El análisis predictivo del desempeño es una actividad clave que se desarrolla en People Analytics. Consiste, entre otros, en determinar qué factores de selección de personal predicen el futuro desempeño de los empleados.
La creciente complejidad laboral exige unos procesos de selección de personal en los que se combinen distintas variables e instrumentos de selección. Por tanto, una de las actividades claves en los procesos de selección es la de determinar qué actividades o variables formarán parte de dicho proceso. El objetivo final es el de determinar la combinación óptima que nos permita obtener el grado máximo de predicción del futuro desempeño.
Fuentes de datos
Para poder aprovechar el potencial del análisis de la selección de personal como predictora del desempeño, dependemos de los datos actuales e históricos disponibles. El análisis predictivo de recursos humanos se basa en datos. Por lo tanto, el éxito del análisis de recursos humanos depende de la disponibilidad de buena información relacionada con las personas. Las empresa y departamentos de recursos humanos no se enfrentan necesariamente al problema de falta de datos disponibles. A menudo se enfrentan al problema de que hay demasiados datos para saber qué hacer con ellos.
Los datos útiles se componen de muchos tipos diferentes de información dependiendo de la organización y pueden incluir lo siguiente:
- Habilidades y calificaciones individuales
- Medidas de competencia particulares
- Niveles de compromiso de los empleados
- Datos de satisfacción del cliente
- Registros de evaluación del desempeño
- Evolución de las ventas por empleado
- Etc.
Como vemos, en el análisis predictivo del desempeño NO se trabaja únicamente con datos provenientes del departamento de recursos humanos. Se trabaja con todo tipo de datos como pueden ser la satisfacción del cliente (departamento de Marketing) o cifras de ventas (departamento comercial o financiero) como posibles indicadores de desempeño. Es decir, se trata de vincular fuentes de datos provenientes de toda la organización. En última instancia, los datos disponibles son el factor determinante clave sobre qué tipo de análisis se puede llevar a cabo y qué preguntas de negocio se pueden responder.
Selección de personal como predictora del desempeño: Análisis predictivo del desempeño
Pre-Selección de potenciales predictores
Como hemos comentado anteriormente, las empresas cuentan con multitud de datos que pueden ser utilizados como potenciales predictores de lo que quieran medir. Sin embargo, no todos los datos -entendidos como métricas o variables asociadas a los procesos de selección o al personal- sirven para este propósito.
Los instrumentos que escojamos deben cumplir unos requisitos de fiabilidad y de validez. En este sentido, existe multitud de investigación que determina la validez de determinadas variables individuales y métodos de selección que nos puede servir como punto de partida. La mejor evidencia actual para determinar la validez de un instrumento de selección es el meta-análisis realizado por Hunter &Schmidt en 1998 y actualizado en 2016.
Alcance del análisis predictivo
A qué nos referimos con predictivo
En términos de People Analytics, hay varias formas en las que podemos usar el término «predictivo»:
- Como hemos comentado anteriormente, el término ‘predicción’ está relacionada con la idea de identificar ‘predictores’ o posibles factores que ayudan a explicar por qué una característica o medida en particular muestra variación (por ejemplo, por qué los niveles de desempeño varían entre empleados).
- Un segundo uso del análisis predictivo es el desarrollo de modelos predictivos. Una vez hemos identificado los factores o predictores, podemos simular cómo afectan a nuestra variable resultado (por ejemplo, productividad del personal) si cambiamos o ajustamos cada uno de los predictores que hemos identificado.
- Finalmente, partiendo del modelo predictivo, podemos identificar quién tiene mayor o menor probabilidad de seguir un comportamiento futuro determinado (por ejemplo, quién tiene mayor probabilidad de ser un «high performer» o quién tiene mayor probabilidad de abandonar antes la empresa).
