Usted, según las cifras

El pasado mes de marzo, el empresario y científico Stephen Wolfram escribió una entrada de blog titulada «La analítica personal de mi vida». En él, mapeó datos sobre su uso del correo electrónico, el tiempo dedicado a las reuniones e incluso el número de pulsaciones de teclado que ha registrado: durante 22 años. Los cuadros y gráficos resultantes son fascinantes y, en cierto modo, instructivos. Wolfram ha documentado que es un hombre rutinario al que le gusta trabajar solo hasta altas horas de la noche. Sabe que, aunque sus llamadas telefónicas programadas suelen empezar a tiempo, sus reuniones presenciales son menos predecibles y que pulsa la tecla de retroceso el 7% de las veces que toca el teclado.

Este «esfuerzo de autoconciencia», como lo describió Wolfram, lo convierte en un pionero en la creciente disciplina de análisis automático—la práctica de recopilar y analizar voluntariamente datos sobre uno mismo para mejorar. Los atletas llevan mucho tiempo utilizando el análisis estadístico visual y avanzado para mejorar su rendimiento. Ahora la analítica automática también está floreciendo en el lugar de trabajo. Con los dispositivos portátiles, las aplicaciones móviles y de ordenador y la sofisticada visualización de datos, es bastante fácil supervisar la actividad de nuestra oficina (y cualquier factor que pueda afectarla) y utilizar esa información para tomar mejores decisiones sobre dónde centrar nuestro tiempo y energía.

Esto anuncia un cambio importante en nuestra forma de pensar sobre el seguimiento del rendimiento laboral e incluso en la planificación profesional. Hace tiempo que se mide a los empleados, pero los gerentes tradicionalmente han elegido las herramientas y las métricas y, lo que es más importante, han decidido cómo interpretar las conclusiones. Con la analítica automática, las personas toman el control. Pueden realizar experimentos autónomos para determinar qué tareas y técnicas hacen que sean más productivos y satisfechos, y luego implementar los cambios en consecuencia.

La visión de Wolfram fue que su rutina «sorprendentemente regular» lo liberó de ser «enérgico y espontáneo en cuanto a cosas intelectuales y de otro tipo». Pero no utilizó los datos para descubrir formas de mejorar su rendimiento y, en ese sentido, su entrada de blog es tanto cautelosa como pionera, ya que destaca las dificultades de adoptar la analítica automática sin adoptar primero un plan. Al carecer de un objetivo claro desde el principio, Wolfram tardó dos décadas en sintetizar su enorme colección de datos. Incluso entonces, se detuvo en la observación en lugar de pasar al análisis y la intervención. ¿Qué mejoras podría haber hecho sobre la base de sus hallazgos? ¿Habría sido más útil mapear, por ejemplo, los plazos de los proyectos en función de los niveles de estrés o, dado que dirige su empresa de forma remota, estados de ánimo en contra del tiempo que pasa con otras personas?

Si este tipo de preguntas no se abordan desde el principio, la analítica automática corre el riesgo de convertirse en un concepto prometedor que se aplique mal y luego se descarte como una moda tecnológica más. Para hacerlo bien, tiene que entender las herramientas y desarrollar un enfoque. El objetivo no es solo aumentar la autoconciencia, sino mejorar en su trabajo y estar más satisfecho con su vida.

Las herramientas

Hoy en día existen dos tipos generales de herramientas de análisis automático. Los primeros son rastreadores, que revelan patrones y le ayudan a fijar metas. Le permiten documentar las rutinas y las respuestas físicas, como las horas de sueño, la frecuencia cardíaca y los alimentos consumidos o las calorías quemadas; información que puede utilizar para aprender, por ejemplo, cómo el consumo de cafeína y azúcar afecta a su rendimiento laboral o qué interacciones en la oficina aumentan su presión arterial. Es mejor utilizar los rastreadores longitudinalmente (durante días, semanas o más) e iterativamente, para comprobar las intervenciones y sus resultados hasta lograr el equilibrio adecuado. Recopila una base de datos personales y, a continuación, ejecuta ciclos de recopilación y análisis de datos.

Ese análisis lo prepara para el segundo tipo de herramientas, codazos, que lo guían hacia sus objetivos haciendo preguntas o incitando a la acción en función de los datos que han recibido. Los empujones suelen ser aplicaciones o herramientas en línea que pueden decirle que haga ejercicio, que deje de tomar café o que vaya más despacio durante una presentación. Por lo general, requieren una inversión inicial para que los algoritmos «sepan» cómo y cuándo hacerle ping.

