PEOPLE
ANALYTICS
Beta
Visto previamente:
Clase 4: Norma ISO 30414, Tipos de Analytics, Aplicaciones de People Analytics y Ética en el Uso de Datos
◦ Objetivos:
• Introducir la norma ISO 30414 y su relevancia en la estandarización de prácticas de People Analytics.
• Explorar los distintos tipos de analytics (descritiva, predictiva y prescriptiva) y sus aplicaciones en recursos humanos.
• Analizar diversas aplicaciones de People Analytics en la gestión de recursos humanos.
• Enfoque Teórico:
Norma ISO 30414: Gestión del Capital Humano:
◦ Descripción y objetivos de la Norma ISO 30414.
◦ Principales áreas cubiertas por la norma, como métricas de capital humano, indicadores de desempeño y sistemas de información.
Tipos de Analytics en Recursos Humanos:
o Análisis Descriptivo: comprensión de la situación actual del capital humano.
o Análisis Predictivo: predicción de tendencias y resultados futuros.
o Análisis Prescriptivo: recomendación de acciones para optimizar resultados.
Aplicaciones de People Analytics:
◦ Análisis de la fuerza laboral y planificación de la sucesión.
◦ Gestión del talento y desarrollo organizacional.
◦ Compensación y beneficios.
◦ Evaluación del desempeño y retención de empleados.
Ética en el Uso de Datos en People Analytics:
◦ Importancia de considerar aspectos éticos en todas las etapas del análisis de datos en recursos humanos.
◦ Desafíos éticos relacionados con la privacidad, el sesgo algorítmico y la transparencia en el uso de datos en People Analytics.
◦ Buenas prácticas y principios éticos para garantizar prácticas responsables en el análisis de datos en recursos humanos.
◦ Errores Típicos:
• No distinguir entre los diferentes tipos de analytics y su aplicabilidad en recursos humanos.
• Subestimar el potencial de la analytics prescriptiva para optimizar la toma de decisiones en recursos humanos.
• Bibliografía:
• Norma ISO 30414 sobre gestión del capital humano
• Predictive Analytics, Data Mining and Big Data: Myths, Misconceptions and Methods" de Steven Finlay
Estructura de la Clase
Analytics Descriptiva
◦ Repaso de los conceptos básicos de la analytics descriptiva.
◦ Métodos y técnicas para describir y resumir datos en recursos humanos.
◦ Importancia de la analytics descriptiva en la toma de decisiones informadas.
Introducción a Power BI
◦ Presentación de Power BI como una herramienta de visualización y análisis de datos.
◦ Funcionalidades básicas de Power BI: importación de datos, creación de visualizaciones y paneles de control.
◦ Casos de uso de Power BI en recursos humanos.
Errores Típicos
No comprender la importancia de la analytics descriptiva como punto de partida para análisis más avanzados.
Subestimar el potencial de Power BI para transformar datos en información visualmente atractiva y comprensible.
Bibliografía
Capítulo 6 del libro "HR Analytics: Teoría y práctica para una analítica de recursos humanos con impacto" de Aguado García.
Documentación oficial de Power BI y tutoriales en línea.
Caso Práctico
Guiar a los estudiantes a través de un ejercicio práctico donde utilicen Power BI para visualizar y analizar datos de recursos humanos, como datos de
rendimiento, ausentismo o satisfacción laboral.
Caso de Análisis
Ética en el uso de datos
Detectando (y mercantilizando)
la felicidad en Hitachi
Trabajo en Equipos
Cultura
Pregunta de Negocio
Hipótesis Inicial
Pasos
Conclusiones
Algunos conceptos…
◦ FTE = Full Time Equivalent
◦ Headcount
◦ Definiciones PA
◦ Descriptive Analytics
◦ Predictive Analytics
◦ Prescriptive Analytics
Seis habilidades
Gestión Narrativa Entendimiento para liderar
de datos atractiva del negocio
People
Analytics
Visualización Habilidades Capacidad
de resultados cognitivas numérica y
estadística
Morten Kamp Andersen Analytics
“Un modelo
teórico que
describa como
funciona
determinado
fenómeno ayuda
a orientar la
determinación
de preguntas
claves”
Modelo Aguado Capítulo 3
Analytics
Descriptiva
Introducción a
Analytics
Descriptiva
El inicio del recorrido…
Introducción a Analytics Descriptiva
En el ámbito de la gestión de recursos humanos, la aplicación de
analytics ha evolucionado significativamente en las últimas décadas.
