No hay tal cosa como grandes datos en recursos humanos
Por Peter Cappelli
Harvard Business Review
Datos
"Los grandes datos" se ha convertido en una frase tan omnipresente que cada función del negocio ahora se siente obligado a esbozar cómo van a utilizarlo para mejorar sus operaciones. Eso es también cierto para los departamentos de Recursos Humanos (HR), que es donde se gasta la mayor parte del dinero de una empresa, y donde - nos gustaría creer - el valor real se encuentra.
Una de las razones por las que se presta especial atención a los grandes datos en RR.HH. es que el departamento está siempre bajo la presión de ser más analítico, lo cual se justifica hasta cierto punto. Algunos pensadores deseosos creen que la aplicación de técnicas de datos grandes de alguna manera liberará a HR de algunos de los atributos que no les gusta, como la percepción de que se están enfocando en cuestiones "blandas" y no detallando el retorno de recursos humanos Relacionadas.
Como ocurre con la mayoría de las "grandes historias" en los negocios, los grandes datos son realmente importantes en algunas áreas, y no son tan importantes en otros. Como una definición literal, HR no tiene realmente grandes datos, o más precisamente, casi nunca lo hace. La mayoría de las empresas tienen miles de empleados, no millones, y las observaciones sobre esos empleados siguen siendo en su mayor parte anual. En una empresa de este tamaño, casi no hay razón para que los recursos humanos utilicen el software y las herramientas especiales asociados con los grandes datos.
Para la mayoría de las empresas, el desafío en la RR.HH. es simplemente utilizar datos en absoluto. La razón es que los datos asociados a diferentes tareas, como la contratación y la gestión del rendimiento, residen a menudo en diferentes bases de datos. A menos que podamos obtener los datos en esas dos bases de datos para ser compatibles, no hay manera de hacer incluso las preguntas más básicas, tales como los atributos de los solicitantes que predecir quién será un buen intérprete. En resumen, la mayoría de las empresas - y que incluye muchos de los grandes - no necesitan datos de fantasía científicos. Necesitan administradores de bases de datos para limpiar los datos. Y necesitan software simple - a veces incluso las hojas de cálculo de Excel pueden hacer los análisis que la mayoría de los departamentos de recursos humanos necesitan.
Otra diferencia importante en la analítica de recursos humanos es que las preguntas que realmente importan han estado bajo investigación más tiempo que la mayoría de los otros temas de negocios. Lo que determina un buen alquiler, por ejemplo, se ha estudiado casi de la misma manera desde la Primera Guerra Mundial. Así que la idea de traer en técnicas exploratorias como el aprendizaje de la máquina para analizar los datos de recursos humanos en un intento de llegar a algún gran discernimiento que no conocíamos es bastante cercano a cero.
Considere los esfuerzos muy destacados de Google a lo largo de los años para analizar sus datos personales con iniciativas como Project Oxygen, un proyecto de investigación de varios años diseñado para tratar de averiguar lo que hace un buen gerente, un esfuerzo mucho más sustancial que la mayoría de las demás empresas Podría arrancar. La mayoría de las conclusiones de ese ejercicio muy intenso fueron aquellas que la investigación descubrió hace décadas y que podrían haber sido encontradas en los libros de texto. Eso no significa que no sea un ejercicio que valga la pena probar cómo funcionan esas suposiciones estándar de gestión en nuestras propias organizaciones, pero esperar encontrar ideas grandes y nuevas es simplemente una mala apuesta.
La naturaleza misma de los datos de recursos humanos impone algunas limitaciones únicas en los análisis. Las empresas que operan en la Unión Europea, por ejemplo, saben que los datos de los empleados no pueden trasladarse legal y fácilmente a otras fronteras nacionales. Las empresas multinacionales no pueden examinar legalmente los datos de los empleados a través de los países al mismo tiempo. En los Estados Unidos, los análisis de datos de los empleados que podrían revelar la posibilidad de un impacto adverso en grupos protegidos -por ejemplo, las mujeres que trabajan en esta unidad reciben menos remuneración que los varones- desencadena la necesidad de respuestas legales y de gestión que no ocurrirían en Otras partes del negocio. HR tiene que tener cuidado de no entregar sus datos a otros departamentos que no entienden estas limitaciones.
