"People Analytics y el futuro del trabajo": Sergio Garcia Mora + Javier Calzolari - HR, Data & Branding

Hola, te doy la bienvenida al Podcast HR, Data y Branding. Soy Javier Calzolari y te voy a estar compartiendo junto a muchos especialistas destacados, las más recientes novedades y la información más relevante sobre digitalización de recursos humanos, inteligencia artificial, marca personal y más. En nuestro episodio de hoy vamos a conversar con Sergio García Mora. Sergio es licenciado en relaciones del trabajo y Data Scientist asociate principal en Accenture. Empecemos. Bueno, muy buenos días. Sergio, muchísimas gracias por acompañarnos. Vamos inicial con nuestra primera pregunta para vos, que es la siguiente. ¿Cómo llegaste al campo de piperanalytics y qué te llevó a especializarte específicamente en la programación con ARRE para análisis de datos de recursos humanos? Bueno, espero que haya tiempo. Lo que me trajo en el mundo de piperanalytics, fuera un par de cosas. Por un lado, teníamos un kilómbro grande en la empresa donde estaba trabajando en ese momento, con el tema del autantismo, que había pasado un 4% histórico o promedio o un 8 medio mentiroso. Que en realidad, cuando lo medimos, va propiedadamente a llegar a ser un 15. Y bueno, eso me llegó por un lado a analizar las causas, a tratar de terminar, si había algún patrón, cuáles eran las causas más frecuentes. Y también lo que me había propuesto en ese entonces era costearlo. O sea, y ahí costearlo, pero incluyendo todo. No solamente lo que entra en el recibo de sueldo por licencia, por enfermedad. Así que bueno, ese fue uno de los factores y el otro factor, digamos, más a largo plazo y no tan coyuntural, tenía que ver con mi empleabilidad en el futuro y por otro lado lo sabía que en recursos humanos no había nada nuevo, que no estaba pareciendo o ninguna tendencia que fue se atractiva, que fue ser diferenciadora, y también veía mucho humor. O sea, como que se vendía, era como buena, como que todo lindo, muy hip y muy flavor power, pero que le faltaba sustento por esta. Y cuando empecéle sobre Big Data, y que o de Data Maddening, y que eso se podía aplicar a la gestión de personas, me fascino, porque recursos humanos se asufren mucho de esto de la opinionitis. O sea, el que tiene más caro, el caro más alto, la opinión de esa persona, bueno, es la que va y acá encontraba, digamos, una herramienta que me permitía de terminar, bueno, esto funciona y esto no funciona, y acá está la validación. Así que bueno, eso fueron como los dos motores principales de la elección por Pipola Gaitis, y después la elección BR fue cuando comencé la maestría Data Maddening, la primera vez, la mayoría de mis compañeros, o sea, buscaba en usar el lenguaje de programación, a mí la primera vez que lo daré, me pareció un chino, no entendía un carajo, y se me hacía muy difícil entenderlo, entonces, encontré otro programa que se llama Raktiv Miner, que son como cajitas, o sea, que de las conectas, entonces, tienes una cajita de rastras en un canba, así que, bueno, esa cajita te sirve para crear los datos, después otra cajita para filtrar, después otra para hacer gráfico, otra para separar entre ahí y así, que es muy bonito, o sea, es más en la caja negra, yo voy a usarlo y que funcione va bien, el tema es que cada vez que necesitaba hacer un cambio, pues, son una cosa, es cuando las escolas tutorial eviter son 4 o 5 cajitas conectadas play, pero después de la vida real, digamos con datos, o sea, por ejemplo, de las ejercicios y teníamos la maestría de mar, o sea, esas cajitas, o sea, se multiplicaba, entonces, agregar, por ejemplo, un proceso más, o sea, implicaba desconectar un montón de cajitas, volverás a conectar y me volví a loco y me di cuenta que eso lo podía resolver, modificando una o dos líneas de código, nada más, así que, bueno, ahí fui, fui amigándome, y después en lo otro que me gustó de R, fue que la sintaxis me pareció