Software de gestión para empresas y soluciones

Manual sobre Sistemas de Información y la Gestión del Talento

Por Raúl Moreno Izquierdo

Introducción

La tecnología avanza muy deprisa, la incorporación de estos avances a procesos tradicionales es la forma más sencilla de innovación dentro de un área, aunque no la única. A lo largo de esta asignatura veremos cómo nuevas tecnologías y metodologías pueden permitir al área de Recursos Humanos mejorar la gestión de sus procesos y por tanto de sus principales recursos: las personas.

La gestión del talento mediante la informática requiere inicialmente la comprensión de la tecnología, de una forma realista, y posteriormente su aplicación en los términos que permita la organización. Con este objetivo, en este manual realizaremos una revisión de todas las tecnologías y metodologías disponibles actualmente para mejorar la gestión del talento en nuestra organización. 

INDICE

Tabla de contenido

CAPÍTULO I.- INTRODUCCIÓN

1.     Introducción a los Sistemas de Información. Orígenes y conceptos

1.1.     Evolución histórica de los sistemas de información.

1.2.     El efecto de la transformación digital.

CAPÍTULO II.- TECNOLOGÍAS: EVOLUCIÓN HISTÓRICA DE LOS SISTEMAS DE INFORMACIÓN

2.     De la generalización a la especialización: Nadie puede ser experto en todas las áreas

2.1.     De la Inteligencia de Negocio a la Inteligencia Artificial

2.2.     De las bases de datos relacionales al Big Data

2.3.     De las hojas de cálculo a los sistemas ERP.

2.4.     De los Centros de Proceso de Datos a los sistemas en la Nube.

CAPÍTULO III.- METODOLOGÍAS: NO TODO ES TECNOLOGÍA EN LA INFORMÁTICA

3.     La Metodología

3.1.     Metodologías de desarrollo de software.

3.2.     La Metodología Agile.

3.3.     Sobre cómo Agile se convirtió en una metodología de gestión en Recursos Humanos

CAPÍTULO IV.- UTILIZANDO LA INFORMÁTICA PARA LA GESTIÓN DEL TALENTO

4.     Aplicando procesos de transformación digital en Recursos Humanos

4.1.     El uso de metodologías en nuestro favor.

4.2.     ¿Qué soluciones software me pueden ayudar?

4.3.     ¿Qué es y cómo me puede ayudar el Software Libre?

4.4.     Aplicando las últimas investigaciones científicas a Recursos Humanos

BIBLIOGRAFÍA:

Términos y direcciones importantes

CAPÍTULO I.- INTRODUCCIÓN

1.    Introducción a los Sistemas de Información. Orígenes y conceptos

La Informática es la rama de la Ingeniería que estudia el hardware, las redes de datos y el software necesarios para tratar información de forma automática. El principal objetivo de la informática es automatizar todo tipo de procesos y sistemas para gestionar datos: Con lo que se consigue aumentar enormemente la productividad, la velocidad en la creación y manejo de tareas y procesos, evitando muchos errores humanos.

1.1.        Evolución histórica de los sistemas de información.

Como punto de partida, utilizaremos la siguiente enumeración de eventos relevantes y conectados con el contenido de la asignatura, sirva esta evolución histórica de la informática para situar el contexto tecnológico que desarrollaremos más adelante:

1834: Charles Babbage anuncia el motor de análisis.

1936: Se inventa la máquina de Turing.

1954: Primer prototipo de las calculadoras de escritorio.

1958: Se inventa el Perceptron, origen de la redes neuronales.

1969: Creación de ARPANET, la red precursora de la actual Internet.

1970: Se crea el sistema operativo UNIX.

1971: Es enviado el primer e-mail.

1972: La empresa SAP es fundada.

1981: IBM lanza el PC.

1990: Tim Berners-Lee escribe la primera página web

1991: Linus Torvalds comienza a trabajar en el sistema operativo Linux.

1995: Microsoft lanza Windows 95.

1997: Deep Blue vence a Kasparov.

1998: Se funda la empresa Google.

2000: Se supera el efecto 2000. Muere el primer civil debido a un ciberataque.

2002: RIM lanzó el primer teléfono inteligente BlackBerry

2004: Se funda la empresa Facebook.

2007: Apple presenta el primer iPhone

2008: Blockchain surge dentro del proyecto Bitcoin.

2009: Se lanza la moneda en línea Bitcoin.

2015: TensorFlow de Google, es liberado bajo licencia de código abierto Apache 2.0.

2016: PyTorch fue lanzado por Facebook, liberado con Licencia Modificada de BSD.

2019: Google afirma haber alcanzado la supremacía cuántica.

2021: Las emisiones de CO2 de minería Bitcoin china superan a las de toda Italia.

2022: Lanzamiento de la región de España de Google Cloud.

1.2.        El efecto de la transformación digital. 

La transformación digital es el cambio asociado con la aplicación de tecnologías digitales en todos los aspectos de la sociedad humana.

Conforme pasa el tiempo, Internet y el resto tecnologías de la información fluyen en nuestras vidas como la electricidad, por ello la transformación digital puede ser considerada como la tercera etapa o tercera fase de la adopción de las tecnologías digitales (la competencia digital → el uso digital → la transformación digital), junto con la mejora de la capacidad de uso y de aplicación que se logra a través de la alfabetización digital. 

La etapa de transformación implica que los usos digitales permiten inherentemente nuevos tipos de innovación y creatividad en un ámbito particular, más que sencilla y únicamente mejorar y apoyar los métodos tradicionales. En un sentido más estrecho, "la transformación digital" puede referir al concepto de "eliminar el papel" y afecta tanto a empresas e individuos, como a segmentos enteros de la sociedad, como gobierno, comunicación, arte, medicina, y en general cualquier ciencia, podemos hablar de la transformación digital como un avance a la mejora continua de un proceso en particular mediante el uso de la tecnología. 

Las oportunidades que se ofrecen para el futuro son inmensas y en algunos aspectos todavía nos puede sorprender que todos estos cambios estén a la vuelta de la esquina, como muchos de los fenómenos conocidos hoy en día: como el Internet de Cosas, Internet Industrial, Industria 4.0, Big data, comunicación de máquina a máquina, Cadena de Bloques, Criptomonedas o el Metaverso.

Más allá de la implementación tecnológica o la digitalización de procesos y/o servicios, una Transformación Digital implica un cambio de mentalidad y la creación de una cultura de transformación que empatice con el cambio, y esté dispuesta a aceptarlo. Al planificar la transformación digital, las organizaciones deben tener en cuenta los cambios culturales a los que se enfrentarán en cierta medida los trabajadores y líderes de la organización para ajustarse y adoptar tecnologías en principio desconocidas. 

En lo que respecta a transformación digital del sector público, un término utilizado como sinónimo es el de gobierno electrónico. Aquí, el principal aspecto es hacer que la prestación de servicios sea más accesible y eficiente para los ciudadanos; conllevando a mejoras en los servicios brindados y a mayor eficiencia del Estado. Algunos de los valores que se buscan aumentar con la transformación digital del Estado son la transparencia, equidad, igualdad, justicia, seguridad, confiabilidad y, en general, el respeto al debido proceso. España ocupa el puesto 9º entre los 27 Estados miembros de la UE en la edición de 2021 de la Comisión Europea Índice de Economía y Sociedad Digital (DESI). España tiene un gran desempeño en servicios públicos digitales gracias a la estrategia digital por defecto en toda su administración pública central. En 2020, España adoptó una nueva y ambiciosa agenda digital, España Digital 2025, para impulsar la transformación digital de España a través de un conjunto de reformas hasta 2025, así como una importante inversión pública y privada. [Desi, 2021]

CAPÍTULO II.- TECNOLOGÍAS: EVOLUCIÓN HISTÓRICA DE LOS SISTEMAS DE INFORMACIÓN

2.    De la generalización a la especialización: Nadie puede ser experto en todas las áreas

2.1.        De la Inteligencia de Negocio a la Inteligencia Artificial

Se denomina inteligencia de negocios, inteligencia empresarial, inteligencia comercial o BI (del inglés business intelligence), al conjunto de estrategias, aplicaciones, datos, productos, tecnologías y arquitectura técnicas, los cuales están enfocados a la administración y creación de conocimiento sobre el medio, a través del análisis de los datos existentes en una organización o empresa.

En el artículo [Luhn, 1958] del IBM Systems Journal, el investigador Hans Peter Luhn utiliza el término Inteligencia de Negocio y define la inteligencia como: «La capacidad de comprender las interrelaciones de los hechos presentados de tal forma que consiga orientar la acción hacia una meta deseada».

La inteligencia de negocios, tal como se entiende hoy en día, se dice que ha evolucionado desde los sistemas de apoyo a las decisiones que se inició en la década de 1960 y desarrollado a lo largo de mediados de los años 1980. DSS (Decision Support Systems) se originó en los modelos por ordenador, creados para ayudar en la toma de decisiones y la planificación. Conceptos como DSS, data warehouses, sistemas de información ejecutiva, OLAP (Online Analytical Processing) e inteligencia de negocios se desarrollaron con fueza a partir de esta fecha.

