Tecnologías Big Data, Minería de Datos y Analítica aplicada a la gestión de Recursos Humanos E-Book

Mg. Agustín María Orlandi

• Herausgeber: Editora Dialética
• Kategorie: Wissenschaft und neue Technologien
• Sprache: Spanisch

Seitenzahl: 179

Veröffentlichungsjahr: 2024

Beschreibung

La utilización de la tecnología big data y analítica aplicada a la gestión de recursos humanos, people analytics, indica que la empresa desea obtener, procesar, analizar e interpretar información, con el propósito de mejorar las decisiones que se toman en el ámbito de la gestión del capital humano. Se está cambiando la naturaleza básica de la gestión del capital humano para que evolucione desde un rol transaccional a uno en donde su contribución estratégica se vuelve crucial. El área de recursos humanos debe pasar de una etapa en donde las decisiones se toman a partir de la intuición, a otra en donde las decisiones surgen del proceso inteligente de evidencias: la etapa de big data, data mining y analítica aplicada a la gestión de recursos humanos. Esta investigación apunta de manera directa a brindar las herramientas, técnicas y enfoques que faciliten dicha transición, asegurando de este modo el rol estratégico del área. Actualmente, los avances tecnológicos son utilizados en todos los sectores de las empresas, es la oportunidad de mejorar la capacidad para tomar decisiones basadas en el procesamiento inteligente de la información.

Leseprobe

Gracias a todos los que confiaron en mí. En esta investigación han colaborado e influido en el desarrollo de este trabajo. Mi familia, Flor, Enrique, Roberto, Mario, Gerardo, Federico, Kenny, Nicolás, Meggy, Sandra, Anahí, Daniela, Guillermo, Alejandro, Jean Paul y Beatriz.

Agustín María Orlandi.

LISTA DE ABREVIACIONES

BDD - Bases de datos distribuidos

CEO – Chief Executive Officer

DSS - Sistemas de soporte de decisión

ETL - Extract, Transform and Load (Extraer, Transformar y Cargar)

FODA - Fortalezas y debilidades, amenazas y oportunidades

GPS - Sistema de Posicionamiento Global

IA - Inteligencia artificial

IB O BI - inteligencia de negocios / business intelligence

KPI - Key Performance Indicator

RRHH – Recursos Humanos

SGBD - Gestores de base de datos

SGBD - Gestores de base de datos

PRÓLOGO

En la era exponencial en la que vivimos, la cantidad de información generada día a día es abrumadora sin embargo puede ser considerada un activo. El nacimiento del Big Data ha revolucionado la forma en que las empresas y organizaciones manejan y aprovechan este “océano” de datos. Pero no basta simplemente con acumular información: la clave radica en saber extraer datos para generar conocimientos significativos, en identificar patrones y tendencias que puedan ser utilizados para mejorar la toma de decisiones y el rendimiento empresarial.

En este contexto, la Minería de Datos emerge como una disciplina indispensable. Mediante el uso de algoritmos y técnicas avanzadas, la Minería de Datos permite descubrir información valiosa y oculta en conjuntos de datos complejos. Pero no podemos olvidar que, al final del día, toda esta transformación digital gira en torno a las personas. Es aquí donde entra en juego la disciplina de People Analytics, que busca aplicar el análisis de datos al ámbito de los recursos humanos para mejorar el compromiso, la productividad y el bienestar de la gente.

En este libro el autor explora en profundidad los conceptos fundamentales de Big Data, la importancia de la Minería de Datos en la actualidad y el potencial transformador de People Analytics. Desde un caso de estudio hasta ejemplos prácticos, esta obra ha tenido como objetivo brindar una visión integral y práctica de cómo estas disciplinas pueden ser aprovechadas de manera efectiva en el mundo empresarial actual. Y lo ha logrado.

Los invito a descubrir, como lo he hecho yo, el apasionante viaje que el autor nos propone en el mundo del Big Data, la Minería de Datos y People Analytics!

