más el valor de profundizar en los datos disponibles de nuestros colaboradores. De hecho, cuando se aplica bien, el análisis de las personas es más justo, tiene un mayor impacto y, en última instancia, es más rentable y ahorra tiempo. Conclusión, se puede mover a todos a la curva de conocimiento, muchas veces de forma contra intuitiva.