En 1989, se le atribuye a Howard Dresner (más tarde analista de Gartner) la definición de business intelligence como término general, un paraguas, para describir «los conceptos y métodos para mejorar la toma de decisiones empresariales mediante el uso de sistemas basados en hechos de apoyo», sin embargo esta definición no se popularizó hasta finales de la década de los 90, con la explosión de los diferentes software comerciales, por mencionar algunos de ellos: SAS, MicroStrategy, BusinessObjects, Cognos, Jaspersoft entre otros muchos.

Comenzaba por aquel entonces el rápido crecimiento de los datos y las organizaciones necesitaban medios ágiles para extraer respuestas a sus preguntas de negocio, dando esto lugar a la época dorada de la industria del software de la inteligencia de negocios. A continuación, mostramos el texto contenido en dos de los anuncios comerciales más famosos de esta etapa de la historia del software comercial de inteligencia de negocios.

“La historia humana puede ser descrita como una búsqueda permanente de respuestas, una lucha diaria por el conocimiento, por la búsqueda de la verdad, podemos llamarlo de muchas formas, pero al final todo equivale a lo mismo, el anhelo humano por la iluminación y cualquiera que alguna vez emerja de la oscuridad lo hará de la misma manera, tomar distintos datos, combinarlos y hacer una conexión, encontrar un patrón o descubrir una relación. 

De la conciencia a la comprensión, del significado al propósito, de la decisión a la acción. “

[Extraído parcialmente y traducido, de un video promocional de la empresa: BusinessObjects] 

“Las empresas de todo el mundo recopilan datos y han estado recopilando el doble anualmente. Las empresas que no hacen nada con esos datos, aparte de analizar con fines de predicción, están perdiendo ahora uno de sus activos más valiosos. Lo que pasa con los competidores de SAS, en SAS tenemos una plataforma de BI completa, otros proveedores de BI llaman a sus productos, productos de BI, pero en realidad son herramientas básicas de consulta e informes. 

Pero el valor real de la inteligencia de negocios es la capacidad de pronosticar el futuro, mediante el estudio de lo que sucedió en el pasado y la creación de modelos que ayudan a predecir, y es lo que hacemos mejor que otros proveedores de BI no hacen.”

[Extraído parcialmente y traducido, de un video promocional de la empresa: SAS]

De forma casi paralela, la inteligencia artificial surge definitivamente a partir de algunos trabajos publicados en la década de 1940 que no tuvieron gran repercusión, pero a partir del influyente trabajo en 1950 de Alan Turing, matemático británico, se abre una nueva disciplina de las ciencias de la información.

Si bien las ideas esenciales se remontan a la lógica y algoritmos de los griegos, y a las matemáticas de los árabes, varios siglos antes de Cristo, el concepto de obtener razonamiento artificial aparece en el siglo XIV. A finales del siglo XIX se obtienen lógicas formales suficientemente poderosas y a mediados del siglo XX, se obtienen máquinas capaces de hacer uso de tales lógicas y algoritmos de solución.

En su histórico artículo de 1950, Turing propuso que la pregunta «¿puede pensar una máquina?» era demasiado filosófica para tener valor y, para hacerlo más concreto, propuso un «juego de imitación», la prueba de Turing, en la que intervienen dos personas y una computadora. Una persona, el interrogador, se sienta en una sala y teclea preguntas en la terminal de una computadora. Cuando aparecen las respuestas en la terminal, el interrogador intenta determinar si fueron hechas por otra persona o por una computadora. Si actúa de manera inteligente, según Turing es inteligente. Turing, señaló que una máquina podría fracasar y aún ser inteligente. Aun así, creía que las máquinas podrían superar la prueba a finales del siglo XX.

De todas maneras, esta prueba no tuvo el valor práctico que se esperaba, aunque sus repercusiones teóricas son fundamentales. El enfoque de Turing de ver a la inteligencia artificial como una imitación del comportamiento humano no fue tan práctico a lo largo del tiempo y el enfoque dominante ha sido el del comportamiento racional, de manera similar, en el campo de la aeronáutica se dejó de lado el enfoque de tratar de imitar a los pájaros y se tomó el enfoque de comprender las reglas de aerodinámica. Aunque desde luego, el enfoque del comportamiento humano y el del pensamiento humano siguen siendo estudiados por las ciencias cognitivas y continúan aportando interesantes resultados a la inteligencia artificial, y viceversas.

En 1956, después de la convención de Dartmouth, Herbert Simon predijo que “en veinte años, las máquinas serán capaces de hacer el trabajo de una persona”. Marvin Minsky, por su parte, declaró en 1970 a la revista Life que “dentro de tres a ocho años tendremos una máquina con la inteligencia general de un ser humano”. Hasta mediados de los años setenta predominó el optimismo en todo lo relativo a la Inteligencia Artificial y su impacto.

De hecho, el periodo entre 1956 y 1974 suele conocerse como la primera etapa dorada de la Inteligencia Artificial. Fueron los años en que Edward Feigenbaum –uno de los fundadores del departamento de informática de la Universidad de Stanford– lideró el equipo que construyó el primer sistema experto, implementado en LISP, el programa de ordenador desarrollado por McCarthy. El nombre de este sistema experto era DENDRAL, y fue fruto del deseo del biólogo molecular Joshua Lederberg, también de Stanford, de disponer de un sistema que facilitara su investigación sobre compuestos químicos en el espacio. DENDRAL ayudaba a los químicos orgánicos a identificar moléculas desconocidas a partir de su espectro de masas, gracias a que le había sido transferido el conocimiento de un prestigioso químico –en concreto Carl Djerassi, creador de la píldora anticonceptiva–. DENDRAL era experto en química porque atesoraba el conocimiento químico y la experiencia de un humano experto en este campo. 

Pero a principios de los 70 llegó el invierno, el primer invierno de la IA. Las ambiciosas expectativas creadas durante las dos décadas anteriores no se cumplieron. El interés por la Inteligencia Artificial, y los fondos disponibles para su desarrollo, empezaron a aumentar de nuevo a principios de los 80. Durante esa década llegaron al mercado los primeros sistemas expertos, con éxito apreciable. En 1985 el gasto en sistemas de IA en las empresas era de miles de millones de dólares. Durante el congreso de 1984 de la Asociación Americana de Inteligencia Artificial, Minsky y Roger Schank alertaron de que el entusiasmo y la inversión en Inteligencia Artificial conducirían a una nueva decepción. En efecto, en 1987 comenzó el segundo invierno de la Inteligencia Artificial, que alcanzaría su momento más oscuro en 1990.

Mientras tanto la comunidad científica seguía avanzando en las dos escuelas de pensamiento. Uno de los hitos más importantes de la estrategia bottom-up y, en particular, del conexionismo, fue el uso del algoritmo de backpropagation por parte de David Rumelhart, Geoffrey Hinton y Ronald Williams en 1986.

Gracias al algoritmo de backpropagation es posible entrenar redes mucho más complejas que el Perceptrón, con numerosas capas de neuronas ocultas –llamadas así en la jerga– operando entre las capas de entrada y salida y con capacidad, esta vez sí, de modelar problemas complejos. Hoy en día el algoritmo de backpropagation es la base de la gran mayoría de modelos de redes neuronales profundas.

En los sistemas de Inteligencia Artificial suele tomarse como referencia la inteligencia humana. Del mismo modo que la inteligencia humana es diversa y múltiple, la Inteligencia Artificial es una disciplina con numerosas ramas de conocimiento, que se nutren de las dos grandes escuelas de pensamiento top-down y bottom-up.

La escuela simbólico-lógica incluye, entre otras, áreas como la teoría de juegos; la lógica; la optimización; el razonamiento y la representación del conocimiento; la planificación automática; y la teoría del aprendizaje.

En la escuela bottom-up destacaría la percepción computacional que abarca el procesamiento de imágenes, vídeos, texto, audio y datos de otro tipo de sensores, el aprendizaje automático estadístico –machine learning – el aprendizaje con refuerzo; los métodos de búsqueda –de texto, imágenes, vídeos–; los sistemas de agentes; la robótica; el razonamiento con incertidumbre; la colaboración humano-IA; los sistemas de recomendación y personalización; y las inteligencias social y emocional computacionales.

En los últimos años, con el éxito de los métodos de aprendizaje de deep learning se ha producido un fuerte resurgir del acercamiento bottomup y en particular del conexionismo, dentro de la Inteligencia Artificial. Así lo atestigua el hecho de que los pioneros del deep learning Yoshua Bengio, Geoffrey Hinton y Yann LeCun hayan recibido en 2019 el premio Turing, el equivalente al Nobel en informática.

La Inteligencia Artificial, no queda ya alguna duda, forma parte de nuestro presente, No hay duda de que la IA tiene un potencial inmenso para construir una sociedad mejor. ¿Quieres profundizar aún más en el conocimiento de la Inteligencia Artificial, puedes usar esta excelente referencia online abierta: [Nuria Oliver, 2022]

2.2.        De las bases de datos relacionales al Big Data

Desde el punto de vista informático, una base de datos es un sistema formado por un conjunto de datos almacenados en discos que permiten el acceso directo a ellos y un conjunto de programas que manipulen ese conjunto de datos.

Por su parte, un Sistema de Gestión de Bases de datos (SGBD) es un tipo de software muy específico dedicado a servir de interfaz entre la base de datos, el usuario y las aplicaciones que la utilizan; o lo que es lo mismo, una agrupación de programas que sirven para definir, construir y manipular una base de datos, permitiendo así almacenar y posteriormente acceder a los datos de forma rápida y estructurada.