Dr. Roberto Vola-Luhrs.

SUMÁRIO

Capa

Folha de Rosto

Créditos

CAPÍTULO 1: INTRODUCCIÓN

1.1 INTRODUCCIÓN AL TEMA

1.2 FUNDAMENTACIÓN Y ANTECEDENTES

1.3 DESCRIPCIÓN DEL PROBLEMA Y/O PREGUNTA SIN RESPUESTA ABORDADOS

1.4 PREGUNTA DE INVESTIGACIÓN

1.5 HIPÓTESIS

1.6 OBJETIVOS DE LA INVESTIGACIÓN

1.7 METODOLOGÍA

CAPÍTULO 2: MARCO TEÓRICO

2.1 CRITERIOS DE ÉXITO

2.1.1 ANÁLISIS FODA

2.1.2 RECURSOS FINANCIEROS ADMINISTRADOS POR LA DIRECCIÓN DE RECURSOS HUMANOS

2.1.3 RECURSOS NO FINANCIEROS ADMINISTRADOS POR LA DIRECCIÓN DE RECURSOS HUMANOS

2.2 SISTEMAS DE SOPORTE DE DECISIÓN (SSD)

2.3 GESTORES DE BASE DE DATOS (SGBD)

2.3.1 CONCLUSIÓN

2.4 CLASIFICACIÓN DE BASES DE DATOS (SGBD)

2.5 BIG DATA

2.5.1 OBJETIVO DEL BIG DATA

2.5.2 ¿QUÉ DATOS UTILIZA BIG DATA?