un poco más simple al principio que la de Python, igual pasaron años hasta que me puso a programar en serio, digamos, cuando entren en DataIQ tres años después, veía que, en el interior, entre esos tres años, siempre tuvo un socio técnico, siempre tenía una persona que se encarga de programar, entonces yo decía, "me necesito esto", y después me encargaba así de analizar los resultados, de mirar los outputs, a ver qué cosa era valiosa, qué cosa servía, cuál es que no, qué cosa se podría corregir, qué más pedir, pero después hasta que no entren en DataIQ, a fines de 2019, que no necesité programar otra vez, no había tolado ni una línea de código, y lo que me pasó en DataIQ es que yo entré en una consultora, principalmente en ese momento de desarrollo de Ideal, y entonces si yo lo que me di cuenta es que si quería formarme como un desarrollado de Ideal, siempre iba a estar corriendo detrás, en cambio, si le metí un poco de fichas a R, y aportar algo desde la ciencia de datos, ahí con poco me diferenciaba, entonces ahí fue que aprende a. ahí fue cuando aprendí a programar el serio, o sea que en resúmenes, básicamente, o sea, lo que me trajo a el mundo de pipo de analítics, fue la necesidad, y lo que me llevó a aprender de R fue la necesidad. Es aparte conectando ahí tanto para lo que fue el inicio y después el profesionalizado, esto que decías de buscar por ahí la novedad, de que realmente en su momento, y esto ya parece que pasaron mucho más años de lo que pasaron en realidad, pero digo, fue un pionero en el campo de pipo de analítics, realmente fue un punto ahí de inflexión, o sea, se notó cuando empezó el boom de pipo de analítics, yo siempre cuento que yo considero que fui uno también de los primeros, y sin embargo, yo, cuando arranqué vos, ya era para mí un referente, entonces claramente eso de que contaba, por favor, que viste eso, de que faltaba lo novedoso, de que faltaba algo innovador, o algo que realmente le aportara un poco más de sustento a la gestión, eso estaba pasando en ese, en ese mismo momento, y justamente a partir de esa, de esa observación, cómo ves la evolución de pipo de analítics durante los últimos años, ¿no?, cómo ves este, este campo de especialización ahora que en realidad, bueno, cada vez, este tiene menos de especialización y más de, de, de obligación, diría, de, de generalidad, porque ya se ve prácticamente, en todos los, los espacios de recursos humanos. Veo que es como algo que, que, que va y viene, ¿no?, o sea, porque por un lado está, y vamos como el desarrollo tecnológico, que, o sea, que constantemente, digamos, o sea, está, sacando algo nuevo, vemos, siempre hay algo, algo nuevo diferente que, que, que, que, que es fascinante, y después, por otro lado, están las tensiones, o sea, en las empresas, ¿no?, o sea, que, que lo que veo, que no hay como una, vemos un problema que es específicamente, por ejemplo, de, de, de, de Latinoamérica, o de Sudamérica, digamos, también lo vean empresas locales, eh, incluso en la, a veces, en, en, en empresas que están como muy avanzadas, o sea, con, con, con el desarrollo de piplas eríticas, y en donde las tensiones están, desde, o sea, el presupuesto que tiene recursos humanos, o incluir a recursos humanos dentro de estrategia digital, este, pero también, digamos, o sea, invirtiendo fuerte ahí, eh, porque para muchas empresas, digamos, a las personas son sus principales activos, pero de, de la boca para fuera, este, y, y, así que, y, a veces, lo que, lo que pasa también es que, bueno, falta como cascariar bien, o sea, las mejores prácticas, este, como utilizar o explotar al máximo las herramientas que disponen, de las, de las compañías, eh, así que, bueno, es, creo que es, es, es, es super interesante, super prestación, antes, o sea, y me parece que uno de los, para mí, uno de los focus, a los que les estamos, por la atención, eh, justamente la, la parte de Change Management, o sea, porque. como