Los seis pasos del proceso de análisis de datos que has estado aprendiendo en este

programa son: preguntar, preparar, procesar, analizar, compartir y actuar. Estos seis
pasos se aplican a cualquier análisis de datos. Continúa leyendo para ver cómo un
equipo de analistas de personas utilizó estos seis pasos para responder a una pregunta
de negocios.

Una organización estaba teniendo una alta tasa de rotación entre los nuevos
empleados. Muchos empleados abandonaron la empresa antes del final de su primer
año de trabajo. Los analistas utilizaron el proceso de análisis de datos para responder la
siguiente pregunta: ¿cómo puede la organización mejorar la tasa de retención de los
nuevos empleados? 

He aquí un desglose de lo que hizo este equipo, paso a paso.

PREGUNTAR

En primer lugar, los analistas necesitaban definir cómo sería el proyecto y qué calificaría
como resultado exitoso. Por lo tanto, para determinar estos elementos, hicieron
preguntas efectivas y colaboraron con líderes y gerentes interesados en el resultado del
análisis de personas. Estos fueron los tipos de preguntas que hicieron:

 ¿Qué crees que necesitan aprender los nuevos empleados para tener éxito en su
primer año de trabajo?
 ¿Has recopilado datos de nuevos empleados antes? Si es así, ¿podemos tener
acceso a los datos históricos?
 ¿Crees que los gerentes con tasas de retención más altas ofrecen a los nuevos
empleados algo adicional o único?
 ¿Cuál sospechas que es una de las principales causas de insatisfacción entre los
nuevos empleados?
 ¿En qué porcentaje te gustaría que aumente la retención de empleados en el
próximo ejercicio económico?
PREPARAR

Todo comenzó con una preparación sólida. El grupo creó un cronograma de tres meses
y decidió cómo quería transmitir su avance a las partes interesadas. También durante
este paso, los analistas identificaron qué datos necesitaban para lograr el resultado
exitoso que identificaron en el paso anterior; en este caso, los analistas optaron por
recopilar los datos de una encuesta en línea de nuevos empleados. Desarrollaron
preguntas específicas para hacer acerca de la satisfacción de los empleados con los
diferentes procesos empresariales, como la contratación y la incorporación, y su
compensación general. Se establecieron reglas respecto de quién tendría acceso a los
datos recopilados; en este caso, las personas ajenas al grupo no tenían acceso a los
datos brutos, sino que solo podían ver datos resumidos o combinados. Por ejemplo, la
compensación de una persona no estaría disponible, pero podrían verse los rangos
salariales para grupos de personas. Para finalizar, determinaron qué información
específica se recopilaría y la mejor manera de presentar los datos visualmente. Los
analistas evaluaron los posibles problemas relacionados con el proyecto y los datos, y
cómo evitarlos.

PROCESAR

El grupo envió la encuesta. Los grandes analistas saben cómo respetar tanto sus datos
como a las personas que los proporcionan. Dado que los empleados proporcionaron los
datos, era importante asegurarse de que todos dieran su consentimiento para
participar. Los analistas de datos también se aseguraron de que los empleados
entendieran cómo se recopilarían, almacenarían, gestionarían y protegerían sus datos.
Con el fin de mantener la confidencialidad y proteger y almacenar los datos de forma
efectiva, el acceso se otorgó a un número limitado de analistas. La recopilación y el uso
ético de los datos es una de las responsabilidades que tiene un analista de datos. Luego,
se limpiaron los datos para garantizar que estuvieran completos, y fueran correctos y
pertinentes. Algunos datos se agregaron y resumieron sin revelar las respuestas
individuales. Los datos sin procesar se cargaron en un almacén de datos interno para
obtener una capa de seguridad adicional.

