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

«Mis mejores empleados se van», me dijo Daniel, «y parece que no puedo entender por qué».

Daniel (no es su verdadero nombre) era vicepresidente de recursos humanos de una empresa Fortune 500. Le pregunté si había recogido algún dato que pudiera proporcionarle información sobre patrones sistemáticos. «Me aseguré de que nos hiciéramos entrevistas de salida con todos los empleados que nos abandonan», contestó. «¡Incluso personalmente conduzco algunos yo mismo! Pero no está surgiendo ningún patrón consistente. No estoy seguro de cómo puedo evitar que mis mejores empleados nos abandonen en el futuro».

Aquí está el problema con las entrevistas de salida: la gente no es honesta acerca de las razones por las que renuncian. E incluso si lo fueran, tales racionalizaciones post hoc rara vez reflejan las verdaderas razones por las que los empleados renuncian.

El enigma de Daniel es uno de los que muchos gerentes de recursos humanos encuentran en sus organizaciones. ¿Por qué los mejores empleados abandonan 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 dentro de la empresa, escondiéndose a simple vista.

Aunque las empresas recopilan una gran cantidad de datos sobre sus empleados, la mayoría de ellos no hacen un gran trabajo aprovechándolos para obtener información para responder a estas preguntas. Si las empresas pudieran mejorar sus prácticas de datos en cinco etapas importantes, podrían llegar a ser mucho más eficaces para resolver algunos de los problemas más acuciantes a los que se enfrentan.

Paso 1: Mejore la calidad de los datos. Después de escuchar los problemas de Daniel, le pregunté qué tipo de datos recopila su compañía. Mucho, resulta. Su departamento envía una encuesta para que todos los empleados la llenen cada seis meses. Los gerentes llevan a cabo revisiones anuales del desempeño que inician sesión en un sistema centralizado. El departamento de Recursos Humanos realiza un seguimiento de cada promoción, mientras que el departamento de operaciones supervisa qué empleados abandonan la organización.

Sin embargo, cuando pedí echar un vistazo más de cerca a cómo el departamento de Daniel estaba recogiendo datos, me sentí horrorosa. La encuesta no recogió datos de forma fiable y validada. Las revisiones de rendimiento no estaban estructuradas, y solo el 55% de los gerentes las llenaron. Y los datos de promoción y rotación no incluían fechas.

Antes de poder utilizar sus datos para obtener respuestas, debe mejorar la calidad de los datos que recopila. Diseñar una encuesta más rigurosa con mejores medidas. Cree un sistema de revisión del rendimiento que facilite a los administradores registrar sus revisiones. Piensa en qué tipo de datos serán útiles para recopilar, y luego recogerlos — sistemáticamente. Mantenga conversaciones regulares con personas de toda la empresa para identificar qué preguntas son apremiantes y qué tipo de datos puede necesitar para responder a esas preguntas.

Paso 2: Vincular datos diferentes. Para responder a una pregunta como «¿Por qué se van mis empleados?» necesitas comparar a los empleados que se han quedado con los empleados que se han mudado. (Que es otra razón por la que las entrevistas de salida a menudo no funcionan, solo obtienes la mitad de la historia).

Para ello, debe vincular los datos de diferentes orígenes de toda la organización. En el caso de Daniel, los datos fueron defendidos por diferentes departamentos. Los exámenes del desempeño y las encuestas a los empleados fueron gestionados por el equipo de recursos humanos, mientras que los datos sobre el rotación los llevó a cabo el equipo de operaciones. Ninguno de los equipos se dio cuenta de qué datos tenía el otro equipo, por lo que necesitaban cambiar sus procesos para asegurarse de que pudieran conectar a los empleados que se habían ido con sus respuestas a la encuesta y las revisiones de rendimiento.

Averigüe qué tipo de datos se están recopilando en la organización. Diseñe procesos que faciliten la conexión de los puntos entre las personas para obtener tantos puntos de datos sobre 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 los resultados de rendimiento pueden estar en el nivel de grupo: el éxito de un proyecto de equipo o un resultado exitoso para un equipo cliente. ¿Es posible deducir lo que hizo que el proyecto fuera exitoso a partir de las respuestas individuales de cada miembro del equipo?

La respuesta es sí, pero no es fácil de hacer. En términos estadísticos, es posible que necesite anidar 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 resultados a nivel de grupo. Sin embargo, esto va mucho más allá de las capacidades de lo que Microsoft Excel puede hacer. Para decidir qué tipo de técnicas de análisis de datos utilizar y, lo que es más importante, para realizar los análisis, necesita analistas de datos cualificados capaces de utilizar software avanzado de procesamiento de datos, como R o Stata.

El tercer paso para aprovechar sus datos, entonces, es ser competente en su análisis de datos. Piense en qué tipo de técnicas de análisis son las más adecuadas, dado su tipo de datos. Asegúrese de tener personal disponible que pueda realizar el análisis necesario; si no lo hace, reclute o contrate con expertos que puedan ayudar.

Paso 4: Infundir sus datos con teoría. Aunque muchos problemas pueden parecer apremiantes, usted no es el único que se enfrenta a ellos. En las últimas décadas se ha dedicado mucha atención a la investigación de los predictores del rendimiento, el rotación y la creatividad de los empleados. Investigadores académicos han documentado qué relaciones existen y han desarrollado una gran cantidad de teoría que explica por qué lo hacen.

Esto es importante porque las teorías pueden ayudarnos a predecir lo que ocurrirá en el futuro, dado un conjunto de consideraciones. Por lo tanto, mientras que el análisis de datos es a menudo retrospectivo, tratando de entender después del hecho de por qué un grupo de empleados se fue, una teoría fuerte puede facilitar a las organizaciones que pronostican quién es más probable que se vaya en el futuro. Además, una teoría sólida puede ayudar a identificar qué tipo de preguntas debe hacer una organización cuando se enfrenta a un problema, como la rotación de personal desenfrenada.

El cuarto paso para aprovechar sus datos es infundir sus datos con teoría. Investigue investigaciones anteriores que hayan intentado proporcionar respuestas a preguntas similares que usted mismo se esté haciendo. Mire a través de lo que esta investigación ha investigado, cómo los investigadores lo investigaron y qué teoría desarrollaron para explicar las relaciones que encontraron. Puede que no tengas el tiempo y los recursos para hacer esto, eso está bien. Los investigadores académicos, en muchos casos, están más que felices de servir como asesores en proyectos y pueden ayudarle a guiarlo en el camino.

Paso 5: Implementar cambios y realizar un seguimiento de los resultados. Lo ha hecho todo: ha aumentado la calidad de sus datos, conectó conjuntos de datos dispares en toda la empresa, reclutó analistas de datos sólidos y consultó la investigación sobre la teoría relevante. Usted tiene un modelo de trabajo de por qué sus empleados están abandonando la organización. Ahora que tiene esta visión, debe convertirla en una intervención. Por ejemplo, en el caso de Daniel, encontramos que muchos de los mejores empleados de la empresa se fueron porque no sentían que tenían suficiente autonomía sobre cómo realizaban sus trabajos.

Este es un paso crucial del proceso: probar si lo que ha aprendido puede proporcionar información procesable 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 era importante porque queríamos tener un grupo de control. La intervención no tuvo efecto la primera vez que hicimos el experimento. Eso fue obviamente decepcionante, pero la buena noticia fue que nuestras prácticas mejoradas de datos nos permitieron entender por qué era así y nos permitió optimizar nuestra intervención hasta que tuvo el efecto deseado.

Por lo tanto, el quinto y último paso consiste en poner en práctica los cambios y hacer un seguimiento de los resultados pertinentes. La intervención puede requerir varios intentos para obtener el resultado previsto. Algunas intervenciones podrían no funcionar en absoluto, y otras pueden incluso contraer resultados. Pero la mejor manera de averiguar si los conocimientos que ha obtenido son exactos es ponerlos a prueba.

— Escrito por Jon M. Jachimowicz