que enfocamos toda la parte de pipo analític desde el punto de vista tecnológico, desde el punto de vista de las herramientas, pero también implica un cambio en la forma de tomar decisiones, en la forma de analizar, en la forma de compartir y de conectar la información, de poner a disposición la información. Y bueno, esos son procesos que también involucran diamos a expertos en temas de change management. Totalmente, totalmente, de hecho, una de las conversaciones que por ahí hemos tenido recientemente en algunas de las formaciones que compartimos en humanos reales, tiene mucho que ver con esto, no solo en el ámbito de pipo analític, sino en general, hablando de agiridad, por ejemplo, hablando de pipo experience. Se pregunta mucho con qué herramienta hago esto, con qué software, con qué programa, con qué tipo de tablero, con qué hago esto, cómo arranco mañana para poder hacerlo en mi empresa. Y en general, la respuesta tiene que ver por ese otro lado, por cómo vas a hablar con los responsables de tomar decisión, cómo vas a hablar con la gente, nada, todos esos otros factores que tienen que ver con más con la implementación y con mantener esa implementación y no tanto con la herramienta, por eso acá por ahí, la discusión el repite, es un tema de gusto, si encima quedan en otro, ni siquiera un segundo plano, un tercer plano, así que total, totalmente, de acuerdo. Y para colmo posit, bueno, lo que era antes de reestuve, vamos a ver hasta cómo trabajar lo fuerte, digamos, en poder trabajar los lenguajes, hacer en lo mismo script, o sea, es el bóver visto, o sea, el ríver o cada ríver, o sea, alénez, mi apotén, pero hay algo que dijiste, o sea, que es muy interesante también, y que tiene que ver con esto de mantener, porque lo que veo, que pasa, cuando no se desarrolla, digamos, los proyectos de piparanetics, o las áreas de piparanalistic, no se desarrolla como parte de una estrategia, terminan, digamos, empezando como una iniciativa de alguna persona que tiene la inquietud, o sea, que o que tiene las ganas de armarse un tablero, de armar algún análisis, de empezar con un proyecto, que por ahí, o sea, genera intereses en la dirección de recursos humanos, o en alguna dirección de negocios, pero justamente como falta esa estrategia, como falta ese apoyo, como falta ese es sponsorio, cuando esa persona deja la organización, hasta ahí llegó el tipo de amor, totalmente, totalmente, este, te consulto por ahí, de manera más específica, si pensando ya en implementaciones que haya pasado en empresas, que puede ser algún caso, este tuyo, o alguno que haya visto, implementado en organización que te haya quedado así grabado, si puedes compartir algún caso de éxito en la aplicación de piparanalistic, haya generado así un impacto significativo en la estrategia de recursos humanos, si te pregunto así que es lo que se te viene a la cabeza, a veces venien en cosas como tan simple como bueno saber cuántas gente trabaja, totalmente, vale y es parte de totalmente, no, no, no, el proyecto como digo siempre no es el caballito de batalla, el análisis, predictivo, derrotación, no sabes la cara de satisfacción que a veces tienen los clientes, cuando se decían, al fin se cuenta gente la buracán, es una locura, no, pero después de MSD, o sea, una de las cosas que más me quedo fue el tema de, o sea, de cómo manejaban toda la parte de pipolespeedians, el atop, y no necesariamente porque hicieran cosas que, que fuera muy diferentes a través de esa empresa, pero si no, que realmente díamos, había un equipo de dos personas más, más Jeremy, o sea, se quieren, o sea, dirigiendo, o sea, que realmente se le ponían mucha cabeza, estaban como muy atrás, bueno, de, de cuales se en las preocupaciones del negocio, y más allá de un cierto cor de preguntas, o sea, que se mantenían, habían, como ciertos esgestemáticos que iban variando, o sea, hablaron el tiempo, o que se repetían en, digamos, o sea, de forma periódica