Mejores formas de predecir quién va a dejar de fumar

La mayoría de los esfuerzos de retención se basan en dos herramientas retrospectivas: las entrevistas de fin de servicio y las encuestas anuales a los empleados. El problema es que estos datos no dan a los directivos una imagen en tiempo real de quién podría estar pensando en marcharse. Los investigadores utilizaron algoritmos de macrodatos y aprendizaje automático para desarrollar un índice de propensión a la rotación de las personas, un indicador en tiempo real de quién es probable que esté pensando en dejar de fumar. Sus resultados demuestran que es posible desarrollar índices que predigan en tiempo real la probabilidad de que una persona considere una oferta externa y, finalmente, deje la empresa.

••• Las empresas saben que la rotación de empleados es cara y disruptivo. Y saben que retener a sus mejores y más brillantes empleados les ayuda no solo a ahorrar dinero sino también a preservar[ventajas competitivas](/2011/10/how-to-hang-on-to-your-high-potentials) y proteger[capital intelectual](/2016/04/making-exit-interviews-count). Sin embargo, la mayoría de los esfuerzos de retención se basan en dos herramientas retrospectivas. En primer lugar, se realizan entrevistas de salida para entender mejor por qué la gente decide marcharse, aunque en este momento ya es demasiado tarde para quedarse con ellas. En segundo lugar, las encuestas anuales a los empleados se utilizan para evaluar el compromiso. Los resultados de esta encuesta se comparan más adelante con los de las personas que dejaron la organización, con la esperanza de que arrojen cualquier indicador relevante de las salidas. El problema es que estos datos no dan a los directivos una imagen en tiempo real de quién podría estar pensando en marcharse. Nuestras últimas investigaciones se han centrado en el uso de macrodatos y algoritmos de aprendizaje automático para desarrollar un índice de propensión a la rotación de las personas, un indicador en tiempo real de quién es probable que esté pensando en dejar de fumar. Basamos el desarrollo de estos modelos predictivos en una investigación académica sobre la rotación y, a continuación, realizamos una serie de estudios. Nuestros resultados demuestran que es posible desarrollar índices que predigan en tiempo real la probabilidad de que una persona considere una oferta externa y, finalmente, deje la empresa. Investigaciones anteriores apuntan a dos razones principales por las que las personas dejan sus trabajos: las crisis de rotación y la baja integración laboral. Los choques de facturación son eventos que impulsan a las personas a reconsiderar si deben permanecer en la organización. Algunos choques son organizativos (por ejemplo, un cambio de liderazgo, anuncio de fusiones y adquisiciones) y otros son personales (por ejemplo, recibir una oferta de trabajo externa, nacimiento de un hijo). La integración laboral se produce cuando las personas están profundamente conectadas con una organización. Cuando las personas tienen pocos vínculos sociales buenos en el trabajo o en la comunidad, o cuando sienten que su trabajo no se ajusta bien a sus intereses, habilidades y valores, tienen un bajo nivel de arraigo laboral y corren un mayor riesgo de fuga. Trabajamos con una empresa de inteligencia de talentos para recopilar una amplia muestra de datos organizativos disponibles públicamente sobre posibles choques de rotación, como los cambios en las calificaciones de Glassdoor o de los analistas, la variación del precio de las acciones, los artículos de noticias y las acciones reglamentarias o legales contra la empresa. También recopilamos factores personales relacionados con la integración que eran de dominio público, como el número de trabajos anteriores, el aniversario y el mandato del empleo, las habilidades, la educación, el género y la geografía. Hemos acumulado estos posibles indicadores de rotación para más de 500 000 personas que trabajan en los EE. UU. en varias organizaciones e industrias. Basándonos en nuestra evaluación de estos factores de rotación, utilizamos el aprendizaje automático para clasificar a cada persona como poco probable, con menos probabilidades, con más probabilidades o con más probabilidades de ser receptiva a nuevas oportunidades laborales. A cada persona de nuestra muestra se le asignó una puntuación en el índice de propensión a la rotación (TPI) y, a continuación, realizamos dos estudios para comprobar qué tan bien esta puntuación predecía su apertura a oportunidades externas y su probabilidad de dejar de fumar. En primer lugar, queríamos ver qué tan bien predijo el TPI la apertura a los mensajes de contratación. Enviamos invitaciones por correo electrónico a una muestra más pequeña de 2000 personas empleadas que nuestro algoritmo identificó como poco probable, menos probable, más probable o muy probable que fueran receptivas a una invitación para ver los puestos disponibles adaptados a sus habilidades e intereses específicos. De ellos, 1473 recibieron el correo electrónico, 161 abrieron la invitación y 40 hicieron clic. Los que se calificaron como «con más probabilidades» de ser receptivos abrieron la invitación por correo electrónico con más del doble de lo que los clasificados como menos probables (el 5,0% frente al 2,4%). Además, entre los que abrieron el correo electrónico, los clasificados como «con más probabilidades» de ser receptivos tenían muchas más probabilidades de hacer clic en él. Esto sugiere que la puntuación del TPI podría identificar a los empleados que corren un mayor riesgo de marcharse. Este hallazgo también sugiere que las empresas pueden dirigirse estratégicamente a los mejores talentos que podrían estar más abiertos a una oferta externa; recuerde que todo esto proviene de datos disponibles públicamente. En segundo lugar, para analizar la capacidad de la puntuación del TPI para predecir la rotación real, utilizamos el resto de la muestra de 500 000 personas. Durante un período de tres meses, las personas identificadas como «con más probabilidades» de ser receptivas a las nuevas oportunidades tuvieron un 63% más de probabilidades de cambiar de trabajo, en comparación con las que «era poco probable» que se mostraran receptivas. Las personas identificadas como «más propensas» tenían un 40% más de probabilidades de dejar de fumar. Nuestro trabajo en este área demuestra que, mediante el uso de macrodatos, las empresas pueden hacer un seguimiento de los indicadores de propensión a la rotación e identificar a los empleados que corren un riesgo elevado de dejar la organización. Esta anticipación proactiva puede permitir a los líderes intervenir para aumentar las probabilidades de retener a los mejores talentos. Además, las organizaciones tienen una enorme ventaja sobre los investigadores externos a la hora de desarrollar su propia TPI con datos internos. Las firmas pueden anticipar los choques organizacionales, como los litigios o las medidas reglamentarias. Además de los datos disponibles públicamente, las empresas tienen acceso a otros datos sobre el impacto de la rotación, como aniversarios de trabajo, nuevas credenciales educativas y anuncios de nacimiento o boda, aunque deben tener cuidado de no infringir la privacidad de los empleados. Y las empresas pueden hacer un seguimiento de los factores que indican la integración laboral, como la participación en las oportunidades de desarrollo profesional, las iniciativas de mejora organizacional o los programas de reconocimiento entre pares. Las empresas que se comprometan con la toma de decisiones basada en los datos deberán invertir en la recopilación y el análisis cuidadosos de los indicadores correctos del riesgo de rotación. Entonces, sus líderes pueden involucrar de forma proactiva a los valiosos empleados que corren el riesgo de marcharse mediante entrevistas, para entender mejor cómo la empresa puede aumentar las probabilidades de que se queden.