Experiencia

People Analytics para optimizar la Gestión de Talento

Chile

Areas de negocio:

Analítica de negocios

Con el objetivo de garantizar la continuidad operacional del negocio, las áreas de gestión de talento siempre se encuentran desafiadas  a retener y fidelizar de una manera eficiente a sus colaboradores claves. Por lo tanto, para poder identificar aquellos talentos que son ideales para ocupar cargos críticos ante eventuales vacantes, es importante contar con  un modelo que identifique cuáles de los perfiles de alto desempeño es el ideal para ocupar ese cargo.

Desafío

People Analytics como herramienta para la gestión de talentos

Para este caso de negocio, el desafío consistió en determinar cómo, a través, de la analítica de datos podríamos identificar aquellas variables críticas que permitieran definir los perfiles más idóneos para los cargos de alto desempeño de una gran faena minera.

Determinar cómo, a través, de la analítica de datos podríamos identificar aquellas variables críticas que permitieran definir los perfiles más idóneos para los cargos de alto desempeño de una gran faena minera.

Problemas

  • La empresa aplicaba una estrategia cualitativa, es decir que la selección del personal que ocupaban los cargos críticos eran seleccionados desde la experiencia de la oficina de talento humano y no en base a información (datos + experiencia técnica). .
  • Identificar cuál era el perfil de una persona que se considerara talento o perfil de alto desempeño o de alta productividad.
  • Conocer qué perfiles eran los más idóneos para ocupar los cargos críticos y así asegurar la continuidad del negocio.   

 

Solución

El equipo de New Genesis utilizó un modelo de identificación de variables críticas, a partir de la analítica de datos para modelar o simular distintos modelos, tales como regresión lineal,  árboles  de decisión (Random Forest) y  súper vector machine (SVM), en aras de ver cuáles de estas variables eran las que más  impactaban efectivamente en el desempeño del perfil analizado, y no solo tener la información o resultado que se origina con la evaluación de desempeño. Algunas de estas variables podrían ser: la minera o faena de donde venía, el género, la edad,  la universidad, profesión.

Al final, se evaluó cada una de estas aristas y se logró ver cómo estas afectan en el que una persona fuera más o menos productiva según lo definido por el cliente, o tuviera una mejor prospección de ser un buen sucesor para un cargo crítico, no dependía solo de su evaluación de desempeño anual, si no  que también dependía de otras variables propias del perfil analizado

 

Resultados

  • Se generó un mapa de perfiles (success profile) que podrían ser exitosos para generar un plan de sucesión de carrera, es decir poder identificar los perfiles idóneos  tempranamente y decidir cuáles cargo debe ir ocupado la persona antes de asumir uno crítico, en función de las variables analizadas y de su evaluación de desempeño.
  • La empresa pasó de tomar decisiones basadas en la experticia , a implementar un proceso de toma de decisión en base a la toma de datos Modelo Data Driven Decision Making (DDDM).
  • Se logró un proceso más eficiente en la selección de candidatos para cargos críticos vacantes.
  • El área de gestión de talento logró dar una evaluación alineada al objetivo de la empresa.

Finalmente, se logró construir un modelo que permite identificar las variables claves que impactan en el desempeño profesional de los colaboradores, por lo que permitió generar estrategias más adecuadas de sucesión y fidelización para asegurar la continuidad operacional del negocio sin poner en riesgo la productividad del mismo. 

 

Te puede interesar:

¿Qué es analítica de datos?

 

Diseño de un plan estratégico en el área de la salud para la transformación del modelo de atención y gestión de los usuarios

“Transformamos buenas ideas en geniales, obteniendo resultados sorprendentes”

Con el objetivo de garantizar la continuidad operacional del negocio, las áreas de gestión de talento siempre se encuentran desafiadas  a retener y fidelizar de una manera eficiente a sus colaboradores claves. Por lo tanto, para poder identificar aquellos talentos que son ideales para ocupar cargos críticos ante eventuales vacantes, es importante contar con  un modelo que identifique cuáles de los perfiles de alto desempeño es el ideal para ocupar ese cargo.

Desafío

People Analytics como herramienta para la gestión de talentos

Para este caso de negocio, el desafío consistió en determinar cómo, a través, de la analítica de datos podríamos identificar aquellas variables críticas que permitieran definir los perfiles más idóneos para los cargos de alto desempeño de una gran faena minera.

Determinar cómo, a través, de la analítica de datos podríamos identificar aquellas variables críticas que permitieran definir los perfiles más idóneos para los cargos de alto desempeño de una gran faena minera.

Por lo tanto, poder identificar aquellos talentos que son ideales para ocupar cargos críticos ante eventuales vacantes, es importante contar con un modelo que identifique cuáles de los perfiles de alto desempeño es el ideal para ocupar ese cargo.

Desafío

  • People Analytics como herramienta para la gestión de talentos

  • Para este caso de negocio, el desafío consistió en determinar cómo, a través, de la Analítica de Datos podríamos identificar aquellas variables críticas que permitieran definir los perfiles más idóneos para los cargos de alto desempeño de una gran faena minera.


  • La empresa aplicaba una estrategia cualitativa, es decir que la selección del personal que ocupaban los cargos críticos eran seleccionados desde la experiencia de la oficina de talento humano y no en base a información (datos + experiencia técnica)

  • Identificar cuál era el perfil de una persona que se considerara talento o perfil de alto desempeño o de alta productividad.

  • Conocer qué perfiles eran los más idóneos para ocupar los cargos críticos y así asegurar la continuidad del negocio.

Solución

El equipo de New Genesis utilizó un modelo de identificación de variables críticas, a partir de la analítica de datos para modelar o simular distintos modelos, tales como regresión lineal, árboles de decisión (Random Forest) y súper vector machine (SVM), en aras de ver cuáles de estas variables eran las que más impactaban efectivamente en el desempeño del perfil analizado, y no solo tener la información o resultado que se origina con la evaluación de desempeño. Algunas de estas variables podrían ser: la minera o faena de donde venía, el género, la edad, la universidad, profesión.
Al final, se evaluó cada una de estas aristas y se logró ver cómo estas afectan en el que una persona fuera más o menos productiva según lo definido por el cliente, o tuviera una mejor prospección de ser un buen sucesor para un cargo crítico, no dependía solo de su evaluación de desempeño anual, si no que también dependía de otras variables propias del perfil analizado

Otros casos