Los departamentos de RRHH no permanecen ajenos a esta realidad y tienen que poner sus esfuerzos en adaptarse a estas nuevas reglas. Al fin y al cabo las labores del departamento de RRHH abarcan asuntos tan amplios y complejos como la contratación de empleados, velar por el bienestar de todas las personas en las empresas, realizar gestiones económicas y tramitaciones de incapacidades o permisos, ofrecer otros tipos de retribución a los empleados, etc. Cualquier herramienta que mejore la eficacia del departamento de RRHH repercutirá en una empresa más estable, eficiente y con mayor bienestar y por lo tanto repercutirá a todas las personas que la componen, además de otros beneficios económicos para la empresa.
Para trabajar con Big Data y RRHH no hay duda de que necesitamos un gran volumen de datos. Si disponemos de escasos datos en el Datamart de RRHH, los resultados que encontremos serán también escasos. En cambio, si disponemos de una información más voluminosa, tendremos mayores probabilidades de éxito a la hora de explotar correctamente nuestros datos. Sin embargo, el volumen de los datos no lo es todo y hay que tener en consideración otros asuntos. Recordemos que un volumen alto no implica necesariamente un éxito alto ya que los datos tienen que cumplir ciertos requisitos de calidad y es imprescindible que sean relevantes en la resolución del problema (no sería lógico utilizar datos meteorológicos para realizar un scoring de un cliente en un banco).
Por lo tanto, los puntos clave para que un proyecto de Big Data sea exitoso son:
- Volumen suficiente de datos
- Datos de calidad
- Datos orientados hacia la resolución del problema
- Un correcto análisis de los datos
Cabe ahora preguntarse ¿Cuáles son las empresas más susceptibles de cumplir estos requisitos? En el caso del Big Data aplicado a RRHH, las grandes superficies dedicadas al retail tienen un punto de partida privilegiado. Estas empresas disponen de grandes superficies de venta al público distribuidas por todo el país y cuentan con un alto número de empleados que realizan miles de ventas diarias. Además estos negocios llevan tiempo registrando todas las ventas que realizan, identificando producto, importe, fecha y hora y en muchos casos, también un identificador de cliente mediante las tarjetas de fidelidad. Sin embargo, pese a almacenar toda esta información, muchas de estas grandes superficies no utilizan todavía sus datos para evaluar el rendimiento de sus empleados ni para asignar a cada empleado a los horarios en los que más rendimiento obtiene.
Los mismos datos que ya utilizaba la empresa para segmentar clientes y ofrecer promociones interesantes para cada target les pueden resultar útiles para obtener una evaluación objetiva del rendimiento de los empleados, permitiéndoles prescindir de la evaluación subjetiva del encargado correspondiente, que a menudo es sesgada.
¿Cómo debe realizarse este análisis? Es necesario crear 2 modelos distintos: el primero de ellos consiste en predecir las ventas por producto y día (un ejemplo simplificado sería que un fin de semana cercano a las fiestas de navidad esperamos vender 50 abrigos por hora) mientras que el segundo modelo determina si se ha cumplido dicha previsión y cuánto se ha desviado teniendo en consideración los empleados que trabajaron durante dicho horario (ese día la venta real fueron de 60 abrigos, por lo que se vendieron 10 abrigos más de lo esperado. La organización quiere comprender la causa de esa venta por encima de lo esperado).
El segundo modelo tiene la misión de averiguar por qué se han vendido 10 abrigos más durante ese día. Las variables que utilizará serán: los empleados que estaban en la sección de abrigos dicho día, la estimación del primer modelo, el día de la semana, la proximidad con algún festivo, la temperatura medida en el exterior de la tienda, etc. Si sólo disponemos de un empleado (obviando el resto de variables para simplificar), la resolución del problema es trivial. Pero, ¿qué ocurre si tenemos más de un empleado, por ejemplo, Nuria, Alberto y Ana? Existen técnicas que permiten identificar de forma separada qué personas han sido responsables de ese aumento de ventas. Estas técnicas requieren un alto volumen de datos para poder resolverse. Al disponer de un histórico de varios años, podremos identificar los días que han trabajado los 3 empleados por separado, las 3 posibles combinaciones de 2 personas y los días que han trabajado los 3 juntos, para finalmente, encontrar qué empleado es el que tiene un mayor rendimiento (por ejemplo descubriremos que, siempre que trabaja Ana, las ventas aumentan un 10% respecto a lo estimado por el primer modelo).
Sin embargo, este modelo puede verse afectado por muchos factores externos y es necesario que los perfiles de negocio lo comprendan correctamente para no cometer errores. Por ejemplo, si dos empleados, Nuria y Alberto, siempre trabajan juntos por necesidades de la tienda, nunca podremos saber cuál de los dos es el responsable del aumento de las ventas.
Por otro lado, también podemos considerar la interacción entre personas (por ejemplo que Ana aumenta sus ventas hasta el 11% cuando trabaja con Nuria). Todas las cuestiones que puedan surgir en este tipo de análisis han de ser tenidas en cuenta para adaptarse a las necesidades del negocio. Será responsabilidad del científico de datos explicar el alcance y las limitaciones del estudio al equipo de gestión de la empresa.
Debido la situación provocada por la crisis sanitaria y económica del COVID-19, se deberán inspeccionar los modelos para comprobar su validez y adaptarse a la nueva normalidad. En algunos casos será necesario esperar para tener un volumen de datos que nos permita hacer nuevos modelos. Sin embargo, en una parte de las empresas, los modelos pueden seguir siendo funcionales realizando algunas modificaciones.
Como hemos visto con este ejemplo, el Big Data se puede hacer hueco incluso en departamentos de RRHH, donde actualmente no se están explotando plenamente los datos de nuestra organización. Además se pueden hacer estudios con datos ya existentes en nuestro Data Warehouse. Durante esta transformación digital centrada en los datos, será cada vez más necesario que el equipo de Data Science de nuestra empresa tenga una colaboración intensa en el desarrollo del Data Warehouse ya que ayuda a identificar análisis útiles a medio y largo plazo para los cuales no se tengan datos almacenados. Asimismo, los científicos de datos deben tener una relación estrecha con los equipos de gestión de la empresa con el objetivo de resolver las cuestiones del negocio y generar nuevos análisis.
Para que los negocios mejoren su posición en el mercado necesitan explotar toda la información que le otorgan los datos y deben estar en vanguardia en la transformación digital que estamos viviendo. De no ser así corren el riesgo de que sus competidores sí que lo hagan y sus empresas se queden atrás en la carrera hacia el éxito. Esto cobra todavía mayor importancia en los periodos de incertidumbre como los que desgraciadamente tenemos en la actualidad.
Devoteam
Data Scientist Consultant