El término Base de Datos fue acuñado por primera vez en 1963, en un simposio celebrado en California. Edgar Frank Codd definió el modelo relacional y publicó una serie de reglas para la evaluación de administradores de sistemas de datos relacionales y así nacieron las bases de datos relacionales.

Como consecuencia de esto, durante la década de 1970, Lawrence J. Ellison, más conocido como Larry Ellison, a partir del trabajo de Edgar F. Codd sobre los sistemas de bases de datos relacionales, desarrolló el Relational Software System, o lo que es lo mismo, lo que actualmente se conoce como Oracle Corporation, desarrollando así un sistema de gestión de bases de datos relacional con el mismo nombre que dicha compañía.

Posteriormente en la época de los ochenta también se desarrollará el SQL (Structured Query Language) o lo que es lo mismo un lenguaje de consultas o lenguaje declarativo de acceso a bases de datos relacionales que permite efectuar consultas con el fin de recuperar información de interés de una base de datos y hacer cambios sobre la base de datos de forma sencilla; además de analiza grandes cantidades de información y permitir especificar diversos tipos de operaciones frente a la misma información, a diferencia de las bases de datos de los años ochenta que se diseñaron para aplicaciones de procesamiento de transacciones.

En la actualidad, las tres grandes compañías que dominan el mercado de las bases de datos son IBM, Microsoft y Oracle, junto con algunos proyectos de software libre como PostgreSQL y MariaDB. Por otro lado, en el área de las compañías que operan fundamentalmente en y desde internet, han surgido nuevas necesidades debido a la gran dimensión del volumen de datos al que deben hacer frente, así nace un nuevo concepto tecnológico el de Big Data.

La historia del Big Data no tiene una fecha concreta de creación, sino que, con el desarrollo y progreso de aplicaciones y tecnologías, ha ido dando forma y se ha ido adaptando hasta lo que hoy en día conocemos. La gran popularidad del Big Data debida principalmente a la oportunidad que ven en ella las grandes empresas. El hecho de poder analizar millones de datos de distintas procedencias como redes sociales, imágenes digitales, emails, encuestas, logs, señales de móvil, etc., permite que la toma de decisiones sea mucho más rápida, precisa y efectiva.

Pero para entender mejor la evolución histórica de la tecnología Big Data echemos un vistazo a una serie de eventos cronológicos [Vodafone 2020]

1997: Se utiliza por primera vez el término ‘Big Data’. Los investigadores de la NASA Michael Cox y David Ellsworth afirman [Cox and Ellsworth, 1997] que el gran aumento de datos se estaba convirtiendo en un problema para los sistemas informáticos actuales. Esto se da a conocer como el “problema del Big Data”.

2005: Nace la Web 2.0, una web donde predomina el contenido creado por los usuarios. Este mismo año se crea Hadoop, un entorno de trabajo Big Data de software libre.

2007: Nace la empresa MongoDB sistema de base de datos NoSQL orientado a documentos de código abierto y escrito en C++, que en lugar de guardar los datos en tablas lo hace en estructuras de datos BSON (similar a JSON) con un esquema dinámico.

2009-2011: Empresas como Cloudera, en primer lugar, y Hortonworks, dos años más tarde, nacen para gestionar datos, reunirlos y centralizarlos en lugares seguros y completamente administrados. Estos servicios abren un mundo de posibilidades para las empresas.

2012: Por primera vez en la historia el Big Data es utilizado para fines políticos. Barack Obama, en su campaña, lo usó para conocer las opiniones de los votantes más indecisos y saber qué canales utilizaban. Lanzaba así los mensajes con un impacto más personalizado.

2014: Nace el concepto ‘Location Intelligence’ (Inteligencia de Ubicación, en español). Se trata de una tecnología que obtiene información de valor gracias a la geolocalización. Según predicciones de Gartner en aquel momento, en 2021 se cuadruplicarían las empresas que utilizasen esta tecnología.

2015: Smart Cities, los datos y el IoT. Gartner estimó que en ese año,más de 1.000 millones de elementos conectados serían utilizados por ciudades inteligentes. Sin duda el futuro de las Smart Cities pasa por el tratamiento y la gestión del Big Data.

El Big Data ya no es una tecnología emergente. El Big Data ya está instaurado. A modo de resumen, cómo podemos ver a partir del 2005 nace un nuevo paradigma tecnológico, esto es lo que llamamos realmente Big Data, con su lenguaje universal asociado llamado NoSQL. En informática, NoSQL es una amplia clase de sistemas de gestión de bases de datos que difieren del modelo clásico de SGBDR (Sistema de Gestión de Bases de Datos Relacionales) en aspectos importantes, siendo el más destacado que no normalmente no usan SQL como lenguaje principal de consultas. Algunas otras características diferenciadoras respecto a las bases de datos relacionales son:

·      Los datos almacenados no requieren estructuras fijas como tablas.

·      Normalmente no soportan operaciones JOIN (combinación de datos).

·      No garantizan completamente los principios ACID (atomicidad, consistencia, aislamiento y durabilidad)

·      Habitualmente escalan bien horizontalmente. 

Los sistemas de bases de datos NoSQL crecieron con el nacimiento de las principales redes sociales, así como las grandes empresas de internet, como Google, Amazon, Twitter y Facebook. Estas tenían que enfrentarse a desafíos con el tratamiento de datos que las tradicionales SGBDR no solucionaban. Con el crecimiento de la web en tiempo real existía una necesidad de proporcionar información procesada a partir de grandes volúmenes de datos que tenían unas estructuras horizontales más o menos similares. Estas compañías se dieron cuenta de que el rendimiento y sus propiedades de tiempo real eran más importantes que la coherencia (principios ACID), en la que las bases de datos relacionales tradicionales dedicaban una gran cantidad de tiempo de proceso.

En 2020 se esperaba que la generación anual de datos aumentara en hasta un 4.300%. El crecimiento estaba motivado por el cambio de las tecnologías analógicas a digitales y por la cantidad de información generada tanto por los usuarios como por las empresas.

Según predicciones de Gartner, en 2020 habría más de 25.000 millones de dispositivos conectados a Internet. A finales de 2013, la cantidad de datos generados por los dispositivos era de 4.4 billones de GB. Cifra que se esperaba se multiplicase por 10 en 2020. Esta gran cantidad de datos requerirá de nuevas técnicas. También de una capacidad de gestión mayor y tener muy en cuenta las 3 Vs del Big Data: Velocidad, Variedad y Volumen.

Lo conseguido ya con el Big Data permite ver el futuro con optimismo, que se mantendrá siempre y cuando la tecnología crezca al nivel que lo hacen los datos. Áreas como el medio ambiente, la salud, la productividad, la vida personal y como no la gestión de recursos humanos, podrán verse beneficiadas por esos miles de millones de bytes que generamos diariamente.

2.3.        De las hojas de cálculo a los sistemas ERP.

La idea de la hoja de cálculo electrónica se introduce en un artículo de 1961. La historia de su versión electrónica empieza en 1961, cuando Richard Mattessich, economista y profesor en la Universidad de Columbia Británica, introdujo su concepto en un artículo llamado 'Budgeting Models and System Simulation'. Dan Bricklin es el creador de VisiCalc, la primera hoja de cálculo para PC. Se ejecutaba en disquetes y ayudó a que se popularizaran ordenadores personales como el IBM PC o el Apple II.

Lotus 1-2-3 es un clásico programa de planilla u hoja de cálculo creado o desarrollado por la empresa Lotus Development Corporation, fue la primera killer application (“aplicación muy exitosa”) para la plataforma IBM PC. Microsoft publicó la primera versión de Excel para Mac en 1985, y la primera versión de Windows en noviembre de 1987.

Hoy en día existe una gran cantidad de software y programas de hojas de cálculo con miles de funciones disponibles, alguno de estos, comúnmente usados, son: Microsoft Excel, LibreOffice Calc y OpenOffice Calc.

También existen versiones online y aplicaciones para tabletas y teléfonos inteligentes que te permiten la comodidad de trabajar desde cualquier parte donde te encuentres, lo que hace aún más útil y funcional esta herramienta predilecta en las grandes y pequeñas empresas.

Por ejemplo, Google Spreadsheets, es un programa de hojas de cálculo basado en la web que ofrece Google. La aplicación es compatible con los formatos de archivo de Microsoft Excel. La aplicación permite a los usuarios crear y editar archivos en línea mientras colaboran con otros usuarios en tiempo real. Las ediciones son rastreadas por el usuario con un historial de revisión que presenta los cambios. La posición de un editor se resalta con un color y un cursor específicos del editor y un sistema de permisos regula lo que los usuarios pueden hacer. 

Aunque las hojas de cálculo son una excelente herramienta, en la mayoría de ocasiones se convierten en silos de información, otra vez de forma paralela otro concepto nacía para solventar este y otro tipo de problemas técnicos y de negocio: el ERP. que es uno de los sistemas informáticos más conocidos y antiguos que existen. Su historia y evolución abarca casi toda la segunda mitad del siglo XX. 

A partir de 1960 salieron al mercado las primeras computadoras comerciales y se sentaron las bases de la gestión automatizada, herramientas de planificación, gestión de inventarios, etc.

