CONTENIDO

Lista de ilustraciones ix

Prólogo xi

DP Goyal

Prólogo xii

Vipul Gupta

Prólogo xiii

Kulwant Kumar

Prefacio XV

Agradecimientos xvii

Lista de abreviaturas xix

1 Análisis en HRM 1

2 Buscando datos 33

3 Modelando el problema empresarial 67

4 Herramientas y técnicas de análisis predictivo 86

5 Evaluación de resultados analíticos 109

6 Análisis predictivo de RRHH en reclutamiento y

selección 123
viii Contenido
7 Análisis predictivo de recursos humanos en rotación y
separación 151

8 Análisis predictivo de recursos humanos en otras áreas

de gestión de recursos humanos 176

9 Tendencias emergentes en análisis predictivo de

recursos humanos 197

Índice de materias 213

Índice de empresas 216

ILUSTRACIONES

Cifras
1.1 Marco LAMP 16
1.2 Un enfoque holístico para la aplicación de la analítica 17
1.3 Proceso de generación de nómina 22
1.4 Representación de la lógica del proceso 23
1.5 Las seis firmas del análisis relacional: firma de
ideación (1.5a), firma de influencia (1.5b), firma de
eficiencia (1.5c),
firma de innovación (1.5d), firma de silo (1.5e),
vulnerabilidad
firma (1.5f) 28
2.1 Técnicas de recopilación de datos 44
2.2 Métodos de muestreo 49
2.3 Cuadro de mando 'Margdarshan' en Sampann 64
3.1 Panorama corporativo: diagramas de influencia 70
3.2 Variables dependientes, independientes y moderadoras 73
3.3 Variables dependientes, independientes y mediadoras 74
4.1 Composición de una neurona biológica 88
4.2 Topología de una red neuronal artificial 89
4.3 RNA con dos neuronas de entrada, tres neuronas ocultas en
una
capa oculta y una neurona de salida 90
4.4 Árbol de decisión: riesgo de ser diabético 94
4.5 Interfaz RStudio 102
5.1 Tabla de elevación 117
6.1 Qué se espera que haga el modelo predictivo de selección
128
6.2 Abrir un nuevo script R 133
6.3 Importar un conjunto de datos en R 133
6.4 Importar una vista previa del conjunto de datos 134
x Ilustraciones

6.5 Adjuntar un conjunto de datos a Global Environment 134

6.6 Uso de la pestaña Paquetes 135
6.7 Normalización del conjunto de datos 135
6.8 Visualización de salida del modelo nn 136
6.9 Vista de pesos de red generalizados 136
6.10 Trazar el modelo neuronal 137 6.11 Representar una
matriz de confusión 141 6.12 Mostrar error de clasificación
errónea 141
7.1 Especificación de la variable objetivo como variable factor
160
7.2 Dividir el conjunto de datos 160
7.3 Resumen del modelo 162
7.4 Gráfico que representa el ajuste KNN 162
7.5 Importancia de las variables 163
7.6 Uso del modelo para predicción 164
7.7 Matriz de confusión 164
7.8 Resumen del modelo utilizando ROC como métrica de
rendimiento 165
7.9 Matriz de confusión con ROC 166
7.10 Gráfico que representa el ajuste KNN (usando ROC) 167
Mesas
1.1 Aplicación de la lógica del proceso a la selección de
candidatos 24
1.2 Lógica del proceso de oferta de programas de formación a
los empleados 24
2.1 Diferencia entre datos e información 37
2.2 Datos brutos en transacciones 37
2.3 Información extraída de datos sin procesar 38
5.1 Matriz de confusión 115
5.2 Bases para elegir herramientas analíticas para problemas
de negocio 119
6.1 Resumen basado en la vista del sistema/enfoque de
proceso 130
6.2 Aplicar el enfoque de vista/proceso del sistema a los datos
para
nuevos solicitantes 130

Disponible en el sitio de recursos electrónicos:

Apéndice I Conjunto de datos para el modelo predictivo de
selección.
Apéndice II R script para modelo predictivo de selección
Apéndice III Conjunto de datos para el modelo predictivo de
facturación
Apéndice IV R script para modelo predictivo de facturación
2Análisis en gestión de recursos humanos
 Análisis en HRM 3

ABREVIATURAS

AI inteligencia artificial
AIG grupo internacional americano
ANA Red neuronal artificial
AUC área bajo la curva
BI Inteligencia de Negocio
IMC índice de masa corporal
CARRO árbol de clasificación y regresión
CEO director ejecutivo
CV validación cruzada
plan de CC plan de aportación definida
DELTA datos, empresa, liderazgo, objetivos
y analistas
DSS sistema de soporte de decisiones
ERP Planificación de recursos
empresariales
Oficina FE oficina financiera expresa
PIB producto Interno Bruto
GLM modelo lineal generalizado
GPA promedio de calificaciones
GUI interfaz gráfica de usuario
clorhidrato Hindustan Computadoras Limitadas
caballos de Hewlett Packard
fuerza
HORA Recursos humanos
DRH desarrollo de recursos humanos
HRIS sistemas de información de recursos
humanos
gestión de gestión de recursos humanos
recursos
humanos
hROI retorno humano de la inversión
4Análisis en gestión de recursos humanos

IBEF Fundación de valor de marca de la

India
IBM Máquinas de negocios
internacionales
Abreviaturas
INR Rupia india
IoT Internet de las Cosas
IPSS Servicio de conmutación de paquetes
internacional
ÉL tecnologías de la información
JAD diseño de aplicación conjunta
knn K-vecino más cercano
KPI indicador clave de rendimiento
KPMG Turba Klynveld Marwick Goerdeler
KSA conocimientos, habilidades y habilidades
LÁMPARA Lógica, análisis, medidas y procesos.
LMS sistema para el manejo del aprendimiento
DESVÁN suerte, oportunidad, frustración y amenaza
MAE error promedio
MBTI Indicador Myers-Briggs
MLP perceptrón multicapa
PNL procesamiento natural del lenguaje
OHI índice de salud organizacional
OHSAS 18001 Certificación en Gestión de Seguridad y Salud
en el Trabajo
Ajuste PO ajuste persona-organización
punto de punto de venta
venta
Etiquetado de parte del etiquetado del discurso
puntos de
venta
Power BI potencia la inteligencia empresarial
PTI Confianza de prensa de la India
RBV vista bajo recurso
RFID identificación de frecuencia de radio
RMSE error cuadrático medio
República de curva de funcionamiento del receptor
China
retorno de la Retorno de la inversión
inversión
SAS Sistema de análisis estadístico
ESS suma de errores al cuadrado
 Análisis en HRM 5

STP parques tecnológicos de software

TCS Servicios de consultoría Tata
TPS sistema de procesamiento de transacciones
TRA asignación total de recompensas
A NOSOTROS Estados Unidos
USP propuesta única de venta
6Análisis en gestión de recursos humanos

1
ANÁLISIS EN GRH

Después de leer este capítulo, los usuarios

podrán comprender los siguientes conceptos
clave:
• Comprender el significado de la analítica empresarial y su
necesidad y valor en la gestión empresarial.
• Comprender el significado, alcance y contexto de la gestión
de recursos humanos.
• Comprender el significado, la necesidad y el papel de la
analítica de recursos humanos en la gestión empresarial
• Comprender la adopción del enfoque de sistemas/visión de
procesos para la aplicación de análisis.
• Comprender los pasos en la aplicación de análisis a un
problema empresarial.
• Identifique problemas comerciales a través de un ejemplo
ilustrativo de la cuestión de la gestión de la rotación y la
retención en la industria de TI de la India.

Caso de apertura
La gestión de recursos humanos (HRM) siempre se ha
preocupado por sacar lo mejor de las personas, empoderarlas y
motivarlas e impulsar el desempeño en el lugar de trabajo. Pero
la pregunta siempre ha sido cómo empoderarlos y motivarlos, o
hacer que se desempeñen bien. Hoy en día, las organizaciones
líderes están adoptando análisis de recursos humanos (RRHH),
un conjunto de herramientas y técnicas analíticas sofisticadas,
 Análisis en HRM 7

para encontrar una respuesta óptima a esta pregunta. Una de

esas empresas, Harrah's Entertainment, una empresa
estadounidense que opera en hoteles y casinos de juegos, aplica
análisis para comprender cómo las decisiones y los resultados
relacionados con recursos humanos se traducen en servicios al
cliente y, por lo tanto, en la generación de ingresos. Utiliza
análisis para determinar una cantidad óptima de personal
necesario en las operaciones de front-end y back-desk. Además,
a través del análisis de recursos humanos, la empresa
comprende qué factores y beneficios organizacionales hacen
empleados sanos y felices, ya que tiene un efecto directo en el
comportamiento de los empleados con los huéspedes y visitantes
del hotel. Para mejorar la salud y el bienestar de los empleados,
Harrah's frecuentemente lleva a cabo programas de bienestar y
luego utiliza métricas para evaluar el impacto de estos
programas en el compromiso de los empleados. Analytics evalúa
cómo las mejoras en las métricas de compromiso de los
empleados se corresponden con un aumento en los ingresos de
la empresa. De manera similar, otras empresas importantes
valoran el compromiso de los empleados y utilizan análisis para
comprender cómo contribuye a los ingresos de la empresa. Best
Buy (Davenport, Harris y Shapiro, 2010), una cadena minorista,
también ha implementado análisis en este contexto y demostró
que un aumento del 0,1% en los niveles de compromiso de los
empleados conduce a un aumento de 100.000 dólares en los
ingresos de esa tienda. La analítica también se ha adoptado
ampliamente en muchas otras áreas de la gestión de recursos
humanos, por ejemplo, para predecir la rotación de empleados o
para comprender el flujo de información en toda la organización.
Todos estos conocimientos ayudan a la dirección a frenar las
áreas problemáticas de forma proactiva. Por ejemplo, Sysco
(2019), otra empresa multinacional estadounidense, involucrada
en la comercialización y distribución de productos alimenticios,
utensilios de cocina, etc., ha podido apuntar a estrategias de
retención inmediata para sus repartidores utilizando análisis y
lograr una mejora del 65% al 85%. en sus tasas de retención.
Esto corresponde directamente a ahorros en costos de
contratación y capacitación para la empresa. Sin embargo,
aunque la aplicación de análisis puede impartir conocimientos sin
precedentes para una toma de decisiones eficaz, el éxito de su
implementación depende de una serie de factores como la
disponibilidad de datos, el liderazgo y el compromiso de la
8Análisis en gestión de recursos humanos

dirección, etc. Por lo tanto, el caso destaca cómo el análisis de

recursos humanos puede ayudar en la toma de decisiones y
proporcionar información sobre la relación entre los programas
de recursos humanos y la generación de ingresos. Este capítulo
desarrolla una comprensión de la analítica empresarial en
general, y la necesidad de análisis de recursos humanos y
análisis predictivo, entre los lectores de este libro.

Introducción
Como dice Alexis Fink, director general (Talent), “Los recursos
humanos basados en datos son una mentalidad, una filosofía
sobre cómo tomamos decisiones” (Feffer, 2018).
Durante años, las empresas han estado realizando inversiones
sustanciales en recursos humanos a través de una variedad de
prácticas de recursos humanos como compensación, capacitación
y desarrollo, y planificación profesional, por nombrar algunas. La
evolución de la gestión de recursos humanos desde la función
tradicional de personal, que era una entidad independiente que
funcionaba en una organización y trataba a los empleados como
otros recursos de la empresa, hasta el papel actual de ser un
socio comercial estratégico alineado vertical y horizontalmente,
es maravillosa. La premisa básica de este cambio es la necesidad
de abordar la dinámica del entorno empresarial, que exige que
una organización mantenga su ventaja competitiva a pesar de
las incertidumbres ambientales. En la era actual, los recursos
humanos son los únicos recursos únicos que una organización
puede tener y que garantizan una ventaja competitiva, ya que
todos los demás recursos –físicos y organizacionales (visión
basada en recursos, RBV)– pueden replicarse en las empresas.
Sin embargo, esto también plantea un desafío constante a la
capacidad de la empresa para mantener su fuerza laboral, ya que
las empresas competidoras siempre están buscando "robar" su
talento competitivo.
Los consultores de gestión de todo el mundo coinciden en que
cuando las organizaciones consideran su talento como un
objetivo comercial estratégico y trabajan hacia la integración
estratégica de la gestión de recursos humanos en sus negocios,
el éxito organizacional estará automáticamente garantizado.

En las Tendencias de Capital Humano de Deloitte de 2017,

encontramos que el 39% de los empresarios cree que su
 Análisis en HRM 9

empresa tiene datos de calidad "muy buena" o "buena" para

la toma de decisiones relacionadas con las personas y el
31% entiende lo que significan las personas "mejores en su
clase". parece la analítica.
(Bersin, 2017)

Las organizaciones hoy en día avanzan hacia un enfoque

analítico cuantitativo de la gestión, desde el enfoque cualitativo.
En este contexto, los profesionales de recursos humanos también
están adoptando un enfoque analítico basado en datos y hechos
para abordar los problemas empresariales. Los datos sobre
personas están creciendo rápidamente y las organizaciones están
interesadas en desarrollarlos y obtener información sobre ellos.
En consecuencia, las empresas están ansiosas por invertir en la
aplicación de análisis de la fuerza laboral y la clave para las
empresas es crear una organización que pueda definir
rutinariamente hROI, el retorno humano de la inversión. Los
ejecutivos exitosos de recursos humanos en el siglo XXI
demuestran su valía no reduciendo el tamaño de sus propios
departamentos, sino contando una historia de éxito con cada
inversión en capital humano y validando esa historia con
números o hROI. Esta cuantificación de los datos de RRHH marca
la tendencia hacia el uso de la analítica en las organizaciones
para la gestión empresarial.

El análisis empresarial se refiere al uso de herramientas y

técnicas estadísticas y analíticas para interpretar y explorar
datos comerciales (independientemente de la estructura de
datos) para proporcionar a la gerencia conocimientos
comerciales objetivos y basados en datos, para ayudar en
la toma de decisiones.

La analítica empresarial a menudo se considera un

subconjunto de la inteligencia empresarial (BI). BI es un término
general que abarca análisis, informes y gestión de bases de
datos, además de las aplicaciones, infraestructura, herramientas
y mejores prácticas utilizadas para obtener información,
improvisar en su extracción y ayudar en la toma de decisiones
organizacional óptima. El término general análisis comprende
tanto análisis de negocios como análisis de datos, y la diferencia
10Análisis en gestión de recursos humanos

surge de los datos utilizados para obtener información y la

relevancia y el contexto de la información para una situación
empresarial. Nelson (2017) define la analítica como “el proceso
científico o la disciplina de resolución de problemas basada en
hechos”. Davenport y Harris (2007, p. 7) definen la analítica
como “el uso extensivo de datos, análisis estadístico y
cuantitativo, modelos exploratorios y predictivos y gestión
basada en hechos para impulsar decisiones y acciones”. Wilder y
Ozgur (2015) lo definen como “la aplicación de procesos y
técnicas que transforman datos sin procesar en información
significativa para mejorar la toma de decisiones”. Finalmente,
INFORMS recomienda la definición: “La analítica es el proceso
científico de transformar datos en conocimiento para tomar
mejores decisiones” (Boyd, 2012). Aunque el término análisis se
acuñó a finales de la década de 1990, el concepto de análisis
tiene sus raíces en la aplicación de técnicas estadísticas
tradicionales, y desde que Taylor (2006) propuso el concepto de
cuantificación del trabajo en la teoría científica de la gestión.
El crecimiento generalizado y la adopción de la analítica
empresarial en las organizaciones se pueden atribuir a varios
factores. La tasa exponencial a la que crecen los datos es la razón
principal del crecimiento paralelo de las aplicaciones de análisis
empresarial. Esto se debe a que las empresas han comprendido
que estas enormes cantidades de datos contienen mucha
información oculta para quienes toman las decisiones, que sólo
una solución analítica puede descifrar. Además, la proliferación
de una variedad de fuentes de datos y las enormes capacidades
de las soluciones tecnológicas para integrar y analizar dichos
datos también han llevado a las empresas a aprovechar la
utilidad de la analítica empresarial. Los productos de análisis
actuales son capaces de capturar y analizar datos de una amplia
variedad de fuentes, independientemente de la estructura de
datos, como datos RFID (identificación por radiofrecuencia),
datos de sensores, datos de redes sociales, datos de noticias,
datos de rastreadores web y blogs. clics en anuncios, datos de
IoT (Internet de las cosas), etc.

Varios factores contribuyen a la adopción de la analítica en

las organizaciones, como la tasa de crecimiento de los
datos, la aparición de nuevas fuentes de datos y soluciones
 Análisis en HRM 11

tecnológicas, técnicas para capturar datos

independientemente de su estructura, etc.

MUESTRA 1.1 EJEMPLOS CORPORATIVOS DE

ANÁLISIS SOBRE FUENTES DE DATOS
EMERGENTES

Los análisis aplicados a los datos RFID han tenido

numerosas aplicaciones por parte de los minoristas para la
gestión de inventario en los lineales. Esta aplicación de
análisis proporciona una forma de visualizar el movimiento
del producto, el tráfico de ventas y el número de ventas en
tiempo real.
Los datos de los sensores se utilizan ampliamente para el
mantenimiento predictivo en empresas manufactureras, el
seguimiento del comportamiento de los clientes y la
detección de anomalías. Por ejemplo, Reliance Power utiliza
análisis predictivos aplicados a sensores colocados en
máquinas de generación de energía para determinar su
condición y si necesitan servicios de mantenimiento.
Las compañías de seguros ahora utilizan análisis facial
para determinar la edad, el sexo y el índice de masa corporal
(IMC) de un usuario en función de la imagen cargada de su
rostro. Luego se pueden sugerir al cliente varias opciones
de seguro.
Las organizaciones utilizan los datos de los blogs de los
usuarios para determinar los patrones de navegación de los
usuarios y predecir y sugerir posibles páginas web en
función de sus preferencias. Esta corriente de análisis web
se utiliza ampliamente en la industria minorista y de
marketing para anunciar páginas web en función del
historial de navegación del usuario.
Las empresas de marketing digital utilizan el análisis de
anuncios para descubrir qué palabras clave en sus anuncios
digitales atrajeron más a los espectadores, en función de su
respuesta a su anuncio. La respuesta se determina
mediante el seguimiento del número de personas que
visitaron la página web, que vieron un anuncio completo,
quiénes se convirtieron en una venta real, etc.
12Análisis en gestión de recursos humanos

Principalmente, el uso de la analítica empresarial se puede

clasificar en función del resultado del conjunto de datos:
clasificación, agrupación y asociación (Raj, 2015). Además, la
categorización también se puede realizar en función de la
capacidad de la solución analítica: en descriptiva (narración
básica de análisis y eventos, en su mayoría seguida de análisis
posteriores), predictiva (previsión de eventos futuros basada en
el análisis) y prescriptiva ( máxima capacidad analítica con
narración, predicción y recomendación) soluciones.

Principalmente, existen tres clases de análisis empresarial:

análisis descriptivo, predictivo y prescriptivo.

MUESTRA 1.2 EJEMPLOS CORPORATIVOS DE

TIPOS DE ANÁLISIS

Análisis predictivo
• Dow Chemicals extrae datos históricos de
aproximadamente 40.000 empleados y ha podido
pronosticar tasas de promoción, transferencias internas
y cantidad de mano de obra requerida.
• Experian (2020) predice el desgaste de los empleados
basándose en el cálculo de los factores de riesgo de los
empleados mediante algoritmos predictivos. La
predicción se basó en aproximadamente 200 atributos
como el desempeño del supervisor, la distancia de viaje,
etc. La empresa ha podido reducir la facturación entre
un 2% y un 3% durante un año de implementación.

Análisis prescriptivo
• El modelo predictivo de rotación y retención en Nielsen
(2020) prescribe estrategias de retención por años de
antigüedad de sus empleados. Por ejemplo, para el
primer año de nuevas contrataciones, el modelo
prescribe que establecer puntos de contacto críticos es
crucial para la retención. Por lo tanto, se recuerda a los
gerentes de nuevas contrataciones que se comuniquen
con los nuevos empleados durante su primer año.
• La dotación de personal óptima se determinó en una
empresa comercial aplicando análisis a datos sobre una
 Análisis en HRM 13

cantidad de empleados y una cantidad de actividades

comerciales en

una unidad de negocio. La herramienta de análisis

prescribía si la unidad tenía exceso o falta de personal,
basándose en la correlación entre los dos conjuntos de
datos.

Análisis descriptivo
• Una empresa de transporte local implementó análisis
descriptivos de los resultados de las pruebas
psicométricas de los conductores y descubrió que los
niveles de concentración y tolerancia al estrés reactivo
estaban relacionados con la propensión a sufrir
accidentes. Esto tuvo implicaciones importantes para la
contratación de conductores.
• Google (Levenson y Pillans, 2017) utiliza su base de
datos de empleados para describir los rasgos de los
empleados clave en diferentes áreas de esa
organización y luego diseñar sus planes de contratación
en consecuencia.
14Análisis en gestión de recursos humanos

La analítica empresarial encuentra una aplicación generalizada

en todas las áreas de las funciones empresariales, ya sean áreas
funcionales de marketing, gestión de recursos humanos,
operaciones y producción o finanzas. Por ejemplo, el análisis
empresarial se ha utilizado masivamente en la función de
marketing para la segmentación de clientes y luego se utiliza
para marketing dirigido, como ofertas de productos
personalizados, sugerencia de productos coincidentes, etc. De
manera similar, se ha utilizado para analizar datos de clics en
anuncios para generar ROI en anuncios y predecir la eficiencia de
la campaña. Además , los clics se han utilizado para predecir
futuros clics del usuario. Además, el historial de navegación web
se utiliza para generar recomendaciones de compra, mientras
que el historial de compras anteriores de los clientes se utiliza
para generar recomendaciones de productos para los clientes en
función de la asociación entre productos comprados juntos. La
llegada del Internet de las cosas ha creado una revolución en la
industria manufacturera. Al colocar sensores en ubicaciones
apropiadas de las máquinas de las plantas de fabricación, las
organizaciones pueden aprovechar las estadísticas de los
dispositivos y predecir averías futuras, lo que ayuda a la empresa
a realizar un mantenimiento proactivo en lugar de preventivo.
Una clase de análisis llamada evolución genética también se
utiliza para impulsar los motores de búsqueda, en los que se
buscan y recuperan conjuntos de datos masivos de documentos
en función de coincidencias de palabras clave, en cuestión de
pocos segundos. En la función empresarial de las finanzas, la
analítica encuentra aplicación en la detección de fraudes de
seguros, la predicción de morosos en el pago de tarjetas de
crédito o préstamos y la segmentación de diferentes fuentes de
capital, por nombrar algunas.

Gestión de recursos humanos

La gestión de recursos humanos se puede definir como el
proceso de adquirir, capacitar, evaluar y compensar a los
empleados y de atender sus preocupaciones en materia de
relaciones laborales, salud y seguridad y equidad.
(Dessler y Varkkey, 2008, p. 24)
 Análisis en HRM 15

La gestión de recursos humanos (HRM) es la gestión de los

activos principales de una empresa, que son las "personas". Se
denominan recursos de una empresa porque, en virtud de sus
conocimientos, habilidades y habilidades, asumen una variedad
de roles en una empresa y le brindan a la empresa una ventaja
competitiva. La forma moderna de gestión de personal, también
denominada gestión de recursos humanos, es muy reciente y se
remonta a la década de 1940. Las incertidumbres en el entorno
empresarial llevaron a la complejidad de las funciones
desempeñadas por un gerente de personal y, en consecuencia,
dieron lugar a una serie de procesos de gestión de recursos
humanos. Esta variedad de procesos parte desde la planificación
de RRHH, pasando por el reclutamiento y selección, hasta la
separación de la empresa, para gestionar estos recursos. Un
factor importante responsable de provocar este cambio es el
cambio en la percepción de un empleado, que ahora es visto
como un recurso en lugar de una fuerza pasiva de producción y
alguien que tiene necesidades humanas y es parte de la
sociedad. Esto ha dado lugar a aspectos sociales de la gestión de
recursos humanos y al papel del directivo como cuidador.
Además de esto, los sindicatos han evolucionado y la sociedad se
ha vuelto más educada y consciente de las propias necesidades
y derechos, el creciente uso de la tecnología en el funcionamiento
organizacional, etc., son algunos de los otros factores que han
contribuido al funcionamiento de la gestión de recursos
humanos. Sin embargo, estas responsabilidades adicionales
requieren que HRM interactúe con muchas otras materias como
psicología, sociología, economía, gestión y filosofía. Y en la
actualidad, dado que los datos sobre personas están disponibles
en grandes cantidades, las estadísticas y los análisis también
tienen una interfaz con la gestión de recursos humanos.
La definición de gestión de recursos humanos abarca funciones
tanto operativas como de gestión. Las funciones operativas son
aquellas en las que a un individuo se le asigna una tarea o función
específica y no tiene autoridad sobre la misma, mientras que una
función gerencial es aquella en la que se ejerce tanto control
como autoridad. Edwin Flippo (1984) ha enumerado las
siguientes funciones operativas y gerenciales: planificación,
organización, dirección y control son las funciones gerenciales,
mientras que adquisiciones, desarrollo, compensación,
mantenimiento, separación e integración son las funciones
operativas. Cada una de estas funciones da lugar a uno o más
16Análisis en gestión de recursos humanos

procesos en la gestión de recursos humanos. La planificación

implica decidir qué iniciativas de recursos humanos deben
tomarse para lograr los objetivos de la organización; organizar o
dotar de personal implica organizar los puestos de trabajo, el
personal y la infraestructura física; dirigir implica ejecutar los
planes motivando, controlando y mandando al personal; y
controlar implica verificar si el plan implementado se ajusta al
decidido. La adquisición de recursos humanos implica definir los
requisitos de recursos humanos en la empresa, atraerlos y luego
seleccionar lo mejor de ellos. El desarrollo implica mejorar el
conjunto de habilidades de los empleados para cumplir con los
requisitos laborales y aumentar su productividad. La
compensación implica remunerar a los empleados de manera
justa y equitativa y a precios competitivos. El mantenimiento se
refiere a las tareas realizadas para mantener la fuerza laboral
capaz en la empresa, como mediante tutoría, comunicación, etc.
La separación se refiere a los empleados que abandonan la
empresa de forma voluntaria, involuntaria o mediante jubilación.

Las funciones de la gestión de recursos humanos abarcan

funciones tanto administrativas como operativas, y cada
función da lugar a uno o más procesos.
Papel cambiante de la gestión de recursos
humanos: importancia estratégica de la gestión
de recursos humanos
Hoy en día, la mayoría de las organizaciones a nivel mundial se
están centrando en las personas. Dado que el único recurso
organizacional que puede darles una ventaja competitiva son los
recursos humanos, existe una presión sin precedentes sobre las
organizaciones para buscar nuevas formas de contratar, retener,
motivar y empoderar a sus empleados. Además, la simple
contratación de empleados no lograría la estrategia de la
empresa a menos que se integre con la estrategia comercial
general. La llamada del momento es la adopción de la integración
estratégica de todas las áreas funcionales hacia la estrategia y
los objetivos comerciales generales. Las organizaciones líderes
exitosas han adoptado la integración vertical y horizontal de la
gestión de recursos humanos con la estrategia empresarial. Esto
implica que la estrategia empresarial debe traducirse y dictar una
estrategia de recursos humanos correspondiente, mientras que
 Análisis en HRM 17

los niveles de gestión y los niveles operativos en HRM derivan

sus objetivos empresariales funcionales de esta estrategia
integrada horizontalmente. Aparte de esta integración
estratégica, muchos otros cambios organizacionales y
ambientales también están cambiando el papel de la gestión de
recursos humanos en el funcionamiento general del negocio.
El entorno empresarial actual plantea una serie de desafíos
para las prácticas de gestión de recursos humanos de una
empresa. A menudo se dice con razón que los empleados de hoy
en día necesitan hacer un trabajo inteligente y duro para tener
éxito. La globalización ha llevado a una mayor competencia que
requiere que los empleados que son móviles (por ejemplo,
aquellos que necesitan mudarse a otros países para trabajar),
piensen y actúen con rapidez y sean más productivos incluso con
baja seguridad laboral e ingresos. Además, las empresas que
operan a nivel global tienen una fuerza laboral diversa en
términos de nacionalidad, etnia y diferencias culturales, etc. Esta
diversidad de la fuerza laboral requiere una gestión eficiente por
parte de la función de gestión de recursos humanos, ya que causa
importantes problemas de comportamiento en el lugar de
trabajo. Por ejemplo, las diferencias culturales afectan la
percepción y los patrones de pensamiento de un individuo, lo que
tiene un efecto en el comportamiento del equipo. Los cambios en
la naturaleza del trabajo debido a la globalización también han
afectado el cambio en las habilidades requeridas de un empleado.
Las empresas utilizan en gran medida conocimientos intensivos
y los empleados trabajan con maquinaria automatizada. Además
de esto, existe una tendencia creciente hacia la prestación de
servicios en los que los empleados desempeñan un papel frontal
en el que deben actuar en el momento o afrontar la pérdida de
un cliente. Además, la naturaleza de los empleos también está
cambiando, con un aumento de los empleos a tiempo parcial y
contractuales. Por lo tanto, existe una presión sin precedentes
sobre las organizaciones para que busquen nuevas formas de
gestionar a sus empleados de forma eficaz y eficiente, siendo la
necesidad actual pasar de prácticas de gestión de recursos
humanos convencionales a prácticas sofisticadas de gestión de
recursos humanos. La clave para resolver esta situación es
adoptar TI/IS, y el papel cambiante de la analítica tiene un efecto
significativo en la gestión eficiente de la función de recursos
humanos. La analítica tiene utilidad en todas las áreas
funcionales de una empresa y proporciona información
18Análisis en gestión de recursos humanos

excepcional sobre el desempeño de una función empresarial, que

no es visible a simple vista. Además de esto, el análisis puede
manejar todo tipo de datos (texto, audio, video, etc.), brindando
una ventaja incomparable a la gerencia para analizar blogs de
empleados, reseñas de clientes, conversaciones en centros de
llamadas, conversaciones de mensajería de empleados en la
empresa, etc. Todos ellos han hecho contribuciones únicas a la
comprensión del comportamiento organizacional y la formulación
de una estrategia para la gestión eficaz de los empleados. Por
ejemplo, las empresas de TI en la India enfrentan anualmente
altas tasas de rotación de empleados. El análisis va más allá de
las entrevistas de salida y profundiza en los registros laborales
de los empleados en la organización (permanencia, calificaciones
de desempeño, niveles de habilidades y experiencia previa) y
asocia cada uno de estos con la intención de rotación. Como
resultado, las empresas han podido predecir mejor la rotación y
diseñar estrategias de medidas de retención en consecuencia,
reduciendo su tasa de rotación general anualmente. Por lo tanto,
la analítica también es necesaria para una gestión eficaz de la
función de recursos humanos, ya que puede describir, predecir y
luego prescribir problemas de comportamiento organizacional
que surjan del papel cambiante de la gestión de recursos
humanos.

Análisis de recursos humanos

Una encuesta realizada por Tata Consultancy Services
encontró que sólo el 5% de las inversiones en big data se
destinan a [Link]., el grupo que normalmente gestiona el
análisis de personas.
(Leonardi y Contratista, 2018, p. 1)

Es interesante observar que solo el 16 % de las organizaciones a

nivel mundial informan que han adoptado análisis de recursos
humanos (Marler y Boudreau, 2017) y, por lo tanto, es posible
que los análisis de recursos humanos se encuentren en la etapa
de adopción temprana. Sin embargo, el análisis de recursos
humanos está ganando importancia, ya que existe una relación
entre el análisis de recursos humanos y el impacto empresarial
demostrado. Cuando las organizaciones son capaces de predecir
y cuantificar con precisión el valor de la contribución de la gente
 Análisis en HRM 19

de la empresa, automáticamente se generan mejores resultados

comerciales. Para prosperar en condiciones de mercado difíciles,
las organizaciones necesitan cuantificar sus intervenciones en la
fuerza laboral. El análisis de la fuerza laboral o el análisis de
recursos humanos deberían poder responder preguntas básicas:
¿están el trabajo, la estrategia/proceso organizacional, las
estructuras y los puestos de trabajo estratégicamente alineados,
y el capital humano de la empresa es lo suficientemente capaz
de lograr lo mismo? La aplicación de análisis de recursos
humanos tiene como objetivo traducir las acciones de recursos
humanos en un retorno de la inversión tangible. El enfoque
definitivo para las organizaciones es crear análisis predictivos en
gestión de recursos humanos, donde las empresas puedan
modelar el futuro, basándose en los conocimientos de las
personas desarrollados hoy. El análisis predictivo permite a la
empresa predecir el futuro, adoptando un enfoque de gestión
proactivo en lugar de reactivo, acumulando datos de personas de
una variedad de fuentes, independientemente de la naturaleza o
estructura de los datos, y luego aplicando herramientas y
técnicas estadísticas y analíticas para obtener ganancias.
información, como la causa del problema de recursos humanos o
la relación entre diferentes prácticas de recursos humanos y los
resultados organizacionales. La aplicación de análisis predictivo
a los datos de la fuerza laboral permite a las organizaciones hacer
frente a las incertidumbres futuras y no caer en el círculo vicioso
de contratación y despido. Estas empresas han pasado de mirar
más allá de los informes estáticos históricos a medidas
predictivas basadas en resultados.

La adopción de análisis de recursos humanos se encuentra en

la etapa inicial de adopción: solo el 16% de las empresas
adoptan el mismo en sus organizaciones.

Fuente: IBM (2011)

20Análisis en gestión de recursos humanos

Los enfoques analíticos pueden ayudar a los ejecutivos de

recursos humanos a cuantificar su retorno de la inversión en
capital humano y prácticas de recursos humanos. Además,
pueden ayudar a la dirección a orientarse hacia la configuración
de un futuro mejor para la gestión de recursos humanos
mediante el cumplimiento de los objetivos empresariales.
Cuando las empresas no generan y utilizan métricas centradas
en el negocio en [Link]., no se traducen efectivamente en
resultados comerciales, confundiendo así la contribución real de
[Link]. a los mismos. Por ejemplo, las empresas podrían haber
cuantificado el impacto de la capacitación en el desempeño de
un individuo, pero podrían no haber considerado el impacto en el
desempeño empresarial general. Las empresas recopilan
enormes cantidades de datos de recursos humanos, pero
relativamente pocas los retienen y los cuantifican para mejorar
el desempeño de una empresa. Por lo tanto, se vuelve imperativo
que las organizaciones recopilen los datos adecuados y utilicen
análisis para demostrar el impacto de las inversiones en recursos
humanos en el desempeño empresarial, prediciendo también las
necesidades futuras para una mejor alineación empresarial. Para
ello, los recursos humanos en las organizaciones requieren en
términos generales seis herramientas para utilizar la analítica
para mejorar los resultados comerciales (Harris, Craig y Light,
2011). Estas herramientas describen los requisitos clave para
que una empresa pueda equiparla con capacidades analíticas de
recursos humanos e implementar aplicaciones analíticas de
recursos humanos.
El requisito principal o la base de cualquier buena aplicación
analítica son los datos. Por lo tanto, una empresa debe tener una
base de datos de empleados que mantenga todos los datos de
los empleados en orden y ayude a rastrear y monitorear sus
métricas clave de empleados. Por ejemplo, Google (Levenson y
Pillans, 2017) mantiene una base de datos integral para
monitorear las actitudes, comportamientos, desempeño en el
trabajo, etc. de los empleados, que Google utiliza para aplicar
análisis para predecir la probabilidad de éxito de los empleados
en diferentes trabajos. áreas. La segunda herramienta es
identificar la gestión del talento crítico o los segmentos clave de
empleados que tienen alto rendimiento, alto potencial y son
líderes en su área de trabajo. El objetivo aquí es comprender qué
constituye cada segmento del empleado o comprender la base
 Análisis en HRM 21

para la diferenciación entre los empleados, que es el resultado

clave de una aplicación de análisis predictivo. La tercera
herramienta es tratar a cada segmento de manera diferente,
ahora que la organización es consciente de las diferencias en
cada segmento y puede trabajar en lo que más valora. Por lo
tanto, la cuarta herramienta es que la empresa debería
desarrollar inversiones centradas en RRHH, y la acción predictiva
debería además poder indicar en el tiempo cómo las acciones de
RRHH deberían variar según el ciclo de vida del empleado. Por
ejemplo, Convergys se dio cuenta de que cuando distribuía
incrementos anuales a sus empleados cada seis meses, en lugar
de cada año, era más probable que permanecieran en la empresa
que de otra manera. El quinto paso es la contribución de los
modelos predictivos a la planificación de la fuerza laboral.
Mediante el uso de modelos predictivos, las aplicaciones
analíticas de recursos humanos pueden representar los requisitos
comerciales futuros, hacer coincidir los mismos con las
capacidades organizacionales actuales y, por lo tanto,
pronosticar los requisitos de personal en caso de que no
coincidan. A través de la sexta herramienta, la empresa puede
ampliar aún más esta capacidad analítica a sus partes
interesadas externas, a saber. para gestionar la cadena de
suministro de los empleados. Los modelos predictivos de
recursos humanos deberían poder adaptar las cadenas de
suministro según los requisitos comerciales de la empresa en
lugar de las condiciones ambientales.
Seis herramientas necesarias para utilizar el análisis de
recursos humanos para mejorar los resultados comerciales
son: desarrollar una base de datos de datos y empleados,
identificar segmentos clave de empleados, tratar cada
segmento de manera diferente, acciones de recursos
humanos enfocadas en cada segmento, usar modelos
predictivos para la planificación de la fuerza laboral y
ampliar el análisis . a partes interesadas externas.

La tecnología es un facilitador de las funciones de recursos

humanos. Los sistemas de información de recursos humanos
(HRIS) han provocado cambios básicos en las funciones, roles y
procesos de recursos humanos y en cómo se relacionan con la
organización en general. HRIS puede adoptar muchas formas
22Análisis en gestión de recursos humanos

(limitadas a una hoja de cálculo o sistemas ERP (planificación de

recursos empresariales)) con la premisa básica de recopilar,
almacenar y difundir datos de gestión de recursos humanos.
Luego, estos datos permiten y habilitan a los profesionales de
[Link]. a emplear métricas de [Link]. para utilizarlas en la
resolución de problemas y evaluar la eficiencia, eficacia, impacto
y servicio de [Link]. HRIS también inculca un sistema de soporte
de decisiones (DSS) e instalaciones de BI para ayudar a los
empleados y a la gerencia en la toma de decisiones. La
importancia de integrar dichas capacidades y tecnología
transforma el papel de [Link]. de un componente administrativo
de back-end a un socio comercial estratégico de la empresa.
Además, las organizaciones de alto rendimiento son aquellas que
poseen herramientas y tecnologías adecuadas para recopilar y
analizar datos de recursos humanos.
Las actividades de recursos humanos varían según el nivel
operativo y gerencial/estratégico de la empresa, lo que a su vez
conduce a variaciones en los requisitos de datos y, por lo tanto,
en el tipo de DSS necesario en cada nivel. La industria ha
experimentado un crecimiento generalizado en el uso de
herramientas DSS y BI en RRHH; sin embargo, se ha centrado
una investigación limitada en esta área, en cuanto a cómo los
DSS pueden apoyar la toma de decisiones en la gestión de
recursos humanos y cómo se puede implementar. Por lo tanto,
una consideración importante en el diseño de DSS para funciones
de gestión de recursos humanos es que un enfoque único no
funcionaría; más bien, el diseño debe diferir y adaptarse al
contexto en el que se toma la decisión. Si bien algunas decisiones
son sencillas, otras son de naturaleza compleja. Por ejemplo, el
DSS varía según la naturaleza de la decisión, que es rutinaria/ad
hoc, o según el uso del DSS por parte de un individuo o grupo de
tomadores de decisiones. Se sugiere otra variación de diseño
como DSS orientado a modelos o DSS orientado a datos,
mediante el cual los datos se recuperan y se presentan al DSS y
se proporcionan sugerencias o alternativas basadas en la
aplicación de modelos matemáticos a los datos,
respectivamente. Power (2002) amplía aún más esta
categorización en cinco tipos adicionales: DSS basado en
conocimiento, basado en documentos, basado en comunicación,
interorganizacional y DSS basado en web.
 Análisis en HRM 23

Las actividades de recursos humanos (y, por lo tanto, los

tipos de DSS) varían según el nivel operativo, gerencial o
estratégico de la empresa.
Las actividades de gestión también se han categorizado según
las dimensiones de los niveles de gestión y la estructura de toma
de decisiones. Hay tres niveles de gestión: operativo, gerencial
y estratégico, mientras que la estructura de toma de decisiones
involucra tres clases: decisiones no estructuradas,
semiestructuradas y estructuradas. DSS ayuda en la toma de
decisiones semiestructuradas y no estructuradas. Ahora bien,
para ayudar en esta toma de decisiones, los datos deben
capturarse a través de varias formas. Los profesionales han
definido múltiples niveles de métricas de recursos humanos que
los profesionales de recursos humanos pueden capturar y utilizar
para la toma de decisiones. Estas métricas cuantifican los datos
de recursos humanos y, por lo tanto, DSS puede solucionar estos
datos. Estas métricas también se pueden clasificar en cuatro
niveles. El primer nivel de métricas de recursos humanos refleja
el desempeño de tareas administrativas básicas. El segundo nivel
son las métricas de capital humano, mientras que el tercer nivel
son las métricas de efectividad de recursos humanos o de costo-
beneficio de recursos humanos. El cuarto nivel es el nivel más
alto, que es el impacto o métricas estratégicas. Las empresas
que utilicen datos para desarrollar métricas y posteriormente
modelos predictivos basados en estas métricas tendrán una
ventaja competitiva sostenida en la gestión y el desarrollo del
talento. Las tareas de selección de candidatos y predicción de la
rotación implican tanto conocimiento como apoyo a través de
datos, métricas y análisis. Por lo tanto, pueden verse como
decisiones semiestructuradas que pueden implementarse a nivel
operativo y de control de gestión. Se puede considerar que la
selección inicial de candidatos se produce en el nivel operativo,
mientras que la predicción de la rotación se inculcará en el nivel
de control de gestión.

Las métricas de recursos humanos se pueden clasificar en

cuatro niveles:

• Métricas administrativas básicas

• Métricas de capital humano
• Métricas de costo-beneficio de [Link].
24Análisis en gestión de recursos humanos

• Métricas de impacto/estratégicas

Aunque el análisis de recursos humanos promete un camino

brillante por delante para las empresas que adopten esta
práctica, varios factores impiden la adopción y el mantenimiento
de este enfoque. El factor restrictivo más importante es la
escasez de profesionales capacitados en recursos humanos. Las
competencias analíticas específicas requeridas por un profesional
de recursos humanos para realizar análisis de recursos humanos
implican análisis de datos (básicos e intermedios, modelos
multivariados) básicos y avanzados, preparación de datos,
análisis de causa raíz, diseño de investigaciones y encuestas, y
recopilación y análisis de datos cuantitativos (Marler y
Boudreau). , 2017). Sin embargo, los profesionales de recursos
humanos no siempre son contratados por estas habilidades.
Además, los gerentes de recursos humanos necesitan una buena
colaboración y habilidades interpersonales para obtener acceso
a datos interfuncionales. Al mismo tiempo, la creencia de la alta
dirección en los resultados de recursos humanos basados en
datos también afecta la adopción de análisis de recursos
humanos. La resistencia de los empleados al cambio y a la
tecnología también inhibe la adopción generalizada de la analítica
en cualquier área empresarial. Además, HRIS/TI puede actuar
como facilitador o inhibidor de la adopción de análisis en este
campo. Esto es porque; El objetivo principal de HRIS/IT es
capturar y almacenar sistemáticamente datos y eliminar la
redundancia y discrepancia de datos. Sin embargo, la mayoría
de las veces, los datos recopilados son inadecuados, incompletos
e inaccesibles, no están integrados o están desactualizados, lo
que inhibe la implementación de análisis de recursos humanos.
Se ha informado que los sistemas de recursos humanos
obsoletos, la falta de integración entre estos sistemas de
recursos humanos y con otros sistemas organizacionales, la falta
de voluntad para extraer información, la falta de orientación de
los gerentes de recursos humanos hacia el uso de datos y la falta
de capacidad y experiencia para tomar decisiones son las
barreras para la implementación de Análisis de recursos
humanos (IBM, 2011).

Barreras para la adopción de análisis de recursos humanos:

 Análisis en HRM 25

• Escasez de profesionales de recursos humanos

capacitados
• Falta de apoyo de la alta dirección.
• Resistencia de los empleados al cambio.
• Inhibiciones existentes de HRIS/IT
• Falta de datos precisos, consistentes y completos.
• Datos interfuncionales de difícil acceso

Pasos en la aplicación de la analítica: un enfoque

holístico
Las organizaciones han desarrollado sus propios modelos para la
aplicación de la analítica a sus problemas comerciales. Aunque
la premisa de cada modelo es la misma, la diferencia radica en
las diferentes necesidades y objetivos de negocio que intentan
saciar utilizando un modelo en particular. En esta sección del
capítulo, se analizarán algunos modelos destacados de análisis
aplicados en organizaciones líderes, seguidos de un enfoque
generalizado paso a paso que ayudará a los lectores a
comprender cómo se puede aplicar el análisis en un área
empresarial. La organización de TI Accenture, que es una
empresa de TI líder a nivel mundial, utiliza un modelo de cinco
pasos llamado DELTA (datos, empresa, liderazgo, objetivos y
analistas) para describir la implementación efectiva de análisis
(Harris et al., 2011). Estos cinco pasos se han descrito en detalle
a continuación:

Se analizan cuatro marcos diferentes para la aplicación de

la analítica:

• Marco DELTA (datos, empresa, liderazgo, objetivos y

analistas)
• Modelo de seis pasos de Bell (2012)
• Marco LAMP: lógica, análisis, medidas y procesos

1 La base de cualquier aplicación analítica exitosa son los

datos. El primer paso del modelo sugiere que los datos deben
ser accesibles, consistentes y de alta calidad. En las
organizaciones que trabajan con sistemas TI de recursos
humanos dispares, el desafío de capturar datos consistentes
26Análisis en gestión de recursos humanos

y confiables se multiplica, debido al aumento de las

redundancias y la inconsistencia en los datos entre estos
sistemas. Además, los sistemas dispares no admiten el
seguimiento temporal de los datos, lo que inhibe el análisis
longitudinal o el establecimiento de relaciones causales entre
diferentes variables de recursos humanos. Para el desarrollo
de métricas que midan el desempeño de [Link]. y su
contribución a los objetivos comerciales, es importante
recopilar los datos adecuados y luego modelar y predecir el
desempeño utilizando estas métricas.
2 El segundo paso es adoptar una perspectiva empresarial para
la aplicación de análisis, lo que requiere la integración de
datos, aplicaciones analíticas y procesos en toda la empresa.
Esto requiere una integración estratégica de [Link]. con los
objetivos comerciales, a saber. la integración vertical y
horizontal. La integración vertical implica la integración de los
objetivos de [Link]. con los objetivos comerciales generales,
mientras que la integración horizontal implica que [Link].
funciona en sincronía con las otras áreas funcionales de una
organización. De esta manera, las capacidades analíticas
serán múltiples.
3 El tercer paso es inculcar líderes de recursos humanos que
demuestren y defiendan los beneficios de la analítica en toda
la organización. La adopción de análisis requiere cambios
culturales masivos y, por lo tanto, a menudo se manifiesta
en la resistencia de los empleados. Sin embargo, un liderazgo
eficaz es capaz de gestionar esta resistencia a través de
intervenciones conductuales, culturales y técnicas. Muy a
menudo, la falta de comunicación es la razón clave detrás del
fracaso en la adopción de tales técnicas.
4 Un modelo llamado LOFT (suerte, oportunidad, frustración y
amenaza) se utiliza ampliamente para comprender cómo se
puede adoptar la analítica en una empresa. Muchas empresas
lo adoptan por cuestión de suerte, algunas por frustración
derivada de la falta de una alternativa y otras por la amenaza
de empresas competidoras que lo adoptaron y, como
resultado, tuvieron éxito. Pero no todas las empresas tienen
tanta suerte y, por lo tanto, deberían estar constantemente
buscando una oportunidad para implementar la analítica. Al
mismo tiempo, las organizaciones también deberían buscar
los beneficios de la implementación y no simplemente
 Análisis en HRM 27

aprovechar cualquier oportunidad que se les presente. Sólo

cuando alguna oportunidad sea consistente con los objetivos
de largo plazo de la organización debería considerar su
adopción e implementación.
5 La parte más importante es la creación y utilización eficaz de
las habilidades analíticas de [Link]. Hay una escasez de
talento analítico a nivel mundial ya que el campo está
evolucionando. Sólo cuando una organización cuente con el
personal capacitado adecuado podrá lograr todos los pasos
mencionados anteriormente. Las personas de una empresa
deben estar bien equipadas para capturar los datos,
analizarlos mediante la aplicación de modelos analíticos
correctos y utilizar los resultados para ayudar en la toma de
decisiones.

Otro modelo (Bell, 2012) resume los pasos clave dados por las
organizaciones para implementar análisis de la fuerza laboral en
un intento de dar un giro a los problemas que enfrentaban y que
afectaban el desempeño de la empresa y, por lo tanto, sus
ingresos, costos y ganancias . Estos seis pasos clave son:

1 Enmarque el problema central: la idea aquí es

comprender qué problema enfrenta la empresa y qué
cuestión clave debe abordar para resolverlo. Por ejemplo, si
un centro de llamadas encuentra una caída en su volumen de
llamadas, mientras que el de sus competidores está
aumentando, necesita abordar los problemas de satisfacción
del cliente, es decir. que puede analizar una serie de causas
subyacentes.
2 Aplicar un modelo conceptual para guiar el análisis:
debe estar disponible una teoría consistente o antecedentes
consistentes para abordar los problemas. Por ejemplo, para
un centro de llamadas, si las métricas no abordan
directamente el desempeño del negocio o si las métricas se
cambian con frecuencia, no se obtendrá rendimiento.
3 Capture datos relevantes: este es el caso de la mayoría de
las empresas. Todos recopilan datos de una amplia cantidad
de fuentes, pero no saben cómo utilizarlos y ponerlos en
contexto. A veces, los sistemas dispares que se ejecutan en
una organización crean discrepancias e inconsistencias en los
datos. Por lo tanto, la empresa puede contratar especialistas
que sepan qué datos buscar y de qué fuentes, o integrar
28Análisis en gestión de recursos humanos

primero los sistemas dispares para que los datos estén

consistentemente centralizados y, por lo tanto, se puedan
anotar los datos más relevantes.
4 Aplicar métodos analíticos: es importante discernir que no
todos los problemas requieren métodos analíticos complejos;
más bien, una simple distribución de frecuencias o una
tabulación cruzada pueden ser suficientes. Pero cuando se
requiere la aplicación de una técnica analítica, la organización
debe seleccionar cuidadosamente el método óptimo que
pueda abordar el problema.
5 Presentar hallazgos estadísticos a las partes
interesadas: un analista de negocios tiene experiencia en la
aplicación de herramientas analíticas, mientras que un
gerente comprende mejor el problema que enfrenta y cómo
funciona el sistema, lo que puede ayudar al analista a
profundizar en el problema. Al mismo tiempo, si se va a
formular una nueva estrategia a la luz de los hallazgos,
entonces es necesario involucrar a los altos ejecutivos. Por lo
tanto, claramente, la aplicación de análisis requiere la
colaboración entre diferentes partes interesadas y, en
consecuencia, los hallazgos deben ser analizados. compartida
entre las partes interesadas.
6 Definir acciones para implementar la solución: si la
solución analítica respalda la noción de que una gran cantidad
de métricas y cambios frecuentes en las mismas fueron una
causa de insatisfacción del cliente en el centro de llamadas,
lo que finalmente resultó en una disminución en el volumen
de llamadas; entonces es necesario replantear las métricas y
reducirlas a un número menor. Por lo tanto, la solución
propuesta por la aplicación analítica debe implementarse
para tener éxito y se debe redactar el plan de acción para la
misma. Estos seis pasos permiten la creación de análisis
predictivos de la fuerza laboral.

Otro marco popular para la implementación de análisis de

recursos humanos es el marco LAMP (Figura 1.1). LAMP es un
acrónimo de lógica, análisis, medidas y
 Análisis en HRM 29

Analytics

Strategic
Logic Measures
change

Process

FIGURA 1.1 Estructura LAMP 1

proceso (Cascio y Boudreau, 2011). El marco sugiere que estos

son los componentes clave para impulsar el cambio estratégico
en una organización para lograr una eficacia organizacional
óptima.
La lógica implica comprender la historia detrás del problema.
Por ejemplo, para frenar el problema de la rotación, mirar más
allá de los costos de rotación o del análisis de impacto. Cuando
una organización aplica el modelo lógico correcto al problema en
cuestión, es capaz de diseñar las medidas adecuadas e impulsar
el desempeño. La función de recursos humanos en una
organización puede tener cualquier número de medidas a seguir
dentro de una función de recursos humanos específica. Sin
embargo, no todas las medidas son importantes para resolver el
problema en cuestión, y no todas las medidas también
contribuyen a los objetivos comerciales generales. Por lo tanto,
el marco sugiere que no se deben utilizar aquellas medidas que,
a pesar de ser oportunas, completas, confiables y consistentes,
no se ajusten al 'contexto'. La lógica y la métrica sólo producirán
algo sustancial cuando se les aplique la solución analítica
adecuada. Cuando la conclusión correcta se basa en los datos, la
lógica y el análisis correctos, automáticamente producirá
resultados favorables. La analítica se utiliza para probar la lógica
con los datos disponibles para resolver el problema. La última
30Análisis en gestión de recursos humanos

parte del marco enfatiza la importancia de la gestión del cambio

a través de la participación y la implicación. A veces, en lugar de
representar el uso de modelos analíticos complejos, se pueden
utilizar métodos de análisis simples para demostrar al usuario
que la analítica es eficiente para resolver el problema en
cuestión. Por lo tanto, utilizando una intervención, educación,
formación y comunicación adecuadas, por nombrar algunas, el
proceso de adopción de la analítica puede resultar más fácil y
fructífero tanto para el empleado como para la organización.
Aunque cada uno de estos modelos ha sido adoptado en
diferentes áreas funcionales de la gestión para la aplicación de
análisis, una de las limitaciones más importantes de estos
modelos es la falta de enfoque en la aplicación de análisis.
Ninguno de estos modelos puede demostrar un enfoque paso a
paso para guiar a los usuarios sobre la implementación de
análisis. Estos modelos han hecho más hincapié en delinear cómo
la implementación de análisis en una organización para un
problema de negocio puede ser un éxito. Por ejemplo, el marco
DELTA crea una descripción general del marco de apoyo
necesario para la implementación exitosa de análisis, como el
liderazgo adecuado, los datos adecuados, el análisis empresarial
adecuado, etc. Sin embargo, incluso si una empresa está
equipada con todos estos elementos del marco DELTA, es posible
que no pueda guiar la implementación de análisis a un problema
empresarial. De manera similar, el marco LAMP comienza con el
supuesto de que se requiere un cambio estratégico en una
organización en el contexto de un problema comercial que
enfrenta y, por lo tanto, un usuario debe aplicar la lógica para
comprender el problema, elegir una herramienta analítica,
desarrollar medidas para implementarla. herramienta y
encontrar procesos que necesitan cambios para superar el
problema. El marco no pone énfasis en cómo identificar un
problema y por lo tanto evaluar si se requiere o no un cambio
estratégico. A la luz de estas limitaciones, se requiere un marco
diferente que supere todas estas limitaciones y proporcione una
guía paso a paso al usuario sobre la implementación de análisis
a un problema empresarial.
Este libro aboga por un enfoque paso a paso denominado
"enfoque holístico" (Figura 1.2), basado libremente en todos los
modelos analizados en el texto anterior. Este
 Análisis en HRM 31

Identification and definition of business problem

Modelling the business problem

Selection of analytical tool

Application of analytical tool

Interpreting and validating the outcomes

Generate recommendations and implications

Optional: suggest future possible area for analysis

FIGURA 1.2 Un enfoque holístico para la aplicación de análisis

Este enfoque ayudaría al lector a comprender y aplicar los
conceptos básicos de la aplicación de análisis para resolver
precisamente cualquier problema empresarial que se presente.
Se ha utilizado la analogía de un médico y un paciente para
explicar los pasos del enfoque holístico para la aplicación de la
analítica a un problema empresarial.

1 El primer paso del enfoque establece identificar y definir el

problema empresarial. Muchas veces las organizaciones
pueden identificar fácilmente un problema empresarial a
partir de sus métricas de desempeño generales. Por
ejemplo, una tasa de rotación constantemente alta podría
indicar un problema organizacional subyacente. Esto es
análogo al diagnóstico de enfermedades por parte de los
médicos. Los síntomas presentes en el paciente indican la
presencia de una enfermedad que puede tratarse mediante
un diagnóstico adicional. Sin embargo, el tratamiento
dependería de la causa subyacente, que puede señalarse con
precisión mediante pruebas de laboratorio o escaneos, etc.
32Análisis en gestión de recursos humanos

De manera similar, cuando una métrica de desempeño

empresarial no cumple con los estándares establecidos,
indica un área problemática subyacente.
Otra forma de identificar el problema es mediante informes
gerenciales . Un gerente en un área funcional específica
puede estar experimentando algunos problemas con las
partes interesadas. Por ejemplo, un administrador territorial
podría estar experimentando una caída constante en las
ventas de productos en una determinada región de
operación, mientras que otras regiones funcionan sin
problemas. Por tanto, la disminución de las ventas es la
identificación de un problema. Una definición clara de un
problema implica establecer exactamente dónde y cuál es el
problema; El motivo de esto se explicará más adelante.
Tomando el mismo ejemplo de la disminución en las ventas,
la definición del problema implicaría que las ventas han
disminuido durante el último año (puede incluir especificar un
período de tiempo) para bebidas (puede incluir mencionar
productos específicos) en la región sur. De esta manera,
cuando el analista desee aplicar un método analítico,
restringirá la aplicación a datos de bebidas únicamente del
último año, para la región sur; y podrá, más adelante, incluir
otras regiones para realizar análisis comparativos si surge la
necesidad.

INSTANTÁNEA CORPORATIVA: IDENTIFICACIÓN

DEL PROBLEMA

Las métricas de rotación voluntaria en una empresa de

software india indicaron un fuerte aumento en el número
de empleados que abandonaron la empresa en los últimos
dos años. Tras investigaciones adicionales, la empresa
descubrió que la rotación incluía muchos talentos clave
de la empresa, una clara indicación de un problema. Los
estudios han demostrado que la rotación voluntaria
(abandonar una organización por elección) entre los
empleados de una organización le cuesta
aproximadamente 1,5 veces su salario base. Esta
situación claramente sienta las bases para un análisis
más detallado que permita comprender por qué los
 Análisis en HRM 33

empleados clave también están abandonando la empresa.

Esto también se debe a que cuando se retiene a los
empleados clave en el momento oportuno; sin embargo,
por pequeño que sea el número, ahorra una enorme
cantidad de dinero en términos del salario base que
reciben.
2 El segundo paso es modelar el problema empresarial. Esto
inculca dos pasos en la aplicación de la analítica empresarial,
a saber. desarrollo de un modelo conceptual para problemas
de negocio y recopilación de datos.

INSTANTÁNEA CORPORATIVA: MODELAR EL

PROBLEMA EMPRESARIAL

Una empresa de ventas estaba experimentando

dificultades en la planificación de la sucesión de puestos
clave de ventas, que se jubilarían próximamente. El
problema se vio agravado por un cambio en el
comportamiento general en materia de jubilación, con
una fuerza laboral más numerosa que adoptó trabajos a
tiempo parcial o contractuales. Por ello, la firma
desarrolló un modelo predictivo para pronosticar quién se
va a jubilar. Además de los factores convencionales
utilizados para la predicción de la jubilación, la edad y la
antigüedad, la empresa también incluyó factores
adicionales como cambios en el rol de los empleados,
nivel salarial, tasa de cambio salarial, probabilidad de
recibir incentivos, etc., en su modelo predictivo. De esta
manera, la empresa podría gestionar eficazmente el ciclo
de jubilación de los empleados.

Como se analizará en capítulos posteriores, el desarrollo de

modelos conceptuales se basa en algunos marcos teóricos o
lógica subyacentes. Por ejemplo, una disminución en las
ventas podría atribuirse a actitudes adversas de los
empleados o a una disminución de la calidad del producto. Si
la actitud de los empleados es responsable de lo mismo,
entonces el analista necesitaría buscar formas de recopilar
datos sobre las diferentes actitudes de los empleados que
tienen un impacto en las ventas y la satisfacción del cliente.
34Análisis en gestión de recursos humanos

Delinear qué actitudes recopilar se puede determinar a través

de la propia experiencia, conversaciones con expertos o
personas mayores, o antecedentes teóricos. El desarrollo del
modelo también puede implicar la identificación de variables
dependientes e independientes. Todos estos conceptos se
analizarán en detalle en capítulos posteriores.
3 El usuario dispone de una amplia variedad de herramientas y
técnicas analíticas. En este paso, el usuario primero debe
categorizar el problema como un problema de clasificación,
agrupamiento o asociación. A partir de entonces, se puede
tomar la decisión con respecto a la herramienta analítica.

INSTANTÁNEA CORPORATIVA: ELECCIÓN DEL

HERRAMIENTA ANALÍTICA

Una cadena global de restaurantes buscaba nuevas

formas de mejorar la satisfacción del cliente. El análisis
de correlación de los datos históricos de los empleados
de primera línea y las tasas de satisfacción del cliente
reveló una relación significativa entre los dos. Entonces,
el dueño del restaurante decidió mejorar la retención de
empleados de primera línea para aumentar los ingresos
de la empresa. Creó un modelo predictivo a partir de
datos que abarcan detalles de empleados individuales,
detalles de turnos, detalles de restaurantes y detalles
de desempeño financiero y operativo, que comprende
más de 10,000 puntos de datos. Dado que la empresa
deseaba vincular cada uno de ellos con el rendimiento
general de la cadena, eligió modelos de aprendizaje no
supervisados como la agrupación y la regresión
logística. La regresión es especialmente útil para probar
hipótesis, mientras que las técnicas de aprendizaje no
supervisado son útiles cuando no se conocen los
antecedentes de las relaciones.

El usuario debe conocer y considerar los supuestos y

limitaciones, incluidos los requisitos de datos para la
implementación de la herramienta, antes de elegir la misma.
Por ejemplo, la regresión lineal solo funciona con datos
lineales. Así como un médico selecciona entre una variedad
 Análisis en HRM 35

de tratamientos disponibles según la gravedad del problema,

los recursos del paciente y la última tecnología, el analista
también debe elegir el método analítico. Sólo cuando el
tratamiento ofrece una ventaja incomparable el médico lo
recomienda al paciente; tal debería ser el caso del analista.
Además, muchos otros factores influyen a la hora de decidir
cuál es la herramienta analítica adecuada, como el
presupuesto disponible, el tiempo, las habilidades de la
fuerza laboral, la necesidad de capacitación, etc.
4 El siguiente paso implica la aplicación de un modelo analítico
al problema empresarial. Para este paso, el usuario a menudo
necesitaría preparación y limpieza de datos. Por ejemplo, el
software RStudio funciona sólo con variables codificadas
entre los rangos de 0 a 1. Por lo tanto, los datos recopilados
deben modificarse en consecuencia. Además de esto, el
usuario también debe conocer las diferentes características
de la herramienta utilizada para ver la solicitud y los
resultados. Muchos métodos analíticos también requieren el
establecimiento de parámetros, que deben determinarse
cuidadosamente.
5 Después de la aplicación de la herramienta analítica, el
usuario debe interpretar los resultados y validarlos. Hay
varias técnicas disponibles para la validación de resultados,
como gráficos de elevación o tabulación cruzada para validar
la salida de ANN. El uso de tales técnicas de validación
aumenta la solidez de los análisis. Los resultados deben
verificarse con el modelo conceptual y luego verificarse para
su uso futuro.
6 Los resultados no sirven de nada hasta que se pueda generar
una recomendación o sugerencia a partir de los mismos. El
diagnóstico de un médico no tiene valor para el enfermo
hasta que se sugiere y se pone en práctica un tratamiento
eficaz. Por lo tanto, siguiendo los resultados del enfoque
analítico, el analista puede hacer recomendaciones basadas
en hechos y datos para que los tomadores de decisiones
resuelvan un problema empresarial. Es necesario desarrollar
un plan de acción específico que indique quién debe hacer
qué para frenar el problema. Sin embargo, esto no se puede
hacer de forma aislada, ya que todas las partes interesadas
deben participar en la elaboración de este plan para una
implementación efectiva . También se deben incluir en el plan
36Análisis en gestión de recursos humanos

otras intervenciones apropiadas y oportunas de resistencia y

gestión del cambio.
INSTANTÁNEA CORPORATIVA:
INTERPRETACIÓN
Y RECOMENDACIÓN DE ANALÍTICA
RESULTADOS

Para la cadena global de restaurantes que busca nuevas

formas de mejorar la satisfacción del cliente, el análisis
reveló cuatro grupos diferentes de empleados que
trabajan en los restaurantes. La empresa los etiquetó
como "socializadores", "líderes potenciales",
"capataces emprendedores" y "capataces
conservadores", siendo estos últimos los más
consistentes en el desempeño laboral. Además, el
desempeño también dependía en gran medida de las
oportunidades de desarrollo profesional y las normas
culturales, en lugar de la compensación variable que se
ofrece actualmente a los empleados. La
implementación de estos hallazgos ha resultado en
mejoras significativas en la satisfacción del cliente, la
velocidad del servicio, las ventas y las tasas de
deserción.

7 A veces la solución puede demostrar un área futura para

análisis. Por ejemplo, supongamos que los análisis sugirieron
que la disminución en las ventas de un minorista en la región
de operaciones del sur puede atribuirse a actitudes adversas
de los empleados. Sin embargo, esto también estuvo
relacionado con la insatisfacción con el salario entre los
empleados que trabajan en esta región. Por lo tanto, este
aspecto de los vendedores de la región sur insatisfechos con
el pago requiere una mayor investigación. De manera
análoga a la receta de un médico que recomienda no sólo
medicamentos, dosis y período de tratamiento, sino también
pruebas futuras si surge la necesidad, este paso pide al lector
que esté atento a aquellas áreas que requieren futuras
investigaciones.
 Análisis en HRM 37

Adopción de un enfoque de sistemas/visión de

procesos
Valacich y George (2017, p. 6) definen un sistema como “un
conjunto interrelacionado de componentes que trabajan dentro
de una unidad de negocio y trabajan juntos para un propósito
común”. Algunas características esenciales de un sistema son
que contiene componentes que están interrelacionados, tiene un
límite de operación específico, sirve a un propósito definido,
opera en un conjunto dado de entorno bajo un cierto conjunto
de restricciones, interactúa con otros componentes del sistema
y tiene un conjunto de entradas y salidas operables. Por ejemplo,
la función de nómina tiene un sistema que rastrea los días
laborales de los empleados y calcula el salario. Un concepto
importante en los sistemas es el principio de descomposición; es
decir, un sistema se puede dividir en componentes o subsistemas
más pequeños. Ahora las funciones de HRM se pueden integrar
en un HRIS. Cada una de estas funciones de gestión de recursos
humanos se puede implementar a través de varios subsistemas.
Por ejemplo, un sistema de compensación y beneficios incluirá
evaluación del desempeño, seguimiento de asistencia y sistema
de administración de beneficios. Por lo tanto, cada función de
gestión de recursos humanos puede verse como un sistema
diseñado para lograr objetivos predeterminados. El propósito
principal de ver las funciones de gestión de recursos humanos
como sistemas afirma la noción de que estos sistemas están
diseñados para lograr objetivos predeterminados mediante la
implementación de recursos adecuados, y que estos podrían
tener subsistemas que realicen funciones especializadas hacia el
logro de la meta de un sistema superior. . Una implicación muy
importante aquí es que todos los sistemas (y por lo tanto, todas
las funciones de gestión de recursos humanos) están altamente
interrelacionados y son interdependientes. Además, todos estos
sistemas tienen límites definidos bajo los cuales operan. Cuando
estos sistemas implican un circuito de retroalimentación, ejercen
cierto grado de control y ayudan en la gestión eficaz de los
recursos. Además, un sistema habría definido un conjunto de
entradas que entran y salidas, todas en sincronía con el logro del
objetivo.
38Análisis en gestión de recursos humanos

Cada función de gestión de recursos humanos puede verse

como un sistema diseñado para lograr objetivos
predeterminados. Una serie de procesos se ejecutan bajo
cada sistema y cada proceso tiene entradas,
transformaciones y salidas definidas. Esta vista de
sistemas/procesos ayuda al usuario a comenzar la
aplicación de análisis a un problema empresarial
determinado.

Ahora cada sistema y sus subsistemas trabajan juntos para

lograr un objetivo. En cada uno de estos sistemas y subsistemas,
se ejecutan una serie de procesos para lograr el objetivo general
del sistema. Por lo tanto, se puede considerar que un sistema,
subsistema y procesos forman una jerarquía conceptual, y no
siempre es necesario que exista un subsistema dentro de todos
los sistemas. Por ejemplo, un sistema simple de recursos
humanos para la generación de nómina implicaría el proceso de
obtener primero los datos laborales de los empleados, como los
días de ausencia y la tasa de desempeño, luego el registro de los
empleados para determinar el salario base, los beneficios, etc.,
y luego calcular el salario y luego generar la nómina. Esto se ha
representado en la Figura 1.3.
Generalmente, este proceso de generación de nómina es una
operación de TPS (sistema de procesamiento de transacciones)
implementado en una empresa. Ahora, científicamente, un
proceso se considera como una transformación de insumos para
generar algún resultado. Esta lógica se muestra en la Figura 1.4.
La idea detrás de la lógica del proceso es comprender cómo se
generan y fluyen los datos en un proceso para lograr un objetivo
general del sistema. Una vez que el usuario comprende esta
parte, los análisis se pueden aplicar fácilmente, ya que esta
comprensión ayuda a modelar el problema empresarial. Por lo
tanto, está claro que las funciones de recursos humanos pueden
verse como un sistema, cada uno de los cuales puede tener uno
o más subsistemas, y el funcionamiento en un sistema puede
explicarse por procesos subyacentes.

Buscar empleado Buscar empleado Computar Generar registro de datos

de trabajo nómina salarial
 Análisis en HRM 39

GRÁFICO 1.3 Proceso de generación de nómina

Input Transformation Output

FIGURA 1.4 Representación de la lógica del proceso

Para aplicar la analítica en [Link]., los gerentes a menudo no

saben por dónde empezar. Sin embargo, esta sección del libro
ha impartido al lector una comprensión profunda: para modelar
eficazmente un problema empresarial de recursos humanos, es
necesario considerar esa área problemática como un proceso y
como parte de algún sistema general. Luego aplique esta lógica
de proceso al problema, de modo que se pueda construir
efectivamente un modelo predictivo sobre esta lógica. Los
capítulos siguientes presentarán cómo esta lógica de proceso se
traduce en un modelo de problema empresarial.

Aplicación del enfoque de sistema/visión de

procesos a diferentes funciones de recursos
humanos.
A raíz de la discusión anterior, esta sección presenta algunos
ejemplos de la aplicación del enfoque de sistema y la vista de
proceso a diferentes funciones de recursos humanos.
Consideremos primero la función de selección de recursos
humanos. Cuando consideramos la función de selección de HRM
como un sistema, entonces sus límites están limitados por las
funciones de seleccionar a los candidatos adecuados y no
involucran la función de reclutamiento. Además, el sistema de
selección depende de la función de contratación, que proporciona
los insumos necesarios, como el número de candidatos a
contratar, su conjunto de habilidades, el puesto en el que son
contratados y su escala salarial, por nombrar algunos.
Entendiendo que el sistema de reclutamiento interactúa con el
sistema de selección, se entiende que el número de
reclutamiento, los criterios, el puesto, etc., provienen de ese
sistema, y la selección sobre esta base ocurre en el sistema de
selección. El resultado de dicho sistema sería la lista final de
candidatos seleccionados con sus puestos, escala salarial,
40Análisis en gestión de recursos humanos

ubicación, méritos, etc. Normalmente, el sistema de selección en

cualquier organización implica los subsistemas de recepción de
solicitudes de candidatos, selección de solicitudes, pruebas,
entrevistas e indicaciones de selección final. La forma en que se
realiza la selección de solicitantes implica un proceso, y cada uno
de estos procesos tiene entradas, transformaciones y salidas
definidas. Cuando un lector sea capaz de discernir claramente
este sistema y la lógica del proceso, la definición del problema
será más fácil, lo que a su vez permitirá construir mejores
modelos conceptuales. Aplicación de la lógica del proceso a la
selección de solicitantes (Tabla 1.1):
Cuando un lector es capaz de comprender los sistemas y
procesos involucrados en cada problema empresarial, el diseño
de la solución analítica se vuelve bastante fácil. Por ejemplo, aquí
queda claro que si se debe diseñar un sistema de selección de
candidatos, entonces es necesario aceptar todos los datos de
entrada (enumerados en la Tabla 1.1) para cada candidato
solicitante, compararlos entre puntos de referencia utilizando
una comparación simple.
TABLA 1.1 Aplicación de la lógica del proceso a la selección de
solicitantes
Entradas Transformación Producción

Demografía del candidato Comparar con el Aceptado/Rechazado

existente
Calificación de criterios en la base deAceptado/Rechazado
aprobación/criterios de datos
elegibilidad
Referencias Aceptado/Rechazado

Habilidades Aceptado/Rechazado

TABLA 1.2 Lógica del proceso de oferta de programas de capacitación a

los empleados
Entradas Transformación Producción

Demografía del candidato Comparar con el existente Programa de

formación 1
Posición actual criterios en la base de Programa de
datos formación 2
Habilidades actuales Programa de
formación 3
Rango de desempeño programa de
formación
 Análisis en HRM 41

sustantivo,
masculino—
fórmulas y luego generar un resultado ya sea que el candidato
sea aceptado o rechazado.
Consideremos otro ejemplo del sistema de desarrollo
profesional. Un subsistema en este desarrollo de habilidades es
la capacitación, que además involucra una serie de funciones
como programas ofrecidos, evaluación, diseño de programas,
etc. Considere la función de ofrecer programas de capacitación a
los empleados. Se ofrecería en función del puesto actual, las
habilidades y las calificaciones de desempeño de los empleados.
Por lo tanto, podría implicar la siguiente lógica de proceso (Tabla
1.2):
Los ejemplos presentados aquí no implican ningún diseño de
métricas de alto nivel, captura de datos o aplicación de una
solución analítica compleja; sin embargo, ayuda claramente a
que el usuario comprenda que para resolver cualquier problema
empresarial, es necesario identificar los sistemas y procesos, y
las subsiguientes entradas, transformaciones y salidas. De
manera similar, el concepto se puede aplicar a todas las
funciones de [Link]. y proporcionar una plataforma para el
modelado empresarial del problema, como se analiza en
capítulos posteriores.

