Recursos humanos
Industria
Soluciones
Estadística y analítica predictiva
Mejora de la calidad
Recursos humanos
Servicio al cliente y centro de contacto
Productos utilizados
Las iniciativas de mejora de procesos basadas en datos normalmente están asociadas a industrias como la manufactura. Sin embargo, el proceso de utilizar la estadística y el análisis de datos para resolver problemas es lo suficientemente flexible para beneficiar a cualquier función de negocio. “Six Sigma Esbelto ha crecido en los entornos de transacciones y servicios”, afirma Jeff Parks, master black belt en Six Sigma Esbelto. “Por ejemplo, yo he tenido la oportunidad de aplicar técnicas de mejora de la calidad en el área de recursos humanos”. En un proyecto reciente de Six Sigma Esbelto, Parks se propuso entender y reducir la alta tasa de deserción de empleados en un gran fabricante de piezas para motores aeroespaciales, apoyándose en las poderosas herramientas de Minitab Statistical Software para analizar los datos.
Reto
La deserción de empleados, también conocida como rotación, es el ritmo al que los trabajadores abandonan una compañía. Debido a los gastos asociados con la contratación y capacitación de nuevos empleados, las altas tasas de deserción pueden ser problemáticas, y muy costosas, para las empresas.
En 2009, un gran fabricante de partes para motores aeroespaciales, con sede en Ohio, tenía tasas de deserción normales de 15 a 18 por ciento, que reflejaban las tasas generales de deserción en la industria manufacturera para la región donde funcionaba la empresa. Sin embargo, la desaceleración de la economía de los Estados Unidos en 2009 coincidió con un aumento en la tasa de deserción de la compañía, que se disparó a más del 30 por ciento. Dadas las altas tasas de desempleo a nivel regional y nacional, la alta dirección esperaba que las tasas fueran mucho más bajas. “La elevada tasa de deserción era muy problemática”, señala Parks, quien dirigió los esfuerzos de mejora de la calidad de la empresa. “Implicaba que había un problema más profundo dentro de la empresa, un problema que el departamento de Recursos Humanos no había logrado controlar”.
El personal de Recursos Humanos del fabricante solía apoyarse en entrevistas de egreso para entender por qué se marchaban los empleados. Aunque se puede obtener mucha información con estas entrevistas, no hay posibilidad de realizar una entrevista de egreso cuando los empleados se marchan sin previo aviso. Además, en un entorno de manufactura de pago por hora donde el trabajo es muy laborioso, no era raro que los empleados se marcharan sin previo aviso, dejando poca o ninguna información sobre lo que los impulsó a irse. El fabricante había compilado datos básicos sobre los empleados que abandonaron sus puestos de trabajo sin previo aviso en los últimos dos años, y Parks asumió la tarea de analizar los datos para ver qué información podían ofrecer sobre el repentino aumento de la deserción.
Cómo ayudó Minitab
La compañía había contratado a 100 empleados durante un período de dos años. De esos nuevos contratados, 32 se habían marchado sin previo aviso. La compañía tenía información básica sobre cada uno de los nuevos empleados, incluyendo el sexo del empleado, el cargo, la clasificación de pago, el turno de trabajo, años de experiencia previa en manufactura y la distancia del viaje diario hasta/desde el trabajo. Para saber si existían diferencias estadísticamente significativas entre la proporción de empleados que desertaban en las diferentes clasificaciones de pago (pago por hora vs. salario) y turnos de trabajo (primer turno vs. segundo turno), Parks realizó pruebas de hipótesis en Minitab. Él esperaba descubrir patrones en el comportamiento de deserción de los empleados, pero el análisis no reveló diferencias estadísticamente significativas entre las proporciones de cualquiera de las variables.
Sin embargo, Parks no se detuvo allí. Investigó más a fondo los datos sin procesar y notó que muchos de los empleados que se marchaban eran mujeres con experiencia previa en manufactura que recorrían diversas distancias para llegar al trabajo. Utilizó Minitab para averiguar si el sexo, los años de experiencia previa en manufactura o la distancia del traslado diario estaban correlacionados o no con el hecho de que el empleado abandonara la compañía. En este caso, la respuesta que Parks quería evaluar — deserción o no deserción — era binaria y sólo tenía dos valores posibles. El poderoso análisis de regresión logística binaria de Minitab permitió a Parks crear modelos estadísticos para predecir qué variables podrían haber influido más en el hecho de que una persona abandonara la empresa.
El análisis reveló que la distancia del viaje diario de un empleado hasta/desde el trabajo era estadísticamente significativa. La salida del análisis ejecutado en Minitab produjo una ecuación de regresión que Parks pudo usar para predecir la probabilidad de que los empleados desertaran dependiendo de la distancia que recorrían diariamente hasta/desde el trabajo. Utilizó la ecuación para analizar distancias de hasta 30 millas y descubrió que, hasta la marca de 12 millas, la distancia del viaje diario tenía poco efecto en la probabilidad de que un empleado abandonara su trabajo. A partir de las 12 millas, la probabilidad de deserción de un empleado aumentaba a más del 18 por ciento. “Y a la distancia de 13 millas, que equivale a un viaje de aproximadamente 30-45 minutos, la probabilidad de abandonar el trabajo saltaba a más del 92 por ciento”, destaca Parks. “Si el viaje diario excede de 13 millas, es casi seguro que el empleado se marchará”.
Resultados
El departamento de R.H. del fabricante utilizó los resultados del análisis de Parks para reestructurar el proceso de entrevistas para los cargos de manufactura. Empezaron a evaluar con mayor atención la distancia del viaje diario de los posibles empleados y han tenido esto en cuenta antes de tomar decisiones de contratación.
Parks cree que los datos explican la aparente paradoja entre una creciente tasa de deserción y un momento de alto desempleo. “El análisis parecía implicar que durante la recesión, la gente era muy liberal en cuanto a los empleos que solicitaba porque la economía estaba tan mal”, sostiene Parks. “Una vez que los empleados se daban cuenta de que el viaje diario podría ser arduo, rápidamente pasaban a buscar otros empleos y solían marcharse”.
Parks ha usado Minitab desde hace más de 15 años y le agrada que el software pueda ser utilizado por personas con diferentes niveles de habilidades y con diversas experiencias. “Minitab me ha permitido enseñar a cientos de belts con habilidad estadística limitada, así como realizar proyectos de mejora de la calidad en muchas áreas de negocio diferentes”, afirma. “En términos de facilidad de uso y poder estadístico, es el mejor paquete de herramientas estadísticas disponible en el mercado”.