2.5.3 CASOS DE EJEMPLIFICADORES, PORQUÉ BIG DATA

2.5.4 TÉCNICA DE SISTEMATIZACIÓN DE INFORMACIÓN DE BIG DATA

2.5.5 COMO SE IMPLEMENTA BIG DATA

2.5.6 BIG DATA APLICADO EN LA GESTIÓN DE RECURSOS HUMANOS

2.5.7 APRENDIZAJE AUTOMÁTICO (MACHINE LEARNING)

2.6 BODEGA DE DATOS (DATA WAREHOUSE)

2.7 DEFINICIÓN DE ETL

2.8 MINERIA DE DATOS (DATAMINING)

2.8.1 OBJETIVO DE LA MINERÍA DE DATOS

2.8.2 TIPOS DE MINERÍA DE DATOS

2.8.2.1 PREDICCIÓN

2.8.2.2 AGRUPACIÓN

2.8.2.3 FUNCIONES Y TAREAS DE LA MINERÍA DE DATOS

2.8.2.3.1 MINERÍA DE DATOS SUPERVISADA

2.8.2.3.1.1 KNN VECINOS MÁS CERCANOS

2.8.2.3.1.2 MÁQUINAS DE SOPORTE VECTORIAL

2.8.2.3.2 MINERÍA DE DATOS NO SUPERVISADA

2.8.2.3.2.1 CLUSTERING

2.8.2.3.2.2 K-MEANS

2.8.2.3.3 TÉCNICAS DE MINERÍA DE DATOS

2.8.2.3.3.1 REDES NEURONALES

2.8.2.3.3.2 ALGORITMO DE RED NEURONAL DE SQL (MICROSOFT)

2.8.2.3.3.3 AGRUPAMIENTO O CLUSTERING

2.8.2.3.3.4 CLASIFICACIÓN

2.8.2.3.3.5 REGRESIÓN

2.8.2.3.3.6 ÁRBOLES DE DECISIÓN

2.8.2.3.4 TIPOS DE MODELOS PARA ANÁLISIS PREDICTIVOS

2.8.2.3.4.1 MODELOS PREDICTIVOS

2.8.2.3.4.2 MODELOS DESCRIPTIVOS

2.8.2.3.4.3 MODELOS DE DECISIÓN

2.8.2.3.4.4 CARACTERÍSTICAS DE LAS HERRAMIENTAS DE ANÁLISIS PREDICTIVO

2.8.3 METODOLOGÍAS DE MINERÍA DE DATOS

2.8.3.1 METODOLOGÍA SEMMA

2.8.3.2 METODOLOGÍA KDD

2.8.3.3 METODOLOGÍA CRISP-DM

2.8.3.4 COMPARACIÓN DE METODOLOGÍAS

2.9 ANALYTICS

2.9.1 OBJETIVO DE PEOPLE ANALYTICS

2.9.2 CASOS DE EJEMPLIFICADORES DEL USO DE PEOPLE ANALYTICS

2.9.3 FUNCIONES Y TAREAS DE PEOPLE ANALYTICS

CAPÍTULO 3: GESTIÓN DE RECURSOS HUMANOS Y SECTOR FINANCIERO DE LA REPÚBLICA ARGENTINA

3.1 LA MOTIVACIÓN

3.2 EL ENTORNO LABORAL Y LOS TRABAJADORES

3.3 RELACIÓN ENTRE ACTIVIDADES DE FORMACIÓN Y DESEMPEÑO

3.4 RELACIÓN ENTRE AUSENTISMO Y CLIMA LABORAL

3.5 SECTOR FINANCIERO DE LA REPÚBLICA ARGENTINA

CAPÍTULO 4: DISEÑO DE LA SOLUCIÓN

4.1 DATA VISUALIZATION

4.1.1 ¿QUÉ ES LA VISUALIZACIÓN DE DATOS?

4.1.1.1 ORACLE DATA VISUALIZATION

4.1.1.1.1 ORACLE ANALYTICS VERSIÓN DESKTOP

4.1.1.1.2 ORACLE ANALYTICS VERSIÓN CLOUD

4.1.1.1.3 ORACLE ANALYTICS VERSIÓN ON PREMISE

4.1.1.1.4 ORACLE ANALYTICS DAY BY DAY

4.1.1.2 DETALLE DE LA DESCARGA DE LA APLICACIÓN

4.1.1.3 LOOK AND FEEL: EXPLORACIÓN Y VISUALIZACIÓN

4.1.2 ORACLE SQL DEVELOPER

4.2 ANÁLISIS DE DATOS

4.3 PREPARACIÓN DE LOS DATOS

4.4 CREACIÓN DE LA BASE DE DATOS

4.5 CONSTRUCCIÓN DE ETL

4.5.1 PREPARAR LOS DATOS ETL

4.5.2 SELECCIÓN DE LA FUENTE DE DATOS

4.5.3 CONSTRUCCIÓN DEL DATA WAREHOUSE

4.6 IMPLEMENTACIÓN DE LA SOLUCIÓN

4.6.1 CREACIÓN DE TABLAS DIMENSIONALES ORACLE SQL DEVELOPER

4.6.1.1 DIM_EMPLEADOS

4.6.1.2 DIM_PUESTOS

4.6.1.3 DIM_SUCURSALES

4.6.2 PROCESAMIENTO DE DATOS EN ORACLE ANALYTICS

4.6.2.1 CONFIGURACIÓN DE LA CONEXIÓN A LA BASE DE DATOS ORACLE

4.6.3 CREACIÓN DE SET DE DATOS EN ORACLE ANALYTICS

4.6.3.1 DIM_EMPLEADOS

4.6.3.2 DIM_PUESTOS

4.6.3.3 DIM_SUCURSALES

4.6.4 Generación de FACT_ANALYTICS_RRHH

4.6.5 IMPORTACIÓN DE DATOS EN LOS DIMENSIONALES

4.6.5.1 DIM_EMPLEADOS

4.6.5.2 DIM_PUESTOS

4.6.5.3. DIM_SUCURSALES

4.6.5.4 FACT_ANALYTICS_RRHH

4.6.5.5 DESARROLLO DEL PROYECTO

4.6.6 DISEÑO DE LAS PRUEBAS

CAPÍTULO 5: CONCLUSIONES

5.1 CONCLUSIONES

5.2 TRABAJO A FUTURO

CAPÍTULO 6: BIBLIOGRAFÍA

Landmarks

Tapa

Hoja de rostro

Página de Créditos

resumen

Bibliografia

CAPÍTULO 1:

