Big data

Las muchas funciones del big data en RRHH

Los recursos humanos no han sido tradicionalmente conocidos por usar big data... o bien por tener conjuntos de datos suficientemente grandes para emplearlos en el análisis. Pero eso ha ido mudando a medida que más organizaciones reconocen la presencia y el potencial de el big data en múltiples áreas de RRHH.

Erik van Vulpen escribe para la Academia para Crear los Recursos Humanos que aunque los datos de RRHH pueden carecer de volumen y ser en gran parte estáticos, tienen suficiente pluralidad y valor para generar valiosos conocimientos sobre la fuerza de trabajo mediante la inteligencia de negocios y el análisis de RRHH.

Aquí hay una mirada a varias áreas donde el big data de recursos humanos tienen potencial.




Creando nuevas posiciones

RRHH asimismo podría introducir nuevas posiciones enfocadas a los datos, como el detective de datos, Richard Binder escribe en Benefits Pro. Creyendo que los equipos de RRHH inevitablemente aceptarán más funciones basadas en datos ... los estudiosos (del Centro de Conocimiento para el Futuro del Trabajo y el Sitio de Trabajo Futuro) se imaginan a un detective de datos de RRHH que sintetizaría flujos de datos como portales de beneficios y encuestas a empleados con el propósito de resolver inconvenientes empresariales, escribe Binder. El Detective podría ir desde una inmersión en big data a explicar los conocimientos de la gran imagen a los menos versados en datos, ayudando en última instancia a progresar el desempeño de los empleados.


El Big data puede combatir para proporcionar análisis en tiempo real

Trabajo en un estudio de mercado de los integradores de sistemas (SI) que implementan sistemas de administración de guardes (WMS). Tenía la impresión de que los distribuidores de software escriben el software, y o los SI o/y la compañía de software incorporan el software. No es tan sencillo. A veces los integradores de sistemas escriben software que complementa las soluciones WMS que implementan. Estas SI han aprendido las debilidades de varios sistemas y han escrito aplicaciones complementarias para cerrar las brechas.

Un ejemplo viene de un integrador de sistemas llamado Longbow Advantage. Ellos crearon un producto llamado Rebus desarrollado para progresar el reporte en tiempo real de las soluciones WMS.

Charlé con un director de la cadena de suministro de una compañía de fabricación que había incorporado Rebus. Este directivo me dijo que habían reemplazado una solución WMS de una compañía ERP con una de las mejores soluciones de la raza. El director me dijo: Logramos toda la funcionalidad que aguardábamos. Había toneladas de funcionalidad - cosas como el intercalado de labores y el soporte para el crossdocking. Pero teníamos una brecha en la visibilidad del trabajo que se estaba haciendo. El informe en tiempo real del trabajo era más débil de lo aguardado.

Las soluciones WMS son sistemas de Big Data con bases de datos de producción. La base de datos de producción se hace cargo de dar labores a los trabajadores del almacén y de seguir la realización de esas labores. Toda la lógica de optimización asimismo interactúa con la base de datos de producción. Los trabajadores del almacén utilizan pistolas de radiofrecuencia para asegurarse de que están recogiendo de las ranuras correctas, para indicar al sistema que han completado una tarea y para obtener sus próximas asignaciones. Al acceder a la base de datos de producción, las pistolas RF se ralentizan hasta un grado inaceptable, quizá varios segundos para conseguir una tarea. Esto es una eternidad en un almacén muy frecuentado.

Así que en vez de obtener análisis detallados, y proteger la base de datos de producción de WMS, se golpea un fichero, lo que quiere decir que los análisis son, en el mejor caso, de varias horas de antigüedad. Conforme Alex Wakefield, el CEO de Longbow Advantage, las soluciones basadas en la nube no mejoran las cosas. Las compañías de software siempre y en todo momento pueden poner más potencia de computación en un inconveniente, mas más servidores no van a ayudar a los clientes del servicio a acceder a sus datos de manera más eficaz. Eso es un problema de estructura de la base de datos.

La solución de Rebus utiliza una base de datos de documentos - una base de datos NoSQL de Mongo. Esta tecnología permite que los grandes conjuntos de datos sean accedidos y analizados considerablemente más de manera rápida. Las transacciones creadas en el WMS asimismo fluyen en la solución Rebus. La compañía manufacturera con la que charlé afirmó que pueden obtener análisis que se basan en transacciones que están a menos de 5 minutos de lo que ocurre en el piso del almacén. En los 60 días de la contratación, estos análisis de tiempo próximo se hicieron totalmente libres. Pero incluso en los primeros treinta días recibíamos contenido, afirmó el director. Longbow Advantage entendió las estructuras de datos que hicieron que esto fuera más similar a una implementación de una solución off the shelf que a un proyecto de análisis adaptado.

