El Big Data Analytics se ha convertido en una necesidad estratégica para los departamentos de Recursos Humanos en las organizaciones. Con más de 30 años trabajando con empresas mexicanas que manejan nóminas complejas, hemos visto cómo la analítica de datos transforma la gestión del talento con la toma de decisiones estratégicas respaldadas por información concreta.
Pero, ¿Qué es Big Data Analytics?
De acuerdo con la compañía tecnológica IBM, Big Data Analytics es el procesamiento y análisis de grandes cantidades de datos y conjuntos de información compleja para descubrir patrones ocultos, correlaciones desconocidas y que pueden ayudar a tomar mejores decisiones de negocio.
Es decir, el Big Data está conformado por conjuntos de datos de mayor tamaño y de más complejidad, básicamente provenientes de nuevas fuentes de datos. Dichos conjuntos son tan voluminosos que un software de procesamiento convencional no puede administrarlos.
Sin embargo, esta gran cantidad de información puede utilizarse para plantear problemas organizacionales que, hasta hace algunos años, no hubiera sido posible solucionar. Para los profesionales de RRHH, significa transformar montañas de datos de empleados en insights accionables. No se trata solo de acumular información, sino de extraer valor de ella.
¿Cómo está conformado el Big Data en RRHH?
El Big Data en Recursos Humanos proviene de múltiples fuentes que generan información valiosa sobre el capital humano de la organización, como:
Fuentes de datos
Los datos en RRHH se originan desde sistemas de gestión de nómina, evaluaciones de desempeño, encuestas de clima laboral, registros de capacitación y hasta interacciones en redes sociales corporativas.
En México, algunas empresas también obtienen datos valiosos de fuentes gubernamentales (como el SAT, IMSS e INFONAVIT), que complementan la información interna para crear perfiles más completos de sus colaboradores.
Datos estructurados vs. no estructurados
Según Gartner, se estima que entre el 80% y el 90% de los datos empresariales que se generan hoy en día no están estructurados. El óptimo manejo de datos puede representar una ventaja competitiva para las empresas al revolucionar la atención a los clientes, la forma de brindar servicios y transformar sectores enteros de la actividad humana.
Para las empresas preocupadas por sus áreas de RRHH, los datos estructurados incluyen información organizada como registros de nómina, mientras que los no estructurados abarcan comentarios en encuestas, entrevistas y comunicaciones internas.
Las 7 Reglas para potenciar Big Data Analytics en RRHH
Pero, ¿cómo se pueden maximizar los resultados de esta valiosa herramienta? Al respecto, McKinsey & Company comparte lo que ha denominado “7 reglas de oro” para que la industria y organizaciones, en general, puedan gozar de sus beneficios.
Regla #1: Comenzar por lo simple y con los datos existentes
Es cierto que el alcance del Internet de las Cosas (IoT) en diversas industrias, como por ejemplo la manufacturera, ha entusiasmado a instalar miles de sensores de bajo costo en sus operaciones. Y aunque la idea es innegablemente valiosa, la experiencia demuestra que la mayor cantidad de datos que se producen actualmente no son utilizados.
Por ejemplo, no necesitas esperar a tener un sistema perfecto. Comienza con los datos que ya tienes en tus sistemas de nómina y gestión de personal. Identifica una pregunta clave de negocio, como “¿Por qué aumentó la rotación en el último trimestre?” y utiliza esos datos disponibles para encontrar patrones iniciales que te orienten a un mejor desempeño.
Regla #2: Capturar los datos correctos, no simplemente más datos
La calidad supera a la cantidad. El objetivo del Big Data es poseer datos correctos, más que el tener grandes cantidades de ellos.
Por ejemplo, una empresa de materiales básicos invirtió millones en un sistema de fabricación inteligente donde monitorea más de un millón de variables. Sin embargo, al analizar 500 etiquetas de datos, descubrió que el 50% de la información estaba incompleta o duplicada, y otro 25% fue descartado por no ser apto para análisis.