por ahí, pero después, o sea, en las cosas que vos tenías ahí, era, digamos, estaban disponibles para todo el mundo, digamos, a que tenía acceso, en, en, en tres días, o sea, terminaba la, poner a que terminaba un, el, el, el equipo de, de, de, de emploi, dicen, en constada de dos personas, o sea, tampoco era el visto en que tenían como un batallón, este, o sea, que eran tres, o sea, incluyéndolo a Jeremy, que dirigía, digamos, a todo el área, este, Jeremy Shapiro para, este, para los amigos, pero lo interesante era que ellos siempre estaban, digamos, a, más allá, de, de un set de preguntas, que eran, que se repetía, después, o sea, el, el, todo el contenido de las encuestas, o sea, híganle en función de lo que necesitan el negocio, en cual es general problema, y por otro lado, después la información está disponible, o sea, prácticamente, o sea, de un día para el otro, de hecho, terminaba, de, de, terminábamos, de, de recolectar las preguntas, de, de, de las respuestas, en, nosotros, teníamos acceso por ahí, o sea, un, un, un, dos días después, es, y después, cuatro días después, o sea, el, el, el, todo el manage me tenía acceso a sus resultados, y, y podía, o sea, este, trabajar en posesos, eh, después, mi primer proyecto de pipelanetics, o sea, formal, digamos, con, con, con, como, consultor, que también fue una encuesta de clima, lo lindo de, de, de, de ese proyecto, fue que, cuando el, el equipo de recursos humanos presentó a la dirección, el tablero y todo el análisis que nosotros habíamos hecho, el feedback que, que recibieron fue, eso es lo que necesitamos implementar en toda la empresa, o sea, que ahí, los recursos humanos, pico en punta, digamos, para, para liderar, digamos, con un cambio, o sea, sea de una gestión de tablería, este, así que eso es motivo de orgullo, pues, y después, bueno, eh, pequeños proyectos, o sea, por ahí o sea, una de las cosas que son más satisfactorias es ir en contra de una, de una idea preconcevida, como por ejemplo, no sé, asumir que estamos promoviendo pocas mujeres, o que, por ahí, el, eh, en los planes de sucesión, digamos, o sea, no sé, no se las tiene en cuenta, y que los datos te digan otra cosa, eh, en los de siempre está bueno, o sea, y después, bueno, no sé, que hay cositas, creo que lo lindo también, eso sea, cuando los datos sirven al cliente, o sea, ya sea el cliente interno, o el cliente está malo, pero, por ejemplo, un gran éxito de un tablero era que desarrollamos para, para un cliente, tenía que ver con preguntarles, o sea, bueno, cuál es la información, o sea, si, por ejemplo, la información que a ustedes se interesa está volcada en el tablero, ¿no? Y voy al ejemplo concreto, digamos, este cliente particular, teníamos un, un objetivo que afectaba a un bueno, eh, tenía un objetivo de gasto en horas extras, o sea, que si por año gastaba menos de tanta plata en horas extras, o sea, ellos recibían un bueno. Entonces, la pregunta es, más allá del indicador de la sextra de gasto, de la sextra, además, te gustaría que ese indicador, o sea, qué tan dejos, cerca del bueno, estamos, te gustaría que esa métrica estuviera en el tablero, y la verdad que sí. Entonces, esos son como los, los grandes wins que ustedes, porque después, o sea, incluso en MCD, teniendo un equipo de atasar y en sí demás, o sea, la mitad de los éxitos o la mitad de la información que mostrábamos, que era valiosa, que es que envenían de capéis, o sea, no necesariamente tiene que ser todo tan complejo. Después, si hacíamos cosas más sofisticadas, pero no necesariamente lo más complejo o lo más novedoso, va a ser lo más varios. Me encanta, porque es un desafío al modelo de madurez de Gardner, esto de mayor complejidad, mayor valor, la tapa prescriptivo, ahí toda la abuela. Sí, pero ese, el tema, creo que hay recursos humanos, o sea, la gestión de personas es muy compleja, y creo que, no sé, quién decía después, bueno, en todo caso, buscarás aquí, aquí