El análisis

¿Qué puede medir exactamente? Basándome en casos e investigaciones de éxito, he desarrollado un marco que incluye tres ámbitos en los que la autoanalítica puede ser útil: el yo físico, el yo pensante y el yo emocional (cuerpo, mente y espíritu).

El yo físico.

Su estado físico afecta a su trabajo. Lo sabemos más o menos desde la Revolución Industrial, cuando los famosos estudios sobre el tiempo y el movimiento de Frederick Taylor mostraron que los movimientos de un trabajador de una fábrica de hierro, como meter arrabio con una pala en un carro, podían medirse y mejorarse. Del mismo modo, se ha demostrado que los patrones de sueño, los niveles de estrés y los regímenes de ejercicio de los trabajadores del conocimiento afectan a la productividad, la creatividad y el rendimiento laboral en general. Hoy en día, estos trabajadores pueden elegir entre una variedad de aplicaciones móviles, sensores portátiles o herramientas de escritorio que recopilan de forma autónoma datos valiosos sobre los movimientos y los sistemas fisiológicos de su cuerpo.

La consultora de negocios Sacha Chua quería entender la relación entre su horario de sueño y el logro de sus prioridades profesionales, por lo que ha probado varias herramientas con este fin. Con un rastreador llamado Sleep On It, monitorizó su hora de dormir, despertarse, la cantidad de sueño por noche y la calidad del sueño durante varias semanas. (Consulte la exposición «La automedición de un vistazo».) Con esta base de referencia y la hipótesis de que dormía más tarde de lo debido, intentó levantarse más temprano, a las 5:40 en lugar de a las 8:30 SOY.

La automedición de un vistazo

Las herramientas del campo del análisis automático suelen emplear algoritmos basados en el comportamiento para hacer recomendaciones a los usuarios. Los datos analizados pueden

…

Chua descubrió, para su sorpresa, que estaba recibiendo más y dormir mejor con la nueva hora de despertarse, que mejoró su compromiso y rendimiento en el trabajo. Parecía que la obligaba a evitar actividades nocturnas poco importantes, como navegar por Internet, para poder irse a dormir más temprano. En lugar de desperdiciar gran parte de su mañana durmiendo de mala calidad mientras pulsa el botón de repetición una y otra vez, podría dedicar tiempo a escribir y programar. Este ejercicio tenía que ver nominalmente con dormir, pero los datos proporcionaron una forma más rigurosa para que Chua explorara, priorizara y actuara en función de lo que realmente le importaba personal y profesionalmente.

El yo pensante.

En la década de 1960, Peter Drucker legitimó la cuantificación del yo pensante en unidades de conocimiento. Aunque el trabajo de conocimiento sigue siendo notoriamente difícil de medir de forma rigurosa o directa mientras se realiza, se sigue rastreando su producción con aproximaciones, como las horas facturables, los informes archivados o las líneas de código escritas. Estas medidas pueden informar a los gerentes y a los sistemas financieros, pero ayudan poco a guiar a las personas que quieren aprender a mejorar en su trabajo. El análisis automático puede ayudar a recopilar datos a medida que realiza tareas cognitivas, como la investigación de clientes en su teléfono inteligente o el análisis estadístico en Excel.

Con la analítica automática, los gerentes no eligen las métricas, sino que los trabajadores toman el control.

El ingeniero de Google, Bob Evans, utilizó rastreadores y codazos para investigar la relación entre su atención y su productividad. Explica: «Como ingenieros, nos cargamos la cabeza con todas estas variables, las piezas intelectuales de los sistemas que estamos creando. Si nos distraemos, perdemos ese hilo conductor».

Con una herramienta llamada MeetGrinder, que interactúa con los calendarios de Internet, Evans analizó la frecuencia con la que cambiaba entre el pensamiento solitario y la interacción colegial a lo largo de sus días y semanas, y luego lo comparó con su producción laboral. Los datos le mostraron que necesita unas cuatro horas seguidas para hacer algo ambicioso, por lo que ahora se centra en sus tareas más difíciles cuando tiene ese tiempo, no durante los días en los que muchas reuniones le perturban el flujo mental.