Entonces, ¿qué debería hacer HR con los datos, después de limpiar nuestros conjuntos de datos? Cada vez que analizamos datos, ayuda a comenzar con los conceptos básicos. En primer lugar, basta con mirar el panorama general: gráficos que trazan los resultados en toda la organización y luego con el tiempo: ¿Dónde ha aumentado la facturación y cuándo ocurrió? ¿Hay lugares donde hay quejas consistentes de los empleados? En segundo lugar, mire más de estos datos, más a menudo. Por ejemplo, una buena idea es pasar a encuestas de pulso (encuestas cortas, muy rápidas, a veces diarias) de los empleados que reemplazan las anuales y pesadas encuestas sobre la moral. Compañías inteligentes como IBM compilan datos que los propios empleados generan en medios sociales patrocinados por la compañía, por ejemplo, para monitorear la moral e identificar las preocupaciones en el lugar de trabajo.
Por último, la FC debe analizar las relaciones entre los datos. Comience por preguntar cómo sus criterios de contratación se relacionan con el rendimiento real. Esto es importante no sólo porque la contratación es discutible la tarea más importante que una organización hace (en parte porque sucede tan a menudo), sino también porque se requiere que usemos criterios en la contratación que no tienen efectos adversos en grupos protegidos.
Al final del día, todo comienza con la calidad de los datos: Si no pensamos que nuestras calificaciones de evaluación del desempeño son buenas medidas de desempeño real, por ejemplo, entonces no se hacen análisis que traten de predecir quién será un buen empleado valer la pena hacerlo.
Peter Cappelli es profesor de administración en la Wharton School y autor de varios libros, entre ellos Will College Pay Off? Una guía a la decisión financiera más importante que usted hará nunca (PublicAffairs, 2015).
Harvard Business Review
Datos
"Los grandes datos" se ha convertido en una frase tan omnipresente que cada función del negocio ahora se siente obligado a esbozar cómo van a utilizarlo para mejorar sus operaciones. Eso es también cierto para los departamentos de Recursos Humanos (HR), que es donde se gasta la mayor parte del dinero de una empresa, y donde - nos gustaría creer - el valor real se encuentra.
Una de las razones por las que se presta especial atención a los grandes datos en RR.HH. es que el departamento está siempre bajo la presión de ser más analítico, lo cual se justifica hasta cierto punto. Algunos pensadores deseosos creen que la aplicación de técnicas de datos grandes de alguna manera liberará a HR de algunos de los atributos que no les gusta, como la percepción de que se están enfocando en cuestiones "blandas" y no detallando el retorno de recursos humanos Relacionadas.
Como ocurre con la mayoría de las "grandes historias" en los negocios, los grandes datos son realmente importantes en algunas áreas, y no son tan importantes en otros. Como una definición literal, HR no tiene realmente grandes datos, o más precisamente, casi nunca lo hace. La mayoría de las empresas tienen miles de empleados, no millones, y las observaciones sobre esos empleados siguen siendo en su mayor parte anual. En una empresa de este tamaño, casi no hay razón para que los recursos humanos utilicen el software y las herramientas especiales asociados con los grandes datos.
Para la mayoría de las empresas, el desafío en la RR.HH. es simplemente utilizar datos en absoluto. La razón es que los datos asociados a diferentes tareas, como la contratación y la gestión del rendimiento, residen a menudo en diferentes bases de datos. A menos que podamos obtener los datos en esas dos bases de datos para ser compatibles, no hay manera de hacer incluso las preguntas más básicas, tales como los atributos de los solicitantes que predecir quién será un buen intérprete. En resumen, la mayoría de las empresas - y que incluye muchos de los grandes - no necesitan datos de fantasía científicos. Necesitan administradores de bases de datos para limpiar los datos. Y necesitan software simple - a veces incluso las hojas de cálculo de Excel pueden hacer los análisis que la mayoría de los departamentos de recursos humanos necesitan.