La década de 1970 se vio marcada por la irrupción de los MRP (Material Requirements Planning) de la mano de IBM. Estos sistemas ayudaban a planificar los requerimientos de la materia prima que se utilizaba en la fabricación de artículos y productos.

En 1972 se fundó la empresa SAP en Alemania. Las iniciales de la empresa significaban “Sistemas, Aplicaciones y Productos”. El objetivo de SAP era crear software empresarial que funcionara en tiempo real. SAP lanzó su primer programa de contabilidad financiera en 1973.

“En la economía global actual, su negocio es más que su empresa, es cualquier otro con la que su empresa hace negocios: sus socios, proveedores, vendedores, subcontratistas, distribuidores y clientes, en cualquier parte del mundo. Para hacer los mejores movimientos y colaborar de manera efectiva, todos deben planificar el mismo juego, conectarse de manera fluida, capaces de ajustar su estrategia, enfocarse en el mismo objetivo, sin importar dónde se encuentren usted o ellos.

Con una plataforma de TI que brinda a todos los jugadores de su red comercial, la capacidad de comunicarse libremente y trabajar juntos como uno solo, puede anticipar resultados con percepciones, innovar sobre la marcha, y enfrentarse a desafíos y oportunidades. Con las soluciones de TI adecuadas, no hay límites a dónde puede llegar su negocio. “

[Extraído parcialmente y traducido, de un video promocional de la empresa: SAP]

En 1975, el software MRP ya se utilizaba en multitud de grandes empresas. El sistema funcionaba en enormes ordenadores centrales que eran muy caros y su potencia de cálculo no era comparable ni siquiera a la de algunos de los ordenadores portátiles de hoy en día.

El término ERP (Enterprise Resource Planning) se utilizó por primera vez en la década de 1990. Se centraba en funciones empresariales como la producción, finanzas y contabilidad, recursos humanos, gestión de proyectos, entre otras, dado que estaba compuesto por sistemas modulares integrables con características avanzadas.

Con el comienzo del nuevo siglo los ERP se popularizaron. A partir del año 2000 Gartner esbozó la integración de funcionalidades como la gestión de la cadena de suministro, la gestión de las relaciones con los clientes (CRM) y la inteligencia de negocio.

A partir del 2005 la tendencia se ha orientado hacia soluciones de software en la nube y se ha alejado de los modelos tradicionales de instalación en los servidores del cliente. Las soluciones de software Cloud ERP proporcionaron funcionalidades comparables a las del ERP local a un coste mucho menor. Desde ese momento se produce un punto de inflexión en el que ya no solo son utilizados por grandes empresas manufactureras, sino que se “democratizan” extendiendo su uso a las PYMES.

2.4.        De los Centros de Proceso de Datos a los sistemas en la Nube.

Se denomina Centro de Proceso de Datos (CPD) (en inglés: data center o data centre) al edificio o sala de gran tamaño usada para mantener en él una gran cantidad de equipamiento informático y electrónico. Suelen ser creados y mantenidos por grandes organizaciones con objeto de tener acceso a la información necesaria para sus operaciones o bien como espacio de venta o alquiler. Por ejemplo, un banco puede tener un centro de procesamiento de datos con el propósito de almacenar todos los datos de sus clientes y las operaciones que estos realizan sobre sus cuentas. Prácticamente todas las compañías que son medianas o grandes tienen algún tipo de CPD, mientras que las más grandes llegan a tener varios. Dichos recursos consisten esencialmente en unas dependencias debidamente acondicionadas, computadoras y redes de comunicaciones. Generalmente, todos los grandes servidores se suelen concentrar en una sala denominada «sala fría», «nevera», «pecera» o «site». Esta sala requiere un sistema específico de refrigeración para mantener una temperatura baja (entre 21 y 23 grados Celsius), necesaria para evitar averías en las computadoras a causa del sobrecalentamiento. Es normal que dada la complejidad de este tipo de infraestructuras alguien pensase en ofrecerlas como un servicio, ese concepto es lo que llamamos: la nube.

El origen del Cloud Computing o nube, la actividad que marcará la tendencia en las TIC en los próximos años, parece muy reciente, sin embargo, sus primeros inicios pueden remontarse a la década de los 60. Algunos expertos indican que fue John McCarthy quien introdujo este concepto en 1961, autor a quién, algunos, también le atribuyen el concepto de inteligencia artificial.

Otros autores atribuyen el concepto de cloud computing a Joseph Carl Robnett Licklider, quienes aseguran pretendía que todo el mundo pudiese estar interconectado para acceder a los programas y datos desde cualquier lugar.

En los años 60 las empresas comenzaban a necesitar consultar grandes cantidades de información desde distintos lugares de acceso. Sin embargo, recurrir a infraestructuras era muy caro, por tanto, comenzaron a estudiar la forma de integrar una CPU con acceso a múltiples usuarios.

John McCarthy fue el primero en sugerir como solución a este problema la tecnología de tiempo compartido. Explicaba que podría venderse como un servicio público, como el agua o la luz. Por tanto, muchas empresas de la época comenzaron a proporcionar recursos compartidos como oficina de servicios, alquilando el tiempo y los servicios de cómputo.

En el año 1969 Licklider introdujo las redes intergalácticas de computación, con el deseo de que este tipo de programas pudiesen llegar a todas las personas, sin embargo, la lentitud en la innovación de la tecnología hizo que la idea de computación compartida quedase parada hasta los años 90, cuando la red de Internet ya tenía suficiente ancho de banda para soportar el peso de la nube. 

La expresión “Cloud Computing” (en español, computación en la nube) surgió en 1997, en un seminario impartido por Ramnath Chellappa. "La nube" hace referencia a los servidores a los que se accede a través de Internet, y al software y bases de datos que se ejecutan en esos servidores. Los servidores de la nube están ubicados en centros de datos por todo el mundo. A finales de los años 90, concretamente en 1999, se produjo un gran hito en el cloud computing, ya que se inauguró la empresa Salesforce. Se trataba de un nuevo concepto, con el que se pretendía ofrecer aplicaciones empresariales a través de una página web simple.

A partir del 2000, apareció AWS y Google ofreciendo servicios en nube. Y fue así como las grandes empresas de informática comenzaron a interesarse por los servicios de Nube y comenzó la innovación y desarrollo de los diferentes tipos de nubes: privada, pública e híbrida. Es en esa época, cuando las empresas tienen por primera vez la opción de evitar la instalación de aplicaciones heredadas on-premise y adoptar en su lugar el Software como Servicio (SaaS). De nuevo, sin tener que construir y mantener la infraestructura tecnológica para trabajar con las aplicaciones.

Algunas ventajas del uso de la nube son: no es necesaria una infraestructura costosa, la accesibilidad, la facilidad de recuperación de datos y ante todo la seguridad y más seguridad. Entre las desventajas, se encuentran: la necesidad de conexión a Internet, los costes adicionales por la migración de sistemas y procesos, y curiosamente la seguridad, por la posibilidad de vulnerabilidad a ciberataques, así como la privacidad de los datos.

Los beneficios de la transformación digital para las empresas, representada por la Computación en la Nube son innegables. Entre estas se destaca la posibilidad de mayor competitividad, aumento de la productividad, mayor agilidad en procesos, crecimiento de cuentas y eficiencia operacional.

Siendo la Seguridad uno de los aspectos claves para la selección de esta tecnología, debemos aclarar que la seguridad en la misma se inicia con la arquitectura de la seguridad de la nube, la cual agrega elementos de seguridad extra a la arquitectura tradicional básica. Los elementos de seguridad introducidos, entre otros, incluyen firewalls (FW), sistemas anti-malware y sistemas de detección de intrusiones (IDS). En términos generales, con los servicios basados en la nube el proveedor de esta es el responsable de proteger la infraestructura subyacente, mientras que el cliente es el responsable de proteger las aplicaciones y los datos en la nube, por lo tanto, el grado de seguridad que se asume, realmente se reduce a la capacidad de poder afrontar este nuevo cambio tecnológico con garantías por parte del lado del cliente.

Sirva como ejemplo, en agosto de 2022, Google neutralizó el mayor ataque DDoS HTTPS registrado hasta la fecha, Los investigadores de Google afirman que el tráfico del ataque procedía de tan solo 5.256 direcciones IP repartidas en 132 países y aprovechaba las peticiones cifradas (HTTPS), lo que indica que los dispositivos que enviaban las peticiones disponen de recursos informáticos bastante potentes. Otra característica del ataque es el uso de nodos de salida de Tor para entregar el tráfico. Aunque cerca del 22% o 1.169 de las fuentes canalizaron las peticiones a través de la red Tor, sólo representaron el 3% del tráfico del ataque.

CAPÍTULO III.- METODOLOGÍAS: NO TODO ES TECNOLOGÍA EN LA INFORMÁTICA

3.    La Metodología

La metodología hace referencia al conjunto de procedimientos racionales utilizados para alcanzar el objetivo o la gama de objetivos que rige una investigación científica, una exposición doctrinal o tareas que requieran habilidades, conocimientos o cuidados específicos. Con frecuencia puede definirse la metodología como el estudio o elección de un método pertinente o adecuadamente aplicable a determinado objeto. No debe llamarse metodología a cualquier procedimiento, pues se trata de un concepto que en la gran mayoría de los casos resulta demasiado amplio, siendo preferible usar el vocablo método. Hay que ser conscientes que existe una posición ametódica, el llamado anarquismo epistemológico.

La metodología depende de los postulados que el investigador considere válidos y proponga poner en práctica (de lo que considere valor objetivo de la ciencia y del conocimiento científico), pues será mediante la acción metodológica como recabe, ordene y analice la realidad estudiada.

Puede afirmarse que ya no existe una metodología perfecta, sino que con frecuencia han de concurrir varias entretejidas o puestas en relación simbiótica. Tanto en ciencias humanas como en ciencias sociales es usual la convivencia o alternancia de varias metodologías aplicadas sucesivamente a un mismo objeto.

Por lo demás, la validez otorgada al uso de uno u otro método vendrá dada por el paradigma científico en el que se sitúe el investigador. Esto naturalmente se halla en relación directa con las diferentes épocas históricas y el pensamiento dominante en estas.

3.1.        Metodologías de desarrollo de software.

La metodología de desarrollo de software en ingeniería de software es un marco de trabajo usado para estructurar, planificar y controlar el proceso de desarrollo en sistemas de información. Una metodología de desarrollo de software se refiere a un framework (entorno o marco de trabajo) que es usado para estructurar, planear y controlar el proceso de desarrollo en sistemas de información.

A lo largo del tiempo, una gran cantidad de métodos han sido desarrollados diferenciándose por su fortaleza y debilidad. Un framework para metodología de desarrollo de software consiste en:

·      Una filosofía de desarrollo de programas de computación con el enfoque del proceso de desarrollo de software. 

·      Herramientas, modelos y métodos para asistir al proceso de desarrollo de software.

·      Estos frameworks son a diario vinculados a algún tipo de organización que desarrolla, apoya el uso y promueve la metodología

Cada metodología de desarrollo de software tiene más o menos su propio enfoque para el desarrollo de software. Estos son los enfoques más generales, que desarrollan varias de las metodologías específicas más comunes: 

Modelo en cascada: Framework lineal.

Prototipado: Framework iterativo.

Incremental: Combinación de framework lineal e iterativo.

Espiral: Combinación de framework lineal e iterativo.

RAD: Rapid Application Development, framework iterativo.

Actualmente podemos diferenciar entre dos tipos grandes de metodologías, en función de su enfoque:

Metodología ágil: basada en el desarrollo iterativo e incremental, en contraposición a las metodologías tradicionales de desarrollo de software lineal o en cascada.

Metodologías tradicionales: Imponen una disciplina de trabajo sobre el proceso de desarrollo del software, con el fin de conseguir un software más eficiente. Para ello, se hace énfasis en la planificación total de todo el trabajo a realizar y una vez que esta todo detallado, comienza el ciclo de desarrollo del producto software.

3.2.        La Metodología Agile.

El desarrollo ágil (Agile) de software envuelve un enfoque para la toma de decisiones en los proyectos de software, que se refiere a métodos de ingeniería del software basados en el desarrollo iterativo e incremental, donde los requisitos y soluciones evolucionan con el tiempo según la necesidad del proyecto. Así el trabajo es realizado mediante la colaboración de equipos autoorganizados y multidisciplinarios, inmersos en un proceso compartido de toma de decisiones a corto plazo.

Cada iteración del ciclo de vida incluye planificación, análisis de requisitos, diseño, codificación, pruebas y documentación. Adquiere una gran importancia el concepto de "finalizado" (done), ya que el objetivo de cada iteración no es agregar toda la funcionalidad para justificar el lanzamiento del producto al mercado, sino incrementar el valor por medio de "software que funciona" (sin errores).

Los métodos ágiles enfatizan las comunicaciones cara a cara en vez de la documentación. La mayoría de los equipos ágiles están localizados en una simple oficina abierta, a veces llamadas "plataformas de lanzamiento" (bullpen en inglés). La oficina debe incluir los siguientes perfiles: revisores, escritores de documentación y ayuda, diseñadores de iteración y directores de proyecto. Los métodos ágiles también enfatizan que el software funcional es la primera medida del progreso. Combinado con la preferencia por las comunicaciones cara a cara, generalmente los métodos ágiles son criticados por los puristas y tratados como "indisciplinados" por la falta de documentación técnica.

3.3.        Sobre cómo Agile se convirtió en una metodología de gestión en Recursos Humanos

Si bien inicialmente se concibió como un sistema de trabajo para proyectos de desarrollo software que requerían especial rapidez, hoy la metodología Agile se ha convertido en una auténtica filosofía empresarial.  Tanto, que su aplicación en Recursos Humanos es ya una realidad habitual. Cómo hemos comentado anteriormente la metodología Agile es una filosofía de trabajo que viene del mundo del software. Se trata de un modelo de mejora continua en el que se planifica, crea y se analiza el resultado para mejorar constantemente. Un modelo que cuenta con plazos de entrega rápidos que busca centrarse en una tarea y evitar la dispersión. La clave está en dividir las tareas y fijar entregas a corto plazo.

Para los RRHH la Metodología Ágil implica: Dar protagonismo a las personas, a la colaboración y a las interacciones entre empleados frente a los procesos organizativos. Una mejora continua. Se asumen los errores como algo natural y de lo que se puede aprender para aportar valor a la empresa.

El mercado laboral está en continuo cambio y crecimiento. Los departamentos de Recursos Humanos son conscientes de que las metodologías ágiles son el futuro y empiezan a ser el presente. Las empresas que no otorguen al empleado el papel predominante que le corresponde, le escuchen y tengan en cuenta su conocimiento e ideas, no serán capaces de adaptarse al mercado ni de crear soluciones idóneas.

Lo fundamental para las compañías es definir su misión empresarial y a continuación analizar cómo pueden alcanzarla. Si se estudian bien estos parámetros y se prioriza el bienestar del empleado, el área de recursos humanos comenzará a ver los resultados. ¿Cómo? Mejorando su productividad y su reputación. En definitiva, toda medida que no sirva para mejorar las experiencias de los empleados y de los clientes no será necesaria ni mucho menos prioritaria.

Aplicar correctamente la metodología Agile por parte de RR. HH. exige dos cambios fundamentales: uno en la gestión de los equipos y otro en la manera de trabajar.

Los nuevos proyectos pueden generar cambios en los roles y es fundamental que la compañía ayude al empleado en ese proceso de adaptación. Este cambio de funciones de los trabajadores si no se gestiona correctamente puede resultar contraproducente porque al exigirles ser más polivalentes pierden la fuerza que tenían en su área gracias a la especialización concreta que venían desarrollando tradicionalmente.

Para implantar la metodología Agile con éxito es imprescindible explicar a los trabajadores los beneficios que se obtendrán con esta técnica y las razones del cambio. De esta manera el proceso será más sencillo y estarán más receptivos a la transformación.

Gestionar las expectativas y las inseguridades que pueden provocar los cambios en los empleados es también necesario. Al igual que dotarles de las herramientas adecuadas para llevar a cabo con el máximo rendimiento las tareas asignadas en estos nuevos procedimientos.

CAPÍTULO IV.- UTILIZANDO LA INFORMÁTICA PARA LA GESTIÓN DEL TALENTO

4.    Aplicando procesos de transformación digital en Recursos Humanos

4.1.        El uso de metodologías en nuestro favor.

En esta sección aprenderemos a crear y desarrollar una metodología para la gestión del talento, bajo el enfoque particular de los valores. Tan importante como el diseño de la metodología, será la medición de los resultados obtenidos, medir es comparar con una magnitud que se utiliza como patrón de referencia, dependiendo cómo realicemos las mediciones las decisiones pueden ser unas y otras, para ello nos guiaremos por el establecimiento de otra metodología para medir, siguiendo el ejemplo de [Redchuck, 2010].

¿Los valores se aprenden o se nace con ellos?, es muy probable que ahí fuera haya opiniones para todos los gustos, pero el autor de este documento, tras haber observado a su hija, cree firmemente que los valores se aprenden.

El concepto de calidad ha evolucionado a lo largo del tiempo. A lo largo de la historia, la metodología de elaboración de productos y servicios y el concepto de calidad han ido evolucionando de forma paralela. Muchas técnicas y metodologías han sido y siguen siendo utilizadas para mejorar la calidad de un servicio, ya sea en la fase de diseño, de desarrollo o de implantación de estos. Si hablásemos de una organización/servicio/empleado con relación a sus valores podríamos utilizar: 

·      Análisis Factorial, para el análisis de la motivación.

·      Análisis Clúster, para encontrar las características y los perfiles.

·      Análisis de escalas multidimensionales para evaluar el desempeño.

·      Análisis Conjunto, para el diseño del servicio

·      Normativas o referenciales, del tipo ISO (www.iso.org).

·      Modelos de Excelencia, del tipo EFQM (www.efqm.org).

·      Six Sigma.

Como no queremos que os perdáis con los detalles matemáticos, partamos de un ejemplo para comprender mejor el uso de la metodología, nuestra organización desea medir el desempeño de sus trabajadores según un conjunto de valores. Los valores iniciales que ha seleccionado la empresa son las 3 Cs:

Compromiso, Constancia y Compañerismo

Como decíamos anteriormente, todo depende de la vara con que se mida, por lo que establezcamos dicho patrón de referencia primero, la metodología de medición. Supongamos que tenemos un número de Agentes a, en nuestro caso a = 5. Es común suponer que la evaluación del trabajador es una función de varios atributos X1, …, Xk, para nuestro ejemplo: X1 = Compromiso, X2 = Constancia y X3 = Compañerismo, que determinan la evaluación global de los valores de la organización. 

Llamemos a Xa1, …, Xak, a las valoraciones de estos atributos realizadas sobre el Agente a, luego el desempeño de los valores del Agente a, sería una función:

Va = f (Xa1 , …, Xak)

  Un indicador lineal de los valores del Agente, [Behrens et al., 1978]  puede ser aproximado mediante la función: 

donde los coeficientes Wij son pesos, por lo que deben ser positivos y deben sumar uno.

Para implementar este modelo matemático de calidad de los valores necesitamos:

·      La lista completa de atributos.

·      Los pesos.

La parte más importante es obtener los pesos, porque siempre podemos escribir una larga lista de atributos y algunos de ellos pueden tener pesos iguales a cero. Para obtener los pesos, existen dos métodos:

·      Evaluación directa del peso, para determinar los pesos de estos atributos se pregunta a un pequeño grupo de expertos. Es común encontrar diferentes métodos para determinar los pesos preguntando directamente a los clientes: distribuir 100 puntos entre estos atributos, indicar la importancia relativa de cada atributo en una escala de 0 a 10, indicar cuál de los atributos se considera más importante. El primer método conduce a una ponderación similar y casi uniforme para todos los atributos. El segundo método conduce a una distribución de pesos muy asimétrica, el último método conduce a valores que están aproximadamente a medio camino entre los otros dos métodos.

·      Para la evaluación indirecta de los atributos, los pesos se obtienen por análisis estadístico, hay dos formas de hacerlo: El primer método, fijar los valores de los atributos y pedir una evaluación global (valor de V), luego ajustar un modelo lineal y determinar los pesos. El segundo, evaluar tanto los atributos como el desempeño global y luego usar varios métodos de regresión lineal para construir un modelo y estimar los pesos.

En nuestro ejemplo utilizaremos la estimación directa, tras consultar con un grupo de expertos: W1 = 0,3, W2= 0,2 y W3=0,5, luego nuestra fórmula sería:

Va = 0,3 * Compromiso a + 0,2 * Constancia a + 0,5 * Compañerismo a.

Ya disponemos de la metodología de medición, ahora pasemos a la metodología de descubrimiento de valores propiamente dicha.

Para establecer el valor numérico de los valores de nuestra organización, hemos decidido hacer que nuestra metodología debe contener una prueba al Agente, dicho test, constará de una batería de preguntas con respuesta múltiple donde cada respuesta tendrá una valoración numérica de los valores, pudiendo ser 0 o incluso negativa. Un ejemplo de pregunta, ya clásica en el área de inteligencia artificial y extraída parcialmente de un estudio realizado en 2014, por un grupo de investigadores del MIT Media Lab del Instituto Tecnológico de Massachusetts que diseñó un experimento llamado Moral Machine [Moralmachine, 2018]:

Si no pudieses evitarlo y tuvieses que atropellar a un bebé o a una anciana, ¿qué harías?:

a)    Atropellar al Bebé

b)    Atropellar a la Anciana

c)    No tomaría ninguna decisión.

Supongamos que, según la evaluación de nuestro Gabinete psicológico, las puntuaciones de los valores según cada opción escogida es la siguiente:

a)    Compromiso = 5, Constancia = 4, Compañerismo = 2

b)    Compromiso = 5, Constancia = 3, Compañerismo = 2

c)    Compromiso = 0, Constancia = 2, Compañerismo = 0

De esta forma podremos definir una matriz de valores, que posteriormente puede ser explotada analíticamente tanto por agente, como por el valor o conjunto de valores.

Para cada pregunta, sabemos que Va (el valor global del Agente a), viene expresado por la fórmula que definimos anteriormente en nuestra metodología de medición. Si el Agente 1 responde la opción a) su V1 = 0,3 * 5 + 0,2*4 + 0,5 *2= 3,3

En nuestra metodología, cada pregunta tendrá el mismo peso en el cálculo final, aunque dicho peso podría ser también diferente, lo mantenemos así por simplificación. 

Luego al final de la etapa de evaluación de la prueba (en nuestro caso 25 preguntas), de nuestra metodología, contaremos con una matriz, de la siguiente forma:

Decidimos, que es herramienta suficiente para la toma de decisiones, dado que además de ser un marco de trabajo formal, podemos explotar estadísticamente toda esta información. Por lo que planificamos un test anual y destinamos el presupuesto suficiente al Gabinete Psicológico para el diseño de las pruebas. 

En un caso real, habría que definir adecuadamente esos pequeños detalles matemáticos, que hemos ido simplificado para una fácil comprensión del texto.

4.2.        ¿Qué soluciones software me pueden ayudar?

Gartner ha llevado a cabo una encuesta con más de 500 responsables de Recursos Humanos de 60 países y de los sectores más importantes para identificar las tendencias, evaluar las prioridades y conocer los desafíos previstos en materia de Recursos Humanos para el 2022, según dicho estudio estás son las preocupaciones más destacadas entre los líderes de Recursos Humanos:

1. Construir habilidades y competencias críticas para el negocio.
2. Diseño organizacional y gestión del cambio.
3. Desarrollo del liderazgo actual y futuro.
4. Entender el futuro del trabajo.
5. Diversidad, equidad e inclusión.

Las suites de software de administración de capital humano en la nube (HCM) ofrecen funcionalidades que ayudan a las organizaciones a atraer, desarrollar, comprometer, retener y administrar sus fuerzas laborales. Estas soluciones contienen una gran variedad de capacidades, como, por ejemplo:

·      Funciones administrativas de recursos humanos

·      Prestación de servicios de recursos humanos

·      Gestión del talento

·      Gestión de la fuerza laboral 

El mercado de las suites de gestión del capital humano es diverso, con una combinación de proveedores de ERP, recursos humanos y gestión de nóminas que compiten para dominar el mercado. Puedes descargar la visión de Gartner sobre la situación del mercado en 2022 en su página web, en 2019 era esta:

Esta es la visión de una gran compañía de servicios de consultoría, que analiza la información de otras grandes compañías de software. Si no estamos satisfechos con la oferta del mercado, global, siempre podríamos buscar una solución en proveedores más pequeños, o decidir por un proyecto a medida para nosotros, implementar un proyecto de HCM, ya sea a través de una de las plataformas existentes o desde cero. Por supuesto, cada opción tiene sus ventajas y sus riesgos asociados.

4.3.        ¿Qué es y cómo me puede ayudar el Software Libre?

El software libre es un software cuyo código fuente puede ser estudiado, modificado, y utilizado libremente con cualquier finalidad y redistribuido con cambios o mejoras sobre él, para una explicación detallada ver [Hernández et al., 2008]. Su definición está asociada al nacimiento del movimiento de software libre, encabezado por el activista y experto informático estadounidense Richard Stallman, en 1971, fue estudiante de Física de la Universidad de Harvard y formó parte como hacker del Laboratorio de Inteligencia Artificial del Instituto Tecnológico de Massachusetts (MIT), experiencia que sin duda le marcó para creación de la fundación que presidió desde 1985 hasta 2019, la Free Software Foundation, una organización sin ánimo de lucro que pone la libertad del usuario informático como propósito ético fundamental. 

Un software es libre si otorga a los usuarios de manera adecuada las denominadas cuatro libertades: libertad de usar, estudiar, distribuir y mejorar, de lo contrario no se trata de software libre. Existen diversos esquemas de distribución que no son libres, y si bien podemos distinguirlos sobre la base de cuánto les falta para llegar a ser libres, su uso bien puede ser considerado contrario a la ética en todos los casos por igual.

La expresión «software libre» proviene de la expresión del inglés free software, que presenta ambigüedad entre los significados «libre» y «gratis» asociados a la palabra free. Por esto es que suele ser considerado, de manera errónea, como software gratuito y no en su acepción más precisa como software que puede ser modificado y compartido sin infringir la licencia. El software libre suele estar disponible gratuitamente, o al precio de coste de la distribución a través de otros medios, sin embargo, no es obligatorio que sea así, por lo tanto, no hay que asociar software «libre» a «gratuito» (denominado usualmente freeware), ya que, conservando su carácter de libre, puede ser distribuido comercialmente. Análogamente, el software gratis o gratuito incluye en ocasiones el código fuente; no obstante, este tipo de software no es «libre» en el mismo sentido que el software libre, a menos que se garanticen los derechos de modificación y redistribución de dichas versiones modificadas del programa. En este sentido, es importante conocer las implicaciones jurídicas que emanan del uso del software libre.

Tampoco debe confundirse software libre con «software de dominio público». Este último es aquel que no requiere de licencia, pues sus derechos de explotación son para toda la humanidad, porque permite el acceso a todos por igual. Cualquiera puede hacer uso de él, consignando su autoría original. Este software sería aquel cuyo autor lo dona a la humanidad o cuyos derechos de autor han expirado.

Otros defienden el uso del término open source software (software de código abierto). La principal diferencia entre los términos "open source" y "free software" es que este último tiene en cuenta los aspectos éticos y filosóficos de la libertad, mientras que el open source se basa únicamente en los aspectos técnicos.

