Inteligencia Artificial para anticipar la fuga de talento

McKinsey estima que la IA aplicada en el ámbito de los RRHH supondrá más de 128 mil Millones de euros anuales de valor añadido [[1]], con los sectores Público, Salud, Banca e Industria de Productos de Consumo como mayores beneficiados. Pero la IA no es más que un conjunto de herramientas que deben ser correctamente aplicadas a nuestro entorno para destapar ese potencial, y por tanto la clave está en encontrar los retos apropiados.

Hoy día se trabajan diferentes casos de uso para asistir a los profesionales de RRHH con mejor información para su toma de decisiones gracias a la IA, entre los que se encuentran:

• Comprender los principales indicadores de rendimiento de empleados para identificar aquellos con mayor potencial de éxito.
• Predecir la evolución de los costes salariales o anticipar la fuerza de trabajo necesaria y las correspondientes vacantes a cubrir.
• Realizar campañas de marketing con mayor alcance, automatizar el procesado de currículums, asistir en el primer contacto a través de chatbots o diseñar paquetes de compensación optimizados a cada caso particular.
• Identificar líderes conversacionales, personas que sean fuente de transmisión de conocimiento de negocio o revelar sesgos ocultos que generen problemas de desigualdad sobre los que actuar, como la brecha de género.

Pero si un caso genera mayor atención es el de la retención del talento, y es que el impacto que tiene la fuga de talento en cualquier organización es alto y de sobra conocido. Por definición, el talento de nuestra organización va a ser buscado por otras, y en nuestra capacidad de retención van a actuar los factores “push” (que hacen que nuestros profesionales consideren marcharse) y los factores “pull” (que dependen de aspectos externos fuera de nuestro control). Por tanto, lo mejor que puede hacer nuestra organización es minimizar los factores “push”, y para ello es clave conocer qué factores fidelizan o empujan a nuestros empleados.

¿Cómo nos ayudan la IA y la Ciencia de Datos a anticipar la fuga de talento?

Un proyecto de Ciencia de Datos se puede descomponer en 4 pasos, que vamos a ejemplificar sobre un caso práctico, concretamente sobre el conjunto de datos “HR Analytics Employee Attrition & Performance” [[2]] publicado por IBM.

1.Definir el reto

Comprender el reto de negocio y los objetivos del equipo de RRHH: ¿qué tasa de rotación tenemos actualmente? ¿dónde ocurre esta rotación (oficinas, departamentos, equipos…)? ¿cómo afectan la edad o el tiempo en la compañía a la tasa de abandono? ¿existen otros factores relevantes? ¿puedo identificar empleados en riesgo de abandono? y si es el caso… ¿con qué acierto soy capaz de hacerlo?

Estas preguntas permiten recopilar hipótesis de negocio e identificar las fuentes de información que nos interesa analizar. Es decir, los datos con los que debemos trabajar. El conjunto de datos de este ejemplo fue construido a partir de las hipótesis de fuga habituales, como la desigualdad salarial, la falta de desarrollo de carrera o el ambiente laboral, y recoge hasta 31 características diferentes de cada empleado:

 2. Analizar y Modelar los datos

La explotación de estos datos y la aplicación de la IA para el análisis, transformación, modelado  (en este caso mediante clustering y clasificación supervisada) e interpretación de resultados, nos permite identificar los patrones de comportamiento que muestran los empleados que deciden marcharse y anticipar así la fuga de otros. Además en el proceso se genera nuevo conocimiento sobre dichos patrones. Sobre el conjunto de datos de ejemplo se observan hechos como:

• Que los empleados más jóvenes muestran una mayor movilidad, con una reducción sustancial a partir de 34 años aproximadamente (Ilustración 1 - izda)
• Que no siempre un sueldo mayor es sinónimo de mayor retención (Ilustración 2 - dcha), dada la influencia de otros factores como la responsabilidad o especialización.

• Que existe una alta rotación entre representantes de ventas, departamento con los salarios medios más bajos, lo que parece indicar que es un puesto poco valorado.

• Que efectivamente la sobrecarga de trabajo tiene un alto impacto en el abandono, pero con especial relevancia en empleados solteros donde 1 de cada 2 abandona la empresa.

3. Concluir sobre los resultados

El siguiente paso es extraer las principales conclusiones de los resultados alcanzados en el análisis anterior. Sobre la fuga de talento se difunden de forma general las siguientes conclusiones [[3]]:

• Patrones entre promociones. Factores como el tiempo que el empleado mantiene una misma posición, la comparativa con el tiempo medio de otros en ese puesto, sus años de trabajo acumulados o las tasas de promoción de la empresa en otros puestos son de alta importancia en este tipo de decisión.
• Desigualdad en las compensaciones, incluyendo la evolución salarial de los puestos y el efecto devastador que puede tener una desigualdad conocida entre grupos (departamentos, demográficos…).
• Las situaciones de malestar sostenidas en el tiempo, como la distancia hasta el trabajo, o la sobrecarga laboral.

4. Despliegue

El último paso, y el más importante, es poner en operación los resultados alcanzados. Estos despliegues pueden tomar diferentes formas, pero en un escenario como el del ejemplo resulta oportuno desplegar un panel de análisis donde recoger indicadores clave sobre la retención de talento y la información que el modelo de IA genera al identificar patrones de riesgo de fuga. Esta información, ofrecida a través de las herramientas adecuadas, es la que permitirá a nuestros profesionales de los RRHH la monitorización en el tiempo de la situación de rotación de nuestra organización y la planificación, ejecución y evaluación de las acciones necesarias.

El resultado

Un ejemplo del impacto que este tipo de solución puede tener en una organización lo encontramos en la propia IBM, que reportó en 2019 ser capaz de anticipar la fuga del 95% de sus empleados gracias a la aplicación de la IA[[4]], lo que los sitúa en una posición ventajosa a la hora de retener el talento en su organización y generar beneficios económicos al poder capitalizar el talento que de otra manera perdería.

Pero ¿cómo son estas situaciones en nuestra organización? ¿influyen? ¿y de qué manera? Si bien las conclusiones generales pueden guiar este tipo de análisis, es importante particularizarlo a los aspectos específicos de nuestro entorno para permitirnos tomar las decisiones óptimas para nuestra organización.

En CYC llevamos años trabajando en la explotación de datos y la aplicación de la IA, y sabemos que la tecnología y la digitalización permiten avanzar hacia preguntas cada vez más complejas sobre los negocios de nuestros clientes y sus procesos. Pero para ello es fundamental la colaboración entre los expertos de negocio y los expertos tecnológicos:

• La IA necesita datos y retos de negocio sobre los que extraer conclusiones
• Su correcta aplicación necesita conocimiento experto y una metodología apropiada para maximizar las garantías de éxito y reducir riesgos y costes en el desarrollo del proyecto.

Y solo de esta oportuna combinación surge el valor añadido que la IA ofrece al mercado.

Amaia Ganuza
Data Scientist en CYC

Luis Ramón
Director Data Analytics