Evans also uses a mobile app that randomly pings him three times a day, asking, “Have you been working in the past two hours?” If he hasn’t, he’s prodded to refocus. If he clicks yes, the app asks more questions: “What was your primary work activity?” and “What was your secondary work activity?” This data-gathering approach, developed by psychologist Mihaly Csikszentmihalyi, is called the experience sampling method, or ESM.
Just over a week into Evans’s three-week experiment, the ESM data began to show that he was responding to work e-mails too frequently, which distracted him from more-important tasks. So he began to answer e-mail just twice a day to see whether that increased his productivity. It did. In the third week, every time the app pinged him, he was in the midst of his core programming work. (Notably, one of Evans’s colleagues set the app to check in with him ocho veces al día. Se frustró tanto que abandonó el experimento.)

El yo emocional.

Daniel Goleman afirmó hace 15 años que casi el 90% de la diferencia entre los líderes sobresalientes y los normales se debe a factores emocionales, no a la perspicacia intelectual. De hecho, a muchos profesionales les intriga el papel que desempeñan las emociones en sus carreras y aspiran a ser más conscientes de sus propios estados emocionales y de su capacidad para gestionarlos. Sin embargo, las herramientas de evaluación y los entrenadores que se centran en la inteligencia emocional son caros, intrusivos y, a menudo, se reservan para miembros selectos de la alta dirección.

Las herramientas de análisis automático no miden la inteligencia emocional en sí mismas, pero proporcionan una forma más fácil de obtener información sobre las emociones y utilizar los datos para mejorar nuestras predicciones sobre lo que nos hará felices en nuestro trabajo diario y en nuestra carrera. Muchas aplicaciones y herramientas rastrean los estados de ánimo preguntando al usuario: «¿Cómo se siente ahora mismo?» Si usa uno en un teléfono móvil con GPS, puede descubrir correlaciones entre sus emociones y su ubicación. ¿Es más feliz trabajando en casa, en Starbucks o en la oficina? ¿Es menos feliz en ciertos sitios de clientes o cuando viaja? O bien, mediante una herramienta que analice los datos textuales (como los tipos de palabras de las comunicaciones por correo electrónico o las entradas del diario), puede cuantificar las opiniones sobre un trabajo u oportunidad laboral en particular.

Estas herramientas no sustituyen a la reflexión personal, pero pueden facilitar el proceso. Un ejemplo de ello es el de Marie Dupuch, una estratega de marcas que durante mucho tiempo envidiaba a las personas que «podían reconocer su estado de ánimo y saber exactamente qué las ponía en él». Al darse cuenta de que no era tan intuitiva, en cambio, probó un enfoque cuantitativo para entender sus emociones.

Con la inminente graduación universitaria y la presión por «reflexionar y resolver las cosas» antes de entrar en el mercado laboral, comenzó a hacer un seguimiento de su estado de ánimo. Durante su último semestre de tres meses, utilizó una versión beta de una aplicación de seguimiento que le pedía que calificara su estado de ánimo en una escala de cinco puntos tres veces al día. Al principio, las conclusiones eran predecibles: hablar con amigos y familiares por Skype le mejoraba el estado de ánimo; viajar en transporte público lo deprimía. Pero un dato destacó: los jueves eran sus días más felices, lo que la sorprendió dado que también eran los más ocupados.

La analítica automática puede convertirse en el ímpetu para un cambio total de carrera.

Los jueves, Dupuch condujo desde el campus de su universidad a la ciudad para asistir a un curso de publicidad con profesores invitados y que requería interacción con ejecutivos de publicidad y otros tipos creativos. Ella planteó la hipótesis de que fue la exposición al mundo de la publicidad en un lugar urbano lo que hizo que su día más duro fuera el más feliz. Así que decidió poner a prueba su teoría: programó seis entrevistas informativas a lo largo de cinco días con agencias de publicidad de Manhattan y midió su estado de ánimo todo el tiempo. Ella reflexiona: «A través de esta prueba pude comprobar con datos reales que la publicidad era una buena apuesta, que este era el tipo de carrera que me haría feliz». Hoy trabaja feliz y productivamente en la industria de la publicidad en Nueva York.

Por supuesto, el seguimiento eficaz de sus emociones presupone que pueda adoptar una visión analítica, incluso clínica, de su estado de ánimo cuando se recopilan los datos. Eso es muy diferente a rastrear las horas de sueño o el número de correos electrónicos enviados. Dupuch es uno de los muchos con los que he hablado que dicen que el proceso no es natural al principio, pero que se hace más fácil con la práctica y, finalmente, mejora su capacidad de percibir y reaccionar ante lo que siente.