Además, identificaron que 20 variables críticas no estaban siendo medidas, lo que impedía un análisis predictivo preciso. La solución fue instalar sensores adicionales y usar analytics para dar soporte a los ingenieros de procesos, logrando mejorar el rendimiento un 1%.
Regla #3: No dejar que la búsqueda de la perfección final impida avanzar en el corto plazo
Es verdad que para obtener el máximo valor de los analytics avanzados empleados en el IoT (Internet de las Cosas) es necesario invertir en tecnología. A pesar de esto, no es necesario que las organizaciones se paralicen esperando la conclusión de largos proyectos de TI.
Por ejemplo, el análisis predictivo del personal puede comenzar con herramientas básicas. Lo importante es iniciar el proceso y mejorarlo gradualmente.
Sin embargo, una opción es crear un “lago de datos” o, lo que es lo mismo, un mecanismo flexible para integrar la información en toda la empresa y sin necesidad de una centralización total.
Si bien estos mecanismos requieren un sólido sistema regulador y de rendición de cuentas (en cuanto a la definición y la calidad de los datos), también es un hecho que contribuyen a democratizar el acceso a ellos.
La solución para ello es una infraestructura de TI y datos paralela de “alta velocidad”, que por lo general consiste en un sistema basado en la nube, la cual brinda una variedad de entornos de implementación y bases de datos personalizables.
Los lagos de datos y las soluciones en la nube facilitan un comienzo más rápido para las iniciativas analíticas y permiten a las compañías desarrollar, probar e implementar ágilmente nuevos casos de uso. Esto ayuda a la producción de la prueba de concepto necesaria, previa al despliegue de las nuevas soluciones. Asimismo, es una manera valiosa de formar el “músculo” analítico de la organización.
Regla #4: Enfocarse en los resultados, no en la tecnología
La tecnología es un medio, no un fin, por eso el verdadero valor está en las decisiones que tomas. Para ello, un enfoque basado en casos de uso puede ser de gran utilidad para visualizar de forma más clara y así prevenir cualquier inconveniente.
Algunas preguntas básicas que se pueden elaborar son:
- ¿Qué resultado se busca para el negocio?
- ¿Se trata de una nueva oportunidad comercial, de reducción de costos o de una mejora de la capacidad de innovación?
- ¿Cuáles son los criterios de valor?
- ¿En qué hay que enfocarse: en ahorrar energía, volver más eficiente el mantenimiento, utilizar mejor los activos, reducir el inventario, aumentar la producción?
- ¿Qué requerimientos técnicos debe cumplir el enfoque propuesto para poder extenderlo al resto de la organización?
- ¿Son necesarias nuevas fuentes de información?
- ¿Cómo se integrará la solución a los sistemas de TI existentes?
- ¿De qué manera se puede administrar en forma segura el mayor volumen de datos?
- ¿Qué técnicas analíticas se utilizarán?
- ¿Qué nuevos tableros de control son necesarios?
- ¿Cómo se acoplará el nuevo enfoque con los procesos existentes?
- ¿Quiénes utilizarán el nuevo sistema?
- ¿Qué comportamientos y procesos de decisión es necesario modificar para convertir los conceptos analíticos en resultados concretos para el negocio?
En conjunto, todos estos cuestionamientos pueden dar un panorama mucho más amplio para la toma de decisiones, al momento de decantarse por alguna opción tecnológica.
Regla #5: Buscar valor en el conjunto de actividades y dentro de cada una de ellas
Es cierto que los métodos basados en analytics avanzados se han utilizado exitosamente en una gran diversidad de actividades dentro de una planta de producción. Gran parte del valor de la digitalización radica en cómo colaboran a cerrar las brechas existentes entre diseño y fabricación, entre fabricación y red de abastecimiento y, por último, entablando una relación con el usuario final.
Se han registrado casos de éxito con fabricantes de maquinaria especializada que identificaron mejoras de productividad por alrededor de $300 millones de dólares al mejorar el flujo de datos entre diseño y fabricación, y gestionar el desempeño en tiempo real.
