People Analytics. Innovación Tecnológica
- Código de la asignatura
- 50008
- Nº Créditos ECTS
- 6
- Tipo
- Obligatoria
- Duración modalidad 12 meses
- Semestral
- Idiomas
- Castellano
- Planes de estudio
- Máster Universitario en Dirección y Desarrollo de Recursos Humanos
- Año académico
- 2026-27
People Analytics. Innovación Tecnológica
Descripción
People Analytics. Innovación Tecnológica conecta la transformación digital de recursos humanos con el análisis de datos y la aplicación de la inteligencia artificial a la gestión de personas. El recorrido comienza con la estrategia digital, la reingeniería de procesos y la cultura Agile; continúa con los fundamentos de ciencia de datos, estadística, probabilidad y Machine Learning, y los aplica a preguntas de negocio. Se trabajan las fuentes y la preparación de datos, las métricas, los modelos de predicción, su evaluación y la comunicación de resultados mediante visualización y storytelling. La inteligencia artificial se aborda en reclutamiento, selección, onboarding, desempeño, desarrollo, formación y experiencia del empleado, incluyendo el procesamiento del lenguaje natural y la creación de asistentes virtuales. Los casos y actividades conectan los resultados con decisiones de recursos humanos, incorporando la ética, los sesgos, la protección de datos, la transparencia y la gobernanza.
Conocimientos o contenidos
- Conocer soluciones innovadoras a problemas complejos de la empresa u organización mediante el uso de técnicas análisis de datos aplicadas a las relaciones laborales y a los recursos humanos.
- Conocer los métodos, sistemas y procedimientos más adecuados para potenciar el talento y el desarrollo del conocimiento en el desempeño profesional de la gestión de los recursos humanos acorde a las expectativas exigidas por la sociedad.
- Conocer los fundamentos conceptuales y metodológicos de People Analytics, comprendiendo el papel de los datos en la toma de decisiones estratégicas de Recursos Humanos.
- Identificar las principales fuentes de datos en RR.HH., sus limitaciones, calidad y tratamiento, así como los indicadores clave para la medición del desempeño organizativo.
- Comprende las técnicas de análisis descriptivo, diagnóstico, predictivo y prescriptivo aplicadas a la gestión del talento.
- Conoce las posibilidades que ofrecen la analítica avanzada y la inteligencia artificial para analizar comportamientos, predecir resultados organizativos y optimizar procesos de personas.
- Entiende los aspectos éticos, legales y de protección de datos vinculados al uso de información de empleados.
Competencias
- Capacidad para diseñar e implementar proyectos de People Analytics alineados con la estrategia empresarial y las necesidades del negocio.
- Capacidad para traducir problemas de gestión de personas en preguntas analíticas medibles y accionables.
- Competencia para seleccionar indicadores, modelos analíticos y herramientas tecnológicas adecuadas para la toma de decisiones en RR.HH.
- Capacidad para comunicar hallazgos analíticos a perfiles no técnicos, facilitando la toma de decisiones basada en datos.
- Competencia para integrar People Analytics en procesos clave como selección, desempeño, rotación, clima, formación o compensación.
Habilidades o destrezas
- Identificar y proponer soluciones a los problemas tras el estudio de los diferentes datos obtenidos en la organización manejando las técnicas de análisis de datos relevantes para el proceso de toma de decisiones.
- Utilizar herramientas de análisis de datos para la exploración, tratamiento y visualización de información de empleados.
- Construir dashboards e indicadores de gestión de personas que faciliten el seguimiento del desempeño organizativo.
- Aplicar técnicas estadísticas y modelos predictivos para anticipar fenómenos como rotación, absentismo o desempeño.
- Interpretar resultados analíticos para proponer acciones de mejora en políticas y procesos de RR.HH.
- Elaborar informes ejecutivos de People Analytics orientados a la toma de decisiones estratégicas.
La dedicación requerida para esta asignatura de 6 créditos ECTS es de 25 horas, que se encuentran distribuidas de la siguiente manera:
- Clases teóricas síncronas: 4,7%
- Clases teóricas asíncronas: 4,7%
- Tutorías personalizadas síncronas: 4,7%
- Tutorías personalizadas asíncronas: 2%
- Clases prácticas síncronas: 4,7%
- Clases prácticas asíncronas: 2%
- Realización de trabajos o proyectos: 40%
- Realización de examen final: 1,3%
- Estudio individual y trabajo autónomo: 35%
Bibliografía
Becker, B. E., Huselid, M. A., & Ulrich, D. (2001). The HR scorecard: Linking people, strategy, and performance. Harvard Business School Press.
