Hay muchas áreas en las empresas, en diferentes industrias, que generan muchos datos, y sin duda alguna hoy están siendo transformadas por las tecnologías de la información para proveer inteligencia de negocio. Es evidente pensar en que todas las áreas productivas dentro de una organización sean las primeras que se vean afectadas, pues es ahí donde se percibe el valor de la innovación, el crecimiento, y finalmente, el negocio de las empresas.

Sin embargo, hay muchas otras áreas dentro de las empresas que pueden producir valor para una organización, no tan directo ni tan tangible, pero valor finalmente. Algunas empresas obviamente empiezan por las áreas financieras, las que administran la parte económica de las empresas, pero muy pocas hoy lo hacen en una de las áreas de mayor impacto indirecto con las que puede contar toda organización; y esa área es justamente el grupo de Recursos Humanos (RH).

Hoy en RH todos hablan de competencias, perfiles, habilidades. La pregunta que podríamos hacernos es: ¿Qué personalidad, competencias y habilidades, numéricamente, se desempeña mejor en X o Y puesto dentro de la organización?.

 

¿Qué datos reales tiene hoy una empresa para responder esta pregunta?

 

En Nugo, partimos del principio que dice que para tomar decisiones informadas, necesitamos los datos. Así que la primer tarea a la que nos abocamos es a crear un repositorio de información de todo lo que pasa en la vida laboral de un colaborador. Con esto, podremos entonces hacer análisis de información, obtener comparativas, sacar patrones de comportamientos y desempeño, correlaciones entre distintas variables, etc. Este es el primer paso que hoy se toma para poder innovar, tener muchos datos, de muchas cosas en un lugar accesible. Básicamente a esto es a lo que se le llama Big Data.

Seguramente algún fanático del BigData dirá que estoy hiper-simplificando el punto, y de hecho así es. La razón es muy fácil: este texto no está pensado para geeks que piensan en tera, peta, o zettabytes de información, con “data-lakes” dispersos y teniendo que hacer transformaciones a datos para poder homogeneizar datos y significados, para entonces poder hacer modelos de varianza multivariada, o cosas por el estilo (todavía no llegamos allá). Regresando a nuestro ejemplo simple de Big Data, si un equipo de RH pudiera almacenar en algún lugar toda la información de lo que sucede en la vida profesional de un colaborador, los cursos que ha tomado, su desempeño, las notas de sus supervisores, sus incidencias, de uno, de cuatro, de diez años; para sus 300, 700, 3200 colaboradores; y esos datos pudiéramos asociarlos o relacionarlos con otras 3, 427 o miles de empresas, entonces, ya el modelo de BigData empezaría a hacer sentido para muchos más, y no lo verían como un modelo simplificado.

Y ahora sí, con todos esos millones y millones de bytes de datos de mis colaboradores ¿Qué podremos hacer?

Introducción a inteligencia artificial para gente de RH

Cuando uno tiene a la mano muchos datos vienen ideas a la mente de qué hacer con ellos. Por ejemplo, imaginemos que tenemos el comportamiento de aumentos salariales y bonos pagados a millones de empleados en los últimos 10 años, de diferentes empresas e industrias, de todo un país. Obvio lo primero que viene a la mente son estadísticas! Esta información nos ayudará a entender el pasado, pero, y aquí viene el cambio: ¿Cómo puedo utilizar toda esa información para predecir el futuro?.

Para responder esto, hagamos un paréntesis y veamos que es, en una frase, la inteligencia artificial. Podemos preguntarle a Wikipedia o muchos otros lugares, pero básicamente, yo resumo la inteligencia artificial en “que una computadora pueda hacer lo que hace una persona”. Resolver un problema, analizar información, reconocer patrones de comportamiento, jugar un juego, y un millón de etc.

Regresando a nuestro ejemplo, con toda esa información de aumentos salariales, ¿puedo determinar cuánto me aumentarán el sueldo el próximo periodo de evaluación de desempeño? Seguramente tendré un número que por probabilidad sea cercano, pero, ¿cómo lograr que sea lo bastante cercano como para decir que lo puedo predecir? Para ello, sin duda tendré que agregar más información al modelo para poder ser más certero en mi predicción. Por ejemplo, necesitaré datos de la economía del país, o datos de crecimiento en las industrias, y mucha más información.

Si nuestro ejercicio lo movemos hacia el mundo del reclutamiento, mucha de esta información nos podría ayudar para determinar qué candidato será mejor colaborador para alguna vacante que tengamos disponible, por ejemplo.

Para lograr crear estos modelos planteados en los párrafos anteriores, la gente dedicada a crear estos algoritmos de inteligencia artificial cuenta hoy con un sin fin de herramientas, muchas de ellas con menos de 3 o 4 años de creación, con las que pueden trabajar y mejorar significativamente la eficacia de sus modelos.

