Un proceso de 5 pasos para sacar más provecho de los datos de su organización

«Mis mejores empleados se van», me dijo Daniel, «y no sé por qué».

Daniel (nombre ficticio) era vicepresidente y director de recursos humanos en una empresa de la lista Fortune 500. Le pregunté si había recopilado algún dato que pudiera proporcionarle información sobre los patrones sistemáticos. «Me he asegurado de hacer entrevistas de fin de servicio con todos los empleados que nos van a dejar», respondió. «¡Incluso dirigí algunos personalmente! Pero no está surgiendo ningún patrón coherente. No estoy seguro de cómo puedo evitar que mis mejores empleados nos dejen en el futuro».

Este es el problema con las entrevistas de fin de servicio: las personas no son honestas en cuanto a las razones por las que dejan de fumar. E incluso si lo fueran, esas racionalizaciones post hoc rara vez reflejan las verdaderas razones por las que los empleados dejan de fumar.

El acertijo de Daniel es uno que muchos directores de recursos humanos encuentran en sus organizaciones. ¿Por qué los mejores empleados dejan la organización? ¿Por qué algunos empleados son más productivos que otros? ¿Cómo pueden los empleados ser más creativos? A menudo, la información que puede ayudar a responder a estas preguntas ya existe en la empresa y se esconde a plena vista.

Aunque las empresas recopilan una gran cantidad de datos sobre sus empleados, la mayoría no los aprovecha muy bien para obtener información que responda a estas preguntas. Si las empresas pudieran mejorar sus prácticas de datos en cinco etapas importantes, podrían ser mucho más eficaces a la hora de resolver algunos de los problemas más apremiantes a los que se enfrentan.

Paso 1: Mejorar la calidad de los datos. Tras escuchar los problemas de Daniel, le pregunté qué tipo de datos recopila su empresa. Resulta que mucho. Su departamento envía una encuesta para que todos los empleados la rellenen cada seis meses. Los directivos realizan revisiones anuales del desempeño que registran en un sistema centralizado. El departamento de recursos humanos hace un seguimiento de todos los ascensos, mientras que el departamento de operaciones supervisa los empleados que abandonan la organización.

Sin embargo, cuando pedí analizar más de cerca la forma en que el departamento de Daniel recopilaba los datos, me horrorizó. La encuesta no recopiló datos de forma fiable y validada. Las evaluaciones de desempeño no estaban estructuradas y solo el 55% de los directivos las rellenaron. Y los datos de promociones y rotación no incluían fechas.

Antes de que pueda utilizar sus datos para obtener respuestas, tiene que mejorar la calidad de los datos que recopila. Diseñe una encuesta más rigurosa con mejores medidas. Cree un sistema de evaluación del rendimiento que facilite a los directivos el registro de sus opiniones. Piense qué tipo de datos será útil recopilar y, a continuación, recólelos de forma sistemática. Mantenga conversaciones periódicas con personas de toda la empresa para identificar qué preguntas son urgentes y qué tipo de datos puede necesitar para responderlas.

Paso 2: Enlazar datos diferentes. Para responder a una pregunta como «¿Por qué se van mis empleados?» tiene que comparar a los empleados que se han quedado con los que se han mudado. (Esa es otra razón por la que las entrevistas de fin de servicio no suelen funcionar, solo se queda con la mitad de la historia).

Para ello, tiene que vincular los datos de diferentes fuentes de la organización. En el caso de Daniel, los datos los defendieron diferentes departamentos. Las revisiones de desempeño y las encuestas a los empleados las gestionaba el equipo de recursos humanos, mientras que los datos sobre la rotación los guardaba el equipo de operaciones. Ninguno de los dos equipos sabía qué datos tenía el otro equipo, por lo que tuvieron que cambiar sus procesos para asegurarse de que podían conectar a los empleados que se habían ido con las respuestas a las encuestas y las evaluaciones de desempeño.

Descubra qué tipo de datos se recopilan en la organización. Diseñe procesos que faciliten unir los puntos entre las personas para obtener tantos puntos de datos de cada empleado como sea posible.

Paso 3: Analice sus datos. En pocas palabras, el análisis de datos requiere capacidades de procesamiento de datos. Por ejemplo, en algunos casos, sus resultados de rendimiento pueden ser a nivel de grupo: el éxito de un proyecto de equipo o un resultado exitoso para el equipo de un cliente. ¿Es posible deducir qué hizo que el proyecto tuviera éxito a partir de las respuestas individuales de cada miembro del equipo?