INTRODUCCIÓN

1.1 INTRODUCCIÓN AL TEMA

Los saltos en el almacenamiento y el poder computacional de la última década nos llevan a invertir y aprovechar la información de los trabajadores, se utiliza bases de datos y se aplican diferentes técnicas de extracción de conocimiento. Los tiempos cambian y también lo hacen los requisitos del negocio y las exigencias de los usuarios se han vuelto aún más complejas.

La gran cantidad de datos obtenidos día a día en las empresas proporcionan amplias oportunidades, pero estos mismos vienen con desafíos significativos en términos de gastos y de inversión de almacenamiento de la información. Las técnicas de extracción de información han sido empleadas para crear patrones, tendencias y algoritmos de predicción en diferentes contextos, obteniendo resultados prometedores que demuestran cómo determinadas características sociológicas, económicas y educativas pueden afectar el rendimiento laboral encontrando un indicador que permita identificar a los colaboradores con mayor riesgo de fallo, abandono, juicios laborales, rendimiento laboral, entre otros. Es importante poder predecir la posibilidad que esto suceda desde que ingresa alguien a una empresa y poder cambiar los factores que pudieran estar causando esta situación.

El principal problema que se presenta en las empresas es que no poseen la cultura de llevar a cabo una gestión del almacenamiento de datos de los colaboradores que formaron y forman parte de ella para poder llevar adelante una completa medición y análisis basado en los recursos humanos. Para ello será indispensable la utilización de un sistema de soporte de decisión que sea sustentable.

Cada vez que se decide medir algo en particular, un costo, un tiempo, un nivel de calidad, etc., es porque, previamente, se ha considerado que esa medición reportará algún beneficio. Toda medición siempre debe comenzar con la definición del propósito que persigue, por ejemplo, tiempo de respuesta para un incidente reportado.

Medir con objetividad los datos que proporcionan las acciones, no solamente para analizar los desvíos presupuestarios, sino también los efectos que causan las actividades de formación en el desempeño y el impacto del clima organizacional en el ausentismo, podrían ser consecuencia de la falta de atención en estos factores.

Sin embargo, en muchos casos, lo que parece más explícito no es precisamente el propósito, sino un conjunto de supuestos y afirmaciones que denominamos preocupaciones, en verdad son las dos caras de una misma moneda, aunque cada preocupación puede ser expresada como un propósito. Comenzar una medición a partir de una preocupación puede llevar a algún tipo de error inicial que, seguramente, será costos; en tanto comenzar dicho proceso a partir de la definición clara de uno o varios propósitos es el mejor camino para que medir sea un proceso que agregue valor. Una vez clarificado el propósito, la próxima tarea es plantear la siguiente: si el costo que se genera por el proceso de medición vale la pena.

La revolución de analytics está ganando mucho terreno. Las organizaciones han mejorado sus capacidades en la construcción de equipos encargados de hacer un uso más estratégico de la información. Los especialistas en negocios han tomado conciencia de que necesitan información para entender las razones por las cuales la gente quiere trabajar para ellos, cuál es su desempeño; porqué desean quedarse en el largo plazo, quién tendrá más posibilidades de ser exitoso en la organización, quiénes serán los líderes más adecuados para cada etapa que deba transitar la empresa y qué se necesita para prestar un mejor servicio e innovar en un entorno cambiante y cada vez más competitivo. Tomar decisiones subjetivas puede desmotivar a las personas ya que no comprenden el sustento de estas. Todo ello se puede obtener a través de analytics aplicado a la gestión de recursos humanos.