Comenzamos con el análisis descriptivo, que nos permitió comprender
lo que ha sucedido en el pasado. Sin embargo, con el avance de la
tecnología y la disponibilidad de datos, hemos progresado hacia el
análisis predictivo, que nos brinda la capacidad de prever tendencias
y resultados futuros en el capital humano. Pero no nos detenemos ahí.
La verdadera promesa de analytics en recursos humanos radica en el
análisis prescriptivo, donde podemos tomar decisiones informadas y
proactivas para optimizar nuestros resultados.
Veamos cómo cada tipo de analytics nos lleva en este viaje de
comprensión y acción en la gestión del talento.
Definición y Objetivos
Introducción a Analytics Descriptiva
La analytics descriptiva se refiere al proceso de analizar datos para
describir, resumir y representar características fundamentales de un
conjunto de datos. Su principal objetivo es proporcionar una comprensión
clara y concisa de los datos, permitiendo identificar patrones, tendencias
y relaciones que pueden ser relevantes para la toma de decisiones.
En el contexto de recursos humanos, la analytics descriptiva se utiliza para
analizar datos relacionados con empleados, como demografía,
rendimiento, compensación y satisfacción laboral. Esto ayuda a las
organizaciones a tener una visión clara de su fuerza laboral, identificar
áreas de mejora y tomar decisiones informadas basadas en datos.
Beneficios de la Analytics Descriptiva
Introducción a Analytics Descriptiva
▪ Visión clara de los datos: La analytics descriptiva permite visualizar y
comprender de manera intuitiva la información, lo que facilita la
identificación de patrones y tendencias.
▪ Identificación de áreas de mejora: Al analizar los datos de recursos
humanos, es posible identificar áreas donde se pueden implementar
mejoras para optimizar la gestión del talento y el rendimiento
organizacional.
▪ Toma de decisiones informadas: Al disponer de información precisa y
relevante, los responsables de la toma de decisiones pueden
fundamentar sus elecciones en datos concretos, aumentando la
probabilidad de éxito en las estrategias y acciones implementadas.
Gestión
de datos
“El que no sabe lo que busca, no
entiende lo que encuentra”
Claude Bernard
Componentes de la Analytics Descriptiva
Introducción a Analytics Descriptiva
▪ Recopilación de datos: Proceso de recolectar información de
diversas fuentes, como sistemas de gestión de recursos humanos
(HRMS), encuestas, registros de asistencia, entre otros.
▪ Limpieza y transformación de datos: Etapa crucial donde se
depuran los datos para eliminar inconsistencias, errores o datos
irrelevantes, y se transforman para su correcto análisis.
▪ Visualización de datos: Utilización de gráficos, tablas y otras
herramientas visuales para representar la información de manera
comprensible y significativa.
Fuentes de Datos en Recursos Humanos
Introducción a Analytics Descriptiva
• HRIS (Human Resources Information System): sistemas capaces de almacenar, ordenar y
procesar la información de las personas. La cantidad de información que contenga
dicho sistema dependerá de las funcionalidades que tenga el software. Los HRIS han
comenzado a implementar sistemas efectivos para la toma de decisiones (Decision
Support Systems DSS) y sistemas de generación de modelos de inteligencia de negocio
(Business Intelligence, BI) Que incorporan la generación de analíticas y presentación de
información compleja y relevante para la toma de decisiones.
• Cuestionarios de clima: es usual que busquen llevarse a cabo de forma anónima y
ayudan a tener comprensión del nivel de satisfacción de las personas NPS (Employee Net
Promoter Score).
• Proveedores externos: existen diversas plataformas en el ámbito profesional como:
Glassdor, Workable o LinkedIn.
• Datos financieros/procesos: datos de rendimientos estratégicos y financieros de la
organización, su operación y las personas que la componen son indicadores clave KPI.
Fuentes de Datos en Recursos Humanos
Introducción a Analytics Descriptiva
Sistemas de información de recursos humanos (HRIS)
Procedimiento sistemático para recoger, almacenar,
mantener, recuperar y validar los datos que la organización
necesita sobre las personas que la componen, las actividades
de gestión de recursos humanos y las características básicas
de las unidades organizativas de la organización.