Otra diferencia importante en la analítica de recursos humanos es que las preguntas que realmente importan han estado bajo investigación más tiempo que la mayoría de los otros temas de negocios. Lo que determina un buen alquiler, por ejemplo, se ha estudiado casi de la misma manera desde la Primera Guerra Mundial. Así que la idea de traer en técnicas exploratorias como el aprendizaje de la máquina para analizar los datos de recursos humanos en un intento de llegar a algún gran discernimiento que no conocíamos es bastante cercano a cero.
Considere los esfuerzos muy destacados de Google a lo largo de los años para analizar sus datos personales con iniciativas como Project Oxygen, un proyecto de investigación de varios años diseñado para tratar de averiguar lo que hace un buen gerente, un esfuerzo mucho más sustancial que la mayoría de las demás empresas Podría arrancar. La mayoría de las conclusiones de ese ejercicio muy intenso fueron aquellas que la investigación descubrió hace décadas y que podrían haber sido encontradas en los libros de texto. Eso no significa que no sea un ejercicio que valga la pena probar cómo funcionan esas suposiciones estándar de gestión en nuestras propias organizaciones, pero esperar encontrar ideas grandes y nuevas es simplemente una mala apuesta.
La naturaleza misma de los datos de recursos humanos impone algunas limitaciones únicas en los análisis. Las empresas que operan en la Unión Europea, por ejemplo, saben que los datos de los empleados no pueden trasladarse legal y fácilmente a otras fronteras nacionales. Las empresas multinacionales no pueden examinar legalmente los datos de los empleados a través de los países al mismo tiempo. En los Estados Unidos, los análisis de datos de los empleados que podrían revelar la posibilidad de un impacto adverso en grupos protegidos -por ejemplo, las mujeres que trabajan en esta unidad reciben menos remuneración que los varones- desencadena la necesidad de respuestas legales y de gestión que no ocurrirían en Otras partes del negocio. HR tiene que tener cuidado de no entregar sus datos a otros departamentos que no entienden estas limitaciones.
Entonces, ¿qué debería hacer HR con los datos, después de limpiar nuestros conjuntos de datos? Cada vez que analizamos datos, ayuda a comenzar con los conceptos básicos. En primer lugar, basta con mirar el panorama general: gráficos que trazan los resultados en toda la organización y luego con el tiempo: ¿Dónde ha aumentado la facturación y cuándo ocurrió? ¿Hay lugares donde hay quejas consistentes de los empleados? En segundo lugar, mire más de estos datos, más a menudo. Por ejemplo, una buena idea es pasar a encuestas de pulso (encuestas cortas, muy rápidas, a veces diarias) de los empleados que reemplazan las anuales y pesadas encuestas sobre la moral. Compañías inteligentes como IBM compilan datos que los propios empleados generan en medios sociales patrocinados por la compañía, por ejemplo, para monitorear la moral e identificar las preocupaciones en el lugar de trabajo.
Por último, la FC debe analizar las relaciones entre los datos. Comience por preguntar cómo sus criterios de contratación se relacionan con el rendimiento real. Esto es importante no sólo porque la contratación es discutible la tarea más importante que una organización hace (en parte porque sucede tan a menudo), sino también porque se requiere que usemos criterios en la contratación que no tienen efectos adversos en grupos protegidos.
Al final del día, todo comienza con la calidad de los datos: Si no pensamos que nuestras calificaciones de evaluación del desempeño son buenas medidas de desempeño real, por ejemplo, entonces no se hacen análisis que traten de predecir quién será un buen empleado valer la pena hacerlo.
Peter Cappelli es profesor de administración en la Wharton School y autor de varios libros, entre ellos Will College Pay Off? Una guía a la decisión financiera más importante que usted hará nunca (PublicAffairs, 2015).
Editores originales conservan todos los derechos.
No hay comentarios:
Publicar un comentario