🎙 Episodio 40. ¿Te espían mientras trabajas?

En el episodio de hoy de Un podcast ninja sobre Big Data hablamos de un caso de uso real de analítica de datos en Microsoft. De hecho le han puetso un nombre: Workplace analytics.

El mejor diseño de oficina para potenciar la colaboración

Todo comenzaba en 2015 cuando en Microsoft se vieron en la tesitura de tener que mover 1200 empleados de 5 edificios y reubicarlos en sólo 4. 

Aprovechando esta reorganización pusieron a su equipo de Workplace Analytics a analizar los datos para comprobar si sus hipótesis sobre la colaboración entre empleados dependía de la distancia a la que estaban sentados o de la disposición de las oficinas.

Esta hipótesis partía de un trabajo de investigación anterior de 2008 que indicaba que es más probable que alguien colabore con un compañero que se sienta cerca en la oficina que con uno que se sienta lejos.

Además también llegaron a la conclusión de que los empleados que trabajan en pisos diferentes tienen las mismas probabilidades de colaborar que los que están en edificios diferentes o incluso en ciudades distintas.

Entonces, partiendo de estas hipótesis del estudio de 2008, recopilaron datos que se generan al programar reuniones con el calendario de Microsoft de cada empleado.

Y descubrieron que la gente, al estar más concentrada en el espacio, pues tardaba menos en llegar a la sala dónde estaba programada la reunión de turno.

Reportaron un ahorro de tiempo de desplazamiento desde su sitio a la sala de reuniones de un 46%, lo que viene siendo que en vez de tardar un minuto y medio pues tardaban un minuto en llegar.

Así visto no parece mucho.

Peeero todos estos minutos, de todas las reuniones que debe de tener cada empleado de Microsoft a la semana, siendo 1200 empleados pues eran como unas 100 horas de trabajo semanales, que a su vez suponían unos $520000 al año. 

Suponiendo que ese tiempo de ahorro en desplazamientos a reuniones se invertía en trabajo productivo, claro.

Además, también observaron que al estar más junticos en las oficinas, cada empleado interactuaba con más compañeros que antes de la reubicación.

Estos datos fueron obtenidos del calendario de reuniones y del correo.

A partir de esos datos era posible saber el número de compañeros con los que interactuaba cada empleado en el tiempo, ya fuera en reuniones o a través del mail.

Las oficinas abiertas

Son este tipo de análisis los que potenciaron tantísimo las oficinas con espacios abiertos alrededor de 2010.

El campus de Google era así, las oficinas de Facebook también eran así y los resultados indicaban que la colaboración entre gente que se cruzaba por el pasillo de casualidad o que simplemente aportaba algo de manera espontánea en una conversación de dos compañeros simplemente porque estaban al lado aumentaba.

Aunque también hay estudios que indican que el ruido continuo generado en este tipo de oficinas drena la capacidad de concentración de los trabajadores.

El impacto del teletrabajo en el rendimiento de los trabajadores

Anñoas más tarde, el equipo de analistas de datos en Microsoft dedicados a Workplace Analytics, hizo otro estudio sobre los efectos del trabajo remoto durante los meses de la pandemia.

Tomaron el confinamiento como una oportunidad para aprender sobre las posibilidades del trabajo remoto y comezaron este experimento como empieza cualquier problema de análisis de datos.

Con preguntas.

Porque una parte muy importante del trabajo de analista de datos es ser capaz de realizar las preguntas adecuadas.

• ¿Cómo iban a separar los trabajadores el trabajo de la vida personal cuando todo se desarrolla en el mismo espacio?
• ¿Serían capaces de mantener las conexiones con sus compañeros sin verse cara a cara?
• ¿Cambiaría la manera de colaborar?
• ¿Y qué pasaría con el trabajo de los jefes?

Y lo siguiente después de plantear estas preguntas es recolectar y procesar datos.

En 2015 ya eran capaces de recolectar datos del calendario de Microsoft y sacar conclusiones del análisis de esos datos pero en 2020 eso no suponía más que el principio.

Recolección de datos por Microsoft: Workplace Analytics

Microsoft 365 permite agregar datos del correo electrónico, calendario y mensajes instantáneos de chat para saber cómo los trabajadores emplean el tiempo, la manera en la que se comunican y, en definitiva, cómo funcionan y se interrelacionan los distintos equipos y cómo funcionan las comunicaciones con socios externos y clientes.

De hecho, ofrece este servicio a empresas que funcionen en el entorno de Microsoft 365 por unos $6/ empleado al mes.

Así que a la pregunta que titulaba este episodio...

Sí, sí existe la posibilidad de que nos espíen mientras trabajamos

Pero que no cunda el pánico todavía ya que Workplace Analytics proporciona controles de privacidad.

En principio sólo es posible analizar poblaciones y datos agregados, siempre siguiendo los estándares de desidentificación. 

Es decir que Workplace Analytics sólo analiza los metadatos de las herramientas de Microsoft.

Las horas a las que nos reunimos y duración de las reuniones, cuál es la calidad de estas reuniones, acciones que realizamos durante las reuniones, por ejemplo si estamos respondiendo correos o chateando por teams durante estas reuniones, cuándo envíamos mensajes de chat, departamento al que pertenecemos y los datos personales se codifican para que no sea posible hacer identificaciones individuales y estos datos únicamente sirvan como dato agregado, por ejemplo, para saber el número de personas con las que se relaciona cada trabajador en media en su día a día sería el dato agregado pero no se podría saber los trabajadores concretos con los que interactuo yo.

