tv.um.es

Voy a fijarme en los tiempos. Vamos a ver un poquito, sobre todo antes del contexto de la parte del loro de compensación en recursos humanos. Vale. Cómo ha evolucionado con todos los cambios que ha habido últimamente? Luego nos vamos a. Vamos a empezar con la parte del presente. Vale, donde estamos ahora, que es el uso del dato básicamente y un poco lo que está por venir, no que esa adopción de la inteligencia artificial, o bueno ya casi es el presente, porque porque esto va esto va rapidísimo, no íbamos a hacerlo un poco con una hoja de ruta. Vale? Ya que estamos aquí y profesionales de diferentes organizaciones, pues donde veis. No, sí que voy a intentar hacer alguna pregunta al público. Si alguien quiere participar, fantástico, no, casi no estáis escuchando al ámbito del todo el tiempo, vale. Pues vamos a empezar un poco por la parte de los nuevos retos en materia de compensación. Vale, vale, y justamente lo que lo que por donde quería empezar es por esa evolución de la compensación. En los últimos años. El rol de compensación dentro de recursos humanos siempre ha sido un ritmo mucho más operativo, no de gestión, de costes de presupuestación, y ha ido evolucionando en los últimos años para dar respuesta a todos los retos que hemos ido. Hemos ido viendo. No hemos estado hablando de la escasez de talento, estamos hablando de la flexibilización, es el primer momento en la historia en las que estamos, 4 o 5 generaciones trabajando a la vez en las empresas. Todos los cambios normativos que han venido, no desde la parte de igualdad y de análisis retributivo para la igualdad salarial de género, atrás nos hemos ido moviendo hacia la transparencia retributiva y todo lo que ello conlleva y lo que también, los compromisos, ese eje de sostenibilidad, no, y como esto también al final se va integrando en las la compensación y luego todo ello, evidentemente crea una complejidad en el mix área que necesitamos, también gestionarlo. Para ello nos ya anticipo que nos ha venido muy bien todo lo que son los datos y todo lo que es la inteligencia artificial y evidentemente, todo ello, pues pues el impacto que tiene que tienen ahí no? Bueno, en primer lugar, lo que viene siendo la escasez de talento cualificado. Esto es algo que ya todos conocemos, no creo que en los últimos años, sobre todo pospandemia hemos tenido unas, lo que se llamaban el grandes inversiones en Estados Unidos, la gran rotación. Hemos visto cómo muchos profesionales en cambio de empresa hemos visto un montón de. Pues eso de lucha, no por el talento, porque utilizar ese talento y al final la compensación se ha trasladado una herramienta crítica, no para atraer ese talento, para retenerlo, y además nos hemos dado cuenta que las nuevas generaciones no nos profesionales ya no solamente se conforman con la compensación, fija, no quieren más, queremos más beneficios, queremos más variable, queremos que cuide bienestar, queremos un propósito, queremos que desarrolle y al final todo esto lo que va haciendo es que el rol de compensación ya no solamente se profesionaliza mucho más, sino que se va integrando con el resto, no solamente hablando con las áreas de talentos o vertebrando con las diferentes con las diferentes áreas de la de la, de recursos humanos, y aquí lo que traemos un pequeño porque tenemos un par de datos sobre una encuesta que hemos hecho para más de 9.000 participantes en 23 países en Aragón, que se llama el empleo y sentimental, está bien; y en España en concreto han participado más de quinientas personas, y lo que se vio en estos resultados nosotros, más llamativos en este sentido es que el 18 por 100 de los empleados en España se sienten, infravalorados valer su comparación con el 13 por 100 mundial. Otro dato también es muy interesante y es que un tercio básicamente los empleados están o en proceso están en proceso, están pensando en cambiar de puesto generador de puestos de empresas en puestos equipos. 1 de cada 3 está en ese proceso y precisamente sabemos en esta encuesta lo hemos visto que el principal motivo para cambiar de puestos el salario entonces imagínense el impacto que podemos tener y el coste al final que tienen las empresas. El rol de compensación y tiene una estrategia de compensación total, bien definida y bien optimizan luego traer las patas es todo lo que viene siendo la flexibilidad y la personalización cada vez ya no vale no esto es solamente pago compensación salario fijo ya va mucho más allá texto No. Hablamos de enfoques mucho más personalizados; hablamos, por ejemplo, de la compra de la compensación. Flexible. No sé si vosotros en nuestras empresas, todos, tenéis compensación flexible. No sé si me levanto; o sea, si puede ir un poco levantar la mano, quienes tenéis compensación flexible, muestras empresas, genial, y cuáles no vale. Pues ahora es algo que, por ejemplo, yo creo que bueno está bien eso yo creo que es un tercio, 2 tercios más o menos un tercio, que no hay 2 tercios que si esto es algo que ya casi deja de ser hasta diferenciada. Ya cuando vas preguntándose en los diferentes foros cada vez cada año es más y más y más vale, y justamente es una forma muy fácil no muy directa de, de, de que la disponibilidad salarial neta sea mayor disponible de que los salarios con el mismo salario no ser capaces de que otros empleados gane más dinero. Bueno, pues esto también que implica más complejidad de gestión, no es lo mismo. Gestiona una nómina que solamente tenga salario fijo, que incluir todo este tipo de soluciones y, por ejemplo, otro de los de las pequeñas reflexiones que queríamos traer aquí también es los beneficios. En esta misma encuesta de empleo y sentimiento estadio y preguntamos por los 5 beneficios más valorados de las de las compañías, van las compañías por sus propios empleados, no porque nos interesaba mucho saber. Bueno, al final los de las personas de conversaciones en recursos humanos siempre hacemos un poco el mismo efecto. Nosotros pensamos que esto es lo que quieren los empleados, y entonces lo definimos, y después nos olvidamos de que al final los empleados quieren lo que quieren texto es un poco el resumen de los de los más valorados. Evidentemente, en España el tiempo libre remunerado No, eso nos gusta más que que a nadie, toda la parte cobertura médica, quizás en otras en referencia mundial, en número 1, porque aquí tenemos un sistema de salud que quizás no nos hace que sean nuestra principal preocupación, temas de compensación, ahorro, pero