Conclusión
En pocas palabras, el entorno empresarial dinámico exige la
adopción e implementación de soluciones innovadoras en la
organización para mantener una ventaja competitiva. El análisis
de recursos humanos, a pesar de estar en una etapa incipiente
de adopción, ha generado enormes beneficios para las empresas
que lo adoptan. Aunque no es posible demostrar un retorno de
la inversión directo en las inversiones en capital humano, las
empresas pueden inculcar el diseño de métricas de recursos
humanos y modelos predictivos basados en las mismas, ya que
las inversiones en recursos humanos se traducen en eficiencia y
productividad de los trabajadores y en actitudes laborales, que
en última instancia se manifiestan en el trabajo . o los resultados
del negocio. Todas las empresas líderes a nivel mundial han
adoptado los marcos de análisis de recursos humanos. Se han
reportado muchas barreras para su adopción, a saber, la escasez
de profesionales capacitados, la falta de apoyo de la alta
42Análisis en gestión de recursos humanos

dirección, la falta de disponibilidad y acceso a los datos, los

sistemas de recursos humanos obsoletos y dispares y la falta de
integración con otros sistemas organizacionales, por nombrar
algunos. Este libro es un intento de dotar a los gerentes de las
habilidades para aplicar el análisis predictivo en cualquier área
empresarial, mediante el ejemplo de la construcción de un
sistema predictivo de selección y rotación de personal. Este
capítulo explica los diferentes modelos y marcos utilizados por
las organizaciones para implementar análisis de recursos
humanos, al mismo tiempo que explica el enfoque holístico paso
a paso para la aplicación de análisis. A través de la ilustración de
la adopción de un enfoque de sistemas y una visión de procesos,
el libro explica claramente el primer paso del enfoque paso a
paso, que es cómo se puede llevar a cabo la identificación y
definición del problema para aplicar análisis para resolver el
problema. Los siguientes capítulos demostrarán prácticamente
los otros pasos del marco a través del mismo ejemplo de gestión
de rotación y retención.

Glosario
El análisis de negocios se refiere al uso de herramientas y
técnicas estadísticas y analíticas para interpretar y explorar
datos comerciales (independientemente de la estructura de
datos) para proporcionar a la gerencia información comercial
objetiva y basada en datos para ayudar en la toma de
decisiones.
La compensación implica remunerar a los empleados de
manera justa a tarifas competitivas.
Controlar implica verificar el cumplimiento del plan.
Análisis de datos: el proceso científico de transformar datos en
conocimiento para tomar mejores decisiones.
DELTA es un marco desarrollado y utilizado por Accenture para
describir la implementación efectiva de análisis; el acrónimo
significa datos, empresa, liderazgo, objetivos y analistas.
Análisis descriptivo: una narración básica de análisis y
eventos, en su mayoría seguida de análisis posteriores.
El desarrollo implica mejorar las habilidades de los empleados
para cumplir con los requisitos laborales y aumentar su
productividad.
Dirigir implica ejecutar los planes motivando, controlando y
ordenando al personal.
 Análisis en HRM 43

El enfoque holístico para implementar análisis enumera siete

pasos para ayudar al usuario a comprender la aplicación de
análisis a un problema empresarial.
hROI se define como el retorno humano de la inversión, que
permite a la organización narrar el éxito de sus inversiones
en recursos humanos mediante la cuantificación de datos de
recursos humanos a través de métricas predefinidas.
Gestión de recursos humanos La gestión de recursos
humanos se puede definir como el proceso de adquirir,
capacitar, evaluar y compensar a los empleados y de atender
sus relaciones laborales, salud y seguridad y preocupaciones
de equidad.
LAMP es un acrónimo de lógica, análisis, medidas y procesos; El
marco sugiere que estos cuatro componentes son la clave
para impulsar el cambio estratégico en una organización para
lograr una eficacia organizacional óptima.
LOFT es un acrónimo de suerte, oportunidad, frustración y
amenaza, y es un modelo ampliamente utilizado para
comprender cómo se puede adoptar la analítica en una
empresa.
El mantenimiento se ocupa de las tareas realizadas para
mantener la fuerza laboral capaz en la empresa, como a
través de tutoría, comunicación, etc.
La función directiva es aquella en la que se ejerce tanto control
como autoridad.
Las funciones operativas son aquellas en las que a un
individuo se le asigna una tarea o función específica y no tiene
autoridad en la misma.
Organizar o dotar de personal implica organizar los puestos
de trabajo, el personal y la infraestructura física.
La planificación implica decidir qué iniciativas de recursos
humanos deben tomarse para lograr los objetivos de la
organización.
Análisis predictivo de previsión de eventos futuros basado en
análisis.
Análisis prescriptivo con la máxima capacidad analítica con
narración, predicción y recomendación.
La lógica del proceso implica que las diferentes actividades de
[Link]. pueden verse como un proceso con entradas,
transformaciones y salidas definidas.
44Análisis en gestión de recursos humanos

La adquisición implica definir los requisitos de recursos

humanos de la empresa, atraerlos y luego seleccionar lo
mejor de ellos.
La separación se refiere a empleados que abandonan la
empresa de forma voluntaria, involuntaria o por jubilación.
El enfoque sistémico de la gestión de recursos humanos
implica considerar las funciones de gestión de recursos
humanos como sistemas interrelacionados e
interdependientes, con límites y objetivos predefinidos.
Rotación Movimiento individual a través de los límites de
membresía de una organización
Intención de rotación: reflejo de la probabilidad de que un
individuo cambie de trabajo dentro de un período de tiempo
determinado.

Material de revisión
1 Explique por qué las empresas utilizan métricas de recursos
humanos y están avanzando hacia un enfoque cuantitativo
en lugar de uno cualitativo.
2 Definir análisis y análisis de negocios.
3 Enumere los factores responsables de la adopción
generalizada de análisis de negocios.
4 Enumere diferentes áreas de aplicación de la analítica
empresarial.
5 Definir gestión de recursos humanos. Explique su evolución
desde una unidad independiente hasta un socio comercial
estratégico.
6 Enumere diversas funciones y actividades de HRM.
7 Explicar los desafíos a las prácticas de gestión de recursos
humanos de una empresa.
8 ¿Qué preguntas básicas puede responder la analítica de
recursos humanos?
9 Enumerar los beneficios de la aplicación de la analítica de
RRHH.
10 Enumere las barreras para la implementación de análisis de
recursos humanos en una organización.
11 Describa las seis herramientas necesarias para utilizar el
análisis de recursos humanos en una empresa.
12 Explique cómo varía el DSS según el nivel de gestión y la
naturaleza de la decisión.
 Análisis en HRM 45

13 Enumere las cuatro categorías de métricas de recursos

humanos.
14 Explicar el marco DELTA.
15 Enumere los seis pasos del modelo propuesto por Bell para la
implementación de la analítica.
16 Explique el marco LAMP.
17 Aclarar los siete pasos del enfoque holístico para la
implementación de análisis en un problema empresarial.
18 Explique la importancia de la adopción del enfoque de
sistema y la vista de proceso para la aplicación de análisis.
19 Definir la facturación y la intención de la facturación.
20 Analice varios factores que afectan la forma en que varía la
rotación, como el nivel de habilidad, la experiencia y la edad.
21 ¿Cómo afectan las prácticas de recursos humanos a las
actitudes de los empleados y, por tanto, a la intención de
rotación?
22 Explique cómo un sistema de selección adecuado puede
ayudar en la gestión y reducción de la intención de rotación
de empleados.

Ejercicios problemáticos
1 Elija cualquier función de HRM y aplíquele el enfoque del
sistema y la vista del proceso. Utilizando la lógica del proceso,
identifique y represente claramente las entradas, la
transformación y la salida de cada proceso bajo esa función.
2 Examine el estado de implementación de análisis de negocios
en organizaciones de cualquier industria en particular en su
estado. Supongamos que debe modelarse mediante análisis
de negocios; intento de definir un enunciado del problema
para el mismo. Además, intente enumerar algunos factores
preliminares que contribuyan a la identificación y definición
del planteamiento del problema.

Caso de estudio

¿Cómo impacta el análisis de personas en los

resultados empresariales?
El análisis de personas se ha vuelto común y las organizaciones
de todo el mundo creen que la recopilación de datos de personas
genera mejores resultados y crecimiento organizacional. Una
46Análisis en gestión de recursos humanos

encuesta realizada por una de las empresas líderes de la India

reveló que solo el 9% de las empresas que aplican análisis son
conscientes de las dimensiones del talento que tienen un impacto
en el desempeño organizacional (Leonardi y Contractor, 2018).
La mayoría de las organizaciones adoptan un enfoque limitado
hacia el análisis de datos, centrándose en los datos sobre las
personas en lugar de en la interacción entre las personas. El
'análisis relacional', una corriente emergente en el análisis de
recursos humanos, revela conocimientos basados en esta
interacción, profundizando en cualquier dato que marque la
comunicación entre las personas de la organización; por
ejemplo, intercambios de datos mediante correos electrónicos,
comunicador organizacional, transferencias de archivos, etc.
Aunque estos datos están disponibles en abundancia en casi
todas las organizaciones, muy pocas organizaciones realmente
los rastrean y aún menos les aplican análisis, y estos datos tienen
implicaciones importantes para el desempeño en el lugar de
trabajo. En uno de esos casos, Leonardi y Contractor
denominaron este vínculo entre las relaciones entre las personas
de una organización, los rasgos individuales y su desempeño en
el lugar de trabajo como "firmas estructurales", especialmente
relevantes en organizaciones basadas en equipos, para discernir
qué constituye un equipo de alto rendimiento y luego utilizarlo.
lo mismo para predicciones y modelos futuros. Leonardi y
Contractor aplicaron análisis relacional para predecir sobre una
persona: si sería un innovador o una persona influyente; sobre
el equipo: eficiente o innovador; y sobre la organización: aislada
o vulnerable. Los autores los denominaron seis firmas de análisis
relacional.
Los innovadores tienen "bajas restricciones", como lo
demuestra el sociólogo Ronald Burt, y no se limitan a un pequeño
grupo de personas. Por lo tanto, el análisis relacional predice
como innovadores a las personas con una amplia red social, con
muchas conexiones fuera del propio equipo y departamento. En
la Figura 1.5, intensidades más altas del
 Análisis en HRM 47

FIGURA 1.5 Las seis firmas del análisis relacional: firma de ideación
(1.5a), firma de influencia (1.5b), firma de eficiencia
(1.5c), firma de innovación
(1.5d), firma de silo (1.5e), firma de vulnerabilidad
(1.5f)
Fuente: Leonardi y Contractor (2018)
48Análisis en gestión de recursos humanos

FIGURA 1.5 (Continuación)

El color gris en el círculo representa a los innovadores, mientras

que los tonos más claros representan a los ideadores. Cuando
una organización identifica a esas personas y cultiva su tendencia
característica, es probable que obtengan mejores resultados
comerciales a través de la novedad de sus ideas y soluciones.
Un análisis relacional adicional basado en el número y la
diversidad de conexiones predice si los individuos son
"influencers", lo que representa la eficacia de un individuo para
influir en el comportamiento de las personas en la empresa. Esta
firma es especialmente útil cuando una organización enfrenta
resistencia de los empleados y gestión del cambio.
De manera similar, cuando el análisis relacional se aplica a las
estructuras de los equipos, los equipos pueden tener una firma
de eficiencia o innovación, como se muestra en la Figura 1.5c y
la Figura 1.5d, respectivamente, en función de dos premisas de
composición de la red: densidad interna (fuerza de las
interconexiones) y alcance externo ( superposición entre
conexiones fuera de la propia red). Los miembros del equipo con
alta densidad interna y alto alcance externo implican acceso a
recursos externos más amplios y diversos y un desempeño
eficiente del equipo. Esto se denomina "firma de eficiencia".
 Análisis en HRM 49

Estos miembros del equipo muestran consistentemente un alto

desempeño.
Por otro lado, una baja densidad interna y un alto alcance
externo implican que el equipo sería innovador. La única
consideración es la demarcación entre qué tan bajo y qué tan
alto, ya que una desconexión total entre los miembros del equipo
reduciría la eficiencia a casi cero, mientras que una conexión total
reduciría su nivel de innovación. Cuando una organización no
puede aportar diversidad a través de atributos como la edad, el
género y el origen étnico en un equipo, se debe intentar reunir a
los miembros del equipo de diferentes áreas de trabajo, lo que
aumentará su alcance externo.
A menudo, en las organizaciones, las personas que trabajan
en un área o departamento de trabajo determinado están
profundamente conectadas, mientras que las conexiones con
otros departamentos son bajas. La proporción de conexiones
externas e internas de los miembros del grupo organizacional se
denomina "modularidad". A menudo se sugiere que cuando la
modularidad está en una proporción de 5:1, el grupo está muy
aislado. Los silos en una organización actúan como inhibidores
de una comunicación saludable entre los miembros de la
organización, reduciendo así la innovación y la eficiencia de la
organización en su conjunto. Además, debido a la falta de
conexión, a menudo no logran llegar a un consenso sobre los
objetivos organizacionales generales.
Muchas veces, las organizaciones tienen empleados que no
ocupan puestos de trabajo importantes, pero su presencia es
vital para el funcionamiento organizacional. Esto es
especialmente prominente en organizaciones que tienen
empleados que tratan con clientes, clientes, proveedores u otras
partes interesadas externas. Como es evidente en la Figura 1.5f,
el proveedor indicado por el círculo gris claro se conecta con
cuatro grupos diferentes en la organización a través de
conexiones con solo cuatro personas que forman parte de ese
grupo. Esto implica que aunque el proveedor se conecta con
cuatro personas, una gran cantidad de personas en la
organización (aproximadamente 30) dependen de estas cuatro
conexiones. Por lo tanto, incluso si uno de los empleados en estos
cuatro puestos se marcha, la comunicación y la conectividad se
verán muy afectadas . Esto se denomina vulnerabilidad de la
organización. La identificación de empleados vulnerables en una
50Análisis en gestión de recursos humanos

organización aumenta su solidez y le permite planificar

eficazmente la sucesión cuando surge la necesidad.
Por lo tanto, cuando las organizaciones capturan y analizan
eficazmente los datos relacionales, pueden identificar fácilmente
y, por lo tanto, predecir (a nivel individual, de equipo y
organizacional) la composición de seis firmas de análisis
relacional, que impactan los resultados comerciales. Esta
información está fácilmente disponible en forma de blogs,
senderos electrónicos, chats, intercambios de correo electrónico,
etc. y, por lo tanto, se puede rastrear y analizar fácilmente.
Además, dado que se trata de una recopilación de datos pasiva,
es mucho más fácil y confiable que las técnicas de recopilación
de datos como encuestas y entrevistas. Dos consideraciones
importantes al implementar análisis relacional en cualquier
organización son actualizar constantemente los datos, ya que las
relaciones, la comunicación y la conectividad siguen cambiando;
y también inculcar el contenido del intercambio para fortalecer la
comprensión de patrones y una firma.
En pocas palabras, adoptar un enfoque estrecho para el
análisis de datos y centrarse simplemente en los atributos de los
individuos para predecir los resultados laborales es cosa del
pasado. Las organizaciones actuales deben analizar la
composición de las redes sociales de individuos, equipos y
organizaciones para discernir cómo predecir las seis
características del análisis relacional y luego explotarlas para
mejorar los resultados comerciales. Este enfoque les permitiría
alcanzar sus objetivos de manera eficiente y eficaz, al mismo
tiempo que promovería la productividad y la felicidad en toda la
empresa.

Preguntas
1 Definir análisis relacional. Discuta su relevancia para las
organizaciones.
2 Analice las fuentes de datos para el análisis relacional. ¿Cómo
se comparan con las encuestas y entrevistas?
3 Analice las características del análisis relacional para
individuos y su efecto en el desempeño laboral.
4 Analice la aplicación del análisis relacional para equipos y
cómo se pueden utilizar para afectar el desempeño laboral.
5 ¿Cómo se puede utilizar el análisis relacional para analizar la
estructura organizacional?
 Análisis en HRM 51

Nota
1 Todas las tablas y figuras preparadas por el autor a menos que se
especifique lo contrario.

Bibliografía
Bell, G. (2012). ¿Cómo la comprensión de los datos sobre la fuerza
laboral puede revitalizar su organización? Una entrevista con Tim
Ringo, coautor de Calculando el éxito. Compendio internacional de
gestión de recursos humanos , 41–43.
Bersin, J. (17 de diciembre de 2017). "Análisis de personas: aquí con
venganza" . Obtenido en mayo de 2019 de Forbes:
[Link]
análisis-aquí-con-venganza/#48dad6332a14
Boyd, AE (6 de julio/agosto de 2012). Centro de beneficios: revisando
'qué es la analítica'. Revista Analítica . Obtenido en 2018, de
[Link] qué-es-la-
analítica/. INFORMA
Césares. (2019). Historia de los Césares . Obtenido de Caesars
Entertainment: [Link] [Link]/corporate
Cascio, W. y Boudreau, J. (2011). Hacer estratégica la medición de
RRHH. En W. Cascio y J. Boudreau (Eds.), Invertir en las personas:
impacto financiero de las iniciativas de recursos humanos (págs. 10-
14). Hoboken, Nueva Jersey: Pearson Education, Inc.
Concentrix. (2019). ¿Quién es Concentrix? Obtenido de Concentrix:
[Link] [Link]/diferente-por-diseño/
Dasgupta, S. (febrero de 2017). Tendencias en las principales empresas
de TI de la India: desde la contratación hasta el desgaste. Beneficio
de NDTV . Obtenido en 2018, de [Link]
media-telecom/article-trends-in-top-indian-it-companies-from-
hiring-to-attrition-1659231 .
Davenport, TH y Harris, JG (2007). Competir en análisis: la nueva
ciencia de ganar . Boston, MA: Prensa de la Escuela de Negocios de
Harvard.
Davenport, TH, Harris, J. y Shapiro, J. (octubre de 2010). Competir en
análisis de talento.
Revisión de negocios de Harvard . vol. 88(10), págs.52-58.
Dessler, G. y Varkkey, B. (2008). Gestión de recursos humanos (11ª
ed.). Manipal: Pearson Education, Inc.
Dow. (2020). Acerca de: cambiar el funcionamiento del mundo .
Obtenido de Dow Chemicals: [Link]
us/[Link]
Experiano. (2020). Experian de un vistazo . Obtenido de Experian:
[Link] about-us
Feffer, M. (2018). Cinco barreras para crear recursos humanos basados
en datos y cómo superarlas . Obtenido en 2019, de TechTarget:
[Link]
creating-data-driven-HR-and-how-to-overcome-them
52Análisis en gestión de recursos humanos

Flippo, EB (1984). De la mecánica a la responsabilidad social. En EB

Flippo (Ed.), Gestión de personal (págs. 1–42). Singapur: McGraw-
Hill Book Company.
Harris, JG, Craig, E. y Light, DA (2011). Talento y análisis: nuevos
enfoques, mayor retorno de la inversión. Revista de estrategia
empresarial , 4–13.
IBEF. (2018, febrero). Industria de TI e ITeS en la India . IBEF –
Fundación India para el Valor de la Marca. Obtenido en 2018, de
[Link]/industry/[Link]
IBM. (2011). Gestión estratégica de la fuerza laboral mediante análisis
predictivo . Nueva York: IBM Software Business Analytics.
Leonardi, P. y Contractor, N. (noviembre de 2018). Mejores análisis de
personas. Revisión de negocios de Harvard , 70–81.
Levenson, A. y Pillans, G. (2017). Análisis estratégico de la fuerza
laboral . Londres: Foro de investigación corporativa.
Marler, JH y Boudreau, JW (2017). Una revisión basada en evidencia de
la analítica de recursos humanos. La Revista Internacional de Gestión
de Recursos Humanos , 3–26.
Nielsen. (2020). Sobre nosotros . Obtenido de N – Nielsen Global
Connect: [Link] [Link]/us/en/about-us/
Nelson, G. (7 de julio de 2017). Diferencia entre analítica y big data,
ciencia de datos e informática. Blog de ThotWave . Obtenido en 2018
de [Link]/blog/2017/07/07/ Difference-between-
analytics-and-bigdatadatascience-informatics/
Poder, DJ (2002). Sistemas de apoyo a la decisión: conceptos y
recursos para directivos . Westport, Connecticut:
Libros de quórum.
Raj, S. (2015). Procesamiento de datos. En S. Raj (Ed.), Análisis
empresarial (págs. 311–327). Nueva Delhi: Cengage Learning India
Pvt. Ltd. Limitado.
Dependencia. (2019). Perfil de la empresa: descripción general .
Obtenido de Reliance Power: [Link]
[Link]/web/reliance-power/company-overview _
Sistema. (2019). La historia de Sysco . Obtenido de Sysco:
[Link] perfil-pany/The-Sysco-
[Link] l
Taylor, FW (2006). Los principios de la gestión científica . Nueva York:
Cosimo, Inc.
Valacich, J. y George, J. (2017). El entorno de desarrollo de sistemas.
En J. Valacich, J. George y J. Slater (Eds.), Análisis y diseño de
sistemas modernos (p. 6). Harlow: Pearson Educación Ltd.
Wilder, CR y Ozgur, CO (2015). Plan de estudios de análisis de negocios
para carreras universitarias. INFORMA Transacciones sobre
Educación , 15 (2), 180–187.
2
BUSCANDO DATOS

Después de leer este capítulo, los usuarios

podrán comprender los siguientes conceptos
clave:
• Aclarar la diferencia entre datos e información.
• Comprender las diferentes fuentes de datos de recursos
humanos disponibles para un gerente comercial
• Inferir diversas técnicas intrusivas y discretas de recopilación
de datos.
• Comprender la necesidad y los medios para cuantificar los
datos de recursos humanos.
• Comprender el uso de cuadros de mando de recursos
humanos en el análisis y la cuantificación de datos.
• Aclarar el papel y los tipos de datos cualitativos de recursos
humanos.
• Inferir preocupaciones éticas y legales en la recopilación de
datos de recursos humanos.

Caso de apertura
Aunque la progresión profesional es un área prioritaria clave para
los empleados de cualquier organización, a menudo carecen de
una comprensión clara de cómo progresar en la escala
profesional. Por lo general, las organizaciones realizan
evaluaciones de desempeño, en función de las cuales los
empleados son promovidos a lo largo de su trayectoria
profesional y nominados para programas de desarrollo de
54Buscando datos
habilidades diseñados específicamente para el nuevo rol
profesional. En IBM, tradicionalmente, las habilidades de los
empleados se han evaluado formalmente a través de encuestas,
ya que las habilidades que poseía un empleado eran calificadas
por sus respectivos gerentes. Sin embargo, estas encuestas
están limitadas por las valoraciones subjetivas de los directivos
y el alcance de la cobertura de todas las habilidades que posee
un empleado. Además, se realizaron evaluaciones de desempeño
anualmente. Como tal, la directora ejecutiva de IBM, Ginni
Rometty, estaba preocupada por la eficiencia de estas técnicas
tradicionales de evaluación del desempeño y evaluación de
habilidades. IBM necesitaba una forma de rediseñar estas
funciones de recursos humanos para indicar tanto a los
empleados como a la gerencia las habilidades actuales en
demanda que los empleados poseen o para las que pueden
capacitarse, y un mecanismo eficiente de retroalimentación de
evaluación para que los empleados indicaran sus áreas de
mejora.
En IBM, en lugar de que el empleado tenga que luchar por
encontrar un programa de desarrollo de habilidades adecuado,
se utilizan inteligencia artificial (IA) y análisis para integrar la
evaluación del desempeño, la retroalimentación y las sugerencias
para un programa apropiado para el desarrollo de habilidades .
La IA de IBM puede explotar eficazmente las fortalezas actuales
de un individuo basándose en la identificación de patrones en los
datos sobre las tareas que un individuo ha completado, los cursos
educativos que ha tomado y las clasificaciones que ha obtenido.
Estos patrones de datos luego se asocian con conjuntos de
habilidades adyacentes o similares, y luego se sugieren al usuario
programas de capacitación recientes apropiados. Además, la
dirección actualiza trimestralmente el crecimiento de las
habilidades de los empleados, destacando las áreas de mejora
futura. Los datos sobre estas actualizaciones, combinados con la
inferencia de habilidades de IA de un empleado, son utilizados
por una tecnología llamada Blue Match en IBM que enumera
todas las ofertas de trabajo en la empresa adecuadas para ese
empleado. Por lo tanto, en lugar de depender de encuestas
gerenciales, IBM buscó fuentes de datos alternativas para el
desarrollo profesional de sus empleados (Rosenbaum, 2019).
 Buscando datos 55
Introducción
Sheri Feinzig, directora del IBM Smarter Workforce Institute,
resume maravillosamente la suficiencia de los datos al sugerir
que un analista nunca debe esperar a obtener datos perfectos y
dejar de avanzar, ya que ningún conjunto de datos es perfecto.
Además, destacó que el tamaño de los datos tampoco importa y
que los analistas deberían centrarse únicamente en la calidad de
los datos para los cuales se puede buscar asesoramiento de
expertos. Al asegurarse de que los fundamentos de los datos se
evalúen con precisión, un analista puede pensar en seguir
adelante con esos datos (Levenson y Pillans, 2017).
Desde el principio de los tiempos, los directivos de empresas
se han enfrentado al problema de tomar decisiones
empresariales, independientemente del nivel de gestión. En el
pasado, podían basar estas decisiones en su juicio e intuición, ya
que la competencia era muy baja y el tiempo para tomar una
decisión, enorme. Sin embargo, por el contrario, el entorno
empresarial actual plantea muchas incertidumbres para los
directivos de las empresas, reduciendo el tiempo para tomar
decisiones a la toma de decisiones en tiempo real. Las
incertidumbres surgen debido a la enorme competencia en el
mercado, las crecientes demandas de los clientes y la
disminución del tiempo de comercialización, además de los
altibajos económicos. Además, la incertidumbre aumenta cuando
el gerente es incapaz de juzgar en qué datos confiar para tomar
decisiones, ya que la toma de decisiones actual ha pasado de
decisiones basadas en la intuición a decisiones basadas en
hechos y hacia la toma de decisiones en tiempo real. Imagine
una situación en la que un gerente de recursos humanos recibe
una solicitud de renuncia de un empleado y el gerente tiene que
decidir si aprueba o rechaza la solicitud. La base para tal decisión
no debe basarse en la intuición, ya que el desempeño del
candidato y sus credenciales permitirían al gerente decidir con
precisión si el empleado es un buen candidato para la empresa
en este momento o no y, por lo tanto, decidir si aceptar o
rechazar la solicitud de renuncia. Por lo tanto, el gerente de
recursos humanos necesita acceso rápido a los datos sobre el
empleado, su desempeño anterior, calificaciones, publicaciones,
proyectos en los que trabajó y otras credenciales similares. Sólo
entonces el gerente podrá tomar una decisión acertada sobre la
aprobación o el rechazo de la solicitud. Consideremos el proceso
de separación llevado a cabo por Google (Leonardi y Contractor,
56Buscando datos
2018). Cuando un empleado solicita su renuncia, la empresa
utiliza los datos de desempeño pasado del empleado para
generar una métrica de desempeño para ese empleado y también
calcula una puntuación de probabilidad de éxito del empleado en
esfuerzos laborales futuros. En base a estas dos métricas, los
responsables de [Link]. de Google deciden si permiten que el
empleado renuncie y, por tanto, aceptan o rechazan su dimisión.
La implicación clave de esta discusión es que para que los
gerentes tomen decisiones precisas, necesitan recopilar e
interpretar datos relevantes. El proceso de recopilación de datos
se puede ayudar mediante el uso de sistemas de información,
mientras que el proceso de interpretación se puede ayudar a
través de sistemas analíticos que analizan los datos y generan
escenarios para que quien toma las decisiones sopese diferentes
opciones de toma de decisiones. En el ejemplo del proceso de
separación de Google, los datos sobre el desempeño pasado de
los empleados se pueden obtener de HRIS (sistema de
información de recursos humanos), mientras que se puede usar
un algoritmo analítico para generar una métrica de desempeño y
una métrica que sugiera la probabilidad de su éxito futuro. Esto
aclara aún más que, aunque los gerentes tienen que tomar
decisiones en tiempo real, necesitan datos para emitir un juicio
sólido y, en este contexto, mirar a su alrededor para inferir qué
datos se ajustan a sus necesidades de toma de decisiones.

Las barreras más importantes en la recopilación de datos

para la aplicación de análisis de la fuerza laboral son:

• Mala integración de los sistemas de capital humano

internamente y con otros sistemas organizacionales.
• Incapacidad para extraer información relevante de
estos sistemas.
• Profesionales de RRHH sin experiencia
• Calidad cuestionable de los datos recopilados.
• Falta de voluntad para usar y extraer información.
• Falta de apoyo de la alta dirección.

La clave para la toma de decisiones por parte de los directivos

de las empresas radica en tomar decisiones basadas en hechos y
que permitan la toma de decisiones de forma rápida y en tiempo
real; por lo tanto, es necesario que los datos se recopilen,
actualicen y almacenen a un ritmo relativamente rápido. Ahora,
 Buscando datos 57
los gerentes de recursos humanos tienen la tarea más pesada de
"contratar y retener" a los mejores empleados de una empresa,
y también recopilan volúmenes muy altos de datos de los
empleados, pero carecen de conciencia sobre el uso efectivo de
esos datos. Como revela un estudio de IBM (2018), los gerentes
de recursos humanos perciben que enfrentan muchas barreras al
utilizar datos de capital humano y fuerza laboral para tomar
decisiones sobre la fuerza laboral. La más destacada de estas
barreras es la escasa integración de los sistemas de capital
humano y la escasa integración de los mismos con otros sistemas
organizativos; incapacidad para extraer información relevante de
estos sistemas debido a que los profesionales de recursos
humanos sin experiencia carecen de las habilidades necesarias
para extraer información; y la calidad cuestionable de los datos
recopilados . Además, la falta de voluntad para utilizar y extraer
información y la falta de apoyo de la alta dirección también
contribuyen a las barreras en el uso de datos sobre la fuerza
laboral para tomar decisiones. Esto implica que los gerentes de
recursos humanos carecen de una comprensión básica de cómo
trabajar con los datos de recursos humanos para tomar
decisiones, y esto aumenta cuando la recopilación y el
almacenamiento de datos son irrelevantes, aislados e
inaccesibles. Si un gerente de recursos humanos está
equipado con las habilidades necesarias de análisis de
negocios, podría identificar problemas de negocios,
modelarlos y señalar las fuentes de datos y su relevancia
para resolver el problema de negocios en cuestión.
Por lo tanto, este capítulo ayudará a los gerentes a comprender
cómo extraer información relevante de los abundantes datos que
tienen a su disposición para tomar decisiones sobre la fuerza
laboral. En este contexto, el capítulo de las siguientes secciones
arrojará luz sobre las fuentes y técnicas para la recopilación de
datos a través de diferentes fuentes de datos.

Datos versus información

Es muy importante comprender la diferencia entre datos e
información antes de que un usuario pueda aplicar análisis a un
problema empresarial. Los datos son de naturaleza cruda y
están disponibles en abundancia, desorganizados e
insignificantes en su forma original. A menos que se
aplique un contexto a los datos sin procesar, no tiene
ningún propósito. Sin embargo, cuando estos datos se
58Buscando datos
procesan para encajar en un contexto o propósito de uso por
parte de alguien o algo, los datos se convierten en información.
Por ejemplo, una empresa busca personas que puedan cubrir
vacantes en un puesto directivo en su departamento de ventas,
entre los vendedores que ya trabajan en la empresa. Ahora la
dirección ha decidido que el cumplimiento de estas vacantes se
basará en la experiencia de un determinado vendedor, el número
de proyectos, el número de variedades de productos manejados
y el número de sus contactos de ventas; todo ello disponible en
el sistema de información de la firma. Sin embargo, hasta que
fuera necesario extraer todo esto de la base de datos, se
denominaría "datos" ya que, en sí mismo, no tiene significado.
Cuando la dirección decide evaluar estos datos para basar su
decisión de elección de candidatos para el cumplimiento de
vacantes, se convierte en información. La diferencia entre datos
e información se demuestra en la Tabla 2.1.
Considere una factura típica impresa por un sistema de punto
de venta (PoS) en cualquier tienda minorista. La factura contiene
detalles como el número de cliente; fecha de venta; número de
cajero; tiempo; detalles del artículo, como el código del artículo,
la cantidad comprada, el precio unitario y el monto total cobrado
por cada artículo; modo de pago; etcétera. Todas estas
transacciones de PoS están estructuradas en un formato
específico y almacenadas en una tabla de transacciones en la
base de datos de la tienda, como se muestra en la Tabla 2.2.
Los detalles de la tabla son 'datos' ya que en sí mismos no
tienen significado para ninguna entidad. Sin embargo, cuando
estos detalles se agregan al final de cada día, para generar
detalles acumulados como la cantidad total vendida por artículo,
las ventas totales por artículo, las ventas totales por cajero, las
ventas totales por tienda, etc., se convierten en "información". ,
como se muestra en la Tabla 2.3. Por ejemplo, el número total
de unidades vendidas de Maggi Noodles es cinco, con ventas
totales de 300 rupias. Esto puede ayudar al gerente de la tienda
a decidir la cantidad de unidades que se adquirirán para el
inventario, los ingresos por artículo, etc.
TABLA 2.1 Diferencia entre datos e información
[Link]. Base Datos Información

1 definición Variables crudas que Datos que encajan en

no contienen específicos.
significado por si solos contexto/necesidades de
toma de decisiones
 Buscando datos 59
2 Apoya la decisión- No se puede utilizar Ampliamente utilizado
crudo. como base para
haciendo forma Toma de decisiones
3 Importancia Insignificante en su Importante para la toma
forma original de decisiones.
4 Representación Puede tomar varias Expresado como una
formas interpretación,
como en forma generalmente narración o
tabular, gráfica, descripción
listas, etc.
5 Relación con No relacionado con Representa relación/
ningún otro
otras cosas cosa conectividad entre
variables
Fuente: Bellinger, Castro y Mills (2004)

TABLA 2.2 Datos brutos en transacciones

Transacción Nombre del árticulo Cantidad Precio Cantidad
# vendida unitario cargada
1 Fideos Maggi 450 g 1 60 60
1 Pril Líquido 140 ml 2 27 54
2 Corazoncito Bis 48 g 5 10 50
3 Fideos Maggi 450 g 4 60 240
3 Vivel Perfecto 20 g 1 69 69
4 Corazoncito Bis 48 g 10 10 100
Ahora que la diferencia entre datos e información está clara, el
segundo aspecto que requiere total claridad es el conocimiento
de las variables involucradas en cualquier análisis. Como en la
tabla 2.3, la información muestra las ventas totales, tanto en
número de unidades como en moneda para un artículo en
particular disponible en la tienda. Esta cuantificación de datos
resultó en dos variables: ventas en unidades y ventas en
moneda.

Recopilación de datos – fuentes

Una vez que el gerente empresarial comprende el problema
empresarial, el siguiente paso es buscar datos para explicar y
encontrar una solución a ese problema. Esta sección analiza
algunas de las fuentes pertinentes de datos de recursos
humanos, clasificadas como internas y externas.
60Buscando datos
Fuentes de datos internas
La fuente de datos interna implica aquellas fuentes de datos que
están presentes dentro de los límites y el control de un sistema
organizacional. Es muy importante contar con una
infraestructura de TI sólida e integrada en la organización para
poder acceder a los niveles internos.
TABLA 2.3 Información extraída de datos sin procesar
Nombre del árticulo Ventas totales en Ventas totales
unidades en rupias
Fideos Maggi 450 g 5 300
Corazoncito Bis 48 g 15 150
Pril Líquido 140 ml 2 54
Vivel Perfecto 20 g 1 69
Ventas totales 573

unidades totales vendidas 23

fuentes de datos. Un problema empresarial en gestión de

recursos humanos a menudo no puede resolverse ni explicarse
de forma aislada, ya que todas las áreas funcionales de una
empresa trabajan de manera interdependiente. Por tanto, es
evidente que un problema visible en un área funcional puede
tener origen, consecuencias o impacto en otras áreas de una
empresa. Aquí, la infraestructura juega un papel crucial en la
integración y racionalización de los datos generados desde todas
las áreas funcionales.

Datos de sistemas de información.

La más pertinente de todas las fuentes de datos internas son los
datos generados a partir de sistemas empresariales de
diferentes áreas funcionales. Los sistemas de información de
diferentes áreas funcionales implementados en una organización
sirven como la fuente más importante y buscada en una
organización. Pero es relevante como fuente de datos sólo
cuando contiene datos fiables y actualizados periódicamente. La
interdependencia de datos diferentes de diferentes áreas
funcionales se puede entender bien con un ejemplo. Un sistema
de información de marketing contiene datos para todas las
funciones relacionadas con el marketing que se llevan a cabo en
una empresa, como precios, productos, ubicación y estrategias
de promoción. Para el desarrollo de cualquier producto nuevo, la
empresa debe contratar personal adecuado que tenga las
habilidades relevantes para desarrollar, promover y
 Buscando datos 61
comercializar ese producto. Para ello, necesita datos del sistema
de información de recursos humanos para determinar cuántos
empleados tiene la empresa con las habilidades relevantes y si
están asignados a un proyecto o están disponibles para el
desarrollo de este nuevo producto. En caso de que no haya
ningún empleado disponible para este desarrollo, la empresa
deberá subcontratar personal. Para ello, necesita datos del
sistema de información financiera para evaluar si tiene el
presupuesto necesario para contratar nuevos empleados. Este
ejemplo demuestra la interdependencia del sistema de
información funcional y cómo los datos integrados entre estas
funciones pueden proporcionar una solución a un problema
empresarial.

INSTANTÁNEA CORPORATIVA: FUENTE DE

DATOS INTERNOS DE [Link].

Clarks (2020), un importante minorista de calzado

multinacional, intentó establecer si existe una relación
entre el compromiso de los empleados y las finanzas.
desempeño de la firma. El minorista vende más de 50
millones de pares de zapatos cada año, gracias a un sólido
sistema de logística y distribución. La empresa atribuye
este índice de desempeño a sus empleados en el sistema de
distribución que garantiza que el stock correcto esté
disponible en el lugar correcto y en el momento correcto.
Por lo tanto, es comprensible que para discernir cómo el
compromiso de los empleados en la tienda del minorista
impulsa el desempeño financiero, buscó analizar datos del
sistema de planificación de distribución del minorista e
incluyó un total de 450 puntos de datos sobre el desempeño
comercial de este sistema. A través de este análisis se
obtuvieron varias ideas importantes, como que el
desempeño financiero de la tienda dependía de la
antigüedad del gerente de la tienda y del tamaño del equipo
en una tienda. Con base en estos hallazgos derivados del
sistema de distribución de la empresa, pudo desarrollar un
conjunto de herramientas de participación para que sus
gerentes mejoraran el desempeño de la tienda a través de
una mayor participación de los empleados.
62Buscando datos
Datos de sensores portátiles
Los sensores portátiles son el resultado del concepto de Internet
de las cosas. Estos sensores son dispositivos que usa un individuo
y se utilizan para recopilar información sobre ciertas variables
relacionadas con el desempeño y el movimiento individual.
Generalmente, los sensores adornados por los empleados en el
lugar de trabajo se utilizan para rastrear el movimiento y la
productividad de los empleados, mejorar el desempeño individual
e impulsar el crecimiento organizacional (Bersin, Mariani y
Monahan, 2016). Mediante el uso de sensores, sus patrones de
movimiento, comunicación y desplazamiento, se puede discernir
el trabajo en equipo, lo que puede utilizarse para hacer que el
entorno de trabajo sea más productivo. Otras posibles áreas
donde se pueden utilizar los datos de los sensores son reubicar a
los empleados según sus patrones de movimiento, comprender
qué tipos de tareas prefiere un grupo de empleados, ajustes
automatizados de temperatura en una habitación en función de
qué tan frío o calor se sienten los empleados en una habitación,
y la posibilidad de analizar un equipo sin ninguna identificación
individual o participación de un miembro del equipo. El mayor
desafío en esta forma de recopilación de datos es convencer a
los empleados de que usen dispositivos que contengan sensores
y ganarse su confianza en que la recopilación de datos no
invadirá su privacidad y seguridad.

INSTANTÁNEA CORPORATIVA: DATOS DE

SENSORES PARA [Link].

Como experimento, Deloitte reclutó voluntarios en el

lugar de trabajo que usarían insignias equipadas con
sensores para monitorear su ubicación, voz y movimiento.
El análisis de los sensores habilitados por voz permitió a
la empresa comprender cuándo los trabajadores estaban
bajo estrés y asociarlo con la ubicación del empleado, con
quién está, el evento actual, como una reunión, etc. Con
base en estos hallazgos, Deloitte pudo deducir que la
gente está más contenta trabajando en grupos pequeños,
prefiere oficinas con más ventanas y luz y espera que las
salas de conferencias sean grandes. De esta manera,
podría rediseñar los espacios de trabajo y notar cambios
significativos en la productividad de los empleados.
 Buscando datos 63
Datos de redes internas: redes sociales o datos
móviles
Muchas organizaciones grandes y pequeñas ejecutan sus redes
internas permitiendo a los empleados comunicarse e
intercambiar datos a través de mensajeros , escribir blogs ,
expresar sus opiniones y conectarse con la gerencia. Estos datos
ayudan a las organizaciones a comprender cómo los empleados
se comunican e interactúan entre sí, qué temas discuten con
frecuencia en sus interacciones y blogs, y qué problemas
relacionados con la gestión están experimentando. Las
organizaciones pueden aprovechar todo esto para obtener
conocimientos sin precedentes sobre el comportamiento y la
dinámica organizacional. De manera similar, los datos del
registro de llamadas recopilados de llamadas oficiales
realizadas en el lugar de trabajo o de conversaciones entre los
empleados del centro de llamadas y los clientes se pueden utilizar
para comprender qué hace que una llamada sea efectiva y genere
comentarios positivos por parte de los clientes. Esto luego se
puede utilizar para diseñar programas de capacitación efectivos
para enseñar a los empleados cómo interactuar con los clientes.
De manera similar, las plataformas de voz de los empleados
, como los foros de resolución de quejas o las plataformas de
software que les permiten expresar sus inquietudes y quejas, se
pueden utilizar para comprender los problemas gerenciales
recurrentes de los que hablan los empleados.

INSTANTÁNEA CORPORATIVA: DATOS DE

REDES INTERNAS PARA RRHH

Los empleados que trabajan en call center están dispersos

a lo largo del día para poder atender un número máximo de
llamadas en sus escritorios, y esto inhibe las posibilidades
de que estos empleados se conecten. Sin embargo, al
analizar sus comunicaciones en las redes internas, se
descubrió que los niveles de compromiso y productividad de
estos empleados eran más altos después del almuerzo,
cuando todos tenían la oportunidad de conectarse. A su vez,
la empresa les ofreció intervalos de conexión a lo largo del
día para tomar el té, almorzar, etc., en los que podían
comunicarse entre sí, lo que se tradujo en una reducción
significativa de los niveles de estrés y un aumento de la
productividad de los empleados.
64Buscando datos
Fuentes de datos externas
Las fuentes de datos que están fuera del control de una empresa
se denominan fuentes de datos externas. Muy a menudo, una
empresa incurre en un costo para adquirir estos datos; por
ejemplo, contratar una empresa para realizar encuestas o
comprar un informe publicado o comprar datos de empresas de
recopilación de datos de terceros. Se han discutido algunas de
las fuentes de datos externas pertinentes.
Encuestas de negocios
Muchas empresas privadas que operan a nivel multinacional
organizan encuestas y recopilan datos en nombre de una
empresa. Las encuestas a los empleados suelen estar
estructuradas para medir las percepciones de los empleados con
respecto a cuestiones organizativas. Algunas de las empresas
destacadas que realizan encuestas para organizaciones de todo
el mundo son Gallup, Nielsen y MacKenzie, por nombrar algunas.
Todos ellos tienen su sede fuera de la India y operan a nivel
mundial. Por ejemplo, Gallup –con sede en Washington DC– no
sólo recopila datos sobre clientes y empleados en un país, sino
que también proporciona servicios de análisis y asesoramiento.
Generalmente, el costo de realizar una encuesta se basa en la
cantidad de encuestados que se cubrirán en la encuesta y, para
las organizaciones, el costo también varía según el tipo de
encuestado, es decir, el costo de encuestar a los gerentes es
mayor que el de los empleados. Además, el costo también varía
según la cantidad de ubicaciones a cubrir.
Una encuesta revela mayores conocimientos sobre las
personas y la dinámica organizacional cuando se estructura
adecuadamente, siguiendo los objetivos de diseño. Por lo tanto,
se debe tener mucho cuidado al diseñar una encuesta para
inculcar los objetivos de realizarla y al mismo tiempo tener en
cuenta las necesidades de la audiencia. Por ejemplo, la jerga
organizacional sólo debe incluirse al realizar una encuesta a nivel
de toda la organización. Si la encuesta necesita incluir
encuestados fuera de la organización, como partes interesadas
externas como proveedores o socios logísticos, es posible que no
conozcan la jerga organizacional. En tal caso, la encuesta debe
excluir la jerga.
 Buscando datos 65
INSTANTÁNEA CORPORATIVA: ENCUESTAS
PARA EL ANÁLISIS DE [Link].

En Google (Leonardi y Contractor, 2018), uno de los

programas del Proyecto Oxígeno fue un intento de aplanar
la organización y eliminar jerarquías. La empresa primero
necesitaba determinar la percepción de los empleados
sobre la necesidad de un gerente en la empresa. Para ello,
diseñaron y administraron encuestas para obtener
comentarios de los empleados sobre sus gerentes. Además
de los datos de esta encuesta, Google también incluyó
calificaciones de desempeño de los gerentes y métricas de
productividad, ya disponibles en su base de datos. El
análisis reveló que cuando los empleados percibían que sus
gerentes tenían excelentes cualidades de desempeño y
liderazgo, la productividad de su equipo era mayor. Esto
implicaba que había una necesidad de gerentes y, por lo
tanto, la empresa abandonó la idea de eliminar niveles
gerenciales de la empresa.
Investigación publicada
Los artículos de investigación o informes de investigación
publicados por organizaciones independientes de terceros
brindan abundante información sobre la dinámica ambiental. Las
organizaciones suelen utilizar esto para obtener una perspectiva
de la industria sobre un tema organizacional particular. Por
ejemplo, la facturación ha sido un tema pertinente para la
industria de TI. Para determinar la magnitud del problema de
rotación que enfrenta una organización, la empresa puede
comparar su tasa de rotación con las tasas de rotación de toda
la industria publicadas en informes de investigación. Además, los
artículos publicados también pueden proporcionar información
para modelar un problema; es decir, comprender las causas y
consecuencias de un problema organizacional. Por ejemplo,
Clarks (2020), un minorista de calzado líder a nivel mundial,
intentó aumentar la participación de los empleados para mejorar
el rendimiento general de la tienda. Para ello, correlacionó varios
factores atmosféricos de la tienda con las actitudes de los
empleados y los niveles de compromiso. Algunos de los
principales hallazgos fueron que la permanencia de los gerentes
de equipo y el tamaño óptimo del equipo impactan directamente
el compromiso y la productividad de los empleados en la tienda.
De manera similar, si la gerencia no presta atención a las
percepciones de los empleados sobre la música que se reproduce
en la tienda, esto afecta directamente el desempeño de los
empleados. Otro minorista puede utilizar hallazgos similares para
66Buscando datos
mejorar el compromiso de sus empleados y el desempeño
general de la tienda. A menudo, estas investigaciones publicadas
allanan el camino para una investigación preliminar de un
problema organizacional.
Un factor importante a considerar al utilizar esto como fuente
de datos es determinar la autenticidad del informe de
investigación. Además, también es necesario considerar la
relevancia de la investigación. Por ejemplo, las conclusiones del
caso Clarks pueden aplicarse a investigaciones preliminares para
cualquier minorista con formatos de tienda. Pero para los
minoristas electrónicos como Amazon, la relevancia del caso
Clarks es cuestionable ya que el modo de operación es diferente
para ambas empresas.

INSTANTÁNEA CORPORATIVA:
INVESTIGACIÓN PUBLICADA PARA ANÁLISIS
DE [Link].

Cisco (2020) ha utilizado investigaciones publicadas sobre

datos demográficos para determinar la ubicación para abrir
nuevas oficinas. Utiliza esta fuente de datos externa para
encontrar ubicaciones con alta disponibilidad de talento
clave, un gran número de institutos educativos que ofrecen
programas educativos de graduación relacionados para que
la empresa pueda contratar nuevos graduados y donde el
costo y la tasa de ocupación del espacio de oficinas son
bajos; por lo tanto, el número de reclutadores que compiten
en el área también es bajo.
Datos de redes sociales externas/web/móviles
La proliferación del uso de Internet en el lugar de trabajo es
ampliamente evidente y aceptable en muchas organizaciones hoy
en día. Además de estar presentes y participar en conversaciones
en las redes internas de una organización, los empleados han
estado presentes en redes externas, ya sean redes profesionales
como LinkedIn y Academia, o no profesionales como foros
comunitarios como Twitter, por nombrar una. Esto ha sido motivo
de preocupación y tema de debate para las organizaciones, ya
que aún no es concluyente si la participación en redes sociales
externas en el lugar de trabajo contribuye o dificulta la
productividad de los empleados. Sin embargo, la organización
puede utilizar estos datos para comprender la dinámica de los
empleados y la dinámica de interacción. El análisis de redes
sociales es una corriente separada de análisis de recursos
humanos que intenta interpretar las redes sociales de los
 Buscando datos 67
empleados, creadas a través de sitios web, móviles o de redes
sociales, tanto dentro como fuera de la organización.
Normalmente, un análisis de este tipo revela quiénes son los
empleados más influyentes de una empresa que actúan como
conectores dentro y fuera de la empresa. Para situaciones que
requieren una gestión eficaz del cambio, dichas personas pueden
actuar como agentes de cambio que ayudan a la organización a
afrontar y gestionar la resistencia de los empleados durante el
cambio organizacional. Estos datos a menudo incluyen mensajes
intercambiados por los empleados a través de redes sociales o
correo electrónico, e identifican a las personas de la empresa con
el mayor número de conexiones y la fuerza de estas conexiones
(con qué frecuencia la comunicación tiene lugar a través de una
conexión en particular).
El análisis de estos datos también revela la estructura interna
de una organización. Aunque [Link]. a menudo describe la
estructura organizacional como una jerarquía, el análisis de redes
sociales tiene una historia diferente que contar. La mayoría de
las organizaciones están pasando ahora de organizaciones
jerárquicas aisladas a empresas interdependientes y conectadas.
El análisis de redes sociales proporciona una idea de los roles
reales que desempeñan y las tareas realizadas por las personas
en una empresa, y de cómo fluye la información y el trabajo en
toda la organización. Comprender a estos actores en una
empresa a través del análisis de redes sociales puede ayudar al
desarrollo y retención efectivos de estas personas y sus redes
informales.
La única preocupación al utilizar estos datos son las
consecuencias éticas y legales de la escucha de correos
electrónicos o mensajes privados de los empleados,
especialmente los intercambios que tienen lugar en redes
externas. Los empleados a menudo lo perciben como una
violación de la confianza y la seguridad, lo que afecta
directamente la lealtad y el compromiso de los empleados con la
empresa. Una forma de superar este problema es informar y
obtener el consentimiento del empleado antes de utilizar dichos
datos. Esto se analiza con mayor detalle en la siguiente sección
de este capítulo.

INSTANTÁNEA CORPORATIVA: RED EXTERNA

68Buscando datos
DATOS PARA ANÁLISIS DE RRHH

Cigna (2019), una empresa estadounidense de servicios

de salud que opera a nivel mundial, aplicó análisis de
redes sociales para identificar a los empleados que son
los "conectores" más destacados. Luego encuestó a las
partes interesadas (con las que se conectaban estos
conectores) para comprender su percepción del
impacto en la empresa si estos conectores abandonaran
la empresa. Con base en estos hallazgos, diseñaron una
estrategia de retención y recompensa para dichos
empleados. La dirección también admitió que a menudo
una empresa no se da cuenta de estos conectores
principales, ya que la dirección generalmente se centra
en sus favoritos y, por lo tanto, la analítica les permite
reconsiderar la ruptura de las convenciones.
Recopilación de datos – técnicas
Edwards Deming cree que sin datos, eres una persona más con
una opinión (Deming, 2019). Es muy importante respaldar sus
opiniones con datos. La recopilación eficaz de datos es uno de los
pasos más importantes para obtener resultados significativos
después de la aplicación de análisis. Para evitar ambigüedad en
los resultados y resultados de una solución analítica, es
imprescindible que los datos ingresados a la solución sean
confiables. Por lo tanto, la evaluación de una técnica adecuada
de recopilación de datos es tan importante como la identificación
de la fuente de datos. Aunque hay muchos datos disponibles,
cómo recopilar y obtener datos relevantes también es una
técnica. Las técnicas de recopilación de datos se pueden clasificar
en términos generales en técnicas intrusivas/interactivas y
discretas. Las técnicas intrusivas incluyen todos los métodos
utilizados para recopilar datos a través de alguna forma de
interacción con el individuo, especialmente cuando el propósito
de la interacción no siempre se comunica claramente, mientras
que las técnicas no intrusivas incluyen todos los métodos
mediante los cuales la interacción para la recopilación de datos
con los encuestados es mínima. Todos los métodos posibles de
recopilación de datos se enumeran en la Figura 2.1.

Métodos intrusivos de recopilación de datos.

La primera técnica en un método interactivo es la entrevista .
Lo que un individuo puede obtener al realizar entrevistas
depende de sus habilidades y comprensión y
 Buscando datos 69

Interviews

Obtrusive/
JAD
Interactive

Questionnaires
Data collection
techniques
Observation

Unobtrusive Sampling

Text analytics

FIGURA 2.1 Técnicas de recopilación de datos

Fuente: Kendall y Kendall (2018)
comunicación del contexto de una entrevista al entrevistado.
Para ello, el entrevistador necesita una preparación exhaustiva:

• leyendo y obteniendo tanta información como sea posible

sobre el problema empresarial a través de material de
antecedentes disponible como informes anuales, hojas
informativas, literatura existente, entrevistas previas,
cualquier publicación relacionada disponible y fuentes en
Internet;
• luego, el entrevistador debe marcar los objetivos y metas de
la entrevista y seleccionar a los candidatos adecuados;
• Finalmente, el entrevistador debe elegir si seguirá un estilo
de entrevista estructurado o no estructurado y, en base a
esto, redactará un cuestionario básico para realizar las
entrevistas. Además, también debe determinar el medio de
realización de la entrevista: cara a cara, por teléfono o
mediante una conexión virtual.

Al enfatizar la importancia de entrevistar o "hacer preguntas",

David Creelman, quien dirige el Creelman Research Group, dice
que a menos que uno haga muchas preguntas para profundizar
en el problema que alguien busca resolver, no servirá de nada .
objetivo. Es importante no limitarse a proporcionar a las
personas los datos que piden y creen que quieren (Levenson y
Pillans, 2017).
70Buscando datos
Se debe tener en cuenta que si el número de personas a
entrevistar es menor, entonces las entrevistas son una opción
factible; de lo contrario, si el número de encuestados es grande,
realizar las entrevistas será un proceso tedioso, con el potencial
de introducir sesgos, ya que aquellos ya entrevistados pueden
intentar sesgar otras respuestas insistiendo en lo favorable de
sus ideas.
El segundo método es mediante la administración de
cuestionarios . Esto se puede hacer manualmente o mediante
el uso de Internet, como formularios de Google, enlaces de
WhatsApp, publicaciones de Facebook, etc. Al diseñar un
cuestionario, el entrevistador elige preguntas abiertas, cerradas
o el uso de ambos tipos de preguntas en el diseño del
cuestionario. Cuando es posible un número limitado de
respuestas a una pregunta, se recomienda el uso de preguntas
cerradas y, a la inversa, cuando son posibles muchas respuestas
a una pregunta, se recomienda el uso de preguntas abiertas. La
secuencia o disposición lógica de las preguntas también es
importante al diseñar el cuestionario. Además, hay que tener en
cuenta que no es demasiado extenso, complejo y confuso. La
redacción de las preguntas debe ser sencilla y fácilmente
interpretable, y el diseño debe evitar el uso de palabras o
afirmaciones ambiguas. Cuando se utilizan cuestionarios, las
respuestas se pueden cuantificar mediante el uso de escalas y
codificación, como se analiza en la siguiente sección.
A través de entrevistas, también se pueden recopilar historias
de usuarios, que pueden ser experienciales, como lo que sucedió
cuando ocurrió algún problema comercial, y en su mayoría
incluyen la experiencia personal del individuo; explicativo,
cuando los individuos son capaces de exponer una razón o una
explicación de la respuesta organizacional al problema
empresarial; validar, que es valorar la respuesta organizacional
y convencer de que es correcta; y prescriptivo, cuando el
individuo hace sugerencias sobre lo que se podría haber hecho
en lugar de la acción actual.
La técnica final es el diseño de aplicaciones conjuntas
(JAD) . Una sesión típica de JAD involucra a muchos
participantes que pueden articular bien sus necesidades y
problemas, independientemente del puesto que ocupen, un
individuo que dirige el grupo, otro que actúa como escriba y otro
que dirige el grupo en la dirección correcta. Aunque se utiliza
ampliamente en el análisis y diseño de sistemas, la técnica es
inmensamente beneficiosa, ya que se entrevista a muchos
 Buscando datos 71
participantes todos a la vez, de modo que muchos resultados de
la entrevista se pueden comparar entre sí al mismo tiempo, lo
que permite la presentación de muchas soluciones nuevas para
un problema determinado. problema y apoyar el comportamiento
conjunto de resolución de problemas.
La elección del método dependería de:

• Disponibilidad de tiempo adecuado para la recopilación

de datos: por ejemplo, una entrevista lleva más tiempo en
comparación con la administración del cuestionario, mientras
que los cuestionarios se pueden administrar a muchos
encuestados a la vez. Además, considere si existen recursos
adecuados en la organización para convocar a los
participantes a una sesión de entrevista conjunta, como JAD,
para intercambiar ideas sobre el problema empresarial.
• Posibilidad de interactuar con cada encuestado: si el
número de encuestados es grande, entonces la posibilidad de
llegar a todos o realizar una sesión JAD es muy baja, y la
única opción factible que requiere interacción con los
encuestados es el uso de cuestionarios.
• Cuando la interacción es la única manera de encontrar
una solución – En algunas situaciones, es difícil lograr una
comprensión completa del problema; por lo tanto, se
requieren conversaciones e interacciones con el personal real
para construir una imagen completa del problema en
cuestión. En tales casos, los métodos intrusivos resultan
útiles.
• El número de encuestados para explicar un problema
empresarial y encontrar una solución.

INSTANTÁNEA: EJEMPLOS CORPORATIVOS DEL

MUNDO REAL PARA TÉCNICAS DE
RECOPILACIÓN DE DATOS

Una gran cadena de restaurantes buscó formas de mejorar

los resultados comerciales debido a su pobre desempeño
financiero. Sin embargo, no contaba con una copia de
seguridad de los datos para encontrar los motivos del
mismo en los datos de la organización. Entonces contrató
consultores que decidieron realizar una encuesta. Para
ello, primero enumeraron los resultados comerciales
clave que deben mejorarse y luego trabajaron hacia atrás
72Buscando datos
para diseñar una encuesta que contenga preguntas para
medir las perspectivas sobre el compromiso de los
empleados que afectarían estos resultados. La asociación
entre las puntuaciones de las encuestas y los resultados
comerciales se utilizó para evaluar qué impulsa el
desempeño de los restaurantes. De esta manera se
idearon estrategias para mejorar el desempeño de los
restaurantes.
Un minorista multinacional de calzado intentaba
optimizar sus paquetes de beneficios adaptándolos a las
necesidades de los empleados. Para ello, realizaron
entrevistas a los empleados preguntándoles qué beneficios
estaban dispuestos a intercambiar. Esto ayudó a la empresa
a obtener conocimientos profundos sobre qué es lo que más
valoran los empleados en sus paquetes de beneficios.
Un minorista de calzado con altos niveles de compromiso
de los empleados estableció mediante un análisis
cuantitativo que existe una relación entre el compromiso de
los empleados y el desempeño financiero. Ahora buscaba
descubrir qué factores subyacentes llevan a una tienda en
particular a tener un mejor desempeño que otras. Para ello,
llevó a cabo un análisis cualitativo en el que invitó a
representantes de los gerentes y empleados de las tiendas
con mejor desempeño y llevó a cabo sesiones de lluvia de
ideas. En estas sesiones, se pidió a los participantes que
enumeraran los factores de la tienda o la administración que
creían que contribuían al alto rendimiento. Un resultado
interesante fue que los frecuentes traslados de gerentes
entre diferentes tiendas dieron como resultado un
desempeño deficiente.

Fuente: Vulpen (2018)

Métodos discretos
Una limitación importante de los métodos intrusivos es la
posibilidad de distorsionar la información real al cambiar el
escenario donde está presente el problema. Cuando alguien
intenta obtener perspectivas sobre un problema al que se
enfrenta, la perspectiva cambia automáticamente (tal vez
ligeramente) ya que el encuestado ahora es consciente de que
alguien está hablando de su problema. Por lo tanto, los métodos
discretos evitan dicha distorsión. Sin embargo, siempre deben
 Buscando datos 73
combinarse con métodos interactivos para producir resultados
significativos.
El método discreto más básico de recopilación de datos es la
observación . Al observar a las personas involucradas en un
problema empresarial, se pueden explicar muchas cosas. Por
ejemplo, si un gerente observa atentamente a sus subordinados
en el trabajo, puede establecer sus tendencias laborales y
obtener una idea de su actitud general hacia el trabajo, el rol, las
tareas y la organización. Si se observa que un subordinado es
lento en la realización de tareas, pero es consistente e informa a
tiempo, entonces su actitud general es positiva, aunque su
eficacia puede ser baja. Estos conocimientos pueden utilizarse
aún más para determinar los resultados laborales y
organizacionales. Observar que un individuo es propenso a
presentarse tarde o a ausentarse en el trabajo, podría implicar
su tendencia a abandonar la organización. Con algunos datos y
análisis adicionales, se puede predecir esta tendencia a dejar de
fumar.
La segunda técnica es el muestreo . Cuando no es posible
llegar a todos los encuestados y un problema empresarial afecta
a toda la organización, se recopilan datos de unos pocos
encuestados que se cree que son representativos de toda la
población. Esto se denomina muestra. Las ventajas de utilizar el
muestreo son que reduce los costos ya que no es necesario llegar
a toda la población, acelera el proceso de recopilación de datos y
la efectividad de los datos recopilados se puede aumentar
mediante el muestreo al incluir en la muestra a los encuestados
que más importan en el negocio. problema. Un diseño de
muestreo típico incluye los siguientes elementos:

• Población de muestra: esto incluye la identificación de

todos los candidatos potenciales para la recopilación de datos
y normalmente se especifica como "cuántos". Por ejemplo, el
problema de este libro aborda el problema de la rotación de
ingenieros de software en empresas de TI, que trabajan en
los tres primeros niveles de la empresa. Por lo tanto, la
población incluiría a todos los ingenieros de software que
trabajan en los tres primeros niveles en empresas de TI en
todo el país, India. Por lo general, aquí se proporciona un
número aproximado. Este número puede obtenerse de
fuentes de datos secundarias. En caso de que los datos se
extraigan de documentos de texto, la población enumeraría
las fuentes de datos y cuántos documentos están disponibles.
74Buscando datos
• Tamaño de la muestra: dado que no se puede obtener la
respuesta de toda la población y tampoco es útil, se elige una
muestra de candidatos representativos para la recopilación
de datos. Hay muchas fórmulas disponibles para calcular el
tamaño de la muestra, según la población de la muestra y el
nivel de significancia. El nivel de significancia o nivel de
confianza implica cuánto error es aceptable en la recopilación
de datos de la muestra. Por ejemplo, si se elige un nivel del
5%, esto implica que la muestra puede incluir un 5% de
muestras erróneas, pero esto es aceptable para el analista. A
menudo, un tercer atributo considerado para determinar el
tamaño de la muestra es la variabilidad o heterogeneidad de
la muestra. Cuanto más diversa sea la población de una
muestra, mayor será el tamaño de la muestra. Normalmente,
para una población pequeña (~200), un censo es lo mejor
para recopilar datos. Para mayores que esto, es necesario
determinar el tamaño de la muestra. Hay dos formas de
determinar el tamaño de la muestra. Una forma es consultar
tablas que enumeran el tamaño de muestra apropiado para
un nivel de significancia y una población total determinados,
mientras que la otra es utilizar una fórmula (Israel, 1992). Al
realizar entrevistas, una regla general es entrevistar al menos
a tres personas en cada nivel de la organización y al menos
una de cada área funcional de la organización.
• Tipo de muestra – Una vez determinado el tamaño de la
muestra; el usuario debe determinar la técnica de recogida
de muestras. Las dos clases amplias de recolección de
muestras se basan en muestreo probabilístico o muestreo no
probabilístico. En la Figura 2.2 se presenta una categorización
adicional de estas clases.

Muestreo de probabilidad
Cuando todos los elementos tienen una cierta probabilidad de ser
incluidos en la muestra, se le conoce como muestreo
probabilístico. La forma más simple de muestreo probabilístico es
el muestreo aleatorio simple. Normalmente, utilizando tablas
aleatorias, se seleccionan muestras de una población. El
muestreo aleatorio garantiza que cada elemento tenga las
mismas posibilidades de aparecer en la muestra. El muestreo
aleatorio sistemático implica utilizar un sistema para
 Buscando datos 75

Probability Non-
sampling Probability
Random sampling Convenience
sampling sampling

Stratified Quota
sampling sampling

Cluster Purposive
sampling sampling

Systematic Snowball
sampling sampling

FIGURA 2.2 Métodos de muestreo

Fuente: Sekaran y Bougie (2016)

recoger muestras al azar. Por ejemplo, el investigador decide

seleccionar cada 'n-ésimo' elemento de la población. El muestreo
aleatorio estratificado suele utilizarse cuando la heterogeneidad
de los datos es alta. Implica determinar 'estratos' o subgrupos
de la población , basándose en un elemento de estratificación. El
tamaño de cada estrato puede ser proporcional al tamaño de los
estratos de la población o desproporcionada. De esta manera, el
diseño de muestreo puede ser un muestreo aleatorio
estratificado proporcional o un muestreo aleatorio estratificado
desproporcional, respectivamente. El muestreo por
conglomerados se utiliza cuando la población se puede dividir en
subgrupos que son externamente homogéneos pero
internamente heterogéneos. A menudo se lleva a cabo en etapas:
la primera etapa implica la identificación de conglomerados y la
segunda etapa implica la elección de algunos conglomerados
para recoger muestras.

Muestreo no probabilístico
La técnica de muestreo no probabilístico se basa en recoger
muestras de manera que todos los elementos de la población no
tengan una cierta probabilidad de aparecer en la muestra final.
La forma más básica es el muestreo por conveniencia, que
implica recoger las muestras según la conveniencia de cada uno.
76Buscando datos
El muestreo por juicio o intencional implica recoger muestras
basándose en el propio juicio o para cumplir algún propósito. El
muestreo basado en cuotas implica dividir la población en
subgrupos y asignar cuotas (un número fijo de muestras) que se
seleccionarán de un subgrupo. El muestreo de bola de nieve
implica seleccionar la muestra de un conjunto conocido de
encuestados y luego utilizar los contactos de estos encuestados
para seguir seleccionando la muestra. Esto es apropiado cuando
la muestra debe recolectarse de un flujo en particular, como solo
ingenieros, etc.
INSTANTÁNEA: EJEMPLOS DE MUESTREO
CORPORATIVO

Supongamos que el departamento de recursos humanos de

una organización desea encuestar a los empleados para
discernir sus niveles de compromiso. La organización decide
recopilar datos del 20% del total de empleados que
trabajan en la empresa. Para ello, toma muestras del 20%
de los empleados que trabajan en cada organización,
proporcional al tamaño del departamento. Este es un
muestreo aleatorio estratificado. Ahora, para cada
departamento, selecciona aleatoriamente al primer
empleado de una lista de empleados por departamento y
luego decide incluir cada décimo empleado en la lista,
comenzando desde la selección aleatoria para incluir en la
muestra, hasta alcanzar el tamaño deseado. Este es un
ejemplo de muestreo sistemático.
Ahora bien, en una situación similar, si el gerente de
recursos humanos reenvía la encuesta a empleados que ya
conocía, quienes luego la reenvían a sus contactos, es un
ejemplo de muestreo por conveniencia y bola de nieve. Si el
gerente decide dividir el tamaño total de la muestra (20%
de todos los empleados de la empresa) en cuotas basadas
en el tamaño del departamento, se convierte en muestreo
por cuotas.

La tercera técnica se basa en el análisis de documentos de

texto . Una gran cantidad de datos sobre las organizaciones y
sobre la organización están disponibles en Internet, las redes
sociales y otros sitios de redes (tanto internos como externos a
la empresa). Dependiendo del acceso disponible para un
individuo a estos recursos, se pueden aplicar análisis para
comprender los sentimientos y las palabras clave asociadas a un
problema empresarial determinado.
 Buscando datos 77
Técnicas de recopilación de datos no
convencionales.
Dado que a lo largo de los años han surgido muchas fuentes de
datos no convencionales, los datos sobre las personas también
están disponibles en estas plataformas no tradicionales. La
mayoría de estos datos carecen de estructura, es decir, no se
ajustan a un formato predefinido y no se puede acceder a ellos
ni almacenarlos mediante técnicas convencionales. Por ejemplo,
las conversaciones de los empleados en mensajería interna o
blogs en la intranet de una empresa no se pueden almacenar en
una estructura tabular tradicional ni analizar utilizando técnicas
estadísticas tradicionales. Para ello, han surgido nuevas formas
de recopilación de datos. Una de estas técnicas es el web
scraping , que se utiliza para la recopilación de datos específicos
de la web, en función de términos específicos o palabras clave de
interés, mediante el uso de rastreadores web (script del
programa) y luego almacenándolos en un conjunto de datos más
estructurado en una ubicación adecuada. (Vargiu y Urru, 2012).
Mediante el web scraping, se pueden recopilar datos de la web,
como datos en línea de sitios web, redes sociales y sitios de redes
profesionales (Platanou, Mäkelä, Beletskiy y Colicev, 2018), que
también se denominan fuentes de Big Data en RRHH. Cuando se
aplican técnicas analíticas como el 'modelado de temas' (una
técnica de minería popular que permite discernir la frecuencia de
la presencia de temas particulares en un texto) a los datos
extraídos, pueden servir para propósitos amplios en gestión de
recursos humanos, como para extraer ofertas de trabajo
relacionadas. para [Link]. (De Mauro, Greco, Grimaldi y Ritala,
2017), o para un advenimiento particular como la Industria 4.0
(Pejic-Bach, Bertoncel, Meško y Krstić, 2019), para identificar
habilidades en demanda o para análisis semántico de currículums
(Necula y Strîmbei, 2019). El web scraping se puede llevar a cabo
escribiendo scripts de programación llamados rastreadores que
extraen datos relevantes de la web. Los lenguajes populares
utilizados para escribir estos scripts son R y Python. En capítulos
siguientes se analizará un ejemplo de web scraping.