El trabajo en cuestión tiene como objetivo identificar los beneficios en la calidad de la toma de decisiones, en el área de recursos humanos a partir del uso de tecnologías con respecto a la gestión tradicional, en una entidad financiera.

Las herramientas tecnológicas a utilizar son: big data, data mining y analítica aplicada a la gestión de recursos humanos, people analytics. En la actualidad, el poco uso de estas tresen el área de recursos humanos se debe a que gran parte de las decisiones que se toman en relación con las personas, se hacen en base a suposiciones, datos subjetivos e incluso hasta la intuición. Hoy en día, el área de recursos humanos, gracias al inminente avance de la tecnología y una sociedad cada vez más digitalizada, tiene a disposición grandes volúmenes de información de sus colaboradores que es necesario analizar correctamente. Sin embargo, las empresas no han sabido sacarles provecho a estos datos.

La intuición, el instinto de los ejecutivos seguirá siendo esencial e irremplazable y hasta se podría afirmar que es lo que seguirá definiendo su valor como tales. Pero una gran ventaja de la economía digital es la posibilidad de validar las intuiciones contra los datos duros y concretos. El análisis de grandes volúmenes de datos no reemplaza a la intuición, la complementa (Bolo, 2017).

La disciplina de recursos humanos no ha alcanzado el final de su evolución. El siguiente paso será la fase de analytics para la toma de decisiones. Esto implica que, a partir de ahora, la toma de decisiones debe basarse más en las evidencias procesadas e interpretadas científicamente, que en aquellas suposiciones que surgen de un enfoque meramente intuitivo (Cravino, 2011).

Desde el año 2015 a 2016 se ha doblado la cantidad de organizaciones que están en capacidad de desarrollar modelos predictivos. Las mismas oscilan alrededor del 4% en el 2015 a 8% en el 2016. Mientras en el 2015 solo el 24% se sentía listo para emprender temas de analítica, en el 2016 dicho valor aumentó al 32%. (Deloitte University Press, 2016).

1.2 FUNDAMENTACIÓN Y ANTECEDENTES

En los últimos años, dada la presión de la competencia y la necesidad de tener sistemas más integrados, las organizaciones se han dedicado a crear equipos de analítica y desarrollar una oferta global en este tema.

La analítica de big data es donde las técnicas de análisis avanzado de datos operan en grandes volúmenes. Por lo tanto, el análisis de big data se trata, en realidad, de dos cosas: el big data y el análisis, y cómo los dos se han unido para crear una de las tendencias más profundas de la inteligencia de negocios (IB) en la actualidad (Russom, 2011).

Es importante definir qué significa big data (macrodatos) y en qué se diferencia del concepto de analytics y data mining (minería de datos o exploración de datos). La tecnología big data es donde las técnicas de analítica avanzada operan en grandes conjuntos de datos y surge el concepto o enfoque de data science (desarrolladores de técnicas analíticas y algoritmos matemáticos que permiten optimizar el valor de los datos); es en cierta forma un concepto que integra y da sentido a gran parte de las propuestas vinculadas al trabajo de analytics en las áreas del gerenciamiento de personas.

Al intentar rastrear el origen del término data science, es posible remontarse al año 1997 (Wu, 1997). Se caracterizó al trabajo estadístico como una trilogía de recolección de datos, modelado y análisis de los mismos y toma de decisión.

Se puede considerar al término data sciencie como una disciplina autónoma, la cual engloba seis áreas (Cleveland, 2001). Investigaciones multidisciplinarias, modelos, métodos de datos, pedagogía, evaluación de herramientas y teoría.