lo más interesante viene aquí. Cuando empiezas a cortar esto por generaciones y te vas dando cuenta como las prioridades cambian, te vas dando cuenta como en la generación, cerca, por ejemplo, el horror de jubilación es algo que no me interesa para nada y de repente al final los que estamos más cercanos, a la jubilación se nos vamos empezando a preocupar, no fijándose al final de toda la generación baby -boomer, es el principal preocupación. Es un poco tarde, ya no para preocuparse por el ahorro de la jubilación. Entonces, bueno, es también estamos haciendo mucha pedagogía en este sentido, no de mucha más educación financiera, ser mucho más conscientes de los tipos de beneficios, de cuándo? No y de que no puedes esperar al final de tu vida laboral para, al final, para preocuparse por estas cosas. Este es el dato de mundial. Si nos vamos a España, la flota camión poco, no, ya volvemos a traer lo que decíamos antes. El tiempo libre a nosotros es lo más, lo más importante. No, creo que esto no nos sorprende, nos sorprende a nadie, pero luego entran temas muy interesantes, diferentes con el resto del mundo, no el trabajo remoto, por ejemplo, en las generaciones más jóvenes, la parte de desarrollo profesional, incluso cobertura de enfermedades graves, no somos más conscientes quizá que en otros países de la importancia no, y de cómo nos puede cambiar la vida. Una, una enfermedad grave no son al final son, son beneficios que podemos dar a nuestros empleados, y si nuestras reticencias bien y elegimos bien en qué generaciones, pues podemos optimizar y maximizar el coste no, y a la vez, pues tiene un impacto mucho más directo en las organizaciones. Por último, o sea, es verdad que no puedo hacer esta introducción, sino también de la parte de transparencia, de sostenibilidad. No voy a meter esto. Es un tema que da para una ponencia. Antena no, y creo que estamos también bastante bueno, que hemos sido bastantes veces todo el tema de sostenibilidad y de transparencia aéreo, que ha sido el tema de los últimos años. Si sigue siéndolo, vale, pero esto ya no es algo tampoco diferenciar. Esto es regulatorio. Esto ya está aquí; vale, ya es una exigencia, y luego el impacto reputacional que pueden tener cosas como Pues, por ejemplo, un país como este no es decir, esto es una chica que trabaja en la compañía y dice. Bueno, actualmente soy una y se les piden y si eres. Piensen en una compañía y he visto que han publicado una vacante para mi puesto. Entre 32.090 1.000 dólares es más de lo que cobra, se ha aplicado claro, al final todo esto se viene no vienen este tipo de cosas de que al final vamos a tener que publicarlas, las bandas salariales, y, si no tenemos bien apegada nuestra compensación. La parte interna y la parte externa vamos a sufrir, no el impacto reputacional de ese tipo de cosas, y por último hablaré un poquito de lo que va siendo este rol y ya anticipábamos al principio, no era, venimos de un rol de compensación de beneficios, mucho más operativo, focalizado en tareas y mucho más con foco en la equidad, ni el compliance, y nos vamos a ahorrar mucho más estratégico, más innovador, muchísimo más impacto en negocio, vale, tenemos ya que estar superado cómodos, trabajando con datos, super cómodos, incluso ya trabajando, con inteligencia artificial. Van es algo que es un rol que yo creo que es de los que más se ha ido evolucionando dentro de recursos humanos, y simplemente esto bueno para usted, para observarse un poco la complejidad, no de que ya han de todas las diferentes dimensiones y todos los diferentes impactos que puede tener el nuevo modelo de los modelos de compensación, pero sí que me quería meter un poquito en la parte del dato, no del dato de cómo gestionar los datos. Como les decía antes, venimos yo creo que estamos hablando en un momento que es el momento del data drill, no que llaman los anglosajones del de las decisiones basadas en datos y en este sentido no podemos tampoco saltar al siguiente paso adelante, vigente artificial, sino tenemos esta esta etapa un poco más trabajada y realmente trabajamos con datos, con buenos datos y con datos de calidad. Al final el data la élite y sin recursos humanos creo que yo estoy ya no es nada nuevo, es algo que ya llevamos hablando muchos años, es la toma de decisiones basadas en datos de recursos humanos. Tan sencillo y tan y tan complicado como es y vamos muchísimo más atrasados. Yo creo que con respecto a nuestros compañeros de otras áreas, porque también nuestros datos son más complejos, estamos dando datos de personas, no son datos de un stock o de un dato de operación, una operación datos financieros, no, que son mucho más? Pues ya no es algo instalaciones fijas, no hay tanta subjetividad aquí son datos mucho más complejos y al final esta está impactando la vida de la gente, no? Entonces también es verdad que hay una parte de cumplimiento y de identidad que tenemos que tener en cuenta, pero al final el dato Analytics va de comprender lo que está pasando para eso nos pueden por ejemplo ayudarlos rasgos vale detectar cosas que no estamos siendo capaces de ver en nuestro día a día va de contar la historia también vale a los diferentes interlocutores, y va a haber tomar decisiones mucho más eficientes y de una manera mucho más ágil a quienes de sentido. Tenemos que darnos cuenta que tenemos 2 dimensiones. Tenemos los datos internos de las compañías, todo lo que son. Datos demográficos, datos salariales, datos organizativos, datos de talento, por ejemplo la criticidad de un rol, la rotación vale, pero también lo tenemos. Los datos externos vale, y aquí es donde también esto es donde quizás las organizaciones no estén tan avanzadas y es la relevancia también de utilizar. En este caso hablamos de compensación, de bases de datos retributivas, de referencia salariales que realmente se ajusten a mercado. No sé cuántos vuelva otra vez un poco hacerla, la pregunta. Pero cuántos de vosotros en vuestras organizaciones? Utilizáis, encuestas salariales, datos salariales de mercado. Genial y cuántos no sé si se puede saber, genial, es normal, quiero decirles, no es nada. Vamos a lo que que sí hacemos esta pregunta hace 5 años, yo creo que la mitad de las manos que estaban Arribas tenían abajo, pero justamente es algo que cada vez tiene más importancia. Hoy volvemos un poco lo de antes ya no es una decisión, no es algo que pueda elegir o no hacer o no la Directiva de transparencia, al final lo que viene a hacer es obligar a publicar ofertas con empleo con rango salarial, no prohíbe preguntar en el salario los candidatos, permitan a los empleados desvelar sus salarios y muchas más implicaciones. Pero esto, imaginaros lo que veíamos antes con esta chica, si publicamos las los las ofertas salariales, con un rango salarial, qué pasa? Si la gente que tengo dentro de la empresa está fuera de ese rango y, por ejemplo, qué pasa si oye, no están dentro, pero bien, la competencia y dice que tú pagas, 30.000 a esta gente, yo estoy pagando 50 respecto. Yo tengo donde cazar. Entonces, ahí es donde es muy importante tener esos datos salariales y conocer bien el mercado y cómo se está moviendo, y para eso, pues es necesario tener primero adquirir encuestas salariales, no que te permitan hacer esa comparativa Pues actualizada, fiable y comparable, pero ya no solamente esto, en la parte de atracción de talento, que también sin oferta salarial no está alineada con el mercado, va a tardar muchísimo más en conseguir ese talento y curiosa oposición. Si ya nos vamos a la parte, retención de utilización, antes dijimos que el salarios es el principal factor por, por lo que las personas se cambian de puestos. No fijaros que el coste medio de rotación ya sea por diferentes estudios. Se ha estimado entre 6 9 meses el sueldo de un de un empleado. Imaginaros, el impacto, no solo le comenté que se vaya una persona ante organización, pues podía haberlo trabajado antes, no con encuestas salariales, entender bien dónde estaba esa persona, si realmente era evitable. Honor evitable no y, por último, los costes salariales. Un estudio muy interesante que hemos hecho con nuestra base de datos es que si comparamos han misma oposición mismo puesto, personas que estaban hace más de 18 meses y personas que están haciendo los 18 meses de media estamos pagando un 16 por 100 más en las nuevas contrataciones. También eso viene derivado de que no estamos entendiendo muy bien el pulso de mercado y estamos también contratando un poco más caro de lo que quizás deberían ser una, creando la inequidad interna, que eso es lo peor. No son bienvenidos a aquellos que están cobrando más, pero también está creando un problema interno de inequidad. Entonces es muy interesante y muy importante también trabajar con con datos salariales que estén ajustados, y en este sentido una de las aplicaciones directas, y creo que lleva a muchos de vosotros seguramente lo tenéis ya son rasgos de equidad y de competitividad. Vale, a veces nos olvidamos de mirar fuera y no estamos nosotros en España, afortunadamente ya llevamos una, un recorrido bastante largo con lo que es la equidad. No, idea era analizar internamente los salarios. La transparencia salarial no ha venido tan de repente como, por ejemplo en Alemania, no, que para ellos ha sido un cambio brutal. Nosotros ya teníamos medio camino recorrido, pero a veces se nos solicita también mirar fuera y este análisis de equidad y competitividad para hacerlo necesitas datos internos de sus empleados, evidentemente, pero también datos externos de cómo están pagando fuera de aquí en estos casos lo que podemos ver al final es una forma muy rápida de aplicar data Analytics en recursos humanos, de ver cómo estoy pagando yo contra el mercado, como están mis puestos en el mismo nivel y mismo, puesto que internamente valen las diferentes, por ejemplo, unidades de negocio, y aquí otro de los temas. Otras aplicaciones que quería traer es el dato de que se ha aplicado a la brecha salarial. Mal. Esto es, digamos que es la puerta de entrada al bloque que vendrá ahora después no, que es la parte de inteligencia artificial. Aquí lo que empezamos a hacer es. Vale? Ya no me quedo en que está pasando aquí atrás. Lo que estábamos viendo es que está pasando una organización como estamos pagando. Estamos alineados con el mercado. Estamos fuera internamente. Tenemos problemas de equidad, pero cuando nos vamos a a este, por ejemplo, lo que estamos intentando entender es cuál es el origen vale, que es lo que es lo que hay por detrás del de la brecha salarial, cuáles son las causas y ahí entonces ya empezamos a hablar un poco de una analítica mucho más Pues ya no es simplemente descriptiva, sino que ya estamos entendiendo las causas. No los da paso a esa analítica predictiva que vendrá después, pero, como les decía, esto es un camino no lo veremos al final también con esa reflexión sobre los diferentes ponerla siguientes pasos, no para actualmente desarrollar esta estrategia de aquí pues un ejemplo es la parte de la multifactorial vale para detectar en qué dimensiones, salariales estamos viendo que hay que se explica mejor. Por ejemplo, la brecha valen las en los salarios internos vale? Creo que vamos, vamos bastante ya que entonces aquí lo que queríamos hablar un poco también lo quería traer algún algún caso de del de la aplicación de inteligencia artificial en compensación en concreto. Vale, y aquí lo que quería también reflexionar, como nosotros es bueno, como decía antes, la transparencia salarial ha sido la palabra del año pasado, diría yo, pero creo que este año se quede sin duda. Es inteligencia artificial, no a cualquier foro. Cualquier cita el que vamos siempre nos preguntan cómo hacemos que hacemos con inteligencia artificial, como nos impactan, nos va a quitar el trabajo, no está hablado con los compañeros para quitar acabar con el trabajo de todos. No va a acabar con ello, desde mi punto de vista, nueva carga de trabajo, ni mucho menos, pero va a acabar con el folio en blanco. Yo creo que eso sí que es un cambio. Va a acabar con el empezar de 0, una hoja, un discurso no empezar de 0. Bueno, pues pueden leer del discurso o puedes, pues empezar desde ahí y trabajar y añadir valor. No, creo que eso es lo que viene, lo que viene a hacer la inteligencia artificial. De hecho, en una ponencia en la que estuve también hablábamos de que lo interesante es que la inteligencia artificial viene a impactar más a los puestos que tradicionalmente se habían librado de la digitalización, por así decirlo, de la de la robotización. Vale? Creo que con la industria 4 punto 0 vino mucha automatización en las fábricas. Hubo muchos puestos de trabajo, pues al final se vieron más, menos afectados, se robotizado muchas cadenas de producción y hablen del cine artificial. Lo que viene es atacar la toma de decisiones, los puestos de trabajo que toman decisiones ojo, que ya es el mío, no Entonces ya esto, llame, impacta a la gente que, que gestionan y que