La respuesta es sí, pero no es fácil de hacer. En términos estadísticos, puede que tenga que agrupar las respuestas a nivel de grupo y ejecutar un modelo aleatorio o de efectos fijos. Lo que esto significa es que investiga la variabilidad de las respuestas a nivel individual para predecir los resultados a nivel de grupo. Sin embargo, esto va mucho más allá de las capacidades de lo que puede hacer Microsoft Excel. Para decidir qué tipo de técnicas de análisis de datos utilizar y, lo que es más importante, realizar los análisis, necesita analistas de datos expertos que sepan utilizar un software de procesamiento de datos avanzado, como R o Stata.

Por lo tanto, el tercer paso para aprovechar sus datos es ser competente en el análisis de datos. Piense qué tipo de técnicas de análisis son las más adecuadas, dado su tipo de datos. Asegúrese de tener personal disponible que pueda realizar los análisis necesarios; si no lo tiene, contrate o contrate a expertos que puedan ayudarlo.

Paso 4: Infunda teoría en sus datos. Aunque muchos problemas puedan parecer apremiantes, no es el único que se enfrenta a ellos. En las últimas décadas se ha dedicado mucha atención a investigar los factores que predicen el rendimiento, la rotación y la creatividad de los empleados. Los investigadores académicos han documentado las relaciones que existen y han desarrollado una gran cantidad de teorías que explican por qué existen.

Esto es importante porque las teorías pueden ayudarnos a predecir lo que ocurrirá en el futuro, teniendo en cuenta una serie de consideraciones. Por lo tanto, si bien el análisis de datos suele ser retrospectivo, ya que trata de entender después del hecho por qué un grupo de empleados se fue, una teoría sólida puede facilitar a las organizaciones pronosticar quién tiene más probabilidades de irse en el futuro. Además, una teoría sólida puede ayudar a identificar qué tipo de preguntas debe hacerse una organización cuando se enfrenta a un problema, como la rotación desenfrenada de personal.

El cuarto paso para aprovechar sus datos es infundirles teoría. Investigue investigaciones anteriores que hayan intentado dar respuesta a preguntas similares que tal vez se esté haciendo. Revise lo que ha investigado esta investigación, cómo lo investigaron los investigadores y qué teoría desarrollaron para explicar las relaciones que encontraron. Puede que no tenga el tiempo ni los recursos para hacerlo, no pasa nada. Los investigadores académicos, en muchos casos, estarán encantados de servir como asesores en los proyectos y pueden ayudarlo a guiarlo en el camino.

Paso 5: Implemente los cambios y lleve un registro de los resultados. Lo ha hecho todo: ha aumentado la calidad de sus datos, ha conectado conjuntos de datos dispares en toda la empresa, ha contratado a buenos analistas de datos y ha consultado la investigación sobre la teoría relevante. Tiene un modelo de trabajo de por qué sus empleados dejan la organización. Ahora que tiene esta visión, tiene que convertirla en una intervención. Por ejemplo, en el caso de Daniel, descubrimos que muchos de los mejores empleados de la empresa se fueron porque sentían que no tenían suficiente autonomía en la forma en que desempeñaban su trabajo.

Este es un paso crucial del proceso: comprobar si lo que ha aprendido puede proporcionar información útil que mejore su organización. Daniel y yo intentamos una intervención en la que dimos a algunos empleados, pero no a otros, la oportunidad de flexibilizar sus horarios. Este tipo de pruebas divididas eran importantes porque queríamos tener un grupo de control. La intervención no tuvo ningún efecto la primera vez que realizamos el experimento. Obviamente fue decepcionante, pero la buena noticia es que nuestras prácticas de datos mejoradas nos permitieron entender por qué era así y nos permitieron optimizar nuestra intervención hasta que tuvo el efecto deseado.

Por lo tanto, el quinto y último paso es implementar los cambios y hacer un seguimiento de los resultados relevantes. La intervención puede requerir varios intentos para obtener el resultado deseado. Es posible que algunas intervenciones no funcionen en absoluto y otras incluso pueden resultar contraproducentes. Pero la mejor manera de averiguar si los conocimientos que ha obtenido son precisos es ponerlos a prueba.