le adosamos la frase, pero, mientras más complejo, el problema más simplemente tiene que ser la solución, o sea, y esto salvo, por ejemplo, una vez mis autoras favoritas, crisis mid, tiene esa, tiene esa visión siempre, o sea, hay un libro de ella, de planificación estratégica. de mano de obra, en donde es en su introducción cuenta que analizó, o sea, cuando ella lo necesito hacer, analizó diamos a los modelos de montón de consultoras, o sea, de grandes empresas, de que se llaman a un global, y es que sean estes imposibles de entender, o sea, tenés que tener una especialista en entender lo que quieran decir para después hacer tener otra especialista que te ayude en la implementación lo cual es imposible. Entonces ella desarrolló como tomando elimento de cada cosa, desarrolló un modelo, o sea, de strategic workforce planning, este propio, que es simple conceptualmente, porque después el trabajo se es jodido. Claro, mínimo entendelo bien primero. Claro, pero creo que a veces el tema es, el fundador de waste decía no sé cómo que te tenés que ir a la clave eléctito, es enamorarte del problema y yo me sucesionarte con eso. A mí el motor que me sacó de mis zonas de confort, o sea, yo les gierro de su mano, pues no tenía números, esto es una carrera, no tiene números. Y lo que me sacó de mis zonas de confort fue justamente ponerme a analizar con números y con datos, y vamos a un problema de bucentismo, que me estaba, o sea, una papa galiente que teníamos en la empresa, y que sí o sí necesitábamos resolver, digamos, o sea, porque yo estaba en el ojo de la tormenta en eso, yo como equipo de recursos humanos, por más que no sea 100% responsabilidad de recursos humanos del tema de la ucentismo, pero yo estaba en el ojo de la tormenta, digamos, entonces, bueno, eso fue lo que me llevó a odio, a ir un poquito más allá, y a veces es eso, o sea, es tener el coraje de asumir, o sea, las cosas de pueden llegar a estar mal, o sea, las cosas de pueden llegar a estar bien, digamos, creo que cada uno de ahí tiene que encontrar su propia motivación, por eso, o sea, es poder enfrentarnos, o sea, como líderes de una organización a los problemas, y bueno, y que sea y aguantarla que se den, después, si te dicen, no sé, imagínemos que en el problema de la ucentismo se era un problema de desarrollo de carreras, o sea, hacer un caro de que, bueno, mi problema se dice, entonces, tengo que enfocarme en el resolver ese problema, o degenerar, tenemos un contexto que sea más favorable para el desarrollo de las carreras de las personas, y bueno, como humanos, tenemos que asumir, tenemos que asumir este compromiso. Total, totalmente, totalmente. Y bueno, solo de Change Management. Total. Ya me imaginé un montón de consultores de Change Management. Totalmente, total, absolutamente. Esto me lleva otra pregunta, justo relacionado, que tiene que ver con lo que hablábamos también, es un ratito de bueno, el crecimiento que ha tenido en los últimos años, y cómo capace lo ve cada vez más de manera general en recursos humanos, pero específicamente pensando en un profesional individualmente. Y hoy, se la pregunta viene por el lado de, hablamos cada vez más de inteligencia artificial, de chat GPT, GPT, y de todos los otros sistemas ahí, de inteligencia artificial generativa. Y si habla mucho de cuánto esto va a empezar a reemplazar, por ejemplo, ya no a los trabajos de manera general, sino a los trabajos para que tiene más que ver con programación, y demás, con la parte más tecnológica del mundo laboral. Entonces, en este sentido, ¿cómo crees que la habilidad de, por ejemplo, saber programar o de saber trabajar con datos, a saber analizar datos, mantiene o no su importancia, su relevancia al momento de que los profesionales de recursos humanos se forman. Básicamente, ¿cuál importante ves aprender programación, aprender análisis de datos? Hoy, por hoy, con la llegada de inteligencia artificial. Es una gran