Caso práctico
Aplicación de técnicas de regresión múltiple para determinar factores de selección predictivos
Imaginemos el siguiente caso de una empresa consultora del sector financiero. Cuenta con una base de datos de 360 empleados con menos de 5 años desde que finalizaron su licenciatura. El departamento de recursos humanos desea:
- Identificar qué factores de selección (variables relacionadas con los candidatos o técnicas de selección utilizadas hasta el momento) son buenos predictores del desempeño laboral futuro.
- Testar el grado de validez del proceso de selección en sí, hasta qué punto explica o predice el futuro desempeño.
- Desarrollar un modelo predictivo que permita identificar quién es más probable que sea un «high performer«.
- Determinar si la inversión en costosas actividades de selección (como las de Onboarding) valen la pena.
Conjunto de datos empleados
Partimos de un conjunto de datos formado por 30 variables como posibles predictoras del desempeño. Como podemos ver en la tabla siguiente, dichas variables contienen distintos tipos de información. Entre otros, incluye aspectos de su CV, los resultados obtenidos en los test de personalidad que miden, de forma separada, cinco dimensiones (basado en el Big Five o modelo de los cinco grandes). Asimismo, se mide el grado de ajuste a cinco competencias organizativas clave y el nivel de aptitud medido en el Assessment Center: aptitud numérica y verbal. También se incluye información sobre si los candidatos han participado en determinadas actividades para los nuevas incorporaciones (Onboarding) en qué área de la empresa han trabajado antes (Marketing, Finanzas, …).
La elección de estas variables se ha basado en su experiencia previa y en la evidencia de estudios como el comentado anteriormente (meta-análisis).
La información relativa a estos 360 empleados se recoge en una tabla que es sobre la que efectuaremos el análisis:
Variable dependiente o resultado
La variable dependiente que queremos predecir es el desempeño que en esta empresa se mide como el Resultado obtenido en la evaluación del desempeño al final del 1er año, en una escala del 1 al 5, donde 1 es la puntuación más baja y 5 es la más alta o «Star Performer». En nuestra empresa ejemplo, los resultados obtenidos por los empleados al cabo de un año fueron los siguientes:
Gráficamente:
Partiendo de estos datos ¿qué hacemos con ellos?
Cómo responder a las preguntas: Regresión múltiple
Para poder identificar qué factores/variables son las mejores predictoras en nuestra empresa, nos basaremos en el análisis de regresión múltiple. Existen otras técnicas o familias de algoritmos pero la gran ventaja de esta técnica frente a otras es que nos especifica qué variables son significativas a la hora de predecir lo que queremos -en este caso, el nivel de desempeño- así como el peso de cada una de ellas en el modelo, es decir, el grado de importancia o influencia que tienen cada una de estas variables a la hora de predecir el resultado.
Variables predictoras o significativas
En nuestro ejemplo, el modelo nos indica que 10 de las 30 variables utilizadas son significativas o predictoras del desempeño. Determinadas dimensiones de la personalidad (como conciencia/escrupulosidad) o el grado de ajuste a competencias clave organizativas son algunas de las variables que el modelo ha encontrado significativas. Así como la participación en actividades Onboarding.
Por el contrario, nos encontramos con que los resultados de la prueba de aptitud numérica no son significativos en la predicción del desempeño. Si asumimos que las pruebas de aptitud tienen un impacto en el desempeño, puede ser que el razonamiento numérico sea un buen predictor pero sólo en determinados puestos. Por ejemplo, puestos muy técnicos dentro de la división de finanzas o riesgos. En este ejemplo no se han analizado las diferencias dentro de los departamentos. Si se quisiera profundizar en este aspecto, se debería analizar las diferencias de desempeño por departamento y ver el impacto de las pruebas de aptitud.
¿Hasta qué punto nuestro modelo predice el desempeño?
Para responder a esta pregunta debemos fijarnos en el valor del coeficiente de determinación o R².