Guenole, N., Ferrar, J., & Feinzig, S. (2017). The power of people: Learn how successful organizations use workforce analytics to improve business performance. Pearson FT Press.
Además, se recomienda la siguiente bibliografía de consulta voluntaria:
- CIPD. (2018). People analytics: Driving business performance with people data. Chartered Institute of Personnel and Development. https://www.cipd.org/globalassets/media/knowledge/knowledge-hub/reports/people-analytics-report_tcm18-43755.pdf
- Cross, R. L., & Parker, A. (2004). The hidden power of social networks: Understanding how work really gets done in organizations. Harvard Business School Press.
- Dastin, J. (2018, 10 de octubre). Amazon scraps secret AI recruiting tool that showed bias against women. Reuters. https://www.reuters.com/article/us-amazon-com-jobs-automation-insight/amazon-scraps-secret-ai-recruiting-tool-that-showed-bias-against-women-idUSKCN1MK08G
- Davenport, T. H., & Harris, J. G. (2007). Competing on analytics: The new science of winning. Harvard Business School Press.
- Harter, J. K., Schmidt, F. L., Agrawal, S., Blue, A., Plowman, S. K., Josh, P., & Asplund, J. (2020). The relationship between engagement at work and organizational outcomes: 2020 Q12® meta-analysis: 10th edition. Gallup. https://www.gallup.com/workplace/321725/gallup-q12-meta-analysis-report.aspx
- Kirkpatrick, D. L., & Kirkpatrick, J. D. (2006). Evaluating training programs: The four levels (3.ª ed.). Berrett-Koehler.
- Phillips, J. J. (2003). Return on investment in training and performance improvement programs (2.ª ed.). Butterworth-Heinemann.
- Polli, F. (2019, 29 de octubre). Using AI to eliminate bias from hiring. Harvard Business Review. https://hbr.org/2019/10/using-ai-to-eliminate-bias-from-hiring
- Rasiel, E. M. (1999). The McKinsey way. McGraw-Hill.
- Regulation (EU) 2024/1689 of the European Parliament and of the Council of 13 June 2024 laying down harmonised rules on artificial intelligence (Artificial Intelligence Act), Official Journal L 2024/1689 (2024). https://eur-lex.europa.eu/eli/reg/2024/1689/oj/eng
- Rosenbaum, E. (2019, 3 de abril). IBM artificial intelligence can predict with 95% accuracy which employees will quit. CNBC. https://www.cnbc.com/2019/04/03/ibm-ai-can-predict-with-95-percent-accuracy-which-employees-will-quit.html
- Schaufeli, W. B., Bakker, A. B., & Salanova, M. (2006). The measurement of work engagement with a short questionnaire: A cross-national study. Educational and Psychological Measurement, 66(4), 701–716. https://doi.org/10.1177/0013164405282471
- Schmidt, F. L., & Hunter, J. E. (1998). The validity and utility of selection methods in personnel psychology: Practical and theoretical implications of 85 years of research findings. Psychological Bulletin, 124(2), 262–274. https://doi.org/10.1037/0033-2909.124.2.262
- Schwartz, J., Collins, L., Stockton, H., Wagner, D., & Walsh, B. (2017). Rewriting the rules for the digital age: 2017 Deloitte Global Human Capital Trends. Deloitte University Press. https://www2.deloitte.com/us/en/insights/focus/human-capital-trends/2017.html
- Society for Human Resource Management. (2022). The use of people analytics in human resources: Current state and best practices moving forward. SHRM. https://www.shrm.org/content/dam/en/shrm/research/use-of-people-analytics-in-hr.pdf
- Introducción a People Analytics
- Fuentes de datos en RR.HH.
- KPIs y métricas clave en RR.HH.
- Estadística aplicada a People Analytics
- Introducción al Machine Learning en RR.HH.
- Modelos de predicción en RR.HH.
- Evaluación y optimización de modelos de Machine Learning
- Visualización de datos para RR.HH.
- Inteligencia Artificial aplicada a RR.HH.
- Procesamiento de Lenguaje Natural (NLP) en RR.HH.
- Creación de asistentes virtuales para RR.HH.
- Transformación digital en RR.HH.