Se entiende a la data science como una combinación de tres dimensiones: Conocimiento estadístico matemático: es el componente de contenido duro, que involucra conocimientos de estas ciencias, utilizadas de manera práctica. Hacking skills: comprende elementos que deberían no solo ser pensados como habilidades sino también como actitudes. ¿Qué cosas definen a un hacker? Seguramente no solo sus conocimientos. Tan importante son sus habilidades y, tal vez más aun, su actitud, lo cual comprende por una parte la constancia y perseverancia, e impulso que orienta a la búsqueda continua e incesante del objetivo del trabajo o tarea en cada oportunidad. El trabajo en datascience no permite llegar fácil o mágicamente a conclusiones, requiere tiempo, esfuerzo y dedicación. Substantive Expertise: el conocimiento experto, es el saber sobre el tema de estudio. Podría ser contar con el relevamiento del estado del arte sobre el asunto, el cual permitirá un mejor abordaje de la situación, pero también requiere que este sea utilizado de manera crítica, con la capacidad para distanciarse o cuestionarlo (Bodenheimer, 2017).

Figura 1. Diagrama de Venn de Data Science de Drew Covey

Fuente: (Kozyrkov, 2018)

La investigación tradicional es lo que se obtiene a través de la mezcla del conocimiento de la matemática y la estadística con conocimiento experto. Los papers tradicionales que se publican día a día representan esta combinación, ya que se fundamentan en el estudio y desarrollo de conocimiento mediante las herramientas clásicas. Estos modelos provienen de la ciencia dura.

La zona de peligro se presenta cuando se combinan las habilidades de hacker y el conocimiento especializado, ya que implicaría el espíritu de creatividad y perseverancia que se asocian al mundo hacker. Es una combinación de actitud y conocimiento carente de instrumentos específicos que permitan aprovechar y vincular ambos elementos.

Machine learning: se trata de la utilización y aprovechamiento de los datos mediante técnicas computacionales, matemáticas y estadísticas asociadas al fenómeno de big data buscando patrones significativos, pero no evidentes. La práctica parece haber convergido en la definición de “aprendizaje automático” (Escudero, 2019).

El data science involucra, estadística, métodos tradicionales de análisis; data munging, tomar datos y cambiar su formato; y la visualización, estrategias múltiples para facilitar su comprensión mediante imágenes de los que esconden los datos. Puede incluir el uso de herramientas gráficas.

Data mining puede entenderse como el proceso de descubrimiento automático de información útil en grandes repositorios de datos (Tan, 2016). También se podría pensar como el proceso de utilización de diversas herramientas que permiten encontrar patrones útiles y no evidentes en grandes conjuntos de datos.

Otro de los aspectos consiste en resaltar que de los datos almacenados surja información útil o relevante, por lo tanto, que no sea trivial, es decir, conocimiento nuevo, con capacidad de generar valor, sobre el objeto de estudio. Otro elemento para destacar es el concepto de patrones o información no evidente. Al implementar procesos de data mining se busca sorprender con conocimiento que otras herramientas no hubiesen podido brindar o señalar. Se lo puede comprender como un análisis que combina múltiples variables de grandes conjuntos de datos.

Analytics, people analytics o la analítica aplicada a la gente. Recoge información de diversas fuentes que permite: analizar y seleccionar candidatos que puedan tener un alto desempeño, identificar competencias de equipos comerciales exitosos, predecir riesgos reputacionales, analizar temas de cultura y compromiso e identificar planes de carrera de alto valor para desarrollar a los líderes del negocio.

Las empresas líderes incorporan el análisis en sus organizaciones resolviendo que se base en datos y definiendo lo que esperan lograr mediante el uso de big data. El CEO y el equipo de liderazgo deben describir cómo los análisis darán forma al desempeño del negocio, ya sea mejorando los productos y servicios existentes, optimizando los procesos internos, creando nuevos productos u ofertas de servicios o transformando los modelos de negocios. Las organizaciones de alto rendimiento a menudo construyen sus organizaciones en torno a los datos y se comprometen a crear nuevos datos.

El nombre de esta tendencia, analítica aplicada a las personas, people analytics, hace referencia al uso de la información relacionada con la gente. Dicha información se usa para tomar decisiones de negocio. Las áreas de foco pueden variar dependiendo de la industria y de los temas específicos del negocio.