Como sucede en cualquier tipo de innovación o cambio, es necesario planificar para tomar decisiones que redunden en beneficios para la organización y en el cumplimiento de los objetivos de la misma.
Identifica oportunidades de mejora tanto en procesos individuales como en la interacción entre ellos.
Regla #6: Evitar la trampa del “piloto”
Una prueba piloto es un recurso muy eficiente y valioso para demostrar la utilidad de la analítica avanzada; ayuda a impulsar la toma de decisiones y promueve la aceptación.
Sin embargo, los proyectos piloto eternos rara vez generan valor real, por lo que los plazos concretos y criterios de éxito medibles son una mejor opción.
Por tanto, los líderes deben pensar detallada y cuidadosamente en cómo permear los beneficios del uso de este tipo de herramientas y el impacto positivo que pueden tener.
¿Cuáles son algunos de los errores más comunes que se pueden realizar en este cometido?
Listamos los más comunes:
- Enfocarse en la tecnología o en la metodología, en lugar de la verdadera fuente de valor: para ello es necesario empezar por la verdadera fuente de valor, que generalmente son las necesidades del usuario o cliente.
- Resolver un solo caso de uso a la vez: esto generará decisiones que, en un momento dado, pueden afectar la escalabilidad a futuro. Para alcanzar escala, es necesario contar con una arquitectura operacional y analytics avanzados, plataformas de IoT, herramientas de digitalización y técnicas de modelado.
Al momento de evaluar las necesidades de su plataforma, las compañías deben tener en cuenta:
- El entorno de la aplicación y la conectividad de la plataforma a la infraestructura de TI existente.
- La capacidad de la plataforma para ingerir flujos de datos variables a alta velocidad y proveer contexto para esos datos.
- Su compatibilidad con la estrategia de la nube empresarial.
- Las cuestiones relacionadas con la soberanía y la seguridad de los datos.
- La capacidad de la plataforma para procesamiento y control cerca de la fuente, en lugar de hacerlo solo centralmente.
- Celebrar logros prematuramente: Las organizaciones deben visualizar todo el proceso, no solo los elementos técnicos y una única prueba de concepto necesarios para alcanzar escala. Aspectos sobre gobierno de datos, como dominios, elementos de datos críticos, modelos de rendición de cuentas y definición de roles, pueden presentar cuestionamientos complejos a nivel organizacional y de personal, en especial con relación a los puestos analíticos y técnicos a crear.
- Acertar con la solución técnica, pero olvidarse de las personas: Los analytics pueden ayudar a identificar la respuesta correcta, pero para lograr impacto, es necesario que las personas cambien su forma de actuar. El aprovechar oportunidades digitales es algo que debe realizarse en equipo, ya que exige una colaboración estrecha e interfuncional.
Un equipo de personas con experiencia en TI y habilidades analíticas debe trabajar juntas para estructurar el problema, traducir un problema de negocios en uno analítico y definir el sistema más apropiado, así como los requerimientos técnicos desde una perspectiva de TI.
Para evitar estos errores, las empresas requieren una metodología bien estructurada para administrar las decisiones analíticas y, con ello, identificar y gestionar casos prácticos con los que se construirá la base tecnológica más eficaz.
Regla #7: Desarrollar las capacidades
La aplicación de Big Data a gran escala requiere de cambios en la organización. Por ejemplo, los negocios deben definir su estrategia de talento a medida que surgen nuevos roles y planes de carrera.
En el futuro cercano habrá una fuerte demanda de competencias o capacidades como científicos de datos, equipos de TI Agile y diseñadores de experiencia del usuario (UX), que tendrán un relevante papel para dar soporte al uso del análisis en el mundo real.
Por ejemplo, un diseño persuasivo creado con participación del personal frecuentemente suele ser la clave para lograr altas tasas de adopción de las soluciones analíticas. Los profesionales en UX deben involucrarse desde el diseño de un caso de uso, en lugar de solo aplicar una interfaz visual al final.
