Pluma invitada:
Nadim Dergal Rufeil
LinkedIn: https://url2.cl/CS57n
La estadística es la rama de las matemáticas que se encarga de la recopilación, análisis y explicación de grandes cantidades datos y tiene tres objetivos principales: describir, explicar y predecir ciertos datos. En las siguientes líneas, se discutirán algunas de las mejores prácticas de Recursos Humanos que deben involucrar a la estadística para obtener resultados excepcionales, desde conocer y utilizar las fórmulas más sencillas como la media, mediana y varianza; hasta generar modelos de regresión lineal.
Se ha comentado en repetidas ocasiones que el área de Recursos Humanos tiene que ser generadora de estrategias; sin embargo, ¿en cuántas de estas estrategias se utilizan los datos para mejorar la toma de decisiones?
Es útil conocer las diferentes medidas como la media, mediana y varianza; que son comúnmente utilizadas en el día a día, y son muy fáciles de aplicar. Por ejemplo, el uso de la mediana salarial para comparar el ingreso entre hombres y mujeres de una empresa; ésta práctica es muy común y se utiliza para comparar el ingreso del 50% inferior de mujeres y hombres. Se utiliza la mediana en lugar de la media, ya que valores muy extremos podrían inflar o desinflar el promedio; no obstante, esta práctica no es la mejor para comparar la equidad salarial dentro de una empresa. Una mejor práctica sería un modelo de regresión lineal.
Un modelo de regresión lineal explica la relación lineal entre una variable dependiente y una o más variables independientes. En este caso se debe implementar un modelo que explique el ingreso de un trabajador (variable dependiente) a través de diferentes variables de control como: género, incrementos, experiencia, prestaciones, etcétera (variables independientes). En este caso, si el coeficiente relacionado con el género es estadísticamente significativo, probablemente exista un problema con la equidad en los salarios.
Esta práctica no es tan usada, ya que implica más trabajo, recursos y una constante modificación del modelo. Es más trabajo, debido a que se necesitan recuperar grandes cantidades de datos, que muchas veces no se tienen a la mano. También se necesita una herramienta computacional que pueda trabajar mejor estos modelos para poder hacer las modificaciones adecuadas. Por último, el concepto de regresión lineal y todo lo que conlleva, no es tan fácil de entender como las medidas tradicionales.
Las posibilidades de implementar un modelo de regresión son enormes y mientras más provecho obtengamos de esta herramienta, la toma de decisiones será más estratégica. El modelo puede ser tan complicado como las condiciones de la empresa lo requieran; es decir, generar interacciones entre las variables que permitan explicar dos variables en una, por ejemplo: género e incrementos.
Mientras el modelo sea más exacto, podremos identificar cuales son las verdaderas áreas de oportunidad. Es importante identificar cuales son los puntos que le están doliendo a la empresa, para poder generar un plan estratégico que acabe con este problema. Si una empresa ha estado midiendo solamente el sueldo mensual para comparar la equidad de género, probablemente existan muchas variables que no se están considerando y estarían desviando la atención al problema verdadero.
Commentaires