Los grandes datos en recursos humanos (RRHH) son cada vez más utilizados para reclutar, contratar y retener a los mejores empleados. Aquí hay tres razones por las que más empresas están adoptando análisis predictivos para mejorar los resultados.

Reclutamiento más eficaz

Los datos grandes ayudan a descubrir qué candidatos son más adecuados para las vacantes. Parte del proceso de extracción de datos puede incluir la recopilación de información de currículos y perfiles de redes sociales para identificar con mayor claridad qué empleados potenciales pueden ser más productivos y agregar diversidad a un lugar de trabajo. Los gerentes de contratación pueden entonces reducir su grupo de candidatos y decidir en qué áreas de evaluación deben enfocarse durante las entrevistas. Al implementar esta estrategia, el proceso de contratación se mueve más rápido y las personas adecuadas son contratadas con más frecuencia.

Por ejemplo, un banco en Asia reclutó anteriormente a los mejores graduados de universidades de gran prestigio para cubrir sus 8,000 funciones repartidas en 30 sucursales. Después de que el banco se sometió a una reestructuración organizacional, la institución comenzó la información de minería de datos que abarca 30 puntos en las categorías de rendimiento de los empleados, historial profesional, demografía, tenencia e información de la sucursal de sus recursos actuales. El banco comenzó a utilizar el análisis de datos para identificar a los empleados actuales con más probabilidades de sobresalir en sus puestos, crear nuevos roles dentro de la organización y obtener una visión adicional de lo que motiva el desempeño de los trabajadores.

Mediante el uso de análisis predictivos, el banco descubrió rasgos comunes entre los de alto y bajo desempeño y creó perfiles para los trabajadores con una mayor posibilidad de sobresalir en un rol específico. La información también mostró que la estructura de las sucursales y los equipos afecta el crecimiento financiero de la institución. Además, los grandes datos revelaron que los roles específicos tenían la mayor influencia en el éxito del banco.

Como resultado, se crearon nuevas estructuras organizativas alrededor de equipos y grupos de trabajadores específicos. Debido a que el banco comenzó a utilizar el análisis de datos para reclutar y medir el desempeño, la productividad de la sucursal aumentó en un 26%, la tasa de conversión de nuevos empleados aumentó en un 80% y la utilidad neta aumentó en un 14%.

Contratación menos sesgada

El análisis predictivo reduce la cantidad de parcialidad que influye en la toma de decisiones que afectan el rendimiento de una empresa. Por ejemplo, muchos gerentes de contratación traen a bordo candidatos que poseen características similares a sus mejores trabajadores. Sin embargo, debido a que los empleados existentes fueron contratados por los mismos métodos sesgados, las organizaciones generalmente carecen de diversidad cultural e intelectual, lo que puede disminuir el éxito general de una empresa. Al crear modelos y puntos de referencia para calificar a los trabajadores y las áreas comerciales, las empresas pueden identificar mejor qué empleados y qué contribuciones son más valiosas para la organización y utilizar el análisis predictivo para determinar con mayor claridad qué trabajadores pueden sobresalir en sus puestos.

Por ejemplo, un negocio de servicios profesionales que recibió 250,000 solicitudes de empleo anualmente quería reducir el tiempo y el dinero gastado en la revisión de currículos, mejorar la efectividad del proceso de selección y contratar a más mujeres para su fuerza de trabajo. Mediante la utilización de análisis predictivos, el algoritmo contabilizó los currículos de los solicitantes anteriores, los entrevistados a quienes se les ofrecieron los puestos y los que aceptaron. El modelo relacionó los datos con los objetivos de contratación de la compañía, redujo la lista de candidatos con más probabilidades de sobresalir en las posiciones abiertas y movió esos currículos al siguiente paso en el proceso de contratación. Aproximadamente el 45% de los currículos terminaron siendo revisados, el 15% más de mujeres avanzaron en el proceso de selección en comparación con el cribado manual y el negocio obtuvo un retorno de la inversión (ROI) del 500%.

Mayores tasas de retención

Los datos masivos ayudan a mejorar las tasas de retención al mostrar qué trabajadores tienen más probabilidades de irse y cuáles pueden requerir ser trasladados a una posición diferente en la organización, ser promovidos o ganar un mentor como estímulo para permanecer con la compañia. Dichos cambios a menudo aumentan el compromiso laboral, la satisfacción laboral y la productividad para que los empleados permanezcan con la organización.

Por ejemplo, los empleados de Bank of America Corp. (NYSE: BAC BACBank de America Corp27. 67-0. 54% creados con Highstock 4. 2. 6 ) usan tarjetas de identificación con sensores para monitorear las interacciones interpersonales entre sus trabajadores de call center. Wells Fargo & Co. (NYSE: WFC WFCWells Fargo & Co56. 14-0. 37% Creado con Highstock 4. 2. 6 ) utiliza el análisis predictivo para determinar qué candidatos son los más calificados para los puestos como cajeros y banqueros personales, según si los candidatos poseen las características de los trabajadores comprometidos y de alto rendimiento. Después de un año de implementación del programa, la retención de cajeros y banqueros personales aumentó en 15 y 12%, respectivamente.

The Bottom Line

Big data in HR ayuda a las empresas a ahorrar tiempo y dinero al contratar, contratar y retener a sus mejores trabajadores. Más empresas implementarán análisis predictivos en sus prácticas comerciales a medida que las organizaciones vean cada vez más el valor del proceso y quieran mejorar los resultados.