El análisis predictivo de la rotación es un área clave dentro de People Analytics por el gran impacto que tiene dicho fenómeno en cualquier empresa. Por un lado, tenemos los costes asociados con el reemplazo de las personas que se van, incluido la selección de nuevos empleados. Por otro, lograr que los nuevos miembros alcancen el mismo nivel de productividad que los que han abandonado la empresa.
En algunos roles, el nuevo miembro tarda hasta 12 meses en ponerse al día, crear redes internas, ganarse la confianza del cliente o estar al nivel de la productividad del predecesor. Cierta rotación es potencialmente funcional. Por ejemplo, un trabajador de bajo rendimiento que está descontento con su carrera y se da cuenta de que el trabajo no es para él. Sin embargo, se puede considerar que la baja rotación indica que la organización está haciendo algo bien en términos de cómo gestiona las personas.
incorpora analísis predictivo de rotación
Consecuencias de la rotación
Cuando hablamos de rotación de empleados, nos referimos a la rotación voluntaria y sus posibles causas. En términos de coste, puede ser sustancial y se ha calculado hasta un 200% del salario de cada empleado que abandona dependiendo de sus competencias o nivel de responsabilidad desempeñado.
Además de los costes económicos, otros costes pueden ser la pérdida de conocimiento obtenidos a través de la experiencia desarrollada en la empresa, el impacto que puede suponer en las relaciones con los clientes o proveedores, la dificultad de reemplazar, etc.
Entender las causas y el diagnóstico de problemas clave relacionados con la rotación, pueden hacer una contribución enormemente valiosa a cualquier organización.
Causas de la rotación: Análisis
Si la rotación supone un reto para la empresa, realizar un análisis de causas puede aportar un gran valor a la organización ya nos permite tomar decisiones específicas que permitan controlar el fenómeno.
Sin un análisis adecuado, las causas pueden estar mal diagnosticadas o las intervenciones pueden estar mal dirigidas. Aunque existe mucha investigación sobre este tema, existe cierto consenso a la hora de establecer las causas más comunes de la rotación. Por un lado, en los factores de nivel organizativo, el diseño del puesto, el clima de trabajo y la cultura organizativa.
Entre los factores de nivel individual, tanto la satisfacción como el compromiso o engagement han sido los más estudiados. También otros factores personales influyen en el fenómeno: la personalidad del empleado, sus valores hacia el trabajo o el estrés laboral.
En Incorpora, usamos técnicas estadísticas inferenciales que nos ayudan a determinar la causa (o causas) raíz del problema. Esto permite a las empresa dirigir sus recursos de forma mucho más eficiente, además de obtener mayores impactos.
Preguntas más usuales que hay que plantearse
En la siguiente tabla podemos ver algunos datos referidos a empleados organizados por equipos en las filiales de una empresa y sus tasas de rotación y niveles de compromiso o engagement (obtenidos mediante encuesta). Como vemos en las dos gráficas, la filial de España muestra los niveles más altos de rotación y los más bajos de engagement.
Las preguntas que deberíamos plantearnos son las siguientes:
- ¿Las diferencias que hay entre las distintas filiales o países son significativas? ¿o se deben a fenómenos aleatorios?. Para poder responder a esta pregunta, realizamos un análisis de las diferencias como vemos en el siguiente apartado.
2. Si la cifra de rotación en España se demuestra que es estadísticamente significativa respecto a los otros países o filiales, ¿Cuál es el motivo? Asimismo, ¿Por qué muestra tan bajos niveles de engagement? ¿están ambos factores relacionados?. Para poder determinar las causas o los fenomenos detrás de un fenómeno particular, realizaremos un análisis basado en la regresión. Esto lo veremos con más detalle en el apartado «Factores predictivos de la rotación».
Explorar diferencias
Un informe de RRHH muy común es el de los niveles de rotación del personal en diferentes «cortes» o submuestras de la organización. Lo que no es tan común es que se trate de responder a la pregunta: ¿Estas diferencias se deben a causas aleatorias o hay algún patrón detrás?. Está claro que alguna rotación podría no tener absolutamente nada que ver con la organización; simplemente puede ser que algún factor aleatorio llevó a ciertos empleados a dejar sus trabajos. Pero ¿cómo podemos estar seguros?
Nuevamente, la estadística inferencial nos ayuda a explorar e interrogar las diferencias en los patrones de rotación de personal individual o de equipos en diferentes muestras. Dependiendo del tipo de datos, ulizaremos una prueba u otra, como por ejemplo el test de ANOVA , el t-test o la prueba Chi Cuadrado. Estas pruebas nos determinarán si las diferencias encontradas son debido a la casualidad o son estadísticamente significativas.
Por ejemplo, podemos querer analizar las diferencias de rotación en nuestra filiales internacionales.
Como vemos en la tabla anterior, las diferencias son considerables. Así, países como Suecia -22,2%- o Italia -21,4%- muestran unos niveles altos de rotación si lo comparamos con la media (12,8%) o con otros países. ¿Son estas diferencias significativas -existe un patrón detrás- o se deben al azar?
