Experimentos y datos para arreglos de trabajo posteriores a COVID-19
En lugar de conjeturas para decidir cuándo volver al trabajo en persona, las empresas pueden utilizar experimentos y toma de decisiones respaldada por datos.
Casi todos los líderes y empleados se preguntan cómo será el trabajo y los negocios después de que termine la pandemia. Ahora que las vacunas COVID-19 aprobadas se están implementando en todo el mundo, podemos ver algo de luz al final del largo y oscuro túnel en el que todos hemos estado trabajando y viviendo. Pero, ¿cuáles serán los atributos del entorno empresarial posterior a la pandemia y cómo decidiremos sobre ellos? ¿Trabajar desde casa o volver a la oficina? ¿Adopta Zoom para llamadas de ventas o regresa a aeropuertos y viajes de negocios? En nuestra opinión, los entornos empresariales pandémicos y posteriores a la pandemia presentan grandes oportunidades para cuestionar supuestos arraigados y responder a esas preguntas utilizando experimentos y datos.
Los arreglos laborales y sus impactos en la productividad, la satisfacción laboral, la equidad, la colaboración y la responsabilidad social deben ser un área de enfoque principal. Es posible que las empresas deban revisar problemas sistémicos de larga data, como la inclusión: si bien algunas organizaciones han avanzado en esta área en los últimos años, la pandemia ha tenido un efecto desproporcionado en ciertos grupos de la fuerza laboral (como las mujeres y los padres), lo que significa que Las organizaciones ahora deben evaluar las pérdidas y trabajar para recuperarse y aprovechar el progreso previo a la pandemia.
Este es un buen momento para recurrir a las pruebas para orientar las decisiones, utilizando todo tipo de experimentos en torno a factores que han sido influenciados por la pandemia. Los experimentos no tienen por qué ser terriblemente gravosos en estos tiempos difíciles; algunos pueden ocurrir naturalmente, y muchas empresas ahora tienen grupos de análisis en RR.HH. y en otros lugares que pueden recopilar y analizar los datos necesarios. Algunas empresas han recopilado suficientes datos relevantes durante el año pasado para tomar decisiones basadas en hechos sobre los arreglos laborales posteriores a una pandemia. Otros tienen datos insuficientes ahora, pero pueden comenzar a realizar experimentos para crear datos que llenen los vacíos.
Tipos de decisiones en las que los experimentos y los datos pueden ayudar
Una de las preguntas más importantes para muchas empresas es si deben exigir a los empleados que regresen a una semana laboral de cinco días en la oficina. Hemos visto evidencia de que trabajar desde casa ha tenido beneficios como menos tiempo perdido en los desplazamientos, menos carbono en la atmósfera y quizás incluso una mayor productividad. Según un estudio de Stanford , existe una gran variedad de cuántos días a la semana a los empleados les gustaría estar en la oficina después del COVID-19: la respuesta media es de dos días, pero el 25% de los encuestados dijo que cinco días y el 20% dijo nunca. Algunas empresas ya han tomado posiciones radicales, como Skillshare, con sede en Nueva York, que ha cerrado todas sus oficinas físicas . Otros, como Netflix, están dirigidos por un director ejecutivo que dice que el trabajo remoto es “puramente negativo”.sin beneficios. Ninguna de estas políticas extremas parece estar basada en datos o análisis extensos, e involucran posiciones radicales con respecto a todos los trabajadores en todos los trabajos y en todas las situaciones familiares y de vida.
No es necesario elaborar políticas generales con pruebas limitadas. Facebook, por ejemplo, ha estado probando (desde antes de la pandemia) si estar ubicado con un gerente es crucial para obtener calificaciones y promociones de alto rendimiento. Su grupo de análisis de personas, dirigido por Alexis Fink, examinó esto en parte al observar los resultados de los contribuyentes individuales que estaban separados geográficamente de sus equipos y gerentes. Fink nos dijo que, en general, no han tenido ningún impacto. Al comienzo de la pandemia, Facebook realizó una variedad de estudios internos que analizaron los resultados de los equipos, y los resultados sugieren que trabajar de forma remota es de neutral a favorable en términos de hacer el trabajo y hacerlo bien. Con todos estos datos y análisis, Facebook anunció en mayo de 2020 que adoptaría un enfoque mesurado paraescalando su estrategia de trabajo remoto .
En 2020, la empresa de ciencias biológicas Merck encontró patrones consistentes tanto en los sentimientos de los empleados como en la productividad cuando pidió al 80% de su fuerza laboral que protegiera su salud trabajando desde casa y al 20% restante que fuera a la oficina con medidas adicionales de seguridad sanitaria en el lugar. . Jeremy Shapiro, jefe de análisis de la fuerza laboral de la compañía y uno de los varios ejecutivos que diseñan nuevas políticas laborales basadas en los datos, dijo que las medidas de participación de los empleados se mantuvieron firmes durante un momento difícil. Atribuyó a una combinación de liderazgo y apoyo del equipo como fundamental para ese éxito y dijo que es probable que se adopten entornos de trabajo híbridos de oficina / hogar / tercer espacio en el futuro. Señaló que la fuerza laboral de Merck es heterogénea y que ninguna política única será apropiada para todos los empleados.
Sospechamos que muchas organizaciones llegarán a la misma conclusión que Merck, con una variación considerable en lo que constituye una solución ideal de una categoría de trabajo a otra, de un equipo a otro, e incluso de un individuo a otro. Lo que es mejor para las ventas puede ser muy diferente de lo que es mejor para el marketing.
En un extenso estudio de principios de la década de 2000 sobre las políticas de la fuerza laboral del conocimiento , segmentar a los trabajadores y darles alguna opción sobre los entornos laborales surgió como los dos factores más importantes en el diseño de acuerdos laborales. Como observó Matt Phelan, cofundador de The Happiness Index, una plataforma de participación de empleados, “Algunas personas prefieren trabajar desde casa, algunas personas prefieren trabajar desde una oficina, [y] algunas personas prefieren un enfoque combinado. El cien por ciento de las personas quiere tener la flexibilidad de elegir “. Varios de los líderes de análisis de la fuerza laboral con los que hablamos para este artículo también enfatizaron estos factores, pero planearon realizar más pruebas y análisis de datos. Facebook, por ejemplo, está comprometido con la segmentación y la elección, pero también planea estudiar el impacto del trabajo remoto en la incorporación y la innovación colaborativa.
A medida que la pandemia disminuye, las empresas que carecen de datos prepandémicos podrían crear experimentos en torno a estas opciones. Podrían hacer que algunos grupos trabajen en la oficina todos los días, algunos trabajen completamente en casa y algunos trabajen en horarios mixtos. Algunas medidas de resultado (variables dependientes en el análisis) podrían medirse para cada grupo, incluida la productividad, la satisfacción laboral, la frecuencia de las redes e incluso las horas trabajadas, como lo demuestra la actividad informática. Los resultados de estos experimentos podrían convertirse en la base de políticas laborales más amplias. Podrían ser comunicados y defendidos como basados en datos, lo que quizás los haría menos sujetos a resistencia.
Las variables basadas en la ubicación también deberán probarse, porque no podemos asumir que las actitudes y adaptaciones adoptadas durante la pandemia se mantendrán en el futuro. Este tipo de pruebas será importante para los vendedores, que no han podido presentar a los clientes potenciales en persona desde el inicio de la pandemia, así como para otros profesionales, como abogados, consultores y entrenadores personales. De manera similar, las conferencias de negocios y las exhibiciones de productos que se han vuelto virtuales deberán averiguar si sus clientes se han acostumbrado a las teleconferencias de Zoom que requieren menos tiempo o si existe una demanda reprimida para regresar a las reuniones en persona. Deben probar una amplia gama de enfoques, idealmente con diferentes puntos de precio, para determinar qué atrae a los clientes que más pagan.
Finalmente, la lista de grandes temas para la experimentación y el análisis de datos puede incluir preguntas que involucren horas de trabajo (por ejemplo, menos días en horas más largas), enfoques de supervisión y roles de los empleados para determinar sus horarios. “Ciertamente pensamos que la cuestión de cuántos días trabajar en la oficina está lista para la investigación”, nos dijo Jennifer Kurkoski, directora de análisis de personas de Google. “Pero hay una oportunidad mucho mayor”. ¿Qué haría falta, se preguntó, “para pasar de limitar el trabajo por horas a limitarlo por los resultados? Para nosotros, hay un reconocimiento de que hay mucho más que no sabemos, y estamos comenzando a abordar cuestiones que no han estado abiertas al debate antes ”.
Al pensar en dónde experimentar , todos los altos directivos deberían preguntarse: “A medida que superamos la pandemia, ¿dónde podemos comprender mejor cómo dirigir nuestro negocio en el futuro?”
Qué se necesita para experimentar
Algunas organizaciones tendrán experiencia en el campo emergente pero de rápido crecimiento de las personas o el análisis de la fuerza laboral. Estos grupos suelen tener habilidades en métodos de investigación, ciencias sociales e implementación de políticas. Pueden facilitar enormemente los esfuerzos de los equipos de gestión en la realización de experimentos y análisis de datos para las estrategias de la fuerza laboral pospandémica.
mit, el trabajo en la era post covid-19
Para otras empresas, el enfoque de “probar y aprender” se puede ejecutar de la misma manera en que las empresas prueban sitios web alternativos, enfoques de marketing o planes de inversión de capital. El software estándar puede realizar un seguimiento de los grupos de control y prueba y ayudar a interpretar los resultados.
Sin embargo, existen factores a tener en cuenta al diseñar las pruebas. Los empleados que saben que su trabajo está siendo monitoreado y medido pueden trabajar más duro, un fenómeno conocido como efecto Hawthorne , llamado así por los estudios realizados en la planta de Western Electric Hawthorne Works en la década de 1920. Algunos factores que influyen en los resultados pueden ser difíciles de controlar, como el requisito de distanciamiento social entre los trabajadores asignados a una oficina. Pero estos problemas confusos generalmente se pueden manejar.
Las empresas pueden aumentar sus posibilidades de ejecutar estos experimentos sociales con éxito si siguen algunos pasos comprobados en su diseño:
Aclare los elementos del experimento. Articular las preguntas de interés, las poblaciones y subpoblaciones de interés, las variables dependientes (por ejemplo, productividad o satisfacción de los empleados) y las variables independientes (como el número de días a la semana en la oficina). Indique claramente lo que significan todos los términos clave.
Documentar los hallazgos. Registre el proceso de recopilación y almacenamiento de datos.
Eche una amplia red en los análisis. Una vez que comience a mirar los datos, es muy posible que aprenda cosas de las que no estaba lo suficientemente informado como para preguntar al diseñar el experimento.
Empiece temprano y empiece poco a poco. Hay mucho que aprender. ¡Y hay tantas cosas que pueden salir mal!
El impacto de la recesión en la analítica y la ciencia de datos
Ha habido una gran demanda de científicos de datos en la última década. ¿Eso está a punto de cambiar?
El brote de la pandemia de COVID-19 está teniendo un impacto negativo dramático en las economías de los EE. UU. Y en todo el mundo, y las tasas de desempleo se están disparando. Dadas las perturbaciones económicas, parece probable que muchos países de la economía mundial experimenten una recesión .
Las organizaciones están empezando a lidiar con cómo la desaceleración económica influirá en las inversiones que están haciendo en todos los ámbitos. Una pregunta sobre la que nos preguntamos es si la demanda de recursos analíticos y de ciencia de datos seguirá siendo alta o se ralentizará. No tiene que buscar muy lejos para encontrar evidencia de que el enfoque en esta área ha sido fuerte: un informe de 2017 de IBM , por ejemplo, predijo que el número de puestos de analítica y ciencia de datos solo en los EE. UU. Aumentaría en 364,000, para 2.729.000 para 2020. En 2019, LinkedIn clasificó a “científico de datos” como el trabajo más prometedoren los EE. UU. en función de las ofertas de trabajo, el salario y las oportunidades de avance profesional, y reportó un aumento del 56% en las ofertas de trabajo para científicos de datos con respecto al año anterior. El crecimiento exponencial de los datos, y el deseo de la industria de usar esos datos para obtener mejores resultados comerciales, se ha citado ampliamente como una razón para la creciente demanda de talento analítico.