- Implicaciones éticas y protección de datos
- Ética y Transparencia en People Analytics
- Presentación de proyectos y cierre
Durante el estudio de esta asignatura, el proceso de evaluación del aprendizaje es continuo y contempla la realización de:
- Una evaluación continua a lo largo del curso a través de acciones didácticas que supone el 40% de la nota final. Incluye la realización de los diferentes tipos de actividades de evaluación, de aprendizaje y controles.
- Supuestos o casos prácticos.
- Actividades dirigidas con material multimedia o audiovisual.
- Actividades de autocomprobación de conocimientos.
- Un examen final que supone el 60% de la nota final. Está dirigido a la valoración de las competencias y conocimientos adquiridos por el estudiante. El examen se evaluará de 0 a 10, tendrá una duración estimada de 90 minutos.
Para poder presentarse al examen final, en cualquiera de las convocatorias, es imprescindible cumplir los siguientes requisitos relacionados con la evaluación continua: obtener al menos una calificación de 2 puntos en la evaluación continua previa al examen final.
El estudiante que se presente al examen sin cumplir requisitos, será calificado con un cero en el examen final y consumirá convocatoria.
Cuadro resumen del sistema de evaluación
| Tipo de actividad | Actividades planificadas | Peso clasificación |
|---|---|---|
| Controles | 2 | 10% |
| Supuestos o casos prácticos | 2 | 20% |
| Actividades dirigidas con material multimedia o audiovisual | 1 | 10% |
| Examen final | Sí | 60% |
| Total | 100% |
Para aprobar la asignatura, es necesario obtener una calificación mínima de 5 en el examen final presencial, así como en la calificación total del curso, una vez realizado el cómputo ponderado de las calificaciones obtenidas en las actividades didácticas y en el examen final presencial.
Si un estudiante no aprueba la asignatura en la convocatoria ordinaria podrá examinarse en la convocatoria de septiembre. El estudiante que no se presente a la convocatoria ordinaria y extraordinaria, perderá automáticamente todos los trabajos realizados a lo largo del curso. Deberá en este caso matricularse de nuevo en la asignatura.
Las fechas previstas para la realización de todas las actividades se indican en el aula virtual de la asignatura.
Originalidad de los trabajos académicos
Según la Real Academia Española, “plagiar” significa copiar en lo sustancial obras ajenas dándolas como propias. Dicho de otro modo, plagiar implica expresar las ideas de otra persona como si fuesen propias, sin citar la autoría de las mismas. Igualmente, la apropiación de contenido puede ser debida a una inclusión excesiva de información procedente de una misma fuente, pese a que esta haya sido citada adecuadamente. Teniendo en cuenta lo anterior, el estudiante deberá desarrollar sus conocimientos con sus propias palabras y expresiones. En ningún caso se aceptarán copias literales de párrafos, imágenes, gráficos, tablas, etc. de los materiales consultados. En caso de ser necesaria su reproducción, esta deberá contemplar las normas adecuadas para la citación académica.
Los documentos que sean presentados en las actividades académicas podrán ser sometidos a diferentes mecanismos de comprobación de la originalidad (herramientas antiplagios que detectan coincidencias de texto con otras fuentes, comparación con trabajos de otros estudiantes, comparación con información publicada en Internet, etc). El profesor valorará si el trabajo presentado cuenta con los criterios de originalidad exigidos o, en su caso, se atribuye adecuadamente la información no propia a las fuentes correspondientes. La adjudicación como propia de información que corresponde a otros autores podrá suponer el suspenso de la actividad.
Los documentos presentados en las actividades académicas podrán ser almacenados en formato papel o electrónico y servir de comparación con otros trabajos de terceros, a fin de proteger la originalidad de la fuente y evitar la apropiación indebida de todo o parte del trabajo del estudiante. Por tanto, podrán ser utilizados y almacenados por la universidad, a través del sistema que estime, con el único fin de servir como fuente de comparación de cualquier otro trabajo que se presente.
Sistema de calificaciones
El sistema de calificación de todas las actividades didácticas es numérico del 0 a 10 con expresión de un decimal, al que se añade su correspondiente calificación cualitativa:
0 - 4.9: Suspenso (SU)
5.0 - 6.9: Aprobado (AP)
7.0 - 8.9: Notable (NT)
9.0 - 10: Sobresaliente (SB)
(RD 1125/2003, de 5 de septiembre, por lo que se establece el sistema europeo de créditos y el sistema de calificaciones en las titulaciones universitarias de carácter oficial y con validez en todo el territorio nacional).