Cuantificación de datos
Si bien hay muchos libros sobre métodos de investigación, que
detallan la cuantificación de datos y el desarrollo de escalas para
medir un constructo determinado, este libro simplemente
discutirá formas prácticas y factibles en las que un analista de
78Buscando datos
problemas de negocios puede operacionalizar rápidamente una
variable y cuantificarla. los datos para el análisis. Es imperativo
especificar aquí que la dimensionalidad de los constructos bajo
estudio, las cuestiones de escalamiento y desarrollo de escala
están más allá del alcance de este libro, para mantener la
aplicación de la analítica lo más factible y fácil posible para los
gerentes.
En primer lugar, para cuantificar cualquier
dato/variable/objeto en la gestión empresarial, es necesario
visualizar algunos de sus atributos o características a los que se
les puede asignar algún número, símbolo y posiblemente medir.
Por ejemplo, si uno desea cuantificar la satisfacción laboral,
primero necesita identificar atributos o rasgos asociados de la
satisfacción laboral que puedan numerarse. Los atributos de la
satisfacción laboral pueden incluir la satisfacción del supervisor,
de los subordinados, del salario, de los beneficios de los
empleados, de las oportunidades de crecimiento profesional, etc.
Cuando no sea posible la cuantificación directa de la
variable, es necesario cuantificar sus atributos asociados.
Y a veces, el problema empresarial requiere profundizar
en los atributos de la variable en cuestión; en ese caso,
también se hace necesaria la cuantificación de los
atributos asociados. Además, es necesario entender que
algunas variables pueden cuantificarse directamente, mientras
que otras son subjetivas. Siempre que sea necesario cuantificar
variables subjetivas, es necesario utilizar técnicas de escalado,
clasificación y clasificación de datos que sirvan a nuestro
propósito. Por tanto, la cuantificación de variables implica lo
siguiente:

1 Decidir si una variable se puede cuantificar directamente o

no.
2 Identificar atributos/características asociadas a la variable.
3 Decidir si los atributos son objetivos o subjetivos.
4 Para las variables subjetivas, decidir cómo escalar para la
cuantificación: escalas nominales, ordinales, de intervalo o de
razón.
5 Además, decidir si se utilizará una escala de calificación o una
técnica de escala de clasificación para la recopilación de
datos.
 Buscando datos 79
tipos de escalas
La forma en que se "escalan" los datos varía la profundidad de la
información que se puede obtener. Escalar los datos proporciona
un medio para categorizar a los encuestados según la variable
escalada y, por lo tanto, ayuda en el análisis. Tomemos un
ejemplo simple de jugadores de cricket que están numerados del
1 al 11 y cada equipo tiene su nombre de identificación, como
India o Inglaterra. Por lo tanto, asignar números simples y
nombres de equipos a los jugadores ayuda a clasificar a los
jugadores en el Equipo de India o el Equipo de Inglaterra y, por
lo tanto, también ayudaría en la comparación de las puntuaciones
finales. Agregar las puntuaciones de todos los jugadores del
equipo de India y del equipo de Inglaterra proporciona una base
para comparar las puntuaciones y decidir el ganador del partido.
De manera similar, los datos de recursos humanos en las
organizaciones también deben ampliarse.

Escala nominal
El ejemplo anterior de jugadores de cricket en un equipo es un
ejemplo de escala nominal. Aquí las categorías de encuestados
se crean simplemente asignando números a los jugadores.
Cuando asignamos categorías, etiquetas o números a los datos
para su identificación, creamos una escala nominal. Esta escala
sólo permite categorización, cálculo de recuento de frecuencia y
porcentajes dentro de categorías. No puede informar más allá de
esto. En problemas de gestión empresarial, esta escala es útil
cuando se requiere algún tipo de categorización del problema.

INSTANTÁNEA: EJEMPLO DEL MUNDO REAL

Para el problema de la intención de rotación en los

análisis de texto, la intención de rotación debe evaluarse
a partir de tres categorías diferentes de empleados; por
lo tanto, asignar categorías de empleados a elementos de
datos es un ejemplo de escala nominal. De manera
similar, asignar categorías de estado civil también implica
el uso de una escala nominal.

Escala ordinal
Cuando la numeración o las categorías asignadas a los elementos
de datos están ordenadas por rango, se denomina escala ordinal.
80Buscando datos
Por ejemplo, de un conjunto de beneficios de retención ofrecidos
a los empleados, se les pide que indiquen las diez combinaciones
de beneficios más preferidas. Para ello, clasifican los beneficios
enumerados en el orden del 1 al 10, 1 para el más preferido y 10
para el menos preferido. Este es un ejemplo de la escala ordinal.
Además de la creación de categorías, las escalas ordinales
proporcionan información sobre la cantidad de diferencia entre
las diferentes categorías. Sin embargo, esta escala no explica el
alcance de las diferencias.

INSTANTÁNEA: EJEMPLO DEL MUNDO REAL

Medir la percepción de los empleados en una empresa

para discernir cuál es el beneficio de retención más
preferido y cuál es el beneficio de retención menos
preferido se puede responder utilizando una escala
ordinal. Pero no se puede responder en qué medida
difieren las preferencias.
Escala de intervalo
Como sugiere el nombre, aquí los elementos de datos se
colocan entre intervalos apropiados en una escala. Con esto, la
escala ayuda a medir el alcance de las diferencias entre
categorías. También permite realizar otras operaciones
matemáticas, como el cálculo de medias y desviación estándar.

INSTANTÁNEA: EJEMPLO DEL MUNDO REAL

Por ejemplo, para cada beneficio de retención, se pide a

los empleados que indiquen en qué medida están de
acuerdo en que tienen preferencia por ese beneficio. Las
respuestas deben indicarse en una escala de intervalo
(muy de acuerdo, de acuerdo, neutral, en desacuerdo o
totalmente en desacuerdo) y se asigna una puntuación de
5 a 1, respectivamente, a cada respuesta.

Ahora bien, utilizando esta escala se puede interpretar cuántos

prefieren, cuántos prefieren, cuántos no están interesados,
cuántos no prefieren y cuántos no prefieren un beneficio de
retención. Sin embargo, cuando comparamos las respuestas de
las categorías en esta escala para determinar la magnitud de la
diferencia, no indica nada sustancial. Por ejemplo, la diferencia
 Buscando datos 81
entre 5 y 4 en la escala es la misma que entre 4 y 3 o entre 3 y
2, y así sucesivamente. Entonces, como no hay un punto de
origen, la magnitud de las diferencias a lo largo de la escala sigue
siendo la misma y no representa nada sustancial. Sin embargo,
esta escala tiene un alto valor matemático, ya que con esta
escala se pueden calcular medidas de dispersión, desviación
estándar y varianza, además de medidas de tendencia central.

Escala de proporción
En esta escala se superan todas las limitaciones de las escalas
anteriores. Esta escala supone un punto de origen 0, lo que
ayuda a medir la magnitud de las diferencias, la proporción de
las diferencias y el orden. Estas escalas se prestan a muchas
técnicas de análisis estadístico.

INSTANTÁNEA: EJEMPLO DEL MUNDO REAL

Por ejemplo, cuando pedimos a los encuestados que

indiquen su edad en categorías preetiquetadas, como se
muestra a continuación, es un ejemplo de una escala de
proporción:

Por favor indica tu edad:

Menos de 30 años Entre 30 y 50 años 50 y más

De manera similar, cuando se le pide al encuestado un
número definido, también es un ejemplo de escala de
proporción. Por ejemplo: número de años de experiencia en
la organización actual ___________; número de proyectos
trabajados en _________________.

Escalas de calificación y clasificación

Una escala de calificación pide al encuestado que califique
diferentes elementos de la encuesta en la misma escala. La
escala de calificación más comúnmente utilizada es la escala
Likert, que permite a los encuestados calificar un ítem
determinado en 5 a 7 respuestas equilibradas (dependiendo de
si se elige una escala de 5 o 7 puntos), donde a menudo el punto
medio de la escala es Likert. La escala representa 0. La suma o
promedio de las respuestas a diferentes ítems en una escala de
calificación representa la puntuación total de un constructo
82Buscando datos
particular. Por otro lado, una escala de clasificación pide a los
encuestados que califiquen todos los elementos de la encuesta
en la misma escala, según sus preferencias. La clasificación de
cada ítem se interpreta individualmente y generalmente indica la
importancia de un ítem para completar el constructo.

INSTANTÁNEA: EJEMPLO REAL DE LA ESCALA

DE CLASIFICACIÓN

Una escala de clasificación para lo mismo sería: En una

escala del 1 al 5, clasifique los siguientes elementos según
su percepción de su importancia para la satisfacción laboral
general: salario ___; actitud del supervisor ___; beneficios
organizacionales ___; oportunidades de avance profesional
___; Puesto de trabajo ____.
INSTANTÁNEA: EJEMPLO REAL DE UNA ESCALA
DE CALIFICACIÓN

Para medir la satisfacción laboral de los empleados, una

escala debe incorporar varios atributos de un trabajo que
pueden tener un impacto en la satisfacción de los
empleados, como: satisfacción derivada del salario,
beneficios de los empleados, puesto de trabajo, apoyo del
supervisor, subordinados, avance profesional, etc. . Cada
uno de estos atributos es subjetivo, por lo que se puede
utilizar una escala de calificación para cuantificar cada
atributo, de modo que la suma o promedio de estos
represente la satisfacción laboral general. Por ejemplo, al
utilizar una escala de 5 puntos, algunos de los elementos de
la escala pueden incluir:

¿Qué tan satisfecho está con su salario?: __totalmente

insatisfecho; __De alguna manera insatisfecho; __no
importa; __de alguna manera satisfecho; __
totalmente satisfecho.
 Buscando datos 83
¿Qué tan satisfecho está usted con la actitud de su
supervisor?: __totalmente insatisfecho; __De alguna
manera insatisfecho; __no importa; __de alguna
manera satisfecho; __totalmente satisfecho.
¿Qué tan satisfecho está con los beneficios de su
organización?: __totalmente insatisfecho; __De
alguna manera insatisfecho; __no importa; __de
alguna manera satisfecho; __totalmente satisfecho.

Suponiendo que se asigna una puntuación de 1 a totalmente

insatisfecho y una puntuación de 5 a totalmente satisfecho,
la suma total o el promedio de las respuestas de todos estos
ítems representa la satisfacción laboral general del
encuestado.
Métricas de recursos humanos, KPI
(indicadores clave de desempeño) y cuadro
de mando de recursos humanos
Las métricas son la herramienta tradicional para cuantificar los
datos de una empresa. Las métricas de recursos humanos son
medidas cuantitativas indicativas del desempeño de una función
de recursos humanos. Las organizaciones deben identificar y
realizar un seguimiento de aquellas métricas que desempeñan
un papel vital en el funcionamiento organizacional y tienen un
impacto directo en su desempeño y productividad generales.
Estas métricas son métricas clave o indicadores clave de
desempeño (KPI) de la empresa e indican si la función de
Recursos Humanos está contribuyendo o no a la estrategia
organizacional general. Estos KPI varían según el tipo de
industria y de una organización a otra. Por ejemplo, la métrica
de recursos humanos "coste por contratación" es muy importante
para las organizaciones que contratan con frecuencia, como las
empresas de marketing o publicidad, mientras que desempeña
un papel pequeño en los institutos académicos. Algunas de las
métricas más utilizadas son el ausentismo, la tasa de rotación, la
puntuación de compromiso de los empleados, la puntuación neta
del promotor, la eficacia de la formación, etc.
84Buscando datos
INSTANTÁNEA: EJEMPLO CORPORATIVO DE USO
DE MÉTRICAS

Un uso destacado del análisis del talento es el uso de datos

sobre el capital humano. Estos hechos son métricas con la
capacidad de expresar una versión única de la verdad con
respecto al desempeño a nivel individual y empresarial.
Pueden incluir plantilla, facturación, etc. Para la aplicación
de análisis, es necesario descifrar cuántos puntos de datos
se necesitarían para obtener esta versión única de la
verdad. Por ejemplo, Jet Blue Airways utiliza solo una
métrica para medir el compromiso de los empleados, que es
la "puntuación neta de promotor de los miembros de la
tripulación". Para recopilar datos para esta métrica, la
empresa simplemente pregunta anualmente al miembro de
la tripulación en la fecha de su contratación qué
probabilidades hay de que recomiende la empresa a otros.
Esta métrica no sólo mide los niveles de compromiso, sino
que también predice la intención del empleado de
permanecer en la empresa.
Es una tarea tediosa identificar KPI en gestión de recursos
humanos, ya que es muy difícil medir los resultados directos de
los esfuerzos de las personas que tienen un impacto
organizacional. Por lo tanto, las empresas traducen la estrategia
organizacional a objetivos de recursos humanos y luego
determinan el KPI para los mismos. Por ejemplo, si una
estrategia organizacional es impulsar el crecimiento
organizacional a través de la innovación, entonces el objetivo de
[Link]. sería identificar empleados innovadores presentes en la
empresa o contratar nuevos con alto potencial de innovación. En
cualquier caso, el KPI sería la cuantificación del comportamiento
innovador de los empleados, que se puede realizar mediante una
escala de calificación. El seguimiento periódico de este KPI entre
los empleados ayudaría a la función de recursos humanos a
determinar si el objetivo de recursos humanos está alineado o no
con la estrategia organizacional de innovación.
Otra técnica utilizada para identificar KPI es el uso de un
cuadro de mando integral. Originalmente, el concepto de cuadro
de mando integral fue desarrollado por Kaplan y Norton (2000).
Proporcionaron una herramienta a través de la cual la dirección
de la empresa podía traducir la visión y la estrategia
organizacional en cuatro perspectivas cuantificables y operativas,
a saber. el proceso financiero, de clientes, de aprendizaje y
crecimiento, y del negocio interno. La herramienta permite a la
gerencia traducir la estrategia en objetivos viables para cada
 Buscando datos 85
perspectiva, de modo que para cada objetivo, se pueda registrar
la medida (medios para cuantificar la misma), la meta y el logro
real del objetivo. Desde entonces, muchas organizaciones y
funciones de gestión han adaptado esta herramienta según sus
necesidades y estrategias.

INSTANTÁNEA: EJEMPLO CORPORATIVO DE

[Link].
Cuadro de mando y KPIS

Los ingresos de una empresa de construcción naval estaban

disminuyendo debido a la subcontratación económica de
buques de carga. Como no era posible competir en una
estrategia de diferenciación de costos, se decidió diseñar
una estrategia de diferenciación de productos, ya que sus
clientes actuales estaban dispuestos a pagar un precio más
alto por sus buques de carga especializados de alta
tecnología. La implicación era contratar personas
innovadoras altamente calificadas (perspectiva de
aprendizaje y crecimiento) manteniendo bajo el costo de
contratación (perspectiva financiera). Además, la empresa
identificó que tenía que mejorar su proceso de producción
para reducir el tiempo de entrega y convertirse en el
empleador más atractivo (perspectiva del proceso). El
siguiente paso fue identificar el KPI y el objetivo para cada
una de estas perspectivas.
Para establecer una medida para su estrategia de
innovación, decidió comercializar cinco nuevos productos
innovadores cada 95 días. Para contratar personas
innovadoras altamente calificadas, decidió determinar
anualmente la calidad de la contratación midiendo el
puntaje de satisfacción gerencial en una escala de 0 a 1 y
fijó el objetivo en 0,85. Además, el objetivo de reducir los
costos de contratación se fijó en 3,5 millones de dólares al
año, mientras que para hacer operativo su estatus como
"empleador más atractivo", decidió medir el tiempo de
contratación en número de días (objetivo de 25) y el índice
de la industria. del punto de referencia de los principales
empleadores (dirigido al 20% superior); y para reducir el
tiempo de entrega del proceso, se fijó como objetivo un
índice de aceptación del producto del 90 %.

Fuente: (Vulpen, 2017)

86Buscando datos
De manera similar, para diferentes funciones de gestión de
recursos humanos, se puede desarrollar un cuadro de mando de
recursos humanos. De manera similar al enfoque de Robert y
Kaplan, para el desarrollo de un cuadro de mando de recursos
humanos, la estrategia organizacional primero debe traducirse
en perspectivas operativas de recursos humanos y luego se
pueden definir medidas y objetivos. Estas medidas, también
denominadas indicadores, pueden clasificarse como adelantadas
o rezagadas. Los indicadores adelantados se pueden utilizar para
análisis predictivos, ya que a menudo preceden a un evento. Por
ejemplo, el ausentismo de los empleados es un indicador
importante de la intención de rotación de empleados. Los
indicadores rezagados se pueden utilizar para análisis
descriptivos en relación con eventos pasados. Por ejemplo, la
tasa de enfermedad de los empleados es un indicador rezagado
del costo laboral. Depende completamente del contexto de la
situación si un indicador determinado estaría adelantado o
retrasado. Se puede desarrollar un cuadro de mando para
evaluar la madurez de la función de DRH de una organización
(Rao, 2014). Hay cuatro dimensiones que indican el nivel de
madurez de una función de DRH: sistemas de DRH, competencias
de DRH, cultura de DRH y vínculos comerciales de DRH. Por lo
tanto, normalmente se realizaría una auditoría de DRH para
evaluar el nivel de madurez de cada una de estas dimensiones y
luego se asignarían puntuaciones para las mismas. De esta
manera, la empresa puede cuantificar el nivel de madurez de
DRH en una empresa.

Datos cualitativos
Así como los datos cuantitativos narran una historia basada en
números, los datos cualitativos utilizan palabras (Currence,
2019). Las técnicas de análisis empresarial también han allanado
el camino para inferir datos cualitativos, como conversaciones de
texto entre empleados a través de mensajería, conversaciones
de audio entre empleados y clientes en llamadas telefónicas, o
blogs y opiniones del empleado compartidos en las redes internas
de una empresa. Los datos cualitativos se refieren a datos no
numéricos que pueden recopilarse utilizando las mismas técnicas
de recopilación de datos. A menudo, la recopilación de datos
cualitativos puede servir como preludio a la aplicación del análisis
de datos cuantitativos. Sin embargo, con la aparición de
herramientas y técnicas analíticas avanzadas, como las basadas
 Buscando datos 87
en el procesamiento del lenguaje natural (PNL), la minería de
textos, el análisis de sentimientos, el modelado de temas, etc.,
los datos cualitativos están evolucionando como una fuente
interesante para el análisis, ya que pueden proporcionar
información sin precedentes. conocimientos a las empresas.
Tanto los números como las palabras son importantes para
obtener conocimientos organizacionales, ya que a menudo las
palabras explican la historia detrás de los números. Existen
varias técnicas importantes para la recopilación de datos
cualitativos similares a las enumeradas anteriormente. Pueden
incluir entrevistas, lluvia de ideas y encuestas. Las
organizaciones de todos los sectores han utilizado ampliamente
las entrevistas de salida para entrevistar a los empleados que
han solicitado la separación de la empresa. Generalmente es una
entrevista reactiva, ya que el empleado ya ha decidido dejar la
empresa, y generalmente se realiza uno o dos días antes de que
el empleado esté a punto de irse. Este método de recopilación de
datos permite a los empleados expresar sus puntos de vista con
bastante libertad, ya que pronto dejarán la empresa. Los datos
recopilados a través de las entrevistas de salida proporcionan
información importante a la empresa sobre las razones de su
salida. Las empresas utilizan encuestas para recopilar
información sobre la perspectiva de los empleados sobre un tema
particular o una intervención organizacional, o para medir las
actitudes de los empleados y los resultados laborales. Por
ejemplo, se puede utilizar una encuesta para determinar qué tan
eficaz es la percepción de los empleados sobre un programa de
capacitación. Las encuestas anónimas, como las organizadas por
el gigante mundial Gallup, permiten a los empleados expresar
sus opiniones libremente y, al ser administradas a gran escala,
la capacidad de generalizar en base a estos hallazgos es mayor.
La lluvia de ideas como técnica de recopilación de datos
cualitativos permite la participación de una fuerza laboral diversa
y, por lo tanto, durante la sesión se pueden generar nuevas ideas
para un problema particular.

INSTANTÁNEA: EJEMPLO CORPORATIVO DE

RECOPILACIÓN DE DATOS CUALITATIVOS

Una empresa minorista encuestó periódicamente a los

empleados que trabajaban en sus tiendas sobre su
percepción sobre la atmósfera de la tienda. La empresa
88Buscando datos
determinó que la mayoría de las discusiones de los
empleados eran sobre la música que se escuchaba en la
tienda. El análisis también reveló que estos empleados
estaban más comprometidos que otros y también se
quejaban de la falta de atención por parte de la dirección.
La gerencia rápidamente se dio cuenta de que
recientemente había cambiado a música de bajo costo de
licencia para reproducirla en las tiendas y revirtió su
decisión. El análisis de la siguiente serie de encuestas
demostró los beneficios de esta decisión, ya que los
empleados hablaban de la música, pero agradecían a la
dirección por su atención.

En los departamentos de recursos humanos se genera una

gran cantidad de datos textuales y no estructurados. Por
ejemplo, una plataforma de voz para empleados, como una para
la reparación de quejas, tiene mucho texto, audio y tal vez
también videos. Las empresas pueden utilizar estos datos para
analizar los patrones entre las voces, como de qué temas se
habla más en estas plataformas y la fuente de su origen, como a
qué departamentos o áreas de trabajo se refieren principalmente.
Otras técnicas, como el modelado de temas, pueden identificar
qué temas pertinentes aparecen en estas voces, cuáles son los
temas más comunes. De manera similar, las consultas en los
servicios de asistencia técnica de [Link]. también se pueden
aprovechar para identificar patrones y tendencias en las mismas,
impulsando así mejoras en el manejo de las consultas y
ahorrando costos (Green, 2018). Estos tipos de análisis de datos
cualitativos pueden arrojar conocimientos que normalmente no
habrían sido posibles mediante técnicas de recopilación de datos
tradicionales o estructuradas.

Preocupaciones éticas y legales

Dado que los datos de las personas son datos muy confidenciales,
es una preocupación clave para las organizaciones evaluar
cuidadosamente las preocupaciones éticas y legales de estos
datos. El análisis de personas, que intenta descifrar las
interacciones de las personas, necesita acceso a las
conversaciones entre los empleados de una organización. Sin
embargo, esto debe comunicarse a los empleados si sus
conversaciones en plataformas oficiales de interacción se
rastrean para análisis. Muchas empresas administran sus redes
 Buscando datos 89
internas donde las personas pueden intercambiar correos
electrónicos, escribir blogs e intercambiar conversaciones a
través de mensajería; sin embargo, acceder a estos datos sin
notificar a los empleados sería una señal de intrusión. Las
organizaciones ahora están utilizando sensores portátiles para
monitorear la actividad de los empleados en la empresa como un
medio para mejorar la salud y el bienestar de los empleados en
el lugar de trabajo. Sin embargo, a pesar de las ventajas
reportadas del uso de esta técnica, una de las principales
barreras para su adopción es la violación de la privacidad de los
empleados y la divulgación de información confidencial de los
empleados (Schall, Sesek y Cavuoto, 2018).
Para superar estas preocupaciones éticas, una organización
necesita informar a los empleados a través de políticas, que
describan claramente los medios y dispositivos para rastrear
dicha información de los empleados (Jacobsa et al., 2019). Sin
embargo, depende completamente del marco legal del país de
operación lo que se puede incluir en las políticas
organizacionales, ya que las políticas legales difieren de un país
a otro (Levenson y Pillans, 2017). Por ejemplo, en Estados
Unidos, los datos generados por los empleados en el lugar de
trabajo son propiedad de la empresa. En la India, las leyes
regidas por la Ley de Tecnología de la Información de 2000
(Prakash y Dwivedi, 2018) permiten a los empleadores recopilar
y monitorear datos confidenciales de los empleados siempre que
les informen sobre sus políticas. Deben mencionar explícitamente
el tipo de datos que se recopilan, el propósito de la recopilación,
la duración durante la cual se utilizarán y si se compartirán con
un tercero. Algunos países incluso exigen la participación de los
empleados para elegir los medios adecuados para la recopilación
y el seguimiento de datos. Los estudios han demostrado que
estas formas de participación de los empleados benefician los
resultados organizacionales (Jacobsa et al., 2019), por ejemplo,
cuando el uso de dispositivos portátiles para rastrear el
movimiento de los empleados para mejorar la seguridad y el
bienestar de los empleados en la empresa es elegido por la
empresa . Los propios empleados, la tasa de adopción de estos
dispositivos es alta. Cuando una organización busca el
consentimiento de los empleados antes de recurrir a tales
prácticas y los involucra en su implementación, genera beneficios
bilaterales para ambas partes. En primer lugar, las
organizaciones deben evaluar la necesidad y el propósito de esta
forma de recopilación de datos y, en segundo lugar, los
90Buscando datos
empleados se sienten empoderados a través de la participación
y la comprensión de los beneficios de dicha implementación, y la
lealtad de los empleados aumenta. Si bien puede resultar difícil
para las empresas abordar todas las consultas de los empleados
sobre la recopilación de datos, deben llegar a un equilibrio entre
garantizar la transparencia con los empleados e impulsar el
desempeño empresarial.

Conclusión
La cita de Edward Demings sigue siendo relevante: “Sin datos,
eres solo otra persona con una opinión” (Vulpen, 2017). El punto
es aún más pertinente para las organizaciones que buscan
obtener una mayor comprensión de las personas y la dinámica
organizacional. Sin embargo, la pregunta que persiste para los
directivos es dónde ubicar los datos. El gerente, cuando se
enfrenta a un problema empresarial, necesita identificar las
fuentes que puedan explicar las causas y consecuencias del
problema, de modo que pueda ayudar a obtener una idea de la
solución. Por lo tanto, este capítulo ayuda al gerente a
determinar qué fuente de datos de recursos humanos se puede
utilizar, cómo recopilar datos de esa fuente y, si es necesario,
cómo se pueden cuantificar los datos. Por lo tanto, este capítulo
proporciona detalles completos de las diferentes fuentes de datos
de recursos humanos presentes dentro y fuera de una empresa
que un gerente puede aprovechar para aplicar análisis de
recursos humanos. Además, el capítulo analiza diversas técnicas,
tanto convencionales como no convencionales, visibles y
discretas, mediante las cuales se pueden recopilar datos de
recursos humanos de estas fuentes. Finalmente, el capítulo
presenta algunos medios utilizados para cuantificar los datos de
recursos humanos, a saber, el uso de escalas, métricas, KPI y
cuadros de mando. El capítulo enumera ejemplos corporativos
del mundo real para demostrar el uso de cada concepto
presentado en el capítulo.

Glosario
Muestreo de conveniencia que implica recoger las muestras
según la conveniencia de cada uno.
de datos sin procesar que no tienen importancia por sí solas
Fuentes de datos externas Fuentes de datos que están fuera
del control de una empresa, como encuestas empresariales,
 Buscando datos 91
investigaciones publicadas, redes sociales externas, web o
móviles, etc.
Cuadro de mando de recursos humanos: una herramienta a
través de la cual la dirección de la empresa puede traducir la
visión y estrategia organizacional en perspectivas
cuantificables y operativas mediante la identificación de
medidas o indicadores y el establecimiento de objetivos.
de información que se ajustan al contexto
específico/necesidades de toma de decisiones.
Fuentes de datos internas Fuentes de datos que están
presentes dentro de los límites y el control de un sistema
organizacional, como datos del sistema de información,
sensores, etc.
Escala de intervalo los elementos de datos se colocan entre
intervalos apropiados en una escala; Con esto, la escala
ayuda a medir el alcance de las diferencias entre categorías.
de JAD es una sesión en la que participan muchos participantes
que pueden articular bien sus necesidades y problemas.
KPI Los indicadores clave de desempeño son aquellas métricas
que desempeñan un papel vital en el funcionamiento
organizacional, se derivan de la estrategia organizacional y
tienen un impacto directo en su desempeño y productividad
general.
Métricas la herramienta tradicional para cuantificar los datos de
una empresa; Las métricas de recursos humanos son
medidas cuantitativas indicativas del desempeño de una
función de recursos humanos.
Escala nominal cuando a los datos se les asignan categorías o
etiquetas o números para su identificación; esta escala solo
permite categorización, cálculo de recuento de frecuencia y
porcentajes dentro de categorías
de muestreo no probabilístico se basa en la recogida de
muestras, de forma que todos los elementos de la población
no tienen una cierta probabilidad de aparecer en la muestra
final.
intrusivas de recopilación de datos cuando el propósito de la
recopilación se conoce o se explica al encuestado, incluidas
entrevistas, JAD y cuestionarios.
Escala ordinal cuando la numeración o categorías asignadas a
los elementos de datos están ordenadas por rango
Rellene todos los candidatos potenciales para la recopilación de
datos.
92Buscando datos
Muestreo probabilístico cuando todos los elementos tienen
una cierta probabilidad de ser incluidos en la muestra.
El muestreo intencional implica tomar muestras basándose en
el propio juicio o para cumplir algún propósito.
Datos cualitativos: datos no numéricos que pueden recopilarse
utilizando las mismas técnicas de recopilación de datos; A
menudo, la recopilación de datos cualitativos puede servir
como preludio a la aplicación del análisis de datos
cuantitativos.
El muestreo por cuotas implica dividir la población en
subgrupos y asignar cuotas a un número fijo de muestras,
que se seleccionarán de un subgrupo.
El muestreo aleatorio garantiza que cada elemento tenga las
mismas posibilidades de aparecer en la muestra.
Escala de calificación/clasificación Una escala de calificación
solicita al encuestado que califique diferentes elementos de la
encuesta en la misma escala; Una escala de clasificación, por
otro lado, pide a los encuestados que califiquen todos los
elementos de la encuesta en la misma escala, según su
preferencia.
Escala de razón Esta escala supone un punto de origen cero, lo
que ayuda a medir la magnitud de las diferencias, la
proporción de las diferencias y el orden.
El muestreo implica recopilar datos de unos pocos encuestados
que se cree que son representativos de toda la población.
Escalar los datos proporciona un medio para categorizar a los
encuestados en función de una variable escalada y, por lo
tanto, ayuda en el análisis.
El muestreo en bola de nieve implica seleccionar la muestra
de un conjunto conocido de encuestados y luego utilizar los
contactos de estos encuestados para muestrear más.
El muestreo aleatorio estratificado suele utilizarse cuando la
heterogeneidad de los datos es alta; Implica determinar
'estratos' o subgrupos de la población, basándose en un
elemento de estratificación, de modo que el tamaño de cada
estrato puede ser proporcional al tamaño de los estratos de
la población o desproporcionadamente.
El muestreo aleatorio sistemático implica utilizar un sistema
para recoger muestras al azar; por ejemplo, el investigador
decide seleccionar cada 'n-ésimo' elemento de la población
discretas de recopilación de datos cuando el propósito de la
recopilación es desconocido o está oculto al encuestado,
incluidas la observación, el muestreo, el análisis de texto, etc.
 Buscando datos 93
sensores portátiles usados por un individuo y utilizados para
recopilar información sobre ciertas variables relacionadas con
el desempeño y el movimiento individual.
Web scraping utilizado para la recopilación de datos específicos
de la web, en función de términos específicos o palabras clave
de interés, mediante el uso de rastreadores web (script del
programa) y luego almacenándolos en un conjunto de datos
más estructurado en una ubicación adecuada.

Material de revisión
1 Explique la necesidad de que los gerentes de recursos
humanos basen sus decisiones en datos.
2 Enumere las barreras en la recopilación de datos para el
análisis de recursos humanos.
3 Comparar datos e información con ejemplos relevantes.
4 Enumere las técnicas intrusivas de recopilación de datos.
5 Enumere las formas en que el gerente de recursos humanos
decidiría qué recopilación de datos intrusivos sería útil.
6 Enumere técnicas discretas de recopilación de datos.
7 Definir muestreo, población de muestra y tamaño de
muestra.
8 Diferenciar entre muestreo probabilístico y no probabilístico.
9 Enumere diferentes técnicas de muestreo probabilístico.
10 Enumere diferentes técnicas de muestreo no probabilístico.
11 Aclarar los pasos involucrados en la cuantificación de
variables.
12 Enumerar y explicar los tipos de escalas.
13 Explicar los KPI y su relevancia en la aplicación de análisis.
14 Analice en detalle el cuadro de mando de recursos
humanos.
15 ¿Cuál es la importancia de los datos cualitativos en el análisis
de recursos humanos?
16 Aclarar varios tipos de datos cualitativos utilizados en el
análisis de recursos humanos.
17 Analice diferentes fuentes internas de datos de recursos
humanos.
18 Analice diferentes fuentes externas de datos de recursos
humanos.
19 ¿Qué entiende que se entiende por preocupaciones éticas y
legales en la recopilación de datos de recursos humanos?
94Buscando datos
Ejercicios problemáticos
1 Supongamos que usted, como director de recursos humanos
de la empresa, tiene la tarea de identificar el perfil óptimo
para los empleados exitosos. ¿Qué fuentes de datos utilizaría
para este propósito? Justifique su(s) respuesta(s).
2 Supongamos que su empresa ha comenzado recientemente a
operar fuera de la India y usted está a cargo de administrar
la fuerza laboral india. Decide implementar análisis de redes
sociales para determinar cómo difiere la dinámica de las redes
sociales según los países. ¿Sería ético y legal que usted
hiciera tal análisis? ¿Por qué o por qué no?

Caso de estudio

Margdarshan: construir [Link]. como socio

comercial estratégico
Sampann Corporations (el nombre se ha cambiado para proteger
la privacidad de los entrevistados) es una empresa textil líder
que opera en la India. Sus principales áreas de operación
incluyen hilado, tejido y procesamiento de hilos, telas y
fabricación de productos textiles como toallas y prendas de
vestir. La industria textil de la India requiere mucha mano de
obra y se enfrenta a una dura competencia en términos de
contratación de mano de obra cualificada. Sampann ha podido
conservar su plantilla mejor que los competidores del mercado;
sin embargo, la dirección a menudo consideró que le resultaba
difícil conseguir mano de obra en el mercado, a pesar de su larga
trayectoria operando en la industria textil de la India. Además, la
función de recursos humanos en la empresa no podía justificar
su existencia, de modo que la dirección a menudo cuestionaba
su papel en la contribución a la productividad y el rendimiento de
la organización. Ante estos desafíos, el ejecutivo de recursos
humanos de Sampann, Arpit Sharma, decidió trabajar con datos
de recursos humanos para demostrar cómo la función de
recursos humanos contribuía al desempeño de la empresa. Sin
embargo, la empresa no tenía una copia de seguridad de datos
consistente disponible para el análisis.
Por lo tanto, Sharma decidió diseñar un cuadro de mando de
recursos humanos llamado 'Margdarshan' que mediría el
desempeño de [Link]. a través de KPI y, por lo tanto, mostraría
suficientemente cómo [Link]. contribuye al desempeño de la
empresa. Dado que el mayor desafío era hacer de Sampann un
 Buscando datos 95
empleador preferido, el Sr. Sharma elaboró esto como una
estrategia de recursos humanos y diseñó objetivos estratégicos
para la función de recursos humanos, de modo que pudiera
contribuir al crecimiento general del negocio. Luego, para
desarrollar medidas para cada uno de estos objetivos, el Sr.
Sharma identificó facilitadores, impulsores y resultados,
basándose en los cuales diseñó una "tarjeta de devolución", que
representa todas las métricas de recursos humanos y su
contribución al crecimiento organizacional general. La
cuantificación de datos no tenía precedentes en la empresa y los
resultados fueron magnánimos. A través de resultados
cuantificados, la dirección empresarial pudo visualizar el
importante papel de la función de [Link]. y también identificar
áreas de mejora a través de las cuales Sampann podría
establecerse como el empleador preferido en el mercado.
Algunos de los objetivos derivados de la estrategia de [Link].
fueron: 'desarrollar un sentimiento de pertenencia y orgullo en
cada empleado', 'crear y establecer canales abiertos de
comunicación', 'crear un entorno de aprendizaje y crecimiento',
'potenciar el trabajo en equipo y el buen trabajo de los empleados
' . relación", "garantizar el bienestar y la seguridad de los
empleados" e "introducción de sistemas y estandarización en
todas las funciones empresariales". Para desarrollar estos
objetivos, se llevaron a cabo discusiones informales con la fuerza
laboral de las organizaciones para comprender su perspectiva
sobre lo que faltaba en la organización para convertirla en un
empleador atractivo. Además de esto, las sesiones de lluvia de
ideas con otros ejecutivos y gerentes de [Link]. también
conducen al surgimiento de estos temas como objetivos de
[Link]. para lograr la estrategia mencionada anteriormente. El
siguiente paso fue entender cómo medir estos objetivos. Para
ello, al principio era imperativo saber cómo se facilitan estos
aspectos en la organización, es decir, a través de qué
instrumentos o sistemas se podrían poner en práctica. Por
ejemplo, para desarrollar un sentido de pertenencia entre los
empleados, era necesario monitorear sus niveles de satisfacción.
Además, era necesario tener un sistema para abordar
oportunamente sus quejas, adoptar e implementar prácticas
preventivas de disputas y establecer foros donde los empleados
puedan discutir con la gerencia y se puedan encontrar soluciones
a los problemas que enfrentan los empleados. Sharma los calificó
de facilitadores. La identificación de estos facilitadores facilitó la
tarea de identificación de los conductores. Los impulsores fueron
96Buscando datos
las métricas reales o valores cuantificados que midieron la
implementación de un objetivo. Por ejemplo, para el facilitador
de reparación de quejas, los factores identificados fueron
"número de quejas en aumento" (aquellas no resueltas en el nivel
más bajo de reparación), reducción porcentual en quejas en
aumento (este año con respecto al año anterior), tiempo
promedio de procesamiento de quejas, y tiempo promedio de
respuesta a las quejas. De manera similar, para el facilitador de
la satisfacción entre los empleados, los factores determinantes
fueron el número de encuestas de satisfacción realizadas
anualmente, el número promedio de
MARGDARSHAN en Sampann

La “ satisfacción del personal/trabajador” entregable de

[Link]. aumentó el porcentaje de personal que cae en la curva de
satisfacción en _____________________ y el porcentaje de
trabajadores que caen en la curva de satisfacción en
_____________________, lo que a su vez redujo la deserción en
_________________, lo que resultó en un aumento de la productividad
en ____________________

Entregable de [Link]. La comunicación justa disminuyó el

período promedio necesario para responder a las quejas del
personal/trabajadores en ____________ días. Aumentó el % de
personal que cae en la curva de satisfacción en
_____________________ y el % de trabajadores que caen en la
curva de satisfacción en _____________________, lo que resulta en
una disminución del desgaste de los trabajadores en
_______________________ y una disminución del desgaste. del
personal por _______________

FIGURA 2.3 Cuadro de mando de 'Margdarshan' en Sampann

encuestados en cada encuesta, número de empleados

satisfechos, reducción porcentual de empleados insatisfechos
(este año/con respecto al año anterior), número de actividades
realizadas para el bienestar y entretenimiento de los empleados.
De manera similar, para todos los demás objetivos, se
identificaron facilitadores e impulsores. De esta manera se
podrían cuantificar los datos de recursos humanos. Ahora, para
generar un cuadro de mando llamado 'Margdarshan' por el Sr.
Sharma (Figura 2.3), cada uno de estos factores se clasificó en
entregables, que se encuentran bajo un encabezado particular
bajo el cual se podría informar el desempeño de [Link]. Por
 Buscando datos 97
ejemplo, todos los facilitadores de la satisfacción se agruparon
bajo el entregable "satisfacción de los empleados", todos los
facilitadores de la reparación de agravios se agruparon bajo el
entregable "comunicación", y así sucesivamente. Esta
categorización facilitó el registro y la presentación de informes
de datos de desempeño de recursos humanos.
La herramienta ha podido proporcionar información sin
precedentes sobre la gestión de la empresa y también demostrar
la contribución de la función de Recursos Humanos al desempeño
empresarial general. Al monitorear la reducción en el tiempo de
respuesta y manejo de quejas, la firma pudo investigar y
describir cómo afectó los niveles de satisfacción de los empleados
y, por lo tanto, desarrollar medios a través de los cuales se puede
lograr una mejora en la reparación de quejas. A su vez, permitió
el desarrollo de una comunicación justa entre la organización y
los empleados, aumentando así su atractivo como empleador de
elección. La cuantificación de los datos de recursos humanos y el
uso de encuestas y cuadros de mando permitieron al Sr. Sharma
demostrar y justificar la existencia y contribución de la función
de recursos humanos al desempeño general de la empresa.

Preguntas
1 Analice el proceso adoptado por el gerente de recursos
humanos de Sampann para desarrollar el cuadro de mando
de recursos humanos.
2 ¿Cómo se cuantificaron los datos de recursos humanos en
este caso y cuál fue el propósito de la cuantificación?
3 Según su comprensión del texto, identifique los facilitadores
y algunos impulsores para el objetivo de garantizar el
bienestar y la seguridad de los empleados.
4 ¿Qué otra fuente de datos externa sugeriría utilizar en este
caso para lograr la estrategia de [Link]. de convertirse en el
empleador preferido?

Bibliografía
Bellinger, G., Castro, D. y Mills, A. (2004). Datos, información,
conocimiento y sabiduría . Obtenido de [Link].
Bersin, J., Mariani, J. y Monahan, K. (24 de mayo de 2016). ¿La
tecnología IoT nos traerá el empleado cuantificado? Obtenido en
agosto de 2019 de Deloitte Insights: [Link]
com/us/en/insights/focus/internet-of-things/people-analytics-iot-
human-resources.
98Buscando datos
HTML
Chow, C. (febrero de 2018). Cómo medir las comunicaciones internas:
análisis y conocimientos . Obtenido de Coro Social:
[Link] análisis-e-
insights-de-comunicaciones/
Cisco. (2020). Análisis de ubicación: una nueva plataforma para atraer
usuarios . Obtenido de Cisco Meraki:
[Link]
0new%20 platform%20for%20engaging,no%20additio
nal%20cost%20or%20complexity
Cigna. (2019). Perfil de la empresa Cigna . Obtenido de Cigna:
[Link]
Clarks. (2020). Clarks: análisis minorista . Obtenido de SPScommerce:
[Link] [Link]/resources/clarks-case-study/
Currence, J. (23 de mayo de 2019). Tres herramientas clave para
recopilar datos cualitativos . Obtenido el 21 de septiembre de 2019
de SHRM: [Link]/resourcesandtools/hr-topics/behavioral
competencias /pages/tres-key-tools-for-collecting-qualitative-
[Link]
De Mauro, A., Greco, M., Grimaldi, M. y Ritala, P. (2017). Recursos
humanos para profesiones de big data: una clasificación sistemática
de roles laborales y conjuntos de habilidades requeridas.
Procesamiento y gestión de la información , 1–11.
Deming, EW (junio de 2019). Pensamiento del día . Consultado en 2019,
de The Tribune: www. [Link]/news/thinked-for-the-day/
without-data-you-are-just-another- persona-con-una-opinión – w-
edwards-deming/[Link]
Verde, D. (22 de noviembre de 2018). Uso del análisis de texto de los
empleados para impulsar los resultados comerciales . Recuperado
de 2019, de my HR Future:
[Link]/blog/2018/11/21/using-text-analytics-with-
people-data
IBM. (2018). Estudio de capital humano global de IBM . Gestión del
Capital Humano para el Gobierno. Nueva York: IBM.
Israel, GD (1992, noviembre). Determinación del tamaño de la muestra
. Hoja informativa PEOD-6. Gainesville, FL: Instituto de Ciencias
Agrícolas y Alimentarias, Universidad de Florida.
Jacobsa, JV, Hettinger, LJ, Huang, Y.-H., Jeffries, S., Lesch, MF,
Simmons, LA. . Willetts, JL (2019). Aceptación de los empleados de
la tecnología portátil en el lugar de trabajo. Ergonomía aplicada , 148-
156.
Kaplan, RS y Norton, DP (2000). Utilizar el cuadro de mando integral
como sistema de gestión estratégica. Harvard Business Review , 1–
13.
Kendall, K. y Kendall, J. (2018). Métodos de recopilación de información.
En K. Kendall y J. Kendall (Eds.), Análisis y diseño de sistemas (págs.
103-154). Hoboken, Nueva Jersey: Pearson Education, Inc.
Leonardi, P. y Contractor, N. (noviembre de 2018). Mejores análisis de
personas. Revisión de negocios de Harvard . Vol.88(10), págs.52-58
 Buscando datos 99
Levenson, A. y Pillans, G. (2017). Análisis estratégico de la fuerza laboral
. Londres, Reino Unido: Foro de investigación corporativa.
Mazor, AH (2019). Analítica de adquisición de talento . Obtenido de
Deloitte: [Link] [Link]/us/en/pages/human-
capital/articles/[Link]
Miller, R. (24 de febrero de 2015). "Nueva firma combina wearables y
datos para mejorar la toma de decisiones ". Obtenido en julio de 2019
de Tech Crunch: [Link]
combines-wearables-and-data-to-improve-decision-making/
Necula, S.-C. y Strîmbei, C. (2019). Análisis de personas de currículums
de recursos humanos de la web semántica para la adquisición
sostenible de talento. Sostenibilidad , 11 (13), 2–18.
Pejic-Bach, M., Bertoncel, T., Meško, M. y Krstić, Ž. (2019). Minería de
textos de anuncios de empleo de la industria 4.0. Revista
Internacional de Gestión de la Información , 50 , 416–431.
Platanou, K., Mäkelä, K., Beletskiy, A. y Colicev, A. (2018). Uso de datos
en línea y análisis de textos basados en redes en la investigación de
gestión de recursos humanos. Revista de eficacia organizacional:
personas y desempeño , 81–97.
Prakash, A. y Dwivedi, S. (22 de julio de 2018). Esto es lo que los
empleadores deben saber sobre los derechos de privacidad de los
empleados . Obtenido el 6 de julio de 2019 de People Matters:
[Link]/article/technology/heres-what-employers-
must-know-about-employee-privacy-rights-18814
Ranosa, R. (2018, noviembre). Cómo esta aerolínea global utilizó la
analítica para mejorar la contratación . Obtenido de HR Tech News:
[Link] how-
this-global-airline-used-analytics-to-improve-hiring/116491
Rao, T. (2014). Auditoría de Recursos Humanos: Evaluación de las
funciones de recursos humanos para la mejora empresarial . Nueva
Delhi: Sage Publications India Pvt. Limitado. Limitado.
Rosenbaum, E. (3 de abril de 2019). La inteligencia artificial de IBM
puede predecir con un 95% de precisión qué trabajadores están a
punto de dejar sus puestos de trabajo . Obtenido el 20 de agosto de
2019 de CNBC: [Link]. com/2019/04/03/ibm-ai-puede-predecir-
con-95-porcentaje-de-precisión-qué-empleados -renunciará[Link]
Schall, MC, Sesek, R. y Cavuoto, LA (2018). Barreras para la adopción
de sensores portátiles en el lugar de trabajo: una encuesta entre
profesionales de seguridad y salud en el trabajo. Factores humanos
Revista de la Sociedad de Factores Humanos y Ergonomía , 60 (3),
351–362.
Sekaran, U. y Bougie, R. (2016). Diseños experimentales. En U. Sekaran
y R. Bougie (Eds.), Métodos de investigación para empresas: un
enfoque de desarrollo de habilidades (págs. 242-256). West Sussex,
Reino Unido: John Wiley & Sons Ltd.
Vargiu, E. y Urru, M. (2012). Explotación del web scraping en un enfoque
colaborativo basado en filtrado para la publicidad web. Investigación
sobre inteligencia artificial , 44–54.
Vulpen, EV (2017). KPI de recursos humanos: una explicación detallada
con métricas y ejemplos . Obtenido en junio de 2019 de AIHR
100Buscando datos
Analytics: [Link]/blog/human-resources-key-
performance-indicators-hr-kpis/
Vulpen, EV (2018). "15 estudios de casos de análisis de recursos
humanos con impacto empresarial ". Obtenido en octubre de 2019 de
AIHR Analytics: [Link]/blog/hr-analytics-case-
studies/
3
MODELAR EL PROBLEMA DE
NEGOCIO

Después de leer este capítulo, los usuarios

podrán comprender los siguientes conceptos
clave:
• Definir un modelo y su necesidad para analizar un problema
de negocio.
• Definir el diagrama de influencia y cómo se prestan al
desarrollo primario de modelos.
• Comprender los componentes de un modelo de negocio de un
problema empresarial.
• Comprender las diferentes variables utilizadas en el
modelado de problemas empresariales.
• Comprender cómo se puede utilizar el enfoque de
sistemas/lógica de procesos para el desarrollo de un modelo
de negocio.
• Comprender la necesidad y el papel de construir una base
teórica para el desarrollo de modelos.
• Explique qué se entiende por jerga organizacional.
• Comprender el papel de comprender la jerga organizacional
para desarrollar modelos predictivos.

Caso de apertura
El abuso de drogas es un problema importante en Estados
Unidos, y es aún más difícil construir modelos que puedan
predecir con altos niveles de precisión quién se entregará al
102Modelando el problema empresarial
abuso de drogas. Como recuerda Cosley, científico de datos de
una importante empresa de atención médica, existe una
distinción entre los consumidores de opioides y los no
consumidores que toman opioides. El objetivo de un modelo
predictivo es identificar a aquellos no abusadores con alto
potencial de convertirse en abusadores. Esto es posible cuando
el modelo predictivo puede distinguir entre las características de
ambas categorías de consumidores de drogas y luego asociar las
dos categorías para predecir la probabilidad de que un no
abusador se convierta en abusador.
Por lo tanto, el equipo de análisis de Cosley mantuvo
conversaciones con proveedores de atención médica para
comprender el comportamiento de estos consumidores de
drogas. Descubrieron que, si bien las visitas frecuentes al médico
predecían el abuso de drogas, algunos otros rasgos de
comportamiento importantes eran la aparición de ciertos
síntomas y enfermedades específicos asociados con las visitas al
médico, las visitas a más de un médico y la residencia en una
región particular identificada por ZIP. (Código Postal. Basándose
en tales observaciones, el equipo de análisis de Cosley diseñó un
sistema predictivo con 742 variables, añadiendo intensidad
computacional al modelo como el de los modelos analíticos de
Big Data. El equipo descubrió que agregar una cantidad tan
amplia de variables aumentó la precisión de la predicción al 85%,
lo que les ayudó a identificar de antemano a los consumidores
que tienen un alto riesgo de convertirse en adictos a las drogas.
Esto llevó al equipo a adoptar cuidados preventivos cuando
podían diseñar campañas educativas, o pedir directamente al
proveedor de atención médica del paciente que interviniera, y
distribuir cajas de amnistía, donde fuera necesario, para recoger
el exceso de medicamentos que se dispersaban.
Este caso implica la necesidad de diseñar con precisión un
modelo predictivo para aumentar la precisión de la predicción.
Por lo tanto, este capítulo se centra en conceptos clave para
desarrollar un modelo predictivo para la gestión de recursos
humanos.

Introducción
Para encontrar una solución a un problema, los directivos no
pueden confiar únicamente en su intuición y juicio. Necesitan
respaldar sus decisiones con datos apropiados y luego tomar
 Modelando el problema empresarial 103
decisiones basadas en hechos. Pero la pregunta es: ¿cómo
deducirá un directivo los hechos a partir de los datos? Los
capítulos anteriores dieron una idea del concepto de análisis de
recursos humanos y los diversos pasos involucrados en la
aplicación del análisis a un problema empresarial. Aunque el
gerente puede obtener acceso a datos relevantes para resolver
un problema de negocios, todavía no podría tomar decisiones
basadas en hechos a menos que construya un modelo
matemático o estadístico de ese problema y luego aplique este
modelo a los datos para encontrar hechos. tomar decisiones. El
proceso de toma de decisiones también especifica enumerar
diferentes alternativas de decisión y luego utilizar criterios
particulares para tomar una decisión. Estos criterios pueden ser
simples y lógicos, como elegir la alternativa que sea rentable, la
que maximice los beneficios de los empleados o minimice las
pérdidas de la organización, etc. Pero para la generación de
alternativas de decisión es necesaria la formalización de un
modelo del problema empresarial. Por lo tanto, es imperativo
que alguien que aplica la analítica esté familiarizado con los
fundamentos del modelado de un problema empresarial. A
menos que el diseño no sea apropiado, no tiene sentido aplicar
herramientas analíticas, ya que los problemas de diseño no
pueden solucionarse mediante técnicas analíticas (Light, Singer
y Willett, 1990).
Un modelo se define formalmente como:

Un modelo es una abstracción o representación de un

sistema, idea u objeto real.
(Evans, 2016, pág. 18)

Según esta definición, un modelo puede ser tan simple como

una ilustración gráfica de los rasgos o características más
importantes de un concepto en estudio; o puede ser tan
complejo como involucrar el diseño de una representación
matemática o estadística. Por ejemplo, simplemente
representar las colocaciones anuales de los estudiantes de una
universidad en particular con la ayuda de un gráfico de líneas es
un modelo. Además, ajustar una función matemática a este
gráfico de líneas o curva como P = ab eT también es un modelo
que establece una relación matemática entre el número de
ubicaciones (P) y la época del año (T), donde a y b son
constantes. Generalmente, para la aplicación de análisis de
104Modelando el problema empresarial
negocios, se construyen modelos para establecer relaciones
entre los resultados del negocio, de modo que los gerentes
puedan generar diferentes alternativas de decisión y hacer
predicciones.
Los modelos a menudo pueden complementar o apoyar la
intuición y el juicio gerencial. Por ejemplo, la intuición de un
gerente de recursos humanos podría decirle que se contraten
nuevos empleados para un nuevo proyecto, en lugar de capacitar
a los existentes, pero un modelo matemático respondería a
cuántos contratar.

INSTANTÁNEA: EJEMPLO CORPORATIVO DE LA

NECESIDAD DE MODELAR EL PROBLEMA DE
NEGOCIO

Una empresa que presencia una alta rotación de personal,

a pesar de ofrecer el mejor paquete de compensación y
beneficios a sus empleados, no pudo encontrar el motivo
de la rotación. Luego comenzó a buscar otros factores
como el clima organizacional, la relación con el
supervisor, etc., para determinar la causa de la rotación.
Correlacionó todos los datos organizacionales y de
empleados disponibles con la empresa y descubrió que
quienes abandonaban la empresa no habían sido
promovidos desde hacía mucho tiempo, la mayoría de
ellos habían estado trabajando bajo unos pocos
supervisores comunes y se habían producido
relativamente pocas intervenciones organizacionales en
esas organizaciones. áreas donde la rotación fue mayor.
El ajuste matemático de la correlación identificó algunas
áreas de preocupación que la intuición o el juicio nunca
tendrían.

Normalmente, antes de proceder a construir un modelo

matemático, algunos gerentes pueden utilizar técnicas de
ilustración gráfica, como un diagrama de influencia (Evans,
2016), para comprender las diversas características de los
problemas empresariales y cómo se afectan entre sí. En otras
palabras, cómo se relacionan entre sí los principales elementos
de un problema empresarial se puede ilustrar visualmente
utilizando estos diagramas de influencia (Figura 3.1).
 Modelando el problema empresarial 105
Considere un problema empresarial sencillo de bajas ventas
en las tiendas minoristas de la organización. Ahora las bajas
ventas pueden atribuirse a los altos precios de los productos o al
mal desempeño de los empleados de la tienda. Suponiendo que
los precios de los productos sean consistentes durante un largo
tiempo, de manera que no afecten las ventas, la única causa que
requiere mayor investigación es el desempeño de los empleados.
El gerente ahora necesita investigar más para identificar los
elementos que pueden tener un impacto en el desempeño de los
empleados. Por ejemplo, el ambiente de la tienda, la capacitación
para el trato con el cliente, la relación con el gerente de la tienda,
etc., pueden ser algunas de las causas subyacentes.

FIGURA 3.1 Panorama corporativo: diagramas de influencia

Fuente: Evans (2016)

Un modelo de negocio de cualquier problema empresarial

determinado implica los siguientes componentes:

1 Identificar variables de investigación

2 Desarrollar una base teórica
3 Desarrollar un modelo conceptual de la relación entre
las variables y explicar las razones de las relaciones
establecidas.
106Modelando el problema empresarial
Como se desprende claramente de este ejemplo, el uso del
diagrama de influencia ayuda a comprender los elementos
principales de un problema empresarial y cómo se relacionan
entre sí. A partir de esto, resulta fácil desarrollar un modelo
matemático, si un gerente tiene todos los datos relevantes sobre
estos elementos principales. Estos diagramas también
proporcionan una base para una investigación preliminar de la
relación entre estos elementos. Sólo es necesario incluir en los
modelos aquellos elementos que tengan una fuerte relación. La
identificación de estos elementos o características principales de
un problema proviene de la experiencia gerencial y los
fundamentos teóricos. Además, para construir un modelo
matemático, dos requisitos fundamentales son los datos y las
variables. Por lo tanto, las siguientes secciones del capítulo
presentan conceptos relacionados con diversas variables
utilizadas en la construcción de un modelo y el uso de la teoría
en la identificación de los elementos principales de una variable.
Modelando el problema empresarial 1

Los administradores de empresas no son estadísticos y, por lo

tanto, las empresas suelen contratar analistas para desempeñar
esta función. Sin embargo, el entorno empresarial actual exige
la integración del rol de un analista de negocios con el rol de
gerente de negocios, de modo que la investigación preliminar y
la solución a cualquier problema comercial puedan ocurrir al nivel
del propio gerente de negocios. Esto refuerza la necesidad de
que un gerente se dote de conocimientos de análisis de negocios.
Cualquier algoritmo analítico o estadístico producirá sólo lo que
se le introduce, lo que implica que la forma en que un gerente
estructura un problema de negocio guiará la aplicación de
análisis y la interpretación futura de los resultados arrojados por
la aplicación. Por lo tanto, es imperativo que los gerentes
comerciales comprendan la estructura básica de cualquier
problema comercial, para permitir un modelado preciso y el
consiguiente análisis.
Cada uno de estos pasos se analiza con mayor detalle en las
siguientes secciones del capítulo. Los datos brutos por sí solos
no pueden narrar una historia; es necesario modelarlo para
exponerlo a algún tipo de análisis y luego generar información.
Para ello, los directivos primero deben diferenciar entre datos e
información, ya que los datos están a su alrededor y necesitan
extraerlos para adaptarlos a sus necesidades de toma de
 Modelando el problema empresarial 107
decisiones. En segundo lugar, necesitan identificar diversas
variables de los datos que ayudarían en la extracción de
información mediante la aplicación de análisis de negocios.

Variables en el modelado de un problema

empresarial.
Como sugiere el nombre, una variable es cualquier cosa cuyo
valor varía. Por ejemplo, la variable de ventas totales del ejemplo
anterior varía según cada artículo, cada día y cada tienda. Por
tanto, las ventas, ya sea en número de unidades o de moneda,
son una variable. Cualquier problema de investigación involucra
el siguiente tipo básico de variables (Sekaran y Bougie, 2010)
(Bajpai, 2011).

Variables dependientes
El analista o investigador está interesado en analizar algo, y esta
variable (que es de primordial interés para el analista o
investigador) se denomina variable dependiente. La razón por la
que se denomina dependiente es que depende de algo más para
explicar la variabilidad en su aparición. Por ejemplo, las ventas
varían según el tipo de artículo, el día de la semana y la tienda.
Entonces, la cantidad de ventas que se producirán dependerá del
tipo de artículo, día y tienda. Por tanto, una venta es una variable
dependiente. Siempre que un gerente o un analista modela un
problema de negocios, entonces la variable que se presta a la
investigación primaria, para la cual es necesario discernir
algunos factores o causas subyacentes, será la variable
dependiente. Tomemos otro ejemplo, donde un gerente de
recursos humanos observa que el ausentismo de los empleados
es mayor el lunes y menor el viernes, y también está relacionado
con el departamento del empleado. Entonces, la variable
dependiente, en este caso, es el ausentismo.
INSTANTÁNEA CORPORATIVA: VARIABLE
DEPENDIENTE

Una empresa de transporte buscó mejorar la contratación

de nuevos conductores para reducir el costo de los
accidentes de tránsito. Para ello, buscaron rediseñar su
evaluación de contratación de conductores. Por lo tanto,
construyeron un modelo predictivo que podría predecir la
probabilidad de que un conductor sufra un accidente de
108Modelando el problema empresarial
tráfico en función de sus rasgos psicométricos.
Claramente, en este ejemplo, aunque el objetivo principal
es mejorar la calidad de las contrataciones y reducir el
coste de los accidentes de tráfico, la variable dependiente
utilizada es la probabilidad de verse involucrado en un
accidente.

Ahora bien, un problema empresarial también puede implicar

más de dos variables dependientes. A veces, los gerentes se dan
cuenta de que, si bien el ausentismo es el resultado de una baja
satisfacción laboral y compromiso organizacional entre los
empleados, la satisfacción laboral y el compromiso
organizacional en sí mismos pueden atribuirse a factores
ambientales e individuales. Entonces, aquí intervienen múltiples
variables para el análisis, lo que da lugar a un problema de
análisis multivariado.

Variables independientes
Las variables independientes siempre se definen en el contexto
de la variable dependiente involucrada en el estudio. Aquellas
variables que afectan a la variable dependiente se denominan
variables independientes. Siempre que ocurre un cambio en el
valor de la variable dependiente, puede ser contabilizado por la
variable independiente. Se han establecido cuatro condiciones
para justificar una variable independiente. Primero, tanto la
variable independiente como la dependiente deben covariar, ya
sea positiva o negativamente. Por ejemplo, las ventas de bebidas
y la temperatura en una región covarían, ya que un cambio de
temperatura siempre provoca un cambio en las ventas de
bebidas. En segundo lugar, debe existir una relación temporal tal
que la aparición de la variable independiente siempre preceda al
cambio en la variable dependiente. Por ejemplo, si las ventas de
bebidas aumentan sin un cambio de temperatura, entonces
ciertamente el cambio en las ventas no puede atribuirse al
cambio de temperatura. En tercer lugar, al explicar el efecto del
cambio de una variable independiente, se deben controlar otras.
Cuarto, siempre debe existir un marco teórico que establezca
lógicamente la relación entre ambos. Por ejemplo, el cambio en
los ingresos y la obesidad no tienen un respaldo lógico; por tanto,
esta relación no es aceptable.
 Modelando el problema empresarial 109
INSTANTÁNEA CORPORATIVA: VARIABLE
INDEPENDIENTE

En el mismo ejemplo de una empresa de transporte que

busca mejorar la calidad de sus nuevos empleados para
reducir el costo de los accidentes de tránsito, la empresa
predijo la probabilidad de que un conductor sufriera un
accidente de tránsito basándose en sus rasgos
psicométricos . Los rasgos utilizados fueron
concentración, velocidad motora, velocidad de reacción,
tolerancia al estrés, desviación de seguimiento, etc. Cada
uno de ellos es una variable independiente para este
ejemplo.

Variables moderadoras
Cualquier variable que pueda moderar o modificar
significativamente la relación entre la variable independiente y la
dependiente se denomina variable moderadora. Esto implica que
cada vez que la variable moderadora entra en escena, la relación
original cambia. Son de enorme importancia en los estudios de
investigación, ya que si se ignora la presencia de tales variables,
las implicaciones del modelo del problema empresarial se
vuelven en gran medida irrelevantes una vez que entran en
escena. Considere un ejemplo sencillo de la relación entre las
ventas de un producto y su precio. Cuanto mayor sea el precio,
menores serán las ventas y cuanto menor sea el precio, mayores
serán las ventas. Sin embargo, la relación cambia
significativamente cuando se introduce una oferta de descuento.
Cuanto mayores sean los descuentos, incluso si el precio es
mayor, se espera que las ventas aumenten significativamente.
Por lo tanto, como muestra la Figura 3.2, siendo las ventas la
variable dependiente y el precio la variable independiente, los
descuentos pueden identificarse como una variable moderadora.
Debe quedar bien establecido aquí que el contexto del
problema de investigación indicará si se debe incluir una variable
determinada como variable independiente o variable
moderadora, y si existe o no la necesidad de una variable
moderadora en el presente estudio.
110Modelando el problema empresarial
INSTANTÁNEA CORPORATIVA: VARIABLE
MODERADORA

Se ha demostrado empíricamente que el compromiso de

los empleados está directamente relacionado con el
desempeño empresarial. Sin embargo, una petrolera
internacional evaluó que la relación se ve alterada
significativamente por el estado de las prácticas de
seguridad adoptadas en la empresa. Cuando la empresa
mejoró y comunicó esos estándares de seguridad a los
empleados, fue testigo de una mejora significativa en el
compromiso de los empleados y el desempeño
empresarial. Por lo tanto, al modelar tal situación, el
estado de las prácticas de seguridad se puede utilizar
como variable moderadora.

Price of product Sales of product

Independent variable Dependent variable

Discount offer
Moderator variable

FIGURA 3.2 Variables dependientes, independientes y moderadoras

Consideremos otra situación en la que el análisis preliminar le
revela al gerente que la intención de rotación es alta cuando los
empleados exhiben niveles bajos tanto de satisfacción como de
adecuación al trabajo. Sin embargo, el gerente también descubre
que este es solo el caso de los trabajadores operativos, mientras
que en los puestos gerenciales, la intención de rotación sigue
siendo la misma independientemente de la satisfacción laboral
percibida por todos los empleados. Sólo cuando los empleados
en puestos directivos perciben una baja idoneidad laboral se ve
afectada su intención de rotación. Esto implica que en el caso de
los trabajadores operativos, tenemos dos variables
independientes –satisfacción laboral y adecuación laboral–,
mientras que en el caso de los trabajadores gerenciales, la
variable dependiente es la misma, intención de rotación; la
variable independiente es la satisfacción laboral, mientras que la
adecuación laboral pasa a ser la variable moderadora. Es decir,
sólo cuando se ve afectada la percepción de adecuación laboral
de los trabajadores directivos se altera la relación entre su
satisfacción laboral percibida y su intención de rotación. Mientras
 Modelando el problema empresarial 111
que en el primer caso no es necesario incluir una variable
moderadora, la segunda situación de los trabajadores directivos
exige claramente la inclusión de una variable moderadora para
modelar un problema empresarial. Por lo general, las variables
moderadoras rara vez se utilizan en el modelado de negocios
real, ya que también requieren un respaldo teórico completo.

Variables mediadoras
Como sugiere el nombre, una variable que media o interviene en
la relación entre la variable dependiente y la independiente se
denomina variable mediadora. El objetivo principal de una
variable mediadora es que no exista una relación directa entre la
variable dependiente y la variable independiente y, por lo tanto,
la relación puede explicarse bien a través de una variable
mediadora (Figura 3.3). Si un investigador elimina la variable
mediadora, la relación también podría desaparecer. Por ejemplo,
un aumento de los ingresos que conduce a la obesidad no tiene
una explicación razonable directa; sin embargo, cuando se
agrega a esta relación una variable mediadora "mayor acceso a
fuentes de alimentos", la relación tiene sentido. Por tanto, el
acceso a las fuentes de alimentos es una variable mediadora.
Claramente, en este ejemplo, el capital social afecta la
autoeficacia a través del papel mediador del bienestar
psicológico, y el capital social no puede impactar directamente la
autoeficacia. Ahora bien, aquí también depende del contexto del
problema de investigación en cuestión si la relación entre las
variables dependientes e independientes necesita una variable
mediadora. En muchas situaciones, la relación tiene suficiente
fundamento teórico, por lo que no se requiere una variable
intermedia.

Variable independiente Capital social Variable mediadora Bienestar

psicológico Variable dependiente Autoeficacia

FIGURA 3.3 Variables dependientes, independientes y mediadoras

112Modelando el problema empresarial
Control/Variables extrañas
Si bien las variables mediadora y moderadora se utilizan para
comprender la influencia o relación entre dos variables
dependientes e independientes, la tercera categoría de variables
también se incluye en el diseño de la investigación. Estas
variables se denominan variables "de control", "controladas" o
"extrañas". La premisa básica de incluir una variable como
control en un modelo de investigación es controlar su efecto
sobre la variable dependiente, manteniendo constantes estos
factores. Al investigador no le interesa el efecto de esta variable
sobre los resultados externos; más bien, desea restringir el
modelo de investigación introduciendo específicamente una
variable que actúe como control. Consideremos, por ejemplo,
que los motivos de uso influyen en el uso real del producto.
Supongamos que un investigador está interesado en investigar
cómo los motivos de uso afectan el comportamiento de uso real.
En tal caso, se utilizará el "hábito" como variable de control, ya
que limita la relación entre la motivación y el uso real; es decir,
un individuo no está motivado para utilizar un producto, sino que
lo utiliza por costumbre.

La aplicación de la lógica de procesos a una función de

recursos humanos enumera entradas, transformaciones y
salidas. Cada uno de estos insumos actuará como variable
independiente, mientras que la producción actuará como
variable dependiente. Tanto la transformación como el
resultado sugerirán qué herramienta analítica sería más útil
para una aplicación particular.

Cabe señalar aquí que si las variables mediadoras,

moderadoras y de control son significativas en cualquier modelo
de investigación dado, deben ser sujetas a análisis e
investigación por separado, lo cual es un área de análisis
diferente, más allá del alcance de este libro. Sin embargo,
herramientas como SmartPLS basadas en modelos de mínimos
cuadrados parciales son una excelente herramienta para el
análisis preliminar de dichas relaciones. Los lectores del libro
interesados en leer más sobre estos temas pueden encontrar
útiles los enlaces y libros proporcionados al final de este capítulo.
 Modelando el problema empresarial 113
El papel del enfoque de
sistemas/procesos en el modelado de
problemas
Las variables identificadas por el responsable del negocio
servirán de base para la aplicación de la analítica. Dado que el
gerente aplicó el enfoque de procesos al problema de negocios,
ahora puede inferir claramente que la entrada en un proceso
actuará como una variable independiente en el modelo
predictivo, mientras que la salida actuará como una variable
dependiente. Comprender qué transformación deben sufrir es
crucial para cualquier modelización de problemas, y aquí la
experiencia y la intuición del director empresarial desempeñan el
papel más importante. Sin embargo, cuando fallan tanto la
experiencia como la intuición, la literatura existente sirve para
ese propósito. Por lo tanto, los gerentes necesitan discernir cómo
deben tratarse las variables independientes para lograr el estado
de producción deseado de la variable dependiente, y este "cómo"
es la transformación que experimentan. Ahora entendamos esto
a través de ejemplos.
Recordando la aplicación del enfoque de procesos/sistemas a
diferentes sistemas de recursos humanos, comprendamos cómo
se pueden utilizar para desarrollar un modelo. Un subsistema
importante de contratación es el proceso de selección de
candidatos, del cual podríamos inferir que después de la
aplicación de la lógica del proceso, los datos demográficos de los
candidatos, las calificaciones, los niveles de habilidades y las
referencias válidas de los candidatos, mientras que el resultado
puede tomar cualquiera de las dos opciones. de dos valores:
aceptado o rechazado. La transformación que se produce es
simplemente comparar los valores de entrada con los valores de
referencia en la base de datos. Claramente, en el modelo
predictivo, cada una de estas entradas será la variable
independiente. El 'resultado' es la variable dependiente (variable
única) que puede tomar dos valores, aceptar o rechazar. Es muy
importante comprender que la forma en que cada una de estas
variables independientes afecta a la variable dependiente se
puede deducir de la experiencia y los antecedentes teóricos del
gerente.
Recordemos el segundo ejemplo de aplicación de la lógica de
procesos a la función de ofrecer formación a los empleados.
También en este ejemplo, las variables independientes serían los
insumos al proceso: datos demográficos del candidato, puesto
114Modelando el problema empresarial
actual, habilidades actuales y rango de desempeño; mientras
que la variable dependiente serían los diferentes programas de
formación que ofrece la empresa. El propósito del modelo
analítico seguirá siendo el mismo: comparar los valores de
entrada de las variables independientes con los datos de criterios
existentes para cada programa de entrenamiento en la base de
datos y luego sugerir un programa adecuado. De manera similar,
la lógica del proceso y la identificación de variables dependientes
e independientes permiten un desarrollo eficaz y sin
complicaciones del modelo analítico predictivo.

Los modelos predictivos se pueden clasificar como modelos

de aprendizaje supervisados o no supervisados. El enfoque
de sistemas y la lógica de procesos se aplican a los modelos
predictivos de aprendizaje supervisado.

Los modelos predictivos se pueden clasificar en términos

generales como modelos de aprendizaje supervisados o no
supervisados. Un modelo de aprendizaje supervisado es un
modelo en el que los valores de la variable objetivo o
dependiente se conocen de antemano, de modo que se
puede aplicar un algoritmo para asignar valores de
entrada a valores de salida, obtener la función para el
mapeo y ayudar en predicciones futuras de variables
objetivo. En notación matemática, si x ◊ representa los valores
de entrada e Y ◊ representa los valores de salida, entonces el
modelo supervisado implica mapear Y = f(x) para deducir la
función f(x) para mapear, de modo que se puedan hacer
predicciones futuras de Y. basado en valores de x. El modelo se
denomina supervisado ya que el algoritmo puede predecir Y de
forma iterativa en función de x y comparar los valores predichos
con los valores de salida reales para corregir el algoritmo
utilizado para la predicción. Se percibe como análogo a la
supervisión del aprendizaje en el aula. Generalmente, los
problemas de aprendizaje supervisado más comunes son la
regresión y la clasificación. La regresión establece una relación
entre las variables dependientes e independientes, mientras que
la clasificación clasifica la variable de salida en función de ciertas
características. Un modelo de aprendizaje no supervisado
es un modelo en el que se desconocen el resultado o la
 Modelando el problema empresarial 115
variable dependiente y sus valores, de modo que el
modelo pretende dilucidar la estructura subyacente de los
datos. Este algoritmo funciona por sí solo para identificar cómo
se relacionan los puntos de datos entre sí; por lo tanto, no es
posible ninguna supervisión. Los problemas de aprendizaje no
supervisados más comunes son la agrupación y la asociación.
Mientras que la agrupación descubre cómo están presentes
diferentes grupos o conglomerados en un conjunto de datos, la
asociación investiga cómo se relacionan entre sí los diferentes
elementos de datos, de modo que si uno ocurre, el otro también
ocurre. La asociación es más útil para construir reglas.
Normalmente, el enfoque de sistemas y la lógica de procesos
son aplicables en problemas de aprendizaje supervisado, ya que
se pueden identificar variables dependientes e independientes.
Sin embargo, cuando un problema empresarial no proporciona
esa claridad, es necesario construir modelos no supervisados.
Esta es un área de análisis separada que se analiza en capítulos
posteriores que cubren temas sobre agrupación y asociación.

La construcción de un marco teórico ayuda al

gerente/analista/lector en las siguientes tareas de
modelado de problemas comerciales:

1 Proporcionar una base conceptual para la identificación

y definición de variables que se utilizarán en el
modelado de problemas empresariales.
2 Ayudar a proporcionar representación de la relación
entre las variables.
3 Proporcionar una base conceptual para la relación entre
estas variables.