gestionamos, y los consultores especialmente no nos viene impactar a nosotros. Nos da muchísimo más miedo que la robotización, que era como algo que hoy en la eficiencia desde aquí lo que lo que también quiero es un poco, pues desmitificar, no Yo creo que no viene a quitar trabajo a nadie, igual que la robotización, tampoco acabó con absolutamente. Pues, pues, con los puestos de operativos no. Ahí están. Además, algunos puestos operativos son, está mucho mejor pagados. Ahora que antes de la, de la, del boom de la industria, 4, punto 0, pero viene a cambiar y evolucionar en esos puestos y yo creo que lo que lo mejor de la inteligencia artificial es que todo lo que hemos hablado hasta ahora, que es personalización, eficiencia, capacidad predictiva, eficacia en la toma de decisiones vigente artificial, es precisamente lo que viene a ayudarnos a esto, y justamente todo esto suena el retorno. Fin del retorno de la inversión, que es el mantra este, recursos humanos y productos. Esta formación global final, esto que repercuten negocio, no Bueno, pues aquí vamos a ser mejor vamos a ser muchísimo mejores en ser capaces de ver cómo es ese impacto en el negocio, todo lo que estamos haciendo y un poco lo que quisimos hacer. Nosotros también nos estamos preguntando y decir bueno, como están las empresas al final integrando la inteligencia artificial, no que están haciendo las empresas, digamos las más punteras, sobre todo no. Entonces eso es bueno. Vamos a lanzar una encuesta a las empresas tecnológicas europeas y vamos a preguntarles a ellos como están haciendo lo digamos que entendemos que es a las que van. De avanzadilla, no las que más tienen, y aquí es donde es un poco los resultados que les queríamos traerlo y haber un poco también. Vosotros, como los, como los 6. Preguntamos esto de cuál estaba siendo la adopción de la inteligencia artificial en las diferentes áreas de recursos humanos. Vale? Les preguntamos en administración personal, selección las diferentes áreas, y lo que vimos esto es una encuesta que hicimos a 90 empresas del sector tecnológico a nivel europeo. Vale que se recogieran los datos como veis, entre el 12 de febrero y 3 de marzo ayer vale, y lo que vimos es que, evidentemente, pues en la Administración de personal, que es donde están las tareas más repetitivas y de menor valor, valor añadido, se estaba utilizando la inteligencia artificial en selección también. Luego veremos algunos casos. Formación y desarrollo. Compensación entre ayer en el cuarto lugar no poquitos con los echaron pis vale que es un poco las aplicaciones de similares a mis de personal, pero más integradas de negocio, y la gestión de talento, y aquí lo que vemos que es muy interesante es que, si nos vamos a las varitas grises, cuales están considerando utilizarla vía en este caso en los próximos 6 meses, era la pregunta y fijarlos compensación, compensaciones, beneficios sabemos que tenemos que hacer, no, pero yo creo que no sabe muy bien el que no es el poco. El gap es un poco lo que tenemos a traernos algunas ideas, algunas, algunos conceptos que se pueden hacer y una aplicación directamente que, bueno, que tenemos disponible, que podemos utilizar en compensación. Esto es un evento por, por comentar un poco algunos casos, no? Yo creo que mis compañeros se van a meter más. Aquí yo no me quiero meter mucho, pero sí que en unas pinceladas, no de que a qué decían estas empresas que estaban haciendo en cada 1 de estos de estas áreas. Eso era muy pequeñito. En la Administración de personal hablaban de, evidentemente, automatización de procesos, análisis de textos, por ejemplo, los datos que usted ha sacado, que está más que integrado en muchas empresas, todo lo que viene siendo procesamiento del lenguaje natural, que es entender no lo que seguramente algunos de vosotros habéis visto con los tuits, no ver si son positivos, negativos, hacer ese análisis, no de sentimientos en los, por ejemplo, las encuestas, satisfacción de los empleados en muchísimas áreas se puede, se puede aplicar esto en texto abierto, que es donde se recoge mucha más información y luego, evidentemente la automatización de flujos de trabajo en selección sí que está habiendo bastante; impacto también en lo que se les quiten de los de los clubes automático, en la crisis emocional, por ejemplo, en entrevistas de trabajo también en las las micros micro expresiones y por ejemplo el Machine inteligente es decir hoy es el final. Tenemos una voz de candidatos y un punto posiciones. Cómo podemos hacer que se esa ese macho, sea más, sea más eficiente? No. También en formación y desarrollo tenemos todo lo que es la segmentación de talento y detección de necesidades. Por ejemplo, aplicar ni en Flix a la formación, no el concepto de necesite recomendador de energía a un una plataforma de contenidos y también lo que es el análisis predictivo de necesidades de adquirir y esquimales, ser capaces de entender qué es lo que hace falta. Estos son algunos de los de las otras aplicaciones que nos nos comentaban varias. Luego lo que pasa es que es verdad que muchas de estas fueran complicadas, son proyectos en sí mismo y son complejas. Luego vamos a tener un poquito, algunas, algunas otras en la parte de dicha y no un poquito, lo mismo que decíamos antes. Administración de personal, pero más ligada a negocio, y por último, gestión de talento. Hay un tema que supera, interesante. No sé si cuántos de vosotros habéis oído hablar antes del del Ona de organismo y sin cuota. Análisis hasta ahora suena, no, no, muchos esto es muy interesante y también daría para para hablar aquí muchísimo. Yo no soy experto y ojalá; pero porque os quedáis un poco con él, con la foto y corrígeme si se quiere, si quiere se lo voy a aportar a votar, pero al final es olvidarse un poco de cómo son las organizaciones desde el punto de vista jerárquico, y entenderlo más desde el punto de vista de las conexiones pensados otros cuando por ejemplo una buena forma de hacerlo cuando hacemos hay 2 tipos una que es pasiva y activa la activa. Tú tienes que preguntar. La pasiva es realmente con entendiendo con quién se reúne la gente, los símiles, con quién se los mandatarios, es capaz de extraer, como son esas conexiones. Pero imaginaros que lo hacemos preguntando a la gente. No, imagínese nosotros a qué persona de vuestros equipos de nuestro entorno perderíais consejo tecnológico. Dentro de vuestra organización, a quien le pediría ir consejo desde un punto de vista más práctico del día a día, a quien le pediría es quién, que es vuestro mentor, a quien las miráis, mapeando toda esa organización, cada una de las personitas. De repente haya alguien que sale 20 veces en 20 personas distintas y, de repente 2 departamentos. Que están desconectados? Hay una persona que aparece en los 2 sitios. Entonces con esto es una forma de entender las organizaciones muy interesante, porque te olvidas un poco, no de cómo está diseñada, como hemos dicho antes, de recursos humanos, que tiene que ser esto y nos fijamos más en cómo actúan nuestros empleados y cómo realmente, pues quizás quitaron 1 de una persona que es un parche, hicieron una persona más joven, de repente desconectados áreas que estaban conectadas a un área que es el área de por ejemplo, de nuevo negocio, no está conectada con las otras áreas, y te fijas en este tipo de conexión entre es muy interesante, y para esto, por ejemplo, la inteligencia artificial, ayuda mucho a atracar, esto y a ser capaces de ver cómo, cómo funciona, y luego todo lo que son, pues predicciones sistemas de movilidad inteligente. Al final lo que lo que se ve aquí se os fijáis son aplicaciones que ya están en otras áreas de negocio. Los chats para el servicio al cliente ya están desde hace mucho tiempo, no porque lo utilizaron recursos humanos. La segmentación de clientes se hace desde hace mucho tiempo. Por qué no utilizarlo con nuestro hacerlo, con nuestro talento y nuestros esquemas. Los recomendados es, necesita cuanto hace que funcionan en Flix, porque no podemos hacer, es información si al final esto va de pensar en lo que han hecho otros y aplicarlos con los retos también que tienen, pero, pero, al final, es un poco lo que lo que lo que se puede hacer. Yo lo que vengo a traer es algunos casos sin profundizar mucho de aplicaciones de inteligencia artificial, en compensación, pero pequeñas cosas. Vale, pequeños proyectos y todos están todos, ninguno de ellos es de. Está basado en tejen de tipicidad generativa, son inteligencia artificial aplicada de que ya está aquí desde hace mucho tiempo, pero ni siquiera hemos, lo hemos aplicado muchos de nosotros. Pues, por ejemplo, podemos hablar de de optimización de la base de incrementos salariales si queremos optimizar el reparto de una bolsa y queremos, por ejemplo, en darle más, a aquellos que tienen mayor riesgo de fuga, aquellos que tienen aquellos roles que tienen más impacto en aquellos. Pues eso, donde hay un problema, pues son problemas de optimización, que ya se hacen en otras áreas. Seguramente la gente de logística no tiene más que trabajar este tipo de problemas y nosotros en recursos humanos nos estamos haciendo. Entonces es enganchar esas personas que saben hacer esto y aplicarlo en el mundo de compensación, y con esto Pues, por ejemplo, podemos hacer algo tan importante como la reducción de la dotación por salario. Los recursos son limitados y al final lo que tenemos que hacer es optimizarlo, y esto es lo que te permite es es hacerlo la reducción variable lo mismo, no la bolsa de variables limitada porque optimizamos la retribución variable, para darle, para ser mucho más equitativos, para estar mucho más años con el negocio, aquellos roles que son más críticos, aquellos roles más difíciles de cubrir. No Por qué no hacemos este tipo de modelos predictivos que nos que nos ayudan a optimizar este tipo de impactos? Otro tema que sí que es quizás un poco más complejo pero también es viene, no va a venir, es lo que se llama el esquí vais, no es pago por skins ya lo que es el pago de por los puestos concretos es algo que ya poco a poco se va quedando atrás, y lo que estamos y lo queremos es pagar por skins, porque al final eso, en habilidades que tanto pueden estar en este puesto, como el día de mañana, pueden estar en otro, no imaginaros todo lo que el proceso que están subiendo las energéticas, por ejemplo, las petroleras, pues las personas que estaban en plataformas petrolíferas de Cangas ahora pueden estar en parques eólicos marítimos, al final es un poco el mismo concepto y cómo tiene que hacer para que sobre esas críticas y como yo pago por ellas, aquí está habiendo también muchísimo trabajo en cuanto a entender que son esquelas. Críticas a la inteligencia artificial, a la parte de programación, la parte de la tasa y en todo este tipo de cosas. Son esquemas que están en diferentes puntos de organización y lo interesante sería ser capaces de pagar. En base a esas que no a los puestos concretos. Bueno, pues eso, aquí lo que podemos hacer es un un problema de Castril. Al final, esto otras áreas de organización lo hace constantemente para clientes no imaginaros. Cuando hacemos esa segmentación de clientes y al final adaptamos la publicidad en bases, pues aquí es un poco el mismo concepto. Vale? En base a un ciertas skins y a lo que sabemos de estas assessment no para entender cómo, cómo están en la organización. Lo que podemos hacer es precisamente este tipo de proyectos. La equidad múltiple variable. Por ejemplo. Vale? Aquí la transparencia salarial viene a complejizar muchísimo este tipo de análisis. La transparencia salarial ya no habla solamente de género, habla de muchísimas otras dimensiones. Ya algunos compañeros de seguir y de decir que el Excel ha muerto no sea externa, ha muerto. Yo, desde mi punto de vista le queda muchísimo a mí cuando estaba estudiando. Ya hace bastante me decían al excel llegar a esto yo todos los días con Lexnet sea. Esto no va a morir, pero se nos queda corto. Ya. Necesitamos otro tipo de herramientas. Ya necesitamos más, necesitamos otro tipo de. Pues eso, herramientas, no que nos permitan hacer análisis muchísimo más complejos, Multi variables, no al final. Cuando tenemos múltiples variables y queremos analizar muchísimas dimensiones, se convierte en un programa matricial y ya no hay hoja de Excel que lo aguante, y aquí lo que podemos hacer, por ejemplo, con inteligencia artificial es ser capaces de detectarse esos que no estamos yendo a simple vista. Lo que hablábamos antes de desmotivar y hable del multifactorial, que es un poquito la la, pues el hijo pequeño de esto no ser capaces de detectar, vale? Pero cuál es realmente la dimensión que está provocando esta brecha aquí? Hacerlo a otro, a otro nivel y bueno; esto es un poquito lo que lo que podemos, lo que podemos hacer, y por último el suyo es; quería hablar de benchmarking inteligente, y aquí en concreto también nosotros quería enseñar esto en directo. Vale, porque es alguna una herramienta que tenemos que tenemos disponible. Entonces, lo que hacemos aquí fijarnos en el tema que muchos de vosotros me dijisteis que utilizáis Martín salarial, pero seguramente los que utilicéis directamente os habéis visto que en cuanto empecemos a filtrar Qué designada es que deseen? Dato normal, al final, cuando vamos a buscar No, pero es que yo quiero un ingeniero, no, pero realidad solo quiero un ingeniero eólico, no, pero es que además quiero que esté Murcia, porque hasta entonces lo que lo que venimos a hacer aquí es también un poquito el enfoque. Tenemos una base de datos. En nuestro caso tenemos una base de datos con más de 30.000.000 de empleados en todo el mundo, más de 100 países de más de 4.000 puestos que hicimos, porque no entendemos un algoritmo que empiece a entender cómo son las dinámicas de los diferentes países y las diferentes regiones dentro de los países y así ser capaces de hacer una predicción, ser capaces de para cualquier puesto de nuestro catálogo. Decir Oye, pues esta es la compensación, fija hasta la compensación total en una serie de percentiles y así ser capaces de garantizar que siempre tenemos que no nos quedamos sin el dato, que es el problema, siempre que tenemos con las, con los datos salariales. Entonces, lo que lo que voy a entrar a hacer, si la tecnología me lo permiten, porque al final la inteligencia artificial, luego problemas es la conexión de no sé qué pero pueden dar, enseñaron a la demodé, la herramienta vale de cómo funciona en concreto y qué podemos hacer con con inteligencia artificial, según Lillo. Me dais 2 minutos, que lo pongo todo en marcha y porque no sé si alguien tiene alguna pregunta. Mientras tanto, algo pues es el momento, si queréis. Que está preocupado por los datos generales de su organización? Ya puede ver aquí que no es fácil entrar. Vale, pues esta es nuestra plataforma naval y yo, como les decía antes, yo trabajo en Aragón y nosotros tenemos una base de datos retributiva propia, vale, con más de 30.000.000 de empleados, en más de 100 países que cubren más de 9.000 empresas de 4.000 puestos en 4.000 puestos vale, y aquí lo que les quería enseñar es un par de aplicaciones que tenemos. Vale, que se llama lo que se haga, por un lado, y talento inteligentes, por otro, como les decía antes, ambas están reforzadas con inteligencia artificial, vale, y, por ejemplo, es un caso práctico, muy sencillo, como decíamos antes, sin tener que irnos a grandes proyectos. De cómo utilizar la inteligencia artificial en en compensación por este caso, por ejemplo, imaginar que eso es una empresa multinacional, lo que trabajáis en remoto es, por ejemplo, puestos tecnológicos en el extranjero, que podéis hacer aquí? Pues con esta herramienta lo que puede hacer es decir Bueno, yo que conozco muy bien a mis ingenieros de software, por ejemplo, vale. En general, de software vale y quiero buscarlo en diferentes localizaciones en el mundo vale pues por ejemplo en Europa incluso en Europa pues podríamos entrar a sus regiones, o incluso sus regiones, dentro de Londres, querríamos buscarlo en Norteamérica, diferentes lugares. Quiero gente, pues con 2, 2, 3 años de experiencia vale, y quiero, pues en una industria concreta. Vale? Yo poner aquí 1 a 1, vale? Tengo aquí un cargador, es un par de un par de ejemplos. Por ejemplo, para proyectar vale. Imagínate que yo estoy contratando un problema ya sé que soy una empresa con esta pues en Latinoamérica vale, en Colombia, México, pero en Estados Unidos también estoy en Uruguay, pero también estoy en Corea, estén Irlanda. Este infancia vale, estoy buscando proveer mayores con 2, 3 años de experiencia que nos permite esta herramienta. Directamente comparar? Vale esos puestos en las diferentes con referencia en España? Cómo se pagarían las diferentes organizaciones, como estoy viendo aquí? Por ejemplo, Uruguay nos dice No tenemos datos, suele pasar, hay localizaciones, con mucha menos cultura retributiva, y donde tenemos muchísimo más complejidad para obtener el dato, y aquí es donde entra la inteligencia artificial. Aquí es donde hace el trabajo que haría, digamos, un consultor con su, buscando diferentes fuentes, diría Bueno, no tengo los proyectos de ellos, pero tengo otros puestos similares. Si podía, entendiendo cómo se pagan los ingenieros de software en diferentes sitios, puedo aplicar esa más o menos estará ingeniero de software y voy aplicando y aplicando mi lógica, mi experiencia no para al final dar una referencia retributiva. Bueno, pues esto te lo hace la inteligencia artificial y demás que te explica cómo lo está haciendo mal. Si os fijáis aquí ya no está diciendo que lo cual es un 10 por 100 menos que España, por ejemplo. Pero es que por detrás lo que te está diciendo es que está haciendo, si es fija, es que en este caso esto es Irlanda, dice de un 1.000.000 de puestos de infraestructura en Europa, y es que además tengo 200.000 de corpore en Irlanda, y es que tengo el nivel 2, que es lo que estamos hablando. De los 3 años de experiencia, un profesional de los 3 años de experiencia tengo más de 100.000 va haciendo una serie de consultas y al final es capaz de decir esta diferencia, pero, por ejemplo es incluso pues para software libre vale, para los menores de software y digo yo como ahora mismo el trabajo remoto es algo que está más que pues aceptado. No digo voy a mirar las diferentes cajas en Berlín. Voy a mirar Barcelona, Málaga, también San Pablo, México. Voy a mirar en Manila. Voy a mirar en se enseña, en China, que es el tecnológico de China, vamos a mirar. En su yate, también en Bangalore, en la India, vale a organizar todas las ciudades que se nos ocurran desde el punto de vista. Abstener, lógicos, puede buscar estos ingenieros de software y vamos a buscar, pues ese, eso es esa persona con 2 trenes de experiencia y aquí te dice toda la información no vemos que en San Francisco no igual, igual tenemos que pensárnoslo, se paga el doble que en España, básicamente el triple, y por ejemplo vemos pues en Málaga un 16 por 100 menos que la media española o en Manila; un 70 por 100 menos. Acordamos que nunca se puede pagar menos del 100 por 100. Entonces al final esto por arriba podemos llegar al 200, pero por abajo y aquí entonces, pues eso es muy interesante para ver cómo son esos diferenciales, no hay quizás es decir, bueno, pues, donde puedo buscar talentos y si escasea en mí en mi zona de influencia, por así decirlo. Esto es el arma pequeña, digamos de la de las soluciones que tenemos nosotros, excepcional, que te dicen cómo funcionan los diferenciales en las diferentes localizaciones. Pero si nos vamos, por ejemplo, a esta otra funcionaria que vemos aquí llama talento inteligentes. Esto te permite hacer exactamente lo mismo en todos los países del mundo para todas las exposiciones. Pero es que además te predice el salario. Ya nos está diciendo la diferencia. El diferencial con respecto a España, porque para eso necesita saber cuánto cobra 1 en España. Aquí lo que te a decir directamente es cuánto está cobrando una persona en Francia, por ejemplo? . 