En un intento por unir los mencionados términos que se refieren a conceptos semejantes, se está extendiendo el uso de la palabra FLOSS con el significado de free/libre and open source software e, indirectamente, también a la comunidad que lo produce y apoya.

De acuerdo con la definición establecida por Richard Stallman, un software es "libre" cuando garantiza las siguientes libertades:

0 -la libertad de usar el programa, con cualquier propósito (uso).

1-    la libertad de estudiar cómo funciona el programa y modificarlo, adaptándolo a las propias necesidades (estudio).

2 - la libertad de distribuir copias del programa, con lo cual se puede ayudar a otros usuarios (distribución).

3 - la libertad de mejorar el programa y hacer públicas esas mejoras a los demás, de modo que toda la comunidad se beneficie (mejora).

Las libertades 1 y 3 requieren acceso al código fuente, porque estudiar y modificar software sin su código fuente es muy poco viable.

¿La eterna pregunta?: Software Libre vs. Software Propietario

En cuanto al software propietario o privativo, ya sea comercializado como producto o como servicio SaaS, dicho software pertenece a una determinada empresa y por tanto serán los procesos de la misma, tanto técnicos como de otra índole, los que determinen la utilidad y grado de calidad de esta opción de tipo de software. Ahora bien, también debemos examinar las ventajas, demostradas públicamente, que aporta el uso de software libre, alguna de ellas es:

·       Desarrollo y mejoramiento continuo: El hecho de que se pueda acceder al código fuente permite que muchas personas revisen y prueben el código y, como consecuencia no solo hay un mejor resultado sino que además la seguridad es muy superior al software privativo.

·       Por otro lado, el software libre es atendido entre muchos usuarios que evalúan directamente las fallas o faltas que presenta el programa. Por eso no se tiene que esperar que la compañía fabricante lance al mercado una actualización o una versión corregida, lo cual permite disminuir los tiempos de solución de los problemas.

·       Permite la independencia tecnológica: Al no depender de los grandes fabricantes del software, los usuarios pueden decidir si es necesario realizar migraciones o actualizaciones del sistema, sin tener que someterse a decisiones impuestas por dicho fabricante.

·       Permite ahorrar en la adquisición, mantenimiento y renovación de tecnologías: Es mucho más económico afrontar una actualización o una instalación masiva de software abierto que de software privativos. Además, al no tener que invertir en licencias anuales, los usuarios pueden ahorrar dinero o usarlo para adquirir otro software necesario y vinculados al servicio de la empresa.

·       Permite ser copiado: Como mencionamos anteriormente con las libertades, el software libre permite ser copiado, así que sin necesidad de adquirir nuevas licencias, este puede ser distribuido a todos aquellos que lo necesiten.

Quedan pues expuestas las razones principales por las que escoger un tipo de software u otro, para un determinado caso concreto. A modo de curiosidad, el negocio detrás del software libre se caracteriza por la oferta de servicios adicionales al software como: la personalización o instalación del mismo, soporte técnico, donaciones, patrocinios o como un elemento de responsabilidad social corporativa en contraposición al modelo de negocio basado en licencias predominante en el software privativo. En el documento Legal aspects of free and open source software de 2013 [Parliament, 2013]  se describe cuál era la postura del Parlamento Europeo en cuanto al software libre en dicha fecha, que incluso, llega a proponer un tipo de licencia de software libre para la Unión Europea.

4.4.        Aplicando las últimas investigaciones científicas a Recursos Humanos

Análisis de Riesgos

¿Qué sabemos de Análisis de Riesgos? [David Ríos Insua, 2022], sabemos que los riesgos son connaturales a las sociedades modernas. Las amenazas relacionadas con los sistemas financieros, los sistemas políticos, las tecnologías de la información, el terrorismo, la seguridad alimentaria, las epidemias o los desastres naturales asociados al cambio climático, entre muchas otras, como los recursos humanos, demandan marcos metodológicos rigurosos para el análisis y la gestión de riesgos. De esto se encarga la disciplina global del análisis de riesgos. Hay que incidir en la necesidad de predecir adecuadamente la ocurrencia de las posibles amenazas a las que se enfrenta el sistema sobre el que se está realizando el análisis, así como predecir sus impactos, para después integrar toda esta información en un marco coherente y riguroso que ayude a tomar las mejores decisiones en relación con la gestión de riesgos. El objetivo será reducir la probabilidad de que se produzcan las amenazas consideradas y, llegado el caso, tratar de minimizar su impacto.

Análisis de Negociaciones

El ser humano siempre ha mostrado un enfoque negociador en sus relaciones, según la consideración mutua o no de los intereses del otro negociador, hay dos clases de negociaciones: integrativas (win-win) y distributivas:

·       Negociación distributiva: busca el mayor beneficio para la parte involucrada, sin atender mayormente al interés de los otros negociadores (ganar a toda costa) o en casos extremos el perjuicio de ellos (ganar - perder). 

·       Negociación integrativa: se busca generar beneficios para todas las partes involucradas. (ganar-ganar) .

Según la clasificación de Howard Raiffa [Howard, 1982], [Howard, 2002], y nuestra experiencia investigadora [Moreno, 2003], es posible desarrollar sistemas de asistencia o automáticos de negociación, en este caso integrativa, mediante el uso de los métodos basados en funciones de valor. En este tipo de métodos, las utilidades de las partes o funciones de valor como son llamadas en el contexto del análisis de negociaciones, son modelizadas. Esto hace posible generar todas las soluciones pertenecientes al conjunto de Pareto y permite a las partes escoger entre ellas. 

El método consta de cuatro fases principales, estas son: la identificación y definición de variables o criterios, la modelización de las funciones de utilidad, la aproximación del conjunto óptimo de Pareto y la fase negociativa con la búsqueda de la solución del equilibrio balanceado.

Dada la complejidad de la fase de modelización de preferencias, debemos apoyarnos en el uso de métodos de calibración, podemos usar métodos bien conocidos entre ellos el método del equivalente en probabilidad, o métodos aproximativos. La importancia del tipo de método que se use radica en lo preparado que esté el decisor para poder manifestar satisfactoriamente sus preferencias, esto es, la facilidad que proporciona el método en la interacción con el decisor.

En la fase de aproximación del conjunto de Pareto, se obtiene una aproximación del conjunto de Pareto mediante simulación. El método consiste en la generación de soluciones aleatorias en el espacio factible, para la posterior evaluación de la condición de optimalidad de Pareto.

Finalmente se realizará la fase de búsqueda de la solución del problema de negociación. Para ello, se deberá explorar mediante los métodos conocidos actualmente el conjunto de soluciones factibles, para seleccionar aquel o aquellos acuerdos que resulten óptimos para ambas partes, esto es, maximicen su utilidad esperada de la negociación. 

Teoría de Juegos

La Teoría de Juegos es un área de la matemática aplicada que utiliza modelos para estudiar interacciones en estructuras formalizadas de incentivos (los llamados «juegos»). La teoría de juegos se ha convertido en una herramienta sumamente importante para la teoría económica y ha contribuido a comprender más adecuadamente la conducta humana frente a la toma de decisiones. Sus investigadores estudian las estrategias óptimas, así como el comportamiento previsto y observado de individuos en juegos. Tipos de interacción aparentemente distintos pueden presentar en realidad una estructura de incentivo similar y, por lo tanto, se puede representar mil veces conjuntamente un mismo juego.

Desarrollada en sus comienzos como una herramienta para entender el comportamiento de la economía, la teoría de juegos se usa actualmente en muchos campos, como en la biología, sociología, politología, psicología, filosofía y ciencias de la computación. Experimentó un crecimiento sustancial y se formalizó por primera vez a partir de los trabajos de John von Neumann y Oskar Morgenstern, antes y durante la Guerra Fría, debido sobre todo a su aplicación a la estrategia militar, en particular a causa del concepto de destrucción mutua garantizada. Desde los setenta, la teoría de juegos se ha aplicado a la conducta animal, incluyendo el desarrollo de las especies por la selección natural. A raíz de juegos como el dilema del prisionero, en los que el egoísmo generalizado perjudica a los jugadores, la teoría de juegos ha atraído también la atención de los investigadores en informática, usándose en inteligencia artificial y cibernética.

Los conflictos entre seres racionales que recelan uno del otro, o la pugna entre competidores que interactúan y se influyen mutuamente, que piensan y que, incluso, pueden ser capaces de traicionarse uno al otro, constituyen el campo de estudio de la teoría de juegos, la cual se basa en un análisis matemático riguroso pero que, sin embargo, surge de manera natural al observar y analizar un conflicto desde un punto de vista racional. Desde el enfoque de esta teoría, un «juego» es una situación conflictiva en la que priman intereses contrapuestos de individuos o instituciones, y en ese contexto una parte, al tomar una decisión, influye sobre la decisión que tomará la otra; así, el resultado del conflicto se determina a partir de todas las decisiones tomadas por todos los actuantes.

La teoría de juegos plantea que debe haber una forma racional de jugar a cualquier «juego» (o de negociar en un conflicto), especialmente en el caso de haber muchas situaciones engañosas y segundas intenciones; así, por ejemplo, la anticipación mutua de las intenciones del contrario, que sucede en juegos como el ajedrez o el póquer, da lugar a cadenas de razonamiento teóricamente infinitas, las cuales pueden también trasladarse al ámbito de resolución de conflictos reales y complejos. En síntesis, y tal como se comentó, los individuos, al interactuar en un conflicto, obtendrán resultados que de algún modo son totalmente dependientes de tal interacción.