Construyendo una base teórica

Todos los algoritmos, herramientas y técnicas analíticas
solucionarán las variables analizadas en la sección anterior. Si
un gerente, a la luz del problema empresarial identificado,
identifica con éxito la variable relevante, realizará la aplicación,
el análisis y la interpretación de los análisis para resolver el
problema empresarial en cuestión. Ahora que hemos entendido
el concepto de datos e información y los diferentes tipos de
variables de investigación, intentemos comprender el siguiente
componente del modelado de un problema empresarial de
116Modelando el problema empresarial
manera práctica. Básicamente, al modelar un problema de
negocios, se implica estructurar las variables de tal
manera que la relación y la interacción entre estas
variables puedan interpretarse mediante la aplicación de
algoritmos apropiados. De manera similar a un modelo
estadístico, donde la relación entre variables se estructura
mediante ecuaciones matemáticas, un modelo de negocio
también intenta formular y establecer algún tipo de relación
entre las variables. Dependiendo de la herramienta analítica
elegida por el gestor empresarial se puede definir la relación; sin
embargo, los conceptos básicos siguen siendo los mismos.
Cada tipo de modelo requiere una identificación efectiva de las
variables dependientes, independientes, de control y otras
variables de investigación si se aplican en la situación dada.
Siempre que un gerente se encuentra con un problema de
negocios, necesita discernir cuál sería el impacto final del
problema, cómo se puede cuantificar, qué ha causado el impacto
y cómo se pueden cuantificar estas causas. El impacto
cuantificado es la variable dependiente y la causa cuantificada se
convierte en una variable independiente en cualquier modelo de
problema de negocio. Por ejemplo, un gerente de ventas se
encuentra con un problema de lento crecimiento empresarial en
una región de ventas determinada; el impacto final sería en el
número y volumen de ventas (es decir, tanto en moneda como
en número de unidades). Por tanto, el volumen de ventas se
convierte en la variable dependiente. La visión del gerente de
ventas revela que las bajas ventas pueden atribuirse a atributos
del vendedor (como pocos contactos, ausentismo, etc.),
productos altamente competitivos, calidad, etc. Por lo tanto,
estas variables forman la variable independiente. Sin embargo,
la calidad también puede tomarse como variable de control.
Ahora supongamos que el gerente está interesado en analizar la
relación causa-efecto para determinar qué variables
independientes tienen la mayor influencia en la disminución de
las ventas y, por lo tanto, decidió aplicar la regresión. Para ello,
tendría que modelar la relación como una ecuación matemática.
Entonces, la base es la identificación precisa de las variables
dependientes e independientes, y el modelo se desarrollaría en
función de la herramienta elegida (que se analiza con mayor
detalle en el próximo capítulo).
Ahora bien, ¿cómo puede un usuario interpretar y decidir
cuáles serían las variables independientes, moderadoras o
 Modelando el problema empresarial 117
mediadoras? Para ello, el lector debe ser consciente de la
necesidad de construir un contexto teórico en torno al problema
que ayudaría a identificar los diferentes tipos de variables en un
problema empresarial. El marco teórico ayudará al lector y al
gerente empresarial a proporcionar una base tanto para la
identificación de las variables que se utilizarán en el modelado
del problema empresarial como para la justificación de la relación
entre las variables identificadas y la variable dependiente. Por lo
tanto, la construcción de un marco teórico ayuda al
gerente/analista/lector en las siguientes tareas de modelado de
problemas de negocios:

1 Proporcionar una base conceptual para la identificación y

definición de variables que se utilizarán en el modelado de
problemas empresariales.
2 Proporcionar representación de la relación entre las variables.
3 Proporcionar una base conceptual para la relación entre estas
variables.

Además, una vez que se han establecido los fundamentos

teóricos, el lector puede (basándose en la herramienta analítica
que se utilizará) desarrollar hipótesis o generar modelos
comprobables. La base conceptual y la identificación de variables
ayudarán a brindar claridad al gerente involucrado en el
modelado de problemas y ayudarán aún más en la identificación
de elementos de escala y fuentes para la recopilación de datos
sobre esas variables. Un modelo conceptual y una representación
de la relación entre variables se basan en fundamentos teóricos
adecuados. En cierto modo, esto permite al usuario construir una
estructura en torno a la literatura que ha reunido sobre el
problema empresarial en contexto. El marco teórico permite al
lector examinar si las relaciones deben modelarse como
relaciones positivas o negativas, y luego las herramientas
analíticas pueden afirmar si la teoría está validada por el estudio
actual o no. Ahora la pregunta es: ¿cuál es la fuente de
construcción del marco teórico? Los gerentes a menudo pueden
encontrar los fundamentos teóricos en la literatura disponible de
investigadores anteriores realizados en las organizaciones, en
teorías de diferentes conceptos gerenciales disponibles en la
literatura y en los resultados de entrevistas o encuestas
anteriores realizadas en la organización sobre problemas
similares al que se lleva a cabo actualmente. .
118Modelando el problema empresarial
Por lo general, estos conocimientos teóricos pueden extraerse
de la propia sabiduría gerencial. La participación activa de los
altos directivos y ejecutivos de la empresa involucrados en la
aplicación de la analítica revela la base para desarrollar una
hipótesis, identificando el objetivo o las variables
independientes. Los analistas pueden buscar teorías basadas en
los conocimientos adquiridos en dichas discusiones y en la
sabiduría para construir una base para su modelo predictivo.

El papel de comprender la jerga organizacional

para desarrollar modelos predictivos
La jerga organizacional se refiere a los términos comunes
utilizados en la conversación organizacional, no definidos
formalmente pero frecuentemente intercambiados en toda la
empresa. Dos desafíos importantes al implementar un enfoque
analítico a los problemas empresariales son, en primer lugar,
determinar y justificar la necesidad de una herramienta analítica
y, en segundo lugar, la capacidad de narrar los resultados de la
implementación de manera que se pueda actuar sobre ellos. En
ambas partes, la jerga organizacional y el lenguaje
organizacional juegan un papel clave. Los sistemas de
información de gestión, cuando se implementan adecuadamente,
pueden proporcionar el 80% de los datos para la toma de
decisiones; solo es necesario presentarlos correctamente (Van
der Togt y Rasmussen, 2017). Para el 20% restante de los
conocimientos, se requieren herramientas analíticas sofisticadas.
Aún así, en tales escenarios, tanto la gerencia como los
empleados deben estar convencidos de la aplicación de
herramientas analíticas, para lo cual la importancia de los
conocimientos generados a partir de dichas aplicaciones debe
comunicarse a toda la organización. Además, una vez que los
resultados se generan a partir de una solución analítica, deben
distribuirse en toda la empresa de tal manera que las partes
interesadas afectadas puedan actuar en consecuencia. En todos
estos casos, la terminología y el lenguaje utilizados deben ser
comunes y coherentes entre las diferentes partes de la
organización y la herramienta analítica utilizada. Por ejemplo, si
el modelo analítico sugiere reducir el número de plantillas para
mejorar el desempeño de una empresa, debe quedar claro a qué
empleados se hace referencia en estas plantillas, ya que el
modelo analítico ha recibido datos sobre esos empleados en
 Modelando el problema empresarial 119
particular únicamente. Supongamos que las razones de la
rotación se han discernido utilizando un modelo analítico para los
altos ejecutivos de una empresa de TI. El modelo ha revelado la
idea de que la plantilla debe ser mínima en el nivel superior y al
mismo tiempo maximizar el talento clave. Sin un lenguaje común
viable y acordado, se producirían dos ambigüedades de tal
visión. En primer lugar, ¿la plantilla del nivel superior incluye sólo
a los ejecutivos o también a otros empleados que trabajan en el
nivel superior de la empresa? En segundo lugar, ¿qué se entiende
por talento clave? Sólo se puede lograr claridad sobre estas
cuestiones mediante la comprensión de la jerga organizacional.
Si estas ambigüedades no se resuelven antes de la
implementación de una herramienta analítica, entonces los
resultados no serán relevantes ni procesables. Una de las
principales razones del fracaso en la adopción y aplicación de
herramientas analíticas es la falta de comprensión de cómo
actuar sobre los resultados de la aplicación analítica y de claridad
en la comprensión de los resultados de estas aplicaciones.

Conclusión
Los gerentes de negocios están inundados de datos e información
y enfrentan una enorme presión para tomar decisiones basadas
en hechos en tiempo real. Aunque los sistemas de información
suelen generar casi el 80% de los hechos para la toma de
decisiones según su objetivo de diseño, los gerentes muchas
veces necesitan investigar más profundamente y generar
insights más allá de este 80%. Para ello, necesitan desarrollar
modelos analíticos sofisticados en torno a los datos disponibles y
luego comunicar los resultados de la aplicación del modelo para
que se puedan tomar acciones en la empresa. Por lo tanto, este
capítulo presenta una discusión sobre los conceptos involucrados
en el desarrollo de un modelo analítico predictivo. El lector está
familiarizado con la definición de modelo y el propósito que tiene
al analizar un problema empresarial. Además, se presenta una
herramienta de investigación preliminar llamada diagrama de
influencia, y también se analiza cómo se presta al desarrollo
primario de modelos con ejemplos comerciales relevantes.
También se analizan los componentes de un modelo de negocio
de un problema empresarial y las diferentes variables utilizadas
en el modelado de un problema empresarial. En el texto se han
incluido muchos ejemplos corporativos cuando fue apropiado.
120Modelando el problema empresarial
Los lectores también están familiarizados con el desarrollo de
modelos a partir de la aplicación de enfoque de sistemas/lógica
de procesos a funciones de recursos humanos. Además, se ha
presentado una explicación detallada sobre la necesidad y la
función de construir una base teórica para el desarrollo de
modelos, seguida de la función de comprender la jerga
organizacional para los mismos. Brevemente, los lectores
también están familiarizados con la diferencia entre modelos de
aprendizaje supervisados y no supervisados. Este capítulo sienta
las bases para que los lectores comprendan cómo se aplican
técnicas analíticas avanzadas a problemas comerciales reales.

Glosario
Los componentes de un modelo de negocio incluyen
variables de investigación, fundamento teórico y modelo
conceptual, estableciendo la relación entre las variables.
Variable de control La premisa básica de incluir una variable
como control en un modelo de investigación es controlar por
su efecto sobre la variable dependiente, manteniendo estos
factores constantes.
Variable dependiente: la variable que se presta a la
investigación primaria, para la cual es necesario discernir
algunos factores o causas subyacentes y que depende de algo
más para explicar la variabilidad en su aparición.
Variable independiente siempre definida en el contexto de la
variable dependiente involucrada en el estudio; aquellas
variables que afectan a la variable dependiente se denominan
variables independientes
Diagramas de influencia: una representación visual de cómo
los elementos principales de un problema empresarial se
relacionan entre sí.
Variable mediadora una variable que media o interviene en la
relación entre la variable dependiente y la independiente; El
objetivo principal de una variable mediadora es que no exista
una relación directa entre la variable dependiente y la
variable independiente y, por lo tanto, a través de una
variable mediadora.
variable, la relación se puede explicar bien
Modelar una abstracción o representación de un sistema, idea u
objeto real.
 Modelando el problema empresarial 121
Variable moderadora: cualquier variable que pueda moderar o
modificar significativamente la relación entre la variable
independiente y la dependiente.
La jerga organizacional se refiere a los términos comunes
utilizados en la conversación organizacional, no definidos
formalmente pero frecuentemente intercambiados en toda la
empresa.
El papel del marco teórico proporciona una base conceptual
para la identificación y establecimiento de la relación entre
las variables de investigación.
Modelo supervisado Al desarrollar y entrenar un modelo
predictivo, si los resultados también se conocen para todas
las entradas en el conjunto de datos, de modo que los
resultados generados por la técnica analítica se puedan
comparar con los resultados reales, se conoce como
aprendizaje supervisado.
Modelo no supervisado Si mientras se desarrolla un modelo,
no se puede realizar una identificación clara de la variable
dependiente o el valor de la producción no está disponible en
el conjunto de datos, se conoce como aprendizaje no
supervisado.

Material de revisión
1 Definir un modelo.
2 Definir diagrama de influencia.
3 Establecer la necesidad de modelar un problema empresarial.
4 Establezca el papel de un diagrama de influencia en el
desarrollo de un modelo para un problema empresarial.
5 Enumere los componentes de un modelo de negocio de un
problema empresarial.
6 Definir variables dependientes.
7 Definir variables independientes.
8 Enumere las cuatro condiciones para justificar la existencia
de una variable independiente. 9 Defina la variable
moderadora.
10 Definir variable mediadora.
11 Diferenciar entre variable moderadora y mediadora.
12 Definir variables de control y extrañas.
13 Explique cómo la aplicación de la lógica de procesos a una
función de recursos humanos ayuda en el desarrollo de un
modelo analítico.
122Modelando el problema empresarial
14 Distinguir entre modelos de aprendizaje supervisados y no
supervisados.
15 Explicar el papel del marco teórico en el desarrollo de un
modelo predictivo.
16 ¿Cuál es la relación entre la lógica del proceso y los
antecedentes teóricos al desarrollar un modelo analítico?
17 Definir la jerga organizacional.
18 Ilustrar el papel de comprender la jerga para desarrollar
modelos predictivos.
Ejercicios problemáticos
1 Imagine que usted, como estudiante, tiene que desarrollar
un modelo predictivo que pueda predecir qué estudiantes
serán ubicados en el año actual. Hable con los
coordinadores de colocación de su lote y el personal
interesado para comprender cómo funciona el proceso de
colocación.
a Aplique el enfoque de sistemas y la lógica de procesos a
su comprensión del proceso, indicando entradas,
transformación y salida.
b Identifique varias variables de investigación que utilizará
para construir un modelo predictivo para este problema.
2 Forme grupos de seis estudiantes cada uno en la clase.
Divida cada grupo en dos y pida a ambos subgrupos que
visiten algunas tiendas minoristas cercanas.
a Registre el desempeño de cada una de estas tiendas en
términos de ingresos, ventas unitarias, niveles de
satisfacción de los empleados, calificación del gerente de
la tienda, calificación del ambiente de la tienda y otras
métricas discutidas previamente entre los miembros del
grupo. (Es posible que necesite utilizar una encuesta para
medir la satisfacción, la calificación de los gerentes y la
calificación del ambiente de los empleados de cada
tienda).
b Ahora cada uno de los subgrupos debería desarrollar un
modelo predictivo basado en sus hallazgos, con el
desempeño de la tienda (en ingresos o ventas) como
variable dependiente y todas las demás como variables
independientes. Ahora analice los problemas encontrados
al registrar las observaciones. ¿Qué tan difícil o fácil fue
convencer a los empleados para que compartieran datos?
 Modelando el problema empresarial 123
¿Hubo ambigüedad en los términos utilizados en las
conversaciones o en la encuesta? Enumere estos términos
y cómo se resolvieron. c Ahora resuma la necesidad de
un lenguaje común al desarrollar un modelo.

Caso de estudio

¿Se puede predecir el desempeño de la tienda

a partir de la cadena de valor del talento?
La analítica ahora se ha convertido en algo común, y cada área
funcional y cada tipo de organización la adopta. Aunque en las
etapas incipientes de la evolución el análisis de personas fue
adoptado por una organización líder, ahora el escenario ha
cambiado por completo. Las organizaciones ahora están
aplicando análisis de personas para generar conocimientos sin
precedentes, especialmente para descubrir formas
sorprendentes de gestionar y comprender el talento. Un caso
ilustrativo es el de un restaurantero líder a nivel mundial
(Arellano, Di Leonardo y Felix, 2017) que utilizó análisis para
demostrar cómo la gestión efectiva del personal de primera línea
en sus restaurantes impulsa el desempeño comercial general.
Esta fue una desviación de las aplicaciones tradicionales de
análisis de personas y, por lo tanto, modelar este problema
empresarial fue bastante diferente y tedioso. Sin embargo, los
resultados fueron emocionantes ya que la aplicación de este
modelo produjo mejoras espectaculares en la satisfacción del
cliente, la prestación general de servicios y los resultados
comerciales, como un aumento del 5 % en las ventas en la fase
de prueba de la implementación del modelo en sí.
La empresa ya había trabajado en técnicas convencionales
para mejorar el rendimiento, como franquiciar establecimientos
en ciertos lugares y mantener restaurantes de propiedad
corporativa en algunos lugares, pero los resultados fueron
deficientes. Además de estos problemas, la empresa fue testigo
de una tasa de rotación de empleados más alta que sus
competidores. Por lo tanto, la empresa decidió tomar una ruta
alternativa, creyendo que si se esforzaba por cerrar las brechas
en la rotación de empleados y retenerlos, podría mejorar el
desempeño. Entonces, ahora la empresa tuvo que buscar datos
para explicar la rotación de empleados y luego definir formas de
frenar esta rotación. Los analistas de negocios y los altos
124Modelando el problema empresarial
directivos de la empresa participaron en extensas discusiones y
decidieron tres variables dependientes o objetivo: crecimiento de
los ingresos por tienda, satisfacción promedio del cliente y
velocidad promedio del servicio (por turno de los empleados).
Entonces, el modelo que evolucionaría a partir de este proceso
contendría las tres variables objetivo mencionadas
anteriormente y datos relacionados con el personal de primera
línea (empleados), convirtiéndose en variables independientes,
de modo que el modelo explicaría cómo estas variables
independientes afectan a las variables objetivo.
A continuación, la empresa necesitaba identificar estas
variables independientes relacionadas con el personal de primera
línea. Para ello, buscó en sus datos internos y pudo incluir
muchas variables de datos en el modelo a partir de datos
internos. Sin embargo, la empresa se dio cuenta de que las
variables de datos internos también debían complementarse con
datos externos, ya que faltaban algunos puntos de datos en los
datos internos y ciertas variables que desempeñaban un papel
crucial en la explicación del problema empresarial actual nunca
se recopilaron ni almacenaron como datos internos. datos. Esto
último (falta de disponibilidad de datos) se notó en tres áreas:
selección e incorporación (definir específicamente quién y para
qué características se contrata), datos sobre la gestión de las
actividades diarias (incluida la gestión de personas y el entorno)
y datos sobre el comportamiento y las interacciones ( para
explicar el comportamiento de los empleados en los
restaurantes).
Expertos y líderes de opinión dentro y fuera de la empresa
sugirieron que la personalidad es un factor importante para
explicar las diferencias individuales y, por lo tanto, también
puede explicar las diferencias en el desempeño del restaurante
que surgen de las variaciones del personal de primera línea. Esto
llevó a la inclusión de rasgos de personalidad y habilidades
cognitivas como variables independientes en el modelo. Para la
recopilación de datos sobre los mismos, la firma realizó una serie
de juegos en línea entre los empleados del restaurante para
medir su personalidad y habilidades cognitivas. Además, los
analistas sugirieron que la gestión de los empleados y el medio
ambiente también tiene un efecto significativo en el desempeño
de los empleados, lo que en consecuencia puede afectar el
desempeño de la tienda. Los analistas apoyaron esta noción con
análisis teóricos y sugirieron que en las empresas se debería
 Modelando el problema empresarial 125
adoptar una cultura de realización de encuestas sobre el
compromiso de los empleados para evaluar qué tan favorable es
la percepción de los empleados hacia la gerencia y el ambiente
del restaurante. Para recopilar datos al respecto, la empresa
administró el Índice de Salud Organizacional (OHI) de McKinsey
& Company, que incluye 37 prácticas de gestión que contribuyen
al desempeño general de la empresa. Medir los datos de esta
encuesta permitiría a la empresa evaluar cómo las prácticas de
gestión y el liderazgo afectan a los empleados de primera línea.
Además, se rastreó el comportamiento de los empleados
mediante sensores, junto con su movimiento físico en el
restaurante, el tono y la duración de sus conversaciones y la
colaboración. Con base en experiencias, proyectos e
investigaciones pasadas, las variables externas que se incluyeron
en el modelo fueron: demografía, distancia de viaje y experiencia
minorista previa de los empleados de primera línea.
Los datos sobre todas estas variables, incluido el desempeño
financiero de la tienda, comprendieron el conjunto de datos final
del modelo, con un total de más de 10,000 puntos de datos.
Sobre una base teórica, y basándose en años de experiencia de
los altos directivos de la firma, se redactaron más de 100
hipótesis, estableciendo la relación entre las variables objetivo e
independientes. Aquí ya que se predefinieron las variables
objetivo e independientes, junto con las hipótesis, y la empresa
implementó la regresión logística (técnica de aprendizaje
supervisado). Este análisis también se complementó con la
técnica de aprendizaje no supervisado. Los resultados fueron
sorprendentes y derribaron mitos para los altos líderes,
desafiando la base de sus hipótesis en muchos casos. Por
ejemplo, el aprendizaje no supervisado reveló que, según su
personalidad, los empleados de primera línea pueden clasificarse
en cuatro arquetipos: "líderes potenciales", "socializadores",
"capataces conservadores" y "capataces emprendedores".
Contrariamente a la hipótesis de que contratar personas
amigables (socializadores) impulsaría el éxito de la tienda, la
contratación de empleados enfocados y que minimizaran las
distracciones fue respaldada por el análisis de datos. Además,
los incentivos variables tuvieron un impacto deficiente en el
desempeño, mientras que las opciones de desarrollo profesional
y las normas culturales tuvieron un efecto positivo en los
resultados de los trabajadores. Además de esto, más que el
mandato del gerente, la actitud gerencial que incluía empoderar,
126Modelando el problema empresarial
inspirar, reconocer y construir una cultura de equipo afectó a los
empleados de primera línea en sus resultados y desempeño. Una
idea interesante fue que, aunque se habían adoptado turnos más
largos para los empleados para facilitar los desplazamientos y las
responsabilidades gerenciales, esto, a su vez, estaba
disminuyendo la productividad.
A partir de estos hallazgos, la firma decidió cambiar su forma
de funcionar como piloto en uno de los mercados de su
operación. Actualmente operaba en cuatro mercados
estadounidenses. La empresa fue testigo de resultados
fenomenales: la satisfacción del cliente aumentó en más del 100
por ciento, la velocidad del servicio también mejoró y la
facturación se redujo sustancialmente, lo que contribuyó a un
aumento del 5 % en las ventas. Por lo tanto, la contratación y la
gestión de una combinación adecuada de habilidades
interpersonales impulsa el éxito empresarial, especialmente en
el sector minorista. Además, es posible que no siempre sea cierto
confiar únicamente en la intuición o la sabiduría de la gestión,
debido a la dinámica ambiental. Sin embargo, combinar la
sabiduría gerencial con el análisis a menudo proporciona
conocimientos que no son evidentes a través de la lógica y que
son más útiles para impulsar el éxito empresarial.

Preguntas
1 Explique cómo el restaurantero global identificó y definió su
problema de negocio.
2 Enumere las variables dependientes e independientes
utilizadas en el caso para construir un modelo predictivo.
3 ¿Cómo decidió la empresa las variables objetivo?
4 Analice los pasos adoptados por la empresa para identificar
variables independientes y la recopilación de datos para las
mismas.
5 Con base en los resultados del modelado discutido en el caso,
explique cómo la analítica combinada con la sabiduría
gerencial proporciona los conocimientos comerciales más
útiles.

Nota
1 Recuerde que este es el paso 2 del enfoque holístico descrito al
comienzo del libro para la adopción e implementación de análisis.
 Modelando el problema empresarial 127
Bibliografía
Arellano, C., DiLeonardo, A. y Felix, I. (27 de julio de 2017). Uso de
análisis de personas para impulsar el rendimiento empresarial: un
estudio de caso . Obtenido de McKinsey& Company:
[Link] com/business-functions/mckinsey-
analytics/our-insights/using-people-analytics-to-drive- rendimiento-
empresarial-un-caso-de-estudio
Bajpai, N. (2011). Métodos de investigación empresarial . Noida: Dorling
Kindersley (India) Pvt. Ltd. Limitado.
Evans, JR (2016). Introducción a la analítica empresarial. En JR Evans
(Ed.), Análisis empresarial: métodos, modelos y decisiones (págs. 1–
35). Harlow, Inglaterra: Pearson Education, Inc.
Light, R., Singer, J. y Willett, J. (1990). Por diseño: Planificación de la
investigación sobre educación superior . Cambridge, MA: Harvard
University Press.
Marr, B. (16 de junio de 2017). Cómo los big data ayudan a abordar la
causa número uno de muerte accidental en los EE. UU . Obtenido en
septiembre de 2019 de Forbes:
[Link] 20 17/01/16/cómo-los-
grandes-datos-ayudan-a-abordar-la-causa-n°1-de-muerte-
accidental-en-ee-uu/ #7c3a2cc139ca
McKinsey. (2019). Índice de salud organizacional . Obtenido de
McKinsey & Company:
[Link]
ational-health-index
Sekaran, U. y Bougie, R. (2010). El proceso de investigación: marco
teórico y desarrollo de hipótesis. En U. Sekaran y R. Bougie (Eds.),
Métodos de investigación para empresas: un enfoque de desarrollo
de habilidades (págs. 67–99). Nueva Delhi: Wiley India (P) Ltd.
Van der Togt, J. y Rasmussen, TH (2017). Hacia los [Link]. basados en
la evidencia. Revista de eficacia organizacional: personas y
desempeño , 127–132.
4
HERRAMIENTAS DE ANÁLISIS
PREDICTIVO
Y TÉCNICAS

Después de leer este capítulo, los usuarios

podrán comprender los siguientes conceptos
clave:
• Comprender la clasificación amplia de diversas herramientas
y técnicas de análisis predictivo.
• Conozca las razones de la popularidad de R y su interfaz.
• Comprender algunas herramientas analíticas predictivas
populares utilizadas en gestión de recursos humanos y cómo
funcionan.
• Comprender los diferentes software de análisis de recursos
humanos disponibles en el mercado

Caso de apertura
Una empresa mundial de servicios sanitarios estaba
experimentando una importante rotación entre sus enfermeras
registradas. A pesar de las entrevistas de salida realizadas por la
empresa, no pudo localizar las verdaderas razones de la rotación.
Por lo tanto, la empresa subcontrató todo el proceso de gestión
de la facturación a una empresa de análisis de terceros. La
empresa, en su nombre, realizó entrevistas de salida, que fueron
imparciales y sin prejuicios. Esto aumentó la tasa de respuesta
 129
a las entrevistas de salida al 80%, mientras que antes era
asombrosa, aproximadamente el 30%. Posteriormente,
implementaron análisis de texto en las entrevistas de salida e
identificaron el sentimiento general de las enfermeras hacia la
empresa. El análisis del sentimiento reveló que todas las
enfermeras tituladas que dejaban la empresa tenían un
sentimiento negativo hacia la empresa. Se trataba de una
situación grave, ya que no sólo la empresa sufría pérdidas por la
facturación actual, sino que también sufriría en el futuro debido
a la reducción de la afluencia de candidatos debido al mal boca
a boca de las enfermeras insatisfechas. Por lo tanto, la empresa
necesitaba comprender el motivo de su salida y buscar formas
de mejorar. Entonces, la empresa de análisis aplicó modelos de
temas a los datos de la entrevista de salida e identificó tres
Herramientas y técnicas de análisis predictivo

Temas comunes y principales que fueron recurrentes y

prevalentes en la mayoría de las entrevistas. Estas tres áreas
fueron: desempeño del supervisor, experiencia de incorporación
y capacitación. Por ello, la firma tomó iniciativas para crear
conciencia entre los supervisores para exhibir un desempeño
superior ya que afecta directamente al personal de línea.
También provocó cambios en el programa de orientación y
proporcionó programas mejorados de capacitación y
entrenamiento en sus instalaciones. Un año después de
implementar los cambios, la empresa fue testigo de una
disminución sin precedentes en la facturación, por debajo del
récord anterior de tres años. Los costes de facturación de la
empresa se redujeron en 12 millones de dólares. También
aumentó la moral y el compromiso de las enfermeras con la
empresa (HealthFirst, 2018).

Introducción
Dado que la analítica es un campo en evolución, hay numerosas
técnicas disponibles, lo que solo aumenta la confusión del
analista a la hora de decidir qué herramienta sería la mejor para
su aplicación. Una respuesta general puede ser identificar qué
resultados comerciales se requieren y qué valor agregado
crearían estos resultados comerciales, y luego seleccionar una
herramienta que ayudaría a generar estos resultados
comerciales. Un consultor líder en inteligencia laboral de KPMG
130
sugiere que la mayoría de las empresas no vinculan los análisis
de recursos humanos a resultados comerciales específicos, lo
que los pone en peligro de quedar atrapados en una burbuja.
Estas empresas deben plantearse preguntas como: "Si una
herramienta analítica puede reducir la deserción del 5% al 4%,
¿qué valor agregará eso al negocio? ¿Vale la pena?". (Levenson
y Pillans, 2017). Hacer las preguntas correctas y luego analizar
el valor comercial y la contribución de valor de dichas preguntas
permitiría a las empresas elegir las herramientas analíticas
adecuadas y también agregar valor comercial a través del
análisis de recursos humanos.

Clasificación de herramientas analíticas

predictivas.
Cuando el usuario comprende el problema empresarial y
desarrolla un modelo predictivo para el mismo, obtiene una gran
comprensión de lo que se debe hacer con los datos. Una de las
clasificaciones más básicas de herramientas analíticas
predictivas son los métodos de aprendizaje supervisados y no
supervisados. La distinción básica entre los dos es la
disponibilidad de valores de la variable objetivo o dependiente
(variable a predecir). Cuando los valores de la variable objetivo
se conocen de antemano, la herramienta analítica puede
aprender a calcular la variable objetivo comparando el valor
calculado con los valores observados reales. Esto se denomina
aprendizaje supervisado: aprendizaje en presencia de un
supervisor de manera que los errores se corrijan
inmediatamente.
Las dos clases más comunes de técnicas de análisis predictivo
que surgen sobre esta base son la clasificación y la agrupación.
Cuando las etiquetas de clase ya se conocen y la herramienta
simplemente ajusta los datos entrantes en estas etiquetas de
clase según algunos criterios, se denominará clasificación
supervisada. Por ejemplo, la clasificación de los empleados como
de buen o mal desempeño es un ejemplo de técnica de
clasificación supervisada. Cuando no se conocen las etiquetas y
los datos deben agruparse o asignarse en
Herramientas y técnicas de análisis predictivo

grupos específicos, generalmente basados en la similitud entre

elementos de datos, se denomina aprendizaje no supervisado
 131
como agrupación. Por ejemplo, la satisfacción de los empleados
con respecto a una política de recursos humanos recientemente
lanzada no tiene una etiqueta particular y, por lo tanto, es una
técnica de agrupación. Otras técnicas incluyen asociación y
coincidencia de patrones, mediante las cuales la técnica analítica
explora cómo los elementos de datos se relacionan entre sí. Una
técnica relativamente emergente es la visualización de datos.
También se puede realizar una clasificación adicional según el
tipo de datos disponibles.

Herramientas analíticas predictivas populares en

redes neuronales artificiales (RNA) HRM
Cuando la relación entre variables independientes y
dependientes es compleja se utilizan herramientas como los
modelos lineales generales o las redes neuronales artificiales
(RNA). Las RNA se utilizan para modelar cualquier tipo de
relaciones funcionales complejas y no requieren especificar
previamente la relación entre covariables y variables de
respuesta. Normalmente, las RNA se han utilizado ampliamente
en el campo de la gestión para tareas de clasificación. Un ser
humano normal tiene 10 11 neuronas y hay 10 4 sinapsis por
neurona. En la Figura 4.1 se muestra una composición típica de
una red neuronal biológica. Cada neurona recibe señales de las
sinapsis y durante un período de suma latente, que es un breve
intervalo; suma todas las entradas que ha recibido en las
neuronas a las que luego responderá. Hay dos tipos de impulsos:
excitadores e inhibidores. Cuando los impulsos excitadores
exceden los impulsos inhibidores en un valor umbral de 40 mV,
se dice que la neurona se dispara, lo que da como resultado
alguna forma de actividad humana.
El mismo procesamiento de una red neuronal biológica se
modela utilizando ANN y la topología general de la red neuronal
modelada se representa en la Figura 4.2.
132
Axons from
other neurons

Synapse

Thin fibres
Soma called dendrites

Synapse
Axon

FIGURA 4.1 Composición de una neurona biológica

Fuente: Zurada (1994)
Herramientas y técnicas de análisis predictivo

Covariate 1 Output 1

Covariate 2
Hidden
Output 2
layer
Covariate 3

Covariate n Output m

FIGURA 4.2 Topología de una red neuronal artificial

Una ANN tiene múltiples capas: una capa es la capa de

entrada, la segunda capa está compuesta por una o más capas
ocultas y la tercera capa es la de variables de salida o respuesta.
La capa de entrada puede contener una o más covariables,
mientras que la capa de salida contiene una o más salidas. La
capa oculta puede tener más de una subcapa. La salida en ANN
se calcula como el promedio ponderado de las entradas. Un
mayor peso del insumo significa una mayor contribución de esa
variable al producto. Los datos observados se utilizan para
entrenar la red y ANN aprende la relación funcional ajustando los
pesos de cada entrada en múltiples iteraciones, al menos hasta
que se alcanza la etapa de error. Se han definido muchos
modelos para calcular el promedio ponderado y decidir el número
de iteraciones.
 133
Uno de los algoritmos de redes neuronales más utilizados es
el perceptrón multicapa. Aquí la salida es una función no lineal
simple de la suma de las entradas. El peso de los insumos
describe su importancia para determinar la producción. Si el peso
es negativo, inhibe la salida en lugar de activarla. El perceptrón
multicapa (MLP) (Gunther y Fritsch, 2010; Zurada, 1994) es
como un gráfico dirigido que tiene nodos y aristas dirigidas. En
la Figura 4.3 se muestra una representación de la tipología MLP.
Cada nodo representa una neurona y las covariables están
representadas por una sola neurona cada una. De manera
similar, en la capa de salida, las variables de respuesta están
representadas por una neurona cada una. La capa oculta se
denomina así porque no se puede observar en la naturaleza; esto
también se conoce como la naturaleza de "caja negra" de las
RNA. Otra neurona denominada neurona constante representa
una intersección similar a la intersección en la regresión, que
representa una variación que no surge directamente de ninguna
covariable. La conexión (borde dirigido en el gráfico) entre dos
neuronas se llama sinapsis. Teóricamente, es posible incluir
cualquier número de covariables y variables de salida en ANN.
En esta red operan dos funciones: función de integración y
función de activación. Se adjunta un peso a cada sinapsis entre
la capa de entrada y la capa oculta y se oculta a la capa de salida.
Los datos pasan como señales a través de las redes y los pesos
se ajustan hasta alcanzar el error mínimo deseado. La función de
integración combina todas las señales de entrada mientras que
la función de activación transforma la entrada agregada en una
salida. El MLP (perceptrón multicapa) más simple tiene n
134herramientas y técnicas de análisis predictivo

1 1

A Y

FIGURA 4.3 RNA con dos neuronas de entrada, tres neuronas ocultas
en una capa oculta y una neurona de salida
Fuente: Gunther y Fritsch (2010)

variables de entrada, una neurona de salida y sin capa oculta.

La salida se calcula de la siguiente manera:
o(x) =fw 0 + ∑ i=1n

w ix = i f(w
+ 0 wx T )
En la ecuación anterior, w 0 representa la intersección, x
representa un conjunto de todas las covariables y wi representa un
conjunto de todos los pesos sinápticos. Esta es simplemente una
extensión de GLM que tiene una función de enlace f −1 . Se ve
que esto es simplemente equivalente a los parámetros de
regresión calculados por GLM. Cuando se incluye la capa oculta
que tiene J neurona oculta, la función calculada queda como se
muestra a continuación:

o(x) =f w+ 0 ∑ J w .fw j 0j + ∑ j=1n w

ij x i

j=1
 135

=fw 0 + ∑ j=1J w j .f(w 0j + wx jT )

En este caso, nuevamente, w 0 representa la intersección de la

neurona de salida, mientras que w 0j representa la intersección
de la j -ésima neurona oculta, x representa un conjunto de todas
las covariables y w j representa un conjunto de todos los pesos
sinápticos que conducen a la j- ésima neurona oculta. Entonces,
la función de integración simplemente calcula el promedio
ponderado. Se muestra en MLP que cuando
Herramientas y técnicas de análisis predictivo

Si se va a modelar una función continua por partes, una capa

oculta es suficiente (Hornik, Stichcombe y White, 1989). La
activación es generalmente una función acotada, no decreciente,
no lineal y diferenciable. Las funciones comúnmente utilizadas
son la función logística o la función tangente hiperbólica. Una
activación típica es:

2
=
fx ( ) + − una x −1

1 mi

fx ( ) = sgn(x) = − 11,, xx ≥< 00

La primera ecuación simplemente representa una función

aplastada con signo con diferentes curvas que varían con
diferentes valores de α . Como α ∞, la función f(x) se
convierte en sgn(x). La primera ecuación se denomina función
continua bipolar, mientras que la segunda ecuación se denomina
función binaria bipolar. También se dice que muestran
características sigmoideas. La función de activación debe
elegirse de acuerdo con las entradas alimentadas al algoritmo.
Por ejemplo, si la entrada es binaria, utilice una función logística.
Un algoritmo en una red neuronal asigna pesos y luego,
después de calcular, la salida ponderada la compara con la salida
real proporcionada en los datos de entrenamiento. Luego se
realizan correcciones en los pesos y se vuelve a realizar la
136herramientas y técnicas de análisis predictivo
comparación hasta alcanzar el estado de menor error. Este
proceso se llama aprendizaje supervisado. Los siguientes pasos
se utilizan en una red neuronal para entrenamiento con pesas o
aprendizaje supervisado:

• Inicialmente, todas las ponderaciones se establecen en

valores aleatorios que se extraen de una población normal o
se establecen en valores especificados por el usuario.
• Ahora el algoritmo de la red neuronal calcula la salida del
conjunto dado de entradas y estos pesos. Si el
entrenamiento es incompleto, el resultado será diferente del
resultado observado.
• Por lo tanto, la red calcula una función de error E, que puede
ser la suma de errores cuadrados (SSE) o, si la salida es
binaria, entonces se calcula la entropía cruzada. Aquí, o
denota la salida calculada e y denota la salida observada,
mientras que ih denota el par entrada-salida.

1 LH _

E= åå (o lh -y) 1h

2 l=1h=1

• Los pesos se ajustan según las reglas del algoritmo que

generalmente es la minimización de la función de error. El
proceso se detiene una vez que se cumplen los criterios.

Este proceso especifica un algoritmo de retropropagación

tradicional. Otro algoritmo, un algoritmo de retropropagación
resistente, es una ligera variación de la retropropagación. En
esto, se calcula el gradiente o la derivada o la función de error,
y se intenta alcanzar los mínimos locales de la función de error.
La corrección de los pesos se aplica moviéndose en la dirección
opuesta a la de los mínimos locales. Si la derivada parcial resulta
negativa, se aumenta el peso; de lo contrario, se reduce el peso.
La cantidad que se suma o resta para el ajuste de peso se
denomina tasa de aprendizaje η k . En los algoritmos
tradicionales de retropropagación, la tasa de aprendizaje es fija,
mientras que en los algoritmos resilientes, la tasa de aprendizaje
y un signo de derivada parcial se utilizan para el ajuste del peso,
lo que garantiza un aprendizaje equilibrado para toda la red. El
ajuste de peso en el algoritmo tradicional de retropropagación
se realiza según las siguientes reglas:
 137
mi ( ) t

ww k h ∂ w k( ) t

El ajuste de peso en el algoritmo de retropropagación resistente

se realiza según las reglas que se mencionan a continuación:

ww ∂∂ Ew k ( ) ( ) tt

Aquí, t representa el paso de iteración mientras que k representa

los pesos.
Otra variación es la retropropagación resistente con retroceso
de peso, que permite que el algoritmo pase a una etapa anterior
en caso de que se omita un mínimo. A continuación se presenta
un pseudocódigo (Reidmiller y Braun, 1993, págs. 25-27) para
el mismo:

para todos los pesos { if ([Link] * grad > 0){ delta :=

min (delta * [Link], [Link]) pesos = pesos –
signo(grad) * delta [Link] := grad
}
De lo contrario, si ([Link] * grad < 0){
pesos = pesos + signo([Link]) * delta delta :=
max (delta * [Link], [Link]) [Link] := 0
}
De lo contrario, si ([Link] * grad = 0){
pesos = pesos – signo(grad) * delta [Link]
:= grad
}
}

Herramientas y técnicas de análisis predictivo

Un vistazo al algoritmo anterior proporciona al lector una

comprensión de cómo ANN intenta clasificar y predecir los datos.
138herramientas y técnicas de análisis predictivo
En teoría, el pseudocódigo funciona calculando primero el
gradiente del término de error al encontrar la diferencia entre
los valores observados de la variable objetivo con los valores
calculados mediante el algoritmo. Luego se calcula el producto
del gradiente con el gradiente calculado en la iteración anterior
del algoritmo. Cuando el valor observado (O) es mayor que el
valor calculado (C), dado que el error es positivo, el gradiente
también será positivo. Si el gradiente anterior también era
positivo, entonces, según el algoritmo, w k ( t + 1 ) se incrementará
en h k ( ) t desde el valor anterior w k ( ) t . Si aún después de esta
corrección, el gradiente es positivo tal que O > C, entonces, dado
que su producto también será mayor que cero, el algoritmo
seguirá aplicando la corrección al peso hasta que se alcance un
gradiente de error mínimo preespecificado en el algoritmo.
alcanzó. Esto indica que el algoritmo está convergendo. Por otro
lado, si el producto es negativo y si O < C, se aumenta el peso
y las iteraciones continúan hasta que no se alcanza el gradiente
de error mínimo. Vale la pena mencionar aquí que los valores
mínimo y máximo del gradiente están preespecificados en el
algoritmo como valores de "umbral".
ANN ha encontrado una aplicación generalizada en el
modelado de relaciones funcionales complejas entre covariables
y variables de respuesta. Además, dado que no es necesario
preespecificar el tipo de relación entre estas variables, las RNA
son una herramienta analítica muy atractiva. Tiene mayor
precisión que las herramientas analíticas convencionales
utilizadas para clasificación, como la regresión, etc. Además,
también puede funcionar con Big Data.

Árboles de decisión
De manera análoga a los árboles en la naturaleza, los árboles de
decisión presentan la estructura de la toma de decisiones en
forma de árbol. Es una representación gráfica de cómo varias
alternativas pueden conducir a una decisión particular. En la
Figura 4.4 se muestra un ejemplo de un árbol de decisiones que
representa el riesgo de ser diabético según el índice de masa
corporal (IMC), la herencia y la rutina diaria de ejercicio de un
individuo.
A diferencia de un árbol natural, la raíz se muestra en la parte
superior, mientras que la ramificación se realiza con la ayuda de
condiciones hasta que no se alcanzan los nodos terminales que
 139
representan la decisión. Los nodos de condición también se
denominan nodos internos, en función de los cuales se realiza la
ramificación o división de un árbol. Esta representación visual
demuestra la importancia de cada característica; la primera
característica de división o toma de decisiones es el IMC, seguida
de la herencia y la rutina de ejercicios. También ayuda a
establecer relaciones entre las diferentes características
utilizadas para la toma de decisiones. Dado que este árbol de
decisión clasifica si un individuo tiene un riesgo bajo o alto de
padecer diabetes, se denomina árbol de clasificación . Cuando
la variable objetivo representada por los nodos de hoja en un
árbol se puede etiquetar en clases particulares y luego se aplican
árboles de decisión a dichos datos, se conoce como árbol de
clasificación. Por otro lado, un árbol de regresión es aquel que
predice valores continuos, en lugar de clases. Normalmente, el
algoritmo utilizado para aplicar árboles de decisión en varios
paquetes estadísticos se conoce como CART (árbol de
clasificación y regresión).

BMI
>25 <25

Heredity Low risk

Yes No

Daily
Low risk
exercise
Yes

High risk Low risk

FIGURA 4.4 Árbol de decisión: riesgo de ser diabético

Familiaricémonos un poco con el funcionamiento de un

algoritmo de árbol de decisión. Lo primero que sucede en el árbol
es dividir el conjunto de datos según la característica más
importante. Sin embargo, para identificar la característica más
importante, el árbol primero toma todas las características del
conjunto de datos y genera divisiones del árbol. Entonces, si hay
tres características, el algoritmo generará tres candidatos
principales para la primera división. Ahora bien, la división
elegida es aquella que minimiza el costo de la división. Para el
140herramientas y técnicas de análisis predictivo
ejemplo presentado en el texto para predecir el riesgo de ser
diabético, la característica que cuesta menos para dividir es el
IMC. A medida que la división genera agrupaciones de datos
basadas en categorías de características, una división adicional
implica identificar la característica más importante en cada
subgrupo formado en la primera división. De esta manera, este
algoritmo es recursivo, ya que sigue generando subgrupos en
función de criterios de menor coste.
Las funciones utilizadas para calcular el costo mínimo en el
árbol de decisión intentan reducir el error al predecir la clase
objetivo o la desviación estándar. La fórmula de menor costo
basada en este último es una puntuación del índice de Gini, que
a menudo se usa para árboles de clasificación, mientras que la
primera se usa generalmente para árboles de regresión. Para un
árbol de regresión, para cada punto de datos, la fórmula utilizada
para calcular el valor de la función de costo es:

Función de costo para el árbol de regresión = Promedio [ y −

( valor previsto ) 2 ]
Luego se calcula la media de todos estos valores, sumando y
dividiendo por el número de puntos de datos. Para cada división
candidata, se compara este valor calculado de la función de costo
y el algoritmo elige esa división que tiene un valor mínimo de
esta función. La fórmula para el índice de Gini, G, viene dada
pk
por: G = Suma [ pk * ( 1− ) ]

Aquí, pk es la proporción de ocurrencia de la misma clase en

un grupo particular. Es decir, si un árbol de decisión tiene una
sola clase, entonces pk = 1, lo que se denomina pureza de clase
perfecta.
Herramientas y técnicas de análisis predictivo

En una clase similar, el árbol de decisión puede tener dos clases,

una con todas las entradas y la otra sin ninguna, cada una con
pk igual a 1 y 0, respectivamente.
La siguiente pregunta es ¿cómo decide el algoritmo cuándo
dejar de dividirse? A veces, un árbol puede tener una gran
cantidad de nodos y ramas, lo que puede resultar complejo de
interpretar. A esto se le llama sobreajuste de datos . Por lo tanto,
es necesario proporcionar algún criterio al algoritmo para que
pueda aprender cuándo detener una mayor división de datos.
 141
Hay tres técnicas principales adoptadas en un algoritmo para
este propósito. El primer método consiste en especificar el
número mínimo aceptable de entradas de entrenamiento que se
utilizarán para cada hoja . Si para alcanzar cualquier hoja del
árbol no se utilizó el número mínimo especificado de puntos de
datos de entrenamiento, esa hoja no se incluye en el árbol. El
segundo método es especificar la profundidad máxima . Con
esto, el usuario está restringiendo la longitud total máxima de la
ruta a alcanzar desde el nodo raíz hasta el nodo terminal. El
tercer método, y el más utilizado, es la poda , que también
mejoró el rendimiento de un árbol de decisión. De manera
análoga a la poda de un árbol natural, la poda de un árbol de
decisión implica eliminar los nodos de las hojas que contienen
características de baja importancia. La poda se puede realizar
basándose en la reducción de errores o en la complejidad de los
costos. La poda para reducir errores intenta eliminar nodos a
partir de las hojas del árbol, de modo que la precisión general
del árbol no se reduzca. En árboles altamente complejos, la poda
de complejidad de costos intenta eliminar aquellos nodos que
están adjuntos a un subgrupo completo, de manera que el
parámetro de aprendizaje alfa no se vea afectado en gran
medida. Esto también puede denominarse poda del vínculo más
débil.

K-vecino más cercano (KNN)

El término K-vecino más cercano, abreviado como KNN, es un
algoritmo de aprendizaje supervisado que se aplica para
clasificación y regresión. Para comprender cómo funciona KNN,
el usuario debe tener en cuenta que la variable objetivo que se
va a predecir tiene etiquetas de clase. Por lo tanto, cuando se
presenta un conjunto de datos de entrenamiento al algoritmo
KNN, este aprende todas las características de los datos para una
etiqueta de clase determinada de la variable objetivo. Es uno de
los métodos más simples de clasificación y predicción, ya que
utiliza este aprendizaje para clasificar una observación sin
etiquetar en clases existentes. Predice la clase de un conjunto de
datos determinado comparando su cercanía con sus k vecinos
más cercanos. La clase con el voto más alto se considera la clase
de datos de entrada. Por ejemplo, un alimento se puede
distinguir como plato principal o postre, basándose en dos
factores principales: valor nutricional y dulzor. Aunque la
distinción real puede implicar un gran número de otras variables,
142herramientas y técnicas de análisis predictivo
aquí se ha supuesto que simplemente estos dos factores son los
criterios decisivos. En términos generales, los platos principales
tienen mayor valor nutricional y menor dulzor. Ahora bien,
considere que es necesario categorizar el helado como plato
principal o postre. Para decidir esto, KNN considera a los vecinos
más cercanos de (alimentos similares a) helados en función del
valor nutricional y el precio de los mismos. En este ejemplo, los
batidos, las tartas de mousse, los pasteles y las natillas son los
cuatro vecinos más cercanos del helado, que tienen un bajo valor
nutricional y un alto contenido de azúcar. Por tanto, el helado
también se clasifica como postre. Por lo tanto, es sencillo
comprender la idea del funcionamiento de KNN. Entonces, cada
vez que se presenta un nuevo elemento de datos a KNN, calcula
la similitud entre los elementos de datos existentes y los
elementos de datos de entrada, en función de las características
o características de los elementos de datos.
Hay dos consideraciones importantes en este algoritmo. En
primer lugar, la técnica utilizada para calcular la similitud entre
los elementos de datos y, en segundo lugar, el número de
elementos vecinos que se considerarán al categorizar la entrada.
Se utilizan principalmente tres métodos para calcular la similitud
entre elementos de datos: distancia euclidiana, distancia de
Manhattan y distancia de Minkowski. Sin embargo, la medida
más utilizada es la distancia euclidiana.

distancia euclidiana
Según la distancia euclidiana, la distancia entre dos puntos de
datos en un espacio bidimensional se puede calcular mediante la
fórmula:

re = ( x 1 - y 1 ) 2 + ( x2-y2 ) 2

donde x1 , x2 , y1 e y2 son las coordenadas xey de los dos

puntos en un espacio bidimensional. Esta fórmula tiene su base
en el teorema de Pitágoras y también puede extenderse al
espacio tridimensional. En general, la fórmula para calcular la
distancia entre dos puntos cualesquiera se puede escribir

−
simplemente como: d = ∑
=
 143
distancia de manhattan
Cuando los dos puntos entre los que se va a calcular la distancia
siguen una trayectoria similar a una cuadrícula, se convierte en
la distancia de Manhattan. Se conoce como la suma absoluta de
la diferencia entre los dos puntos de datos.
norte

re = ∑ x yo -y yo 1
yo = 1

Entonces, si xey son vectores en un espacio bidimensional (para

simplificar, supongamos una función con un número finito de
valores en ambos ejes xey ) , entonces la distancia de Manhattan
se calcula como :

re = ( x 1 - y 1 ) + ( x 2 - y 2 ) + ( x 3 - y 3 ) + . . . + ( x norte -y
norte )

distancia de Minkowski
La distancia de Minkowski es una métrica de distancia general,
de modo que tanto la distancia euclidiana como la distancia de
Manhattan son un caso especial de la misma. Es importante
señalar que el cálculo de la distancia de Minkowski se aplica a
funciones normadas, que siempre son
Herramientas y técnicas de análisis predictivo

de valor real y positivo, de modo que es cero sólo cuando la

función misma es cero. Una fórmula sencilla utilizada para
calcular la distancia de Minkowski es:

norte
−

d= ∑
yo = 1

Cuando p = 1, se convierte en distancia de Manhattan, y cuando

p = 2, se convierte en distancia euclidiana. La distancia calculada
por esta fórmula siempre será una línea recta lineal.
El algoritmo KNN calcula la probabilidad condicional de que un
punto de datos pertenezca a una clase particular, utilizando la
144herramientas y técnicas de análisis predictivo
distancia calculada utilizando una métrica determinada
proporcionada en la función, y luego evalúa qué tan similar es el
elemento de datos a una clase determinada . Ahora se puede
discutir la segunda consideración; es decir, el número de puntos
de datos que se considerarán al calcular la distancia. No es
posible calcular la distancia para todos los puntos de datos en
una clase determinada, especialmente cuando la cantidad de
puntos de datos es grande, por lo que KNN calcula la distancia
para una pequeña cantidad de puntos de datos (denominados
K), que pueden ser: proporcionado por el usuario mientras se
codifica la función para KNN de modo que mediante acierto y
prueba, se determine el valor óptimo de K. De lo contrario, el
usuario puede proporcionar una cuadrícula de valores de K en la
función para la cual el algoritmo se vuelve a ejecutar
repetidamente y de ese modo se determina el valor óptimo de
K.
Es importante mencionar aquí que el valor de K no puede
exceder la cantidad de puntos de datos en el conjunto de datos.
Ahora el valor óptimo de K puede determinarse mediante las
métricas de evaluación de la optimización producidas por el
algoritmo. Utilizando una técnica llamada validación cruzada,
mediante la cual el conjunto de datos se divide en datos de
entrenamiento, validación y prueba, el algoritmo KNN se ejecuta
para un rango de diferentes valores de K y se prueba la precisión
de la predicción del modelo para determinar el valor óptimo de
K. Las métricas de precisión comúnmente utilizadas en KNN son
RMSE (error cuadrático medio); R cuadrado (coeficiente de
determinación), que es una medida de la varianza en el ajuste
del modelo, es decir, qué tan bien se ajustan los valores
predichos a los valores originales; precisión determinada por el
error absoluto medio en los valores observados y predichos; y
ROC (curva operativa del receptor). La curva ROC representa la
métrica de confusión para diferentes valores de K, y el área bajo
la curva ROC se utiliza para evaluar qué tan bien puede clasificar
el modelo. Por lo tanto, el rendimiento del algoritmo KNN se
evalúa utilizando cualquiera de las métricas descritas
anteriormente, y el valor óptimo de K está determinado por el
valor óptimo de la métrica de rendimiento. Por ejemplo,
supongamos que se utiliza KNN para un problema de clasificación
para valores de K que oscilan entre 1 y 50 y que, utilizando
RMSE, el rendimiento del modelo es máximo para K = 29.
Entonces, el valor óptimo de K sería 29, y para la predicción de
 145
clasificación para En futuras entradas de datos, el algoritmo
calculará la distancia desde los 29 vecinos más cercanos.
Siempre que el algoritmo encuentre la entrada de datos que
pertenece a una clase en función de la distancia mínima
calculada desde el vecino de esa clase, generará un voto para
esa clase. Este proceso se repite para los 29 vecinos más
cercanos y la clase que obtenga el número más alto.
146
Herramientas y técnicas de análisis predictivo

de votos es la clase prevista. Esto también se denomina cálculo

de probabilidad condicional; es decir, la probabilidad de que el
punto de datos pertenezca a una clase particular, dada la
probabilidad de pertenecer también a otras clases. Este
algoritmo se demuestra prácticamente en R en el Capítulo 7, y
todos los conceptos discutidos en este capítulo se han ilustrado
de manera práctica.
La mayor limitación de KNN es el tiempo de cálculo necesario
para las pruebas y la predicción, que aumenta con el aumento
del número de elementos en el conjunto de datos. Además, el
algoritmo KNN muestra un rendimiento deficiente cuando el
conjunto de datos tiene varias características para la
clasificación, lo que confunde al algoritmo para calcular el vecino
más cercano y más lejano. A pesar de los inconvenientes, debido
a los avances en la velocidad de cálculo de los modelos de
aprendizaje automático, KNN se utiliza ampliamente para
motores de recomendación como las "recomendaciones" de
Amazon. KNN también encuentra un amplio uso en servicios de
detección de voz como asistentes de voz y la característica típica
de 'sugerencia automática de texto' en las barras de búsqueda,
mediante la cual el software realiza la predicción del texto
restante en función del contenido escrito por el usuario. En HRM,
se puede utilizar para la selección inicial de candidatos en el
proceso de selección.

K-medias agrupación
El método de agrupación más utilizado es el de K-medias. Es
importante mencionar que los lectores no deben confundir la
agrupación de K-medias con los algoritmos de K-vecino más
cercano. Si bien el primero no está supervisado, el segundo se
implementa ampliamente para la clasificación basada en
etiquetas de clase ya presentes en el conjunto de datos y es una
técnica de aprendizaje supervisado. Sin embargo, ambos tienen
una cosa en común: el uso de métricas de distancia. Mientras
que KNN usa métricas de distancia para encontrar similitudes de
clases, K-means usa métricas de distancia para identificar
diferentes grupos o grupos presentes en los datos que tienen
mayores similitudes entre ellos. La agrupación de K-medias es
una técnica de aprendizaje no supervisada que se utiliza para
 147
dividir un número determinado de observaciones en K grupos,
que son homogéneos y comparten características similares.
Un término pertinente en la agrupación de K-medias es
"centroide", que implica el centro de cada agrupación o grupo de
observación. La distancia de cada observación se calcula a partir
del centroide y la asignación a un grupo particular se realiza en
función de la distancia mínima. Después de las asignaciones, la
media del número de observaciones se calcula para cada grupo
y representa el centroide de ese grupo. El objetivo es minimizar
el centroide al valor mínimo, de modo que las variaciones dentro
del grupo sean mínimas. Es un algoritmo iterativo, de modo que
para cada iteración, las asignaciones varían en grupos y se
calculan los centroides, hasta alcanzar un número óptimo de
grupos y de asignaciones. Hay dos formas de detener las
iteraciones en el algoritmo: una, especificando el número de
iteraciones y dos, cuando no se detectan cambios más
significativos en los valores del clúster. La métrica normalmente
utilizada para calcular la distancia desde un centroide para un
punto de datos dado es la distancia euclidiana al cuadrado.
En términos generales, existen dos mecanismos en los que se
ejecuta el algoritmo estándar. K puntos de datos se seleccionan
aleatoriamente del conjunto de datos y se especifican como
centroides. K-medias
Herramientas y técnicas de análisis predictivo

Luego, la agrupación construye los grupos calculando las

distancias de cada punto de datos desde estos centroides. Una
vez agotados todos los puntos de datos del conjunto de datos,
se calcula el valor medio de cada grupo, que se convierte en el
nuevo centroide de ese grupo. El proceso se repite hasta alcanzar
las condiciones óptimas. En otra técnica, los puntos de datos se
asignan aleatoriamente a K grupos y se calcula la media de cada
grupo que representa su centroide.
De manera similar a KNN, se deben realizar comprobaciones
de optimización para determinar el valor óptimo de K. Sin
embargo, esto también plantea la mayor limitación para el
funcionamiento del modelo. El algoritmo de agrupamiento K-
means intenta construir grupos esféricos con casi el mismo
tamaño y, por lo tanto, en ocasiones puede producir
clasificaciones "incorrectas". Se ha visto que su rendimiento es
bastante impredecible, ya que funciona bien en algunos
conjuntos de datos pero no en otros. Al mismo tiempo, el
148herramientas y técnicas de análisis predictivo
algoritmo puede funcionar bien con grandes conjuntos de datos
en períodos de tiempo reducidos. Como resultado, encuentra
aplicación en la segmentación de mercados, la astronomía, etc.
A veces, los analistas también pueden utilizar esta técnica para
generar un conjunto inicial de grupos, que pueden perfeccionarse
más adelante mediante la aplicación de técnicas avanzadas. Una
de las aplicaciones más populares de este algoritmo es el
"aprendizaje de funciones", que también se ha implementado en
modelos de procesamiento de lenguaje natural. Utilizando datos
de entrenamiento, se utilizan K-means para producir grupos y,
para cada grupo, las características se analizan y etiquetan.
Luego, las entradas del conjunto de datos de prueba se utilizan
para predecir a qué grupo pertenece un punto de datos y luego
se especifican sus características.

Análisis de texto
El análisis de texto es una técnica de aprendizaje automático que
se basa en los principios del procesamiento del lenguaje natural
(PNL) para extraer significado de datos de texto presentes en un
formato no estructurado. Implica extraer datos textuales para
obtener sentimientos, palabras clave utilizadas y la estructura
del texto. Con capacidades mejoradas para el almacenamiento y
procesamiento de diversos datos, el análisis de texto se ha
convertido en algo común. Dado que los datos textuales no están
estructurados, no se pueden almacenar en bases de datos
relacionales convencionales con estructura tabular. Sin embargo,
la aparición de plataformas de almacenamiento como las bases
de datos no relacionales (MongoDB, por ejemplo) ha facilitado
este almacenamiento de datos textuales, lo que ha ayudado a
las empresas a buscar herramientas que ayuden en el análisis de
estos datos. El análisis de texto tiene sus raíces en la PNL y
funciona dividiendo las oraciones en los componentes más
básicos (frases, puntuación, pausas, etc.) y luego tokenizándolos
para impartir significado. El resultado del análisis de texto
implica la identificación de la sintaxis, la semántica y el contenido
de los datos del texto, todo lo cual se agrega a la base de
conocimientos para análisis futuros. Los pasos clave involucrados
en el análisis de texto son:

1 Identificar el idioma del texto: muchos software y

algoritmos analíticos vienen con la capacidad incorporada de
 149
identificar el idioma utilizado en el texto. Depende
completamente del algoritmo de cuántos idiomas admite. No
se pueden realizar más análisis a menos que se haya
identificado el idioma.
2 Tokenización: el texto contiene muchas unidades
diferentes, como palabras, puntuaciones, hipervínculos, etc.
La tokenización implica dividir el texto en estas unidades
individuales, y la forma más simple del algoritmo
simplemente eliminará la puntuación y retendrá todas las
palabras. Entonces, si un texto contiene tres líneas con seis
palabras cada una, la tokenización simplemente generará (6
× 3) 18 palabras. La definición de un token depende
completamente del idioma del texto. Por ejemplo, para el
idioma inglés, los tokens son espacios en blanco y
puntuación. Algoritmos simples basados en reglas podrán
identificar estos tokens en el texto y eliminarlos, reteniendo
el texto restante para su posterior análisis. Sin embargo, la
tokenización simple basada en reglas no puede funcionar en
todos los idiomas. Por ejemplo, el chino no incluye espacios
en blanco; en ese caso, la tokenización no puede funcionar.
3 Formación de oraciones: esta parte del análisis de texto se
establece para identificar los límites del texto; es decir,
impartir el significado al texto donde termina y comienza el
siguiente. En inglés, los signos de puntuación comunes, como
el punto y el signo de interrogación, indican el final de una
oración. Sin embargo, existen excepciones, como que se
puede utilizar un punto para abreviar el título de una persona
como "Señor", "Dr.", etc. Estos límites no sólo varían según
el idioma, sino también según el modo de escritura. Las
plataformas de redes sociales como Twitter tienen la
tendencia de dividir las oraciones con el símbolo de
almohadilla '#'. Entonces, en el caso de los datos de Twitter,
los datos tokenizados contendrán hashes para ayudar a
identificar la presencia de diferentes oraciones en el texto.
4 Etiquetado PoS: como todos saben, cada idioma tiene una
notación para el uso de palabras. Por ejemplo, el idioma
inglés especifica si una palabra es un sustantivo, pronombre,
verbo, adjetivo, etc., para determinar su contribución al
habla. Por lo tanto, el etiquetado PoS (etiquetado parte del
habla) es el proceso de identificación de la notación de cada
token para determinar su contribución al habla general.
150herramientas y técnicas de análisis predictivo
5 Análisis ligero: el análisis ligero, también llamado
fragmentación o fraseo, implica combinar tokens etiquetados
PoS en frases para formar frases etiquetadas como frases
nominales, frases verbales, etc.
6 Análisis de sintaxis: el análisis de sintaxis se utiliza para
desarrollar un árbol de análisis de sintaxis para el texto, para
representar el uso sintáctico en el mismo. Imparte una
estructura a todos los análisis enumerados anteriormente. El
uso de la sintaxis puede cambiar completamente el
significado de una palabra. Por tanto, el análisis de sintaxis
intenta determinar el contexto en el que se han utilizado las
palabras en la oración.
7 Encadenamiento léxico: el encadenamiento léxico también
es un área de aplicación destacada para el modelado temático
de texto. El encadenamiento léxico implica relacionar
diferentes oraciones por su significado y fuerza de relación
con un tema general. No importa la ubicación de las
diferentes frases en el documento; si implican lo mismo y se
relacionan con el mismo tema, estarán encadenados
léxicamente.

Todos estos pasos se han dado a un buen uso organizacional. La

extracción de características es un área de aplicación del análisis
de texto que identifica los temas, intenciones y sentimientos
predominantes en el texto y, por lo tanto, ayuda en el análisis
de sentimientos. En gestión de recursos humanos,
 Herramientas y técnicas de análisis predictivo 151

El análisis de sentimiento encuentra un uso generalizado para

reemplazar las encuestas de participación anuales. Las
organizaciones ahora utilizan inteligencia artificial para rastrear
los sentimientos de los empleados a través de sus
conversaciones en las plataformas organizacionales. El modelado
de temas es otra área de análisis de texto que le resulta útil para
identificar los principales temas prevalentes en el texto. Esto
también puede ser utilizado de diversas maneras por las
empresas. Al aplicar análisis en las entrevistas de salida, las
organizaciones pueden inferir, a través del modelado de temas,
cuáles son los temas prevalentes y recurrentes en la entrevista.
Esto podría resultar muy útil para comprender las causas de la
rotación en las empresas. El análisis de texto también encuentra
aplicación en la categorización y recuperación de documentos.
Esto se puede utilizar para la selección automatizada de
solicitudes de empleo. El texto de los currículums entrantes se
puede analizar para identificar si cumplen con todos los criterios
de elegibilidad para un trabajo y, por lo tanto, ser
preseleccionados para el proceso de selección posterior. También
se puede realizar web scraping para recopilar currículums de
puestos vacantes en la empresa y luego categorizarlos y
ordenarlos según su coincidencia con diferentes trabajos en la
empresa, sin ninguna intervención manual.

Diferentes software de análisis de recursos

humanos disponibles en el mercado
Las herramientas analíticas más populares disponibles en el
mercado también se aplican al campo de la gestión de recursos
humanos. A continuación se incluye una lista de las herramientas
más populares, seguida de una breve descripción de las
plataformas de software y empresas de consultoría de análisis
más populares del mercado.

R
R es uno de los software de código abierto más potentes y
populares para análisis e informática estadísticos. Puede
ejecutarse en múltiples sistemas operativos como Windows, Unix
y Mac OS. Su popularidad se debe a muchas razones:

1 Es una plataforma de código abierto.

152herramientas y técnicas de análisis predictivo

2 Puede ejecutarse en múltiples sistemas operativos.

3 Tiene una amplia comunidad de soporte y una cantidad de
demostraciones en video gratuitas, lo que hace que aprender
sea rápido y fácil.
4 Tiene un repositorio de paquetes que proporcionan
algoritmos automatizados para diferentes funciones
estadísticas y analíticas, requiriendo un mínimo esfuerzo de
codificación por parte del usuario.
5 Rattle es una GUI construida en R, que simplifica aún más la
interacción del usuario con R.
6 La comunidad de código abierto de desarrolladores de R
contribuye continuamente con paquetes y técnicas
actualizados para mejorar aún más la facilidad de aplicación
de análisis por parte de los usuarios de R.
7 Para cada paquete, también está disponible una amplia
cantidad de conjuntos de datos de práctica.

Una interfaz R típica se muestra a continuación. Está dividido en

cuatro secciones. En la parte superior izquierda está la página de
secuencias de comandos, donde el usuario puede escribir una
secuencia de comandos o código R para

FIGURA 4.5 Interfaz RStudio

 Herramientas y técnicas de análisis predictivo 153

ejecución e incluso guardarlo para su uso posterior. En la parte

superior derecha está la pestaña Medio ambiente global.
Representa todos los conjuntos de datos activos y todas las
variables globales en el estado actual de R. En la parte inferior
izquierda está la ventana de la Consola, que muestra el código y
el resultado de la ejecución del script de R. La parte inferior
derecha ofrece funciones de Ayuda, Archivos, Gráficos, Paquetes
y Visor. En esta pestaña se puede ver un resumen sobre
cualquier paquete y los paquetes disponibles actualmente. Esta
pestaña también ofrece la posibilidad de ver gráficos, copiarlos o
extraerlos en un archivo pdf. Todas las funciones restantes son
intuitivas de entender.
En este libro se ha utilizado la interfaz RStudio versión 3.6.1
para Windows (32 bits). Para la máquina del lector, la versión
adecuada se puede descargar desde el enlace:

1 Para descargar RStudio – [Link]

2 Para descargar herramientas R: [Link]
[Link]/bin/windows/Rtools/

Para trabajar en cualquier técnica de análisis estadístico en R

o cualquier conjunto de datos, primero hay que instalarlo e
importarlo, respectivamente. R funciona mediante 'paquetes R',
todos los cuales están disponibles en Internet y en acceso
abierto. Por ejemplo, un paquete llamado CART (árbol de
clasificación y regresión) contiene funciones automatizadas para
implementar algoritmos populares de clasificación y regresión
como KNN. También contiene el código para implementar la
matriz de confusión en forma de función, de modo que el usuario
simplemente necesita proporcionar los valores apropiados de los
argumentos en la función de la matriz de confusión, y el resto se
ejecutará automáticamente. Al hacer clic en Paquetes en la
esquina inferior derecha, se puede ver la lista de paquetes
disponibles. Para poder utilizar un paquete en la sesión actual de
R, debe marcarse desde esa pestaña, o el usuario puede instalar
el paquete escribiendo el código

[Link] (“nombre del paquete”)

154herramientas y técnicas de análisis predictivo

Este código indicará al software que busque automáticamente

el paquete en línea, lo recupere e instale. Tenga en cuenta que
R distingue entre mayúsculas y minúsculas. Por lo tanto, se
recomienda utilizar los códigos de la misma manera que se
especifica en este texto.
Para trabajar con cualquier conjunto de datos, es necesario
importarlo en la sesión actual. Recuerde que para cada sesión de
R, el conjunto de datos debe recuperarse nuevamente. Además,
para evitar ingresar el nombre del conjunto de datos
repetidamente para escribir el script, los usuarios pueden
simplemente adjuntar el conjunto de datos al entorno global,
usando el código

adjuntar ("nombre del conjunto de datos")

Todo lo que aparezca en la pestaña de entorno global estará

disponible para su uso en la sesión actual de R. Generalmente es
recomendable normalizar el conjunto de datos o escalarlo para
usarlo en cualquier análisis estadístico, ya que esto elimina
cualquier error debido a valores extremos. Además, utilizando la
regla de Pareto, el conjunto de datos debe dividirse en datos de
entrenamiento y de prueba (la proporción habitual es 80:20).
Una técnica llamada validación cruzada que se utiliza para
evaluar el rendimiento de un modelo estadístico divide el
conjunto de datos en conjuntos de datos de prueba,
entrenamiento y validación. Todos estos, y los paquetes
importantes, se han ilustrado de forma práctica en R en los
capítulos siguientes.

Pitón
Al igual que R, Python es otro lenguaje de programación de alto
nivel. También está ganando popularidad en el actual escenario
analítico. Sin embargo, los usuarios generalmente encuentran
que Python es un poco más difícil, sólo debido a la falta de
documentación extensa y soporte para el lenguaje en línea, como
es el caso de R. Ambos lenguajes tienen buenas capacidades y
sólo hay diferencias menores. Dicho en términos simples, R no
tiene capacidad orientada a objetos como Python, mientras que
Python actualmente no admite la amplia gama de paquetes y
 Herramientas y técnicas de análisis predictivo 155

distribuciones estadísticas como en R. Otra razón por la que

Python parece difícil para el usuario final es que no no admite
paquetes extensos como R que permiten la automatización o
codificación muy menor para implementar funciones
estadísticas. Sin embargo, esta limitación se puede atribuir a que
el lenguaje es relativamente más nuevo que R. Todos los
paquetes disponibles con Python están contenidos y se pueden
ver desde el índice PyPi. Generalmente se supone que para
aplicaciones independientes, como análisis individuales o
implementación en servidores únicos, R es el lenguaje de
elección, mientras que si la aplicación requiere integración como
con sitios web, entonces Python es el lenguaje de elección. Al
igual que R, Python es un lenguaje de código abierto.
SAS
Otra plataforma popular de análisis que ha sido líder del mercado
durante mucho tiempo es SAS, que también puede funcionar en
múltiples sistemas operativos. La única limitación es que es un
servicio pago y no de uso gratuito. Sin embargo, últimamente,
SAS ha lanzado University Edition, que es una versión gratuita
de SAS con capacidades limitadas. SAS ha encontrado
aplicaciones en todas las corrientes de análisis para todos los
tipos y escalas de negocios. La firma ha estado desarrollando de
manera proactiva soluciones para cualquier forma de análisis que
surja en el mercado. En 2018, también se destacó como líder en
el campo de las soluciones de IA. Con una presencia inmejorable
en el mercado durante muchas décadas, la empresa ha podido
recopilar diversos datos de fuentes dispares, y esa es también
una de las razones por las que las soluciones SAS son sólidas y
prácticas.

Power BI
Microsoft, que es un líder dominante en el mercado de
ordenadores y sistemas operativos, también ha desarrollado una
potente solución de análisis, 'PowerBI'. Este producto es parte
de una plataforma más grande de Microsoft llamada 'Power
Platform', que permite a las empresas tomar decisiones
informadas, poderosas y en tiempo real, comenzando con el
marco para recopilar los datos que permiten estas decisiones.
Los productos de Microsoft han sido etiquetados como líderes del
cuadrante mágico por Gartner Group. La ventaja de utilizar
156herramientas y técnicas de análisis predictivo

PowerBI es que, dado que la suite Microsoft Office se utiliza

ampliamente, el producto inicia el análisis de datos etiquetando
los datos en la propia suite, lo que facilita el análisis de datos. Es
un conjunto de servicios de inteligencia de código abierto basado
en la nube. Por 1 GB de almacenamiento de datos, el producto
ofrece uso ilimitado y acceso a todas las capacidades.