Kovach & Cathcart, 1999
KPIs – OKRs
Introducción a Analytics Descriptiva
KPI (Key Performance Indicator) - Indicador Clave de Rendimiento:
Son métricas utilizadas para medir el rendimiento de una organización, equipo
o individuo en relación con sus objetivos estratégicos. Sirven para evaluar el
progreso hacia los objetivos y para identificar áreas de mejora.
OKR (Objectives and Key Results) - Objetivos y Resultados Clave:
Son un marco de gestión de objetivos que ayuda a las organizaciones a
establecer y alcanzar objetivos alineados con su visión y estrategia. Se
compone de un objetivo principal y varios resultados clave que indican el
progreso hacia su logro.
KPIs – OKRs
Introducción a Analytics Descriptiva
KPI: Se centra en medir el rendimiento actual
en relación con los objetivos establecidos. Es
una métrica cuantitativa que indica cómo se
está desempeñando una actividad o proceso.
OKR: Se enfoca en establecer y alcanzar
objetivos desafiantes. Define "qué" se quiere
lograr (objetivo) y "cómo" se medirá el éxito
(resultados clave).
KPIs – OKRs
Introducción a Analytics Descriptiva
KPI: Se utilizan para medir el rendimiento continuo y
evaluar el éxito de las actividades diarias o procesos
específicos. Son especialmente útiles para evaluar la
eficiencia y efectividad de las operaciones actuales.
OKR: Se emplean para establecer y alcanzar objetivos
a largo plazo y motivar a los equipos hacia metas
ambiciosas. Son ideales para alinear a la organización
en torno a objetivos estratégicos y fomentar un
enfoque en resultados.
Recomendación!
Serie de Luis María en Linkedin
OKR vs Smart
Métodos y
técnicas de
Analytics
Descriptiva
Variables
Métodos y técnicas de Analytics Descriptiva
Variables: Una variable es cualquier característica, número o cantidad que puede
ser medida o contada.
Tipos de variables:
• Cualitativas: Representan características o cualidades que no pueden ser medidas
numéricamente. Ejemplos incluyen el género, estado civil o satisfacción laboral.
• Cuantitativas: Representan cantidades numéricas que pueden ser medidas y
categorizadas en valores específicos. Se dividen en:
• Discretas: Toman valores enteros y se pueden contar. Ejemplo: número de
empleados.
• Continuas: Pueden tomar cualquier valor dentro de un rango específico y se
pueden medir. Ejemplo: salario, edad
Medidas de tendencia central
Métodos y técnicas de Analytics Descriptiva
Media: Es el promedio de todos los valores en un conjunto
de datos. Se calcula sumando todos los valores y
dividiendo por el número total de datos.
Mediana: Es el valor que divide al conjunto de datos en
dos mitades iguales. Si el conjunto tiene un número impar
de observaciones, la mediana es el valor central; si es par,
es el promedio de los dos valores centrales.
Moda: Es el valor que aparece con mayor frecuencia en
un conjunto de datos.
Medidas de tendencia central
Métodos y técnicas de Analytics Descriptiva
Datos
(salarios):
Media: 76.000
30
40
Mediana: 50.000
50
60
200
Medidas de tendencia central
Métodos y técnicas de Analytics Descriptiva
Datos (edades):
20
20 Media: 30
20
25
27
Mediana: 27
30
35
45
Moda: 20
48
Medidas de tendencia central
Métodos y técnicas de Analytics Descriptiva
La media es…
◦ Es sensible a valores atípicos.
◦ Se ve afectada por los valores extremadamente altos o bajos.
La mediana es …
◦ Es menos sensible a valores atípicos en comparación con la media.
◦ Proporciona una visión más robusta de la tendencia central de los datos.
La moda es…
Representa el valor que ocurre con más frecuencia en un conjunto de datos.
Puede ser útil para identificar tendencias comunes o patrones dominantes en
los datos.
En el contexto de People Analytics, comprender estas tres medidas es esencial
para interpretar correctamente los conjuntos de datos y tomar decisiones
informadas que reflejen la verdadera naturaleza de la información disponible.
Medidas de dispersión
Métodos y técnicas de Analytics Descriptiva
La dispersión se refiere a la medida de la
variabilidad o el grado de esparcimiento de un
conjunto de datos alrededor de su tendencia
central.
En otras palabras, indica cómo los valores de un
conjunto de datos se alejan o dispersan respecto
a su valor medio.
Medidas de dispersión
Métodos y técnicas de Analytics Descriptiva
• Desviación estándar: Mide la dispersión o variabilidad
de un conjunto de datos. Una desviación estándar
alta indica que los datos están más dispersos
alrededor de la media.