Así, desde que Von Neumann, Morgenstern y John Nash delinearon los postulados básicos de esta teoría durante las décadas del 40 y 50, varias han sido las aplicaciones que se le han otorgado a esta herramienta en el campo de las decisiones económicas, llegando incluso a modificar el modo en que los economistas interpretaban la toma de decisiones y la consecución del bienestar común.

La primera discusión conocida de la teoría de juegos aparece en una carta escrita por James Waldegrave en 1713. En esta carta, Waldegrave proporciona una solución mínima de estrategia mixta a una versión para dos personas del juego de cartas le Her. Sin embargo, no se publicó un análisis teórico de teoría de juegos en general hasta la publicación de Recherches sur les príncipes mathématiques de la théorie des richesses, de Antoine Augustin Cournot en 1838. En este trabajo, Cournot considera un duopolio y presenta una solución que es una versión restringida del equilibrio de Nash.

Aunque el análisis de Cournot es más general que el de Waldegrave, la teoría de juegos realmente no existió como campo de estudio aparte hasta que John von Neumann publicó una serie de artículos en 1928. Estos resultados fueron ampliados más tarde en su libro de 1944, Theory of Games and Economic Behavior [von Neumann and Morgenstern, 1944] , escrito junto con Oskar Morgenstern. Este trabajo contiene un método para encontrar soluciones óptimas para juegos de suma cero de dos personas. Durante este período, el trabajo sobre teoría de juegos se centró, sobre todo, en teoría de juegos cooperativos. Este tipo de teoría de juegos analiza las estrategias óptimas para grupos de individuos, asumiendo que pueden establecer acuerdos entre sí acerca de las estrategias más apropiadas.

En 1950 Albert W. Tucker planteó formalmente las primeras discusiones del dilema del prisionero, y se emprendió un experimento acerca de este juego en la corporación RAND. En ese año John Nash desarrolló una definición de una estrategia óptima para juegos de múltiples jugadores donde el óptimo no se había definido previamente, conocido como equilibrio de Nash, bajo la supervisión del mencionado Tucker. Este equilibrio es suficientemente general, permitiendo el análisis de juegos no cooperativos además de los juegos cooperativos.

La teoría de juegos experimentó una notable actividad en la década de 1950, momento en el cual los conceptos base, el juego de forma extensiva, el juego ficticio, los juegos repetitivos, y el valor de Shapley fueron desarrollados. Además, en ese tiempo, aparecieron las primeras aplicaciones de la teoría de juegos en la filosofía y las ciencias políticas. John Forbes Nash, bajo la dirección de Albert W. Tucker, se doctora con una tesis sobre juegos no cooperativos [Nash, 1950], que incluye lo que más tarde se denominó como el equilibrio de Nash.

En 1965, Reinhard Selten introdujo su concepto de solución de los equilibrios perfectos del subjuego y el concepto de equilibrio perfecto de mano temblorosa, que más adelante refinaron el concepto de equilibrio de Nash. En 1967 John Harsanyi desarrolló los conceptos de la información completa y de los juegos bayesianos. Él, junto con John Forbes Nash y Reinhard Selten, ganaron el Premio en Ciencias Económicas en memoria de Alfred Nobel en 1994.

En la década de 1970 la teoría de juegos se aplicó extensamente a la biología, en gran parte como resultado del trabajo de John Maynard Smith y su concepto estrategia estable evolutiva. Además, los conceptos del equilibrio correlacionado, equilibrio perfecto de mano temblorosa, y del conocimiento común fueron introducidos y analizados.

En 2005, los teóricos de juegos Thomas Schelling y Robert Aumann ganaron el Premio en Ciencias Económicas en memoria de Alfred Nobel. Schelling trabajó en modelos dinámicos, los primeros ejemplos de la teoría de juegos evolutiva. Por su parte, Aumann contribuyó más a la escuela del equilibrio.

En el 2007, Roger Myerson, junto con Leonid Hurwicz y Eric Maskin, recibieron el Premio en Ciencias Económicas en memoria de Alfred Nobel por "sentar las bases de la teoría de diseño de mecanismos."

En el 2012, Lloyd Stowell Shapley y Alvin E. Roth ganan el Premio en Ciencias Económicas en memoria de Alfred Nobel por dar nombre dentro de este campo a media docena de teoremas, algoritmos, principios, soluciones e índices.

Los economistas han usado la teoría de juegos para analizar un amplio abanico de problemas económicos, incluyendo subastas, duopolios, oligopolios, la formación de redes sociales, y sistemas de votaciones. Estas investigaciones normalmente están enfocadas a conjuntos particulares de estrategias conocidos como conceptos de solución. Estos conceptos de solución están basados normalmente en lo requerido por las normas de racionalidad perfecta. El más famoso es el equilibrio de Nash. Un conjunto de estrategias es un equilibrio de Nash si cada una representa la mejor respuesta a otras estrategias. De esta forma, si todos los jugadores están aplicando las estrategias en un equilibrio de Nash, no tienen ningún incentivo para cambiar de conducta, pues su estrategia es la mejor que pueden aplicar dadas las estrategias de los demás.

Las recompensas de los juegos normalmente representan la utilidad de los jugadores individuales. A menudo las recompensas representan dinero, que se presume corresponden a la utilidad de un individuo. Esta presunción, sin embargo, puede no ser correcta. Un documento de teoría de juegos en economía empieza presentando un juego que es una abstracción de una situación económica particular. Se eligen una o más soluciones, y el autor demuestra qué conjunto de estrategias corresponden al equilibrio en el juego presentado.

Sin duda, tanto en Análisis de Riesgos, el análisis de Negociaciones y la Teoría de Juegos, así como la combinación de las tres disciplinas, tienen mucho que aportar a la gestión del Talento en las organizaciones hoy en día y podrían aliviar o eliminar algunos de los problemas más comunes que aún se siguen repitiendo.

BIBLIOGRAFÍA:

Este documento ha sido creado fundamentalmente a partir de los contenidos almacenados en Wikipedia, la enciclopedia de contenido libre que todos pueden editar. El texto estaba disponible bajo la Licencia Creative Commons Atribución Compartir Igual 3.0, aunque pueden aplicarse cláusulas adicionales. Desde 2001, efecto de la transformación digital, la historia no la escriben solo los vencedores, la escribimos de forma colaborativa entre todos. Para el resto de contenidos se muestran las referencias a continuación:

[Behrens et al., 1978] Behrens, Schneider and Weisberg. (1978). Measuring Quality of Production. Marketing 1978, 131-143.

[Cox and Ellsworth, 1997] Cox, M. and Ellsworth, D. (1997). Application-controlled demand paging

for out-of-core visualization. NASA Ames Research Center.

[David Ríos Insua, 2022] David Ríos Insua, R. N. (2022). ¿qué sabemos de análisis de riesgos? CSIC

y Catarata.

[Desi, 2021] Digital Economy and Society Index (DESI) 2021. European Commision.

 [Hernández et al., 2008] Hernández, J. M., Jiménez, D. M., Barahona, J. M. G., Pascual, J. S., and

Robles, G. (2008). Introducción al software libre.

[Howard, 1982] Howard, R. (1982). The art science of negotiation. Library of Congress Cataloging in

Publication Data.

[Howard, 2002] Howard, R. (2002). Negotiation analisis. Harvard University Press.

[Luhn, 1958] Luhn, H. (1958). A business intelligence system. IBM Journal of Research and Develop-

ment, 2:314–319.

[Moralmachine, 2018] Edmond Awad, Sohan Dsouza, Richard Kim, Jonathan Schulz, Joseph Henrich, Azim Shariff, Jean-François Bonnefon & Iyad Rahwan (2018). The Moral Machine experiment. Nature 563, 59–64.

[Moreno et al., 2003] David Rios Insua, Julio Holgado, Raul Moreno (2003). Multicriteria e‐negotiation systems for e‐democracy. Journal of Multi‐Criteria Decision Analysis. John Wiley & Sons, Ltd.

[Nash, 1950] Nash, J. (1950). Equilibrium points in n-person games. Proceedings of the National

Academy of the USA 36(1):48-49.

[Nuria Oliver, 2022] Inteligencia Artificial, naturalmente por Nuria Oliver

[Parliament, 2013] Parliament, E. (2013). Legal aspects of free and open source software. Directorate-General for Internal Policies.

[Redchuck, 2010] Andrés Redchuk (2010). Service Quality Measurement: A new methodology. URJC.

[Vodafone 2020] Big Data: desde los inicios hasta hoy [Infografía]

[von Neumann and Morgenstern, 1944] von Neumann, J. and Morgenstern, O. (1944). Theory of games and economic behavior. Princeton University Press.

Términos y direcciones importantes

ERP: Enterprise Resource Planning. 

FLOSS: Free/Libre and Open Source Software.

Gartner: https://www.gartner.es/es.

MIT: Massachusetts Institute of Technology

PyTorch: https://pytorch.org/.

SaaS: Software as a Service.

SAP: https://www.sap.com/.

SAS: https://www.sas.com/.

TensorFlow: https://www.tensorflow.org/.

Wikipedia: https://es.wikipedia.org/.