Dependiendo de que se quiera lograr o el propósito de lo que se pretenda alcanzar, hay diferentes áreas, enfoques o especialidades dentro del mundo de “inteligencia artificial”. Por ejemplo, para lograr modelos predictivos, predecir el precio de algo, o como en nuestro ejemplo, el porcentaje de aumento salarial esperado para este próximo periodo de evaluación, se pueden utilizar redes bayesianas (inferencias probabilísticas) de lo que ha pasado anteriormente y con cierto grado de probabilidad, determinar qué sucederá después.

Otros modelos podrían utilizar algoritmos que aprenden con el paso del tiempo (mejor conocidos como machine-learning (ML), una rama de la inteligencia artificial). Esta es sin duda alguna, una de las ramas que más ha crecido recientemente, por su aplicabilidad, y por el éxito que ha alcanzado en muchos sistemas de recomendaciones. Estoy seguro que Netflix o Spotify te llaman la atención porque cada vez “conocen mejor tus gustos”.

En el sub-mundo de ML, hay muchas maneras de que un algoritmo pueda aprender, con modelos supervisados (alguien le va diciendo al algoritmo que tan bien o que tan mal lo va haciendo), o modelos no-supervisados (donde uno le da al algoritmo un modo de auto-evaluación). Y la manera de crear los algoritmos pueden ser simples ecuaciones lineales obtenidas con modelos de regresiones multivariadas, o sofisticadas redes neuronales que van aprendiendo de acuerdo a los “premios” o “castigos” recibidos por las respuestas que han ido creando, y así lograr lo que se llama “conocimiento profundo” (deep learning).

 

¿Y ya con mi modelo como lo aplico?

 

De muchas formas. Por ejemplo, empresas como EmpleosTI, donde actualmente colaboro como Director de Operaciones y Estrategia, utiliza dos ramas diferentes de la inteligencia artificial para su sistema de recomendación de candidatos. Procesamiento de lenguaje natural (o NLP por sus siglas en inglés) para la lectura e interpretación de los currículos de los candidatos, y un modelo supervisado de ML para sus recomendaciones de candidatos similares. Otras empresas como ScreenIT usan modelos de ML basados en similitud para hacer recomendación de candidatos en su aplicación de Zourcing. Mya Systems, utiliza NLP para su bot, mediante el cual entrevista a candidatos para obtener información y a partir de ella crear un perfil.

Todos estos son ejercicios que utilizan inteligencia artificial tan solo para la parte de reclutamiento y selección de candidatos, sin embargo las áreas de aplicabilidad de la inteligencia artificial para los recursos humanos es infinita. Ahorita se me ocurre una pregunta para que un sistema como Nugo nos pudiera contestar: Si cuento con Pedro como colaborador de la empresa (y cuento con toda su información laboral en la organización), y quiero (o pretendo) ponerlo en la línea de sucesión de la Dirección de Administración y Finanzas: ¿Cuáles son los cursos que debe tomar?, ¿Cuándo los debe tomar?, ¿Qué puestos/posiciones debe tener antes de llegar al puesto de director?, ¿Cuánto tiempo debe estar en cada posición?, ¿Con qué probabilidad lo va a lograr?…. y la más interesante de todas….. ¿Cuál será su desempeño en 3 años a cargo de la Dirección de Administración y Finanzas?

¿Será este nuestro futuro próximo? (y, ¿qué tan próximo?)

Acerca del Autor: Eduardo Pierdant

-Socio Director de Nugo.mx – Plataforma de Gestión de Talento y

-Director de Operaciones y Estrategia en EmpleosTI

Anteriormente Eduardo Pierdant fue Director de Tecnología y Producto de OCCMundial.com por casí 10 años. Durante su participación en la bolsa de trabajo más grande de México, tuvo a su cargo la habilitación estratégica, creativa e innovadora de las tecnologías de la información en el sitio que es visitado por más de 20 millones de personas al año. En este tiempo se logró quintuplicar el tamaño del negocio, introducir 3 nuevos productos y servicios, y actualizar el modelo de negocio para lograr el crecimiento esperado. Anteriormente fue Gerente de Estrategias Competitivas en Microsoft México donde ocupó otros cargos como Gerente de Seguridad de Tecnologías de Información. Anterior a Microsoft trabajó para empresas como Digital Equipment, ofreciendo soluciones para el sector financiero.

Eduardo Pierdant es egresado del ITAM de la carrera de Ingeniería en Computación, y tiene un diplomado en Finanzas Corporativas del mismo instituto. En el 2004 cursó un diplomado en mercadotecnia en el ITESM. Es un apasionado por su familia y los deportes.

 

3
0
Share:

Post a comment

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *