Inteligencia artificial, machine learning y people analytics: ¡tres aliados en RRHH!

Si cada vez que vas a hacer un informe tienes que revisar varios Excels, en cada proceso de reclutamiento chequeas manualmente más de 2.000 currículos, y cada renuncia te toma por sorpresa, es muy probable que tu departamento necesite implementar estas tecnologías para mejorar sus procesos.

Recursos Humanos está en proceso de reinvención. En el mercado, hay una “explosión de herramientas” que abarcan casi todas las tareas de este departamento, desde softwares de nómina sofisticados e intuitivos hasta herramientas para proporcionar bienestar al personal, reducir la discriminación en procesos de contratación y capacitar a los colaboradores.

De acuerdo con el reporte Tendencias Globales de Capital Humano 2019 de Deloitte, hoy en día “hay más de 1.400 proveedores de tecnología de RRHH en el mercado, muchos de ellos enfocados en el uso de la inteligencia artificial, interfaces cognitivas, análisis avanzado, análisis de sentimientos y otras nuevas tecnologías diseñadas para facilitar el trabajo”.

Pero para formar parte de esta transformación digital, “vamos a tener que ser políglotas”, dice Juan M. Bodenheimer, consultor Internacional en People Analytics y director de Instare. “Vamos a tener que aprender a hablar todos los idiomas: analytics, psicología, negocios, finanzas y demás», comentó en una reciente charla de Hacking HR Buenos Aires.

Sin duda, nuestro trabajo no es el mismo de hace 10 años. Cada vez se hace más necesario que los profesionales de RRHH desarrollen un perfil digital, es decir, que sean capaces no solo de generar información, sino también de sistematizarla e interpretarla a través de la tecnología, para así entender mejor el comportamiento del talento y las oportunidades de mejora del negocio. Tomar decisiones basadas en datos y no en suposiciones.

Por eso, para ayudarte a navegar en estos tiempos de transformación, te presentamos un pantallazo general por estas tecnologías, haciendo énfasis en las bases: machine learning, inteligencia artificial y people analytics. Qué son, cómo funcionan y ejemplos aplicados en nuestra área.

Machine learning: la base

Recursos Humanos se ha demorado en sumarse a la transformación digital, si se lo compara con sectores como Marketing, Ventas o Finanzas, y si bien está dando pasos importantes, algunos han sido en falso. “A pesar del gran interés por lograr una mejor gestión de datos, sólo el 26% de los encuestados reporta el uso eficaz de la tecnología y la analítica, y únicamente el 6% cree que su plataforma tecnológica de RRHH es excelente”, señala el informe de Deloitte.

Lo cierto es que esa tecnología que podría atemorizarnos o que creemos que aún no dominamos, en realidad está a nuestro alcance a diario. Netflix nos sugiere películas y series idóneas para nosotros basado en nuestras búsquedas y visualizaciones anteriores, Facebook etiqueta las caras de nuestros amigos sin que le hayamos dicho cómo se llaman, y el GPS nos muestra la ubicación de los más recientes radares de velocidad. ¿Magia? No, tecnología.

Comencemos por conceptos básicos. Nicole Martin, directora de NR Digital Consulting, explica en una nota de Forbes que, dicho de una forma sencilla, el machine learning (ML) consiste en “enseñarle a una máquina a aprender”. El ML aprende mediante sistemas neuronales y algoritmos que le permiten mejorar los datos, describirlos y determinar el posible resultado de una situación. Para ello, requiere de un humano que le alimente esa información, testee y corrija los problemas que surjan.

En su e-book Machine Learning for dummies, IBM aclara que, como se le suministran datos constantemente, los modelos de machine learning se aseguran de que la solución esté constantemente actualizada. Por ejemplo, Facebook y otras aplicaciones lo usan para el reconocimiento facial, al recopilar fotos de una misma persona tomadas en distintos momentos de su vida, desde diversos ángulos y con diferentes expresiones e iluminación, para poder identificarlas a lo largo de los años.

IBM aclara un dato importante para las empresas: el Machine Learning permite comprender mejor los cambios sutiles en el comportamiento, las preferencias y la satisfacción del cliente, más allá de lo que pueda arrojar una encuesta. “Los líderes de negocios están empezando a descubrir que muchas cosas que están sucediendo dentro de sus organizaciones e industrias no pueden ser entendidas a través de una consulta. No son las preguntas que usted conoce, son los patrones ocultos y las anomalías que subyacen en los datos los que pueden ayudarlo o dañarlo».

