Quién es Quién en la Oficina People Analytics

Si bien hace un tiempo que les venimos contando sobre la práctica, nos pareció interesante saber cual es la estructura ideal de este nuevo departamento, según nuestros colegas de ORH.

Todo es complejo en people analytics, hasta su nomenclatura. Si te pierdes en el laberinto de saber quién hace qué en un departamento de analítica aplicada a recursos humanos, aquí va un excelente resumen realizado por Fernando López Gil, Global HR Planning & Analytics Manager de Mondelēz International, durante el People Analytics Meetup realizado por el ThinkTank PAS (People Analytics Spain). Cuya “caña virtual” ha reunido a cerca de 200 profesionales tanto de España como de diversos países latinoamericanos.

1. Ingenieros de datos: se ocupan del diseño de la estructura de los sistemas y de las bases de datos, trabajando con flujos de información, almacenamiento y explotación de datos. Es un trabajo árido que está “detrás del telón”, pero crítico para el éxito de la tarea de un departamento de People Analytics. Decisiones incorrectas que se tomen en esta parte de ingeniería pueden complicar enormemente los trabajos posteriores o provocar que, en ocasiones, no se puedan realizar.  Su perfil formativo suele ser el de un ingeniero de telecomunicaciones o informática.
2. Data scientist: hacen que “la magia suceda” aplicando modelos estadísticos para predecir y hacer proyecciones. «Limpian», armonizan y estandarizan métricas. Es un trabajo el suyo que consume mucho tiempo, más que el que llevan los modelos estadísticos, y que quizá no resulta tan atractivo como otros roles pero su función también tiene un porqué crítico. Su perfil formativo suele ser el de matemáticos y estadísticos, aunque cada vez más gente con la adecuada formación técnica de postgrado puede asumir el rol.
3. Analytics translators: conocen el negocio y conocen las dinámicas de recursos humanos, y ello les permite construir puentes entre las necesidades y problemas que surgen y los técnicos que los pueden solucionar. Habitualmente interactúan con clientes internos, por eso es importante que tengan muy buenas habilidades de comunicación y de relación. También lidian con los requerimientos del GDPR y, cada vez más, con principios éticos. Podemos hacer muchas cosas con los datos pero siempre tiene que haber alguien que ponga el límite, alguien que sepa ver si perdemos más credibilidad como función de lo que ganaríamos. Ese alguien es el analytic translator.
4. Data viewer: es importante tener gente muy buena que sea capaz de presentar los datos a los interlocutores para que se entiendan, trasladando lo que nos cuentan los datos e incluso las “emociones” que desprenden. En muchas ocasiones, el éxito de un proyecto de analítica reside en cómo de bien hemos sabido contar los resultados y la mejora que va a suponer si se apuesta por esa inversión. Los data viewer son profesionales que, además de tener competencias muy fuertes en herramientas gráficas de visualización diversas, porque no hay una única para aplicar, tienen mucha flexibilidad para entender muy bien lo que necesita el cliente.