860 00:36:11,520 --> 00:36:12,480 Vale, dice, pues, un ingeniero de software en Francia en salario fijo en la media de mercado con 2 o 3 años de experiencia están 51.000 euros y no solamente te dice esto se utilice toda la carrera, digamos, de ingeniero de software, de un gestor de software, por ejemplo, y te dice, te permite elegir tanto compensación, fija como total y te permite, por ejemplo, elegir. Pues hoy ello no es que no pagó medida de mercado, pago por debajo, pagado por encima también me lo permite hacer aquí y además te dice cómo de buenas a predicción se dice que hay por detrás de esta prohibición en concreto en Francia para que tú puedas saber hoy esta predicción. Se está haciendo la piscina, sabemos cómo es la ya generativa, no que nos hace lo que nos dé la gana. Bueno, pues hay que saber si si estamos, si podemos tirarnos o no, y ya no solamente eso, sino que te permite ver localizaciones similares, como están pagando en condiciones similares a Francia. Por ejemplo. Aquí sabemos que se paga por debajo y en roles similares también, y te permite crear aplicar algunos filtros. Vale, por ejemplo, cómo están pagando en compañías muy grandes, por ejemplo. Esto es bueno. Esto quería enseñarles este este ejemplo porque al final es una forma muy sencilla, conceptualmente es muy sencilla esa entrada, un organismo con una base de datos si te permite hacer este tipo de predicciones. Al final no necesitamos eso, los grandes proyectos, no para para aplicar la inteligencia artificial en temas como compensación, pero lo que sí que me gustaría, antes de cerrar este capítulo quiero que me quedan 5 minutos todavía es darnos cuenta de que la inteligencia artificial también necesita supervisión humana. Yo no sé si lo sabéis fijado que no sabe nada federativo para las, imagínese si las imágenes le dije, como como, como nuestra compañera al aire, que nos generará generarme las imágenes que suena a ti, a estos casos de uso. Bueno, pues se os fijáis el señor tiene los brazos, aquí el hombre, es el que más cobra, es otro, señor. No sé qué se parece a nosotros a cada 1 hace lo que da la gana. Entonces, al final eso es un poco. La guía no daría sin todavía, no es bastante, no es exacta, que está también sesgada, no tiene discriminar a crear discriminaciones. Fijaros por defecto ya le puse a ser yo el que más cobraban decisiones que tomar decisiones éticas. No podemos dejar a nadie, ya que tomen las decisiones y tenemos siempre que tener que cumplir con los estándares legales. Entonces un poco la reflexión no es todavía yo, por eso voy a decir, no viene a quitarnos delante viene a hacernos el trabajo más fácil, ya enfocarnos en aportamos más valor no en la primera parte del trabajo, sino al final, porque todos hemos visto que ese señor tiene la calidad del dato súper importante. Al final, si el dato no es bueno, la proyección será mala. Si esa base de datos con la que hemos entrado nosotros es mala, la predicción va a ser mala y que esto requiere inversión tecnológica vale también por detrás, pero creo que lo más importante es lo último. Es los perfiles puente decir perfiles que entiendan la parte tecnológica, que entiendan el dato, pero que también entiendan de qué va esto de recursos humanos. Esto va de personas, que esto va de tomar decisiones, de que impactan en la vida, de la gente y de cómo no podemos. Pues eso, ser capaces de tomar decisiones basadas en datos que impactan en esas personas, y eso es lo que nos está costando más últimamente, y en particular, pues nos cuesta mucho en contra de estos perfiles, no les haga los que estéis. Si es que hay alguno por aquí todavía, en periodo formativo, pues pues animaros a que esa es una de las grandes salidas de nuestros fines, de tipo Analytics, cada vez van a estar más demandados. Yo cuando empecé en este mundo, hace 10 años, era pregonada en el desierto, no es a esto, no había nada de nada, y ahora ya sí que es. Ha habido un mundo, y en España se que estamos ahí entonces, antes de cortar, sí que me gustaría comentar un poquito lo que, pues pues compartimos, esto es una hoja de ruta, no? De qué significa esto? De la inteligencia artificial? Sabemos que no todos estamos ahí somos súper tecnológicos e innovadores, pero pero quizás viene bien saber que nos hace falta, no para seguir avanzando, y esto es un poco el gráfico que nosotros, que nosotros diseñamos no desde desde la parte más básica no de responder a requerimientos que hay entiendo que está todo el mundo no si no habría una función desde el que tiene una persona de recursos humanos estás trabajando ahí pero luego sí que hay una, una evolución, no lo que llamamos el dato del término desde un punto de vista mucho más descriptivo, no alegando que está pasando hacia 1 más proactivo. No entiendo lo que está pasando. Lo que hablábamos antes, no de la parte de multifactorial ahora más predictiva, no como estamos viendo por ejemplo con la parte de los salarios de ser capaces de ellas, dar predicciones de yo me fío, y tengo buenas datos, y además soy capaz de predecir y cubrir esa parte que no tenía clara a la parte líder de hoy. Es realmente tengo aplicaciones de inteligencia artificial, que estoy integrando en mi día a día, por entrar un poquito en cada 1. Vale? Sin sin extenderme ya demasiado con esto, con esto y vamos a cortar es bueno. Empezamos en lo que viene, siendo la parte reactiva, que digamos que es cumplimiento. Con la ley vale? Todo esto? No está enfocando la parte de compensación, vale. Si lo hiciéramos para otros recursos humanos sería otro otro cantar. Es ir un poco más complejo, no, pero desde el punto de vista de compensación, los profesores de compensación, si estamos en la fase activa, que estamos haciendo Pues, analizando brechas, estamos reportando, costes de personal. Estamos haciendo comparativas de roles o colectivos similares. Estamos haciendo análisis