Asimismo, las empresas necesitan “traductores” (colaboradores con múltiples habilidades y aptos para conducir el proceso completo). Deben contar con un profundo conocimiento del negocio y la capacidad para intervenir en el flujo de trabajo de los equipos de operaciones y mantenimiento.
Para comunicar el impacto al equipo de liderazgo, es necesario dominar técnicas analíticas, cuestionar a los científicos de datos, tener conocimientos de sistemas de TI y design thinking.
Sin duda, este es un perfil complejo y difícil de encontrar. Adicionalmente a estos roles internos, resulta prioritario contar con una buena estrategia de colaboración; recomendamos que las empresas inviertan en capacitación continua y consideren asociarse con expertos que puedan automatizar procesos de RRHH mientras desarrollan capacidades internas.
Las 5 V del Big Data aplicadas a Recursos Humanos
El framework de las 5V nos ayuda a entender las dimensiones clave del Big Data en el contexto de RRHH. Y para maximizar su valor, quienes toman las decisiones deben conocer sus desafíos, también conocidos como las cinco V:
1. Volumen – Millones de registros anuales
Las empresas generan millones de registros de datos de colaboradores anualmente, desde marcaciones de entrada/salida hasta interacciones en plataformas digitales.
2. Velocidad – Del batch al tiempo real
La velocidad de procesamiento ha evolucionado en análisis en tiempo real que permiten tomar decisiones inmediatas sobre ausentismo, productividad y engagement.
Las empresas que usan soluciones a través de un Software con Tecnología OpenSync para integración con otros sistemas permiten actualizar métricas clave automáticamente en las áreas de Recursos Humanos.
3. Variedad – Múltiples fuentes y formatos
Los datos de RRHH se generan de sistemas estructurados (nómina, asistencia) y no estructurados (encuestas, evaluaciones cualitativas, redes sociales).
4. Veracidad – La calidad importa más que la cantidad
Se refiere a establecer procesos de validación y limpieza que es fundamental para garantizar análisis confiables.
5. Valor – ROI medible y demostrable
El verdadero éxito del Big Data en RRHH se mide por su impacto en las organizaciones, como la reducción de rotación, aumento de productividad y optimización de costos laborales.
Implementación: Tu hoja de ruta personalizada
Nivel 0 – Empezando desde cero
Si aún dependes de hojas de cálculo y reportes manuales, comienza por centralizar tus datos en un sistema y definir métricas básicas de seguimiento.
Implementa dashboards sencillos para visualizar indicadores clave como rotación, ausentismo, costo por contratación u otros KPI´s importantes.
Nivel 1-2 – Analytics básico a intermedio
En este nivel, ya cuentas con datos centralizados y buscas correlaciones entre variables para entender causas y efectos de procesos.
Nivel 3+ – Analytics avanzado
Se refiere a incorporar modelos predictivos y prescriptivos que anticipen eventos futuros y recomienden acciones específicas.
Errores comunes que debes evitar
Los 5 errores más costosos en Big Data RRHH
- Comenzar sin objetivos: Definir primero las preguntas de negocio que quieres responder.
- Ignorar la calidad de datos: Datos incompletos o incorrectos generan un análisis incompleto de la información.
- Subestimar la resistencia cultural: El cambio hacia decisiones basadas en datos requiere una gestión paulatina hacia los colaboradores.
- Invertir en tecnología sin capacitación: Las herramientas son inútiles sin personas que estén preparadas para usarlas.
- Olvidar la privacidad de datos: La ley en México sobre protección de datos personales exige cumplimiento estricto.
El Big Data ya no es opcional para RRHH
El Big Data Analytics ha pasado de ser una ventaja competitiva a una necesidad para los departamentos de RRHH que buscan mejorar los procesos, tanto de negocio como de su capital humano.
En Fortia, te recomendamos que RRHH adopte de manera gradual el análisis de datos para que tus resultados sean tangibles en las preocupaciones más importantes, como la reducción de rotación, mejora en la calidad de contrataciones y optimización de costos laborales.
Y tú, ¿estás listo para transformar RRHH a través del Big Data Analytics?