Ahora este fabricante puede hacer preguntas como ¿Cuántos camiones están en el patio y listos para ser descargados? Los gerentes pueden monitorear todo el trabajo de salida que tiene que suceder a lo largo del día y ver cómo progresa el día. Por servirnos de un ejemplo, ¿se hacen los pedidos de salida que deben hacerse para un envío de 7 am? Hora por hora, se pueden monitorear las estadísticas de los objetivos de recolección y uso de AGV. Si el almacén se está quedando atrás, el gerente puede indagar en los datos y entender lo que está ocurriendo y lo que se podría hacer para volver a la normalidad. Si el almacén se está moviendo antes de lo previsto, el gerente puede pedir voluntarios que deseen volver a casa temprano. Esta operación tiene pantallas de T.V. que muestran los análisis en tiempo real, con lo que no solo los gerentes tienen acceso a lo que está sucediendo. En última instancia, según este directivo de logística, esta solución nos permite y responde a la pregunta '¿Estoy adelante o bien atrás? ¿Estoy ganando o bien perdiendo el día?

El directivo de la cadena de suministro terminó diciendo, también aprovechamos a Rebus para archivar nuestros datos WMS. Esto nos permite conseguir análisis de los datos históricos en segundos. Esto ha sido exageradamente útil para rastrear el movimiento de productos dentro y fuera de nuestra red. Similar a nuestros datos WMS en vivo, Rebus es una parada para adquirir datos archivados en todos nuestros sitios.

Certificaciones en ciencias de la información para progresar tu currículo y tu sueldo.

A finales de agosto, Glassdoor tenía más de cincuenta y tres ofertas de empleo que mencionaban el aprendizaje automático (ML) y 20.000 trabajos que incluían la ciencia de los datos con salarios que iban de 50.000 a más de 180.000 dólares estadounidenses. Cada vez más empresas están haciendo del análisis de datos y del aprendizaje automático un elemento central del desarrollo de nuevos productos y de las oportunidades de ingresos futuros.

Las grandes empresas de tecnología, como las organizaciones tecnológicas independientes, ofrecen programas de formación para personas que son nuevas en la ciencia de los datos, de esta forma como para profesionales que quieren dominar la tecnología más reciente. Cada programa de esta lista de los mejores cursos on-line para la ciencia de los datos ampliará su experiencia y agregará un valioso elemento de línea en forma de certificación de ciencia de los datos a su currículo.


Certificado profesional de ciencias de los datos de IBM

IBM ofrece este programa en Coursera, que es impartido por empleados de la empresa. Los estudiantes de este curso van a tomar una serie de laboratorios prácticos en la nube de IBM que dan experiencia con Jupyter/JupyterLab, GitHub, R Studio y Watson Studio.

Este programa en línea toma en torno a diez meses para completarse y tiene 9 cursos:

Qué es la ciencia de los datos Herramientas para la ciencia de los datos
Metodología de la ciencia de los datos
Pitón para la ciencia de los datos y la IA
Bases de datos y SQL para la ciencia de los datos
Análisis de datos con Python
Visualización de datos con Python
Aprendizaje de máquinas con Python
La piedra angular de la ciencia de los datos aplicados




Mesa de especialista de escritorio

El análisis de datos es inútil salvo que motive la acción. Eso frecuentemente requiere hacer un caso basado en este análisis y presentarlo a los colegas de otros departamentos. Visualizar los datos Info adicional en vez de confiar solo en los números puede asistir a ganarse a las personas que no tratan con datos a diario. Tableau puede asistirte a hacer eso.

El certificado de Especialista en Escritorio de Tableau va a mostrar que usted tiene una entendimiento básica de esta herramienta de visualización de datos. La compañía sugiere que los examinadores tengan al menos 3 meses de experiencia con la plataforma. El programa de preparación para el examen de Especialista en Escritorio Tableau es un programa de seis semanas de adiestramiento interactivo, lecciones y hasta 2 intentos para el examen de certificación.

El examen tiene treinta preguntas y ha de ser completado en 60 minutos. Los examinandos deben conseguir un setenta por ciento para aprobar. El examen mide estas habilidades:

Crear y guardar conexiones de datos
La gestión de las propiedades de los datos
Creando gráficos básicos
Aplicar el análisis a una hoja de trabajo
Crear y modificar un tablero de mandos
Comprensión de las dimensiones y medidas
Dominar los campos prudentes y continuos