ANALIZAR

Luego, los analistas hicieron lo que mejor saben hacer: ¡analizar! A partir de las
encuestas completadas, los analistas de datos descubrieron que la experiencia de un
nuevo empleado con determinados procesos es un indicador clave de la satisfacción
laboral general. Los analistas descubrieron que los empleados que experimentaron un
largo y complicado proceso de contratación tenían más probabilidades de abandonar la
empresa. Es más probable que los empleados que hayan experimentado un proceso de
evaluación con comentarios eficientes y transparentes permanezcan en la empresa. El
grupo sabía que era importante documentar exactamente lo que se había encontrado
en el análisis, sin importar los resultados. Hacer lo contrario disminuiría la confianza en
el proceso de la encuesta y reduciría su capacidad para recopilar datos veraces de los
empleados en el futuro.

COMPARTIR

Así como se aseguraron de que los datos estuvieran bien protegidos, los analistas
también compartieron cuidadosamente el informe. Solo los gerentes que cumplieron o
superaron el número mínimo de colaboradores directos con respuestas a la encuesta
eran elegibles para recibir el informe. El grupo presentó por primera vez los resultados a
los gerentes elegibles para asegurarse de que tuvieran el panorama completo. Luego,
les pidieron que entregaran los resultados a sus equipos. Esto dio a los gerentes la
oportunidad de comunicar los resultados con el contexto correcto. Como resultado,
podrían tener conversaciones de equipo productivas sobre los próximos pasos para
mejorar la participación de los empleados.
ACTUAR

La última etapa del proceso para el equipo de analistas fue trabajar con los líderes de su
empresa y decidir cuál era la mejor manera de implementar los cambios y tomar
medidas basadas en los hallazgos. Los analistas recomendaron estandarizar el proceso
de contratación y evaluación de todos los nuevos empleados y basarse en las prácticas
más eficientes y transparentes. Un año después, se distribuyó la misma encuesta a los
empleados. Los analistas anticiparon que una comparación entre los dos conjuntos de
resultados indicaría que el plan de acción funcionó. Resulta que los cambios mejoraron
la tasa de retención de los nuevos empleados y las acciones tomadas por los líderes
fueron exitosas.

¿El análisis de personas es adecuado para ti?

Una de las muchas cosas que hacen que el análisis computacional de datos sea tan
emocionante es que los problemas siempre son diferentes, las soluciones necesitan
creatividad y el impacto en otros puede ser grande, incluso puede cambiar o salvar
vidas. Como analista de datos, puedes formar parte de estos esfuerzos. Tal vez incluso
te inspires para obtener más información sobre el campo del análisis de personas. Si es
así, considera obtener más información sobre este campo y agregar la investigación a tu
diario de análisis de datos. Nunca se sabe: un día, en un futuro cercano, quizá estés
ayudando a una empresa a crear un entorno de trabajo increíble para ti y tus colegas.

Recurso adicional
Para obtener más información sobre algunas aplicaciones recientes del análisis
computacional de datos en el mundo empresarial, consulta el artículo “4 Examples of
Business Analytics in Action” (Cuatro ejemplos de análisis de negocios en acción) de
Harvard Business School.  En este artículo, se revela cómo las empresas utilizan los
conocimientos de datos para optimizar su proceso de toma de decisiones. Ten en
cuenta que el primer ejemplo del artículo contiene un error menor en el segundo
párrafo, pero el ejemplo sigue siendo válido.

Corrección del artículo en negrita a continuación: El equipo de Workplace Analytics de

Microsoft planteó la hipótesis de que mover el grupo de 1,200 personas de cinco
edificios a cuatro podría mejorar la colaboración al aumentar el número de empleados
por edificio y reducir la distancia que el personal necesitaba viajar para reuniones. 

EJEMPLOS DE ANÁLISIS DE NEGOCIOS

Según una encuesta reciente realizada por McKinsey , una proporción cada
vez mayor de organizaciones informan que usan análisis para generar
crecimiento. A continuación, se muestra cómo cuatro empresas se están
alineando con esa tendencia y aplicando conocimientos de datos a sus
procesos de toma de decisiones.

1. Mejorar la productividad y la colaboración en Microsoft

En el gigante tecnológico Microsoft , la colaboración es clave para un

entorno de trabajo productivo e innovador. Luego de una mudanza en 2015
de las oficinas de su grupo de ingeniería, la compañía buscó comprender
cómo fomentar las interacciones cara a cara entre el personal podría
impulsar el desempeño de los empleados y ahorrar dinero.