Sería fácil pensar que un país con una tasa de rotación del 22,2 por ciento es un verdadero problema, especialmente cuando lo comparas con la tasa de rotación del 10,8 por ciento en otro país. Sin embargo, los factores aleatorios en todo el mundo pueden influir en si alguien ha dejado su trabajo, por lo que es esperable alguna variación entre países.
Solo podemos saber si estas variaciones pueden ser estadísticamente significativas (en el sentido de que puede haber algo en los países que «cause» o «explica» la variación en las tasas de rotación en nuestra empresa) mediante la realización de una prueba inferencial. Concretamente para este caso, la prueba inferencial de chi-cuadrado nos da un parámetro mediante el cual determinamos la significación. Mediante esta podremos afirmar si la diferencia entre lo que esperaríamos que fueran las cifras de rotación del país y lo que observamos se deben al azar o hay un problema (patrón) detrás.
Aunque las cifras muestren diferencias elevadas en términos de tasas de rotación, únicamente el análisis inferencial nos puede confirmar la aletoriedad, o no, de los datos.
Volviendo al ejemplo del apartado anterior donde España mostraba los altos niveles de rotación y el nivel más bajo de engagement comparado con Reino Unido, EEUU y Canadá, imaginemos que nuestras pruebas nos determinan que sí, que la diferencia en la tasa de rotación es significativa con respecto a Reino Unido y EEUU, por ejemplo. Asimismo, realizamos el mismo análisis con los niveles de engagement y las diferencias de España con respecto a los tres países son significativas.
Las recomendaciones en este caso serían primero las de investigar las causas de los bajos niveles de engagement en la filial española y en segundo lugar, llevar a cabo un análisis predictivo como el modelo de regresión que nos determinen qué está impactando en la rotación de dicha filial. Esto lo veremos en el siguiente apartado.
Factores predictivos de la rotación
Rotación individual o de equipos
Podemos investigar si determinadas variables tanto a nivel individual como a nivel de equipos pueden ayudarnos a explicar y predecir la rotación en nuestra empresa. Para ello, nos basaremos en modelos de regresión tanto lineal como logísticos, dependiendo de la tipología de los datos. Las variables dependerán de cada caso, organización y datos disponibles.
Por ejemplo, podemos explorar si el tamaño del equipo, el nivel de engagement o la valoración del jefe del equipo tienen un impacto la rotación a nivel de equipos en nuestra organización. Nuestros modelos nos determinarán cuáles de estas variables son significativas y cuáles no. Y el impacto final que tienen en la rotación.
Imaginemos que hemos comprobado que los resultados en la evaluación del desempeño del año anterior son significativos y explican parte de la rotación. Hemos aplicado en este caso un modelo de regresión logística que nos da los resultados en forma de probabilidad.
Como vemos en la tabla, observamos que la razón de probabilidad asociada a la calificación de evaluación del desempeño del año anterior, (Exp(B)) es 0.780. Es decir, la razón de probabilidad de quedarse/probabilidad de irse es 0.78 si la calificación de desempeño sube un punto.
Cómo interpretar los resultados
Esto significa que cuanto más baja sea la calificación de evaluación del desempeño del año anterior, más probable es que la persona abandone. Podría ser más fácil convertir la razón de probabilidades y calcular 1 / 0.780 = 1.282. Esto significa que una persona que obtuvo una calificación particular (por ejemplo, 3 en una escala de 1 a 5) en su evaluación tendría un 28,2 por ciento más de probabilidades de quedarse el año siguiente que una persona que obtuvo una calificación de evaluación más baja de 2.
- Las personas que obtienen una calificación de desempeño de «3» son 1,282 veces más probables de quedarse que las personas que obtienen una calificación de desempeño de «2».
- Las personas que obtienen una calificación de desempeño de ‘4’ son un 28,2 % más probables s de quedarse el año siguiente que las personas que obtienen un «3».
Otra aplicación de los modelos de regresión es la de predecir qué variables inherentes a los candidatos o qué actividades selectivas o del Assessment Center predicen la rotación de éstos. Determinadas pruebas de personalidad, actividades de onboarding, pruebas de ajuste a la cultura de la empresa, experiencia profesional en determinadas áreas,…pueden ser predictoras del futuro comportamiento de los empleados. Se puede consultar para más detalle el análisis predictivo del desempeño que realizamos pues la metodología es muy similar.
A tener en cuenta
No hay que olvidar los aspectos éticos que deben tenerse en cuenta al tomar decisiones basadas en datos y análisis de recursos humanos. Las decisiones de selección son un área particularmente relevante en este sentido. Nos podemos encontrar con que determinadas variables como el género son significativos pero ello no implica que los resultados deban presentarse como un medio para seleccionar a los candidatos.
Es importante darse cuenta de que siempre hay otros factores en juego que nuestros modelos no tienen en cuenta; por lo tanto, aunque los factores demográficos pueden mostrar importancia en algún modelo, casi nunca son las características demográficas en sí mismas las que causan directamente la variación en nuestras variables dependientes. Tal creencia sería totalmente determinista y no mostraría ninguna consideración por la probable naturaleza compleja del comportamiento. Por lo tanto, al usar un modelo para la toma de decisiones específicas y recomendaciones para la acción, vale la pena considerar lo que debe y no debe incluirse en nuestras interpretaciones de lo que sucede en nuestra organización.