demográficos, van a entender cómo nuestra población para esto necesitamos? Pues datos básicos de los empleados puestos salario género ubicación pues tenemos necesitamos una estructura organizativa no como estábamos comentando antes con el exceso, nos basta, vuelvo a decir y necesitamos un conocimiento básico de estadística. Descriptiva, no media medianas, 4 cosas que nos falta, pues seguramente en este momento no estemos trabajando con encuestas salariales, no estemos, no tengamos una relación de puestos completa, no tengamos muchísimo dato histórico y nos falte la cultura del dato, no de toma de decisiones basadas en datos. Cuál sería la siguiente? El siguiente salto? Pues la parte proactiva, donde seguramente estén el la gran mayoría de las organizaciones, ya estoy enseñando banda salariales. Ya entiendo esos análisis de competitividad externa e interna. Si soy capaz de hacer simulaciones de coste, no? Qué pasa si aumentos de un 3 por 100 no a los colectivos equis? Pues esto es lo que me viene a la factura en el año que viene. Qué pasa si damos el 100 por 100 de los objetivos? Esto es lo que viene y hacer rasgos? No, seguramente tendremos la voluntad es bueno, al menos de costes para los territorios, para hablarnos maná ayer, pero seguramente lo que lo que necesitamos para seguir avanzando es una valoración de puestos mucho más fina, en puntos y factores, que es lo que nos viene a exigir también la normativa de transparencia salarial, banda salariales definidas y claras, datos salariales de mercado, no como estábamos hablando antes y aquí ya necesitamos la el pago orbi, hay y la gobernanza de ese de todos, esos datos que estamos trabajando. El salto, la fase 3 quizás es un poco más un salto un poco más cuántico? Vale? Ya tenemos que tener modelos estadísticos aplicados, por ejemplo, la regresión lineal que hablábamos antes. Datos enriquecidos, por ejemplo, ser capaces de compensación de. También tiene datos, de reformas, de movilidad, de talento y capacidades analíticas, un poquito más avanzadas que simplemente trabajar con datos, en este caso predictivo, pues lo que hablábamos antes, no; por ejemplo ser capaces de hacer análisis multifactoriales, de brecha de género, que es lo que también necesitaremos para la parte de transparencia. Por ejemplo, ser capaces de predecir la fuga de talento, no antes de que se nos vaya a ser capaces de saber quién se nos va a ir antes de que nos vaya su muy interesante para poder también gestionarlo antes modelos de simulación de costes y todo lo que es la segmentación y personalización de la compensación Qué necesitamos para estar aquí para este fase predictiva Pues, por ejemplo, en lo que es el machine learning vale, que lo habréis. Lo habréis oído al final lo que es el ejemplo que les hemos planteado desde el punto de vista y compensación es machine learning. Es, una máquina que enseñe unos datos, es capaz de hacerte una inspecciones, datos integrados vale. Lo que decíamos antes, la compensación desempeño veces más salarial, ser capaces de integrar todo esto. Y qué? Bueno, pues que el equipo ya igual tenemos que hablar de la tasa de riesgo, adaptar al análisis en el equipo de compensación y sobre todo espónsores responsable ejecutivo. Los ejecutivos que son las personas que al final van a escuchar este tipo de mensajes tendrán que estar de acuerdo con que no entenderlo y ser los primeros que lo que lo avalen Qué nos? Faltaría! Para llegar al siguiente paso, pues toda esa automatización en la toma de decisiones datos en tiempo real, por ejemplo, todo lo que es la integración de los sistemas, no cuanto más grande la organización más compleja, más complejo todo este esté este modelo y una vez aquí Pues que podríamos hacer los casos que hemos instantes pagar por skins, optimizar los incrementos salariales, reforzar el tema salarial con inteligencia artificial y que necesitamos pues esos modelos predictivos, plataformas inteligentes no ser capaces desde el Gobierno ético de ese dato y una cultura también de confianza en las personas y en la tecnología, y una vez aquí de momento el objetivo es seguir formando estar al día de del mercado lo más importante, la amortización, el monitoreo de la calidad del dato, utilizar múltiples fuentes de información y ser capaces de escalarlo, porque de nada nos sirve tener un piloto que luego no podemos llevarnos al resto de organización y bueno, con esto un poquito. No sé si me quedan 2 minutillos. Voy a preguntar. No sé de dónde los veis vosotros otra vez por sondearlo. Es un poco en este mapa, por así decirlo, cuantos diríais que estáis en la parte más reactiva, no de hoy, yo cumplo con las que nos poco. Sobre todo depende qué equipos sean, con una parte regulatoria más, ese tipo de análisis un poquito más, menos profundos. Cuántos días que estáis en la parte más activa de compensación en concreto, que entiendo que otras áreas puede estar más avanzado. Tiene sentido y la parte proactiva, por ejemplo, que ya estamos haciendo ya estamos intentando entender qué está pasando. Ahí dentro multifactorial. Vamos a entender la parte brecha bien, algunos estáis haciendo algún tipo de análisis multifactorial; por ejemplo, en la brecha de género. Entendiéndolo, vale, no es bueno la parte y la parte más predictiva. Quizás que estamos metiendo alguna aplicación de guía de las que hemos visto. No sé si las que hemos visto alguna otra ahí ya que estamos trabajando con modelos de machine learning aquella menos la parte líder. Supongo que si alguien que esté en la parte ya que se considere que está ya no puedo avanzar más, pero supongo que no. Pues eso es un poco bueno a las reflexiones, no? Yo creo que nos queda camino por delante. Espero que esto se haya servido un poco para para desmitificar todo lo que es la inteligencia artificial, no desde el punto de vista de que claro que podemos ir a casos muy complejos, pero pero al final podemos hacer pequeñas cosas y pequeños éxitos. Vale, con con simplemente, con machine learning, con aplicaciones muchísimo más sencillas, y fijarnos mucho en lo que están haciendo otros en las organizaciones, lo que está haciendo la gente de clientes, lo que está en la agenda de marketing, lo que está haciendo la gente de Finanzas. Muchas de esas cosas se pueden replicar Solo hay que traer la persona clave y tener los datos disponibles para hacerlo y bueno, pues aquí estamos para ayudar también, en lo que en lo que podamos, en el sentido. En este sentido, en compensación que muchas gracias.