A diferencia de sus orígenes, donde los profesionales de recursos humanos se centraban en el cumplimiento de los requerimientos exigidos por la normativa vigente en materia laboral poniendo en práctica un rol de apoyo (Vola-Luhrs, 2010), el trabajo de los profesionales de recursos humanos tiene una serie de frentes y responsabilidades que van más allá del lugar o posición que ocupen en el organigrama. La cruzada actual incluye, entre otras cosas, tomar más deberes para facilitar que la organización cumpla sus objetivos. El área es hoy valorada en la toma de decisiones por y para el negocio, tanto por los resultados de los procesos implementados en gestión humana, como por la opinión experta y el asesoramiento profesional que brinda.

Sumar obligaciones e incumbencias al área de recursos humanos es un efecto de la evolución de la tecnología en la gestión humana. Sus primeras tareas, operativas y administrativas (administración y archivo de legajos de los empleados), agregaban poco valor a la organización, pero con el tiempo se amplió el alcance de la función. Los profesionales del área se hicieron cargo del reclutamiento y la selección del personal, sumaron la capacitación de estos, se hicieron cargo de la seguridad e higiene y se ocuparon de los asuntos de desarrollo del personal, entre otras muchas cosas más.

El aspecto cualitativo, la lógica y las razones de cada una de estas tareas fue mutando, de simplemente desarrollar actividades administrativas pasaron a ser socios estratégicos del negocio, es decir formar parte de la toma de decisiones necesarias para que la organización pueda crecer exitosamente. Reclutar personal ya no se trata simplemente de seleccionar personas y ocupar puestos, sino de escoger el tipo de empleado adecuado para que la estrategia del negocio suceda. La selección de los empleados se encuentra ligada al entendimiento de que las personas son acertadas para cumplir los objetivos que tiene la empresa y es por ello que el reclutamiento se convirtió en un trabajo para el presente y futuro del negocio.

Se comprende el término “socio” como un aliado estratégico que conoce el negocio de la compañía a la cual asiste y asesora, en términos relacionados a la administración de los recursos humanos, con impacto en las finanzas, niveles de producción, distribución de las operaciones y otras áreas críticas de la organización. Se trata de un rol superador, incluso, al de experto en brindar servicios de recursos humanos (Vola-Luhrs, 2010).

El aporte dinámico del colaborador será permanente, ya que el ámbito en el que deberá desempeñarse cambiará vertiginosamente, obligando a que el negocio cambie y si cambia el negocio, cambia, consecuentemente, el rol requerido y esperado. En este contexto, no podemos pensar sólo en funciones y tareas. Necesitamos que los colaboradores, por sí mismos, propongan cambios que impactarán en los resultados, vínculos y tecnología a aplicar. La persona adquiere mayor supremacía.

En el área de desarrollo de recursos humanos, el trabajo de gestión humana es poder garantizar que el negocio pueda, a futuro, hacer lo que se espera a partir de la gestión de personas. Actualmente desarrollo no solo es desarrollo de personas, sino que, principalmente, está en juego el desarrollo organizacional (Bodenheimer, 2017).

La analítica aplicada a los recursos humanos, people analytics, es importante porque la gestión debe evolucionar desde la presunción o el instinto hacia el análisis más preciso de los que pasó o está pasando, para poder predecir o influenciar sobre lo que pasará o debería pasar. El uso de datos, evidencias, para la toma de decisiones.

Como se mencionó durante la justificación del tema, una de las causas de la desmotivación de los trabajadores surge de la falta de equidad interna. Una manera efectiva de conocer más acerca de los motivos de la desmotivación es el uso de big data en recursos humanos lo que permitiría, en gran parte, que las decisiones que se tomen con relación a las personas, se hagan con menos suposiciones, menos datos subjetivos e intuición.

Cada uno de estos antecedentes, evidencia la oportunidad de usar la información de la gente (proveniente de recursos humanos, de otras fuentes, incluso fuera de la compañía) para tomar mejores decisiones de negocio.