Cuadro
Tableau es una herramienta de visualización de datos
inmensamente popular. También se ha situado entre líderes
como Microsoft en el cuadrante mágico líder de Gartner Group.
El producto tiene su sede en California (EE. UU.). El poder de
Tableau reside principalmente en dos cosas: su amplio soporte
de visualización de datos, que facilita la creación de gráficos
simples hasta paneles complejos con gráficos integrados
disponibles con un clic de distancia, y la facilidad con la que un
usuario sin conocimientos técnicos también puede crear un panel
independiente. visual de datos en la plataforma. El producto
también ofrece complementar las imágenes con actualizaciones
de datos en tiempo real e integración de datos de diversas
plataformas. La suite Tableau contiene cinco herramientas que
se dividen en dos categorías: herramientas para desarrolladores
y para compartir. La creación de imágenes de datos se realiza en
herramientas de desarrollo, a saber, Tableau Desktop y públicas.
El intercambio de estos elementos visuales se realiza mediante
herramientas para compartir, a saber, Tableau en línea, servidor
y lector. Puede conectarse con cualquier plataforma de datos,
desde un simple Excel o pdf hasta bases de datos complejas
como Amazon Web Services o la plataforma Microsoft Azure. Uno
de los usos más importantes de Tableau es la visualización de
Big Data, como la representación de la intensidad de la
interacción entre países en Facebook para todos los países del
mundo donde se utiliza Facebook.
Conclusión
Las aplicaciones del análisis predictivo a diversas áreas de la
gestión de recursos humanos están creciendo exponencialmente.
Esto se puede atribuir a varios factores, como la disponibilidad
de plataformas de almacenamiento más amplias y de bajo costo,
el aumento de la diversidad de datos, la capacidad de aprovechar
estos datos y el desarrollo de diferentes tipos de técnicas
 Herramientas y técnicas de análisis predictivo 157

disponibles para analizar estos datos. A pesar de la creciente

disparidad en los datos, la aplicación de la analítica está
proliferando, debido a avances casi paralelos en las técnicas para
analizar estos datos. En este contexto, este capítulo presenta
una discusión de las principales herramientas analíticas y
algoritmos utilizados específicamente en el contexto del análisis
predictivo. El capítulo analiza ANN, KNN, árboles de decisión,
agrupación de K-medias y análisis de texto. Todos estos pueden
implementarse en software comercial disponible para análisis, lo
que requiere que la empresa cliente simplemente ponga los
datos a disposición. No es necesario mejorar las capacidades de
la fuerza laboral actual ni contratar nuevas personas cuando se
utilizan plataformas comerciales. Sin embargo, las plataformas
comerciales en ocasiones son bastante caras, y además no
permiten integrar datos y desarrollar una solución
completamente personalizada para la empresa. Por lo tanto,
quien toma las decisiones necesita desarrollar su propia solución.
Por lo tanto, este capítulo también analiza las principales
herramientas y plataformas disponibles en el mercado para la
implementación de estos algoritmos analíticos.

Glosario
La función de activación transforma la entrada agregada en
salida, como el uso de la función sigmoidea para convertir la
salida en clases binarias.
La red neuronal artificial ANN es una imitación de las redes
neuronales biológicas que se utilizan para modelar cualquier
tipo de relaciones funcionales complejas y no requiere
especificar previamente la relación entre las covariables y las
variables de respuesta.
Árbol de clasificación Cuando la variable objetivo representada
por los nodos de hoja en un árbol se puede etiquetar en clases
particulares y luego se aplican árboles de decisión a dichos
datos, se conoce como árbol de clasificación.
Los nodos de condición en los árboles de decisión también se
denominan nodos internos, en función de los cuales se realiza
la ramificación o división del árbol.
Los árboles de decisión presentan la estructura de la toma de
decisiones en forma de árbol, una representación gráfica de
158herramientas y técnicas de análisis predictivo

cómo varias alternativas pueden conducir a una decisión

particular.
La función de integración en ANN combina todas las señales
de entrada para calcular el promedio ponderado que se
utilizará como salida de la red.
El vecino K más cercano, abreviado como KNN, es un
algoritmo de aprendizaje supervisado que se aplica para
clasificación y regresión; predice la clase de un conjunto de
datos determinado comparando su cercanía con sus K vecinos
más cercanos, y la clase con el voto más alto se considera la
clase de datos de entrada.
El encadenamiento léxico implica relacionar diferentes
oraciones por su significado y fuerza de relación con un tema
general.
El análisis ligero, también llamado fragmentación o fraseo,
implica combinar tokens etiquetados PoS en frases para
formar frases etiquetadas como frases nominales, frases
verbales, etc.
Múltiples capas en las RNA: una capa es la capa de entrada,
la segunda capa se compone de una o más capas ocultas y la
tercera capa es la de variables de salida o respuesta.
El etiquetado PoS (etiquetado parte del habla) es el proceso
de identificación de la notación de cada token para
determinar su contribución al habla general.
La poda de un árbol de decisión implica eliminar los nodos de
hoja que contienen características de baja importancia, lo
que se puede hacer basándose en la reducción del error o la
complejidad del costo.
Algoritmo de retropropagación resistente Se calcula la
función de gradiente o derivada o de error y se intenta
alcanzar los mínimos locales de la función de error; La
corrección de los pesos se aplica moviéndose en la dirección
opuesta a la de los mínimos locales.
El árbol de regresión predice valores continuos, en lugar de
clases
Aprendizaje supervisado Cuando los valores de la variable
objetivo se conocen de antemano, la herramienta analítica
puede aprender a calcular la variable objetivo comparando el
valor calculado con los valores observados reales; Esto se
denomina aprendizaje supervisado, el aprendizaje en
 Herramientas y técnicas de análisis predictivo 159

presencia de un supervisor, como los errores, se corrige

inmediatamente.
El análisis de texto es una técnica de aprendizaje automático
que se basa en los principios del procesamiento del lenguaje
natural (PNL) para extraer significado de datos de texto
presentes en un formato no estructurado. Implica extraer
datos textuales para obtener sentimientos, palabras clave
utilizadas y la estructura del texto.
La tokenización implica dividir el texto en estas unidades
individuales, y la forma más simple del algoritmo
simplemente eliminará la puntuación y retendrá todos estos
tokens.
Aprendizaje/agrupación no supervisado Cuando no se
conocen las etiquetas y los datos deben agruparse o
asignarse en grupos específicos, generalmente en función de
la similitud entre los elementos de datos, se trata de
aprendizaje no supervisado denominado agrupación.

Material de revisión
1 Analice el aprendizaje supervisado y no supervisado.
2 Enumere los distintos tipos de algoritmos predictivos.
3 Defina RNA.
4 Explique brevemente cómo funciona la red neuronal
biológica.
5 Enumere las tres capas de ANN.
6 ¿Cómo se calcula la salida en ANN?
7 Nombra y explica el algoritmo de redes neuronales más
utilizado.
8 Enumere y explique las dos funciones utilizadas en ANN.
9 Enumere las funciones de activación más utilizadas.
10 Enumere los pasos utilizados en la construcción de un modelo
ANN para aprendizaje supervisado.
11 Analice en qué se diferencia el algoritmo de retropropagación
resistente del algoritmo de retropropagación convencional.
12 Explique cómo funciona la retropropagación resiliente con
retroceso de peso mediante pseudocódigo.
13 Definir árboles de decisión.
14 Enumere los nodos en los árboles de decisión.
15 Distinga entre los dos tipos de árboles de decisión.
160herramientas y técnicas de análisis predictivo

16 Nombre el paquete R utilizado para implementar árboles de

decisión en R.
17 Explique brevemente cómo funciona el algoritmo del árbol de
decisión.
18 Explique las funciones utilizadas para calcular el menor costo
en los árboles de decisión.
19 ¿Cómo decide el algoritmo del árbol de decisión cuándo dejar
de dividirse?
20 Definir poda.
21 Defina KNN.
22 Enumere los tres métodos utilizados en KNN para determinar
la similitud entre elementos vecinos.
23 Escribe las fórmulas para la distancia euclidiana, la distancia
de Minkowski y la distancia de Manhattan.
24 ¿Cómo se determina el valor óptimo de K?
25 Enumere las métricas de precisión comúnmente utilizadas
para KNN.
26 ¿Cuál es una limitación importante de KNN?
27 Enumere algunas áreas de aplicación de KNN.
28 ¿En qué se diferencia y se parece el clustering de K-medias a
KNN?
29 Defina centroide.
30 Explicar el funcionamiento básico de la agrupación de K-
medias.
31 Enumere las dos formas en que se pueden detener las
iteraciones en la agrupación de K-medias.
32 Analice las limitaciones de la agrupación de K-medias.
33 Explique una aplicación de la agrupación de K-medias.
34 Definir análisis de texto.
35 Enumere y explique los pasos clave involucrados en el
análisis de texto.
36 Enumere algunas aplicaciones comunes del análisis de texto
y su papel en la gestión de recursos humanos.
37 Enumere algunas herramientas analíticas populares.
38 Discuta algunas razones de la popularidad de R. 39 Explique
una interfaz R típica.
40 Enumere algunas diferencias entre R y Python.
41 ¿Cuál es una de las principales ventajas de utilizar PowerBI?
42 ¿Cuáles son las dos razones clave del éxito de Tableau?
43 Enumere las cinco herramientas de la suite Tableau.
 Herramientas y técnicas de análisis predictivo 161

Ejercicios problemáticos
1 Busque en Internet para encontrar software comercial
especializado en análisis de recursos humanos/análisis de
personas/análisis de fuerza laboral. Además, intente
encontrar sus esquemas de precios. Tabule e informe sus
hallazgos.
2 Dada una función con las coordenadas {(2,3), (3,4), (6,7),
(10,3)}, encuentre la distancia euclidiana, la distancia de
Minkowski y la distancia de Manhattan para el conjunto de
datos.
Bibliografía
Anderson, B. (agosto de 2020). Gartner anuncia el Cuadrante Mágico
2020 para la gestión unificada de terminales . Obtenido de Microsoft:
[Link]
announces-microsoft-leader-2020-magic-quadrant-unified-endpoint-
management-uem/#:~ :
text=Gartner%20announces%20the%202020%20
Magic%20Quadrant%20for%20Unified%20Endpoint%20Manageme
nt,-Brad%20 Anderson
Gunther, F. y Fritsch, S. (2010). neuralnet: Entrenamiento de redes
neuronales. El diario R , 30–38.
Salud primero. (2018). "La subcontratación de las entrevistas de salida
en Health First redujo los costos de rotación en más de $ 1 millón ".
Obtenido en 2019, de People Element:
[Link] caso de estudio/
Hornik, K., Stichcombe, M. y White, H. (1989). Las redes feedforward
multicapa son aproximadores universales. Redes neuronales , 359–
366.
Levenson, A. y Pillans, G. (2017). Análisis estratégico de la fuerza
laboral . Londres, Reino Unido: Foro de investigación corporativa.
Luellen, E. (21 de abril de 2019). Un manual actualizado sobre análisis
de texto: factores clave en una estrategia de análisis de texto .
Obtenido en 2019 de Towards Data Science:
[Link]
com/a-text-analytics-primer-key-factors-in-a-text-analytics-
strategy-d24dc84a5576
Maurer, R. (2019, 20 de agosto). El análisis del sentimiento de los
empleados muestra a [Link]. todos los sentimientos . Obtenido en
2019 , de SHRM: [Link]/resourcesandtools/hr-
topics/technology/pages/empleado-sentiment-analysis-shows-hr-
[Link]
Mohler, T. (5 de septiembre de 2018). Las siete funciones básicas de la
analítica de texto . Obtenido en mayo de 2019 de Lexalytics:
[Link]/lexablog/text-analytics-functions-explained
162herramientas y técnicas de análisis predictivo

Reidmiller, M. y Braun, H. (1993). Un método directo para un

aprendizaje de retropropagación más rápido: el algoritmo rprop.
Actas de la Conferencia Internacional IEEE sobre Redes Neuronales ,
24–28.
Sen, S. y Sengupta, R. (diciembre de 2018). Cómo el procesamiento del
lenguaje natural puede revolucionar los recursos humanos . Obtenido
en 2019, de AIHR Analytics: [Link]/blog/natural-
language-processing-revolutionize-human-resources
Smith, D. (22 de octubre de 2019). SAS es el número uno en cuota de
mercado de análisis avanzado y predictivo, según un informe de
analistas . Obtenido de SAS:
[Link]
2019/octubre/sas-es-no-1-en-participación-de-mercado-de-análisis-
avanzado-y-predictivo.
html#:~:text=SAS%20led%20con%20a%2027.7,en%20la%20cate
goría%20cada%20 año
Zurada, J. (1994) Introducción a los sistemas neuronales artificiales .
Nueva Delhi: Editorial Jaico.
5
EVALUACIÓN DE ANÁLISIS
RESULTADOS

Después de leer este capítulo, los usuarios

podrán comprender los siguientes conceptos
clave:
• Comprender la necesidad de validar los resultados analíticos.
• Conozca la técnica y la necesidad de dividir el conjunto de
datos en datos de entrenamiento y de prueba.
• Comprender el propósito y la implementación de la validación
cruzada.
• Conozca los índices de evaluación del desempeño para la
agrupación
• Comprender diversas técnicas utilizadas para validar
algoritmos de clasificación.
• Comprender el concepto y la implementación de una matriz
de confusión.
• Comprender las diferentes bases para seleccionar una
herramienta analítica predictiva particular.

Caso de apertura
Una empresa se propuso crear una aplicación móvil que
permitiera a los usuarios recordar recuerdos a través de vídeos,
imágenes y otros datos almacenados en su dispositivo móvil, en
forma de gráficos para compartir. Sin embargo, una
consideración clave fue que el diseño de la aplicación debería ser
lo suficientemente simple como para permitir que un usuario
164Evaluación de resultados analíticos
ingenuo utilice las funciones de la aplicación y cree sus gráficos
para compartir como un GIF. La empresa se dio cuenta de que
necesitaba inculcar la realidad aumentada que pudiera, por
ejemplo, identificar personas en el fondo de una imagen o vídeo
y luego usarla para segmentar estos datos visuales en el
dispositivo, que luego podría usarse para crear una experiencia
de recuerdos para el usuario. El desarrollo inicial de la aplicación
comenzó en la propia empresa con su equipo interno; sin
embargo, fracasaron estrepitosamente en sus esfuerzos debido
a una gran cantidad de errores y fallas de la aplicación,
eliminando la posibilidad de comercializar dicho producto. Por
ello, contrataron los servicios de una empresa de servicios
analíticos especializada en el desarrollo de este tipo de
soluciones analíticas . Además, la empresa requirió que el
dispositivo no utilice un servidor backend o almacenamiento en
la nube, ya que plantea preocupaciones adicionales para el
usuario final, como la seguridad, y también aumenta el tiempo y
el precio de procesamiento. Entonces, decidieron desarrollar la
aplicación en el propio dispositivo móvil. Además, la empresa
recibe comentarios prácticos de los usuarios y continúa
incorporándolos en el diseño agregando nuevas funciones
(Kodra, 2019).

Introducción
El caso anterior es un ejemplo de cómo la elección de la
herramienta analítica y la plataforma requerida para
implementar esa herramienta varía según la aplicación en
cuestión. Una perspectiva importante es que, a menos que se
hagan las preguntas adecuadas, no se pueden obtener
respuestas adecuadas a pesar de tener datos relevantes a mano
(Fankhauser, 2018). El valor real de la aplicación de la
herramienta analítica reside en la precisión de los resultados que
ha generado. Si la herramienta no es capaz de ofrecer los
resultados para los que fue diseñada y responder las preguntas
o resolver el problema empresarial en cuestión, la herramienta
es de poca utilidad para quien toma las decisiones. Por lo tanto,
la validación y evaluación de la herramienta para juzgar su
precisión y determinar su rendimiento es una característica clave
de la implementación de la herramienta analítica. Además, en el
mercado se encuentra disponible una amplia variedad de tales
herramientas y técnicas. Un usuario a menudo se siente
 Evaluación de resultados analíticos 165
confundido ante la situación en la que varias herramientas
ofrecen una solución para un problema determinado. En este
contexto, es imperativo comprender cómo elegir entre estas
diferentes plataformas. Hay muchos factores decisivos que
influyen en la elección de la herramienta adecuada. Además, el
usuario puede aplicar diferentes herramientas para una misma
situación y luego comparar para determinar cuál es la mejor
opción para ese problema empresarial. Por lo tanto, este capítulo
analiza diferentes técnicas utilizadas para mejorar y evaluar el
rendimiento de los algoritmos analíticos y un posible marco que
describe los criterios de decisión para elegir entre las
herramientas y la plataforma necesarias para implementarlo.

La necesidad de validar los resultados analíticos

La validación de los resultados analíticos tiene dos propósitos
principales: uno, evaluar la optimización de los resultados
obtenidos y dos, garantizar que los resultados proporcionen
resultados en consenso con el propósito para el cual se desarrolló
el modelo predictivo. Para este último, la idea es inculcar los
resultados en el diseño del modelo. Esto significa garantizar un
enfoque inverso, formulando las preguntas correctas según las
necesidades de quien toma las decisiones y luego determinando
a partir del diseño del modelo si esas necesidades se están
satisfaciendo. La interpretación y validación de los resultados
analíticos requiere que las definiciones utilizadas para construir
un modelo de datos sean acordadas por múltiples socios
involucrados en la utilización de los resultados de esos datos.
Como se analizó en el Capítulo 4, la jerga organizacional y el
consenso organizacional sobre el uso de los términos utilizados
para construir ese modelo juegan un papel clave al validar e
interpretar los resultados. En última instancia, se trata de los
gerentes y tomadores de decisiones que utilizarán los resultados
del modelo. El resultado de los modelos debe basarse en datos,
de modo que las métricas proporcionen información valiosa para
quien toma las decisiones. Si la herramienta no puede
representar una métrica valiosa, una puntuación, un resultado
de desempeño cuantificado, es de poca utilidad para quienes
toman las decisiones. El primero requiere conocimientos técnicos
para su implementación, ya que el usuario debe determinar si el
modelo diseñado está entregando los resultados óptimos o no.
En este contexto, existen algunas técnicas generalizadas y
166Evaluación de resultados analíticos
algunas técnicas que varían según el modelo analítico predictivo.
El capítulo presenta primero las técnicas generales aplicables a
todos los modelos y luego proporciona una discusión de las
técnicas específicamente diseñadas para los modelos discutidos
en este libro en capítulos anteriores.
Un tercer propósito de validar los resultados también puede
incluir evaluar si la herramienta utilizada para la implementación
es la correcta o no. Por ejemplo, si se espera que el modelo
predictivo clasifique los resultados y luego prediga, muchas
herramientas servirían para este propósito. ¿Cómo se asegura
un usuario de que la herramienta que ha elegido es la adecuada?
Una herramienta como la agrupación en clústeres puede tener
una gran precisión, pero puede producir un número de clases
menor que el que existe en los datos. Otra herramienta, como
los árboles de decisión, genera las clases apropiadas
(aprendizaje supervisado), pero no inculca todas las
características presentes en los datos para la ramificación. El
usuario también debe tener en cuenta estas consideraciones al
validar los resultados analíticos. Por lo tanto, la validación no se
limita a evaluar el desempeño del modelo predictivo diseñado
por el usuario, sino también a garantizar que se hayan elegido
las técnicas correctas para construir el modelo y se utilicen las
métricas correctas para evaluar el desempeño. A menudo, para
el tercer tipo de validación, los analistas comparan el desempeño
de diferentes modelos para el mismo escenario. Por ejemplo,
para un problema de clasificación y predicción, el analista puede
crear un modelo KNN, ANN y de árbol de decisión dentro del
mismo conjunto de código y evaluar cómo varía el rendimiento
entre diferentes modelos.

Técnicas de validación de resultados analíticos.

La validación del rendimiento del modelo variará según el tipo de
técnica, que se analizará en detalle en la siguiente sección.
Validar si los resultados coinciden con el objetivo para el cual se
diseñó el modelo es intuitivo y requiere un análisis de juicio
eficiente por parte de los desarrolladores y usuarios del sistema.
Pueden determinar esto planteando el conjunto correcto de
preguntas al software y luego determinando si están obteniendo
resultados satisfactorios o no. Ahora, para mejorar la precisión
del rendimiento, se llevan a cabo técnicas como la división de
 Evaluación de resultados analíticos 167
datos y la validación cruzada de datos como medidas generales
para todos los resultados analíticos.

Dividir el conjunto de datos en prueba y

entrenamiento
Es una regla general dividir el conjunto de datos en datos de
entrenamiento y de prueba, y la regla más utilizada para dividir
es la regla de Pareto, que divide el conjunto de datos en 4:1,
reservando el 80 % para el entrenamiento y el 20 % para las
pruebas. Simplemente, la precisión del modelo se puede utilizar
para evaluar qué tan bien funcionó, por ejemplo, al clasificar el
conjunto de datos en comparación con las clases objetivo reales
presentes en el conjunto de datos. Cuando tanto los datos de
entrenamiento como los de prueba son los mismos, entonces el
modelo seguramente dará una precisión del 100 por ciento. Un
problema común al utilizar datos fuera de la muestra es el
problema del sobreajuste (Cawley y Talbot, 2010). Esto significa
que el modelo genera clasificaciones precisas, pero no tiene en
cuenta todas las características presentes en el conjunto de
datos. El sobreajuste también implica que el modelo ha tenido
en cuenta todas las características del conjunto de datos hasta
tal punto que ahora la generalización del modelo para otras
muestras de datos se vuelve difícil. Por lo tanto, el objetivo de
construir un modelo no es garantizar un ajuste completo al
conjunto de datos, ya que los datos también contienen sesgos y
ruido aleatorio. El sobreajuste también se convierte en un
problema cuando el modelo elegido no es apropiado, o el número
de características del modelo es muy alto o el conjunto de datos
es demasiado pequeño para la posibilidad de generalizaciones.
La división del conjunto de datos en entrenamiento y prueba
supera el problema del sobreajuste. En lugar de utilizar datos
fuera de la muestra, los datos de prueba serían un predictor más
preciso del rendimiento del modelo. Es el método más utilizado
ya que es a la vez complejo y flexible. Sin embargo, cuando se
utilizan datos fuera de la muestra para evaluar la precisión, las
estimaciones pueden variar debido a la alta varianza. Para ello
se utiliza otra técnica llamada validación cruzada.
La división del conjunto de datos se puede realizar
manualmente si se conoce de antemano el número de filas del
conjunto de datos. Calcular manualmente el 80 % y el 20 % del
número total de filas proporcionará el conjunto de datos de
168Evaluación de resultados analíticos
entrenamiento y prueba. Por ejemplo, si el conjunto de datos
contiene 581 filas, el código para dividir manualmente los datos
en R viene dado por:

conjunto de trenes Conjunto de

datos[1:465,] conjunto de pruebas
Conjunto de datos[466:581,]

Para superar el cálculo manual, se puede utilizar la función

sample() en R escribiendo el código:

Nuevo muestra (2, nrow(Conjunto de datos),

reemplazar=TRUE, prob = c(0.8, 0.2))
Traindata Conjunto de datos [Nuevo==1,]
Testdata Conjunto de datos [Nuevo==2,]

En la primera línea de código, se crea un conjunto de datos

'Nuevo' que simplemente tiene los números 1 y 2, asignados
aleatoriamente a una fila, de modo que el 80% del total de filas
tiene el número 1 y el 20% tiene el número 2. El número total
de filas en Nuevo es igual al número total de filas en el conjunto
de datos original. Luego, al seleccionar filas similares del
conjunto de datos original como en 'Nuevo' que contienen solo
1, se asignan al conjunto de datos 'Traindata', mientras que el
resto va a 'Testdata'. Si el usuario desea asegurarse de que cada
vez que se ejecuta el código, los conjuntos de datos de prueba y
entrenamiento tengan las mismas filas de datos, entonces
configúrelo. Se puede utilizar la función semilla(). Simplemente
antes de asignar los datos para probar y entrenar, use
[Link](1234) o cualquier otro número aleatorio.

Validación cruzada
Esta es una de las técnicas más utilizadas para realizar pruebas
del rendimiento del modelo fuera de muestra o con muestras
independientes. Normalmente, un modelo se entrena utilizando
datos de entrenamiento y se prueba utilizando datos de prueba,
los cuales se derivan del mismo conjunto de datos de origen. La
 Evaluación de resultados analíticos 169
validación cruzada genera una muestra independiente de puntos
de datos, similar a los datos contenidos en el conjunto de datos
de origen. Luego verifica la precisión del modelo al predecir estos
datos, ya que no se usaron en el entrenamiento del modelo y
luego indica posibles problemas en el modelo, como sesgo de
selección y sobreajuste.
En la validación cruzada, un conjunto de datos se divide en
datos de prueba, entrenamiento y validación. Aquí, los datos de
entrenamiento se utilizan para entrenar el modelo, los datos de
prueba se utilizan para probar el modelo y los datos de validación
para validar los resultados del modelo. Por lo general, se realizan
múltiples rondas de validación cruzada (k veces) utilizando
diferentes particiones de datos generadas a partir del conjunto
de datos. Los resultados de la validación se promedian en todas
las rondas de validación cruzada y se reflejan como una medida
de la precisión de la predicción. Una validación cruzada de k
veces implica dividir el conjunto de datos en k submuestras,
entrenar el modelo en k-1 muestras y validar con k-ésima
muestra y repetir el proceso k veces. Este proceso garantiza que
cada submuestra se utilice al menos una vez para validar los
resultados. Aunque k no es fijo y varía según la elección del
usuario, un valor general utilizado es la validación cruzada diez
veces mayor.
Las técnicas utilizadas para evaluar los resultados de la
validación cruzada dependen del tipo de modelo al que se aplica
la validación cruzada. Es simplemente un medio para mejorar la
precisión del modelo. Por lo tanto, los parámetros de precisión
específicos de ese modelo reflejan cuán efectiva fue la validación
cruzada. Por ejemplo, para las herramientas analíticas de
clasificación, el error de clasificación errónea, RMSE, MAE, etc.,
se puede utilizar como métrica para medir la eficacia de la
validación cruzada. Normalmente, la validación cruzada también
se aplica para calcular repetidamente la salida del modelo para
un rango de valores de parámetros del modelo, para determinar
el valor óptimo del parámetro.
Para implementar la validación cruzada en R, se utiliza la
función trainControl() que tiene el formato:

trainControl(método=”cv”, número = 10)

170Evaluación de resultados analíticos
Este código implementará una validación cruzada (cv) diez
veces mayor. Si el usuario desea repetir diez veces la validación
cruzada, se puede proporcionar otro argumento en la misma
función:

trainControl(método=”cv”, número = 10, repeticiones=3)

Este código ahora repetirá diez veces la validación cruzada tres

veces.
Cómo varía la técnica de validación según la
herramienta analítica
Para diferentes herramientas, las técnicas utilizadas para evaluar
los resultados analíticos también varían. Según el tipo de
resultado proporcionado por la herramienta y el objetivo para el
cual se implementa, la técnica utilizada para la evaluación del
desempeño también variará. Por lo tanto, esta sección presenta
algunos métodos específicos para evaluar el resultado de
desempeño de un modelo específico.

Validación de los resultados de la agrupación de

K-medias
El objetivo básico de la agrupación es dividir los datos en grupos
de modo que cada grupo tenga la variación mínima entre el
grupo de puntos de datos que pertenecen a ese grupo, y la
variación entre diferentes grupos sea máxima, asegurando que
los objetos contenidos en el grupo sean altamente diferenciados
unos de otros. Las métricas de distancia se pueden utilizar para
evaluar el desempeño de la agrupación, ya que se basan en
medidas de distancia, se puede evaluar la homogeneidad dentro
y la heterogeneidad entre las agrupaciones. En base a este
objetivo, se encuentran disponibles tres medidas internas
conocidas como índices de agrupamiento.

Compacidad
La compacidad es una medida de la homogeneidad de un grupo
que es una evaluación de la similitud de los puntos de datos que
pertenecen a un grupo en particular. Los índices utilizados para
calcular la compacidad son métricas de distancia, es decir,
 Evaluación de resultados analíticos 171
distancias medias o promedio por conglomerados entre
observaciones dentro de un conglomerado. Cuanto menor sea el
valor, mejor será la agrupación.

Separación
La separación es una medida de la heterogeneidad de un grupo
que es la evaluación de la distinción de los grupos entre sí. Los
índices utilizados para medir la separación son distancias entre
centroides y distancias mínimas por pares de observaciones
pertenecientes a diferentes conglomerados.

Conectividad
La conectividad es una medida de la eficacia predictiva de la
agrupación, en el sentido de la eficacia con la que la herramienta
puede colocar un elemento de datos en el mismo grupo que su
vecino más cercano. Refleja si el valor óptimo de K se elige entre
los grupos o no. Es preferible un valor cercano a cero para la
conectividad. El rango de valores se extiende desde cero hasta
el infinito, y el objetivo del modelo es minimizarlo al máximo
posible.
Generalmente, la mayoría de los índices de agrupamiento
utilizados en algoritmos analíticos combinan compacidad y
separación y proporcionan un índice generalizado, dado por la
ecuación:

Separación
Índice
Compacidad

Donde α y β son pesos.

Dos de los índices más utilizados son el ancho de la silueta y
el índice de Dunn. La función silueta() está disponible en R en el
paquete 'cluster'. El ancho de la silueta varía entre −1 y 1, donde
1 indica una buena coincidencia del grupo, cero indica una
coincidencia límite y −1 indica una coincidencia incorrecta.
El índice de Dunn está disponible en la función [Link]()
del paquete 'fpc', y también en la función NbClust() del paquete
'NbClust' (Charrad, Ghazzali, Boiteau y Niknafs, 2014).
Además, la validación externa del clúster también se puede
realizar comparando los clústeres calculados con una referencia.
172Evaluación de resultados analíticos
Esto también se puede implementar usando la función
[Link](). Esta función devuelve un 'índice Rand corregido'
que es una medida de qué tan similares son las particiones en
los conjuntos de datos de clúster calculados y de referencia.

Validación de los resultados de los algoritmos de

clasificación Matriz de confusión
La herramienta más utilizada para validar un algoritmo de
clasificación (Santafe, Inza y Lozano, 2015) como ANN y KNN
que predicen las clases, y no la probabilidad de pertenecer a una
clase para un conjunto de datos, es la matriz de confusión. Una
matriz de confusión es una matriz N × N que se utiliza para
representar la precisión del algoritmo de predicción, donde N es
el número de clases en el conjunto de datos utilizado para el
entrenamiento y la predicción. Esta matriz contiene las clases en
los datos y la tabulación cruzada de cuántas veces el algoritmo
analítico predijo con precisión una clase en particular y cuántas
veces predijo erróneamente que la otra clase. Para una
predicción y clasificación de dos clases, la matriz de confusión se
vería como la Tabla 5.1:

TABLA 5.1 Matriz de confusión

Clase 1 Clase 2

Clase A bPredicciones de
1 clase 1 = a/(a +
b)
Clase C d Predicciones de
2 clase 2 = d/(c +
d)
Sensibilidad Especificidad Precisión = (a +
= a/(a + = d/(b + d)/ (a + b + c
c) d) + d)
Aquí, a fue el número de veces que el algoritmo pudo predecir
con precisión la clase 1 como clase 1, mientras que b fue el
número de veces que la clase 1 fue predicha como clase 2. De
manera similar, d fue el número de veces que el algoritmo pudo
predecir con precisión la clase 2 como clase 2, mientras que c
fue el número de veces que la clase 2 se predijo como clase 1.
Las cinco métricas derivadas de la matriz de confusión se
representan en la tabla.
 Evaluación de resultados analíticos 173
1 La precisión es la proporción de predicciones totales precisas
realizadas por el algoritmo, a saber. el número total de
predicciones.
2 La sensibilidad es la proporción de casos positivos reales
predichos (predicciones reales totales de clase 1, es decir,
observaciones totales de clase 1).
3 La especificidad es la proporción de casos negativos precisos
predichos (predicciones reales totales de clase 2, es decir,
observaciones totales de clase 2).
4 La precisión es la proporción de predicciones de clase 1.
5 El valor de predicción negativo es la proporción de
predicciones de clase 2.

La matriz de confusión está disponible como función

confusionMatrix() en el paquete de intercalación de R. Además
de crear la matriz de confusión y enumerar las cinco métricas
analizadas anteriormente, también muestra la tasa de
NoInformación, que representa la proporción de la clase más
grande presente en el conjunto de datos. Del mismo modo,
también muestra los resultados de la prueba (valor P) de
ejecutar una hipótesis para determinar si la precisión de la
predicción con todas las clases incluidas en el conjunto de datos
es mayor que la precisión de la predicción solo para la clase más
grande.
El código para la matriz de clasificación en R también se puede
escribir manualmente:

resultados <- [Link] (actual=Testdata$TargetColumn,

predicción=[Link]$[Link])
resultados roundedresults <- sapply (resultados, redondo,
dígitos=0) roundedresultsdf=[Link](roundedresults)
adjuntar(roundedresultsdf) tab <-table(actual, predicción)
table(real, predicción)

El error de clasificación errónea es el error cometido por los

algoritmos predictivos al predecir erróneamente que un
elemento de datos pertenece a una clase objetivo, donde su clase
real es diferente a la predicha. Para la tabulación de la matriz de
174Evaluación de resultados analíticos
confusión en la Tabla 5.1, el código para calcular el error de
clasificación errónea es:

#error de clasificación errónea

1-suma(diag(tab))/suma(tab)
Gráficos de elevación
El gráfico de elevación se utiliza cuando el modelo calcula
probabilidades de clases. Es una técnica muy eficaz para
determinar qué tan bien el modelo puede distinguir entre
diferentes clases en el conjunto de datos. Compara el
rendimiento del modelo con un gráfico de elevación ideal donde
el número exacto de predicciones es igual al número de
observaciones en el conjunto de datos, y también con un gráfico
de elevación aleatorio donde el porcentaje de encuestados es
siempre del 100%. El gráfico de elevación muestra el cambio en
el número exacto de predicciones para cada decil de la población,
frente a la población acumulada hasta ese decil. Este cuadro
representa el gráfico en dos ejes: el eje x representa el
porcentaje de la población y el eje y representa el porcentaje de
encuestados. Este gráfico se puede utilizar para calcular una
puntuación de elevación y comparar el rendimiento de diferentes
modelos. Si el conjunto de datos tiene segmentos, entonces este
gráfico es muy útil para determinar hasta qué porcentaje de la
población el modelo está funcionando bien y luego predice
resultados sesgados.
Como se ve en la Figura 5.1, el modelo tiene un ajuste ideal
hasta el 25% de la población, después de lo cual su precisión de
predicción disminuye. La precisión hasta el 25% de la población
es del 100%, mientras que a partir de entonces disminuye. Por
lo tanto, si se sabe qué segmento representa el primer 25% del
conjunto de datos, el modelo se puede utilizar aquí para
predicciones muy precisas. Además, este gráfico de elevación
también se puede utilizar para determinar el umbral utilizado
para la predicción. Normalmente, en un conjunto de datos de dos
clases, el umbral se establece en 0,5, pero no siempre es así. Al
utilizar el gráfico de elevación, se puede mejorar la precisión del
modelo variando los umbrales tal como se interpretan a partir de
un gráfico de elevación. Por ejemplo, en la Figura 5.1, se puede
utilizar 0,25 como valor umbral.
 Evaluación de resultados analíticos 175

FIGURA 5.1 Gráfico de elevación

Área bajo la curva ROC

Ahora que el lector está familiarizado con la sensibilidad y la
especificidad, resulta más fácil comprender la curva ROC. La
curva ROC (características operativas del receptor) es un
gráfico entre la sensibilidad y la especificidad. Es una métrica
de evaluación del desempeño muy popular, ya que no tiene en
cuenta el cambio porcentual en las características de la
población, como era el caso del gráfico de elevación.
Normalmente, la sensibilidad y la especificidad son inversas
entre sí, obviamente ya que sensibilidad = 1 − especificidad. Al
determinar la sensibilidad y la especificidad a partir de la curva
ROC en el umbral, el usuario puede calcular el AUC (área bajo
la curva), que es simplemente la relación entre el área bajo la
curva y el área total. Los valores de AUC cercanos a 1 se
consideran buenos, mientras que los valores inferiores a 0,7
generalmente indican un modelo deficiente.

índice de Gini
Aunque se usa ampliamente para evaluar el desempeño del
modelo de árboles de decisión, el índice de Gini mide el área
entre la tasa de respuesta acumulada (usada para dibujar un
gráfico de elevación) y la línea ideal del modelo (un ángulo de
176Evaluación de resultados analíticos
45 grados). Sus valores oscilan entre 0 y 1. Nuevamente, un
valor cercano a 1 representa un buen modelo.

Validando los resultados de KNN

Para KNN, las medidas utilizadas para evaluar el rendimiento son
RMSE (error cuadrático medio), R 2 (R cuadrado) y error absoluto
medio. Además, ROC y AUC también se utilizan para determinar
la precisión de la predicción del modelo y determinar el valor
óptimo de K. Estas funciones están disponibles en R en los
paquetes mlbench y caret. Para la República de China, se
requieren probabilidades de clase. Para este propósito, se utiliza
la función twoClassSummary() que calcula el área bajo la curva
ROC para las dos clases presentes en el conjunto de datos.
También calcula la sensibilidad y la especificidad que pueden
usarse para la evaluación del desempeño. De forma
predeterminada, se utiliza la precisión (MAE) para calcular la K
óptima. Sin embargo, el usuario puede proporcionar ROC como
criterio de decisión de optimización a través de la función de
selección (). Estos conceptos se ilustran prácticamente en el
Capítulo 7.

Bases para elegir una herramienta analítica

A menudo, una cuestión importante para cualquier analista es
comprender por dónde empezar y cómo elegir una herramienta
analítica. El enfoque holístico seguido en este libro sugiere que
el usuario comprenda y defina minuciosamente el problema
empresarial y sólo entonces intente modelarlo. Cuando un
usuario define claramente el problema, la mitad de su confusión
se desvanece cuando tiene una idea de lo que se requiere del
análisis. Esto ayuda mucho a identificar la herramienta analítica
adecuada. La base para elegir una herramienta analítica depende
de algunos criterios, y en la Tabla 5.2 se presenta una lista
exhaustiva. A menudo, los analistas aplican muchas técnicas
analíticas adecuadas y luego identifican cuál sería la técnica más
adecuada para un problema empresarial determinado.
TABLA 5.2 Bases para elegir herramientas analíticas para problemas de
negocio
[Link]. Base Elección de herramienta analítica

1 Disponibilidad de Herramienta supervisada/no supervisada

datos etiquetados
 Evaluación de resultados analíticos 177
2 Propósito del Clasificación/agrupación/predicción/asociación
análisis
3 Conocimientos Plataforma analítica con interfaz de
técnicos usuario/plataformas que requieren
codificación
4 Presupuesto Software analítico propietario/acceso abierto
5 Consideraciones deExactitud, precisión, sensibilidad, etc.,
diseño requeridas
6 Tipo de datos Datos estructurados/no
estructurados/semiestructurados
7 Volumen y tasa de Herramientas de Big Data/algoritmos de
cambio de datos. rutina
8 Necesidad de Elección de plataformas para implementar una
integración de herramienta analítica
diferentes que admite múltiples plataformas como
plataformas datos web, bases de datos, datos de voz,
etc.
9 Disponibilidad de Elección de plataforma según el hardware,
recursos tipos de equipos, almacenamiento, etc.
requeridos
10 Presupuesto Elección de servicios analíticos de acceso
abierto o propietarios
Estos criterios no son exhaustivos. La tabla 5.2 es simplemente
una lista sugestiva de varios dilemas que enfrenta un usuario al
decidir sobre una plataforma analítica. También hay que tener
en cuenta que la elección de la herramienta también afecta a la
elección de la plataforma donde se implementará la herramienta.
Como se analizó en capítulos anteriores, varios productos de
software pagos y de acceso abierto ofrecen soporte para una
variedad de algoritmos analíticos. Por tanto, si el usuario no tiene
los conocimientos técnicos adecuados, entonces no tiene sentido
aplicar una herramienta de código abierto. Además, cuando los
datos están etiquetados adecuadamente, es posible aplicar
herramientas de aprendizaje supervisado como KNN, ANN, etc.,
mientras que en caso contrario se deben utilizar técnicas no
supervisadas. Además, si el volumen y la tasa de cambio de los
datos son muy altos, entonces se deben utilizar técnicas de
análisis de Big Data. A veces, la aplicación implica la integración
de datos de múltiples plataformas, como datos web, datos
históricos de bases de datos, datos de registro de llamadas, etc.,
todo lo cual debe ser compatible como interfaz con la plataforma
elegida. R y Python tienen capacidades de interfaz sólidas con
casi todos los tipos de fuentes de datos, y SAS también tiene
capacidades de interfaz sólidas, pero es un software pago. Si el
usuario está interesado en la aplicación del análisis de Big Data,
178Evaluación de resultados analíticos
entonces se requiere espacio de almacenamiento, hardware y
soporte de servidor adecuados. Además de esto, el software de
acceso abierto también plantea requisitos de instalación para el
dispositivo. Todo esto debe tenerse en cuenta para la
implementación precisa de la analítica.

Conclusión
Este capítulo enfatiza la necesidad de validar los resultados
analíticos. Presenta una discusión exhaustiva de varias técnicas
utilizadas para evaluar el desempeño de un modelo. Además, se
ha presentado una discusión sobre varios criterios de decisión
para elegir entre algoritmos analíticos. El mercado está inundado
de algoritmos analíticos, todos los cuales tienen sus áreas
específicas de aplicación y beneficios. Elegir uno de estos
modelos resulta tedioso para un usuario ingenuo. En este
contexto, el capítulo ofrece una manera de dotar al profano del
conocimiento para elegir entre diferentes algoritmos. Además, a
menos que una herramienta analítica proporcione el resultado
correcto, su resultado tiene poca importancia para quien toma
las decisiones. Por lo tanto, también es necesario realizar una
evaluación precisa del rendimiento del modelo.

Glosario
Precisión la proporción de predicciones totales precisas
realizadas por el algoritmo, a saber.
el número total de predicciones
La compacidad es una medida de la homogeneidad de un grupo
que es una evaluación de la similitud de los puntos de datos
que pertenecen a un grupo en particular.
La matriz de confusión es una matriz N × N que se utiliza para
representar la precisión del algoritmo de predicción, donde N
es el número de clases en el conjunto de datos utilizado para
el entrenamiento y la predicción.
La conectividad es una medida de la eficacia predictiva de la
agrupación, en el sentido de la eficacia con la que la
herramienta puede colocar un elemento de datos en el mismo
grupo que su vecino más cercano.
La validación externa del clúster implica la comparación de los
clústeres calculados con una referencia.
 Evaluación de resultados analíticos 179
El índice de Gini mide el área entre la tasa de respuesta
acumulada (utilizada para dibujar un gráfico de elevación) y
la línea del modelo ideal (ángulo de 45 grados)
Gráfico de elevación: una técnica gráfica para determinar qué
tan bien el modelo puede distinguir entre diferentes clases en
el conjunto de datos.
Error de clasificación errónea: el error cometido por los
algoritmos predictivos al predecir erróneamente que un
elemento de datos pertenece a una clase objetivo, donde su
clase real es diferente a la predicha.
Valor de predicción negativo la proporción de predicciones de
clase 2
La calificación NoInformation es un resultado de la
implementación de una matriz de confusión en R que
representa la proporción de la clase más grande presente en
el conjunto de datos.
El sobreajuste implica que el modelo ha tenido en cuenta todas
las características del conjunto de datos hasta tal punto que
ahora la generalización del modelo para otras muestras de
datos se vuelve difícil.
La regla de Pareto es la regla más utilizada para dividir el
conjunto de datos en datos de entrenamiento y de prueba,
en una proporción de 4:1, reservando el 80% para el
entrenamiento y el 20% para las pruebas.
Precisión de la proporción de predicciones de clase 1.
de la curva ROC para la curva de 'características operativas del
receptor', un gráfico entre la sensibilidad y la especificidad de
un algoritmo de clasificación
Sensibilidad la proporción de casos positivos reales predichos
(predicciones reales totales de clase 1, es decir,
observaciones totales de clase 1)
La separación es una medida de la heterogeneidad de un grupo
que es una evaluación de la distinción de los grupos entre sí.
Especificidad la proporción de casos negativos precisos
predichos (predicciones reales totales de clase 2, es decir,
observaciones totales de clase 2)

Material de revisión
1 Analice las tres razones que explican la necesidad de validar
los resultados analíticos.
2 ¿Qué es la regla de Pareto?
180Evaluación de resultados analíticos
3 Defina sobreajuste.
4 Analice la necesidad de dividir el conjunto de datos en datos
de entrenamiento y de prueba.
5 ¿Por qué el sobreajuste es un gran problema en el análisis de
datos?
6 Analice las dos formas en que los datos se pueden dividir en
R.
7 Enumere el propósito de la validación cruzada de datos.
8 ¿Qué es la validación cruzada k veces?
9 Explique en términos sencillos cómo funciona la validación
cruzada de datos.
10 Escriba código para implementar validación cruzada en R, con
y sin repeticiones.
11 ¿Cuál es el objetivo básico de la agrupación de K-medias?
12 Enumere los tres índices de agrupación y su propósito.
13 Definir compacidad.
14 Definir separación.
15 Definir conectividad.
16 Enumere los dos índices de agrupamiento más utilizados y
las funciones utilizadas para implementarlos en R.
17 Definir la validación externa del clúster.
18 ¿Cuál es el propósito del índice Rand corregido?
19 Definir matriz de confusión.
20 Enumere y explique las cinco métricas derivadas de la matriz
de confusión.
21 ¿Qué es la tarifa NoInformación?
22 Escriba el código para construir manualmente una matriz de
confusión en R.
23 ¿Qué paquete de R tiene incorporada la función de matriz de
confusión? ¿Cuáles son los resultados de esta función?
24 Definir error de clasificación errónea.
25 Escriba el código en R para calcular el error de clasificación
errónea.
26 Enumere los propósitos para los que sirve la tabla de
elevación. 27 ¿Qué se entiende por curva ROC?
28 ¿Cuál es el beneficio de utilizar la curva ROC?
29 ¿Cuál es la relación entre la República de China y las AUC?
30 Definir índice de Gini.
31 Analice las diferentes medidas utilizadas para validar KNN.
32 Enumere las diferentes bases utilizadas para la elección de
una herramienta y plataforma analítica.
 Evaluación de resultados analíticos 181
Ejercicios problemáticos
1 Para una clasificación de datos empresariales, el algoritmo
pudo clasificar 322 como de alto rendimiento (de los cuales
210 eran correctos) y 154 como de no rendimiento (81
clasificaciones correctas). Cree una matriz de confusión para
el escenario descrito.
2 A partir de la matriz de confusión creada en el Problema 1,
determine el error de clasificación errónea y las cinco
métricas utilizadas para evaluar el desempeño del modelo,
derivadas de la matriz de confusión. Comente sobre la
usabilidad del modelo para clasificación en el futuro.

Bibliografía
Bhattacharya, S. (6 de diciembre de 2018). Técnicas de evaluación de
modelos para modelos de clasificación . Obtenido en 2019, de
Towards Data Science: [Link]
tecnicas-de-evaluacion-para-la-clasificacion-mo dels-eac30092c38b
Cawley, GC y Talbot, NL (2010). Sobre el sobreajuste en la selección de
modelos y el posterior sesgo de selección en la evaluación del
desempeño. Revista de investigación sobre aprendizaje automático ,
2079–2107.
Charrad, M., Ghazzali, N., Boiteau, V. y Niknafs, A. (2014). NbClust: un
paquete de R para determinar el número relevante de grupos en un
conjunto de datos. Revista de software estadístico , 1–36.
Hombre de datos. (2018, 5 de diciembre). ¿Cómo determinar el mejor
modelo? Obtenido en febrero de 2019 de Towards Data Science:
[Link]
modelo-6b9c584d0db4
Fankhauser, D. (26 de junio de 2018). 4 aprendizajes clave sobre
análisis de recursos humanos de SHRM 2018 . Obtenido en 2019, de
Reflektive: [Link]/blog/hr-analytics-shrm/
Cassambra. (2018, 11 de marzo). Conceptos básicos de validación
cruzada en R. Obtenido en marzo de 2019, de Herramientas
estadísticas para análisis de datos de alto rendimiento:
[Link]/english/articles/38 regression-model-
validation/157-cross-validation-essentials-in-r/#k-fold-cross- validar
ción
Kodra, A. (26 de junio de 2019). Momento: animando recuerdos con
GIF inmersivos impulsados por aprendizaje automático móvil .
Obtenido en 2019, de HeartBeat: [Link]
animating-memories-with-immersive-gifs-powered-by-mobile-
machine-learning- 81ff52806ae3
Mutuvi, S. (16 de abril de 2019). Introducción a la evaluación de
modelos de aprendizaje automático . Obtenido en mayo de 2019 de
182Evaluación de resultados analíticos
HeartBeat: [Link]
learning-model- evaluación-fa859e1b2d7f
Nighania, K. (30 de diciembre de 2018). Varias formas de evaluar el
rendimiento de un modelo de aprendizaje automático . Obtenido en
octubre de 2019 de Towards Data Science:
[Link]
com/varias-formas-de-evaluar-el-rendimiento-de-modelos-de-
aprendizaje-automático-230449055f15
Ritchie, N. (2017). Evaluación de un modelo de clasificación . Obtenido
en 2019, de Machine Learning: [Link]/machine-
learning-ev aluate-classification-model/
Santafé, G., Inza, I. y Lozano, JA (2015). Tratar de la evaluación de
algoritmos de clasificación supervisados. Revisión de inteligencia
artificial , 467–508.
STHDA. (2016). Estadísticas de validación de agrupaciones: 4 cosas
vitales que todos deberían saber: aprendizaje automático no
supervisado . Obtenido en 2019, de Herramientas estadísticas para
análisis de datos de alto rendimiento: www.
[Link]/english/wiki/[Link]?id_contents=7 952#validación-de-
agrupación-externa
6
ANÁLISIS PREDICTIVO DE
RRHH EN
RECLUTAMIENTO Y SELECCIÓN

Después de leer este capítulo, los usuarios

podrán comprender los siguientes conceptos
clave:
• Repasar los conceptos básicos de reclutamiento y selección.
• Una ilustración práctica paso a paso de la aplicación del
análisis predictivo (enfoque holístico) a la selección
• Cómo instalar paquetes e importar conjuntos de datos
• Cómo normalizar un conjunto de datos mediante la
transformación min-max o la transformación z
• Cómo dividir un conjunto de datos en datos de entrenamiento
y prueba manualmente y usando la función Muestra
• Áreas de aplicación de la analítica a la contratación

Caso de apertura
Hay mucha información presente en los propios datos, pero sólo
la herramienta analítica adecuada puede discernirla y presentar
una visión significativa para la gestión. Las organizaciones, en
todas las áreas funcionales de gestión, están recopilando datos
voluminosos. Pero la pregunta es: ¿lo explotan para generar
conocimientos sin precedentes? Muchas empresas, a raíz de una
competencia cada vez mayor, han identificado la necesidad de
aplicar análisis a sus datos históricos (recopilados y almacenados
184Analítica en reclutamiento y selección
durante muchos años, pero rara vez extraídos). Una de esas
empresas de la industria química, Dow Chemical, ha comenzado
a aplicar análisis a sus datos históricos para la planificación de la
fuerza laboral. La empresa emplea a más de 40.000 empleados
y ha podido recopilar datos históricos masivos para todas sus
unidades de negocio. Aplica una técnica de clasificación para
hacer predicciones de las necesidades futuras de empleados en
diferentes puestos en cada una de sus unidades de negocio.
Utilizando una herramienta de modelado personalizada,
segmenta a sus empleados para cada unidad de negocio en
función de sus grupos de edad y niveles laborales. Se ha podido
generar cinco clases por grupos de edad y diez clases por niveles
laborales. Para cada una de estas clases, puede proyectar los
requisitos futuros de los empleados basándose en datos
históricos de personal, y la agregación de estos produce los
requisitos generales de fuerza laboral de la empresa. Estas
proyecciones de personal futuro le han ahorrado a la empresa
una gran cantidad de dinero, ya que la industria química tiene
ciclos económicos altamente dinámicos y fluctuantes. Además,
estos pronósticos permiten a la empresa planificar de manera
proactiva puestos de alto riesgo, como la planificación de
sucesión. Además, la empresa puede pronosticar las tasas de
promoción, las transferencias internas y la disponibilidad general
de mano de obra. Aplicando "¿y si?" Al planificar escenarios, la
empresa puede obtener información sobre el efecto en estos
pronósticos de fuerza laboral, en caso de que cambien factores
organizacionales internos, como ascensos de personal, o factores
ambientales externos, como consideraciones políticas. Con este
análisis de escenario, la empresa puede contratar personal
oportunamente en áreas clave de crecimiento o identificar áreas
de alto riesgo, que son aquellos empleados que tienen
conocimientos organizacionales clave y son vitales para su
funcionamiento. Por lo tanto, la aplicación de análisis a datos
históricos de recursos humanos puede permitir a las
organizaciones planificar proactivamente la fuerza laboral y
frenar el riesgo (Isson y Harriott, 2016; Way, 2017).

Introducción
Como destacó acertadamente John Spence, un destacado
consultor de gestión mundial, el éxito de una empresa está
 Analítica en reclutamiento y selección 185
directamente influenciado por la calidad de las personas que
contrata, capacita y retiene (Spence, 2015).
La gestión de recursos humanos abarca una variedad de
procesos que van desde el reclutamiento y la selección hasta la
separación de la empresa para gestionar estos recursos. Este
proceso también se ocupa de hacer coincidir los conocimientos,
habilidades y habilidades (KSA) de los candidatos con los
requeridos por el puesto en la organización. En los tiempos
actuales, los departamentos de gestión de recursos humanos se
enfrentan al desafío de justificar sus inversiones en capital
humano. Por lo tanto, los equipos de gestión de recursos
humanos deben idear formas de calcular y demostrar cómo las
funciones de recursos humanos contribuyen a los objetivos
estratégicos generales de la organización. Para ello, los
ejecutivos de recursos humanos (Cipolla, 2005) en el siglo XXI
no necesitan reducir el tamaño de sus departamentos, sino más
bien narrar una historia de éxito con cada inversión en capital
humano –y validar esa historia con números. Una forma de
hacerlo es medir el hROI, el retorno humano de la inversión, y
los expertos de la industria creen que una posible solución para
generar retornos garantizados es invertir en las personas
adecuadas (Pareek y Rao, 2003). Dado que no son las personas
los activos correctos de una empresa, son las personas
adecuadas los activos más importantes (Collins, 2001). Por lo
tanto, el proceso que encuentra y selecciona a las personas
adecuadas debe modelarse correctamente para garantizar que
sólo los mejores ingresen a la empresa para un puesto de
trabajo.
La pregunta es: ¿cómo define la organización quiénes son
estas personas adecuadas? La definición variará de una
organización a otra y de un puesto de trabajo a otro. Esto se debe
a que las funciones y responsabilidades varían según los
diferentes perfiles laborales y los perfiles laborales varían según
las organizaciones y la industria. Para la contratación y selección,
las "personas" pueden definirse en términos de sus KSA, rasgos
psicométricos, experiencias y perfiles laborales previos, etc. Pero
vale la pena reflexionar sobre cómo decidirá un gerente de
contratación qué definición cumpliría mejor el puesto de trabajo
en cuestión. Curiosamente, la analítica puede proporcionar una
solución. Al identificar a las personas que mejor se adaptan a un
perfil laboral particular entre los empleados existentes de la
empresa, se pueden construir perfiles de contratación futuros.
186Analítica en reclutamiento y selección
Sin embargo, la adopción de tal enfoque requeriría una
remodelación del proceso de reclutamiento y selección que se
lleva a cabo en la organización.
Muchos factores han llevado a redefinir el papel y la conducta
de los empleados en el lugar de trabajo y, en última instancia,
han cambiado la naturaleza de las prácticas de recursos
humanos. A menudo se dice con razón que los empleados de hoy
en día necesitan hacer un trabajo inteligente y duro para tener
éxito. La globalización ha llevado a una mayor competencia que
requiere empleados móviles (por ejemplo, aquellos que necesitan
trasladarse a otros países para trabajar) que piensen y actúen
con rapidez y sean más productivos incluso con bajos niveles de
seguridad laboral e ingresos. Cambios como el laboral también
han afectado el cambio en las habilidades requeridas de un
empleado. Por ejemplo, la mayoría de los trabajos actuales están
orientados a la tecnología. Las empresas utilizan en gran medida
conocimientos intensivos y los empleados trabajan con
maquinaria automatizada. Además de esto, existe una tendencia
creciente hacia la prestación de servicios en los que los
empleados desempeñan un papel frontal y necesitan tomar
medidas en el momento o afrontar la pérdida del consumidor. Por
lo tanto, para gestionar una naturaleza tan cambiante del
trabajo, es necesario gestionar a los empleados. Esto también
sugiere que las empresas (Dessler y Varkkey, 2008) hoy
necesitan prácticas sofisticadas de selección de recursos
humanos que se centren en adquirir empleados motivados, aptos
para sus trabajos y comprometidos con un mejor desempeño.
En primer lugar, recordemos los conceptos de reclutamiento y
selección y cómo se administraban convencionalmente en la
empresa. Tradicionalmente, las empresas seguían un proceso de
selección que requería mucho tiempo y capital y que no
garantizaba una adaptación perfecta para los empleados. Un
método convencional popular para la selección de candidatos,
según lo define Flippo (1984), implicaba los siguientes pasos:
entrevista inicial o preliminar, formularios de solicitud o
formularios en blanco, verificación de referencias, pruebas
psicológicas, entrevista de empleo, aprobación por parte del
supervisor, examen físico e inducción. u orientación. Este
enfoque tiene varias limitaciones. En primer lugar, no todos los
puestos de trabajo requieren un proceso de contratación tan
elaborado. En segundo lugar, cuando el número de candidatos a
contratar es grande, este proceso resultaría agotador y rentable,
 Analítica en reclutamiento y selección 187
y tampoco garantizaría la calidad (Dessler y Varkkey, 2008).
Mientras que antes los candidatos simplemente eran
seleccionados en función de su desempeño académico o
experiencias pasadas, lo que faltaba era si el empleado encajaría
o no en la organización y el trabajo. Este eslabón perdido fue un
motivo importante de preocupación para los empleados, ya que
conduce a una afluencia de personas con un desempeño en gran
medida deficiente en una empresa. Aunque estos malos
resultados satisficieron los criterios básicos de selección y
llenaron las vacantes en las empresas, no pudieron cumplir más
allá de las tareas asignadas. Hoy en día, las empresas buscan
contratar trabajadores apasionados que puedan agregar valor a
las tareas que se les asignan y sugerir formas de improvisarlas.
Para ello, el proceso de selección requiere modificaciones para
dar cabida a este eslabón faltante. Con la llegada de la
tecnología, las empresas ahora buscan formas más efectivas de
acortar este proceso de contratación, sin reducir al mismo tiempo
su efectividad. Internet y los sistemas de automatización e
información están cambiando la forma en que se diseñaban los
procesos hasta ahora.
Ante esto, se discuten algunos desafíos que el proceso de
selección debe enfrentar y, por lo tanto, adaptarse. El principal
desafío está relacionado con el concepto de flexibilidad. Esto
implica que los empleados ahora permanecen en una empresa
por períodos más cortos, mientras que se les exigirá más
producción y desempeño. Además, los dispositivos de selección
también deberían abordar adecuadamente las diferencias
individuales. Además de esto, se ve que en los tiempos
actuales, tanto el empleador como el empleado pueden
rescindir el contrato de trabajo en cualquier momento, por lo
que el proceso de selección debe modelarse en consecuencia
para abordar todas estas cuestiones y decidir la herramienta de
selección adecuada (Beardwell y Holden, 1994) (Chaudhary,
Rangnekar y Barua, 2012). Las organizaciones líderes a nivel
mundial ahora utilizan criterios de contratación más amplios,
incluidos insumos ambientales externos, adaptando el proceso
de contratación a las necesidades cambiantes del entorno. Por
ejemplo, Google, que inicialmente utilizaba solo GPA (promedio
de calificaciones) para contratar candidatos, utilizó análisis para
redefinir sus criterios de contratación (Anderson, 2014). IBM
(International Business Machines) va más allá de las pruebas
psicológicas tradicionales y busca candidatos con capacidad de
188Analítica en reclutamiento y selección
juicio situacional y evaluación del pensamiento (Lightfoot,
2007).

Enfoque holístico: modelado predictivo de

selección
Habiendo comprendido los conceptos básicos del reclutamiento y
la selección, y cómo los procesos están cambiando en estos
tiempos dinámicos, la siguiente discusión presenta una
ilustración de la aplicación práctica del análisis predictivo al
problema de la selección en las organizaciones de TI de la
industria de TI de la India. Esta sección analiza en pasos cómo
implementar un enfoque holístico para aplicar análisis predictivo
en RRHH.

Paso 1: identificación del problema

Muchos hechos y cifras han llevado a definir este problema
empresarial: el proceso de selección necesita remodelarse y
hacerse predictivo, de modo que las empresas puedan contratar
a las personas adecuadas para los puestos adecuados en el
momento adecuado. La discusión se basa en las estadísticas de
la industria de TI de la India, específicamente de las industrias
de TI de nivel 1 (que tienen ingresos anuales superiores a 1
millón de INR y emplean a más de 50.000 empleados). Se ha
visto que las malas prácticas de selección, sin asegurar un
adecuado encaje del candidato para el puesto contratado,
conducen a altas tasas de rotación. Esto es especialmente
pertinente para los nuevos empleados, en su primer año de
contratación en la industria de TI de la India (Bhatnagar, 2007),
así como para los empleados con experiencia y de nivel superior.
Como sugieren las cifras, la industria de TI de la India sufre altas
tasas de rotación voluntaria, que fluctúan entre el 17% y el 20%
anual (PTI, 2018) (Basu y Sarkar, 2019). La rotación voluntaria
se refiere a los empleados que abandonan voluntariamente la
empresa, sin incluir los despidos realizados por la empresa. En
segundo lugar, las estadísticas también sugieren que la India es
un importante centro global de subcontratación para el sector de
TI, en gran medida debido a la disponibilidad de trabajadores
calificados de habla inglesa. Sin embargo, aunque anualmente se
acumulan nuevos talentos sustanciales en el campo de la
tecnología de la información en la industria (la tasa de
 Analítica en reclutamiento y selección 189
crecimiento anual compuesta para los graduados en TI de la India
entre 2008 y 2015 fue del 9,4 por ciento), las empresas de TI se
muestran reacias a aprovechar este grupo de talentos debido a
preocupaciones sobre la calidad y problemas de retención (
Informe Sectorial, 2016) (PTI, 2018). Una vez más, si la
contratación se realiza correctamente, los problemas de calidad
pueden gestionarse y solucionarse "en el origen" (en el momento
de la selección). Esto define el problema empresarial que las
empresas necesitan para remodelar su proceso de selección de
candidatos, tanto para frenar la rotación (el resultado extremo
de una mala contratación) como para gestionar los problemas de
calidad (el resultado inmediato de la contratación). Cuando las
organizaciones planifican estratégicamente y utilizan análisis
adecuados, pueden mejorar la eficacia de sus procesos de
gestión de recursos humanos (Elkjaer y Filmer, 2015).

Paso 2: modela el problema

Ahora que el lector puede comprender el problema empresarial y
también las limitaciones del proceso tradicional de contratación
y selección llevado a cabo en las organizaciones, se presentará
una ilustración del uso de modelos predictivos para la
contratación eficaz de personas.
Para predecir a quién seleccionar para gestionar los
problemas de calidad y los problemas de rotación, el objetivo del
modelo predictivo es seleccionar a los candidatos de tal manera
que los problemas de rotación y calidad se puedan gestionar
adecuadamente. Pero primero, la pregunta que hay que
responder es: ¿qué candidatos para qué puesto? Dado que las
funciones y responsabilidades laborales varían según los puestos
laborales, una solución generalizada para la selección no sería
factible. Por lo tanto, para este ejemplo, se considerarán tres
puestos diferentes de ingenieros de software en empresas indias
de TI de nivel 1. Es decir, se desarrollarán modelos predictivos
de selección para los tres primeros puestos de ingenieros de
software.
Ahora el lector debe recordar que para desarrollar un modelo
predictivo, es necesario aplicar el marco teórico, la experiencia
(si la hay) y el enfoque de proceso/visión de sistemas. El lector
debe comenzar respondiendo las dos preguntas siguientes.

1 En primer lugar, ¿quién será una buena contratación

para las empresas de TI?
190Analítica en reclutamiento y selección
• El sentido común sugiere que las características de los
empleados con desempeño exitoso en el grupo de
empleados existente de la empresa en cada puesto de
ingenieros de software servirían como una buena
respuesta a esta pregunta. Ahora los artistas exitosos
pueden identificarse por sus clasificaciones de desempeño
(realizadas al menos una vez al año por todas las
organizaciones de TI de primer nivel de la India), su
experiencia total en la industria, sus calificaciones
anteriores e indicadores de desempeño adicionales como
patentes, contribuciones, etc.
• Además, si lo respaldamos con un marco teórico, los
trabajadores exitosos también difieren en sus actitudes
laborales. Por lo tanto, siguiendo la revisión de la
literatura, aquellos empleados que están satisfechos con
su trabajo pueden considerarse buenos contratados, ya
que la satisfacción laboral predice aún más muchos
resultados laborales .
2 En segundo lugar, ¿cómo se puede garantizar que
estos buenos empleados no abandonen la empresa en
breve?
• Si bien se tiene en cuenta el entorno empresarial actual,
no se puede garantizar que los empleados sigan
permaneciendo en una empresa hasta su jubilación, pero
las empresas deberían contratarlos de tal manera que
permanezcan durante
un período sustancial para que una empresa pueda
aprovechar al máximo su talento. Por lo tanto, las
empresas necesitan monitorear continuamente la
satisfacción laboral de los empleados como una buena
práctica para retener a los empleados.
Entonces, con base en esta discusión, el lector puede concluir
que para construir el modelo predictivo para la selección, el
objetivo es determinar primero cómo identificar a los empleados
exitosos entre los empleados existentes. Esto se puede hacer
clasificando el grupo de empleados existente en cada puesto en
empleados 'buenos' y 'malos', según el rango de valores de las
variables objetivo identificadas anteriormente. Luego utilice esta
clasificación para predecir quién tendrá un desempeño exitoso
entre el grupo de candidatos que han solicitado el proceso de
contratación para un puesto en particular.
 Analítica en reclutamiento y selección 191
Para cada uno de los tres niveles, los datos sobre estas
variables objetivo se medirán de los empleados existentes para
entrenar el modelo predictivo, de modo que aprenda los criterios
para clasificar una buena y una mala contratación.

3 Ahora la pregunta es cómo predecir estas variables

objetivo para el grupo de candidatos que solicitan el
puesto y, por lo tanto, hacer que este modelo sea más
sólido.
• Es comprensible que, en el caso de los nuevos solicitantes,
no se puedan evaluar las actitudes y los resultados
laborales. Pero esa es la razón principal para aplicar
análisis predictivos de recursos humanos: estamos
prediciendo estos resultados para sugerir si el solicitante
tendrá un buen o mal desempeño en el futuro. Por lo
tanto, como analista de [Link]., es necesario repensar
formas, a través de la experiencia, el conocimiento o las
teorías, en las que se pueda mejorar este modelo
predictivo. Por lo tanto, el lector debe determinar qué
puede predecir estas variables objetivo, es decir, la
satisfacción laboral, la clasificación de desempeño y las
calificaciones.
• Recordemos que, basándose en la experiencia,
tradicionalmente las selecciones se han hecho basándose
en rasgos psicométricos. Considere si estos rasgos
psicométricos (diferencias individuales) afectan los
resultados laborales de un individuo. si la respuesta

Classify ‘Good and

Bad' performers from Predict ‘Who’ will be a
the existing employee good performer based
pool at each position on identified classes

FIGURA 6.1 Qué se espera que haga el modelo predictivo de

selección
192Analítica en reclutamiento y selección
Si es así, entonces estos también deben incluirse en el
modelo. Las teorías sobre las diferencias y actitudes
individuales (Cooper, 2010; Judge y KammeyerMueller,
2012) sugieren que los individuos varían significativamente
en su comportamiento como resultado de la variación en sus
rasgos (Cooper, 2010). Los investigadores que estudian el
comportamiento organizacional a menudo consideran la
medición de las diferencias individuales entre los empleados,
ya que predicen muchos resultados laborales (Cooper, 2010),
como los niveles de satisfacción y desempeño laboral (Judge
y Bono, 2001) y los comportamientos laborales. En resumen,
la variabilidad en las actitudes laborales puede explicarse a
través de diferencias individuales, que a su vez conducen a
diferencias de comportamiento; por lo tanto, las diferencias
individuales también deberían incluirse en el modelo
predictivo.
• Nuevamente, a partir de la experiencia, la discusión con
los gerentes de recursos humanos y la revisión de la
literatura sobre las diferencias individuales, se podrían
enumerar las diferencias individuales que actualmente
utilizan los empleadores de TI de nivel 1 para la
contratación. Una buena fuente de datos para este tipo de
reclutamiento son los artículos de revistas importantes
que presentan debates con gerentes de recursos humanos
de empresas de TI sobre selección y contratación. A
continuación se presentan algunos de los hallazgos
basados en extractos de dichos artículos. Empresas
líderes como Wipro, TCS, HCL, Infosys, etc., están
buscando varias características nuevas en sus empleados
(Phillips, 2015). En lugar de depender únicamente de
pruebas psicométricas como MBTI, que evalúan la
personalidad, las empresas de TI ahora están avanzando
hacia el análisis de talento, mediante el cual intentan
identificar los rasgos clave que poseen los mejores
empleados y luego buscan los mismos en los reclutas. El
liderazgo, la resiliencia y el desapego son algunos de los
rasgos clave deseados por los empleadores en la industria
de TI, debido al rápido ritmo de cambio en el sector, que
requiere que los empleados asuman riesgos y se adapten
al cambio. Deloitte y KPMG buscan habilidades analíticas
y de evaluación, mientras que PwC prueba habilidades de
razonamiento y juicio situacional. Las empresas líderes de
 Analítica en reclutamiento y selección 193
TI buscan habilidades lógicas, de razonamiento,
lingüísticas y analíticas, de resolución de problemas,
aptitudes cuantitativas y habilidades generales en
informática y programación (Wadhwa, DeVitton y Gereffi,
2008). Además, dado que ninguno de estos es un buen
indicador de la capacidad lógica, la capacidad para
trabajar bajo presión, la inteligencia emocional y varias
otras habilidades sociales como el liderazgo, la
comunicación y la toma de decisiones, que los
reclutadores consideran antes de contratar, implican más
énfasis en el camino recorrido para alcanzar el título
(actividades extracurriculares) o habilidades sociales
(Lightfoot, 2007). Google busca cinco atributos clave que
un candidato debe poseer para ser contratado (Vincent,
2014; Anderson, 2014): capacidad de aprendizaje,
liderazgo emergente, humildad, humildad intelectual y
buenas calificaciones. Facebook busca conductas
proactivas, trabajo en equipo, autonomía y
automotivación, además de habilidades de liderazgo.
Apple contrata empleados que sean hospitalarios,
agradables, humildes y que puedan conectarse con la
gente. Otros rasgos clave que estas empresas líderes
demandan son la resiliencia, la adaptabilidad y la
comunicación (McGraw, 2015). Con base en esta revisión,
los lectores pueden comprender bien el uso y la
importancia de la inclusión de diferencias individuales.
en el proceso de selección de ingenieros de software TI.
Ahora, basándose en la disponibilidad de datos históricos
sobre dichos rasgos y la posibilidad de evaluar estos datos
mediante encuestas, se pueden preseleccionar los rasgos
que se utilizarán en la selección. A modo de ilustración en
este capítulo, los rasgos preseleccionados son integridad,
humildad intelectual, resiliencia, autoestima, autoeficacia
y personalidad.
Por lo tanto, para mejorar el modelo predictivo para la
selección de nuevos solicitantes, agregamos un paso que predice
las variables objetivo en función de los rasgos mencionados
anteriormente y luego utiliza estas relaciones para clasificar al
solicitante como buena o mala contratación.
Resumiendo la discusión anterior en términos simples, para
construir el modelo predictivo para la selección, primero mida los
194Analítica en reclutamiento y selección
datos sobre los rasgos individuales y las variables objetivo
mencionadas, para los grupos de empleados existentes en cada
uno de los tres puestos, y luego aplique la clasificación para
etiquetarlos como buenos o buenos. malos intérpretes. Esta
clasificación se utilizaría más adelante para la predicción. Luego,
para los nuevos solicitantes, evalúe los datos sobre los rasgos
individuales y prediga los valores de las variables objetivo para
clasificar a cada solicitante como de buen o mal desempeño en
el futuro. Aplicando el enfoque de vista/proceso del sistema a
estos entendimientos, se puede resumir para generar
clasificación (Tabla 6.1).
La aplicación del enfoque de vista/proceso del sistema a los
datos de nuevos solicitantes se parece a lo que se ve en la Tabla
6.2.
Vale la pena mencionar aquí que al desarrollar un modelo
predictivo, el analista o el gerente también pueden determinar
las fuentes de datos. Por ejemplo, una gran empresa dispone de
muchos de los datos necesarios para desarrollar un modelo
predictivo de selección, como los datos sobre la mayoría de las
actitudes laborales como parte de las encuestas de salud
organizacional. De lo contrario, estos datos se pueden recopilar
administrando un

TABLA 6.1 Resumen basado en la visión del sistema/enfoque de proceso

Aporte Transformación Producción

• Integridad determinar la Clasificar como bueno

combinación o malo
• Humildad de valores de variables intérprete basado en
intelectual de entrada un rango
• Autoestima para cada clase de de valores de
producción variables objetivo
• Autoeficacia variables: satisfacción
laboral,
• Personalidad de los calificaciones,
Cinco Grandes desempeño
• Resiliencia clasificación

TABLA 6.2 Aplicación del enfoque de vista/proceso del sistema a los

datos para nuevos solicitantes
Aporte Transformación Producción

• Integridad determinar la combinación Utilice los valores

predichos de
 Analítica en reclutamiento y selección 195
• Humildad intelectual de valores de variables variables objetivo
de entrada para clasificar
• Autoestima para predecir los valores solicitante como
del objetivo bueno o malo
• Autoeficacia variables intérprete en el
• Personalidad de los futuro
cinco grandes
• Resiliencia
encuesta basada en cuestionarios. Los cuestionarios
estandarizados para todos los rasgos discutidos aquí están
disponibles en Internet para acceso abierto. Algunas otras
variables demográficas incluidas en el trabajo de análisis son el
género y el estado civil.