Pero vamos que no es posible identificar al trabajador individual sino que esta captura de datos de Microsoft trata los datos en conjunto, de manera agregada.

La plataforma no da información cuando el grupo de usuarios por el que estamos preguntando es menor a 5 usuarios.

Así que ahora que nos hemos quedado un poco más tranquilos os cuento que descubrió Microsoft de un grupo de 350 personas entre sus propios empleados utilizando analítica de datos durante el confinamiento.

Esta sería la parte de análisis dentro del flujo de trabajo de un analista de datos. La parte de encontrar los patrones en los datos y llegar a conclusiones.

Conclusiones sobre el trabajo en remoto

Algunas de estas conclusiones fueron que la jornada laboral con teletrabajo tiende a estirarse.

La gente suele ocupar algún rato para acomodar alguna tarea personal como sacar al perro o tender una lavadora y entonces luego recupera ese tiempo antes o después de la jornada laboral “oficial”.

Este es uno de los signos que demuestra cómo se difumina la frontera entre vida profesional y personal cuando todo sucede bajo el mismo techo.

Por ejemplo, vieron como la reducción de mensajes de chat que se producía antes del confinamiento, que era de un 25%, ya que la gente comía con sus compañeros, no se producía de manera tan acusada. Era solo de un 10%.

También observaron que había aparecido de manera orgánica un turno de noche ya que vieron que los mensajes de chat entre las 6 de la tarde y medianoche habían aumentado un 52%.

Y lo mismo con los fines de semana.

Aquí, empleados que siempre habían respetado la desconexión del trabajo durante el fin de semana antes de trabajar en remoto, triplicaron el tiempo que dedicaban al trabajo durante el fin de semana tras el confinamiento.

Otra de las conclusiones de este análisis de datos es que el número de reuniones se incrementó un 10% ya que la gente no podía cruzarse con sus compañeros por el pasillo o en la máquina de café y entonces estos encuentros más informales también empezaron a agendarse.

Eso sí, las reuniones eran más cortas. Un 22% más de reuniones de media hora o menos y 11% menos de reuniones de más de una hora.

Y que las reuniones fueran más cortas tuvo un impacto positivo en el bienestar de la plantilla que se tradujo en los resultados de las encuestas de clima laboral.

Estas conclusiones y algunas otras, a las que llegaron los analistas de datos encargados de esta misión en Microsoft fueron después compartidas al equipo dentro de Microsoft encargado de tomar decisiones.

Las conclusiones vienen acompañadas de visualizaciones y de un contexto que haga posible comprender mejor los resultados.

Y ya por último, está la fase de actuar. 

Porque analizar datos para responder preguntas y luego no hacer nada con las respuestas pues tampoco es de muchísima utilidad.

Entonces, desde el departamento de recursos humanos de Microsoft y a partir de estos análisis trabajan para diseñar los cambios que implementar en la cultura de empresa.

• Aumentar las reuniones de pocos asistentes para combatir el aislamiento.
• Intentar reconducir los mensajes de chat que la gente envía a última hora de la noche para evitar que la gente se queme.
• Instaurar un día a la semana sin reuniones para que la gente pueda trabajar sin distracciones.

Al final estos análisis documentan con datos lo que hasta ahora eran sensaciones subjetivas, como que un departamento colabora poco o que un equipo concreto trabaja fuera de horas

Etapas del flujo de trabajo de un analista de datos

Así que resumiendo…

En el episodio de hoy he utilizado este caso de uso de Microsoft y su Workplace analytics para contaros un poco las etapas del flujo de datos de un analista de datos.

Empezando por la fase de plantear las preguntas que se quieren responder.

Después, la fase de preparar los datos.

En esta fase el analista mira de qué datos dispone y cómo son generados estos datos.

En el caso de Microsoft hemos vitso que estos datos se generan de manera automática a partir de las interacciones de los trabajadores con las herramientas de Microsoft 365 pero que son datos anonimizados y que se utilizan de manera agregada.

La tercera etapa es la de procesar los datos.

En esta fase se crean nuevos datos añadiendo diversas fuentes de datos, por ejemplo. En el caso de Workplace analytics podríamos utilizar los resultados de las encuestas de clima laboral.

Seguidamente está la etapa de analizar los datos.

Aquí ya se identifican patrones y se extraen conclusiones sobre los datos observados.

Finalmente tenemos la fase de compartir las conclusiones. Ya sea mediante gráficos, visualizaciones, informes o presentaciones para que otras personas sean capaces de entender los resultados.

Y la fase de actuar, en la que se plantean soluciones y estrategias sobre lo que se ha descubierto.

Espero que os guste el episodio.

Si es así, no olvidéis dejar un «Me gusta» y algún comentario al episodio en Ivoox o una valoración de 5 estrellas del podcast en Apple podcasts, en Spotify, en Google podcasts o donde quiera que escuchéis el podcast. 

Recordad que si tenéis cualquier duda o pregunta podéis contactar conmigo a través del formulario de contacto o podemos seguir la conversación en Twitter.

Muchas gracias por estar ahí y os espero en el próximo episodio de Un Podcast Ninja sobre Big Data.