Remote Frog

Reunir datos sobre el trabajo es relativamente fácil. Convertirlos en un contexto útil sin convertir a las personas en objetos de vigilancia ya es bastante más complicado.

People Analytics puede ayudar a detectar desigualdades, a mejorar procesos y a comprender mejor las condiciones de trabajo. También puede fabricar puntuaciones opacas, premiar lo fácil de contar y dar una apariencia científica a decisiones bastante pobres. La diferencia no está solo en el modelo. Está en el propósito, en la gobernanza y en las decisiones que permitimos tomar con él.

REGLA 1: Construimos contexto para decidir, no un oráculo

Una señal analítica debería ampliar una conversación, no cerrarla. Puede ayudar a ver tendencias de carga, oportunidades, feedback o movilidad. No debería dictar automáticamente cuánto vale una persona. Lo contrario son tickets para el desastre.

Regla 2: Siete principios para no perder el norte

1. Finalidad explícita. Antes de empezar un proyecto, ¿está clara la decisión que apoyará el sistema y qué usos quedan excluidos?¿Qué problema concreto intentamos resolver?
2. Ownership clara con sponsor solvente. O en otras palabras ¿Quién se está interesado, quien va a mobilizar recursos y apoyar la implantación de medidas que se sigan del proyecto y quién asume el riesgo? Evidentemente siempre que hay un owner y un cliente, debemos fijar medidas de éxito: ¿Cómo sabremos que el sistema ayuda?
3. Datos mínimos. Recoger lo imprescindible, no todo lo que técnicamente existe. Incluso conviene preguntarnos ¿Cuál es el dato menos invasivo que puede ayudar? Transparencia real. Explicar qué datos se utilizan, de dónde provienen y quién puede verlos.
4. Analiza riesgos. Comprender el impacto del proyecto, tanto si funciona bien, como si funciona mal. ¿Cuál es el coste de un falso positivo o de un falso negativo? Imagina explicar el sistema, con ejemplos reales, a la persona más afectada por un error. ¿Podrías justificar el propósito, los datos, la lógica y el mecanismo de apelación sin esconderte detrás de «lo dice el algoritmo»?
5. Equidad comprobable. Buscar diferencias de cobertura, calidad y efecto entre grupos cuando sea adecuado.
6. Acceso y corrección. Permitir revisar errores y añadir contexto relevante. Revisión humana responsable. Necesitamos una persona al final del proceso. No decorativa o para cumplir el check, sino alguien con criterio, tiempo y capacidad de cuestionar el sistema. Evidentemente esto requiere preguntarse también ¿Cómo conocerá y podrá cuestionar la persona el resultado?
7. Caducidad y revisión. Las métricas envejecen. Algunas merecen jubilación anticipada. No mantengamos métricas si no son prioridades de negocio. De otro modo, aseguremonos de que el proyecto y sus artefactos tengan una caducidad por defecto. ¿Cuándo lo apagaremos si no ocurre nada que nos haga pensar de otro modo?

Si alguna de estas piezas falta, lo que tenemos no es un sistema responsable. Es una fuente de riesgo con una interfaz bonita. Y a veces con una interfaz fea.

Nota al margen: Si usas proxies ve con cuidadito

A veces no puedes medir exactamente lo que quieres y tienes que recurrir a un proxy. Vale. Pero si es así, úsalo con humildad 😛 que quede claro lo que captura, lo que se le pierde y para lo que no debiera ser usado jamás.

Mejor medir el sistema que clasificar individuos

No todo lo que puede puntuarse debe puntuarse. Y desde luego no todo lo puntuado merece decidir sobre personas.

De esto se pueden escribir ríos de tinta, como se dice. Pero basta con obligarnos con una línea roja. Contar hasta un millón antes de que un artefacto mida personas. Los artefactos de People Analytics deben siempre tratar primero de medir los procesos, precisamente para mejorar estos.

People Analytics está en su mejor versión cuando hace visibles problemas del sistema y ayuda a tomar mejores decisiones humanas. Pierde el rumbo cuando sustituye una conversación difícil por una puntuación cómoda.