• Rango intercuartil (IQR): Es la diferencia entre el
tercer cuartil (Q3) y el primer cuartil (Q1).
Proporciona una medida de la dispersión de los
datos alrededor de la mediana, eliminando los
valores atípicos.
Medidas de dispersión
Métodos y técnicas de Analytics Descriptiva
• Desviación estándar:
Media de salario = $50.000
Desviación estándar = $10.000
Interpretación:
Un valor de desviación estándar de $10.000 indica que la
mayoría de los salarios se encuentran dentro de un rango
de $40.000 a $60.000 alrededor de la media de $50.000.
Medidas de dispersión
Métodos y técnicas de Analytics Descriptiva
• Rango intercuartil (IQR)
Primer cuartil (Q1) = 35 horas
Tercer cuartil (Q3) = 45 horas
IQR = Q3 - Q1 = 45 horas - 35 horas = 10 horas
Interpretación:
El rango intercuartil de 10 horas indica que la mayoría de los
empleados trabajan entre 35 y 45 horas a la semana,
excluyendo las horas extra o faltas que podrían sesgar el análisis.
Representación gráfica
Métodos y técnicas de Analytics Descriptiva
Global Compañía
Histogramas: Gráficos de barras que muestran la 300
distribución de frecuencia de un conjunto de datos 200
FRECUENCIA
cuantitativos.
100
0
0 5 10 15 20 25
HORAS AUSENCIA 2016
Gráficos de barras: Representan datos categóricos con
barras de diferentes alturas o longitudes.
Gráficos circulares: Muestran proporciones de un todo
mediante sectores circulares. Son útiles para visualizar
la distribución porcentual de categorías.
Aplicaciones para
describir y resumir
datos en RRHH
Análisis descriptivo de datos demográficos
Aplicaciones para describir y resumir datos en RRHH
Edad: Utilización de medidas de tendencia central y
dispersión para entender la distribución de la edad
dentro de la organización.
Género: Análisis de frecuencias y proporciones para
evaluar la representación de género en diferentes
roles y niveles jerárquicos.
Experiencia laboral: Cálculo de la media y mediana
de la experiencia laboral para comprender el perfil de
experiencia de la fuerza laboral.
Análisis descriptivo de datos de rendimiento
Aplicaciones para describir y resumir datos en RRHH
Evaluaciones: Uso de medidas de tendencia
central para entender el rendimiento promedio de
los empleados.
Productividad: Análisis de la media y la dispersión
de los niveles de productividad para identificar
áreas de mejora o reconocer desempeños
destacados.
Análisis descriptivo de datos de compensación
Aplicaciones para describir y resumir datos en RRHH
Salarios: Descripción de la distribución salarial
mediante medidas de tendencia central y dispersión.
Bonificaciones: Análisis de la frecuencia y el monto de
las bonificaciones otorgadas.
Beneficios: Resumen de los beneficios más utilizados
por los empleados y su distribución en la organización.
Importancia de la
Analytics Descriptiva
en la toma de
decisiones informadas
Puede ayudar a identificar tendencias y patrones
Importancia de la Analytics Descriptiva en la toma de decisiones informadas
La analytics descriptiva proporciona herramientas y
técnicas para analizar y visualizar datos, permitiendo
identificar tendencias y patrones en conjuntos de datos. Al
observar estas tendencias, las organizaciones pueden
comprender mejor el comportamiento pasado y actual de
su fuerza laboral, lo que facilita la planificación estratégica
y la toma de decisiones informadas.
Casos de uso
Importancia de la Analytics Descriptiva en la toma de decisiones informadas
Identificación de áreas de mejora: Mediante el análisis descriptivo, las
organizaciones pueden identificar áreas de mejora en procesos de
recursos humanos, como la capacitación, la retención de talento o la
eficiencia operativa.
Detección de outliers: La analytics descriptiva permite identificar valores
atípicos en los datos que podrían indicar problemas o anomalías en la
gestión de recursos humanos.
Evaluación de políticas y programas de recursos humanos: A través del
análisis descriptivo, las organizaciones pueden evaluar la efectividad de
las políticas y programas implementados, como programas de bienestar,
compensación o desarrollo profesional.
Integración | Evolución
Importancia de la Analytics Descriptiva en la toma de decisiones informadas
La analytics descriptiva es solo una parte del proceso de análisis
de datos en recursos humanos. Al combinarla con análisis
predictivo y prescriptivo, las organizaciones pueden obtener
una visión más completa y holística de su fuerza laboral.