Paso 3: seleccionar la herramienta

Al desarrollar un modelo predictivo para el problema empresarial,
se obtiene claridad sobre lo que se debe hacer para aplicar la
predicción a los datos recopilados. Como ocurre con el desarrollo
de un modelo predictivo para la selección, el lector comprende
que el modelo necesita clasificar. Recordando las técnicas de
clasificación presentadas en los capítulos anteriores, la mayoría
de las técnicas encajarían aquí, a saber. regresión, árboles de
decisión y redes neuronales artificiales (RNA). A modo de
ilustración en este capítulo, ANN se aplicaría utilizando el paquete
neuralnet en el software R. Para simplificar la ilustración,
utilizaremos la variable de salida satisfacción laboral como
variable objetivo para clasificar a los trabajadores de la empresa
y utilizaremos todas las variables de entrada, incluidos género,
estado civil, clasificación de desempeño y calificaciones, para
predecir esta variable objetivo.

Paso 4: aplicar la herramienta

Para la aplicación de la herramienta se ha utilizado la Versión
3.2.6 de RStudio. Este software se puede descargar fácilmente
desde el sitio web [Link], que aloja la última versión y se
recomienda según el sistema operativo (Windows o Mac OS) del
dispositivo. En el Capítulo 5 se presenta una breve descripción
general de RStudio y, para obtener más detalles, los usuarios
pueden consultar las referencias enumeradas al final de este
capítulo para obtener más información. El conjunto de datos
utilizado para el análisis está disponible con el libro. El conjunto
196Analítica en reclutamiento y selección
de datos es una hoja de cálculo de Excel titulada "Selección".
Tenga en cuenta que todos los conjuntos de datos y scripts R
utilizados a lo largo del libro se adjuntan como referencia en los
apéndices disponibles en el sitio de eResource. El paquete R
utilizado para implementar ANN es el paquete neuralnet. Otros
dos paquetes disponibles en R y populares para implementar
ANN son nnet y AMORE (Gunther y Fritsch, 2010 ).
El paquete Neuralnet (nnet) es comparativamente más flexible
ya que permite la personalización de algunos parámetros y el
paquete contiene funciones incorporadas para ver los resultados
de la implementación de ANN.

Acerca del paquete neuralnet en R

El modelo ANN utilizado en el paquete neuralnet es el perceptrón
multicapa, que es uno de los modelos de ANN más utilizados en
todo diseño de software. La representación es la misma que se
ilustra en la sección del capítulo sobre RNA, de modo que hay
tres capas: capa de entrada, capa oculta y capa de salida. El
paquete Neuralnet ofrece flexibilidad para cambiar entre tres
algoritmos para la implementación de ANN: retropropagación,
retropropagación resiliente y sin retroceso de peso. Depende de
otros dos paquetes R, MASS y grid. La función neuralnet toma
los siguientes argumentos (Gunther y Fritsch, 2010, p. 33):

• Fórmula: especifica la descripción del modelo ANN.

• Datos: especifica el marco de datos en el que se aplicará
ANN.
• Oculto: representa el número de capas ocultas que se
utilizarán en el modelo ANN. El valor predeterminado está
establecido en uno. Para proporcionar múltiples capas
ocultas, se debe proporcionar c(#capas, #nodos en cada
capa) en el argumento 'oculto'. Por ejemplo, c oculta (2,1)
implica dos capas con un nodo cada una.
• Umbral: especifica la derivada parcial mínima del término de
error que se utilizará para hacer converger las iteraciones del
proceso analítico.
• Rep: número de veces que se debe repetir el entrenamiento.
• Algoritmo: el valor predeterminado es rprop+
(retropropagación resistente con peso).
• [Link]: cómo calcular el error, utilizando errores 'ce -
entropía cruzada' o 'sse - suma de cuadrados'.
 Analítica en reclutamiento y selección 197
• [Link]: cuando se establece en verdadero, aplica la
función de activación. De lo contrario, configúrelo en FALSO.
Cuando la salida es categórica, configúrela en VERDADERO y
viceversa.

Para modelar la red con las variables del análisis se utiliza la

siguiente estructura:

Neuralnet (salida ~ Entrada1 + Entrada2 + Entrada3 +. . .

. ., datos=nombre del conjunto de datos, oculto = # de
nodos ocultos, [Link] = “especificar cualquiera entre
comillas”, [Link] = FALSO)

A continuación se presenta una ilustración paso a paso con

capturas de pantalla de la carga del conjunto de datos y la
implementación e interpretación de ANN en R (Figuras 6.2 a
6.10).

1 Abra RStudio. Abra un nuevo script desde la esquina extrema

izquierda de la cinta superior. Haga clic en R script y se abrirá
una nueva ventana en la parte superior izquierda de RStudio.
2 Ahora importe el conjunto de datos 'Selección' desde la
ubicación donde lo almacenó en su dispositivo. Para esto,
haga clic en la pestaña Importar conjunto de datos desde el
entorno global en RStudio y seleccione Desde Excel, ya que
nuestro conjunto de datos es un archivo de Excel.
3 Esto abrirá una nueva ventana. En esto, busque la ubicación
donde se guardó el conjunto de datos. Selecciónelo, la 'hoja'
en el panel inferior de esta ventana 'Importar datos de Excel'
está seleccionada de forma predeterminada. Dado que
nuestra hoja de Excel tiene solo una hoja de trabajo,
manténgala como predeterminada. También se genera una
vista previa del conjunto de datos. Luego haga clic en el botón
Importar.
198Analítica en reclutamiento y selección

FIGURA 6.2 Abrir un nuevo script R

FIGURA 6.3 Importación de un conjunto de datos en R

4 Para que no necesite repetir el uso del nombre del conjunto

de datos para todas las operaciones o buscar columnas
específicas, simplemente escriba y ejecute el comando
adjuntar (nombre del conjunto de datos). Esto lo adjuntará al
entorno global de modo que el usuario no necesite consultar
el nombre del conjunto de datos repetidamente. Para
ejecutar, seleccione la línea de comando específica y haga clic
en Ejecutar. Recuerde escribir aquí el nombre del conjunto de
 Analítica en reclutamiento y selección 199
datos como 'Selección', inicial en mayúscula, ya que R
distingue entre mayúsculas y minúsculas.

FIGURA 6.4 Importación de una vista previa del conjunto de datos

FIGURA 6.5 Adjuntar un conjunto de datos al Medio Ambiente Global

5 Ahora, el lector necesita instalar y utilizar el paquete

neuralnet. Todos los paquetes de RStudio, como se analiza
en el Capítulo 5, aparecen en la pestaña Paquetes. Sin
embargo, sólo puede utilizar aquellos paquetes que se hayan
200Analítica en reclutamiento y selección
marcado en la pestaña Paquetes. Busque el nombre del
paquete y luego verifíquelo como se muestra, o simplemente
escriba biblioteca (neuralnet) y ejecute este comando.

FIGURA 6.6 Uso de la pestaña Paquetes

FIGURA 6.7 Normalización del conjunto de datos

En caso de que el paquete que necesita no esté disponible en la

pestaña Paquetes, simplemente escriba
[Link](“neuralnet”) y ejecútelo. Esto simplemente
 Analítica en reclutamiento y selección 201
buscará el paquete de los sitios web compatibles con la
comunidad en R y lo instalará en el dispositivo.
6 Después de esto, debes trabajar en el conjunto de datos. Para
mejorar la precisión predictiva de R, es mejor normalizar el
conjunto de datos para que todos los valores extremos en el

FIGURA 6.8 Visualización de salida del modelo nn

FIGURA 6.9 Vista de pesos de red generalizados

conjunto de datos se resuelven. Se encuentran disponibles

varios métodos numéricos para normalizar datos, pero los
más utilizados son la normalización mínima-máxima y la
202Analítica en reclutamiento y selección
aplicación de la transformación Z. La fórmula utilizada para
cada uno es la siguiente:
Para normalización mín-máx = (X−min(X)) / (max(X)−min(X))
Para transformación z = (X−media(X)) / sd(X), donde sd
implica desviación estándar

FIGURA 6.10 TRAZADO DEL MODELO NEURAL

El escalado incorporado en R no permite ninguna de estas

normalizaciones, por lo que se presenta el código para ayudar
a los usuarios a calcular los valores de normalización mínimo-
máximo para cada variable en el conjunto de datos y escalarlo
entre 0 y 1.

#normalizar datos normalizar función(x){

return ((x-min(x))/(max(x)-min(x)))
} maxmindf [Link] (laplicar(Selección,
normalizar))

Aquí la función toma x como entrada y devuelve el valor después

de aplicarle la normalización min-max. Estos valores
devueltos se almacenan temporalmente en "normalización".
Ahora la función lapply toma el conjunto de datos de
selección, le aplica la normalización y devuelve los valores
como una lista, y [Link] replicará la estructura del
conjunto de datos de selección y almacenará estos valores en
otro conjunto de datos llamado maxmindf que tiene un marco
de datos similar al de la selección. conjunto de datos. Por lo
 Analítica en reclutamiento y selección 203
tanto, para solicitar la normalización del conjunto de datos,
escriba el conjunto de comandos en un script y ejecútelo.
También puede ver el nuevo conjunto de datos escalado
maxmindf escribiendo el comando Ver (maxmindf) y
ejecutándolo.
7 Como es habitual en los algoritmos analíticos avanzados, es
necesario dividir los datos en conjuntos de datos de prueba y
de entrenamiento. Para ello se ha utilizado la regla 80:20 de
Pareto para dividir los datos. Si el usuario ya conoce la
cantidad de puntos de datos en un conjunto de datos, al
calcular manualmente el 80% y el 20% del conjunto de datos,
se puede usar el siguiente código para dividir el conjunto de
datos. Dado que el conjunto de datos de selección tiene 581
puntos, 465 y 116 forman el 80 y el 20 por ciento de los
datos, respectivamente.
conjunto de trenes maxmindf[1:465,]
conjunto de pruebas
maxmindf[466:581,]

En el código anterior, el conjunto de trenes contiene las filas 1 a

465 del conjunto de datos maxmindf (la versión normalizada
de la selección), mientras que el conjunto de pruebas
contiene aproximadamente 115 filas restantes. Dejar un
espacio después de la coma en la especificación de función
anterior implica incluir todas las columnas del conjunto de
datos. Una forma alternativa de dividir los datos en 80:20 sin
necesidad de cálculo manual es mediante la función Muestra
en RStudio. El código para dividir es el siguiente:

Nuevo muestra (2, nrow(maxmindf), reemplazar=TRUE,

prob = c(0.8, 0.2))
Traindata maxmindf [Nuevo==1,]
Datos de prueba maxmindf [Nuevo==2,]

Aquí, la función Muestra toma los argumentos (x, tamaño,

reemplazo, probabilidad). La función selecciona una muestra
del tamaño mencionado, cuyos valores se seleccionan del
primer argumento (puede ser una lista, un vector, etc.). El
argumento de probabilidad especifica cuántas veces se debe
204Analítica en reclutamiento y selección
seleccionar un elemento determinado de la muestra. En el
caso anterior, la muestra contendrá 1 o 2, el tamaño de toda
la muestra es igual al tamaño del conjunto de datos maxmindf
y la muestra incluirá el 80% de los 1 y el 20% de los 2. Luego,
se creará un nuevo conjunto de datos Traindata que contiene
todos los elementos del conjunto de datos maxmindf, con
números de índice similares al número de índice del conjunto
de datos 'Nuevo', siempre que contenga 1 y Testdata donde
Nuevo contenga 0.
8 El siguiente paso es construir la red neuronal utilizando el
conjunto de datos de entrenamiento. Para esto, primero llame
al paquete neuralnet y luego cree el modelo usando el
siguiente código:

#Construir biblioteca de modelos de

redes neuronales (neuralnet)
nn <- neuralnet (Satisfacción laboral ~ Matrimonio +
Género + Integridad + Eficacia + Estima + Humildad +
Resiliencia + Extrovertido + Emociones + Apertura +
Conciencia + Agradable + Rendimiento + Calificaciones,
datos = conjunto de trenes, oculto = c (2,1), lineal.
salida=FALSO) nn$[Link] plot(nn)

En el código anterior, neuralnet toma como argumentos la

satisfacción laboral, que es la variable predictiva de nuestro
trabajo, y el matrimonio, el género, la integridad, la eficacia,
la estima, etc., que son las variables independientes; El
conjunto de datos se especifica mediante el argumento de
datos y se utilizan varias capas ocultas mediante el
argumento oculto. Hidden=c(2,1) implica la creación de dos
capas ocultas que contienen un nodo cada una. [Link]
se establece en False para variables categóricas, mientras
que si se establece en TRUE se aplica la función de activación
en la salida generada.
La salida del modelo de red neuronal se almacena en 'nn'.
Contiene los siguientes detalles:

[Link] – la salida de la variable dependiente para cada

registro en el conjunto de datos, calculada mediante la
aplicación de ponderaciones ANN – lista de ponderaciones
 Analítica en reclutamiento y selección 205
ajustadas a la red para cada iteración del modelo
[Link] – lista de ponderaciones generalizadas
ajustadas a la red [Link]: resultado final resumido,
que contiene umbrales, pasos o iteraciones para la
convergencia de la solución, que se muestra para cada
replicación (cada columna)

Las salidas de nn$[Link] se muestran en la Figura 6.8

correspondiente, se pueden ver en la consola. Representa el
error mínimo alcanzado para la convergencia, el número de
pasos necesarios para converger, los pesos de las variables a
los nodos ocultos para cada capa oculta en la red. Como
muestra el modelo, los pesos oscilan entre −6,33 y 9,67. Por
ejemplo, la intersección con la primera neurona de la primera
capa oculta es −6,34 y los pesos que conducen a la primera
neurona para las covariables matrimonio, género y eficacia
son −0,13, 0,71 y −4,3, respectivamente.
Para análisis adicionales, también se muestran los pesos
generalizados para cada covariable, y se puede analizar para
ver si la variable tiene un efecto lineal. Si la varianza en las
ponderaciones es pequeña, implica un efecto lineal (Intrator
e Intrator, 2001). Como se muestra en la Figura 6.9, para
cada covariable del estudio, se muestran los primeros pesos
generalizados, aquí [,1] [,2] y así sucesivamente, que
representan el matrimonio, el género, la integridad, etc.
RStudio también permite la visualización de resultados. El
resultado de trazar el modelo neuronal como se muestra en
la Figura 6.10 se puede ver en Gráficos en la pestaña inferior
derecha de RStudio. Puede extraerse como un archivo pdf,
como una imagen o simplemente copiarse en el portapapeles.
La trama simplemente representa la topología de la red, los pesos
sinápticos entrenados y la información básica como todas las
variables del estudio. Para ver los valores reales de
satisfacción laboral y los valores calculados, utilice el
siguiente código:
#Ver los valores reales de satisfacción laboral y calculados
utilizando la red neuronal simultáneamente fuera cbind
(Traindata$JobSatisfaction, nn$net. result[[1]])
dimnames(salida) lista(NULL, c(“Actual”, “Calculado”))
Ver (salida)
206Analítica en reclutamiento y selección
Paso 5: interpretar y validar los resultados
Una vez que el modelo se ajusta a los datos de entrenamiento,
debe probarse con datos de prueba. Para ello, primero se crea
un nuevo conjunto de datos temporal con todos los campos de
datos de prueba excepto la satisfacción laboral. Luego, utilizando
la función de cálculo de R, se aplica el siguiente código para
calcular la salida neuronal utilizando el modelo nn para el
conjunto de datos de prueba.

temp_test <- subset (Testdata, select = c(“Matrimonio”,

“Género”, “Integridad”, “Eficacia”, “Estima”, “Humildad”,
“Resiliencia”, “Extrovertido”, “Emociones”, “Apertura” ,
“Conciencia”, “Agradable”, “Rendimiento”,
“Calificaciones”)) head (temp_test)
[Link] <- calcular (nn, temp_test)

Para determinar la precisión de nn aplicado a los datos de

prueba, se puede generar una matriz de confusión.

#verificar precisión – resultados de la matriz de confusión

<- [Link] (actual=Testdata$JobSatisfaction,
predict=[Link]$[Link]) resultados roundedresults
<- sapply (resultados, redondo, dígitos=0)
roundedresultsdf=[Link](roundedresults ) pestaña
adjuntar(resultadosredondeadosdf) <-tabla(real,
predicción) tabla(real, predicción)

Esto representa la matriz de confusión como se muestra en la

Figura 6.11.
Como muestra la matriz de confusión, el porcentaje de
precisión es aproximadamente del 81% (calculado como la suma
de todas las predicciones correctas, aquí 39+62, dividida por el
número total de observaciones, aquí 125). Clasifica
erróneamente siete ceros como unos y siete unos como ceros.
 Analítica en reclutamiento y selección 207

FIGURA 6.11 Representación de una matriz de confusión

FIGURA 6.12 Visualización de error de clasificación errónea

Además, el usuario puede calcular el error de clasificación

errónea utilizando el siguiente código:

#error de clasificación errónea

1-suma(diag(tab))/suma(tab)
208Analítica en reclutamiento y selección
Paso 6: generar recomendaciones
Para generar recomendaciones, primero, el usuario debe
interpretar la contribución de las covariables a la predicción.
Dado que los pesos generalizados para todas las covariables se
encuentran dentro del mismo rango, todos contribuyen a la
predicción y, por tanto, desempeñan un papel importante en la
selección de candidatos. Además, la matriz de confusión muestra
que la precisión predictiva del modelo es alta ya que genera
pocos falsos negativos. Con un conjunto de datos más grande,
este número se puede reducir aún más y, utilizando datos de
prueba, se podrían hacer predicciones para entradas futuras. Por
lo tanto, para seleccionar un candidato, una organización puede
tomar información sobre todas las covariables mencionadas
anteriormente, introducirlas en este modelo abreviado nn y luego
generar un valor de salida para inferir cómo variarían sus niveles
de satisfacción laboral. Según el resultado, cuanto más se
acerque a 1 el valor de la satisfacción laboral prevista, mejor será
el candidato para la organización. De esta forma, la empresa
puede utilizar la predicción para la selección de candidatos.

Paso 7: opcional – perspectivas de futuro

Este es el paso final del enfoque holístico. En caso de que una
variable no muestre una fuerte contribución al resultado final,
entonces se debe ejecutar un nuevo modelo de red excluyendo
esa variable del modelo. Además, la organización también puede
incluir otras variables de predicción según corresponda a su
organización y a los puestos de trabajo que esté analizando. Los
usuarios también pueden agregar muchas capas ocultas y probar
una reducción en el error de clasificación errónea. La decisión
sobre el número de capas ocultas se realiza mediante el método
de prueba y prueba. Continúa variando las capas ocultas y la
cantidad de nodos en cada una, y luego decide cuál es la óptima
en función de la reducción del error de clasificación errónea.

Análisis predictivo en la contratación

El principal factor de cambio en el ámbito de la contratación en
el entorno empresarial actual es la llegada de Internet y los sitios
de redes sociales. La digitalización ha tenido consecuencias de
gran alcance para la contratación en las organizaciones. Muchos
sitios web ofrecen ahora la oportunidad a los candidatos de
 Analítica en reclutamiento y selección 209
registrarse y publicar sus currículums en el sitio web para que las
empresas que buscan contratar candidatos que posean ciertas
habilidades los recojan en el proceso de selección. Hoy en día,
muchos sitios web funcionan con este modelo de negocio y los
líderes son [Link], [Link], etc. Otros sitios web
profesionales permiten a los candidatos crear un perfil público y
mostrar sus habilidades y logros a posibles empleadores.
Además, estos sitios permiten a los candidatos construir sus
redes profesionales, lo que puede ayudarles en su progresión
profesional. Un sitio web líder en la India que presenta estas
características es LinkedIn. Las empresas también han admitido
haber buscado el perfil de un individuo en las redes sociales antes
de contratarlo para obtener una idea de su personalidad a través
de sus publicaciones, me gusta y aversiones en las redes
sociales. Todo ello ha cambiado por completo el escenario del
reclutamiento y la contratación en las organizaciones. Las
empresas han implementado sus motores de búsqueda web
automáticos que extraen currículums de dichos sitios web, que
contienen conjuntos de habilidades que se demandan para un
puesto de trabajo en particular en la empresa.
INSTANTÁNEA CORPORATIVA: ANÁLISIS
PREDICTIVOS EN LA PLANIFICACIÓN DE LA
FUERZA LABORAL

El análisis predictivo de recursos humanos ayuda a realizar

un análisis integral de la oferta de la fuerza laboral actual.
Puede ayudar a identificar brechas en la oferta actual de
empleados o indicar áreas probables de escasez futura. Por
lo general, inculca los siguientes pasos para implementar
análisis:

• Para cada función, para cada puesto de trabajo y rol,

especifique la plantilla y el género, tal vez a través de un
panel.
• Ahora categorice cada puesto de trabajo y función según
tantas variables como sea posible, como título del
trabajo, nivel del trabajo, educación, calificación de
desempeño, experiencia, género, grupo de edad, etc.
• A continuación, realice un análisis de las licencias por
tipos de licencias, tipos de funciones y puestos laborales
y ubicación; por ejemplo, bajas ocasionales por una
función laboral, un puesto de trabajo, una ubicación.
210Analítica en reclutamiento y selección
• Incluya variables ambientales externas, como
variaciones en la distancia de desplazamiento, para
informes tardíos.
• Realizar análisis adicionales basados en variables
similares sobre fuentes de contratación, tasas de
rotación y tasas de retención.
• Ahora concluya a partir de todo el análisis dónde pueden
ocurrir brechas de habilidades actuales o probables en
el futuro. Asimismo, deducir las fortalezas y debilidades
de la cadena de suministro actual.

Fuente: Isson y Harriott (2016)

La analítica de recursos humanos juega un papel clave en este

escenario. Las siguientes son algunas áreas importantes donde
el análisis predictivo puede tener un impacto en las prácticas de
contratación de recursos humanos:

1 Principalmente, el análisis predictivo ha tenido un impacto en

la mejora de la calidad del proceso de contratación. Como se
demuestra a través de un ejemplo práctico en este capítulo
de la sección anterior sobre la aplicación de la analítica en la
selección, las empresas ahora están obteniendo
conocimientos sin precedentes sobre la definición y
composición de un empleado exitoso en una empresa. Las
empresas recopilan una gran cantidad de datos sobre el
desgaste, el desempeño, el ausentismo, los niveles de
compromiso, los programas de capacitación y la
retroalimentación, todos los cuales pueden combinarse para
generar información significativa sobre un individuo de alto
desempeño en una organización. Esto puede formar la base
para contrataciones futuras, de modo que los análisis puedan
predecir si un empleado en particular tendrá un alto
desempeño o no. Además, las empresas pueden crear perfiles
y refinar descripciones de puestos para roles laborales
específicos, basándose en el análisis de candidatos de alto
desempeño, y la contratación futura puede basarse en estas
definiciones refinadas.
2 Además de esto, las empresas también pueden navegar por
Internet para extraer las ofertas de trabajo realizadas por
 Analítica en reclutamiento y selección 211
empresas competitivas. Esto puede permitirles comprender
el tipo de diversificación adoptada por las empresas
competidoras. Por ejemplo, ¿cuántas ofertas de trabajo
presentan las empresas competidoras para los puestos de
analistas de negocios? Responder estas preguntas basándose
en la analítica fortalecería los argumentos a favor de que una
empresa aborde la extrema necesidad de inculcar la analítica
en sus funciones comerciales. Por tanto, dicho análisis no sólo
justificaría las ofertas de empleo realizadas, sino que también
estaría en línea con la competencia.
3 Un área importante de la implementación de análisis en la
contratación es evaluar la eficacia y eficiencia de las fuentes
de contratación. Las empresas no contratan a través de un
único canal o fuente; más bien, primero crean un grupo de
candidatos que serán convocados al proceso de selección y
que luego serán evaluados y evaluados para la contratación
final. Para crear este grupo, las empresas basan sus
decisiones de contratación pasadas en un número mayor que
el número real de contrataciones y luego dividen este número
entre las fuentes de contrataciones disponibles. Por ejemplo,
si una empresa busca contratar 20 ingenieros de primer nivel,
a partir del análisis de datos anteriores decide crear un grupo
de 100 candidatos, de los cuales 20 serán finalmente
contratados. Ahora, para llamar a estos 100 candidatos, los
dividirá en fuentes de contratación, como 50 que serán
llamados de institutos de ingeniería, 20 de servicios de
reclutamiento de terceros, diez de referencias internas, diez
de evaluaciones de bolsas de trabajo y diez de sitios web.
Pero la pregunta es cómo decidirá la empresa dividir esto
entre varias fuentes. Analytics proporciona una solución a
esta situación. Los análisis permiten a las empresas analizar
la eficacia y eficiencia de estas fuentes, como clasificarlas en
función del desempeño de los candidatos contratados de cada
fuente, su permanencia y compromiso con la empresa, el
número de contrataciones de cada fuente, etc. Además, los
análisis también se pueden utilizar para eliminar fuentes que
albergan perfiles "malos", como aquellos con información
incompleta o engañosa, no auténticos o aquellos que resultan
ser malas contrataciones (bajo rendimiento o que abandonan
la empresa demasiado rápido).
4 Otro impacto importante es la velocidad de contratación. La
automatización y el análisis de texto son la clave para crear
212Analítica en reclutamiento y selección
este impacto. Dado que muchos candidatos ahora presentan
sus solicitudes en línea a través de sitios web profesionales o
solicitudes invitadas en línea por empresas a través de sus
portales web, el análisis de texto permite una rápida
evaluación de la información sobre estas solicitudes de
empleo entrantes. Esto permite eliminar todos los formularios
que no coincidan con los criterios de elegibilidad, contengan
información incompleta o no se ajusten al perfil laboral. Esto
acelera el proceso de contratación porque solo los candidatos
preseleccionados son llamados a un proceso adicional de
contratación, lo que ahorra tiempo y dinero a los
empleadores.
5 Los análisis también se pueden utilizar para evaluar los
niveles de habilidades, las brechas y, por lo tanto, la
necesidad de una probable contratación en los puestos de
trabajo. Un área emergente de análisis de recursos humanos,
análisis de interacciones o análisis de personas, analiza las
conversaciones de los empleados en las plataformas digitales
de la empresa. Esta área de análisis busca palabras clave
asociadas con la insatisfacción con el funcionamiento actual
de la empresa y, por lo tanto, evalúa cualquier deficiencia en
términos de mejora de habilidades o escasez de habilidades
en la empresa. Por ejemplo, los intercambios en el
departamento de TI de una empresa a menudo contenían
palabras como "no se puede realizar", "funcionamiento
lento", "sin asistencia", "necesidad de aprender",
"capacitación", etc. Implica que algunos trabajos en el
departamento de TI se están viendo afectados debido tal vez
a la introducción de software nuevo, con el que los empleados
no están familiarizados, o a la falta de software nuevo, de
modo que el software antiguo funciona con lentitud. Esto
predice una brecha de habilidades o una mejora de
habilidades o una falta de habilidades en el departamento de
TI. Luego, el departamento de recursos humanos puede
investigar para evaluar la situación real y planificar la
contratación o capacitación en consecuencia.
Además de implementar análisis, muchas empresas ahora
pueden predecir la probabilidad de que sus empleados
actuales abandonen la empresa. De esta manera, pueden
predecir la brecha de habilidades que probablemente ocurrirá
en el futuro y planificarla de manera proactiva. Por ejemplo,
Hewlett-Packard (HP) calcula una puntuación de riesgo de
 Analítica en reclutamiento y selección 213
fuga para cada uno de sus más de 30.000 empleados. Google
también predice que es probable que los candidatos
abandonen la empresa y, posteriormente, su éxito en otras
empresas (Way, 2017). Algunos de los parámetros utilizados
por dichos algoritmos predictivos pueden incluir variables
relacionadas con los empleados, como la antigüedad, el
ausentismo y las calificaciones de desempeño, y variables
relacionadas con la empresa, como la salud de la empresa,
las tasas de rotación , las fluctuaciones de las acciones y
variables externas como la salud económica, etc.
6 Otra área de aspiración en esta corriente de análisis es definir
el trabajo según las necesidades de las personas y no
encontrar personas que coincidan con las vacantes laborales.
La idea es aplicar análisis para comprender dinámicamente
las elecciones profesionales de las personas y sugerirles
trayectorias profesionales a seguir. Esto solo es posible
cuando los análisis pueden evaluar las habilidades reales de
los empleados y sus elecciones, pasiones e intereses, y luego
generar recomendaciones individualizadas para que los
empleados estén capacitados y empoderados para alcanzar
su máximo potencial.
INSTANTÁNEA CORPORATIVA: ANÁLISIS
PREDICTIVOS EN EL RECLUTAMIENTO

En el mercado existen varias plataformas y soluciones de

software personalizables que brindan soluciones de análisis
para la contratación. Uno de esos productos es Koru, que
permite a las organizaciones definir qué sería una
contratación de calidad para sus empresas. Al aplicar
análisis de los datos comerciales de la empresa, sus puestos
de trabajo y los empleados que ya trabajan en la empresa,
Koru crea un perfil de contratación único para cada puesto
y una puntuación adecuada que representa al candidato
ideal para cada puesto. Luego lleva a cabo entrevistas
automatizadas en línea de todos los solicitantes, generando
también comentarios personalizados y una puntuación de
idoneidad individual para cada solicitante al final de la
sesión. A partir de entonces, se identifican los mejores
prospectos que tienen las puntuaciones de idoneidad más
altas. Un cliente de Koru experimentó un cambio en el rol
de un contador en su firma, pasando de ser más un
consultor a un rol transaccional. Sin embargo, estaban
experimentando dificultades para desarrollar un sistema
adecuado
214Analítica en reclutamiento y selección
perfil de contratación para este puesto laboral cambiante. Sin
embargo, Koru identificó los impulsores del desempeño del
cambio de rol de los contadores en la empresa cliente y
elaboró un perfil de contratación para ellos. Todas las nuevas
contrataciones basadas en este perfil encajan perfectamente
con la empresa y tienen un alto rendimiento.

Fuente: Koru (2019)

Conclusión
El capítulo comienza con una discusión básica de los conceptos
de reclutamiento y selección, haciendo hincapié en el papel
cambiante y la naturaleza de las prácticas de recursos humanos.
Explica las limitaciones del tedioso proceso de selección
tradicional seguido en las empresas y por qué es necesario
hacerlo más flexible y adaptable para adaptarse a la dinámica
ambiental. Posteriormente, mediante la construcción de un caso
práctico para la aplicación de análisis predictivo en la selección,
se presentó una ilustración paso a paso del enfoque holístico
utilizando el paquete de software R. El capítulo también enumera
varias fuentes de datos que pueden usarse para construir un
modelo predictivo para la selección. El capítulo también ilustra
cómo instalar paquetes e importar conjuntos de datos. Además,
presenta cómo normalizar un conjunto de datos mediante la
transformación mín-máx o la transformación Z, cómo dividir un
conjunto de datos en datos de entrenamiento y prueba
manualmente y cómo usar la función de muestra. También se ha
explicado el código para generar matrices de confusión y calcular
errores de clasificación errónea para validar la precisión del
modelo. El capítulo también destaca las diversas áreas en las que
se puede aplicar el análisis predictivo al reclutamiento, como por
ejemplo para mejorar la calidad de las contrataciones, mejorar
la eficacia y efectividad de la contratación, mejorar la velocidad
de la contratación e identificar brechas de habilidades para la
planificación de la fuerza laboral. También presenta pequeños
casos sobre implementación de analítica en áreas de
reclutamiento y selección.
 Analítica en reclutamiento y selección 215
Glosario
Argumentos de fórmula de neuralnet, datos, oculto, umbral,
representación, algoritmo, error.
fct, [Link]
Función de cálculo utilizada para aplicar los resultados del
modelo de red neuronal creado con datos de entrenamiento,
en datos de prueba para la validación del modelo.
Matriz de confusión : una técnica para comprobar la precisión
del modelo representando falsos positivos y falsos negativos
en un formato tabular.
Error de clasificación errónea : valor cuantificado de
predicciones erróneas realizadas mediante la aplicación del
modelo a datos de prueba.
Neuralnet un paquete estadístico en R para modelar y aplicar
redes neuronales artificiales, basado en un modelo de
perceptrón multicapa
Normalizar el conjunto de datos implica escalar los valores
del conjunto de datos dentro de un rango particular;
normalmente, se utiliza la normalización min-max o la
normalización z
Regla de Pareto, la regla más utilizada para dividir el conjunto
de datos, estableciendo la norma en 80:20; es decir, el 80%
del conjunto de datos se utilizará para entrenamiento y
20% para pruebas
Reclutamiento y selección : el primer proceso de gestión de
recursos humanos que genera y atrae el grupo necesario de
candidatos para cubrir un puesto vacante en una empresa y
luego elegir a la persona adecuada que se ajuste
perfectamente a ese puesto; Este proceso también se ocupa
de hacer coincidir los KSA de los candidatos con los
requeridos por el puesto en la organización.
División del conjunto de datos Un conjunto de datos utilizado
para construir un modelo de minería se divide en datos de
prueba y de entrenamiento para que los datos de
entrenamiento se puedan usar para construir y entrenar el
modelo, mientras que los datos de prueba se pueden usar
para validar los resultados del modelo.
Pasos del proceso de selección tradicional: entrevista inicial
o preliminar, formularios de solicitud o en blanco, verificación
de referencias, pruebas psicológicas, entrevista laboral,
216Analítica en reclutamiento y selección
aprobación por parte del supervisor, examen físico e
inducción u orientación.

Material de revisión
1 ¿Cuál es el objetivo del reclutamiento y selección?
2 ¿Por qué se ha vuelto importante que el departamento de
[Link]. cuantifique su desempeño?
3 Explique el significado de la "naturaleza cambiante de las
prácticas de recursos humanos".
4 Enumere los pasos seguidos en el proceso de selección
tradicional.
5 Detalle las limitaciones de seguir un proceso de selección
tradicional.
6 Enumere algunos desafíos que el proceso de selección debe
enfrentar en el entorno empresarial actual.
7 Resuma la aplicación de un enfoque holístico al problema de
la selección predictiva en sus términos.
8 Justifique cómo la clasificación es una técnica de predicción
apropiada para el problema de selección, como se analiza en
el texto.
9 Explicar la aplicación del enfoque de vista/proceso del sistema
al problema de la selección predictiva.
10 Enumere las fuentes de datos que se pueden utilizar para
construir un modelo predictivo para la selección.
11 Analice las características del paquete neuralnet en R.
12 Explique la normalización min-max y la normalización z.
13 Analice la necesidad de dividir los datos en datos de prueba y
de entrenamiento.
14 ¿Qué es la regla de Pareto? ¿Cómo se implementa la división
según la regla de Pareto en R?
15 Explique cómo funciona la función Sample en R.
16 Analice los componentes del resultado de un modelo creado
utilizando el paquete neuralnet.
17 ¿Cuál es el papel de la función de cálculo en la validación de
los resultados de neuralnet?
18 Enumere los pasos utilizados para construir una matriz de
confusión y generar errores de clasificación para verificar la
precisión del modelo.
19 Explique brevemente cómo generar recomendaciones a partir
de los resultados del modelo.
 Analítica en reclutamiento y selección 217
20 Enumere algunos probables aspectos futuros que surjan de la
aplicación del modelo.
21 Explique la dinámica ambiental que ha llevado a cambios en
las prácticas de contratación.
22 Enumere los seis pasos implementados en las organizaciones
para generar un análisis integral de la cadena de suministro
utilizando análisis predictivo.
23 ¿Cómo puede el análisis predictivo mejorar la calidad del
proceso de contratación?
24 ¿Cómo se puede utilizar el análisis predictivo para evaluar las
ofertas de empleo de un competidor?
25 ¿Cómo se puede utilizar el análisis predictivo para evaluar la
eficacia y eficiencia del proceso de contratación?
26 ¿Cómo puede el análisis predictivo mejorar la velocidad de
contratación?
27 ¿Cómo se puede utilizar el análisis predictivo para identificar
y abordar las brechas de habilidades en la contratación y
oferta de empleados en una empresa?
28 ¿Por qué se está volviendo aún más relevante ahora generar
recomendaciones individualizadas de crecimiento profesional
para los empleados?

Ejercicios problemáticos
1 Usando el código para la normalización min-max, escriba un
código para la normalización z y pruébelo para ver si los
resultados son diferentes.
2 Recopile una pequeña muestra de aproximadamente 100
puntos de datos sobre edad, género, calificaciones
académicas y clasificación de desempeño de empleados que
trabajan en el mismo puesto de trabajo en el mismo nivel en
organizaciones similares. Ahora cree una red neuronal para
predecir la clasificación del desempeño en función de tres
covariables: edad, sexo y calificaciones. Normalice el
conjunto de datos y genere también una matriz de confusión.

Bibliografía
Anderson, M. (marzo de 2014). 5 rasgos que Google busca en las nuevas
contrataciones . Obtenido en mayo de 2019 de Code Fellows:
[Link]/blog/5-traits-google-looks-for-in-new-hires
Basu, S. y Sarkar, B. (16 de agosto de 2019). Las empresas de TI hacen
todo lo posible para frenar la pérdida de personal joven cualificado .
218Analítica en reclutamiento y selección
Obtenido en septiembre de 2019, de ET Bureau:
[Link] [Link]/t ech/ites/it-companies-go-
all-out-to-stop-attrition-of-skilled-young-staff/articleshow /
[Link]?de=mdr
Beardwell, D. y Holden, L. (1994). Gestión de recursos humanos: una
perspectiva contemporánea . Nueva Delhi: Macmillan India Ltd.
Bhatnagar, J. (2007). Gestión del talento: Estrategia de compromiso de
los empleados del ITES indio: Claves para la retención. Relaciones
con los empleados , 29 (6), 640–663.
Chaudhary, R., Rangnekar, S. y Barua, MK (2012). Clima de DRH,
autoeficacia ocupacional y compromiso laboral: un estudio de la India.
The Psychologist-Manager Journal , 15 (2), 86-105.
Cipolla, V. (2005, 10 de octubre). El ROI de recursos humanos significa
las métricas que los directores ejecutivos desean (comentario
invitado). Obtenido de HR Reporter:
[Link]
ceos-want-guest-commentary/310450
Collins, JC (2001). De buena a excelente: por qué algunas empresas
dan el salto y otras no . Nueva York: Harper Collins.
Cooper, C. (2010). Introducción a las diferencias individuales. En C.
Cooper (Ed.), Diferencias individuales y personalidad (págs. 1–6).
Oxon y Nueva York: Routledge, Taylor y Francis Group.
Dessler, G. y Varkkey, B. (2008). Gestión de recursos humanos (11ª
ed.). Manipal: Pearson Education, Inc.
Elkjaer, D. y Filmer, S. (2015). Tendencias e impulsores de la rotación
laboral . Nueva York: Mercer (Carrera de riqueza sanitaria).
Flippo, EB (1984). Reclutamiento y contratación. En EB Flippo (Ed.),
Gestión de personal (págs. 141-164). Singapur: Compañía de libros
McGraw Hill.
Gunther, F. y Fritsch, S. (2010). neuralnet: Entrenamiento de redes
neuronales. El diario R , 30–38.
Intrator, O. e Intrator, N. (2001). Interpretación de redes neuronales:
un estudio de simulación. Estadística computacional y análisis de
datos , 373–393.
Isson, JP y Harriott, JS (2016). Análisis de planificación de la fuerza
laboral. En JP Isson y JS Harriott (Eds.), Análisis de personas en la
era del big data: cambiando la forma de atraer, adquirir, desarrollar
y retener talento (págs. 99-129). Hoboken, Nueva Jersey: John Wiley
& Sons, Inc.
Juez, TA y Bono, JE (2001). Relación de los rasgos centrales de las
autoevaluaciones (autoestima, autoeficacia generalizada, locus de
control y estabilidad emocional) con la satisfacción y el desempeño
laboral: un metanálisis. Revista de Psicología Aplicada , 86 , 80–92.
Judge, TA y Kammeyer-Mueller, JD (2012). Actitudes laborales. Revista
Anual de Psicología , 63 , 341–367.
Koru. (2019). Contratación predictiva para adaptarse . Recuperado en
2019 de Koru: [Link]
 Analítica en reclutamiento y selección 219
Lightfoot, L. (2007, julio). Las empresas utilizan pruebas de
personalidad para los mejores graduados . Obtenido en febrero de
2018 de The Telegraph:
[Link]/news/uknews/1556982/Firms-use Personality-
[Link]
McGraw, M. (mayo de 2015). Encontrar líderes temprano . Obtenido en
junio de 2018, de Human Resource Executive Online:
[Link]/HRE/view/[Link]?id=534358666
Pareek, U. y Rao, T. (2003). Adecuación del rol y la persona:
Reclutamiento y colocación. En U. Pareek y T. Rao (Eds.), Diseño y
gestión de sistemas de recursos humanos (págs. 84–98). Nueva
Delhi: Oxford & IBH Publishing Pvt. Limitado. Limitado.
Phillips, M. (mayo de 2015). ¿Podrías manejar las pruebas psicométricas
de los cuatro grandes? Obtenido en 2018 , de In the Black:
[Link]
psychometrics
PTI. (2018, enero). 2018 verá más contrataciones, aumento salarial del
10%: encuesta salarial de Mercer. Los tiempos económicos . Obtenido
en 2018, de [Link] com/jobs/2018-to-
see-more-hiringssalary-rise-of-10-mercers-pay-survey/article
show/[Link]
Informe Sectorial. (2016, agosto). Industria de TI e ITeS en la India .
Fundación India Brand Equity. Obtenido en 2019, de
[Link]/industry/[Link]
Spence, J. (2015). Obtenido en mayo de 2019, de
[Link]
acquisition/
Vicente, J. (2014, febrero). ¿Quieres un trabajo en Google? "El gigante
de Internet revela los 'cinco atributos' necesarios para todos los
empleados ". Obtenido en diciembre de 2018 de The Independent:
[Link] [Link]/life-style/gadge ts-and-tech/features/work-
for-google-internet-giant revela-los-cinco-atributos-necesarios-para-
[Link]
Wadhwa, V., DeVitton, Reino Unido y Gereffi, G. (julio de 2008). Cómo
el discípulo se convirtió en GURU . Obtenido en 2018, de Harvard:
[Link]/programs/lwp/people/
staffPapers/vivek/Vivek_HowDiscipleBecameGuru.pdf
Way, P. (10 de abril de 2017). La revolución de la analítica de recursos
humanos . Obtenido el 3 de octubre de 2019 de O Platform Leader:
[Link]

Lecturas adicionales
1 R para tontos por Andre D. Veris y Joris Meys, Wiley Publishers.
2 R para ciencia de datos por Hadley Wickham y Garrett Grolemund,
O'Reilly Publishers.
3 [Link]
7
ANÁLISIS PREDICTIVO DE
RRHH EN ROTACIÓN Y
SEPARACIÓN

Después de leer este capítulo, los usuarios

podrán comprender los siguientes conceptos
clave:
• Revisar los conceptos básicos de facturación y definir la
intención de facturación.
• Comprender el papel de la intención de rotación y las
actitudes laborales en la predicción de la rotación
• Utilice una ilustración práctica paso a paso de la aplicación de
KNN para predecir la rotación en empresas de TI utilizando
un enfoque holístico.
• Comprenda cómo ver el rendimiento del modelo KNN e
interpretar la K óptima
• Comprender cómo ver la importancia de las variables para
predecir la rotación
• Comprenda cómo predecir la facturación utilizando datos de
prueba utilizando el modelo KNN integrado en R
• Comprenda cómo cambiar la métrica para evaluar el
rendimiento del modelo de precisión a ROC
• Conozca las diferentes áreas de aplicación de la analítica a la
gestión de la separación
• Comprender el uso de los datos de las entrevistas de salida
para análisis
 Analítica en facturación y separación 221
• Comprender cómo se pueden utilizar los análisis para la
planificación de la fuerza laboral y el análisis de la oferta.
• Discutir el papel de la analítica en la gestión eficaz de las
jubilaciones.

Caso de apertura
La fabricación ajustada es un concepto relativamente nuevo en
las industrias de producción y requiere un conjunto de
habilidades específicas para que los gerentes se desempeñen de
manera efectiva y obtengan resultados de sus equipos en estas
circunstancias. Una empresa de fabricación de metales que opera
a nivel mundial decidió incorporar la manufactura esbelta en sus
operaciones y contrató supervisores con experiencia en este
campo. Si bien la empresa estaba preocupada por el éxito de la
fabricación ajustada entre la fuerza laboral, se enfrentaba a un
nuevo desafío. En un gran número de sus plantas, la empresa
fue testigo de un alto desgaste entre la fuerza laboral. La
empresa supuso que, dado que los supervisores contratados para
implementar la manufactura esbelta en cada planta eran nuevos
para la empresa, la fuerza laboral probablemente se resistía al
cambio, y esto contribuía a un mayor desgaste en las plantas.
Por eso implementó análisis para comprender cómo se
relacionaba el supervisor con los resultados del equipo en cada
planta. Para ello, recopilaron datos sobre una cantidad de
parámetros como calidad, desempeño de entrega, seguridad,
innovaciones en mejoras de procesos, comportamiento de los
supervisores, etc. La empresa descubrió que las plantas donde la
tasa de deserción era baja presentaban resultados un 150 por
ciento mejores que las plantas correspondientes con altas tasas
de deserción. En todas estas plantas, el desempeño de los
supervisores fue muy alto y exhibió comportamientos críticos
predictivos de éxito en cada planta. Estos comportamientos
incluyeron muchos factores, como comenzar el trabajo con una
orientación, definir las normas de comportamiento para el
equipo, brindar capacitación sobre el uso de nuevas tecnologías,
a saber. herramientas lean y en la resolución de problemas para
los miembros del equipo. Por lo tanto, descubrieron que cambiar
a coaching en lugar de dirección era la clave del éxito para que
un supervisor implementara la manufactura esbelta y también
daba como resultado tasas de deserción más bajas. Esto llevó
además a la empresa a crear un modelo de competencia para
222Analítica en rotación y separación
predecir el éxito de los líderes en manufactura esbelta, que
también resultó útil en la contratación para puestos futuros en
manufactura esbelta (Grillo y Hackett (2015).

Introducción
La separación es el proceso final de gestión de recursos humanos
en la gestión de los empleados de una empresa. La separación
de un empleado de una organización puede ocurrir por su
fallecimiento, jubilación, jubilación anticipada voluntaria,
renuncia o despido. Cuando el proceso de separación ocurre
antes de la fecha prevista de retiro, se denomina rotación y
puede ser voluntario o involuntario. La rotación también se ha
denominado abandono, desgaste, salida, movilidad, migración,
sucesión, etc. La rotación involuntaria suele ser iniciada por la
empresa. Un motivo de preocupación para la dirección es la
rotación voluntaria. La separación de un empleado a menudo
implica la gestión de varias otras actividades, como el pago de
beneficios como gratificaciones, fondo de previsión, búsqueda de
un sucesor para ocupar el puesto, gestión de sucesores, etc.

La rotación se puede predecir mediante la intención de

rotación. La rotación prevalece en todas las categorías de
empleados y varía según factores como la edad, el nivel de
habilidades y la experiencia.

Una medida general definida para medir el desgaste en una

organización es el número de empleados que se van en un año
dividido por el número total o promedio de empleados en la
empresa ese año y a menudo se expresa como un porcentaje,
pero esta medida rara vez se utiliza. La facturación se define
como:

Movimiento individual a través de los límites de membresía

de una organización.
(Pérez, 2008, p. 11)

Aquí, los individuos se refieren a los empleados de la empresa

y el movimiento puede deberse a cualquier motivo como
separación, sucesión, etc. La rotación se clasifica además en dos
 Analítica en facturación y separación 223
tipos: voluntaria e involuntaria. La rotación voluntaria es la forma
abordada en la investigación y es una importante causa de
preocupación en las empresas. Ocurre cuando un empleado
renuncia a la empresa. La rotación involuntaria se produce
cuando un empleado no inicia el proceso de separación y puede
producirse por despido, fallecimiento, etc. Está ampliamente
aceptado que la rotación voluntaria se puede evitar mediante
intervenciones oportunas por parte de la dirección. Por ejemplo,
si un empleado renuncia porque no puede vivir juntos después
del traslado de cualquiera de los cónyuges, la empresa puede
reubicar al empleado. Además, se dice que la rotación puede ser
funcional si provoca el movimiento de empleados improductivos;
de lo contrario, sería disfuncional. Aunque las cifras al final de un
año reflejan la facturación real de una empresa, es muy difícil
evaluar si los empleados tienen intención de abandonar la
empresa. Esto se denomina intención de rotación.

La intención de rotación se define como el reflejo de la

probabilidad de que un individuo cambie de trabajo dentro
de un período de tiempo determinado.
(Sousa-Poza y Henneberger, 2002, p. 4)

Muchas empresas miden periódicamente la intención de

rotación de sus empleados para determinar o predecir la
probabilidad de que los empleados planeen dejar la empresa
durante el próximo año. Por lo tanto, para la predicción de la
rotación, la intención de rotación se puede utilizar como variable
objetivo.

Enfoque holístico: modelado predictivo de la

facturación
Ahora que el concepto de facturación está claro y cómo medirlo,
se ha intentado aplicar un enfoque holístico al modelado
predictivo de la facturación.

Paso 1: identificación y definición del problema

Para ilustrar cómo se puede implementar el paso 1, el ejemplo
que se discutirá en este capítulo involucra la predicción de la
rotación de ingenieros de software en la industria de TI. Esta
sección del capítulo comienza con una breve descripción del
sector de TI en la India para familiarizar al usuario con el mismo,
224Analítica en rotación y separación
seguida de una breve descripción del problema de la facturación
en este sector.
Según (IBEF, 2018), la India es el mayor destino de
abastecimiento del mundo para la industria de tecnologías de la
información (TI), y representa aproximadamente el 67% de los
mercados de entre 124 y 130 mil millones de dólares. La industria
emplea a unos 10 millones de trabajadores.
Más importante aún, la industria ha llevado a la transformación
económica del país y ha alterado la percepción de la India en la
economía global. La competitividad de costos de la India en la
prestación de servicios de TI, que es aproximadamente entre 3 y
4 veces más barata que en Estados Unidos, sigue siendo el pilar
de su propuesta de venta única (PVU) en el mercado de
abastecimiento global. Sin embargo, la India también está
ganando importancia en términos de capital intelectual, y varias
empresas globales de TI están estableciendo sus centros de
innovación en la India. La contribución total del sector de TI de
la India al PIB de la India fue del 8% en 2018 (FE Bureau, 2018).
El desarrollo del sector de servicios de software/TI en la India
tiene una larga historia (Arora, Arunachalam, Asundi y
Fernandes, 2001), que comenzó con el conflicto chino-indio en
1962. Algunas políticas indias de gran importancia contribuyen al
crecimiento del sector de TI de la India. sector son la Política de
exportación, desarrollo de software y capacitación de software
informático en 1986, la regla de 10 millones de rupias en 1987,
IPSS (Servicio internacional de conmutación de paquetes) en
1989 y el desarrollo de parques tecnológicos de software (STP).
En particular, la producción nacional de productos de software
para el mercado interno de la India está creciendo lentamente y
es la única industria en la que las exportaciones representan el
65% de los ingresos. Sin embargo, el sector de TI en la India
tiene la mayor capacidad de contratación o es el mayor
empleador en el sector privado organizado de la India, representa
la mayor proporción en términos de exportaciones indias, tiene
el mayor número de empresarios en el mundo y también en la
India, y atrae las mayores inversiones. La mayoría de estas
exportaciones están relacionadas con codificación, pruebas y
diseño de bajo nivel, mientras que los proyectos nacionales
abarcan casi todas las etapas del ciclo de vida del desarrollo de
software. Además, los ejecutivos coinciden en que la experiencia
adquirida en proyectos nacionales no aporta tanta experiencia
como un proyecto subcontratado. Todas las empresas, ya sean
 Analítica en facturación y separación 225
grandes o pequeñas, se dedican a actividades similares:
proyectos de mantenimiento como el mantenimiento de sistemas
o mainframes heredados, migración a sistemas cliente-servidor
y entrega de soluciones. Además de esto, la duración de los
proyectos de exportación también es pequeña, con una duración
media de 150 meses. Estados Unidos subcontrata proyectos de
TI a la India debido a una menor inversión en personal y recursos
en actividades menos críticas, la capacidad del personal para
trabajar las 24 horas del día y salarios considerablemente más
bajos que sus homólogos estadounidenses. La dificultad surge
cuando se requieren profesionales con más de cuatro años de
experiencia. No faltan candidatos de este tipo en la India, pero
tienden a trasladarse al extranjero después de casi cuatro años
de servicio. El hecho de que los empleados no permanezcan en
la misma empresa después de tanta experiencia también explica
la incapacidad del país para ir más allá de la codificación, el
desarrollo y el mantenimiento.
Aunque las cifras sugieren un camino prometedor para las
empresas indias de TI, la industria ha experimentado
constantemente incertidumbres ambientales atribuidas a la
desaceleración económica, los cambios tecnológicos y la presión
política, entre otros factores. En particular, la industria de TI de
la India sufre altas tasas de rotación, que fluctúan entre el 13%
y el 15% anual (PTI, 2018; Dasgupta, 2017). Además, aunque
anualmente se acumula una cantidad sustancial de nuevos
talentos en la industria (la tasa de crecimiento anual compuesta
para los graduados de TI de la India entre 2008 y 2015 fue del
9,4%), las empresas de TI se muestran reacias a aprovechar este
grupo de talentos debido a preocupaciones sobre la calidad y
problemas de retención (SectoralReport, 2016; PTI , 2018).
En los últimos años, a medida que la economía india ha crecido,
también lo ha hecho el volumen de negocios (Yiu y Saner, 2008).
La rotación prevalece en todas las categorías de empleados y
cuanto mayor sea el nivel de habilidad de los empleados, mayor
será la tasa de rotación. El informe sobre la rotación de
empleados en la India sugiere que la tasa máxima de deserción
se da entre los trabajadores del conocimiento (11% a 20%)
porque se permiten cambiar de trabajo debido a la alta demanda
de sus habilidades. Después de ellos, los gerentes demuestran el
siguiente nivel más alto de desgaste, entre el 6% y el 15%,
seguidos por los empleados en rangos ejecutivos con alrededor
del 5%. También se observa una mayor tasa de deserción en el
226Analítica en rotación y separación
personal administrativo y de línea, aunque es mucho más baja
que en todas las demás categorías, entre el 2% y el 10%.
Además de las categorías laborales, otro factor que afecta la tasa
de rotación es la experiencia o la antigüedad, es decir, la rotación
máxima ocurre entre uno y cuatro años de empleo. Otro estudio
(Elkjaer y Filmer, 2015) promedió la tendencia durante cinco
años, entre 2011 y 2014, y también sugiere que la mayor
rotación se da entre los trabajadores de desempeño medio,
mientras que es menor entre los trabajadores de alto y bajo
desempeño. Además de esto, la tasa de rotación está
negativamente relacionada con la edad de los trabajadores. Por
lo tanto, las empresas deberían idear estrategias para frenar la
rotación en consecuencia, teniendo en cuenta todos estos
factores.
La rotación tiene varias consecuencias para la empresa, ya que
se asocia negativamente con la unidad de negocio y el éxito
organizacional. Sin embargo, cuando una organización planifica
estratégicamente y utiliza análisis predictivos, puede frenar la
rotación (Elkjaer y Filmer, 2015). Se pueden aplicar modelos
conceptuales para explicar la facturación en la industria de TI. La
visión basada en recursos (RBV) (Holland, Sheehan y Cieri, 2007)
sugiere que una empresa obtiene ventaja competitiva a partir de
tres recursos: físicos, organizativos y humanos, atribuyéndose la
mayor importancia a los recursos humanos en la era actual (
Ostroff y Bowen, 2016). En este contexto, retener a los
empleados se ha convertido en un problema importante para las
empresas de TI (Murray, 1999), donde los empleadores se
enfrentan a un "mercado de vendedores" y, por lo tanto, buscan
convertirse en un "empleador de elección" (Bellou, Chaniotakis,
Kehagias y Rigopoulou, 2013). ), de modo que si un trabajador
se va, muchos otros trabajadores calificados están dispuestos a
ingresar a la empresa. El 'empleador de elección' es una
estrategia adoptada por las empresas para gestionar
estratégicamente su fuerza laboral mejorando la capacidad de la
empresa para atraer, retener y motivar a sus empleados clave
(Bellou et al., 2013; Backhaus, 2016).
Las cuestiones de retención y gestión varían significativamente
entre industrias y organizaciones (Sheridan, 1992), debido a
diferencias en los valores de la cultura organizacional, lo que a
su vez tiene un impacto en las políticas y procedimientos de una
empresa. Las teorías del "ajuste persona-organización" (ajuste
PO) (Kristof, 1996) adoptan un enfoque multidimensional para
 Analítica en facturación y separación 227
evaluar el ajuste de un empleado con la empresa: congruencia
de valores, congruencia de personalidad y congruencia del
entorno laboral. Estas teorías postulan que las personas que han
sido "contratadas" para una organización, y no sólo dados
"trabajos", muestran actitudes laborales significativamente
mejores, menor intención de rotación y mayor desempeño
laboral (Westerman y Cyr, 2004). También se ha visto que la
rotación voluntaria de empleados se produce (Yiu y Saner, 2008)
debido a la insatisfacción con factores organizacionales como el
salario, el avance profesional, la relación con el supervisor, el
crecimiento económico y la competencia por el talento, el
contenido del trabajo, el reconocimiento y la formación y
desarrollo. oportunidades. Los factores externos, las prácticas
organizacionales y las características individuales influyen en la
rotación de empleados (Elkjaer y Filmer, 2015). Por lo tanto, el
ajuste de PO puede desempeñar un papel importante a la hora
de explicar la alta rotación (McCulloch y Turban, 2007) y, a través
de la creación de factores organizacionales que fomentan la
congruencia ambiental y de valores de los empleados con la
empresa, su intención de rotación (Amos y Weathington, 2008;
Van Vianen , DePater y Dijk, 2007) pueden reducirse,
contribuyendo así a la retención de empleados.

Actitudes como el compromiso organizacional y la

satisfacción laboral se han utilizado consistentemente para
predecir la rotación.

Actitudes como el compromiso organizacional y la satisfacción

laboral se han utilizado consistentemente para predecir la
rotación. Cuando los empleados perciben que están vinculados a
la organización a través de una red social, están integrados en el
trabajo y es menos probable que abandonen la empresa. La
rotación en la industria de TI se puede mitigar mediante una
gestión eficaz de las actitudes laborales y las prácticas de
recursos humanos, y monitoreando las características
individuales de los empleados. Un aspecto importante para
buscar arraigo es si se sienten o no encajados con la organización
y el trabajo. El modelo de rotación en desarrollo explica la
intención de rotación al describir que cuando los empleados
perciben algún tipo de shock, comienzan a buscar oportunidades
laborales alternativas. Sin embargo, también en estos casos,
228Analítica en rotación y separación
cuando consideran que otros aspectos son favorables, a pesar de
la percepción de un shock, su intención de dejar de fumar
disminuye. Por lo tanto, cuando los empleados perciben que
encajan en la organización y el puesto, continúan quedándose, a
pesar de las percepciones de shocks organizacionales. En este
contexto, se puede decir que las prácticas de recursos humanos
moderan la relación entre la percepción del shock organizacional
y la intención de rotación. Cuando una empresa se entrega a
prácticas de alta participación, las tendencias de rotación están
menos influenciadas por los shocks ambientales. Por lo tanto,
para mitigar la rotación en la industria de TI, los fundamentos
conceptuales afirman que si la adecuación laboral, la adecuación
organizacional y las actitudes laborales como la calidad de vida
laboral y la satisfacción laboral se gestionan y utilizan
adecuadamente para construir un modelo de rotación predictivo,
esto puede ayudar a lograr una rotación oportuna. predicción de
la intención de rotación.
Un modelo de desgaste predictivo podría resaltar a los
empleados que dejarán la organización pronto, y esto puede
ayudar a la empresa a tomar medidas proactivas, como
asesoramiento, implementar estrategias de retención o elaborar
un plan para cubrir la vacante. Esto también tendría
implicaciones para la selección de candidatos; Se debe tener en
cuenta al contratar si un candidato es uno de los que tiene una
alta intención de rotación prevista, es decir, las características de
dichos individuos.
A partir de la discusión anterior, podemos resumir los
siguientes puntos para implementar el paso 1 de un enfoque
holístico para la aplicación de la analítica:

• Los hechos y las cifras respaldan que las altas tasas de

rotación en la industria de TI de la India son un problema
comercial importante.
• Los modelos teóricos y conceptuales describen la historia
detrás de la construcción de la intención de rotación. Ayuda
al lector a construir una visión general del problema y
orientarlo en la dirección de modelar el problema.
• Un sistema predictivo para predecir la intención de rotación
sería la solución analítica que mejor se adapta al problema
actual de rotación.
 Analítica en facturación y separación 229
• Esta predicción puede basarse en la adecuación laboral, la
adecuación organizacional y las actitudes laborales llevadas a
cabo por las empresas de TI.

Paso 2: modelar el problema para predecir quién

dejará la empresa
A medida que el lector se familiarice con los antecedentes
teóricos y experienciales, la intención de rotación de los
ingenieros de software que trabajan en las industrias de TI de
nivel 1 se puede utilizar para predecir la rotación de los
ingenieros de software. Por lo tanto, las variables de entrada
utilizadas serían: ajuste persona-trabajo (ajuste PJ), ajuste
persona-organización (ajuste PO), satisfacción laboral, calidad de
vida laboral, género, matrimonio y ranking de desempeño. Para
recoger datos sobre cada una de estas variables se han utilizado
cuestionarios estándar disponibles gratuitamente en Internet. El
ajuste persona-trabajo y persona-organización se midió
utilizando una escala de cuatro ítems desarrollada y validada en
(Saks y Ashforth, 1997). La intención de dejar de fumar dentro
de un año mide la rotación. Esto se midió utilizando una escala
de tres ítems que evalúa la tendencia de un empleado a continuar
con la organización actual (Chatman, 1991). La satisfacción
laboral se ha medido utilizando una escala de cinco ítems
propuesta por Brayfield-Rothe (Judge, Van Vianen y DePater,
2004). Estos datos pueden estar disponibles para los gerentes de
recursos humanos si realizan periódicamente encuestas de salud
organizacional y encuestas de compromiso de los empleados; de
lo contrario, pueden recopilar los datos administrando un
cuestionario como instrumento de encuesta.
La variable de salida intención se ha codificado como 1 y 2,
donde 1 implica "intención de abandonar" mientras que 2 implica
"intención de quedarse". Se ha promediado la escala de 'intención
de dejar de fumar' y los valores inferiores a 3,5 se codifican como
2; en caso contrario, 1.

Paso 3: seleccionar la herramienta

Al desarrollar un modelo predictivo para el problema empresarial,
se obtiene claridad sobre lo que se debe hacer para aplicar la
predicción a los datos recopilados. Al igual que en el caso del
desarrollo de un modelo predictivo de rotación, el lector
230Analítica en rotación y separación
comprende que el modelo necesita clasificar. Recordando las
técnicas de clasificación presentadas en los capítulos anteriores,
la mayoría de las técnicas encajarían aquí, a saber. regresión,
KNN, árboles de decisión y redes neuronales artificiales (ANN). A
modo de ilustración en este capítulo, KNN se aplicaría utilizando
el paquete class y caret en el software R. Para simplificar la
ilustración, usaremos la variable de salida 'intención de quedarse'
como variable objetivo para clasificar a los empleados de la
empresa que tienen la intención de quedarse o irse, y usaremos
todas las variables de entrada, incluido el género, el estado civil,
la clasificación de desempeño, satisfacción laboral, ajuste PO,
ajuste PJ y satisfacción laboral para predecir esta variable
objetivo.
Paso 4: aplicar la herramienta
Para la aplicación de la herramienta se ha utilizado RStudio. El
conjunto de datos utilizado para el análisis está disponible con el
libro. El conjunto de datos es una hoja de cálculo de Excel titulada
"Facturación". El paquete R utilizado para implementar KNN es
un paquete de clase y de intercalación.
El modelo KNN en R se puede construir en términos generales
de dos maneras. Una forma es utilizar la clase de paquete y luego
pasar el valor K usted mismo a la función KNN en r. Esta función
tiene el formato:

Pred Knn (conjunto de datos de entrenamiento, conjunto

de datos de prueba, etiquetas de clase, el valor de k)

Esto almacenará la salida en pred, que contendrá los valores

predichos para cada fila en los datos de prueba. Luego podrá
verificar la precisión de este modelo. Aquí puede escribir un
código para comparar los valores observados y los valores
pronosticados de la variable objetivo o instalar otro paquete
como gplots, que le permite realizar tabulaciones cruzadas
directamente. Además, al usar hit y try, debes seguir cambiando
los valores de K y observar cómo varía la precisión del modelo.
Esto se vuelve tedioso cuando tiene que recordar diferentes
nombres de paquetes e incluso proporcionar sus propios valores
K. Para ello, es necesario instalar otro paquete, caret, abreviado
para entrenamiento de clasificación y regresión. Caret es un
paquete extenso y contiene una gran cantidad de algoritmos. Si
 Analítica en facturación y separación 231
el lector está interesado en obtener una idea de los paquetes
contenidos en el símbolo de intercalación, simplemente ejecute
nombres (getModelInfo()).
Para construir un modelo KNN, el paquete caret tiene una
función de tren incorporada, que toma los argumentos: datos de
entrenamiento, variable objetivo a predecir y método a utilizar
para entrenar el modelo. Este paquete también tiene una función
incorporada para trazar una matriz de confusión y tabular los
resultados previstos. La función de tren tiene una métrica de
argumento que permite evaluar el rendimiento de varios modelos
ejecutados con esta función. De forma predeterminada, para los
problemas de regresión, RMSE, R cuadrado y error absoluto
medio se calculan como métricas de rendimiento, mientras que
la precisión y Kappa se calculan como problemas de clasificación.
De forma predeterminada, la función de tren está diseñada para
elegir el mejor modelo que tenga la métrica de rendimiento
informada más alta. Sin embargo, el usuario puede cambiar los
criterios de optimización proporcionando el algoritmo utilizado
para calcular el modelo final en el argumento función de selección
de la función de tren. Los tres criterios pueden ser: 'mejor', que
elige el valor mayor o menor; 'oneSE', que elige el modelo simple
dentro de un error estándar del mejor modo; o 'tolerancia', que
selecciona el modelo menos complejo con tolerancia para el
mejor valor. Otra función importante y útil de este paquete es la
función trainControl, que es simplemente una función de
remuestreo. Esta función toma los argumentos que especifican
cuántas veces se debe realizar el remuestreo y mediante qué
método se debe realizar. Al utilizar [Link], nos aseguramos de
que se extraigan las mismas muestras cada vez que se ejecuta
el código. Para predecir los valores de los datos de prueba
utilizando la salida del modelo implementado previamente, se
puede utilizar la función [Link]. Al utilizar el tipo de
argumento de esta función, se puede especificar si se deben
predecir probabilidades o clases.

Aplicación de KNN en R
Para aplicar KNN en R, las bibliotecas utilizadas para la aplicación
son caret, pROC y mlbench. Para ello, los paquetes que deben
instalarse se han especificado en la discusión del código de la
siguiente manera.
232Analítica en rotación y separación
1 El primer paso es importar datos desde un archivo de Excel.
Utilice la función Importar conjunto de datos desde la pestaña
de entorno global de RStudio. Adjunte el conjunto de datos a
un entorno global.
2 Normalice el conjunto de datos mediante la normalización
mínima-máxima. Tras la normalización, los valores
codificados de intención (2) también se han escalado a 0, por
lo tanto, intención = 1 implica una intención de irse, mientras
que intención = 0 implica una intención de quedarse.
3 Es importante tener en cuenta que la variable objetivo se
especificará como variable factor para la implementación de
KNN para la clasificación. El código para esto es el siguiente.

#Utilice el factor en la columna de salida para la

clasificación
NormTurnover$IntentionCode[NormTurnover$Código de
intención==0] 'Permanecer'
NormTurnover$IntentionCode[NormTurnover$Código de
intención==1] 'Salir'
NormTurnover$IntentionCode <- factor(NormTurnover$
IntentionCode)
#comprobar si el código de intención se ha convertido en
una variable de FACTOR o sigue siendo un tipo de datos de
caracteres str(NormTurnover)

Como se ve en la salida de la consola, el tipo de datos de

IntentionCode, que es la variable de destino, se ha cambiado
a factor.
4 Divida el conjunto de datos en datos de entrenamiento y de
prueba utilizando la regla de Pareto. El código utilizado para
particionar los datos es el siguiente.

[Link](1234) #garantiza la misma partición cada vez que

se ejecuta el código
Nuevo muestra (2, nrow(NormTurnover),
reemplazar=TRUE, prob = c(0.8, 0.2))
Traindata NormTurnover [Nuevo==1,]
Datos de prueba Rotación de normas [Nuevo==2,]
 Analítica en facturación y separación 233

FIGURA 7.1 Especificación de la variable objetivo como variable de

factor

FIGURA 7.2 División del conjunto de datos

En la ejecución, el resumen se presentó como se muestra en el

lado derecho del entorno global de R. El código ha creado un
conjunto de datos titulado 'Testdata' con 116 observaciones
y un 'Traindata' con 465 observaciones.
5 Instale los paquetes necesarios para implementar y ejecutar
el modelo KNN y recuperar bibliotecas. Como se mencionó
234Analítica en rotación y separación
anteriormente, los paquetes utilizados para implementar KNN
son class, caret, pROC, mlbench y e1071.
#instalar paquetes y buscar bibliotecas para implementar
KNN [Link](“class”) biblioteca (clase)
[Link](“caret”) biblioteca (caret)
[Link](“pROC”) biblioteca (pROC)
[Link](“ mlbench”) biblioteca (mlbench)

6 Construya y ejecute el modelo KNN usando la función de tren

#Control del modelo KNN <- trainControl(método =

“repeatedcv”, número = 10, repeticiones = 3)
[Link](222)
KNNfit <- tren (Código de intención
~., datos = Conjunto de trenes,
método = 'knn', trControl = Control)

Paso 5: interpretar y validar los resultados

Después de construir e implementar el modelo KNN, el usuario
puede verificar el rendimiento del modelo escribiendo el código:

#rendimiento del modelo

KNNfit

Esto muestra un resumen del modelo en la ventana de la

consola.

1 Los resultados muestran que se seleccionó el modelo óptimo

en función de la precisión y K = 5, lo que implica que para
predicciones futuras, se evaluaría la distancia del elemento a
los cinco vecinos más cercanos para generar la clase
predicha.
2 El resumen muestra claramente que hay siete variables
predictivas: género, matrimonio, ajuste PO, ajuste PJ,
satisfacción laboral, calidad de vida laboral y clasificación de
desempeño. Hay dos clases en la variable de salida: salir o
quedarse. Para
 Analítica en facturación y separación 235

FIGURA 7.3 Resumen del modelo

FIGURA 7.4 Gráfico que representa el ajuste KNN

Se ha utilizado un remuestreo y una validación cruzada diez

veces repetida tres veces. Esto implica que para cada
muestra, se han creado diez pliegues o 10 divisiones de los
datos, donde se han utilizado nueve pliegues para construir
el modelo y el décimo para validar el modelo. Todo este
236Analítica en rotación y separación
proceso se ha repetido tres veces. Se han evaluado la
precisión del modelo y los valores Kappa.

GRÁFICO 7.5 Importancia de la variable

Para obtener una mejor comprensión, el trazado del ajuste

también se puede realizar utilizando el gráfico (KNNfit).
3 Como se ve en el gráfico, el valor de precisión más alto se
encuentra en K = 5, a partir del cual disminuye
progresivamente.
4 A continuación, se pueden inferir los distintos niveles de
importancia de las variables predictoras en la predicción de la
clase objetivo. Para esto, simplemente escriba el código
varImp(KNNfit) y ejecútelo. Muestra los predictores con su
importancia en orden de importancia decreciente. Los
predictores más importantes de la intención de rotación de
los ingenieros de software son la clasificación del desempeño,
la adecuación del PO y la satisfacción laboral (más de 80 de
importancia). Otra revelación interesante es que el género y
el matrimonio son los menos importantes a la hora de
predecir la intención de rotación de los ingenieros de
software.
5 Utilice el modelo previamente entrenado para predecir
Testdata. Aquí se puede hacer uso de la función de predicción.