El futuro

Aún es pronto para la analítica automática. Sin embargo, actualmente se están llevando a cabo nuevas e importantes líneas de investigación, basadas en las ciencias cognitivas y del comportamiento, en las universidades y en empresas privadas. Un proyecto llamado Quantified Self ofrece oportunidades para que las personas prueben herramientas de análisis automático y métodos experimentales. Además, los nuevos conocimientos de campo sobre la visualización de datos y la innovación algorítmica del campo de la analítica empresarial tienen una aplicación directa para los profesionales del análisis automático y los fabricantes de herramientas.

También están surgiendo otras dos tendencias. En primer lugar, las herramientas serán más sofisticadas. Algunos serán más inteligentes, con algoritmos que hagan que la función de empujones sea más matizada para que, por ejemplo, la tecnología sepa mejor cuándo y cómo hacerle ping. También pueden permitir una mayor precisión, incluso mayor que la del nuevo dispositivo de BodyMedia, que recopila unos 5000 puntos de datos físicos por minuto y utiliza el código de análisis de IBM para personalizar las sugerencias relacionadas con la dieta y la actividad física. Algunas herramientas pasarán a ser menos visibles: entretejidas en la ropa para capturar datos físicos, por ejemplo, o integradas en herramientas profesionales, como hojas de cálculo y aplicaciones de procesamiento de textos. En segundo lugar, se desarrollará un enfoque más holístico de la analítica automática. Las aplicaciones consolidarán muchos tipos de medidas en un solo panel y nos permitirán analizarnos a nosotros mismos en dimensiones cada vez más complejas.

Herramientas como StickK y Beeminder, por ejemplo, ya combinan el seguimiento y el empujón, y pueden añadir una dimensión social. Le piden que cree un objetivo, como aumentar el número de llamadas de ventas o conversaciones con subordinados directos cada semana, y que luego utilice pantallas digitales para ayudarlo a analizar su progreso diario para lograrlo. Para aumentar su motivación, utilizan empujones o incluso imponen pequeñas sanciones económicas cuando se desvía del camino. Y se pueden usar socialmente para que las personas, incluso las personas desconocidas, que trabajan con el mismo objetivo puedan compartir datos y animarse unas a otras, como hacen las personas en un club de adelgazamiento.

El empresario tecnológico Nick Winter ha utilizado esta metodología con gran éxito. Cuando sintió que su productividad se había estancado y se dio cuenta de que su nuevo negocio estaba en peligro, empezó a recopilar datos sobre sus actividades laborales y su rendimiento. Durante un período de 10 meses, Winter probó cuatro enfoques distintos para ser más productivo, desde el seguimiento de hojas de cálculo hasta las herramientas de empuje. Se decidió por una técnica de análisis automático llamada «gráficos de retroalimentación percentil» para ayudarlo a ver las tendencias con claridad. Ahora ha reunido un grupo en Internet de colegas con ideas afines que comparan y compiten según sus métricas.

Otro ejemplo de consolidación de datos es Personal Analytics Companion (PACO), una aplicación móvil de código abierto diseñada por Bob Evans de Google, cuyo artículo apareció anteriormente. «En lugar de tener todas estas aplicaciones verticales, desde rastreadores del estado de ánimo hasta rastreadores de reuniones, este es un lugar en el que… puede combinar todos sus datos y compararlos», afirma Evans. «Puede ver las tendencias, las distribuciones, las relaciones».

Imagínese la aplicación de análisis automático que ayuda a un gerente a reprogramar su sesión de innovación porque sabe que no ha dormido bien, que su viaje tan largo al trabajo le ha creado estrés y que tiene una aburrida reunión de presupuesto justo antes de la sesión. O piense en la trabajadora del conocimiento que se arma antes de una evaluación de desempeño con datos de referencia personales que respalden o refuten la evaluación de su gerente.

Ahí es hacia donde se dirige la analítica automática. Cuando el análisis revela un mayor rendimiento en tareas no esenciales, la analítica automática puede incluso convertirse en el impulso para un cambio total de carrera. Piense en la cantidad menos de ansiedad que causaría esa decisión que le cambiaría la vida si tuviera datos que la respaldaran.

Aplicado de la manera correcta, el análisis automático puede proporcionar pruebas contundentes en situaciones en las que tradicionalmente nos basamos en la intuición y en los comentarios anecdóticos. Cuantificarse es una experiencia reveladora y quizás lo mejor que puede hacer para mejorar su carrera y su vida.