El coeficiente de determinación nos dice qué porcentaje de la variación en el desempeño futuro puede ser explicada por nuestro modelo, es decir, por nuestra combinación única de variables y métodos de selección. En definitiva, cuánto somos capaces de predecir del futuro desempeño.
En nuestro ejemplo, este valor es el que nos proporciona R-square que como vemos es del 0,664 o 66,4%. Esto significa que las variables que hemos utilizado de nuestra base de datos nos permite explicar un 66,4% de la variación en el desempeño futuro.
Identificar quién es más probable que sea un «high performer«
Partiendo de nuestro modelo (tras unos ajustes), podemos utilizarlo para determinar qué candidatos tienen mayor probabilidad de desempeñarse mejor en un futuro. Para ello, partimos de nuestros datos relativos a los 360 empleados y añadiríamos los relativos a los nuevos candidatos.
El modelo nos devuelve una serie de datos consistentes en posibles resultados de la evaluación del desempeño para cada uno de los candidatos, basándose en sus variables dependientes (resultados de sus pruebas de personalidad, ajuste a las competencias, etc.). De esta forma, sabiendo quién tiene mayor o menor probabilidad de ser un high performer según el modelo (basándose en las puntuaciones obtenidas como las de la tabla de abajo), puede orientar a los seleccionadores en sus procesos de selección.
Consideración a tener en cuenta
El uso de este tipo de valores (predicciones futuras de desempeño de candidatos) , no debe usarse como único criterio a la hora de tomar la decisión sobre si contratar o no a alguien. Hay que tener en cuenta que estos modelos se basan en probabilidades basadas para su cálculo en nuestro historial de datos. Aunque nuestro modelo sea significativo en la predicción del desempeño (en nuestro ejemplo, cerca de un 70%), no predice el 100% de la variación en el rendimiento: no es perfecto.
Retorno de la inversión de determinadas actividades
Cuantificar el efecto de continuar o no con actividades que supongan un importante desembolso económico
Como hemos visto anteriormente, la participación en actividades Onboarding son significativas, es decir, predictoras del desempeño. Aunque tienen un efecto positivo para la empresa, estas actividades suponen un importante coste. Una aplicación de nuestro análisis de selección de personal como predictor del desempeño, puede ser el que nos ayude a determinar si el retorno de la inversión de estas (u otras) actividades compensan dicho coste.
Para ello, seguimos basándonos en nuestro modelo de regresión y podemos testar distintas hipótesis para cuantificar el impacto que determinadas actividades tienen sobre nuestra variable resultado. Así, siguiendo nuestro ejemplo, podremos conocer con exactitud el impacto en el desempeño promedio en nuestra empresa que tiene variaciones de la actividad de Onboarding. Por ejemplo, podemos analizar qué impacto tendría en el desempeño promedio si la totalidad de los empleados participaran en dicha actividad, si ninguno participara, etc.
Si la realización de dicha actividad mejora el desempeño promedio general de forma significativa, entonces podremos afirmar que la inversión en actividades como Onboarding puede ayudar a mejorar el desempeño de los empleados.
En nuestro ejemplo, si observamos el desempeño promedio en la organización (recordemos que es una escala del 1 al 5):
Como vemos en la tabla anterior, el desempeño promedio en la empresa es del 3,4057 sobre 5. Basándonos en nuestro modelo, podemos calcular exactamente el impacto en dicho valor que tendría variaciones en la participación en actividades Onboarding. Si no lo realizáramos, el desempeño promedio sería de 3,09 y si lo realizara el 100% de los empleados, sería del 3,451 (actualmente lo han realizado el 87% de los empleados).
Es decir, la realización de un día de Onboarding mejora el rendimiento promedio general pasando de de 3,094 a 3,451, lo que eleva significativamente el rendimiento hacia el extremo de alto desempeño. Usando nuestro modelo, podemos predecir que la asistencia al día de Onboarding para los nuevos empleados mejora su calificación de desempeño en más de un tercio de un punto de calificación.