El equipo de Workplace Analytics de Microsoft planteó la hipótesis de que

mover el grupo de 1200 personas de cinco edificios a cuatro podría mejorar
la colaboración al reducir la cantidad de empleados por edificio y reducir la
distancia que el personal necesitaba viajar para las reuniones. Esta
suposición se basó parcialmente en un estudio anterior de Microsoft , que
descubrió que es más probable que las personas colaboren cuando están
más cerca unas de otras.

En un artículo para Harvard Business Review , el equipo de análisis de la

empresa compartió los resultados que observaron como resultado de la
reubicación. Al observar los metadatos adjuntos a los calendarios de los
empleados, el equipo descubrió que la medida resultó en una disminución
del 46 por ciento en el tiempo de viaje a la reunión. Esto se tradujo en un
ahorro combinado de 100 horas por semana entre todos los miembros del
personal reubicados y un ahorro estimado de $520,000 por año en el tiempo
de los empleados.
Los resultados también mostraron que los equipos se reunían con más
frecuencia debido a que estaban más cerca, con un aumento del número
promedio de reuniones semanales por persona de 14 a 18. Además, la
duración promedio de las reuniones disminuyó levemente, de 0,85 horas a
0,77 horas. Estos hallazgos indicaron que la reubicación mejoró la
colaboración entre los empleados y aumentó la eficiencia operativa.

Para Microsoft, los conocimientos obtenidos de este análisis subrayaron la

importancia de las interacciones en persona y ayudaron a la empresa a
comprender cómo la planificación cuidadosa de los espacios de trabajo de
los empleados podría generar ahorros significativos de tiempo y costos.

2. Mejorar la atención al cliente en Uber

Garantizar una experiencia de usuario de calidad es una prioridad principal

para la empresa de transporte compartido Uber. Para optimizar sus
capacidades de servicio al cliente, la compañía desarrolló un asistente de
tickets de obsesión por el cliente (COTA) a principios de 2018, una
herramienta que utiliza el aprendizaje automático y el procesamiento de
lenguaje natural para ayudar a los agentes a mejorar su velocidad y
precisión al responder a los tickets de soporte.

La implementación de COTA arrojó resultados positivos. La herramienta

redujo el tiempo de resolución de tickets en un 10 por ciento y su éxito llevó
al equipo de ingeniería de Uber a explorar cómo se podría mejorar.

Para la segunda iteración del producto, COTA v2, el equipo se centró en

integrar una arquitectura de aprendizaje profundo que pudiera escalar a
medida que crecía la empresa. Antes de implementar la actualización, Uber
recurrió a las pruebas A/B, un método para comparar los resultados de dos
opciones diferentes (en este caso, COTA v1 y COTA v2), para validar el
rendimiento de la herramienta actualizada.

Precediendo a la prueba A/B hubo una prueba A/A, durante la cual tanto un
grupo de control como un grupo de tratamiento utilizaron la primera versión
de COTA durante una semana. Luego, el grupo de tratamiento tuvo acceso
a COTA v2 para iniciar la fase de prueba A/B, que duró un mes.

Al final de las pruebas, se encontró que hubo una reducción relativa de casi
el siete por ciento en el tiempo promedio de manejo por ticket para el grupo
de tratamiento durante la fase A/B, lo que indica que el uso de COTA v2
condujo a un servicio más rápido y una resolución más precisa.
recomendaciones Los resultados también mostraron que los puntajes de
satisfacción del cliente mejoraron ligeramente como resultado del uso de
COTA v2.

Con el uso de pruebas A/B, Uber determinó que la implementación de

COTA v2 no solo mejoraría el servicio al cliente, sino que también ahorraría
millones de dólares al agilizar su proceso de resolución de tickets.

