People Analytics: Analítica del absentismo laboral mediante Big Data

Se ha hablado mucho en los últimos años sobre la enorme capacidad que proporciona el análisis Big Data como potente herramienta de apoyo en la toma de decisiones estratégicas y para el descubrimiento de patrones de comportamiento ocultos. Este potencial existente en la analítica de datos es posible utilizarlo para innumerables ámbitos de negocio, con unos resultados sorprendentes a la hora de incrementar la eficiencia y el conocimiento en el propio ámbito empresarial. Uno de los campos donde más se está profundizando actualmente es en el área del absentismo laboral, área en la que Smartup posee una experiencia consolidada acompañando a lo largo de los últimos años. 

El absentismo laboral es un área clave de la gestión de una empresa, por lo tanto, es importante conocerlo lo máximo posible, monitorizarlo en detalle y diseñar acciones o estrategias para gestionarlo en base a unos pilares sólidos y empíricos; estos pilares nos lo proporcionará la analítica de datos. Una Agencia Big Data como Smartup, mediante el procesamiento y análisis de los datos referentes a la actividad de los trabajadores de una empresa, es especialista en la generación de diferentes herramientas que capaciten la optimización de la gestión de los recursos humanos. De esta manera, mediante la implementación de cuadros de mando o “Dashboards” y entrenamiento de modelos de inteligencia artificial, se está acompañando a nuestros clientes en la detección de los principales patrones de causalidad que originan el absentismo laboral, así como la predicción futura de los perfiles con tendencia al absentismo.

Antes de nada, ¿qué pasos son necesarios para la consolidación de una estrategia empresarial de analítica del absentismo basada en el Big Data?

En primer lugar, es importante recopilar la información que permitirá realizar todas las analíticas posteriores e integrarla debidamente mediante un modelo de datos; este modelo será capaz de responder a todos los aspectos más detallados que afecten a la situación de cada trabajador. 

El núcleo principal de datos que permitirán el análisis, son los datos de absentismo recopilados a lo largo del tiempo por la empresa. Sin embargo, para obtener una imagen completa de los patrones de causalidad del absentismo, es importante generar una foto lo más global posible. Por lo tanto, mediante un “Datahub” o Centro de Datos, se acomete la integración de las diferentes fuentes disponibles, tanto internas como externas, para obtener unos resultados certeros y de valor de cara a entender el absentismo con todos sus matices.

Una vez realizada la recopilación de datos de forma unificada y sistemática, se procede a la realización de cuadros de mando o insights que permitan la descripción y monitorización de los patrones descubiertos. En el cuadro de mando, se mostrarán de forma simple e intuitiva las analíticas de datos realizadas, proporcionando a la empresa información de valor que capacite el diseño y sustentación de los planes de acción para abordar el absentismo laboral.

Posteriormente, ¿qué técnicas específicas de analítica Big Data podrían aplicarse en la gestión del absentismo laboral? A continuación os mostramos tres posibles análisis que desde Smartup encontramos interesantes: 

RFM:

El análisis RFM permite la segmentación de los trabajadores en función de tres variables que son clave para entender comparativamente la actividad y regularidad del absentismo entre los trabajadores:

• Recencia: días que han transcurrido desde la última vez que practicó el absentismo.
• Frecuencia: número de veces que ha practicado el absentismo.
• Monto: coste total que le ha supuesto a la empresa su absentismo.

Como resultado, se posibilita segmentar a los diferentes trabajadores en función de sus cifras de absentismo para un rango de temporal determinado. De esta manera, es posible analizar el absentismo de las diferentes tipologías de trabajadores de una manera simple y eficaz, aplicando acciones empresariales determinadas para cada segmento en cuestión.

Clustering:

Mediante el clustering, que forma parte de las herramientas de Machine Learning no supervisadas, se agrupan los trabajadores en función de sus comportamientos diferenciados en base a las variables incluidas en el modelo de aprendizaje; permitiendo descubrir patrones hasta el momento inexistentes que influyan en el absentismo de los trabajadores de la empresa.

Como resultado, se obtienen grupos de trabajadores lo más diferentes posibles entre ellos y que internamente recogen entidades lo más parecidas posibles. En definitiva, una segmentación así permite adaptar y automatizar, de forma increíblemente personalizada y efectiva, las acciones de recursos humanos a las características particulares del segmento en cuestión.

Modelos predictivos

Una de las mayores potencialidades del Big Data y Machine Learning, es la posibilidad de aplicar modelos de aprendizaje predictivos capaces de pronosticar acontecimientos que están por venir. 

En consecuencia, un modelo predictivo alimentado mediante las diferentes variables relacionadas con el absentismo laboral, se podría aplicar para las siguientes soluciones: 

• Detección de actuales trabajadores que son proclives en un momento dado a abandonar su puesto de trabajo.
• Pronosticar la cantidad de horas de absentismo que se producirán en un día determinado.
• Predecir a la hora de contratar un nuevo trabajador si es propenso al absentismo laboral. 

Asimismo, es importante entender o diagnosticar el funcionamiento de un modelo predictivo, para, de esa manera, se optimice el diseño de los planes de acción de recursos humanos y contratación más efectivos posibles de cara a reducir el absentismo laboral en la plantilla de la empresa.

En conclusión, una estrategia de análisis y gestión del absentismo apoyada en el Big Data proporcionará unas bases sólidas para lograr el aumento de la eficiencia laboral de los trabajadores y para optimizar las decisiones o acciones empresariales que se toman en el ámbito de los recursos humanos.

Julen Montes

Data Scientist en Smartup