#use el modelo para la predicción pred <-

predict(KNNfit, newdata=Testset) pred
 Analítica en facturación y separación 237
El código anterior ejecutará el modelo KNNfit creado previamente
en el conjunto de datos de prueba y lo almacenará en pred.
Luego, simplemente se mostrarán todas las predicciones para
cada fila del conjunto de datos ejecutando pred.
6 Traza la matriz de confusión. Puede utilizar la función
confusionMatrix incorporada.

confusiónMatrix (pred, Testset$IntentionCode)

FIGURA 7.6 Uso del modelo para predicción

FIGURA 7.7 Matriz de confusión

238Analítica en rotación y separación
Como puede verse, la precisión del modelo es bastante alta,
del 81,03%. El conjunto de pruebas tiene 116 observaciones. Hay
45 observaciones que tienen la intención de dejar la empresa y
el modelo también predice que tienen la intención de irse. De
manera similar, hay 49 observaciones que tienen la intención de
permanecer y el modelo predijo lo mismo. Por lo tanto, precisión
= (49 + 45)/116 = 0,8103, como se muestra en el resumen
anterior. El intervalo de confianza del 95% va del 72,71% al
87,72%. Si el modelo no tenía información sobre la intención de
quedarse, entonces la precisión del modelo había sido de
alrededor del 51,72%.
Paso 6: generar recomendaciones
Para generar recomendaciones, primero, el lector debe
interpretar la contribución de las covariables a la variable de
predicción. Esto se puede medir en KNN usando el código varImp.
A continuación, el modelo se puede volver a ejecutar eliminando
las variables de menor importancia. La precisión del modelo se
puede eliminar aún más cambiando la métrica de evaluación de
la optimización.
Intentemos mejorar aún más el rendimiento del modelo
cambiando la métrica de precisión a ROC. Para ello, trainControl
debe revisarse incluyendo probabilidades de clase y función de
resumen, como se muestra a continuación.

#Control del modelo KNN <- trainControl(método =

“repeatedcv”, número = 10, repeticiones = 3,
classProbs = TRUE, resumenFunción =
twoClassSummary) [Link](222)
KNNfit <- tren(IntentionCode ~.,
datos = Trainset, método = 'knn',
trControl= Control, métrica = “ROC”,
tuneGrid = [Link](k=1:60))
 Analítica en facturación y separación 239

Resumen del modelo utilizando ROC como métrica de

FIGURA 7.8
desempeño

FIGURA 7.9 Matriz de confusión con ROC

Probando nuevamente el rendimiento del modelo escribiendo

y ejecutando KNNfit, el modelo se ejecutó para K en un rango de
1 a 60 y se calcularon los valores de ROC para cada K. Ahora se
seleccionó el modelo óptimo en función del valor de ROC, y el K
óptimo es 11. Usando nuevamente el gráfico (KNNfit), se puede
ver que a medida que aumentan los valores de K, el área bajo la
240Analítica en rotación y separación
curva primero aumenta hasta K = 11, después de lo cual
disminuye. Ejecutando también la variable de importancia, se
puede observar que es similar con pequeñas variaciones al
anterior.
Nuevamente haciendo predicciones y ejecutando la matriz de
confusión, los resultados se muestran en la Figura 7.9.
Sin embargo, se puede ver que el rendimiento y la precisión
del modelo han disminuido al utilizar ROC como métrica de
rendimiento. Por tanto, la mejor predicción del modelo se basa
en K = 5.

Análisis predictivo en separación

La separación de empleados generalmente se considera el último
proceso de recursos humanos en una organización e implica
múltiples actividades para una separación sin problemas del
empleado de la empresa. La separación puede ocurrir por
jubilación al cumplir su permanencia en la firma por el período
estipulado según oferta de trabajo, por renuncia voluntaria, cese,
despidos por reducción de tamaño de la firma o fusiones y
adquisiciones. El proceso de separación también genera una gran
carga administrativa para las empresas. Además del papeleo
para una separación formal de la empresa que cumpla con todas
las obligaciones legales, el proceso implica garantizar la
devolución adecuada de los activos de la empresa, proporcionar
beneficios posteriores a la salida, como gratificaciones, informar
a los proveedores de servicios externos, como
 Analítica en facturación y separación 241
FIGURA 7.10 Gráfico que representa el ajuste KNN (usando ROC)

proveedores de seguros para suspender la cobertura, etc.

Después de salir de la empresa, los empleados pueden buscar
referencias para empleos futuros, lo que también debe
gestionarse. Existe una presión cada vez mayor sobre las
empresas para que gestionen adecuadamente la separación para
garantizar una experiencia fluida de los empleados y preservar la
imagen de la empresa. Esto se debe a que los empleados
trasladan esa experiencia a otras organizaciones, donde
buscarán futuros empleos, y es importante garantizar una
conexión emocional adecuada incluso en el momento de la
separación de la empresa. En esta etapa es muy importante
recopilar datos apropiados sobre los empleados, ya que sería
muy difícil obtener la información faltante una vez que el
empleado abandona la empresa. El análisis predictivo de recursos
humanos sobre los datos de separación puede ayudar a las
organizaciones de muchas maneras, como se analiza en las
siguientes partes de esta sección.

Gestionar las jubilaciones a través de la analítica

Una tendencia interesante visible en el lugar de trabajo ha sido
el cambio en los patrones de jubilación. Muchas organizaciones
están siendo testigos de un retraso en la jubilación por parte de
personas que buscan extensiones en su mandato incluso con
salarios más bajos, o una tendencia hacia el aumento de la fuerza
laboral contractual o a tiempo parcial. Es imperativo para las
organizaciones comprender estas tendencias cambiantes e
identificar patrones, si los hay, desde el principio, antes de que
puedan crear un impacto organizacional. Por tanto, este es un
campo donde la predicción se está volviendo valiosa e importante
para las empresas. El papel de la analítica para predecir la
tendencia del patrón de comportamiento de jubilación se vuelve
especialmente crucial en puestos superiores o roles clave de la
organización. Cuando las personas en roles clave retrasan su
jubilación, esto impacta directamente el comportamiento
organizacional de un posible sucesor de ese rol. Por lo tanto, la
aplicación de análisis en esta área tiene dos beneficios: uno,
identificar la tendencia en la jubilación y garantizar la continuidad
del negocio canalizando puestos probables con sucesores
242Analítica en rotación y separación
potenciales; y dos, gestionar a los sucesores en caso de que haya
un retraso en las jubilaciones identificando ese retraso de manera
oportuna. Los departamentos de recursos humanos ahora
implementan algoritmos analíticos que inculcan factores
adicionales a la edad y la antigüedad para predecir las
jubilaciones, como cambios recientes en el rol, el nivel salarial,
las tasas de cambio salarial y la elegibilidad para incentivos. Se
ha visto que estos factores predicen mejor quién se jubilará que
las métricas convencionales de edad y antigüedad. Estas
empresas han podido afrontar eficazmente los ciclos de
jubilación, garantizando la asignación oportuna de funciones
clave a un posible sucesor.

Análisis de suministro y planificación de la

fuerza laboral.
Dado que la separación es el proceso final en la gestión de
recursos humanos, la racionalización del proceso de recopilación
de datos para cada proceso de recursos humanos, desde la
contratación hasta la separación, sienta las bases para la
implementación de análisis para una planificación eficaz de la
fuerza laboral. En este escenario, el análisis predictivo de
recursos humanos ayuda a realizar un análisis integral de la
oferta de la fuerza laboral actual. Puede ayudar a identificar
brechas en la oferta actual de empleados o indicar áreas
probables de escasez futura. Por lo general, inculca los siguientes
seis pasos para implementar la analítica:

• Para cada función, para cada puesto de trabajo y rol,

especifique la plantilla y el género, tal vez a través de un
panel.
• Ahora categorice cada puesto de trabajo y función según
tantas variables como sea posible, como título del trabajo,
nivel del trabajo, educación, calificación de desempeño,
experiencia, género, grupo de edad, etc.
• A continuación, realice un análisis de las licencias por tipos de
licencias, tipos de funciones y puestos laborales y ubicación.
Por ejemplo, bajas casuales por una función laboral, un
puesto de trabajo, una ubicación.
• Incluya variables ambientales externas, como variaciones en
la distancia de desplazamiento, para informes tardíos.
 Analítica en facturación y separación 243
• Realizar análisis adicionales basados en variables similares
sobre fuentes de contratación, tasas de rotación y tasas de
retención.

Ahora concluya a partir de todo el análisis dónde pueden ocurrir

brechas de habilidades actuales o probables en el futuro.
Asimismo, deducir las fortalezas y debilidades de la cadena de
suministro actual.

INSTANTÁNEA CORPORATIVA: ANÁLISIS

PREDICTIVOS EN SEPARACIÓN

Una importante firma de análisis analizó una empresa para

describir cómo un cambio en los patrones de jubilación
afecta a la fuerza laboral y su planificación. La firma dedujo
que
Uno de los factores clave que influyeron en los planes de
jubilación de los empleados fue la percepción de la pensión
laboral. Dado que la mayoría de los empleados percibieron
que este era su único apoyo financiero una vez que dejaban
el trabajo, esto tuvo el mayor impacto en sus planes de
jubilación. En este contexto, muchas empresas han iniciado
planes de contribución definida (DC) para la jubilación,
mediante los cuales tanto el empleador como el empleado
realizan un porcentaje fijo de la inversión para la pensión. La
firma de análisis analizó los ahorros de los empleados en el
plan de pensiones de DC y los proyectó frente a los ahorros
específicos. Luego, estos empleados se clasificaron en barras
rojas y verdes, y era poco probable que las rojas alcanzaran
sus objetivos proyectados. La clasificación mostraba que era
muy poco probable que la mayoría de los empleados que
tenían entre 50 y 60 años alcanzaran su objetivo de ahorro
proyectado y, por lo tanto, impactaran los planes de
jubilación. Siguiendo el ejemplo de estos hallazgos, la
empresa implementó análisis para determinar la
"preparación para la jubilación" de cada uno de sus
empleados y también para predecir la composición de la
fuerza laboral en los próximos años, en términos de una
fuerza laboral que envejece y sus capacidades y mercado
probable. dinámica de la época. Esto ayudaría a la empresa a
comprender cómo afectarán las jubilaciones a la fuerza
laboral más joven de la empresa y a planificar en
consecuencia.
244Analítica en rotación y separación
Fuente: Singleton (2018)

Uso de análisis en entrevistas de salida

Las entrevistas de salida se han convertido en un lugar común en
las empresas de hoy, debido a sus beneficios al proporcionar
información valiosa sobre las características organizacionales que
impulsan a los empleados a abandonar la empresa. Las
entrevistas de salida suelen realizarse inmediatamente antes de
que el empleado abandone la organización. Los datos recopilados
de las entrevistas de salida se pueden clasificar por factores como
grupo de edad, departamento, supervisor, ubicación, cliente,
género, etc. Estos conocimientos son extremadamente útiles
para comprender si algunos factores específicos dentro del
control organizacional están impulsando a los empleados a
abandonar la empresa. Dichos informes se pueden comparar con
puntos de referencia organizacionales, puntos de referencia
industriales y mejores prácticas globales para juzgar la posición
de una empresa en la gestión de sus empleados. Los resultados
importantes de la aplicación de análisis de datos de entrevistas
de salida son:

• Creación de estrategias de retención.

• Información sobre las condiciones laborales y la satisfacción
con diversos componentes del trabajo, como salario,
supervisión y crecimiento profesional.
• Información sobre parámetros relacionados con el trabajo,
como la distribución de la carga de trabajo y la flexibilidad de
horarios.

Conclusión
En pocas palabras, el entorno empresarial dinámico exige la
adopción e implementación de soluciones innovadoras en las
organizaciones para mantener una ventaja competitiva.
El análisis de recursos humanos, a pesar de estar en una etapa
incipiente de adopción, ha generado enormes beneficios para las
empresas que lo adoptan. Aunque no es posible demostrar un
retorno de la inversión directo en las inversiones en capital
humano, las empresas pueden inculcar el diseño de métricas de
recursos humanos y modelos predictivos basados en las mismas,
ya que las inversiones en recursos humanos se traducen en
 Analítica en facturación y separación 245
eficiencia y productividad de los trabajadores, y en actitudes
laborales, que en última instancia se manifiestan en el trabajo. o
resultados comerciales. Todas las empresas líderes a nivel
mundial han adoptado marcos de análisis de recursos humanos.
Se han reportado muchas barreras para su adopción, a saber,
escasez de profesionales capacitados, falta de apoyo de la alta
dirección, falta de disponibilidad y acceso a datos, sistemas de
recursos humanos obsoletos y dispares, y falta de integración con
otros sistemas organizacionales, por nombrar algunos. pocos.
Este libro es un intento de dotar a los gerentes de las habilidades
para aplicar el análisis predictivo en cualquier área empresarial,
mediante el ejemplo de la construcción de un sistema predictivo
de selección y rotación de personal. Este capítulo explica los
diferentes modelos y marcos utilizados por las organizaciones
para implementar análisis de recursos humanos, al mismo
tiempo que explica el enfoque holístico paso a paso para la
aplicación de análisis. A través de la ilustración de la adopción de
un enfoque de sistemas y una visión de procesos, el libro explica
claramente el primer paso del enfoque paso a paso, que es cómo
se puede llevar a cabo la identificación y definición del problema
para aplicar análisis para resolver el problema. Los siguientes
capítulos demuestran prácticamente los otros pasos del marco a
través del mismo ejemplo de gestión de rotación y retención.

Glosario
Beneficios de la aplicación de análisis en la gestión de la
Separación uno, identificando una tendencia en la jubilación
y asegurando la continuidad del negocio canalizando
posiciones probables con sucesores potenciales; y dos,
gestionar a los sucesores en caso de que haya un retraso en
las jubilaciones identificando oportunamente ese retraso.
Estrategia de 'empleador preferido' adoptada por las
empresas para gestionar estratégicamente su fuerza laboral
mejorando la capacidad de la empresa para atraer, retener y
motivar a sus empleados clave.
Entrevista de salida que se realiza cuando un empleado está a
punto de dejar la empresa y, por lo general, se realiza
inmediatamente antes de que el empleado abandone la
organización.
La visión basada en recursos (RBV) sugiere que una empresa
obtiene ventaja competitiva a partir de tres recursos:
246Analítica en rotación y separación
recursos físicos, organizativos y humanos, atribuyéndose la
mayor importancia en la era actual a los recursos humanos.
función de selección un argumento de la función de tren
utilizado para cambiar los criterios de optimización para el
cálculo del modelo final; los tres criterios utilizados para
evaluar el mejor modelo pueden ser 'mejor', que elige el valor
mayor o menor; 'oneSE', que elige el modelo más simple
dentro de un error estándar del mejor modo; y 'tolerancia',
que selecciona el modelo menos complejo con tolerancia para
el mejor valor
La separación generalmente se considera el último proceso de
recursos humanos en una organización y puede ocurrir por
jubilación al completar la permanencia en la empresa por un
período estipulado según la oferta de trabajo, por renuncia
voluntaria, despido, despidos por reducción de tamaño de la
empresa o fusiones y adquisiciones.
Intención de rotación: reflejo de la probabilidad de que un
individuo cambie de trabajo dentro de un período de tiempo
determinado.
Rotación “movimiento individual a través de los límites de
membresía de una organización”
La función Train es una función incorporada en el paquete caret
que permite la evaluación del rendimiento de varios modelos
ejecutados utilizando esta función; De forma predeterminada,
para problemas de regresión, RMSE, R cuadrado y error
absoluto medio se calculan como métricas de rendimiento,
mientras que la precisión y Kappa se calculan para problemas
de clasificación.
El modelo de rotación en desarrollo explica la intención de
rotación al describir que cuando los empleados perciben algún
tipo de shock, comienzan a buscar oportunidades laborales
alternativas.

Material de revisión
1 ¿Qué entiende usted por el significado de facturación?
2 Definir facturación.
3 Enumere los tipos de facturación.
4 Enumere las causas de separación en una organización.
5 Definir la intención de rotación.
6 Enumere algunos hechos y cifras que describan cómo la
rotación es un problema para las empresas de TI.
 Analítica en facturación y separación 247
7 ¿Qué se entiende por visión de la empresa basada en
recursos?
8 Definir la estrategia de elección del empleador.
9 Analice el papel del ajuste de PO a la hora de explicar la
intención de rotación.
10 Analice el papel de las actitudes laborales a la hora de explicar
la intención de rotación.
11 Explique cómo se puede utilizar un modelo predictivo para
predecir la rotación en las organizaciones.
12 Analice las formas en que se puede construir el modelo KNN
en R.
13 Enumere los beneficios de usar el paquete caret en R.
14 ¿Cómo puede un usuario cambiar los criterios de optimización
utilizados para la selección del modelo utilizando la función de
tren?
15 ¿Cuál es el propósito de la función trainControl en R?
16 Enumere los pasos utilizados para definir una variable como
variable de factor para la implementación de
KNN.
17 ¿Cómo puede el usuario ver el modelo de rendimiento del
modelo KNN?
18 ¿Cuál es el propósito de las funciones plot() y varImp()?
19 ¿Qué paquete permite al usuario trazar directamente una
matriz de confusión? Además, escriba la sintaxis del mismo.
20 Aclarar cómo el usuario puede cambiar la métrica utilizada
para evaluar el rendimiento del modelo de precisión a ROC.
21 Enumere algunas formas en que se pueden gestionar las
jubilaciones mediante la aplicación de análisis.
22 Aclarar los pasos para implementar análisis para el análisis de
suministro y la planificación de la fuerza laboral.
23 ¿Cómo se pueden generar informes a partir de los datos de
las entrevistas de salida y cuáles son los beneficios?
24 Enumere algunos resultados de la aplicación de análisis para
salir de los datos de las entrevistas.

Ejercicios problemáticos
1 Según su comprensión del texto y los casos, intente construir
un modelo simple para predecir quién se jubilará de aquellos
que son elegibles para jubilarse.
248Analítica en rotación y separación
2 Para el ejemplo ilustrado en este texto para la predicción de
la rotación, utilice diferentes criterios en la función de
selección () para calcular la optimización.

Caso de estudio

Análisis para informar sobre jubilaciones

efectivas
Las jubilaciones, ya sean voluntarias, por renuncia o de otro tipo,
a menudo se valoran en términos de pérdidas financieras y el
riesgo resultante. Se presta relativamente poca atención a la
productividad laboral o al impacto en la alineación de la fuerza
laboral: cómo la separación de un individuo afecta el flujo de
trabajo adaptado al individuo cuando formaba parte de la
empresa. Si este impacto se evalúa cuantitativamente, permitirá
a la empresa medir el riesgo real de la fuerza laboral y crear un
plan de jubilación en consecuencia. Un ejemplo de ello es el de
una empresa minorista global que convencionalmente
implementó ricos paquetes de promoción y buscó enriquecer y
retener el talento dentro de la empresa. Sin embargo, debido a
la desaceleración económica y la disminución de la demanda de
bienes ofrecidos por el minorista, la empresa fue testigo de un
nuevo desafío. Un gran número de sus altos ejecutivos retrasaron
su jubilación porque carecían de oportunidades laborales
significativas en otros lugares en una economía lenta. Esto llevó
a un estancamiento de las perspectivas de crecimiento
profesional de los talentos jóvenes, donde los más talentosos
recibían una buena remuneración mientras que otros se veían
obligados a abandonar la empresa debido a la falta de progreso
profesional. Esto tuvo graves consecuencias negativas para el
negocio del minorista, que tuvo que redefinir su programa de
jubilación.
Inicialmente, la empresa estaba implementando la llamada
estrategia de construcción, mediante la cual ofrecía incentivos a
sus empleados para que trabajaran dentro de la empresa y
aprovecharan su talento. Sin embargo, una vez que el individuo
dejaba la empresa, no se ofrecían incentivos. Esto probablemente
llevó a un estancamiento del progreso profesional en el nivel
junior, ya que los empleados superiores no estaban dispuestos a
jubilarse. La desaceleración económica se sumó a este montón
de miserias tanto para la empresa como para sus empleados.
 Analítica en facturación y separación 249
Para fundamentar este hallazgo y obtener una visión más
profunda, implementamos análisis sobre el movimiento de los
empleados desde las nuevas contrataciones hasta las salidas en
cada nivel laboral. Descubrió que el movimiento de empleados en
términos de promoción era significativamente alto en los dos
primeros niveles laborales y disminuía significativamente en los
niveles superiores. La proporción de nuevas contrataciones y
ascensos disminuyó aún más en el siguiente nivel de promoción
(menos de uno), creando "puntos de estrangulamiento" en la
organización. Estos puntos de estrangulamiento eran
especialmente pertinentes en los niveles de trabajo 4 y 5 (nivel
directivo medio) de la empresa. Esto implica que más allá del
nivel profesional, el ritmo al que se produce el movimiento de
talento en la empresa es muy bajo.
Este análisis tuvo varias implicaciones importantes para la
empresa. Esto implicaba que por cada retraso en la jubilación se
creaba un respaldo de más de cinco empleados que debían
ascender. Por ejemplo, los análisis revelaron que si el 4% de los
empleados de la empresa estuvieran a punto de jubilarse y casi
la mitad de ellos optaran por retrasar sus planes de jubilación,
alrededor del 10% de los empleados experimentarían puntos
críticos que serían bloqueos en los ascensos.
Al obtener sabiduría de este resultado de la implementación de
análisis, la empresa decidió rediseñar su plan de jubilación.
Decidió alinear los resultados de la analítica con el
funcionamiento de su negocio. Dado que el minorista respaldaba
productos que tenían ciclos de vida largos, era importante
garantizar la continuidad de los empleados. Y también, dado que
las empresas minoristas se basan en las relaciones, es
importante garantizar la permanencia de los empleados para
mantener las relaciones. Por lo tanto, la empresa inculcó
beneficios de jubilación y programas de beneficios de salud,
permitiendo a los empleados jubilarse ya que recibirían
incentivos al jubilarse, y también allanando el camino para
ascensos en la empresa. Para reforzar el punto en la
implementación de dicho programa de jubilación, se introdujeron
métricas para implementar análisis para evaluar el impacto del
nuevo programa de jubilación y también cuantificar el
comportamiento de rotación. La empresa se dio cuenta de que el
predictor más importante de la rotación en la empresa era la falta
de ascensos y los movimientos laterales dentro de la empresa,
como la rotación laboral. Una mayor participación en el programa
250Analítica en rotación y separación
de beneficios de jubilación y salud también redujo la rotación de
empleados y la gestión eficaz de las jubilaciones. A pesar de otros
factores organizacionales como diferencias salariales, licencias,
acciones disciplinarias, etc., el factor más importante para la
retención de empleados en niveles junior fue la participación en
estos programas de beneficios.
Para mejorar la comprensión de los factores que afectan la
decisión de un empleado de jubilarse, la empresa también realizó
el análisis empírico. Se llevó a cabo un análisis conjunto para
descubrir el grado de importancia que los empleados conceden a
diferentes factores organizativos e individuales a la hora de
contemplar la jubilación. También construyó un modelo
estadístico para predecir si un empleado se jubilará o no en el
momento de ser elegible, basándose en factores del
comportamiento de los empleados. Como resultado, las métricas
de desempeño de la empresa sugieren que casi todos los
directores ejecutivos pasaron todo su mandato en la propia
empresa, y la mayoría de sus empleados en puestos de liderazgo
senior tienen un historial de servicio de más de 15 años. La
empresa ha podido reducir significativamente la facturación al
permitir jubilaciones y ascensos oportunos. Fuente: Bulvid y
Nalbantian (2014)

Preguntas de caso
1 Analice los desafíos que enfrenta el minorista en la gestión de
las jubilaciones.
2 Enumere los problemas en las estrategias organizacionales
que llevaron a los desafíos identificados en el Problema 1.
3 ¿Cómo mejoraron el análisis y el uso de métricas la situación
en la empresa?
Bibliografía
Amos, EA y Weathington, BL (2008). Un análisis de la relación entre la
congruencia de valores empleado-organización y las actitudes de los
empleados. La Revista de Psicología: Interdisciplinaria y Aplicada ,
615–632.
Arora, A., Arunachalam, V., Asundi, J. y Fernandes, R. (2001). La
industria india de servicios de software. Política de investigación ,
1267-1287.
Backhaus, K. (2016). Revisión de la marca del empleador. Diario de
gestión de organizaciones , 193–201.
 Analítica en facturación y separación 251
Bellou, V., Chaniotakis, I., Kehagias, I. y Rigopoulou, I. (2013). Marca
de elección del empleador: la perspectiva de los empleados. Revista
de gestión y economía empresarial , 1201-1215.
Bersin, J. (17 de diciembre de 2017). "Análisis de personas: aquí con
venganza" . Obtenido en mayo de 2019, de Forbes:
[Link]/sites/joshbersin/2017/12/16/people-analytics-
here-with-a-vengeance/#48dad6332a14
Bulvid, J. y Nalbantian, HR (2014). Cómo el análisis de la fuerza laboral
puede informar el diseño de planes de jubilación: el caso de J&J .
Obtenido en mayo de 2019, de Mercer Human Resource Consulting
LLC:
[Link]/content/dam/mercer/attachments/global/webcast
s/mercer-how-forcework-analytics-can-inform-ret irement-plan-
design-the- [Link]
Oficina, FE (2018, 11 de julio). "Se espera que los ingresos del sector
IT-BPM de India alcancen los 350 mil millones de dólares para 2025,
dice el ministro de TI " . Obtenido en 2019, de Financial Express:
[Link] [Link] [Link]/industry/india-it-bpm-sector-
revenue-expected-to-touch-350-bn-by-2025-says-it-minister
/1239509/#:~:text=The%20revenues%20of%
20India's%20Information
,Ravi%20Shankar%20Prasad%20has%20said
Chatman, JA (1991). Emparejamiento de personas y organizaciones:
selección y socialización en firmas de contaduría pública. Ciencias
Administrativas Trimestrales , 459–484.
Cocinero, I. (2019). Ejemplos reales de análisis de recursos humanos en
acción y científicos de datos en recursos humanos . Obtenido en 2019,
de CPHR Alberta: [Link]/real-examples-hr-analytics-action-
and-data-scien tists-hr
Dasgupta, S. (febrero de 2017). "Tendencias en las principales empresas
de TI de la India: desde la contratación hasta el desgaste ". Obtenido
en 2018, de NDTV Profit : [Link]
telecom/article-trends-in-top-indian-it-companies-from-hiring-to-
attrition-1659231
Elkjaer, D. y Filmer, S. (2015). Tendencias e impulsores de la rotación
laboral . Nueva York: Mercer (Carrera de riqueza sanitaria).
Grillo, M. y Hackett, A. (2015, primavera). ¿Qué tipos de análisis
predictivos se utilizan en las organizaciones de gestión del talento?
Obtenido en enero de 2019 de la Universidad de Cornell, sitio de la
escuela ILR: [Link] [Link]/student/74
Holland, P., Sheehan, C. y Cieri, HD (2007). Atraer y retener talento:
explorar las tendencias de desarrollo de recursos humanos en
Australia. Desarrollo Internacional de Recursos Humanos , 247–262.
IBEF. (2018, febrero). Industria de TI e ITeS en la India . Obtenido en
2018, de IBEF – Indian Brand Equity Foundation:
[Link] [Link]
Judge, T., Van Vianen, A. y DePater, I. (2004). Estabilidad emocional,
autoevaluaciones básicas y resultados laborales: una revisión de la
252Analítica en rotación y separación
evidencia y una agenda para futuras investigaciones. Desempeño
humano , 325–346.
Kristof, A. (1996). Ajuste persona-organización: una revisión
integradora de sus conceptualizaciones, medición e implicaciones.
Psicología del personal , 1–49.
McCulloch, MC y Turban, DB (2007). Utilizar persona-organización
adecuada para seleccionar empleados para trabajos de alta rotación.
Revista Internacional de Selección y Evaluación , 63–71.
Menezes, B. (2015, 11 de febrero). "Las exportaciones indias de
servicios de TI crecerán entre un 12% y un 14% en el próximo año ".
Obtenido en diciembre de 2019 de [Link]: [Link]
/Industry/bCLO gyalLGili6TuhmN0S7J/Indian-IT-services-exports-
seen-growing-1214-in-year-ahead. HTML
Murray, JP (1999). Contratar y retener exitosamente personal de TI.
Gestión de sistemas de información , 18–24.
Ostroff, C. y Bowen, DE (2016). Reflexiones sobre el premio de la década
de 2014: ¿Hay fortaleza en el concepto de fortaleza del sistema de
recursos humanos? Revisión de la Academia de Gestión , 196–214.
Pérez, M. (2008, junio). Intención de facturación (tesis de diploma).
Universidad de Zurich, Zurich.
Phillips, M. (mayo de 2015). ¿Podrías manejar las pruebas psicométricas
de los cuatro grandes ? Obtenido en abril de 2019, de In the Black:
[Link] - y-el-auge-de-
la-psicometría
PTI. (2018, enero). "2018 verá más contrataciones, aumento salarial del
10%: encuesta salarial de Mercer" . Obtenido en 2018 de The
Economic Times: [Link]
to-see-more-hirings-salary-rise-of-10-mercers-pay-
survey/articleshow/[Link]
Saks, AM y Ashforth, BE (1997). Una investigación longitudinal de las
relaciones entre las fuentes de información laboral, las percepciones
de idoneidad de los solicitantes y los resultados laborales. Psicología
del personal , 395–426.
Informe Sectorial. (2016, agosto). Industria de TI e ITeS en la India .
Obtenido de India Brand Equity Foundation:
[Link]/industry/[Link]
Sheridan, JE (1992). Cultura organizacional y retención de empleados.
Revista de la Academia de Gestión , 1036-1056.
Singleton, S. (18 de septiembre de 2018). Uso de análisis de jubilación
para predecir la forma de la fuerza laboral futura . Obtenido en
octubre de 2019 de HRD Connect: [Link].
com/2018/09/18/uso-de-análisis-de-jubilación-para-predecir-la-
forma-futura-de-la-futuro-futuro /
Sousa-Poza, A. y Henneberger, F. (2002). Análisis de la movilidad
laboral con intenciones de rotación laboral: un estudio comparativo
interno. Instituto de Investigaciones sobre Economía y Derecho
Laboral , 1–28.
 Analítica en facturación y separación 253
Spence, J. (2015). Obtenido en marzo de 2019, de
[Link]
acquisition/
Van Vianen, AE, DePater, IE y Dijk, FV (2007). Ajuste del valor del
trabajo e intención de rotación: ajuste de la misma fuente o de
diferentes fuentes. Revista de psicología gerencial , 188–202.
Visier. (2019). "5 preguntas de L+D que no puedes responder sin
análisis ". Obtenido en 2019, del curador de recursos humanos:
[Link]
Wadhwa, V., DeVitton, Reino Unido y Gereffi, G. (julio de 2008). Cómo
el discípulo se convirtió en GURU .
Obtenido en julio de 2019, de Harvard:
[Link]/programs/lwp/people/staff
Papers/vivek/Vivek_HowDiscipleBecameGuru.pdf
Westerman, JA y Cyr, LA (2004). Un análisis integrador de las teorías
del ajuste persona-organización. Revista Internacional de Selección y
Evaluación , 252–261.
Yiu, L. y Saner, R. (2008). Informe de rotación de empleados indios .
Confederación de la Industria India, Suiza.
8
ANÁLISIS PREDICTIVO DE
RRHH EN
OTRAS ÁREAS DE GRH

Después de leer este capítulo, los usuarios

podrán comprender los siguientes conceptos
clave:
• Identificar diferentes áreas donde se puede aplicar el análisis
predictivo para el aprendizaje y el desarrollo de los
empleados en las organizaciones.
• Comprender diversas fuentes de datos y LMS utilizados para
la implementación de análisis de aprendizaje.
• Saber identificar las causas y predecir el ausentismo en las
empresas.
• Conozca varias formas en que se pueden aplicar los análisis
para la gestión del desempeño de los empleados.
• Interpretar cómo los resultados de las aplicaciones de análisis
al desempeño de los empleados pueden ser útiles en la
planificación de la sucesión, la planificación de la fuerza
laboral, la retención y la contratación de candidatos.
• Comprender cómo se puede utilizar la tecnología portátil para
predecir el desempeño y la seguridad de los empleados.
• Comprender cómo se pueden utilizar los análisis para
optimizar el paquete de recompensas y garantizar la equidad
salarial.
 Análisis en otras áreas de HRM 255
• Identificar diferentes fuentes y formas en que se pueden
predecir los incidentes de seguridad de los empleados
mediante la aplicación de análisis.

Caso de apertura
Una importante empresa europea de entretenimiento y
comunicaciones, que presta servicios a más de 20 millones de
clientes y emplea aproximadamente a 30.000 trabajadores, se
enfrentaba a una crisis presupuestaria para sus programas de
formación. Estos programas se impartían en gran medida cara a
cara y, normalmente, un empleado tenía que esperar casi tres
meses para realizar un curso de formación concreto. Este
enfoque tradicional consumía tiempo y dinero y obtenía pocos
beneficios, por lo que la empresa decidió eliminar este enfoque
convencional y reemplazarlo con experiencias basadas en
conversaciones como estrategia de aprendizaje. A esto lo
denominaron el "enfoque ágil". La empresa comenzó a buscar
posibles proveedores de contenidos de aprendizaje de próxima
generación y seleccionó a cuatro de ellos. Como prueba piloto,
implementó las soluciones de las cuatro y asignó empleados para
que aprendieran de cada solución. Para determinar lo mejor de
estas soluciones, la empresa implementó cámaras que podían
rastrear los movimientos oculares de los empleados mientras
exploraban la solución para aprender, para observar dónde y
cómo navegaban, cuánto tiempo la pantalla podía retener la
atención individual y cuándo y donde se perdieron. Realizaron el
ejercicio durante un curso completo para las cuatro soluciones y
recopilaron los datos del movimiento ocular en un informe. Con
base en el informe, para cada solución, se generó una puntuación
de usabilidad y se seleccionó Looop como la herramienta de
aprendizaje digital no convencional para la empresa.
La firma ha integrado la analítica del aprendizaje en todos sus
aspectos de funcionamiento, incluso en sus canales de
comunicación, para identificar cualquier oportunidad que pueda
ser un potencial desencadenante del aprendizaje. Por ejemplo,
en los correos electrónicos mensuales de los gerentes, se
incluyen contenidos de aprendizaje. Y los análisis rastrean varias
métricas, como las tasas de clics del contenido, la cantidad de
vistas del contenido, el patrón de interacción con el contenido en
pantalla, etc. Supongamos, por ejemplo, que el análisis
256Análisis en otras áreas de gestión de recursos humanos
determina que la cantidad de empleados que simplemente
miraron el contenido pero no se inscribieron para aprender es
alta, entonces se analizarían datos adicionales sobre ese
contenido para garantizar una mejora en la participación del
usuario. Simplemente impulsando el análisis aplicado al
contenido y la retroalimentación, la empresa garantiza mejoras
iterativas en su experiencia de aprendizaje general, manteniendo
al mismo tiempo el costo bajo (Fosway, 2017).

Introducción
Al comentar sobre el amplio alcance de la aplicación de la
analítica en la gestión de recursos humanos, Deloitte Analytics
informa que en algunas empresas, los departamentos de
recursos humanos están muy por delante de otras áreas
funcionales en la aplicación de métodos analíticos como los
modelos predictivos y prescriptivos (Davenport, 2019). Si hay
datos o posibilidad de recopilación de datos, hay margen para la
aplicación de análisis. Sin embargo, siempre se debe tener en
cuenta que la analítica arroja respuestas sólo para las preguntas
que se le han planteado. Si un analista no hace el conjunto
correcto de preguntas, los resultados también serán ambiguos.
En este contexto, no hay ningún área de la gestión de recursos
humanos que no haya sido afectada por la aplicación de la
analítica. Desde el punto de partida en la gestión de recursos
humanos, es decir, la planificación de recursos humanos hasta el
punto final de la separación de la empresa, cada pequeño
proceso tiene margen para la implementación de análisis. Los
medios digitales de recopilación de datos, el uso de sistemas de
información para la recopilación, el almacenamiento y la difusión
de datos de recursos humanos y la disponibilidad de
herramientas y técnicas relevantes han llevado al surgimiento de
la analítica como una disciplina sólida en la gestión empresarial.
Esta corriente tiene implicaciones maravillosas, lo que da como
resultado nuevas formas de gestionar las funciones y procesos
de recursos humanos. Los datos de nómina, los datos de registro
de asistencia y tiempo, los datos de gestión de recursos
humanos, los sistemas de gestión de casos, los sistemas de
gestión del aprendizaje y el uso de encuestas son algunas de las
amplias fuentes de datos de recursos humanos a las que se
pueden aplicar los análisis. Algunos de los temas pertinentes a
 Análisis en otras áreas de HRM 257
los que se han aplicado los análisis en las empresas han sido para
modelar las promociones y trayectorias profesionales de la fuerza
laboral, la rotación de la fuerza laboral y el compromiso de los
empleados. Según una encuesta de Oracle (Davenport, 2019),
que abarcó a 1510 personal senior de recursos humanos,
finanzas y marketing de 23 países, más de la mitad de los
encuestados opinó que su fuerza laboral está lo suficientemente
capacitada en la aplicación de análisis para modelar problemas
básicos de recursos humanos como la rotación. predicción,
identificación de personas de alto rendimiento y contratación de
los candidatos más adecuados. Sin embargo, el análisis
avanzado y la aplicación de análisis en otras áreas de la gestión
de recursos humanos todavía parecen un desafío para la mayoría
de la fuerza laboral. Además, no entienden cómo actuar sobre
los datos o construir una historia sobre los mismos. Si se
solucionan estas limitaciones, el análisis de recursos humanos
marcará el camino. Dada la escasez de habilidades y la feroz
competencia por el talento, el análisis de recursos humanos es
la única solución que puede proporcionar una ventaja
competitiva a las empresas. Por lo tanto, este capítulo arroja luz
sobre varias áreas de la gestión de recursos humanos, además
del reclutamiento y la selección, donde se pueden aplicar los
análisis de recursos humanos. El capítulo analiza la aplicación de
análisis predictivos de recursos humanos en el aprendizaje y el
desarrollo, el ausentismo, el desempeño de los empleados, la
compensación y los beneficios, y la seguridad de los empleados.

Análisis predictivo en el aprendizaje y el

desarrollo.
Al final, todo se reduce a impulsar el desempeño empresarial y
la coherencia con la estrategia organizacional. Sea cualquier área
funcional de la gestión de recursos humanos, se dice que es
óptima sólo cuando contribuye a la estrategia organizacional con
mejores resultados. El propósito de aplicar la analítica de RRHH
en función del aprendizaje y desarrollo en las organizaciones
también es el mismo. Las organizaciones reconocen a nivel
mundial que las personas son su mayor activo y, por lo tanto,
deben darse cuenta del valor del aprendizaje y el desarrollo
(Visier, 2019). Los programas de aprendizaje y desarrollo en la
organización tienen como objetivo promover el desarrollo de los
258Análisis en otras áreas de gestión de recursos humanos
empleados, que sea coherente con el desarrollo general de la
organización. Esto a menudo se logra mediante la provisión de
programas de capacitación oportunos para mejorar las
habilidades de los empleados. La pregunta que suelen afrontar
los directivos es cómo decidir qué programa sería útil para cada
empleado. Esta pregunta, y muchas otras, pueden responderse
mediante la aplicación de análisis. La premisa fundamental para
aplicar la analítica es que el desempeño de los empleados sea
medible como consecuencia de impartir programas de
aprendizaje y desarrollo en la organización. Por lo tanto, algunas
áreas del aprendizaje y el desarrollo donde la analítica puede
arrojar luz son:

1 Identificar a los mejores empleados de la empresa y luego

asociar la capacitación recibida de las organizaciones con las
mejoras de desempeño resultantes.
2 Identificar a los artistas que han logrado un punto en un
período corto y luego extraer las habilidades y los programas
de capacitación asociados de la empresa que garantizan dicho
desempeño.
3 Predecir programas de capacitación para empleados
individuales (análisis predictivo personalizado) más
adecuados para garantizar su éxito al asociar las habilidades
que poseen, la experiencia, el trabajo asignado en el pasado
y la capacitación anterior realizada, y luego usar estos datos
para predecir futuras posibilidades profesionales y
recomendar programas de capacitación.
4 Explotar la tasa de éxito de diferentes programas de
capacitación ofrecidos por la organización asociando cada
programa con las consiguientes mejoras en el desempeño
también se puede utilizar para eliminar programas
redundantes a la luz de la dinámica organizacional y
ambiental.
5 Análisis del entorno externo para predecir la necesidad de
desarrollo de nuevos programas de formación y también
identificar los componentes que se incluirán en cada uno de
dichos programas.
6 Aprendizaje y desarrollo como herramienta de retención:
trabajos anteriores han determinado que las organizaciones
que ofrecen intervenciones de capacitación para sus
empleados registran tasas de rotación más bajas. La
 Análisis en otras áreas de HRM 259
capacitación como métrica a menudo se asocia con el
compromiso, la lealtad y la satisfacción laboral de la
organización.

Para la mayoría de estos puntos, los datos ya existen dentro de

la organización. Principalmente, las organizaciones adoptan los
datos para implementar análisis en el aprendizaje y el desarrollo,
y LMS (sistemas de gestión del aprendizaje).
Los LMS se utilizan para realizar un seguimiento de todas las
actividades relacionadas con el aprendizaje y el desarrollo que
ocurren en la organización, y también proporcionan métricas
como la satisfacción del alumno, las inscripciones, el costo de la
capacitación, la demografía del alumno, etc. Los LMS son capaces
de registrar datos, pero no están equipados con capacidades
analíticas ni de generación de informes. Al utilizar los datos de
los LMS, el análisis predictivo puede ayudar con lo siguiente:

1 Identifique a las personas que tienen mejor desempeño

después de recibir capacitación.
2 Identificar a las personas que han recibido mayor beneficio
en términos de promoción y valoración en poco tiempo, como
consecuencia de la formación.
3 Identificar a las personas que no han recibido ninguna
capacitación o que están por recibir capacitación por primera
vez en mucho tiempo y esto ha impactado su desempeño.
4 Medir la eficacia de los programas de formación.
5 Utilice los comentarios de los empleados y las métricas de
rendimiento de los cursos para mejorar los programas de
formación.

Algunas de las técnicas analíticas predictivas que normalmente

se utilizan para responder a estas preguntas son el análisis de
cohortes y las técnicas de clasificación como KNN, ANN, etc. Los
datos existentes sobre rendimiento y capacitación se pueden
utilizar para identificar los atributos de los empleados de alto
rendimiento. Luego, se puede utilizar el análisis de cohortes o
KNN para determinar los empleados que comparten estos
atributos de los de alto rendimiento. Luego se pueden desarrollar
sus trayectorias profesionales y se les puede ofrecer un
programa de formación personalizado. Esta es un área muy
demandada de la gestión de recursos humanos y una poderosa
260Análisis en otras áreas de gestión de recursos humanos
herramienta de retención para los empleadores, ya que los
empleados buscan un desarrollo profesional específico, y cuando
las empresas los ayudan a alcanzar su máximo potencial y
marcan el camino, los empleados están atados a la empresa para
dar lo mejor de sí mismos.
Por otro lado, la analítica también debería utilizarse para
estudiar las características de aquellos que nunca han recibido
formación y relacionarlas con su desempeño y crecimiento
profesional. Para estas personas, se podrían desarrollar una
estrategia de desarrollo profesional y programas de aprendizaje
diferentes. Las empresas ahora también están cambiando a
sistemas de recursos humanos basados en la nube, lo que les
permite obtener una imagen completa del funcionamiento de los
sistemas comerciales y de los sistemas y estrategias de recursos
humanos. Esta integración de sistemas de recursos humanos
como los LMS con sistemas comerciales permite a las empresas
responder preguntas críticas, como cómo el aprendizaje y el
desarrollo en las empresas contribuyen a los objetivos
comerciales generales.

INSTANTÁNEA CORPORATIVA: ANÁLISIS

PREDICTIVO EN EL APRENDIZAJE Y EL
DESARROLLO

Una empresa de servicios de software deseaba mejorar el

contenido de los programas de capacitación diseñados para
mejorar las habilidades de sus empleados, basándose en los
comentarios de los alumnos. La empresa impartió el
aprendizaje a través de soluciones de aprendizaje
electrónico y buscó la mejora continua en las mismas para
mantenerse actualizado con las demandas actuales del
mercado y también satisfacer los intereses de los alumnos.
Por lo tanto, la empresa descubrió que para lograr una
mejora óptima del contenido, necesitaba medir las métricas
de desempeño de sus cursos de aprendizaje electrónico en
dos corrientes diferentes: una, relacionada con la medición
de los cambios en el desempeño individual de los
empleados después de recibir el curso de capacitación, y y
dos, la tasa de retención general de conocimientos.
Aunque las dos métricas estaban relacionadas, sus
observaciones separadas fueron importantes, ya que la tasa
de retención de conocimientos varía según el estilo y las
 Análisis en otras áreas de HRM 261
preferencias de aprendizaje individuales. Dependiendo del
conjunto de habilidades actuales de los empleados, su
aprendizaje del curso sería diferente ya que tiene un
impacto directo en la brecha de "saber hacer". Por lo tanto,
al implementar análisis de aprendizaje sobre datos de
empleados individuales, como conjunto de habilidades,
preferencias de aprendizaje, antecedentes educativos, etc.,
y resultados de pruebas y comentarios, la empresa pudo
responder lo siguiente:

• Respuestas a nivel individual: identifique diferentes

estilos de aprendizaje prevalentes entre los empleados
• Respuestas relacionadas con el programa: ¿Cuál debería
ser la duración de un curso? ¿Cuál debería ser la tasa de
uso del curso para determinar los cursos utilizados con
frecuencia y los utilizados raramente? ¿Es necesario
mejorar el curso o es necesario eliminarlo gradualmente
de los programas que se imparten actualmente?

Además, al enfocar específicamente el análisis en las

métricas de los programas de aprendizaje ofrecidos durante
el período de incubación y relacionarlo con el desempeño
de los empleados, una empresa podría obtener muchos
conocimientos útiles, como por ejemplo, para los
empleados exitosos y de alto desempeño, ¿cuál fue su
orientación de aprendizaje durante el período de
incubación? ¿Se presentaron el primer día de
entrenamiento? ¿Cómo se vincula su permanencia en el
cargo con el desempeño en el aprendizaje durante el
período de incubación?
Otra área importante donde la analítica del aprendizaje ha sido
útil es en la mejora de los programas de aprendizaje, que son
consistentes con las demandas de los empleados y los objetivos
organizacionales. La mayor parte del contenido del curso ahora
se diseña e imparte utilizando tecnologías de aprendizaje
electrónico. Estos cursos también permiten a las empresas
recopilar datos sobre el contenido de los cursos y recopilar
comentarios. Muchos parámetros son observables o mensurables
en este contexto, como la retroalimentación de los alumnos, la
puntuación de la evaluación del programa de los empleados, el
número de personas inscritas, la asistencia, la duración de la
finalización del curso, etc. Además, los datos sobre las
habilidades, logros, trayectoria profesional, preferencias de
262Análisis en otras áreas de gestión de recursos humanos
programas, etc. de cada empleado también están disponibles y
se pueden agregar para generar un informe de desempeño de la
impartición y el diseño del curso. Los análisis de aprendizaje
implementados al más alto nivel permitirán recomendaciones
personalizadas a nivel individual, que coincidan con los intereses
y estilos de aprendizaje del individuo. El establecimiento de un
marco de aprendizaje de este tipo en una empresa generará los
mejores resultados posibles tanto para el empleado como para
la empresa.
En pocas palabras, se puede decir que la implementación de
la analítica de aprendizaje beneficiaría tanto al empleado como a
la empresa. Introducirá mejoras tanto en el entorno laboral como
en las experiencias laborales, mejorando así el compromiso y la
retención general de los empleados en la empresa.

Analítica predictiva en ausentismo

Las leyes laborales de la India exigen que los empleadores
proporcionen licencia a los empleados cada 20 días hábiles. El
ausentismo se refiere a la ausencia prolongada o recurrente de
un empleado del lugar de trabajo, que puede ser habitual o surgir
de una preocupación personal genuina. El ausentismo se
convierte en una preocupación para las organizaciones cuando
no es planificado y es repetitivo. Las organizaciones han
descubierto muchas razones del ausentismo de los empleados,
algunas de las cuales pueden ser genuinas e inevitables,
mientras que otras pueden evitarse por completo si se detectan
a tiempo. Para frenar el ausentismo y monitorear sus causas y
preocupaciones, las empresas realizan un seguimiento de la
salud general de la organización, que generalmente se puede
evaluar en función de cinco componentes de salud amplios:
físico, psicológico, equilibrio entre el trabajo y la vida personal,
ambiental y económico. Al identificar las causas clave del
ausentismo recurrente, las empresas pueden ofrecer una
solución inmediata. Por ejemplo, una empresa de distribución de
electricidad realiza un seguimiento periódico del bienestar físico
de sus empleados en su lugar de trabajo, ya que el trabajo es
propenso a sufrir lesiones. En caso de que un empleado se
enferme mientras está en el trabajo y debido al trabajo, la
empresa ayuda inmediatamente brindando asistencia médica,
administrando la licencia por enfermedad, modificando el espacio
 Análisis en otras áreas de HRM 263
de oficina para adaptarse a las necesidades cambiantes del
empleado después de la lesión y también, los patrones de
trabajo. de pares se ajustan según las necesidades del
empleado. De esta manera, la empresa se asegura de que los
empleados no se sientan aislados y estén siendo atendidos por
la empresa. Además, la firma ha observado que ninguno de sus
empleados ha demostrado ausentismo por ningún otro motivo
que no sea este. Por lo tanto, el resultado de esta discusión es
que las razones del ausentismo varían según la organización e
incluso pueden variar según los diferentes departamentos de esa
empresa. La empresa necesita identificar de forma proactiva la
causa del mismo y encontrar una solución. Incluso se puede
incentivar a las personas con buenos registros de asistencia (
HRMagazine , 2001).
Las principales razones citadas para la ausencia de empleados
en las empresas son el cuidado de los niños, los accidentes, las
enfermedades, el acoso en el lugar de trabajo, la falta de
flexibilidad en el lugar de trabajo, el liderazgo deficiente, el
duelo, los cambios en el entorno laboral, el estrés y la fatiga, los
viajes y la ergonomía. La disposición ergonómica de los espacios
de oficina para facilitar el flujo de trabajo y el movimiento de los
empleados se ha convertido en un factor destacado que afecta
las ausencias de los empleados. Un estudio de Harvard identificó
que, si bien los programas de bienestar sacian solo a la mitad de
la fuerza laboral, la ergonomía (especialmente los espacios de
oficina ventilados y que ofrecen luz natural) puede reducir el
ausentismo hasta cuatro días (Meister, 2019). Otro problema
persistente que contribuye al ausentismo de los empleados es el
"workation". Las organizaciones ofrecen vacaciones a los
empleados; sin embargo, los dispositivos digitales han
desdibujado el límite entre la oficina y la vida personal. Incluso
cuando los empleados están de vacaciones, el uso de dispositivos
digitales no les permite desconectarse mentalmente del lugar de
trabajo, lo que genera estrés y fatiga entre los empleados. En
consecuencia, a pesar de estar de vacaciones, los empleados
perciben que están sobrecargados de trabajo y, por tanto, se
sienten con derecho a aprovechar un mayor número de días de
enfermedad para combatir el estrés y la tensión que surgen.
Estas razones cubren casi todos los aspectos de la ausencia de
los empleados en las organizaciones. La pregunta es cómo
264Análisis en otras áreas de gestión de recursos humanos
identificar qué está causando el problema y cómo solucionarlo
una vez que se conoce el problema.
El principal efecto del ausentismo se da en los aspectos
financieros. Los salarios de todos los empleados se calculan por
hora, por lo que cada día de ausencia del empleado en el lugar
de trabajo contribuye a la pérdida de financiación por falta de
trabajo. Esta pérdida financiera aumenta con el aumento del
cuadro y el nivel laboral de los trabajadores. Especialmente en
organizaciones que implican trabajo en equipo o dependencias,
la productividad general también se ve afectada, ya que otros
trabajadores del equipo tienen que contribuir a las tareas
faltantes. Los hechos sugieren que cuando un empleado pide
ausentismo no planificado, aumenta el estrés debido a la
interrupción del trabajo en más del 55% de los empleados, lo
que a su vez afecta su productividad general y también su moral.
Por lo tanto, el primer paso para frenar el ausentismo debería
ser identificar sus causas. La pregunta que es necesario abordar
aquí es: ¿de dónde provendrán los datos para identificar las
causas y reportar las tasas de ausentismo? Muchos sistemas de
información y encuestas realizadas periódicamente por las
empresas pueden proporcionar los datos necesarios. Los
sistemas de gestión de asistencia rastrean la asistencia diaria y
los tiempos de presentación de informes de los empleados. Los
datos de estos sistemas se pueden clasificar, junto con las
diferentes ubicaciones donde opera la empresa, por diferentes
departamentos, y al cotejar estos datos con los datos de registros
de los empleados en los sistemas de información de gestión de
recursos humanos, se pueden utilizar muchas otras
características para categorizar las tasas de ausentismo. Por
ejemplo, también se puede realizar una evaluación categórica de
la variación en las tasas de ausencia por parte de supervisores,
clientes, tasas de promoción, niveles de habilidades, etc. Las
empresas también pueden realizar encuestas de salud anuales
para monitorear la salud mental, física y psicológica de los
empleados. La salud mental se ha convertido en una causa
recurrente de disminución de la productividad organizacional y
de mayores ausencias no planificadas reportadas entre los
empleados. Utilizando estos datos, las empresas pueden aplicar
análisis de formas tales como:
 Análisis en otras áreas de HRM 265
1 Figuras descriptivas simples que representan el estado del
ausentismo, por diferentes departamentos, variaciones
anuales, variaciones por características de los empleados,
etc. Por ejemplo, la analítica puede representar:
a La tasa promedio de ausentismo. b Informes comparativos
de tasas de ausentismo por industria o puntos de referencia
organizacionales.
c Variación de tarifas por distintos departamentos. d
Variación por nivel, género, antigüedad, calificación de
desempeño y edad de los diferentes empleados.
e Predicción de tasas de ausentismo basada en datos
históricos anuales.
2 Asocie los datos de ausencia con los datos de rotación de
empleados para determinar cómo varían las tasas de
ausentismo con las tasas de deserción. Esto se puede
explorar más a fondo para responder cómo varían estas
tarifas según la ubicación, los departamentos y los equipos.
3 Identificar las causas del ausentismo. Por ejemplo, si el
ausentismo es alto en un lugar en particular, puede
correlacionarse con un gerente en particular o un factor
ambiental externo, como una desaceleración económica en
esa región en particular.
4 Las encuestas de salud mental y los datos de ausentismo se
pueden utilizar para determinar si un empleado de un
departamento o ubicación en particular tiene exceso de
trabajo, experimenta estrés y fatiga o es propenso a trabajar.
En tales casos se pueden implementar medidas adecuadas.
5 Evaluar periódicamente cómo los empleados califican la
ergonomía en el lugar de trabajo y cómo se relaciona con los
datos de ausentismo.
6 Una empresa puede utilizar además la analítica para evaluar
la eficacia de las medidas que ha tomado para frenar el
ausentismo, que se adaptaron a la causa identificada por la
analítica.

INSTANTÁNEA CORPORATIVA: MEDIR PARA

GESTIONAR
266Análisis en otras áreas de gestión de recursos humanos
AUSENCIA DE EMPLEADOS

VJS Foods ( HRMagazine , 2001), una empresa de

envasado de alimentos, estaba experimentando altas
tasas de ausentismo en una de sus regiones de
operación. La tasa de ausencia era tan alta que de los
más de 400 trabajadores de la región, sólo 50 se
presentaron todos los días de forma consecutiva
durante un mes. Al entrevistar a los empleados, se
descubrió que los empleados no se presentaban a
trabajar debido a la falta de motivación, como resultado
de la desaceleración económica general y la alta tasa de
desempleo en esa región. Por lo tanto, para frenar las
altas tasas de ausencia, VJS Foods implementó un plan
de recompensas para apreciar un buen historial de
asistencia. Cada mes, los empleados que se
presentaban constantemente al trabajo participaban en
un sorteo mensual en el que los ganadores eran
recompensados con premios en efectivo. Y cada seis
meses, aquellos que no solicitaron ningún día de baja
por enfermedad participaban en un sorteo valorado en
50.000 dólares australianos para el ganador.

Una vez que las empresas han identificado las causas del
ausentismo, se presenta una discusión sobre algunas medidas
que pueden emprender para frenarlo. Si la causa principal del
ausentismo es el cuidado de los niños, las empresas pueden
ofrecer horarios de trabajo flexibles, licencias extendidas de
maternidad y paternidad para cuidar al niño, guarderías y
opciones para trabajar desde casa. Algunas empresas incluso
ofrecen líneas de ayuda donde un empleado puede comunicarse
con un trabajador de cuidado infantil, como una niñera, en su
casa para preguntar sobre la salud y el bienestar de su hijo,
mientras está en el lugar de trabajo. Para las ausencias
producidas por accidentes y enfermedades laborales o
personales, las empresas han desarrollado sus programas de
salud ocupacional que brindan soluciones médicas como
fisioterapia para facilitar la recuperación temprana de los
empleados. Además, las empresas también llegan al extremo del
rediseño del lugar de trabajo y la modificación de la carga de
 Análisis en otras áreas de HRM 267
trabajo de los pares para adaptarse a los empleados que han
sufrido lesiones que causan discapacidades permanentes (como
el movimiento restringido de los empleados). Cuando los
empleados perciben un comportamiento injusto como
intimidación o falta de respeto y daño a su dignidad en el lugar
de trabajo, se sabe que se reportan enfermos. Las empresas
pueden ofrecer asesoramiento en tales casos y, a través de
programas como iniciativas contra el acoso, pueden tomar
medidas contra quienes acosan en el lugar de trabajo. Los
problemas con el liderazgo sólo pueden identificarse mediante
análisis aplicados a la retroalimentación de los pares y mediante
la administración de encuestas sobre las actitudes de los
empleados en las empresas. La única forma de corregir esto es
mediante la creación de conciencia y la capacitación de los líderes
para que desarrollen las habilidades que les faltan. A menudo,
los empleados son propensos a sufrir duelo tras la pérdida de un
familiar cercano, por lo que pueden declarar una gran cantidad
de días de ausencia del lugar de trabajo. Las empresas ofrecen
programas de asesoramiento a través de diferentes medios como
telefónico, presencial, etc., para frenar este problema. Además,
se sabe que las empresas invierten significativamente en
transporte, como autobuses, para facilitar los desplazamientos
de sus empleados, de modo que esto no se convierta en una
preocupación por el ausentismo reportado.

Análisis predictivo en el desempeño de los

empleados
Una cuestión central para la gestión de recursos humanos es la
definición, cuantificación y medición del desempeño de los
empleados. El departamento de gestión de recursos humanos de
cada organización se ha enfrentado al desafío de describir su
productividad y, por tanto, la contribución que hace a los
objetivos generales del negocio, y la cuantificación del
desempeño de los empleados es una forma en que los
departamentos de gestión de recursos humanos justifican su
productividad en sus empresas. El desempeño de los empleados
no sólo indica la eficacia de la gestión de recursos humanos en
la contratación y selección y en garantizar la colocación adecuada
del candidato en la empresa en un puesto de trabajo
determinado, sino que también beneficia a los empleados ya que
268Análisis en otras áreas de gestión de recursos humanos
proporciona retroalimentación oportuna, sirviendo así como
refuerzo para una conducta organizacional adecuada. .
Convencionalmente, las organizaciones se han apegado a
métodos tediosos para medir el desempeño de los empleados
que están sesgados y no brindan retroalimentación oportuna y
en tiempo real. Según una encuesta realizada por Randstad India
HR Game Changers (Jerath, 2018), alrededor del 30% del
personal de [Link]. percibe la necesidad de rediseñar las
herramientas utilizadas para medir el desempeño de los
empleados, de modo que elimine los inconvenientes de las
técnicas convencionales mencionados anteriormente. Los
métodos convencionales, como la realización de encuestas,
tienen malos resultados, lo que afecta directamente la moral de
los empleados y el desempeño posterior. Por lo tanto, las
organizaciones ahora están aprovechando la tecnología y los
métodos digitales para capturar el desempeño.
Una ventaja importante de cambiar a medios digitales de
recopilación de datos por parte de las empresas radica en la
posibilidad de aplicar análisis a estos datos que pueden usarse
para predecir el desempeño de los empleados existentes en un
futuro cercano, así como el desempeño de los candidatos a ser
contratados. en la firma. Las empresas pueden utilizar datos
tanto históricos como en tiempo real para hacer predicciones
sobre el desempeño de los empleados. Se ha visto que la
precisión de las calificaciones y predicciones del desempeño tiene
un efecto directo en la moral de los empleados. Esta aplicación
de análisis proporciona análisis tanto retrospectivos como
prospectivos.
Algunas áreas donde el análisis predictivo puede resultar útil
cuando se aplica a los datos de desempeño de los empleados
pueden ser:

1 Se pueden aplicar análisis a los datos históricos de desempeño

de la fuerza laboral para identificar características
individuales que constituyen un buen o mal desempeño en
una organización. Este análisis se puede realizar para cada
departamento, desempeño individual y desempeño grupal,
como en un equipo. Los rasgos de un buen desempeño se
pueden utilizar para construir un perfil laboral para un rol
laboral particular que se puede utilizar para futuros procesos
de selección y contratación. Google (Leonardi y Contractor,
 Análisis en otras áreas de HRM 269
2018) aplica algoritmos analíticos a los datos de sus
empleados para determinar qué caracteriza a un buen o mal
desempeño, y luego busca nuevas contrataciones que
coincidan con las cualidades de un buen desempeño.

INSTANTÁNEA CORPORATIVA: EL ANÁLISIS DE

RRHH IMPULSA EL RENDIMIENTO DE LA TIENDA

Un gran restaurantero demuestra un uso interesante de

la analítica que estaba presenciando una caída
significativa en sus ingresos a pesar de ofrecer los
mejores paquetes de compensación y políticas amigables
de recursos humanos. El restaurador decidió contratar
consultores de análisis, quienes proporcionarían
información basada en datos para resolver la situación.
Como la empresa no tenía datos propios, los consultores
decidieron realizar una encuesta para recopilar datos. Sin
embargo, no administraron una encuesta normal de
compromiso y actitud; más bien, diseñaron y
administraron una encuesta que vincularía los resultados
de los empleados con los resultados comerciales
relevantes. Estos resultados comerciales se identificaron
como recuento de clientes, satisfacción del cliente y
satisfacción de los empleados para cada cadena de
tiendas operativa. Luego, se identificaron los resultados
de los empleados que impactaron directamente en estos
resultados comerciales, como la adecuación laboral, el
trabajo en equipo, los altos líderes, la comunicación, la
compensación, el desarrollo profesional, el enfoque en el
cliente, etc. Las puntuaciones de cada uno de estos
factores se asignaron a resultados comerciales relevantes
en un espacio bidimensional. Las técnicas utilizadas para
el análisis fueron correlación, regresión, modelado de
ecuaciones estructuradas y el uso de mapas de calor para
representar los resultados. El resultado de esta actividad
fue que pudieron visualizar los impulsores del negocio,
que son aquellos factores que tuvieron el mayor impacto
en los resultados del negocio. Luego, estos factores se
organizaron como "mantener", "monitorear", "promover"
y "enfocar", de modo que se prestó la mayor atención a
los factores de "promoción" para aumentar el desempeño
270Análisis en otras áreas de gestión de recursos humanos
empresarial. Un total de seis factores cayeron en la
categoría de "promoción", y se pidió a los gerentes de
cada tienda que se concentraran en ellos para generar el
máximo retorno. Un año después de la implementación de
los resultados de este análisis, la cadena de restaurantes
pudo aumentar la satisfacción del cliente en un 16 % y el
número de clientes en aproximadamente 20 000 al año,
con una reducción del 10 % en la rotación de empleados.

2 La inculcación de factores organizacionales y ambientales

para clasificar a los empleados con buen o mal desempeño
en una organización también puede proporcionar una idea de
los factores que impulsan el desempeño individual en la
empresa; también brinda información objetiva sobre las
preferencias laborales y los factores que impulsan el
desempeño. Los conocimientos adquiridos a partir de este
análisis pueden ayudar a las empresas a implementar
reformas en áreas donde los empleados muestran
consistentemente un bajo desempeño. Por ejemplo, una
empresa manufacturera que experimentaba un bajo
rendimiento de los empleados aplicó análisis para determinar
la causa del mismo. Se estableció que la actitud del
supervisor bajaba la moral de los empleados, lo que resultaba
en un desempeño deficiente. La dirección podría intervenir a
tiempo para evitar un mayor deterioro del rendimiento.
3 Muchas organizaciones han estado evaluando las actitudes de
los empleados mediante encuestas periódicas en toda la
organización. Estos datos se pueden relacionar con los datos
de desempeño de los empleados mediante la aplicación de
una analítica. Por ejemplo, las actitudes de los empleados,
como el compromiso y la satisfacción laboral, tienen muchas
implicaciones importantes para los resultados laborales. Con
la ayuda de análisis, las empresas pueden identificar cómo la
variación en el nivel de compromiso de los empleados afecta
su desempeño. Un análisis más detallado puede arrojar qué
actividades de compromiso realizadas por la firma causan un
aumento en el desempeño y qué actividades causan una
disminución en el desempeño. Comprender esto permitiría a
las empresas invertir sólo en aquellas actividades que
resulten en un mejor desempeño.
 Análisis en otras áreas de HRM 271
4 El uso de análisis de datos sobre el desempeño de los
empleados también puede ayudar a predecir oportunamente
qué empleados corren el riesgo de abandonar la empresa. Las
empresas líderes a nivel mundial utilizan este tipo de análisis
para identificar "señales de alerta", que indican aquellos
empleados que han mostrado una disminución significativa
en su desempeño. En combinación con algunas otras
métricas, se puede predecir si estas señales de alerta
también tienen una puntuación de alto riesgo de abandonar
la empresa. Por ejemplo, Hewlett-Packard (Leonardi and
Contractor, 2018) calcula anualmente una puntuación de
riesgo de fuga para cada uno de sus más de 30 000
empleados, que tiene en cuenta datos de desempeño, varias
licencias tomadas y actitudes laborales, entre otros
parámetros.
5 Otra área en la que la aplicación de análisis de datos sobre el
desempeño de los empleados ha demostrado ser beneficiosa
es en la planificación de la sucesión. A través de análisis, se
pueden indicar posibles vacantes de trabajo en un rol o
departamento en particular. La caída observable en el
desempeño de los empleados en un departamento o puesto
de trabajo determinado puede estar relacionada con la
fortaleza de los empleados y puede ser atribuible a una
cantidad insuficiente de empleados en el mismo. Además,
puede indicar falta de habilidades que requieran nuevas
contrataciones, ascensos o capacitación. Análisis adicionales
también pueden indicar empleados aptos para un ascenso
para un puesto particular en función de sus experiencias
pasadas y sus habilidades.
6 Una nueva tendencia en la medición del desempeño es el uso
de insignias portátiles en el lugar de trabajo. Estas insignias
adornadas por los empleados en el lugar de trabajo permiten
monitorear las actividades que realizan, incluido el tiempo
dedicado a actividades de ocio, que pueden correlacionarse
con su desempeño laboral, sugiriendo así cómo el
movimiento de los empleados afecta el desempeño laboral en
el lugar de trabajo.
272Análisis en otras áreas de gestión de recursos humanos
Análisis predictivo en compensaciones y
beneficios
El mercado laboral actual en todo el mundo no es nada agradable
debido a la desaceleración económica. Las innovaciones digitales
y la revolución de la Industria 4.0 han redefinido las habilidades
requeridas por los empleados. Como resultado, la competencia
por contratar talentos en el mercado es feroz y retener talentos
clave es un desafío adicional al que se enfrentan las empresas.
Por lo tanto, una táctica clave para contratar y retener talentos
clave es ofrecer compensaciones competitivas y paquetes de
recompensas. Aunque las empresas creen que ofrecen
remuneración según los estándares de la industria, los
empleados sienten lo contrario. Según una encuesta global
realizada por Mercer Group en 2018 (Mercer, 2018), de cada
cinco empleados encuestados, solo dos consideraban
competitiva la compensación ofrecida por su empleador. Como
resultado, las empresas están buscando formas de rediseñar sus
estrategias de recompensas y compensaciones.

1 Una de esas estrategias es el uso de análisis predictivos para

predecir el programa de recompensa óptimo personalizado
para cada empleado. Aunque esto no es lo suficientemente
realista, las empresas suelen aplicar esta técnica para
predecir la recompensa óptima por categorías laborales o
equipo de trabajadores. Esto se denomina TRA, o estrategia
de recompensa total, que implica el uso de análisis para
determinar una combinación óptima de programas de
recompensa considerados altamente deseables por los
empleados y al mismo tiempo garantizar
el menor costo para la empresa. Las empresas realizan una
encuesta conjunta en la que se pide a los empleados que
califiquen los programas de recompensa en una escala de
calificación relativa (por ejemplo, del 1 al 10, donde 1 es el
más deseable y diez es el menos). Los resultados de la
encuesta y el costo de cada programa se utilizan como
insumos en el algoritmo analítico. La herramienta analítica
determina el equilibrio óptimo de la combinación de
recompensas, generalmente la que contiene programas con
el menor costo y la mayor conveniencia. Cuando los
programas de recompensa se diseñan y se implementan de
esa manera, garantizan resultados positivos para los
 Análisis en otras áreas de HRM 273
empleados, como un mayor compromiso y una menor
rotación. Sin embargo, los resultados de dichos estudios
deben considerarse con cautela, ya que además de los
resultados se puede utilizar la experiencia y el juicio. Es
posible que todos los resultados de TRA no sean consistentes
con los resultados comerciales; por lo tanto, se debe evaluar
adecuadamente su relevancia e implicaciones para el
desempeño empresarial. Por ejemplo, una cadena de
casinos, de acuerdo con los resultados de la aplicación de
análisis, aumentó los salarios de los empleados, ya que se
determinó que esto era el factor que más contribuía a
mejorar el desempeño de los empleados y reducir la intención
de rotación. Sin embargo, esta estrategia sólo redujo la
facturación en un 3%. El segundo factor más importante fue
proporcionar autonomía a los empleados, lo que redujo la
rotación en un 34% después de la implementación. Por lo
tanto, el simple hecho de diseñar un paquete según las
preferencias de los empleados no necesariamente
proporcionará una solución suficiente; más bien, la elección
también debería considerar su impacto en los resultados
comerciales.
2 La aplicación de análisis a los datos de la fuerza laboral puede
ayudar a los gerentes a tomar decisiones realistas con
respecto a la compensación que se debe ofrecer a los
empleados. Las herramientas analíticas pueden comparar el
perfil de un candidato, las tasas de incentivos y sus
calificaciones de desempeño en relación con las de otros
empleados que trabajan en puestos o roles laborales
similares.

INSTANTÁNEA CORPORATIVA: ANÁLISIS

PREDICTIVOS PARA LA OPTIMIZACIÓN DE
RECOMPENSAS

Hitachi Data Systems ha desarrollado una plataforma de

inteligencia llamada PANDA, que contiene datos de
personas y sistemas comerciales de muchas
organizaciones. Estos datos se han utilizado para analizar
los factores que impulsan el rendimiento empresarial.
Una de esas áreas en las que la aplicación de análisis en
274Análisis en otras áreas de gestión de recursos humanos
PANDA ha sido eficaz es en la determinación de
compensaciones y recompensas para la fuerza de ventas
de Hitachi. Convencionalmente, la determinación de la
recompensa o comisión de ventas solía ser un proceso
manual largo. Además de esto, al analizar la relación
entre la comisión de ventas y los datos de rendimiento de
ventas de PANDA, se descubrió que los datos estaban muy
sesgados, lo que implicaba que a los que tenían un
rendimiento superior se les pagaba mal y a los que tenían
un rendimiento inferior se les pagaba demasiado. Esto
tuvo repercusiones tanto para los empleados como para
la gerencia, ya que resultó en una baja moral y una
rotación de los empleados de alto rendimiento, al tiempo
que soportaba el alto costo para los de bajo rendimiento
por parte de la empresa. Por lo tanto, la empresa
automatizó el cálculo de la comisión de ventas, que ahora
se calculaba en función del valor absoluto de un cliente
(ventas generadas) y el tamaño de la oportunidad con ese
cliente. Al tener en cuenta los datos internos de ventas y
finanzas, y los datos externos de la participación en la
billetera de los clientes clave y las cifras de ventas de los
competidores, la herramienta analítica calcula
automáticamente la comisión de ventas de manera que,
si el valor absoluto del cliente es alto, mientras que el
tamaño de oportunidad es menor, la compensación total
también será baja. Por ejemplo, si un cliente generó 50
millones de rupias en ventas, mientras que los gastos de
TI del cliente ascendieron a 2 mil millones de rupias, la
participación total de la billetera del cliente es mucho
menor para la empresa. Por lo tanto, la fuerza de ventas
podría dirigirse a los clientes en consecuencia y recibir
una compensación según sus objetivos.

La aplicación de análisis a los datos de remuneración de la fuerza

laboral también permite a los tomadores de decisiones
comparar perfiles de remuneración de diferentes empleados
que trabajan en el mismo cuadro y puestos de trabajo
similares. De esta manera pueden investigar la "equidad
salarial". La equidad salarial implica garantizar la no
discriminación entre los empleados por ningún motivo y al
mismo tiempo ofrecerles una compensación por un puesto de
 Análisis en otras áreas de HRM 275
trabajo determinado y por funciones laborales en la empresa.
Los análisis permiten al personal de [Link]. realizar
revisiones internas de compensación, mediante las cuales
pueden comparar los perfiles de compensación por bandas
salariales, etnia, casta, género, religión, antigüedad, etc., y
determinar si existe algún tipo de discriminación por dicho
motivo.
3 El uso de análisis en compensaciones y beneficios también
permite a los gerentes identificar a los empleados que
sobresalen en su campo pero que están infravalorados en la
organización, simplemente porque tienen poca visibilidad. Sin
embargo, la analítica permite descubrir dichos perfiles y
garantizar que el beneficio correcto llegue al perfil correcto.
Muchos factores pueden influir en la variación de la
remuneración de los candidatos , como la carga de trabajo,
el reconocimiento, la participación más allá de la carga de
trabajo, etc., todos los cuales no pueden ser analizados de
forma independiente por un gerente de recursos humanos sin
la ayuda de la tecnología.

Análisis predictivo en la seguridad de los

empleados
La seguridad en el lugar de trabajo se ha convertido en una
preocupación creciente entre las organizaciones a nivel mundial.
Se han desarrollado estándares internacionalmente reconocidos
para la gestión de la seguridad en el lugar de trabajo, como las
pautas OHSAS 18001, y las empresas también han diseñado e
implementado programas de seguridad sólidos consistentes con
estos estándares para prevenir lesiones en el lugar de trabajo o
daños a los empleados. La certificación de Gestión de Seguridad
y Salud Ocupacional denominada OHSAS 18001 es un estándar
internacional que proporciona un marco para la identificación,
detección, control, prevención y reducción de los riesgos
asociados con la seguridad laboral y la salud de los empleados
en el lugar de trabajo. La mayor amenaza de lesiones en el lugar
de trabajo es para la reputación de la organización, y las
empresas tienen que emprender amplias estrategias de control
de daños, todo lo cual resulta en enormes pérdidas financieras
para la organización también. A pesar de tomar las medidas
adecuadas, se ha informado que las muertes y lesiones en el
276Análisis en otras áreas de gestión de recursos humanos
lugar de trabajo están aumentando a nivel mundial (Knight, Solly
y Richardson, 2019), y ahora las empresas están avanzando
hacia la adopción de análisis para frenar las mismas.
Si las organizaciones pueden identificar la causa raíz de
cualquier posible "incidente de seguridad", podrán predecir la
probabilidad de que ocurra pronto. Aunque el análisis descriptivo
aplicado a datos históricos puede identificar los "indicadores
rezagados" y describir lo que sucedió, debe complementarse con
datos adicionales que puedan mejorar la precisión de la
predicción, de modo que puedan explicar "cómo" sucedió. Estos
factores causales a menudo están ocultos en variables no
incluidas en los informes de incidentes, como el clima, el estado
del equipo, los datos geoespaciales, los datos demográficos, los
datos de bienestar de los empleados y otros datos
organizacionales relacionados con los recursos humanos y la
capacitación. Esto debe complementarse con fuentes de datos
adicionales en el modelo predictivo para predecir la probabilidad
de que ocurra un peligro para la seguridad en el lugar de trabajo.
Se pueden incluir varias fuentes de datos dispares para
mejorar la precisión de dichas predicciones. La inclusión de una
variedad de fuentes dispares para el análisis garantiza
comprender las causas fundamentales desde múltiples
perspectivas y predecir incluso las posibilidades más remotas de
que ocurra un incidente de seguridad. Algunas de las fuentes
comúnmente utilizadas para la predicción de riesgos de
seguridad son:

1 Listas de empleados que representan el horario de trabajo de

los empleados, que también pueden indicar que los
empleados están sobrecargados de trabajo y fatigados y no
se les ofrece suficiente descanso.
2 Registros de desempeño de los empleados en los sistemas de
gestión de recursos humanos, que pueden proporcionar un
resumen del desempeño pasado y de cualquier incidente de
seguridad previo para un empleado, una planta, ubicación,
región de operación, maquinaria, etc. en particular.
3 La capacitación recibida y el conjunto de habilidades
permitirían determinar si la falta de habilidades condujo a que
ocurriera el incidente. Estos datos también se pueden utilizar
para correlacionar con el grado de riesgo, es decir, cómo la
 Análisis en otras áreas de HRM 277
falta de una habilidad particular contribuye a un alto grado
de adversidad en un incidente de seguridad.
4 Auditorías e investigaciones, y sistema de gestión de casos.
5 Datos geoespaciales, datos meteorológicos, datos de fecha y
hora.
6 Historial de salud organizacional y cultura de la empresa.
7 Variación de tareas ofrecida a los empleados.
8 Sistemas de mantenimiento de equipos que representan el
estado de la maquinaria e indican el estado general de los
equipos utilizados en la organización.

Otra técnica analítica relativamente nueva y que está ganando

popularidad para garantizar la seguridad de los empleados es el
uso de tecnología portátil y IoT (Internet de las cosas) en el lugar
de trabajo. Al equipar los equipos organizacionales con sensores
y pedir a los trabajadores que usen credenciales electrónicas en
el lugar de trabajo, se pueden monitorear y gestionar posibles
problemas de seguridad en tiempo real. Si bien los sensores del
equipo pueden indicar y ayudar a predecir el funcionamiento
defectuoso del mismo, las insignias pueden generar advertencias
relacionadas con la fatiga, el estrés o el peligro potencial de los
empleados, todo en tiempo real, de modo que se pueda evitar
un incidente de seguridad de manera proactiva. Además, se
puede realizar una copia de seguridad de todos estos datos y
almacenarlos para futuros análisis. Un análisis de este tipo
también puede ayudar a desarrollar un ciclo de vida completo de
ocurrencia de posibles incidentes de seguridad, indicando el
primer punto de ocurrencia (útil como señal de advertencia en
predicciones futuras) para tomar medidas correctivas e informar
sobre las mismas.
278Análisis en otras áreas de gestión de recursos humanos
INSTANTÁNEA CORPORATIVA: ANÁLISIS
PREDICTIVOS PARA LA SEGURIDAD DE LOS
EMPLEADOS

Una enorme empresa minera (Knight et al., 2019) con

clientela internacional buscaba evaluar la seguridad de los
empleados, debido al reciente aumento en el número de
muertes en el lugar de trabajo. La empresa consultora para
analizar la seguridad de los empleados recopiló 620 puntos
de datos sobre diversos parámetros relacionados con
incidentes de seguridad de los empleados, como el clima, la
situación sociodemográfica, la proximidad de la residencia
al sitio de la mina, el horario de turnos, la experiencia y la
antigüedad, la edad, las condiciones del equipo, los
informes de incidentes y pronto. Los consultores
segmentaron los puntos de datos y desarrollaron un mapa
bidimensional que representaba los factores que se
correlacionaban con el mayor número de muertes
registradas en los datos. Los hallazgos establecieron que
las muertes tienen una alta probabilidad de ocurrir si la
fuerza laboral permanece en el sitio o cerca de él, está
involucrada en la operación del equipo en el momento del
incidente (según informes de incidentes), ha tomado un
gran número de permisos en el pasado, tiene una larga
permanencia en el lugar con la empresa y se ha presentado
tarde a su turno. Sin embargo, el factor menos
correlacionado que demostró una ocurrencia rara de
muertes fue cuando la fuerza laboral era parte del grupo de
mantenimiento, había recibido capacitación en seguridad y
tenía un desempeño superior en la empresa.
Conclusión
Este capítulo es un intento de abordar todas las áreas destacadas
de la gestión de recursos humanos a las que se puede aplicar el
análisis predictivo. El capítulo comienza con la aplicación del
análisis predictivo al aprendizaje y el desarrollo, explicando
diferentes fuentes de aplicación y diversas áreas en las que se
puede aplicar el análisis. Otra área que se aborda en este capítulo
es el problema del ausentismo que prevalece en muchas
empresas. El análisis predictivo se puede utilizar para identificar
las causas y predecir la probabilidad de ausentismo futuro entre
los empleados. Además, el capítulo describe cómo el análisis
predictivo puede ser útil para medir y predecir el desempeño de
los empleados. También explica cómo los resultados de la
aplicación de análisis en el desempeño de los empleados se
 Análisis en otras áreas de HRM 279
pueden utilizar para la planificación de la sucesión, la
planificación de la fuerza laboral, como herramienta de retención
y para futuras contrataciones y selecciones. Se analizaron
brevemente las últimas tendencias en análisis de recursos
humanos, como el uso de tecnología portátil para monitorear,
recopilar y predecir datos sobre el desempeño de los empleados.
El análisis predictivo puede resultar útil para predecir el paquete
de recompensas óptimo, analizar perfiles de compensación
competitivos y también identificar cualquier posible
discriminación en la equidad salarial. El capítulo también arroja
luz sobre la predicción de la seguridad de los empleados en las
organizaciones a través del análisis y la identificación de varias
fuentes dispares útiles en dichas predicciones.

Glosario
Ausentismo la ausencia prolongada o recurrente de un
empleado del lugar de trabajo, que puede ser habitual o
surgir de una preocupación personal genuina.
Los programas de aprendizaje y desarrollo en la
organización tienen como objetivo promover el desarrollo de
los empleados, que sea consistente con el desarrollo general
de la organización.
Sistemas de gestión del aprendizaje o LMS utilizados para
realizar un seguimiento de todas las actividades relacionadas
con el aprendizaje y el desarrollo que ocurren en la
organización; Además, los LMS también proporcionan
métricas como la satisfacción del alumno, las inscripciones,
el costo de la capacitación, el registro de la demografía del
alumno, etc.
Certificación en Gestión de Seguridad y Salud en el
Trabajo (OHSAS)
18001) una norma internacional que proporciona un marco
para la identificación, detección, control, prevención y
reducción de los riesgos asociados con la seguridad laboral y
la salud de los empleados en el lugar de trabajo.
La equidad salarial implica garantizar la no discriminación
entre los empleados por cualquier motivo, ofreciéndoles al
mismo tiempo una compensación por un puesto de trabajo
determinado y por funciones laborales en la empresa.
280Análisis en otras áreas de gestión de recursos humanos
TRA o estrategia de recompensa total implica el uso de
análisis para determinar una combinación óptima de
programas de recompensa considerados altamente deseables
por los empleados, al tiempo que se garantiza el menor costo
para la empresa.

Material de revisión
1 Explicar el papel de los programas de aprendizaje y desarrollo
en las organizaciones.
2 Enumere algunas áreas donde se puede aplicar la analítica en
el aprendizaje y el desarrollo.
3 Explique cómo la analítica aplicada en el aprendizaje y el
desarrollo ayuda a predecir programas de capacitación
individualizados para los empleados.
4 Explique cómo la analítica aplicada en el aprendizaje y el
desarrollo ayuda a retener a los empleados.
5 Enumere algunas fuentes de datos útiles para la aplicación de
análisis en el aprendizaje y el desarrollo.
6 ¿Qué entiendes por LMS?
7 Aclarar cómo se puede aplicar el análisis predictivo a los datos
de los LMS.
8 ¿Cómo puede ser útil la analítica del aprendizaje en la mejora
de los programas de aprendizaje?
9 Definir ausentismo.
10 ¿Cuándo el ausentismo se convierte en una preocupación
para las empresas? ¿Por qué es importante que las empresas
controlen y afronten el ausentismo?
11 Enumere algunas de las principales causas del ausentismo en
las organizaciones.
12 Enumere algunos efectos del ausentismo en las
organizaciones.
13 Dilucidar algunas fuentes de datos utilizadas para identificar
las causas del ausentismo en las empresas.
14 Explique cómo se pueden aplicar los análisis para comprender
y frenar el ausentismo.
15 Discuta algunas medidas tomadas por las empresas para
abordar y frenar el ausentismo, una vez que se descubre su
causa mediante la aplicación de análisis.
16 Explique cómo la medición del desempeño de los empleados
beneficia tanto al empleado como a la organización.
 Análisis en otras áreas de HRM 281
17 Analice las limitaciones de los métodos convencionales de
desempeño de los empleados y la necesidad de cambiar a
medios digitales.
18 Explique cómo se pueden aplicar los análisis para identificar
a los empleados con buen desempeño en la empresa. ¿Cómo
se puede utilizar esto para la selección y contratación?
19 ¿Cómo se pueden utilizar los análisis del desempeño de los
empleados para implementar reformas en el trabajo
organizacional?
20 Analice cómo el análisis del desempeño de los empleados
ayuda a la empresa a optimizar la inversión en actividades
organizacionales destinadas a mejorar el compromiso de los
empleados.
21 ¿Cómo se relaciona el análisis de desempeño con la
predicción de la rotación de empleados?
22 ¿Qué implicaciones tienen los análisis de desempeño para la
planificación de la sucesión y la planificación de la fuerza
laboral?
23 Explicar el papel de la tecnología portátil en la predicción del
desempeño de los empleados.
24 Defina TRA o paquete de recompensas totales.
25 Detalle cómo se pueden utilizar los análisis para optimizar el
paquete de recompensas.
26 ¿Por qué es necesario sopesar los resultados de la TRA con la
relevancia empresarial?
27 Definir equidad salarial.
28 ¿Cómo se pueden aplicar los análisis a los datos de
remuneración de la fuerza laboral para garantizar la equidad
salarial?
29 ¿Explique el papel de la analítica en la identificación de
empleados infravalorados pero de alto rendimiento?
30 ¿Qué entiende que significa OHSAS 18001?
31 ¿Por qué la seguridad de los empleados es una gran
preocupación para las organizaciones?
32 ¿Cómo puede ayudar el análisis predictivo a garantizar la
seguridad de los empleados?
33 Enumere varias fuentes de datos dispares utilizadas para la
predicción de incidentes de seguridad en las empresas.
34 Explique cómo se puede utilizar IoT para la aplicación de
análisis predictivos al campo de la seguridad de los
empleados.
282Análisis en otras áreas de gestión de recursos humanos
Ejercicios problemáticos
1 Recopile datos del registro de asistencia (tal vez los
proporcionen los maestros a pedido) e intente construir un
modelo predictivo que inculque variables como la edad del
estudiante, el sexo, las calificaciones académicas, la
participación en clase, etc.
2 Organice una visita a una empresa de fabricación cercana.
Entrevistar a los empleados sobre la seguridad laboral, la
concientización sobre las medidas de seguridad laboral y la
provisión de capacitación para las mismas. Recopile datos
sobre estos parámetros además de la edad, el sexo, el puesto
de trabajo, la ubicación, el número de licencias utilizadas y
los incidentes de seguridad en el último mes para cada
empleado entrevistado. A continuación, desarrolle un modelo
predictivo útil para predecir dichos incidentes de seguridad.

Caso de estudio

Lysithea: salud mental que predice la ausencia

de los empleados
Hitachi diseñó Lysithea (Morii y Hirayama, 2018), que es un
sistema de gestión de empleados que inculca módulos sobre
gestión del talento, gestión de recursos humanos y gestión de
nóminas. Está en funcionamiento desde 2017 y ha sido adoptado
por más de 1.200 empresas; tiene una sólida base de usuarios,
que se aproxima a 1,64 millones de personas. Un gran número
de empresas que adoptaron Lysithea estaban buscando formas
de aumentar la productividad de los empleados, y un factor
importante que la afectaba era la prevalencia de altas tasas de
ausentismo. Hitachi descubrió además, a partir de encuestas en
toda la industria, que la mala salud mental era una causa clave
del alto ausentismo entre los empleados. Entonces, Hitachi
emprendió un programa para implementar análisis para, en
primer lugar, identificar qué causaba la mala salud mental entre
los empleados y, en segundo lugar, diseñar medidas para
mejorar la salud mental y evitar que los empleados tomaran
licencias por esos motivos.
Se invitó a los médicos del lugar de trabajo a intercambiar
ideas sobre cuestiones subyacentes, como cuestiones
organizativas, ambientales y relacionadas con el trabajo, que
 Análisis en otras áreas de HRM 283
pueden causar una mala salud mental entre los empleados. Se
identificaron alrededor de 28 de estos factores y se clasificaron
en dos factores amplios: factores individuales y circunstancias.
Los factores individuales se subdividieron en atributos, prácticas
laborales, trabajo y factores privados. Cada uno de los 28
factores se colocó bajo un título apropiado y luego se
determinaron las fuentes y técnicas probables para recopilar
datos para cada uno. En el proceso, se encontró que había
aproximadamente siete factores como edad, género,
rendimiento laboral, lugar de trabajo, etc., para los cuales no
había datos disponibles en el sistema; y cuatro factores, como
las horas de sueño, el desajuste laboral, los acontecimientos de
la vida y las pérdidas, que se consideraron influyentes para
afectar la salud mental, pero la recopilación de datos al respecto
fue difícil para esta gran base de usuarios. Para los factores
restantes, los datos se tomaron de los sistemas existentes o de
los datos de los médicos, y se recopilaron mediante encuestas.
Dado que los datos recopilados contenían registros de empleados
que se habían reportado enfermos debido a problemas de salud
mental y se habían tomado algunos días libres, estos datos
podrían usarse para aplicar análisis predictivos para predecir los
empleados que informarían una ausencia en el futuro debido a
problemas mentales. salud.
Se aplicaron un total de seis algoritmos de análisis predictivo,
que incluían regresión logística, bosque aleatorio, aumento de
gradiente, máquinas de vectores de soporte, redes neuronales y
aprendizaje profundo. El método elegido fue un algoritmo de
aumento de gradiente, ya que tenía la mayor precisión. Se
introdujo un retraso de un mes en los datos para hacer
predicciones, y el algoritmo podía hacer predicciones con más del
50% de precisión, de modo que de 93 empleados que se predijo
que tomarían días libres debido a problemas de salud mental,
más de 45 en realidad informaron estar enfermos. por esas
razones. La precisión media general al hacer predicciones
utilizando el algoritmo de aumento de gradiente y las
características discutidas anteriormente fue superior al 30%, lo
que la empresa consideró bastante exacto ya que las personas
etiquetadas como de alto riesgo por el algoritmo eran aquellas
que se habían tomado una licencia debido a problemas de salud
mental. . El algoritmo describe las características clave del
empleado que informa mala salud mental, como la cantidad de
284Análisis en otras áreas de gestión de recursos humanos
licencias pagadas utilizadas, la frecuencia de llegar tarde al
trabajo y el recuento de los días que trabajaron en días festivos
(workation). A través de un panel para uso de un gerente de
personal, Lysithea representa a aquellos empleados que tienen
variaciones fluctuantes o arítmicas en cualquiera de estas
características. Al comparar estos datos con su estado de salud
mental, que los gerentes pueden evaluar a partir de datos
médicos o conversaciones personales programadas con estos
empleados, es posible una intervención temprana para abordar
el problema y prevenir el ausentismo. Durante el primer año de
implementación, Lysithea ha logrado reducir el ausentismo no
planificado debido a problemas de salud mental en un 0,3%, lo
cual es significativo en puestos clave, debido al efecto en la
productividad. A los empleados identificados con problemas de
salud mental que usaban este producto, la empresa les ofreció el
tratamiento adecuado, permisos y beneficios monetarios.
Hitachi ahora ha comercializado este producto Lysithea e
incorpora datos sobre lo siguiente para predecir empleados en
organizaciones con mala salud mental, que requieren atención
inmediata: datos de recursos humanos, datos de moral, datos de
trabajo, datos de ausencia, datos de gestión de objetivos y datos
de encuestas diarias. Todos estos datos son capturados y
registrados en el sistema por el propio sistema. El modelo hace
predicciones mensuales y genera informes de intervención
temprana para que las empresas los aborden de inmediato. Una
preocupación constante con estos sistemas es el uso de datos
médicos. Sólo cuando un empleado da su consentimiento por
escrito para el uso de estos datos para análisis se incorporan al
modelo.

Preguntas de caso
1 Analice el proceso mediante el cual se desarrolló un modelo
predictivo para predecir el ausentismo.
2 Discutir los resultados de la aplicación del algoritmo
predictivo para la gestión del ausentismo. ¿Cuáles fueron las
implicaciones para la gestión del mismo?
3 Enumere las fuentes de datos y las técnicas de recopilación
de datos utilizadas en Lysithea. Discuta su aplicabilidad
práctica en otras empresas.
 Análisis en otras áreas de HRM 285
Bibliografía
Cocinero, I. (2018). "Los momentos de recursos humanos importan: 3
desafíos de compensación resueltos con análisis de personas ".
Obtenido en 2019 de Visier: [Link]/clarity/compensation-
people-analytics/
Davenport, T. (18 de abril de 2019). ¿Es [Link]. la función más
impulsada por el análisis? Obtenido en octubre de 2019 de Harvard
Business Review: [Link] función
basada en análisis
Fosway. (2017). Perfil de innovación: Sky: rompiendo las reglas del
desarrollo de personas . Obtenido en 2019, de Fosway Group:
[Link]/wp-content/uploads/2018/05/Fosway Innovation-
Prof ile_Sky_Final_Website.pdf
Revista HR . (2001, 1 de noviembre). Las diez causas principales del
ausentismo y qué puedes hacer al respecto . Obtenido en septiembre
de 2018, de [Link]: [Link]/article-
details/the-top-10-causes-of-absenteeism-and-what-you-can-do-
about-it
Jerath, A. (10 de enero de 2018). El papel de la analítica en la predicción
del desempeño de los empleados . Obtenido en agosto de 2019, de
SHRM: [Link]/shrm-india/pages/the-role-of-analytics-in
[Link]
Knight, C., Solly, J. y Richardson, B. (2019). Análisis de seguridad en el
lugar de trabajo: salvar vidas y el resultado final . California: Deloitte.
Leonardi, P. y Contractor, N. (noviembre de 2018). Mejores análisis de
personas. Revisión de negocios de Harvard . vol. 88(10), págs.52-58
Meister, JC (26 de agosto de 2019). Encuesta: Lo que los empleados
más quieren de sus espacios de trabajo . Obtenido el 21 de noviembre
de 2019 de Harvard Business Review: [Link]
2019/08/encuesta-lo-que-los-empleados-quieren-más-de-sus-
espacios- de-trabajo
Mercer. (2018, 5 de marzo). Repensar la optimización de las
recompensas totales . Obtenido en 2019, de Mercer:
[Link]/our-thinking/career/voice-on-talent/rethinking-
total-rewards optimizació[Link]
Mondoré, S. (2018). "Estudio de caso de análisis de personas: cómo
[Link]. hizo felices a los clientes ". Obtenido en 2019, de AIHR
Analytics: [Link]/blog/people-analytics-case-study-
cómo-hr-hizo-felices-a-los-clientes/
Morii, T. e Hirayama, J. (septiembre de 2018). Usar análisis de personas
para ayudar a prevenir ausencias debido a problemas de salud mental
. Obtenido en 2019 de Hitachi Review: [Link]/
rev/archive/2018/r2018_06/06b07/[Link]
Visier. (2019). "5 preguntas de L+D que no puedes responder sin
análisis ". Obtenido en 2019, de Recursos Humanos.
Curador: [Link]
9
TENDENCIAS EMERGENTES EN
PREDICCIÓN
ANÁLISIS DE RRHH

Después de leer este capítulo, los usuarios

podrán comprender los siguientes conceptos
clave:
• Comprender el concepto de Industria 4.0 y cómo los nuevos
avances tecnológicos pueden alterar las prácticas de recursos
humanos.
• Conozca el significado de la analítica de personas y las áreas
principales donde se puede aplicar.
• Interpretar el uso de nudges y análisis de interacción en el
lugar de trabajo.
• Enumere diferentes fuentes de datos de voz en empresas y
su uso para predecir resultados de recursos humanos.
• Revisar la necesidad de datos dispares para la
implementación de análisis de voz
• Comprender el concepto y la aplicación del análisis de IoT en
la gestión de recursos humanos
• Definir la visualización de datos y los paneles de control, y su
función a la hora de informar a los responsables de la toma
de decisiones de recursos humanos.
• Comprender el concepto y el papel del análisis de Big Data
en la gestión de recursos humanos
• Discutir el impacto de la analítica en la ergonomía del lugar
de trabajo
 Tendencias emergentes en análisis predictivo de recursos humanos 287
Caso de apertura
La startup india inFeedo, con sede en Gurgaon, ha estado
trabajando en el área de análisis predictivo de personas. Su
producto reciente, 'Amber', es un chatbot equipado con
herramientas analíticas predictivas para predecir empleados no
comprometidos en una empresa. El producto es el resultado de
la insatisfacción de los líderes de recursos humanos con las
encuestas de compromiso anuales, que creen que no reflejan
completamente la opinión de los empleados. Amber, un chatbot
habilitado con inteligencia artificial (IA), por otro lado, puede
visualizarse como un confidente de los empleados para casi
todas las empresas clientes donde se ha implementado.
Casi cada 15 días, periódicamente, los empleados reciben
mensajes de comunicación de Amber, haciéndoles preguntas
personalizadas diseñadas para capturar diferentes dimensiones
del compromiso de los empleados. Las preguntas pueden incluir
preguntar al empleado sobre su percepción de satisfacción
derivada del trabajo que se le ha asignado, el apoyo del
supervisor, el papel de la empresa en la realización del potencial
de los empleados, etc. Amber simplemente modifica el patrón de
preguntas según las respuestas proporcionadas por el empleado.
Amber también analiza las expresiones y el tono de las personas,
y si un empleado expresa repetidamente su insatisfacción
durante unos meses, se genera una alerta para que [Link].
intervenga. El empleado-gerente no puede acceder a los datos
de Amber y el acceso a ellos está restringido a unas pocas
personas de la empresa. Utilizando los datos, los empleados se
clasifican en tres categorías según su riesgo de abandonar la
empresa: alto, medio y bajo. El resultado del análisis es
interpretado por un panel de expertos de inFeedo compuesto por
psicólogos, estadísticos y líderes de recursos humanos. Una
revelación interesante de una empresa de comercio electrónico
que implementó Amber fue que más de la mitad de los
empleados creían que Amber era real, ya que las preguntas
planteadas por Amber parecen conversaciones, sin finales
abruptos. Un beneficio adicional para la empresa es que la
retroalimentación de Amber también se utiliza para identificar
áreas organizativas de mejora, donde la mayoría de los
empleados han expresado su descontento. Esta es solo un área
donde la IA ha encontrado aplicación en las funciones de recursos
humanos, y luego se pueden aplicar análisis para mejorar la
función de recursos humanos. Los sistemas inteligentes, la IA y
288tendencias emergentes en análisis predictivo de recursos humanos
la Industria 4.0 están revolucionando la gestión de recursos
humanos tradicional, allanando el camino para nuevos medios
de realizar negocios y gestionar a los empleados (Bora, 2019).

Introducción
Un director senior del Grupo Hitachi resume tres factores que
contribuyen a las tendencias emergentes en tecnología de
recursos humanos. El primero es el uso de nuevas formas de
cuantificar a los seres humanos y el segundo es la escasez de
mano de obra adecuadamente calificada, mientras que el tercer
factor es el problema de las largas jornadas de trabajo y los
problemas de interfaz hombre-máquina (HitachiGroup, 2018).
A medida que el mundo se vuelve más inteligente, también lo
son las funciones comerciales. En este caso, más inteligente
implica el uso de la inteligencia artificial y la robótica en el
funcionamiento empresarial, cambiando la forma en que solían
funcionar las empresas. Así como la llegada de Internet y los
sitios de redes sociales redefinieron muchas formas de hacer
negocios, de manera similar la aparición de nuevas tecnologías
como la computación en la nube, la Internet de las cosas (IoT),
etc., ha provocado cambios drásticos. El cambio es tan
apremiante que se lo ha considerado a nivel mundial como una
nueva Revolución Industrial (Industria 4.0) y todo comenzó con
la automatización y la digitalización de la fabricación. La
Industria 4.0 es una mejora de la Industria 3.0, mediante la cual
los sistemas de información y automatización se ampliarán o
sustituirán por sistemas inteligentes, capaces de funcionar de
forma independiente sin intervención humana. Los líderes
empresariales mundiales han reconocido que la Industria 4.0
alterará la gestión de recursos humanos tradicional (Rana y
Sharma, 2019). Considere las instalaciones de producción,
donde las máquinas están interconectadas entre sí,
intercambiando datos para optimizar el flujo de trabajo y la
productividad. Estos datos se pueden recopilar, almacenar y
analizar para mejorar el rendimiento de las máquinas, solucionar
problemas de manera oportuna e implementar un
mantenimiento predictivo en lugar de un mantenimiento
preventivo. Si bien todo esto sucederá en tiempo real, superará
las capacidades humanas a una escala sin precedentes. Los
líderes de recursos humanos temen que esto redefinirá los roles
laborales y eliminará algunos de los empleos existentes en el
 Tendencias emergentes en análisis predictivo de recursos humanos 289
mercado. Por ejemplo, el almacenamiento y el cumplimiento de
pedidos automatizados ya están en funcionamiento desde hace
bastante tiempo. Las instalaciones de líderes del mercado como
Amazon y Flipkart cumplen muchos pedidos sin intervención
humana mediante el uso de robots, e iniciativas como
AmazonGo, que es una tienda minorista sin personal (que
trabaja en Internet de las cosas), son ejemplos incipientes de
Industria 4.0.
Todas las revoluciones industriales han provocado
perturbaciones en la gestión de recursos humanos. La idea es
comprender cómo se pueden gestionar las disrupciones de
manera oportuna para que el efecto sobre los empleados y la
productividad organizacional sea mínimo. Estas tecnologías
avanzadas abren nuevas vías comerciales y nuevas formas de
comunicación entre las personas. Aunque, como cualquier uso
de tecnología en las organizaciones, la Industria 4.0 plantea
desafíos como cuestiones éticas, visión de liderazgo para
implementarla, silos organizacionales que limitan su aplicación,
etc., los ejecutivos de todo el mundo coinciden en que es
prometedora y que gradualmente generará mayores beneficios.
En la gestión de recursos humanos, esto exige la capacidad de
visualizar nuevos roles laborales, la necesidad de un nuevo tipo
de líderes con características que puedan imaginar y liderar el
cambio, cambios en las prácticas de recursos humanos e
identificación de brechas de habilidades y brindar capacitación
efectiva para superarlas. La Industria 4.0, los sistemas
inteligentes, la inteligencia artificial y la robótica también están
entrando en las funciones de gestión de recursos humanos y,
como resultado, generan datos más nuevos y áreas más nuevas
en las que se pueden aplicar los análisis. El análisis predictivo
también tiene el potencial de descubrir cómo la Industria 4.0 y
las innovaciones relacionadas pueden alterar la gestión de
recursos humanos y, por lo tanto, los líderes de recursos
humanos pueden repensar las formas de realizar negocios e
implementar sus funciones. Recordando capítulos anteriores, se
ha dicho con razón que si se hacen las preguntas correctas, la
analítica arrojará los resultados correctos. Por lo tanto, este libro
–y específicamente este capítulo– espera despertar la curiosidad
del lector al aplicar su mentalidad para formular preguntas que
puedan responderse a través del análisis, especialmente las
preguntas sobre la comprensión de la causa y el efecto de estos
nuevos acontecimientos que tienen el potencial de para alterar
290tendencias emergentes en análisis predictivo de recursos humanos
la gestión de recursos humanos. Por lo tanto, el capítulo presenta
algunas áreas contemporáneas de aplicación de la analítica de
recursos humanos que aún están en desarrollo y tienen mucho
por explorar.

Análisis de personas
El análisis de personas es simplemente el uso de herramientas y
técnicas analíticas para gestionar a las personas en el lugar de
trabajo, donde las decisiones sobre las personas están
impulsadas por datos y conocimientos fácticos en lugar de
medios convencionales como la intuición y el juicio. El análisis de
personas utiliza datos sobre el comportamiento, los rasgos y las
relaciones de las personas para comprender y predecir el
comportamiento organizacional y tomar decisiones comerciales
informadas. Esta corriente de análisis está redefiniendo todos los
aspectos de la gestión de personas en el lugar de trabajo, ya sea
reclutamiento y contratación, compromiso de los empleados,
productividad de los empleados, etc. Lo que sigue es una
discusión de las tres áreas centrales en las que el análisis de
personas encuentra un lugar para su aplicación en HRM.
funciones (Nielsen y McCullough, 2018).
Transformación de funciones comerciales
centrales.
Esta aplicación de análisis de personas tiene como objetivo
comprender cómo el análisis aplicado a los datos de recursos
humanos tiene el potencial de transformar otras funciones
comerciales como marketing, finanzas, etc. Un ejemplo de ello
es el de una empresa global que busca mejorar su proceso
financiero, pero no pudo. estandarizarlo debido a las diferencias
en las prácticas contables locales de cada país y región de
operación. Como era difícil involucrar a personas de diferentes
países donde opera la empresa en una discusión sobre formas
de mejorar el proceso financiero, la empresa tomó un camino
diferente. Utilizó datos de análisis de personas para identificar la
cantidad de personas involucradas en el proceso por cada país y
región de operación, y también el tiempo dedicado al proceso.
La empresa se sorprendió al descubrir que un país dedicó un
16% menos de tiempo, involucró a 40 personas menos y
completó el proceso financiero en 71 horas-hombre menos que
el promedio mundial. De esta manera, la empresa involucró a
representantes únicamente de este país para optimizar su
 Tendencias emergentes en análisis predictivo de recursos humanos 291
proceso financiero, lo que no hubiera sido posible sin el análisis
de personas.

Transformación de la cultura – cómo se llevaron

a cabo los procesos
Utilizando retroalimentación e información basada en datos, las
organizaciones han descubierto nuevas formas de transformar
culturas. En una de esas aplicaciones, una empresa de servicios
de software descubrió que los gerentes voluntariamente no eran
inclusivos en su enfoque. Para cambiar esta perspectiva, la
empresa aplicó análisis para describir cómo la participación
gerencial afectaba el desempeño de los empleados. Mostró a los
gerentes que cuando se permitían al menos 16 minutos de
conversación individual con sus empleados, sus niveles de
compromiso aumentaban en un 30%.
El análisis de personas se puede utilizar aún más para generar
estos "empujones" tanto para los gerentes como para los
empleados. Los Nudges son recordatorios oportunos y
personalizados para cada empleado, generados por las
máquinas, para recordar y aumentar la productividad y el
rendimiento. Los empujones se han utilizado para recordar a los
gerentes que interactúen con los empleados, brinden
retroalimentación para involucrarlos mejor y brindar una
percepción de que la organización se preocupa por ellos. Al
utilizar el análisis de datos para rastrear el tiempo que los
empleados pasan en sus estaciones de trabajo y determinar la
contribución al trabajo, el algoritmo de análisis puede rastrear si
están perdiendo el enfoque. El análisis de dichos patrones
permite a las herramientas predecir cuándo se ha producido la
fatiga en los empleados debido al trabajo continuo y, en
consecuencia, se envía un empujón a la pantalla como
recordatorio para tomar un descanso del trabajo.

Análisis para apoyar la transformación

estratégica
El análisis de interacciones es un área especializada del análisis
de personas centrada en analizar las conversaciones y
comunicaciones entre los empleados en el lugar de trabajo. Al
aplicar análisis a las comunicaciones entre las personas, se
puede gestionar mejor a los empleados en el lugar de trabajo.
292tendencias emergentes en análisis predictivo de recursos humanos
Slack, un mensajero ampliamente utilizado a nivel mundial para
las comunicaciones de los empleados en el lugar de trabajo,
implementa un chatbot Engazify. Dado que Slack permite
conversaciones en grupos cerrados entre miembros de un equipo
en particular, Engazify realiza un seguimiento de estas
conversaciones en equipo y crea una tabla de clasificación que
muestra la frecuencia semanal con la que cada miembro del
equipo ha recibido reconocimiento. Además, estas estadísticas
semanales se combinan para representar cómo los niveles de
felicidad dentro del equipo han aumentado cada semana. Otra
empresa (Bora, 2019) que luchaba por lograr una
transformación en toda la organización escuchó algunas historias
experienciales de sus trabajadores del conocimiento que
hablaban de fatiga, exceso de trabajo y agotamiento debido al
cambio. Para resolver esta situación, la empresa dotó a los
ejecutivos de paneles de control basados en análisis, que
representaban la cantidad de horas dedicadas por cada
trabajador del equipo. De esta manera se podrían identificar los
trabajadores sobreutilizados y subutilizados, y los equipos
sobrenumerados o insuficientemente numerados.
Un gran desafío que enfrenta el análisis de personas en la
actualidad son las preocupaciones éticas sobre el uso excesivo
de datos de los empleados para análisis de terceros. Muchas
empresas han intentado resolver este problema obteniendo el
consentimiento de los empleados antes del análisis y también
comunicando de antemano que todas las conversaciones de los
empleados en el lugar de trabajo realizadas utilizando los canales
organizacionales pueden usarse para el análisis de datos.

Análisis de voz y voz en HRM

El reconocimiento de voz y los asistentes de voz están entrando
en abundancia en el mercado, siendo los principales jugadores
el Asistente de Google, Alexa de Amazon y Siri de Apple. Cada
uno de estos dispositivos está creando abundantes datos que
ahora han encontrado múltiples usos por parte de las
organizaciones. En las organizaciones, los datos creados a través
de conversaciones en centros de llamadas, conferencias
telefónicas, mensajes en correos de voz o comandos
transmitidos a través de asistentes de voz en el lugar de trabajo
forman algunas de las muchas fuentes de datos de voz. Si bien
los chatbots convencionales se limitaban a conversaciones de
 Tendencias emergentes en análisis predictivo de recursos humanos 293
texto, los asistentes de voz y los dispositivos de reconocimiento
de voz son los que cambian las reglas del juego. Aunque la
complejidad de decodificar datos de voz y luego usar algoritmos
para analizarlos es mucho más difícil que cualquier otra fuente
de datos, los avances en este campo parecen prometedores y
cada día traen nuevas posibilidades. Las plataformas habilitadas
para IoT y voz serán algo común en los próximos años,
prevaleciendo incluso en tareas cotidianas simples que realizan
los humanos, como encender automóviles, operar teléfonos y
navegar por sitios web (Shrock, 2018).
La gestión empresarial, especialmente en la función de
marketing, lleva bastante tiempo aprovechando el habla y el
análisis de voz. La tendencia se está expandiendo a otras áreas
funcionales y también se ha acelerado en la gestión de recursos
humanos. En HRM, el uso de análisis de voz y habla se limita
actualmente a como herramienta de evaluación de contratación.
El personal de [Link]. ha estado aprovechando el uso de
plataformas tecnológicas de audio y video como Skype y
llamadas móviles para realizar entrevistas virtuales con posibles
candidatos a contratar. Utilizando el análisis de voz, las
empresas pueden grabar entrevistas y luego analizar parámetros
más allá del habla, como la modulación de la voz, el ritmo del
habla, las áreas de énfasis en el habla y la entonación, todo lo
cual puede ayudar a deducir las características de personalidad
de un individuo. Es posible identificar temperamento,
cooperación, creatividad, eficacia de la comunicación, etc., a
través del análisis de voz. Al comparar estas características de
los candidatos con los rasgos de comportamiento requeridos
para el puesto de trabajo para el que están siendo entrevistados,
el algoritmo analítico genera una puntuación que indica qué tan
bien coincide el perfil del candidato con el perfil del trabajo.
Además, el análisis de voz también se utiliza como medio para
evaluar la salud mental de los empleados. Dado que hoy en día
los empleados son propensos al estrés se está convirtiendo en
algo común en el lugar de trabajo, lo que afecta su productividad
y rendimiento, se ha vuelto imperativo que las organizaciones
realicen un seguimiento de su salud mental para intervenir de
manera oportuna antes de que la condición del empleado se
deteriore. . El habla humana se produce debido a la vibración de
las cuerdas vocales en la garganta. Se ha visto que cuando una
persona está relajada sus cuerdas vocales están flojas, mientras
que se tensan cuando la persona está bajo estrés (Yamashita,
294tendencias emergentes en análisis predictivo de recursos humanos
Higuchi y Satake, 2018). Estos cambios en las cuerdas vocales
también provocan cambios en el tono de la voz humana, que se
vuelve más aguda bajo estrés. Por lo tanto, para predecir la
aparición de un problema mental entre los empleados, la
plataforma de análisis de voz cuantifica los cambios en las
cuerdas vocales y el tono de la voz. Una de esas plataformas de
análisis que funciona según este principio es MIMOSYS,
implementada por Hitachi Ltd. para medir la salud mental de sus
empleados y brindar tratamiento primario. Los resultados de
MIMOSYS se presentan como vitalidad y actividad mental. La
vitalidad varía según la situación y el entorno. La idea es buscar
variaciones o tendencias o descensos en la actividad mental. Si
la salud mental es mala, entonces la vitalidad deja de variar
debido a la falta de emoción y la actividad mental comienza a
empeorar.
La única limitación de esta área del análisis es inyectar sesgos
con el uso de datos específicos. A menos que una organización
que desarrolla un modelo analítico utilizando voz y datos de voz
tenga abundantes datos que abarquen todas las posibilidades,
no puede estar segura de llegar a resultados imparciales. Por
ejemplo, el rendimiento de un algoritmo de reconocimiento de
voz entrenado en inglés estadounidense variaría con los datos
del inglés indio y del inglés británico. A menos que el algoritmo
haya sido entrenado con estos datos, inculcando todas las
variaciones lingüísticas, las predicciones y detecciones no
pueden ser precisas. Esta es una preocupación importante, y esa
es la razón principal por la que gigantes globales como Google
dominan este campo, debido a la gran cantidad de datos que
pueden recopilar globalmente a través de sus aplicaciones.

Internet de las cosas en el análisis de recursos

humanos
El jefe de negocios de IoT en Reliance Group cree que comienza
y termina con las personas (SHRM_India, 2018). IoT es una red
de dispositivos inteligentes interconectados y humanos
adornados con esos dispositivos, intercambiando datos y
comandos para maximizar el rendimiento y minimizar o eliminar
la intervención humana. IoT tiene amplias implicaciones para la
gestión de recursos humanos, ya que puede cambiar la forma en
que los humanos operan en una organización. Así como las
máquinas están equipadas con sensores para rastrear y registrar
 Tendencias emergentes en análisis predictivo de recursos humanos 295
su desempeño, optimizar la producción y minimizar las fallas,
también se puede adornar a los humanos en el lugar de trabajo
con dispositivos portátiles equipados con sensores. Estos
dispositivos pueden luego permitir a las organizaciones rastrear
el movimiento humano en la empresa, lo que puede usarse para
mejorar tanto la ergonomía del lugar de trabajo, generando así
mejoras en la seguridad y movilidad de los empleados en la
empresa, como también el desempeño en el lugar de trabajo, al
monitorear el trabajo realizado por los empleados mientras están
en la empresa. la organización. Además, cuando estos
dispositivos están equipados para grabar las conversaciones de
los empleados, los datos se pueden utilizar para predecir en
tiempo real la dinámica de la fuerza laboral, como las áreas de
insatisfacción en la empresa y el comportamiento de los
empleados.
Los análisis de recursos humanos habilitados por IoT son
especialmente útiles para empresas con fuerza laboral móvil o
que operan en condiciones críticas, como empresas de
generación de energía, empresas mineras, la industria química,
etc. Se debe obligar a la fuerza laboral de dichas organizaciones
a usar insignias inteligentes que realicen un seguimiento en
tiempo real. Cronometrar las estadísticas vitales del trabajador
y generar una alerta inmediata si se detecta algún patrón
indeseable. Además, al rastrear los cambios en las condiciones
ambientales que prevalecen en las instalaciones de dichas
organizaciones, se pueden utilizar variaciones probables, como
el aumento de los niveles de calor, la caída de los niveles de
oxígeno, etc., para generar alertas oportunas para minimizar los
efectos en la salud de los trabajadores. Un ejemplo de
implementación corporativa de análisis de IoT para garantizar la
seguridad de los trabajadores es el de Nation Waste, Inc., que
es una empresa comercial de eliminación de residuos con sede
en Estados Unidos. Combina datos de sensores ambientales y
sensores portátiles que usa su fuerza laboral. Algunos de los
sensores implementados incluyen sensores para rastrear el
movimiento de los empleados para detectar colisiones o caídas,
sensores de calor y sensores de monitoreo de latidos cardíacos
que pueden predecir el agotamiento o el estrés entre los
trabajadores. Cada vez que estos sensores detectan un peligro,
la solución de análisis desarrollada por IBM, 'IoT Safer
Workplace', genera alertas como vibraciones o luces
intermitentes para que los trabajadores las noten de inmediato.
296tendencias emergentes en análisis predictivo de recursos humanos
Además, estos datos también se comunican a paneles para que
los gerentes puedan ver las métricas de seguridad de cada
trabajador. Con menos incidentes de seguridad en el lugar de
trabajo, Nation Waste busca reducir en un 60% los gastos
incurridos en litigios de empleados, asistencia médica y
reclamaciones de seguros.

Visualización de datos en HRM

La visualización de datos es simplemente una representación de
los resultados de la aplicación de algoritmos analíticos, de forma
gráfica o pictórica. La principal herramienta de visualización de
datos utilizada para representar la gestión de recursos humanos
o cualquier dato empresarial es un panel de control. Dado que
los informes pueden volverse engorrosos, especialmente cuando
los datos son enormes, las organizaciones cambian a una
representación gráfica de los datos. Panel de control se refiere a
una interfaz gráfica de usuario que muestra datos clave para una
fácil interpretación por parte de quien toma las decisiones. Es
una herramienta para simplificar la presentación de información
para quien toma decisiones y generalmente presenta un
resumen de datos clave de una función comercial para la cual se
ha diseñado el tablero.
En HRM, las métricas de recursos humanos se pueden
mostrar para una función de recursos humanos determinada
mediante un panel. Se ha discutido una breve descripción
general de la posible visualización de datos para algunas
funciones de recursos humanos, enumerando la función de
recursos humanos y los elementos que el tablero puede
contener (Maalerud, 2019).

1 Reclutamiento
a Brechas en la oferta de fuerza laboral por diferentes
departamentos, regiones de operación, niveles de empleo
y conjuntos de habilidades.
b Cumplimiento de la brecha de oferta según los
parámetros anteriores mediante capacitación,
contratación o promoción.
c Fuentes de contratación. d Número de contrataciones
anteriores y éxito de las contrataciones de cada fuente. e
Calificación de credibilidad de la fuente.
 Tendencias emergentes en análisis predictivo de recursos humanos 297
2 Contratación y selección de un resumen de los mejores
empleados de cada departamento que enumera sus
características como educación, habilidades y actitudes
laborales, y la tasa de rotación.
3 Compensación
a Listado de perfiles para análisis comparativo de
remuneraciones ofrecidas para roles y puestos laborales
similares.
b Análisis salarial ofrecido a nuevas y anteriores
contrataciones. c Visualizar las diferencias salariales por
género, religión, etc., para determinar cuestiones de
equidad salarial, si las hubiera.
4 Desarrollo de carrera a Programas de capacitación
entregados anualmente. b Número de programas de
capacitación realizados por empleados clave. c Número
de empleados que no recibieron ninguna formación.
d Comparación departamental y regional de los programas
de capacitación realizados.
e Número de ascensos tras realizar un programa de
formación.
5 Análisis de rotación a Principales razones de deserción
citadas en las entrevistas de salida. b Tasas de rotación
departamental y regional. c Rotación por puesto de trabajo.
d Volumen de negocios por sexo y grupo de edad. e
Comparación de calificaciones de desempeño y tasa de
rotación.

Estas visualizaciones pueden tener la forma de gráficos de

barras y gráficos circulares simples, que se pueden realizar
utilizando herramientas simples como Microsfot Excel. Sin
embargo, con el aumento de los datos y la complejidad de
agregar más dimensiones a la visualización, las organizaciones
utilizan herramientas como R y Tableau. Tableau es una
poderosa herramienta utilizada en todo el mundo por una gran
cantidad de organizaciones para la visualización de datos, ya que
puede conectarse con una gran cantidad de fuentes de datos y
trabajar con tipos de datos dispares. Además de esto, las
empresas también pueden utilizar la visualización de datos para
el análisis de redes en la organización, lo que puede abordar
muchas preocupaciones como:
298tendencias emergentes en análisis predictivo de recursos humanos
1 Cómo están conectados los empleados.
2 Identificar la fortaleza de las redes de empleados.
3 Identificar candidatos con redes sólidas (pueden actuar como
personas influyentes en nombre de la empresa para defender
sus prácticas).
4 Identificar candidatos con conexiones más allá de sus
departamentos, etc.

Al potenciar estos paneles con datos en tiempo real, los gerentes

de recursos humanos pueden obtener información útil de los
paneles para tomar medidas proactivas para una mejor gestión
del personal. SAP (Maalerud, 2019) ha implementado una sala
de juntas digital en su sede que representa métricas clave para
todas las funciones comerciales de las organizaciones que
cambian en tiempo real. Por ejemplo, el panel de recursos
humanos de la sala de juntas digital muestra las nuevas
contrataciones por habilidad, departamento, región de
operación, tasas de rotación anual, etc. Al integrar datos en toda
la empresa, la organización puede ver el impacto de las
actividades de una función empresarial sobre otra en tiempo
real. Por ejemplo, las actividades de aprendizaje y desarrollo
realizadas por [Link]. a nivel global frente a las inversiones
realizadas por el departamento de finanzas, y cómo estas
actividades e inversiones varían con años anteriores. Los paneles
también permiten "profundizar" en los datos; es decir, observar
las variaciones en los resultados de los datos para distintos
niveles de granularidad de los datos. Por ejemplo, se puede
hacer clic en las tasas de rotación regional para revelar los
departamentos de una región determinada, se pueden examinar
los departamentos para revelar las tasas de rotación para
diferentes puestos de trabajo en cada departamento, y estos
puestos se pueden examinar más a fondo para revelar
variaciones en la rotación por género. y grupos de edad.
Esta información detallada no es posible manualmente ni a
través de informes tradicionales, ya que leerlos es muy tedioso.
Por lo tanto, la visualización de datos permite a los gerentes ver
un resumen de datos de métricas organizacionales clave de un
vistazo y tomar decisiones informadas en tiempo real.
 Tendencias emergentes en análisis predictivo de recursos humanos 299
Big data en gestión de recursos humanos
Una frase de moda en el análisis de datos es Big Data. 'Big Data'
simplemente se refiere a cualquier dato que cumpla tres
características clave: gran volumen, gran variedad y alta
velocidad. Aquí, los datos de gran volumen implican que los
datos están disponibles en masa, de modo que la organización
tiene dificultades para almacenarlos y no pueden procesarse
mediante métodos tradicionales. La alta velocidad implica que
los datos aumentan exponencialmente a un ritmo inmanejable.
Una gran variedad implica que los datos se componen de muchos
tipos de datos estructurados y no estructurados. La llegada de
nuevas plataformas tecnológicas, como los sitios de redes
sociales para la comunicación, Internet, la inteligencia artificial y
la robótica, han provocado cambios drásticos en los datos
recopilados para cualquier función empresarial, incluida la
gestión de recursos humanos. En HRM, considere cualquier
función empresarial para comprender las implicaciones de Big
Data. Considere el ejemplo del desempeño de los empleados,
que se mide utilizando fuentes que incluyen las siguientes:

• Revisiones de desempeño, que son datos estructurados.

• Usar sensores portátiles adornados por los empleados en el
lugar de trabajo, que son datos de IoT no estructurados.
• Cuantificar el número de interacciones efectivas en el lugar
de trabajo utilizando datos de voz y voz.
• Conversaciones de chatbot, que son datos de voz y texto.

Todos estos datos, cuando se recopilan y analizan para una

función de recursos humanos (es decir, el desempeño de los
empleados), pueden denominarse Big Data, ya que satisfacen las
tres V al incluir datos de gran volumen, gran variedad y alta
velocidad. Por tanto, Big Data es simplemente un término
acuñado para los datos existentes, sólo que con el elemento
diferenciador de las tres V. Sin embargo, dado que las
herramientas analíticas convencionales no pueden trabajar con
la complejidad de Big Data en términos de datos masivos,
análisis de diferentes contenidos de datos, tanto estructurados
como no estructurados, y que requieren actualizaciones
dinámicas de datos, ha surgido un equipo separado de análisis
llamado análisis de Big Data. Implementar análisis de Big Data
en las organizaciones requiere implementar o alquilar enormes
300tendencias emergentes en análisis predictivo de recursos humanos
espacios de almacenamiento como soluciones en la nube y
trabajar en plataformas especialmente equipadas como Hadoop.
Los líderes organizacionales a nivel mundial han expresado su
preocupación por el uso del término Big Data en el contexto de
los datos de recursos humanos. Muchos creen que no existe el
Big Data en la gestión de recursos humanos (Cappelli, 2017). Sin
embargo, tanto el término como la aplicación del análisis de Big
Data han encontrado uso en la gestión de recursos humanos y
han obtenido enormes beneficios y un cambio en la forma en que
se llevan a cabo las diferentes funciones y actividades de
recursos humanos. Por ejemplo, para la gestión del compromiso
de los empleados, se pueden utilizar para el análisis encuestas
anuales tradicionales, datos de chatbots, comunicaciones de los
empleados, datos de ausentismo, sensores portátiles, etc. Este
es otro ejemplo de Big Data. Sin embargo, antes de aplicar el
análisis de Big Data, una empresa debe asegurarse de que los
datos recopilados y el modelo construido sean confiables para
predicciones y análisis futuros. Utilizando el análisis de Big Data,
la empresa global de soluciones de servicios de software
Geminian (Cappelli, 2017) mejoró su previsión de mano de obra.
Cada año, la empresa contrata millones de empleados en todo el
mundo y, mediante análisis, puede planificar con seis meses de
antelación para cada una de sus regiones y departamentos de
operaciones.
Una limitación importante del análisis de Big Data es la falacia
de los datos en sí. GIGO ('basura que entra, basura que sale') es
un término ampliamente utilizado en el análisis de datos, lo que
implica que si se introducen datos erróneos o defectuosos en un
sistema, se producirán resultados defectuosos. Esto ha llevado
al surgimiento de Big Data humanizado, lo que simplemente
implica humanizar los resultados del análisis de Big Data –es
decir, la validación de la aplicación y los resultados del análisis
de Big Data por parte de un profesional humano– de modo que
las interpretaciones erróneas debidas a razonamientos falaces no
No conducir a decisiones erróneas.

Análisis en ergonomía en el lugar de trabajo

La ergonomía del lugar de trabajo implica la aplicación de
principios científicos y psicológicos para diseñar el lugar de
trabajo de acuerdo con las necesidades y limitaciones de los
trabajadores. Un estudio de Deloitte revela que solo el 60% del
 Tendencias emergentes en análisis predictivo de recursos humanos 301
espacio de trabajo disponible se utiliza en cualquier configuración
de oficina moderna (Rose, 2019). El objetivo principal de la
ergonomía en el lugar de trabajo es aumentar la comodidad de
los empleados en el lugar de trabajo para aumentar la
productividad y al mismo tiempo reducir los riesgos y lesiones
de los empleados. La dinámica ambiental y los cambios en el
trabajo, los lugares de trabajo y los trabajadores han llevado a
las organizaciones a repensar sus espacios de oficina. La
tecnología incluso ha cuestionado la existencia de espacios
físicos dedicados al trabajo de oficina para los empleados, ya que
ahora los empleados pueden trabajar desde cualquier lugar,
incluso más allá de las fronteras. Además, la diversidad de la
fuerza laboral ha aumentado, lo que plantea la necesidad de
adaptarse a las diferentes necesidades de este sector diverso de
trabajadores. Además de esto, los estudios de investigación
(Hogan, Lucker, Robertson y Schafer, 2019) han revelado que
los espacios de oficina tienen un efecto en el comportamiento de
los empleados en el lugar de trabajo, como en su motivación,
compromiso, vitalidad, etc. Cuando el diseño del lugar de trabajo
no incorpora los intereses de las diferentes partes interesadas
que lo utilizan, y las organizaciones no continúan mejorándolo y
lo ven como una actividad única, se ha visto que tiene un impacto
negativo en la productividad de los trabajadores. Por lo tanto, se
sugiere que el lugar de trabajo debería diseñarse para dar cabida
a una variedad de razones por las que las personas acuden al
lugar de trabajo. Por ejemplo, algunos pueden venir al lugar de
trabajo solo para capacitarse y aprender, algunos para reunirse
con clientes, otros para actividades de mercado, algunos para
trabajo privado individual y otros para colaborar. Cada uno de
ellos requiere un tipo diferente de espacio de trabajo y el diseño
debe ofrecer algo de espacio para cada tipo de necesidad.
Para rediseñar los espacios de trabajo, se pueden utilizar datos
de sensores portátiles para comprender cómo se utilizan en la
organización los espacios de oficina, como salas de conferencias,
estaciones de trabajo, salas de reuniones, etc. Cuantificando el
uso de diferentes espacios y mobiliario de oficina, se puede
realizar la asignación de actividades diarias y la disposición del
espacio de trabajo según la frecuencia de uso de los mismos. Los
estudios también han demostrado que, en promedio, alrededor
del 60 % de los trabajadores dedican mucho más tiempo a
encontrar una sala de conferencias del que normalmente se
necesitaría (Rose, 2019). Esto también se puede responder
302tendencias emergentes en análisis predictivo de recursos humanos
mediante análisis. Al monitorear a muchos empleados, se puede
cambiar en consecuencia el tamaño del espacio de oficina
utilizado para trabajar, reunirse, colaborar y programar
diferentes actividades. Si el análisis muestra que un espacio
grande no se utiliza, las organizaciones pueden considerar
recortar ese espacio de trabajo, ahorrando dinero gastado en su
mantenimiento. Las empresas también pueden optar por el
'coworking', lo que permite a los trabajadores remotos de otros
socios comerciales trabajar desde sus espacios de oficina,
generando así más ingresos para la empresa. También se pueden
instalar sensores en el lugar de trabajo para controlar la
humedad, la temperatura, el número de personas en un área o
habitación determinada, etc., y pueden utilizarse para mejorar la
comodidad y la seguridad del lugar de trabajo. Al monitorear la
actividad en el lugar de trabajo, las organizaciones pueden
utilizar análisis para variar las condiciones ambientales en el
espacio de trabajo, como la variación de la temperatura según la
cantidad de personas presentes.

Conclusión
Las innovaciones tecnológicas como la inteligencia artificial y la
robótica han alterado muchas funciones comerciales y redefinido
la forma en que se llevaban a cabo. La gestión de recursos
humanos también se ha visto afectada por esta disrupción , y el
impacto es doble: genera beneficios para las empresas y algunos
sectores de los empleados, mientras que otros son los más
afectados por el cambio. Sin embargo, es un hecho que las
organizaciones, tarde o temprano, tendrán que adoptar estos
cambios y aceptar también la aplicación contemporánea de la
analítica de recursos humanos. La llegada de los sistemas
inteligentes, la IA y el IoT han dado lugar a lo que se ha
denominado Industria 4.0, y traerá consecuencias generalizadas
para la fuerza laboral. La automatización y los sistemas
autónomos, que debido a los avances en IA también se están
implementando e improvisando para funciones no repetitivas de
gestión de recursos humanos, pondrán potencialmente en
peligro los perfiles laborales existentes. Esto no implica que
terminará la necesidad de mano de obra manual; sin embargo,
ciertamente significa que sus tareas en la organización se
redefinirán, lo que requerirá un conjunto de habilidades
completamente diferente. Este campo de la analítica todavía está
 Tendencias emergentes en análisis predictivo de recursos humanos 303
evolucionando y cada día se producen muchos avances nuevos.
Para una implementación eficaz y exitosa del mismo en cualquier
función empresarial, las organizaciones necesitarán líderes
visionarios que puedan prever y liderar el cambio. Como se ha
visto en muchos ejemplos y discusiones presentados en este
capítulo, estos avances tecnológicos han tenido un impacto
incomparable en las funciones de recursos humanos y han
cambiado por completo la forma en que se gestionan en las
organizaciones. Analytics permite el monitoreo en tiempo real,
lo que allana el camino para nuevos medios de gestión de la
fuerza laboral, el trabajo y el lugar de trabajo. Repitiendo sus
líneas introductorias, este capítulo es un intento de despertar la
curiosidad entre los lectores sobre las muchas formas en que el
análisis de recursos humanos puede encontrar una aplicación en
las funciones de recursos humanos. Recordando al lector que
dondequiera que haya datos, hay análisis, y siempre que haya
preguntas correctas, los análisis proporcionarán las respuestas
correctas. El capítulo simplemente enumera algunas formas en
que diferentes áreas de la gestión de recursos humanos pueden
beneficiarse a través del análisis, pero la lista es simplemente
sugerente y no exhaustiva. La era de la revolución de los datos
llegó para quedarse y la analítica no es una moda pasajera.
Cuanto antes lo acepten las organizaciones (grandes o
pequeñas), mejor será para su sostenibilidad.

Glosario
Big Data: cualquier dato que cumpla tres características clave:
alto en volumen, alto en variedad y alto en velocidad.
Panel de control : una interfaz gráfica de usuario que muestra
datos clave para una fácil interpretación por parte de quien
toma las decisiones; una herramienta para simplificar la
presentación de información para quien toma decisiones,
generalmente presenta un resumen de datos clave sobre una
función comercial
Visualización de datos: una representación de los resultados
de la aplicación de algoritmos analíticos, gráfica o
pictóricamente.
'Profundizar': implica observar las variaciones en los resultados
de los datos para distintos niveles de granularidad de los
datos.
304tendencias emergentes en análisis predictivo de recursos humanos
Big Data humanizado implica humanizar los resultados del
análisis de Big Data; es decir, validar la aplicación y los
resultados del análisis de Big Data por parte de un profesional
humano para que las interpretaciones erróneas debidas a
razonamientos falaces no conduzcan a decisiones erróneas.
Industria 4.0: una mejora de la Industria 3.0, mediante la cual
los sistemas de automatización e información se ampliarán o
sustituirán por sistemas inteligentes, capaces de funcionar de
forma independiente sin intervención humana.
Análisis de interacción un área especializada de análisis de
personas centrada en analizar las conversaciones y
comunicaciones entre los empleados en el lugar de trabajo
Internet de las cosas (IoT) una red de dispositivos
inteligentes interconectados y de los humanos que usan esos
dispositivos, intercambiando datos y comandos, para
maximizar el rendimiento y minimizar o eliminar la
intervención humana
Empuja recordatorios personalizados oportunos para cada
empleado, generados por máquinas, para aumentar la
productividad y el rendimiento.
Análisis de personas: la aplicación de herramientas y técnicas
analíticas a datos de las personas, como su comportamiento,
rasgos y relaciones, para gestionar mejor a las personas en
el lugar de trabajo, comprender y predecir el comportamiento
organizacional y tomar decisiones informadas basadas en
datos, en lugar de depender de medios convencionales. como
la intuición y el juicio
Tres aplicaciones centrales del análisis de personas: la
transformación de las funciones comerciales centrales, la
transformación de la cultura y el apoyo a la transformación
estratégica.
3 Vs de volumen de Big Data (que se refiere a una gran
cantidad de datos), velocidad (es decir, la alta tasa de
crecimiento de los datos) y variedad (que implica diversos
tipos de datos)
La ergonomía del lugar de trabajo implica la aplicación de
principios científicos y psicológicos para diseñar el lugar de
trabajo de acuerdo con las necesidades y limitaciones de los
trabajadores.
 Tendencias emergentes en análisis predictivo de recursos humanos 305
Material de revisión
1 Definir Industria 4.0.
2 ¿Cómo alterará la Industria 4.0 la gestión de recursos
humanos convencional?
3 Enumere algunos desafíos que plantea la Industria 4.0 y
cómo HRM puede superarlos.
4 Definir análisis de personas.
5 Enumere las tres áreas principales en las que el análisis de
personas encuentra una aplicación.
6 Explique cómo el análisis de personas puede impulsar
transformaciones en otras funciones comerciales.
7 Definir empujones.
8 Explique el uso de empujones para aumentar el desempeño
y el compromiso de los empleados. 9 Defina análisis de
interacción.
10 Explique cómo el análisis de interacción ayuda a una mejor
gestión de los empleados en el lugar de trabajo.
11 Analice el desafío que enfrenta el análisis de personas.
12 Enumere algunas fuentes de datos de voz frecuentes en las
empresas.
13 Aclarar algunas formas en las que se ha utilizado la voz y el
análisis del habla en
gestión de recursos humanos.
14 ¿Cómo se puede utilizar el análisis de voz para predecir la
salud de los empleados?
15 Analice una limitación importante del análisis de voz y cómo
proporciona dominio en este campo a líderes globales como
Google.
16 ¿Qué se entiende por Internet de las Cosas?
17 Explicar el papel del análisis de datos de IoT en la mejora de
la ergonomía en el lugar de trabajo.
18 ¿Por qué el análisis de datos de IoT es especialmente útil para
la fuerza laboral móvil? ¿Cómo garantiza la seguridad de los
empleados?
19 ¿Qué es la visualización de datos?
20 Definir tablero.
21 Enumere algunas funciones de recursos humanos y cómo la
visualización de datos puede informar a quien toma las
decisiones para cada función.
22 ¿Cómo puede ayudar la visualización de datos en el análisis
de redes?
306tendencias emergentes en análisis predictivo de recursos humanos
23 ¿Cuál es la ventaja de potenciar los datos del panel con datos
en tiempo real?
24 Explicar cómo profundizar en los datos en los paneles.
25 Definir grandes datos.
26 Enumere y explique las tres V del Big Data.
27 Explique cómo los datos de desempeño de los empleados son
Big Data en RRHH.
28 ¿Qué cambios organizacionales deben abordarse para
implementar el análisis de Big Data?
29 Explique cómo los datos sobre el compromiso de los
empleados son Big Data en RRHH.
30 Definir Big Data humanizado.
31 Enumerar las limitaciones del análisis de Big Data y la
aparición del Big Data humanizado.
32 Definir la ergonomía en el lugar de trabajo.
33 Discutir la necesidad de rediseñar los espacios de oficina.
34 Explique cómo se pueden utilizar los análisis para el rediseño
del lugar de trabajo.

Ejercicios problemáticos
1 Navegue por Internet para identificar cómo la Industria 4.0
afecta las funciones de gestión de recursos humanos. Intente
preparar un informe sobre cómo se pueden utilizar los
análisis para mitigar estos efectos.
2 Utilice Internet para descubrir cómo las organizaciones
almacenan los datos de voz y los datos de voz. Explique sus
hallazgos en palabras simples en un informe.

Caso de estudio

Cuantificar a los empleados de forma diferente:

insights de Google y Deloitte
Generalmente, el desempeño del equipo se puede medir
utilizando métricas simples, como la calificación del desempeño
del equipo después de una evaluación periódica del desempeño,
los hitos alcanzados, etc. Sin embargo, estos son indicadores de
rezago y no reflejan completamente cuán efectivo y productivo
fue un equipo. Como resultado, Google (Schneider, 2017) buscó
 Tendencias emergentes en análisis predictivo de recursos humanos 307
entender por qué algunos equipos fracasaron a pesar de tener lo
mejor de su plantilla, mientras que otros ganan. En esta
dirección, Google se propuso evaluar el desempeño del equipo
de manera diferente. Implementó el Proyecto Aristóteles durante
dos años para analizar los datos recopilados de 180 equipos de
Google y más de 200 entrevistas, incluyendo así 250 atributos
del equipo en su análisis. Los resultados del análisis fueron
evaluados por expertos en ciencia de datos, psicólogos,
sociólogos y expertos en inteligencia colectiva. Para medir la
eficacia del equipo, dedujeron que se considera que cualquier
rasgo que aumente la inteligencia colectiva del equipo contribuye
a la eficacia. Por lo tanto, la cuantificación de la eficacia del
equipo se basa en la medición de cinco características clave:
confiabilidad, estructura y claridad, significado, impacto y
seguridad psicológica.
Inspirándose en el uso de relojes inteligentes por parte de los
atletas para realizar un seguimiento de su rendimiento, Deloitte
(2019) acuñó el término "atletas corporativos", enfatizando la
necesidad de que un empleado actual se ocupe de una enorme
cantidad de actividades comerciales, como responder correos
electrónicos y hacer trabajo. decisiones. Deloitte sugiere que
esta multitud de actividades tiene un efecto en la productividad
de los trabajadores y, al igual que los atletas, la productividad
de un empleado en el lugar de trabajo debe controlarse mediante
dispositivos inteligentes como sensores portátiles. Además, la
empresa sugiere que los datos de dichos dispositivos inteligentes
pueden proporcionar información sobre patrones de trabajo,
patrones de comunicación, patrones de viaje, tendencias de
colaboración y trabajo en equipo para los empleados. Todo esto
proporciona diferentes medios de comunicación con los
empleados, lo que da lugar a un "empleado cuantificado". Los
308tendencias emergentes en análisis predictivo de recursos humanos
ejecutivos reconocen el poder de dicha cuantificación y las
enormes consecuencias que tiene para la gestión eficaz de los
empleados.
Una de esas aplicaciones está en Deloitte Canadá (Rose,
2019), que implica el rediseño del lugar de trabajo utilizando
análisis de datos recopilados de sensores portátiles. Deloitte
Canadá contrató a algunos voluntarios a quienes se les pidió que
usaran insignias sociométricas en el lugar de trabajo que
pudieran rastrear la ubicación, la voz y el movimiento de los
empleados. Utilizando datos de voz, el análisis podría deducir el
estado mental del empleado y correlacionarlo con datos de
ubicación para evaluar en qué actividad participa el individuo,
con quién está trabajando, etc. Como resultado, la empresa pudo
generar muchos conocimientos útiles. Deloitte tiene una cultura
en la que los trabajadores trabajan de forma independiente en
su campo de trabajo. Sin embargo, los análisis revelaron que la
productividad de los empleados aumentaba cuando trabajaban
en equipos interdisciplinarios. Los empleados son más felices
cuando los espacios de sus oficinas son grandes y permiten la
entrada de luz natural. Además, las salas de conferencias
grandes son preferibles a las más pequeñas para reuniones
eficaces. Además, la empresa descubrió que los empleados eran
más felices cuando trabajaban en grupos más pequeños y
físicamente más cerca unos de otros.

Preguntas de caso
1 A partir de su comprensión del texto y de este estudio de
caso, analice por qué cuantificar a los empleados de manera
diferente resulta beneficioso.
2 ¿Por qué se denomina a la fuerza laboral actual "empleado
cuantificado"? Explicar.
3 ¿Cómo rediseñó Deloitte Canadá su espacio de trabajo
utilizando análisis de datos?
 Tendencias emergentes en análisis predictivo de recursos humanos 309
Bibliografía y
Bora, G. (28 de agosto de 2019). Este chatbot ayuda a [Link]. a
identificar empleados descontentos antes de que renuncien .
Obtenido en diciembre de 2019 de Economic Times:
[Link] [Link]/small-
biz/startups/features/this-chatbot-is-helping-hr-identify-unhappy
Employees-before-they-quit-infeedo-amber/articleshow/70852705.c
ms?from=mdr
Cappelli, P. (2 de junio de 2017). No existe el big data en [Link].
Obtenido en octubre de 2019 de Harvard Business Review:
[Link] big data en horas
Deloitte. (26 de marzo de 2019). Cómo los líderes están atravesando la
cuarta revolución industrial . Obtenido en agosto de 2019 de Harvard
Business Review: [Link]
are-navigating-the-fourth-industrial-revolution
Grupo Hitachi. (2018). Tecnología de recursos humanos que aumenta
la productividad y hace brillar a las personas: nueva creación de valor
en recursos humanos lograda a través del análisis de datos . Obtenido
en 2019 de Hitachi Review: [Link].
es/rev/archive/2018/r2018_06/activities1/[Link]
Hogan, SK, Lucker, J., Robertson, R. y Schafer, F. (29 de julio de 2019).
Si estas paredes pudieran hablar . Obtenido en octubre de 2019, de
Deloitte Insights:
[Link]
the-future-of-work/[Link] ml
Maalerud, E. (2019). La visualización de datos es ahora esencial para
[Link]. Obtenido en 2019, de SAP Analytics:
[Link]/data-visualization-hr/
Marr, B. (2 de septiembre de 2018). ¿Qué es la industria 4.0? Aquí tienes
una explicación súper fácil para cualquiera . Obtenido en enero de
2019, de Forbes: [Link]/sites/bernardmarr/2018/09/02/
what-is-industry-4-0-heres-a-super-easy-explanatio n-for-
anyone/#4adb8959788a
Nielsen, C. y McCullough, N. (17 de mayo de 2018). Cómo el análisis de
personas puede ayudarle a cambiar el proceso, la cultura y la
estrategia . Obtenido en octubre de 2019 de Harvard Business
Review: [Link] 18/05/how-people-analytics-can-help-
you-change-process-culture and-
strategy?referral=03759&cm_vc=rr_item_page.bottom
Rana, G. y Sharma, R. (2019). Prácticas emergentes de gestión de
recursos humanos en la industria 4.0. Revisión estratégica de
recursos humanos , 176–181.
Rose, G. (marzo de 2019). Cómo los datos en tiempo real están
revolucionando el diseño del lugar de trabajo . Obtenido en
noviembre de 2019, de Work Design:
[Link]/2019/03/how-real-time- los-datos-están-
revolucionando-el-diseño-del-lugar-de-trabajo/
310tendencias emergentes en análisis predictivo de recursos humanos
Schneider, M. (2017, 19 de julio). Google pasó 2 años estudiando 180
equipos. Los más exitosos compartían estos 5 rasgos . Obtenido en
noviembre de 2019 de [Link] : [Link]/michael
schneider/[Link]
SHRM_India. (2018, 10 de mayo). ¿Qué tiene que ver el IoT con los
recursos humanos y las personas? Obtenido en febrero de 2019, del
blog de The SHRM South Asia: [Link]
what-s-iot-got-to-do-with-hr-and-people
Shrock, E. (20 de abril de 2018). "Por qué la voz humana es la próxima
frontera de los datos ". Obtenido en noviembre de 2019 de Forbes:
[Link]/sites/forbestechcouncil/2018/04/20/why-human-
voice- is-datas-next-frontier/#2a27091b4d6f
Yamashita, K., Higuchi, Y. y Satake, K. (2018). Servicio de
monitorización mental: Un sencillo control del estado de salud mental
de las personas a través de su voz . Obtenido en septiembre de 2019
de Hitachi.
Revisión :
[Link]/rev/archive/2018/r2018_06/06b06/[Link]
McKinsey y compañía 83

Nación Residuos 203 Nielsen 5

Oráculo 178

PwC 129

SAP 205
Holgura 200–201 Sysco 2

Alimentos VJS 183