Relacionado : Cómo analizar un conjunto de datos: 6 pasos

3. Previsión de pedidos y recetas en Blue Apron

Para el servicio de entrega de kits de comidas Blue Apron, comprender el

comportamiento y las preferencias de los clientes es de vital importancia
para su éxito. Cada semana, la empresa presenta a los suscriptores un
menú fijo de comidas disponibles para comprar y emplea análisis predictivos
para pronosticar la demanda , con el objetivo de usar datos para evitar el
deterioro del producto y cumplir con los pedidos.

Para llegar a estas predicciones, Blue Apron utiliza algoritmos que tienen en
cuenta varias variables, que normalmente se dividen en tres categorías:
funciones relacionadas con el cliente, funciones relacionadas con recetas y
funciones de estacionalidad. Las funciones relacionadas con el cliente
describen datos históricos que representan la frecuencia de pedido de un
usuario determinado, mientras que las funciones relacionadas con recetas
se centran en las preferencias de recetas anteriores de un suscriptor, lo que
permite a la empresa inferir qué próximas comidas es probable que
pidan. En el caso de las características de estacionalidad, se examinan los
patrones de compra para determinar cuándo las tasas de pedidos pueden
ser más altas o más bajas, según la época del año.

A través del análisis de regresión, un método estadístico utilizado para

examinar la relación entre variables, el equipo de ingeniería de Blue Apron
ha medido con éxito la precisión de sus modelos de pronóstico. El equipo
informa que, en general, el error cuadrático medio (la diferencia entre los
valores pronosticados y observados) de su proyección de pedidos futuros es
consistentemente inferior al seis por ciento, lo que indica un alto nivel de
precisión de pronóstico.
Al emplear análisis predictivos para comprender mejor a los clientes, Blue
Apron mejoró su experiencia de usuario, identificó cómo los gustos de los
suscriptores cambian con el tiempo y reconoció cómo las preferencias
cambiantes se ven afectadas por las ofertas de recetas.

Relacionado : 5 habilidades de análisis empresarial para profesionales

4. Dirigirse a los consumidores en PepsiCo

Los consumidores son cruciales para el éxito de la empresa multinacional

de alimentos y bebidas PepsiCo. La compañía abastece a minoristas
en más de 200 países en todo el mundo , atendiendo a mil millones de
clientes todos los días. Para garantizar que las cantidades y los tipos de
productos correctos estén disponibles para los consumidores en ciertos
lugares, PepsiCo utiliza big data y análisis predictivo.

PepsiCo creó una plataforma de análisis y datos basada en la nube llamada

Pep Worx para tomar decisiones más informadas con respecto a la
comercialización de productos. Con Pep Worx, la compañía identifica
compradores en los Estados Unidos que probablemente estén muy
interesados en una marca o producto específico de PepsiCo.

Por ejemplo, Pep Worx permitió a PepsiCo distinguir 24 millones de hogares

de su conjunto de datos de 110 millones de hogares estadounidenses que
probablemente estarían interesados en Quaker Overnight Oats. Luego, la
compañía identificó minoristas específicos en los que estos hogares podrían
comprar y se dirigió a sus audiencias únicas. En última instancia, estos
clientes impulsaron el 80 por ciento del crecimiento de las ventas del
producto en los primeros 12 meses posteriores al lanzamiento.

El análisis de PepsiCo de los datos del consumidor es un excelente ejemplo

de cómo la toma de decisiones basada en datos puede ayudar a las
organizaciones de hoy a maximizar las ganancias.
DESARROLLAR UNA MENTALIDAD DE DATOS
Como ilustran estas empresas, el análisis puede ser una herramienta
poderosa para las organizaciones que buscan crecer y mejorar sus servicios
y operaciones. A nivel individual, una comprensión profunda de los datos no
solo puede conducir a una mejor toma de decisiones, sino también al
avance profesional y al reconocimiento en el lugar de trabajo.

“El uso de análisis de datos es una forma muy efectiva de tener influencia
en una organización”, dice Hammond . “Si puede ir a una reunión y otras
personas tienen opiniones, pero tiene datos para respaldar sus argumentos
y sus recomendaciones, será influyente”.