Mientras que la analytics descriptiva proporciona una
comprensión del pasado y el presente, el análisis predictivo
permite hacer predicciones sobre el futuro basadas en datos
históricos, y el análisis prescriptivo ofrece recomendaciones para
optimizar resultados y tomar decisiones proactivas.
Herramientas y
plataformas para
Analytics Descriptiva
Introducción a herramientas de software
Herramientas y plataformas para Analytics Descriptiva
Excel: Es una herramienta de hojas de cálculo ampliamente utilizada que
ofrece funcionalidades básicas de análisis de datos, como cálculos
estadísticos, gráficos y tablas dinámicas. Es una opción accesible para quienes
están comenzando con el análisis de datos en recursos humanos.
SPSS (Statistical Package for the Social Sciences): Es un software especializado
en análisis estadístico avanzado. Ofrece una amplia gama de técnicas
estadísticas y herramientas de visualización que permiten realizar análisis más
detallados y complejos en datos de recursos humanos.
R: Es un lenguaje de programación y ambiente de software libre especializado
en estadística y gráficos. R proporciona una gran flexibilidad para personalizar
y automatizar análisis de datos, lo que lo convierte en una herramienta
potente para profesionales con habilidades en programación.
Visualización
de resultados
Fuente de Datos
Calidad de los Datos
Transformación de los Datos
Transformación de los Datos 2.0
https://docs.microsoft.com/en-us/dax/
Veamos en un caso aplicado
Ejercitación en Power BI
Objetivos:
ETL
Limpieza
Trabajo en Equipos
Apliquemos lo
aprendido
Errores Típicos y
Mejores Prácticas
Mejores Prácticas
Analytics Descriptiva y Introducción a Power BI
Entender el contexto: Antes de realizar cualquier análisis, es esencial
comprender el contexto en el que se recopilaron los datos para
interpretar correctamente los resultados.
Validación de datos: Verificar la calidad y la integridad de los datos
antes de realizar cualquier análisis.
Visualización clara: Utilizar gráficos y visualizaciones claras y
comprensibles para presentar los resultados, facilitando su
interpretación y comprensión.
Errores típicos
Analytics Descriptiva y Introducción a Power BI
Interpretación errónea de los resultados: Sin una comprensión
adecuada de las técnicas estadísticas, es fácil malinterpretar los
resultados, lo que puede llevar a decisiones erróneas.
Uso de datos no representativos: Utilizar conjuntos de datos
incompletos o sesgados puede conducir a conclusiones inexactas
y no representativas.
Dependencia excesiva de herramientas automáticas: Confiar
demasiado en herramientas de análisis automático puede llevar a
pasar por alto detalles importantes o a no explorar datos de
manera creativa.
Obstáculos en la implementación
Analytics Descriptiva y Introducción a Power BI
Falta de habilidades y conocimientos: La falta de capacitación y habilidades
en análisis de datos puede ser un obstáculo significativo para implementar de
manera efectiva la analytics descriptiva.
Limitaciones técnicas: Dependiendo de las herramientas y plataformas
disponibles, puede haber limitaciones técnicas que dificulten ciertos análisis o
visualizaciones.
Resistencia al cambio: La resistencia organizacional al cambio y la adopción
de nuevas herramientas y prácticas puede ser un desafío en la
implementación de analytics descriptiva.
Preguntas / Comentarios
Eso es todo por hoy…
Conclusiones
Analytics Descriptiva y Introducción a Power BI
La analytics descriptiva ofrece una base sólida para comprender y analizar datos en el ámbito de
recursos humanos, proporcionando insights valiosos para la toma de decisiones informadas. A través
de una comprensión adecuada de los conceptos, técnicas y herramientas disponibles, las
organizaciones pueden aprovechar al máximo los datos para mejorar la gestión del talento,
identificar áreas de mejora y promover un ambiente laboral más productivo y eficiente. Sin
embargo, es crucial abordar los errores típicos, seguir las mejores prácticas y superar los obstáculos
en la implementación para garantizar un uso efectivo y ético de la analytics descriptiva en la
práctica empresarial.
¡Gracias y nos vemos en la próxima clase!
La frase de hoy: La analytics descriptiva es la brújula que nos guía a través del laberinto de datos,
transformando información en insights que impulsan decisiones estratégicas en recursos humanos.