pregunta. Y no sé por dónde empezar a responder así, por el meme o por una investigación de si me va. El meme me parece perfecto, ¿para romper el hielo? Bueno, hay un meme donde arranca, como que diciendo que bueno, la inteligencia artificial va a replazar los programadores, y está el programador diciendo, bueno, en el momento que el cliente e vuelusario te pase específicamente, o sea, lo que quiere, lo que necesita. ¿De qué va a ser datos, va a sacar los datos? ¿Cuál va a ser el KPI que necesita calcular y cómo va a querer esa desadizarización? El día que el cliente llega a este punto, digamos, o sea, ahí sí voy a perder mi trabajo. Mientras tanto, tengo asegurado trabajo por 80 años más. Hay tiempo, claro. Sí, sí, sí. Después hay, o sea, hablando un poco más en serio, hay como dos aristas, o sea, en esto, que es algo que me gusta mucho de MSD y de acento donde estoy trabajando ahí, digamos, o sea, que se promueve, digamos, a esto de humanin de loop, este concepto de humanin de loop, o sea, como, a aprovechar la inteligencia artificial, como algo que permite como aumentar las capacidades de las personas para hacer su trabajo, ¿no? Entonces, por ejemplo, en un par de investigaciones que se desarrollan a través de Accenture, digamos, se dicen que dependiendo de la industria, ya no me acuerdo las posibilidades, pero, pero dependiendo de la industria, ya está hasta un 70% de las tareas que se pueden o automatizar o aumentar, ¿no? O sea, este. y el otro punto importante de, de, de, de esa investigación es que compara, hace una línea comparativa, bueno, entre entre el entre la proyección de revenue que pueden tener las empresas, digamos, al, al momento de adoptar la inteligencia artificial y que, la, la proyección que, que, que dicen es que, mientras majes, eh, eh, human centric, o sea, como, más, en torno a las personas, o sea, esto con mantener a los, a las personas, digamos, con el foco dentro de las personas para aumentar, este, la, la, la, la capacidades, digamos, eso, creo que van a, ganar mucho más plata que solamente las que aprovechen el inteligencio artificial para reducir costas, por ejemplo, eh, y, si bien, digamos, todas las herramientas de inteligencias artificiales están avanzando muy rápido, hay cosas donde vos necesitas todo ahí a criterio, mantienen como cierto criterio, ¿no? Pues, no sé, de hecho, las, las herramientas que ya que, hasta, por ejemplo, las herramientas de viais, las ya tendrán como, como, como una analiza de, de inteligencias artificial, que en, por ejemplo, lo que te tienen en, es, es como algo muy burdo, o sea, como, medio de reta, ¿no? Como dicen, bueno, si, la mayor cantidad de personas tienen 35 años y que hago con esto, o sea, no me sirve de nada, o sea, decíme o sea, por ahí, bueno, no sé, los que cruzame los datos y creo que, y podéis este algo que es, o sea, aprender a interpretar los datos, por ahí, o sea, no tanto aprender a programar entre comillas, bueno, lejamos este para ellos, pero aprender a interpretar los datos vital, o sea, es vital, o sea, justamente para desafiar eso, o sea, lo que, lo que, el resultado de la roja, y después también para poder poner, buscar contextos, no sé porque, por ahí, lo que está saltando hoy, por ahí, la inteligencia artificial es el contexto, componer algo en contexto, digamos, que por ahí esos fíjios, o sea, es algo que todavía es facultado humana, pero eso, incluso de eso, o sea, mirando, o sea, el gráfico de la agar, es quina derecha del tablero contra el gráfico de abajo del medio, o sea, hasta, hasta ese nivel de onostra, así que bueno, creo eso, y el concepto del favoritización de datos es la idea de audiodata, la idea de así, para tomo los chetos y decirlo en inglés, me parece fascinante desde ese punto de vista, por ahí, o sea, la definición, eso es trabajar, analizar y debatir con datos, entonces, eso implica saber interpretar una visualización, saber interpretar un KPI, saber interpretar