Skip to main content

Recientemente he estado investigando y explorando una herramienta de IBM llamada SPSS Modeler. Muchos lectores pueden haber escuchado o incluso utilizado SPSS Statistics, y Modeler forma parte de esa familia. Lo que he visto hasta ahora ha sido muy alentador. Esencialmente, lo que hace SPSS Modeler es analizar tus datos y encontrar factores de riesgo o predictores de un evento. Por ejemplo, si tienes datos de rotación de personal, puedes introducir esos datos en Modeler y encontrará patrones o características comunes en la información. Posteriormente, puedes aplicar este modelo a datos actuales y obtener una lista de aquellos empleados actuales que podrían estar en riesgo o a punto de salir de la empresa.

Actualmente, estoy esperando que el equipo de TI instale el software, así que aún no he tenido oportunidad de utilizarlo personalmente. El siguiente video (no es mío) ofrece una muy buena introducción a este software, y recomiendo que le dediques tiempo para verlo.

Espero poder compartir mis experiencias con el software cuando esté disponible en mi PC del trabajo. Creo que, como muchos otros profesionales de RRHH enfocados en datos, deseo ofrecer a mi empleador algo más que informes que solo expliquen lo que sucedió; quiero aportar ideas sobre lo que podría ocurrir en el futuro.

Brendan Lys

Operando en la intersección de Recursos Humanos y Ciencia de Datos, aprovecho una amplia experiencia especializada en Recursos Humanos junto con las metodologías y enfoques de la Ciencia de Datos. Este enfoque en descubrir conclusiones prácticas a partir de datos se ha aplicado en áreas como: remuneraciones y beneficios, planificación de la fuerza laboral, selección de personal, salud y seguridad, diversidad y formación. Pero, ¿cómo se ve realmente la aplicación de la ciencia de datos a los retos y oportunidades de RRHH? En un entorno de RRHH, los datos con los que trabajamos suelen provenir directamente de nuestro HRMIS; una ventaja de las metodologías de ciencia de datos es que podemos incorporar datos adicionales internos o externos, datos que no serían accesibles únicamente desde el análisis tradicional de RRHH. Por ejemplo, las descripciones de puesto contienen mucha información que a menudo se ignora porque no está en un formato fácilmente analizable. Un proyecto paralelo en el que trabajo actualmente (abril de 2019) utiliza minería de texto en descripciones de puesto para aportar información sobre a qué familia profesional corresponde cada puesto. Los resultados de mi trabajo han sido aprovechados por organizaciones de diversos sectores, incluidos: el gobierno (Australia y Nueva Zelanda), empresas que cotizan en ASX y NZX, servicios públicos, organizaciones sin fines de lucro y educación superior.