Agrega que, con los modelos apropiados de ML, las organizaciones tienen la habilidad de predecir continuamente los cambios en el negocio, adelantarse mejor a lo que viene.

Inteligencia artificial: un nuevo colega

El machine learning permite que la inteligencia artificial pueda implementar un funcionamiento predictivo basado en los datos adquiridos en un determinado contexto, pero la diferencia está en que “la IA puede crear resultados por sí sola y hacer cosas que solo los humanos pueden hacer”, asegura Martin. Es decir, la inteligencia artificial (IA) simula “la cognición y las funciones humanas, incluyendo el aprendizaje y la solución de problemas”, indica Samuele Lo Piano en Nature Research.

Un ejemplo claro aplicado al trabajo es la investigación que realizó Hewlett Packard en su call center. A través de la plataforma de cognitive computing, revisó dos años de llamadas de atención al cliente hasta identificar cuáles eran las “microhabilidades” únicas de cada uno de sus agentes, es decir, sus capacidades especiales para responder mejor a determinados requerimientos de los clientes en comparación con sus compañeros.

“Estas microhabilidades se usan ahora para asignarle las llamadas entrantes a los representantes que han procesado solicitudes similares adecuadamente”, explican Paul R. Daugherty y H. James Wilson en Harvard Business Review. Con ello, la empresa mejoró en 40% la resolución de problemas en el primer contacto y redujo a la mitad la tasa de llamadas transferidas.

Los usos de la AI en RRHH

Este no es un caso aislado. El uso de esta tecnología se ha hecho cada vez más común. De hecho, según el reporte Mercer’s Global Talent Trends 2019, 88% de las compañías en todo el mundo ya están usando en alguna medida inteligencia artificial en RRHH.

¿Sabes en qué procesos específicos la están implementando? De acuerdo con la encuesta Triunfar con empatía. Tendencias Globales de Talento 2020 de Mercer, en la que participaron más de 7.300 empleados, líderes de Recursos Humanos y ejecutivos de 16 países, la IA se está aplicando de las siguientes maneras:

  • Para identificar a los candidatos más adecuados en función de la información de acceso público, como redes sociales (41%)
  • Chatbots para que sus empleados busquen información o gestionen candidatos durante el proceso de reclutamiento (39%)
  • En tecnología portátil (que se lleva puesta) para seguir los hábitos de los empleados (35%)
  • Aplicada en parte del proceso de gestión del desempeño (34%)
  • En Realidad Virtual y Aumentada para capacitar a los empleados (34%)
  • En procesos de onboarding (34%)
  • Para reconocer a los empleados desmotivados o que podrían abandonar la compañía (32%)
  • Para el reclutamiento y selección de personal: evaluar y elegir candidatos (30%)
  • Para personalizar la compensación o mejorar el benchmarking salarial (28%)

Mercer destaca que “en la actualidad la inteligencia artificial también está tomando sus propias decisiones y aprendiendo a medida que avanza, sobre todo en lo que se refiere a selección y decisión del candidato”, autonomía que va a requerir del trabajo conjunto y al unísono del personal de Recursos Humanos con la inteligencia artificial: “Es importante que RRHH se sienta conectado a los conjuntos de datos, a las suposiciones algorítmicas y a la forma en que se toman las decisiones relacionadas con las personas”.

De hecho, las compañías que están liderando esta área, como Google, Haier, Apple, Zappos y Siemens, “no solo tienen mejor tecnología, sino que han transformado la manera en que hacen negocios», es decir, han logrado «que los recursos humanos puedan enriquecerse con los poderes de las máquinas”, señalan Nada R. Sanders y John D. Wood en Harvard Business Review tras estudiar a estas empresas durante 5 años.

People Analytics: interpretar los datos para tomar decisiones

Mucho se habla de people analytics, pero hasta las organizaciones especializadas en el manejo de datos han tenido dificultades para aplicarlas en el área de Recursos Humanos.

Un ejemplo es la empresa Nielsen, experta en la recopilación y medición de datos de clientes, que recién en 2015 comenzó a enfocarse en el análisis de su propio talento a raíz de un problema de rotación de personal. Había notado un aumento importante en las renuncias, pero nadie conocía por qué ni cómo detenerlo. “¿Saben por qué la gente está dejando mi equipo?”, le llegó a preguntar una ejecutiva al departamento de RRHH.

Gracias al grupo de People Analytics, Nielsen encontraría la solución: ofrecerle a sus empleados nuevas oportunidades profesionales dentro de la empresa. Para ello, creó un programa de movilidad interna cuyo resultado fue más que positivo: no solo detuvo la fuga de personal, sino que en los primeros 8 meses de implementación le ahorró más de 10 millones de dólares.

En los últimos años, la adopción de people analytics en las empresas ha ido en aumento. Según el reporte 2017 Strategic Workforce Analytics del Corporate Research Forum, 69% de las organizaciones con 10.000 empleados o más ya cuentan con un equipo completo dedicado a ello.

Y son precisamente esas compañías las que terminan destacándose, desde el punto de vista financiero, entre sus pares. El estudio The Age of People Analytics de Visier indica que las organizaciones avanzadas en la adopción de people analytics superan a las emergentes tanto en márgenes de ganancia (56% más altos) como en Return on Assets o ROA (22% más alto).

Pero ¿de qué se tratan las people analytics? En Harvard Business Review, Chantrelle Nielsen y Natalie McCullough, especialistas en Workplace Analytics para Microsoft, las definen como “el uso de los datos sobre el comportamiento humano, las relaciones y los rasgos para tomar decisiones de negocios”, que en lugar de estar basadas en «experiencias anecdóticas, jerarquías y evasión de riesgos» estén guiadas por «el análisis de datos, las predicciones y la investigación experimental”.

Los expertos Lars Schmidt y David Green destacan que las “people analytics pueden aportar los insights o el conocimiento necesario para tomar mejores decisiones” en temas claves como, por ejemplo, determinar dónde ubicar una nueva oficina, rediseñar el lugar de trabajo o evaluar si una fusión o adquisición es conveniente. Asimismo, son cruciales para entender de qué manera es posible mejorar la productividad y desarrollar ambientes laborales saludables, con empleados felices.

Apoyarse en las tecnologías disruptivas para abordar la avalancha de datos actual es fundamental. John Bates, director de Product Management de Adobe Analytics, lo explica así: “Cuando estás lidiando con analíticas que tienen que procesar verdadera Big Data —como terabytes o petabytes de datos— es irracional esperar que un humano o una tecnología sin escala pueda hacerlo, aunque tengas al mejor científico de datos en el mundo. Ahí es donde tiene sentido traer las máquinas para ayudarte a procesar y analizar cantidades masivas de datos”.

¡Dar los primeros pasos!

Pero incorporar estas tecnologías puede ser abrumador al inicio. Bodenheimer asegura que la clave está en adentrarse en estos temas sin miedo a ser un inexperto. “No podemos saberlo todo, tenemos que armar equipo. En Analytics, en la medida en que vas avanzando, te sientes cada vez más ignorante. Hay que olvidarse del manual de Recursos Humanos y ponerse a pensar en qué es lo que tiene sentido hacer, entender lo que está pasando y cómo responder a lo que nos pide el negocio”, señala.

Para dar los primeros pasos, Bodenheimer recomienda evitar estos 4 errores frecuentes:

  • Perder el norte. Para no marearse entre la cantidad de datos, sugiere poner foco en qué queremos hacer con ellos. «No se trata de medir por medir”.
  • Enredarse con la tecnología. “Piensa en la cantidad de sistemas que estás utilizando. Si le agregamos más y más, perderemos el foco de qué queremos hacer con todas esas herramientas”.
  • Olvidarse del cliente. “HR Analytics no es para Recursos Humanos, es para el negocio, para hacer lo que éste necesite”, señala. La pregunta sería: “¿Qué es lo que requieren la empresa, sus trabajadores y sus clientes?”.
  • No podemos hacerlo todo. Sostiene que no tiene sentido armar un sistema de encuestas de clima organizacional desde cero, por ejemplo, si ya existe una tecnología diseñada para ello. “Además, no puedes hacer esto solo, necesitas trabajar en equipo con los de adentro (de RRHH) y los de afuera”, afirma.

Fuentes consultadas:

4