un, o sea, qué significa que determinado KPI suba o que determinado KPI vaje, así que, y eso, o sea, va a ser, creo que va a seguir siendo trítico, o sea, lo llevo un poquito al básquet con un poco de relación, digamos, a una entrevista que le hicieron a la Gadi Fernández, que fue un jugador de la generación dorada, por ahí, no de los estelares, pero le preguntan, bueno, en esta enevida moderna, donde todos tienen triples, digamos, o sea, cuál va a ser el diferencial, y, o sea, y el tipo de decía, bueno, si tenés un gran dotte que se sepa postear, digamos, hasta que sea trabajar acerca de hacer algo que siempre hacían los privados, los altos de los equipos, ahí creo que vas a tener siempre un diferencial, y era como, veo con reintitivo lo que proponían porque eran como volver a los fundamentos básicos del básquet, digamos, o sea, y creo que con la inteligencia artificial, y todas las herramientas, nuevas que han surgido, creo que no hay parado de vista los fundamentos, y por ahí, y apres, y que es algo que yo uso también en el mundo. o sea, todo el tiempo, digamos, como tengo estas columnas de esta columna y estas mi output, chachypti, decime como calcula una regresión múltipla, o necesito hacer algo en excel, tengo estas columnas de esta columna, necesito que cargarlo, o sea, mes a mes, por ejemplo, la carga determinadas cosas, y bueno, o sea, y ahí es cuando está aumentando mi capacidad, digamos, totalmente, no está replazándole, entonces lo que yo necesito, lo que el cliente necesita, o lo que el negocio necesita, y poner, o sea, iba a ser una facultad de las personas, y después, o sea, de interpretar los resultados, chachypti, te puede dar, digamos, o sea, las herramientas de inteligencia artificial, incluso en bebidas, en las herramientas de saludábamos, o sea, que pueden dar, digamos, como una pista, pero después, o sea, es, o sea, eso es vos, el que le da el contexto, totalmente, todo lo que me parece esencial y que no hay que perder nunca de vista, es que las decisiones, o sea, las tomen las personas. Amas son tiene varios ejemplos, de por ahí, no sé, de despedir gente automáticamente, porque no sea un chofer, no sea alguien hizo una maniobra mal, y el chofer freno de golpe, y quedó muy cerca de la auto, y bueno, todo se ya lo penalizaron, lo funcionaron, y demás, y sin tener en cuenta el contexto. En recursos humanos de por meditar cual? No, sino en la persona de Parmedio, en Data Cube, por ejemplo, habían desarrollado un modelo de inteligencia artificial que detectaba cuando una persona no estaba utilizando un EPP, entonces, y en vez de mandar un mensaje automático, o una sancion automática de todas las personas, o sea, se mandaba un reporte de todas las manianas, que se decía, o revisaba las cámaras tal y tal, tal hora, tal lugar, entonces una persona evaluaba, si eso me declaraba una sancionano. Bueno, no es lo mismo, digamos, una persona que no sé, está sin usar el chálico reflectante, digamos, o el casco, en elante toda la jornada, que una persona que se sacó el casco para secarse el sudor, se barrascarse cada vez un momento y seguirse. Y ponésselo, entonces, viste, en eso necesitas, o sea, el. Y hace poco no se leía también a la pícula donde, donde un chico en Londres, o sea, bueno, lo contaba, como un caso en Inglaterra, donde decíamos, o sea, el entreno está en prece y en ningún momento hubiera una persona, o sea, en todo el proceso, o sea, de selección, de recrutamiento, de entrevistas, fue el estado automatizado y en ningún momento hubiera una persona. ¡Premendo! Y, claro, entonces, no está bueno, esto, digamos, o sea, ¿Qué es eso? No, total, total. Yo estoy totalmente acuero con este concepto de impulsar, digamos, que no es reemplazar, sino en poder ardarle por ahí un par más de niveles. Yo lo veo mucho con migo, con Python, puntualmente, pues yo programo en Python y yo tengo un nivel, digamos, nivel 2, si se quiere, y empecé a programar, ahí, codo a codo, con chatGPT, por ejemplo, y ahí, cosas que me escapan, y pude subir, digamos, a nivel 3, nivel 4, pero, bueno, primero tenía que saber qué le tenía que pedir por donde tenía que encaminar la solución, qué era lo que quería hacer, y por donde podía llegar, hacer el camino para llegar hasta esa solución, de bugar errores, o sea, decirle, no, mirad, ya están teniendo este comportamiento, yo quería que haga esta otra cosa, hay como otra parte de ahí, en la que por lo menos por ahora, no eres estaría saliendo por su cuenta 100% de manera autónoma, ¿no? Claro, sí, pero inclusive, mientras vaya mejorando, también, o sea, es saber qué pedirle, ¿no? Y el saber qué pedirle es de o sea, es la base de Python Analytics, también, o sea, por eso, que decía hace un rato, o sea, yo, durante muchos años, no tocé una línea de código, pero sabía qué pedirle a mis socios, sabía decirlo en chamilla, este es el análisis que necesito, esto es lo que buscábamos, o sea, esto me sirve, esto no me sirve lo mismo que decía a vos, o sea, mirad, está comportando esta manera, digamos, esta correlación, si viene, está disticamente, es mucho más alta, no me dice nada, pero de esta otra, que por ahí no sea, no es tan fuerte, o sea, es mucho más variosa, más por ahí, es la base de todo. Totalmente. Totalmente, Sergio, para para ir cerrando, ya, una última pregunta, como pensándola, como recomendación, como tip, digamos, un tip que le darías a alguien que quiere iniciarse hoy en el mundo de los datos de recursos humanos, ¿qué le dirías? ¿Cómo puede ser un tipo de ser un par de tips? Algunos ya lo fuimos hablando, ¿no? Pero digo, si tuviera que ser tu recomendación, ¿qué le dirías? En primer lugar, o sea, que no le da en caso a nadie, que de consejos, o sea, tiene que ser su carrera en pipolaniatics, porque la verdad, o sea, mientras más adelante mi carrera, o sea, veo que es menos lineal, o sea, acá es menos lineal, pues va a decir, puedo, no sé, antes, tenía el tupe, decir, bueno, tenés que aprender esto y esto, pero después veo gente que desarrolla, que trabaja solamente con Excel, y, bueno, me decía, me arranpió el molde. Entonces, primero, digamos, como que no les preste la atención de, digamos, a lo que decimos los que le damos consejos sobre carrera, vas a probando lo que le dio, o sea, pero sí, preven todo lo que haya, o lo más que puedan, o sea, y no necesariamente ir a fondo con Python o con R, o con SQL, o con Power BI, o con Lucas, o con Tableau, no necesariamente ir a fondo, pero sí probarlo, o sea, y fíjate donde, o sea, y en la medida de lo posible, al principio, mientras está explorando, no gastes ni un peso, o sea, ni en licencia, ni en curso, ni nada, pues tiene, cuando encontraste algo que te gustó más o menos, y que le encontraste el sentido, y que te vas a servir, o sea, para los problemas que hoy tenés, entonces ahí sí, o sea, me suficito validar esto, buscar en curso, y el último consejo de buscar comunidades, o sea, una de las cosas que me gustó mucho de R, fue de entre menos las comunidades, de las comunidades de R, o sea, como de Reembaire, ser Arleides, que encontré gente muy solidaria, muy amena, que no te hacían sentir como un voludo que hacía su manera pregunta, así bueno, eso serían como mis tres centavos, no le creas a nadie, explodar por tu cuenta, pensado desde tu propia necesidad empresarial o desarrollo de carrera que te gustaría, no gastes un peso de en curso, hasta que no esté seguro que eso te de te gusta, y tercero, buscar comunidades, así que bueno, en eso, excelente, excelente, bueno Sergio, muchísimas gracias por tu tiempo, muchísimas gracias por la información, muchísimas gracias por abernos acompañados, y esperamos, volver a encontrarnos pronto en algún otro episodio. Por supuesto, por supuesto, a disposición, cuando lo quiero. Gracias por acompañarnos hasta el final de este episodio, nos encontramos la próxima con mucho más HR, data y branding.