Cómo usé la desviación típica para mejorar la satisfacción de los empleados

El uso de la estadística descriptiva pude parecer a priori un ejercicio meramente teórico, pero si nos fijamos bien, todos los días estamos usando promedios, rangos, sumas etc. Estas estadísticas, y en general las medidas de centralidad como la media, son un método muy interesante pare simplificar la realidad y obtener una información que nuestro cerebro pueda manejar. Por ejemplo, sería imposible tener una idea de cuanto gastan nuestros clientes con un listado con todos los clientes y lo que han gastado. Tenemos que resumirlo de alguna forma, y una media nos vendría muy bien en este caso.

Sin embargo, como toda simplificación de la realidad, tiene sus inconvenientes. Veamos un ejemplo: 10 amigos sentados en un bar ganan 100K e cada uno, en media ganan 100K, pero entra Amancio Ortega que digamos que gane 1.000 millones al año, y ahora en media cada amigo gana 91 millones, ¿Un poco engañoso no? La media es una medida muy afectada por los valores atípicos, y por ello es importante complementarla con otras medidas de centralidad y de distribución: la mediana, un histograma, un gráfico de cajas. La presencia de valores atípico la veríamos claramente con un histograma o un gráfico de cajas, pero nos podríamos también dar cuenta si calculamos media y mediana. Si estas difieren mucho, muy probablemente tenemos valores extremos. En este caso la media es de 91 millones y la mediana de 100 mil.

Para un repaso rápido de las estadísticas descriptivas y de cómo reproducirlas en Excel, visita este post.

Vamos a ver ahora un ejemplo concreto de como estas estadísticas me han servido para mejorar la satisfacción de los empleados. Hace un tiempo me encargaron realizar una encuesta a los empleados en el marco de un proyecto más amplio de mejorar su satisfacción. No voy a entrar en el detalle de todo el cuestionario, pero es suficiente con saber que teníamos una pregunta general de satisfacción, y preguntas de satisfacción para diferentes aspectos como la formación, la relación con el jefe, las oportunidades de crecimiento etc. Estas preguntas las mediamos en una escala de 1 a 10, siendo 1 muy insatisfecho y 5 muy satisfecho.

Primero, lo que hice para resumir los resultados fue calcular una media tanto por pregunta, como por departamento para ver diferencias.

Una pequeña aclaración: un estadístico profesional os diría que no es del todo correcto calcular un promedio utilizando valores ordinales (muy insatisfecho, satisfecho etc.) dado que la distancia entre ellos no tiene por qué ser igual a lo largo de la escala, pero en la práctica es una medida muy pragmática de aproximación de la satisfacción global, así que tengo la conciencia tranquila 😉.

Al analizar los resultados, vi que la media de satisfacción había bajado con respecto al año anterior pasando de un 8,2 a un 7,5. Calculando la mediana en lugar de la media vimos que el valor central aumenta (a 8), así que analicé los datos con un histograma y vi que la mayoría de los empleados estaban satisfechos, pero había tres personas con puntuación 1. También se veía claramente en un gráfico de cajas. Además, puedes ver que en el gráfico de cajas la “x” (que representa la media) está por debajo de la línea de división central (mediana). Además de entender la distribución de los datos en un histograma o gráfico de cajas, tenemos otras estadísticas que podemos usar: la curtosis y el coeficiente de asimetría. Simplificando podemos decir que la curtosis es una medida de cuanto “puntiaguda” es nuestra distribución de los datos. “0” significa que tiene la forma de una distribución normal, mientras que si la curtosis es negativa será más plana y si es positiva más puntiaguda. La asimetría es el sesgo en la distribución, es decir si la “giba” está desviada a la derecha o a la izquierda. Entre -1 y +1 podríamos considerar la distribución bastante simétrica. Si es menor, la “giba” se desplazaría a la derecha y tendría una “cola larga” a la izquierda. Si es positiva, sería al revés (si no estás familiarizado con este concepto, echa un vistazo a este post donde explico la distribución normal).

El siguiente paso fue analizar la satisfacción de diferentes aspectos laborales. Casi todos tenían buenas puntuaciones y por ello usar sólo la media de satisfacción para decidir donde actuar era poco útil, así que decidí analizar la desviación típica. La desviación típica es una medida de dispersión de los datos alrededor de la media, y se basa en el concepto de distribución normal. Cuanto mayor, tanto más dispersos estarán los datos. Calculamos la desviación típica para cada una de las preguntas y las representamos en un gráfico de dispersión junto con el promedio de puntuación. En este gráfico podemos ver a la vez la satisfacción y la homogeneidad de las opiniones.

Ahora ya podíamos analizar los diferentes aspectos no sólo en base a la satisfacción media, sino también en base a la uniformidad de opiniones. Por ejemplo, la formación tenía una desviación típica mayor que el resto, y esto significa que teníamos opiniones más heterogéneas. Investigando más, vimos que las posibilidades de formación habían sido comunicadas de maneras diferentes por diferentes responsables de departamento, y por ello la solución fue una mejor formación a los responsables de departamento sobre las posibilidades de formación y como comunicarlas a sus equipos.

Pero queríamos priorizar mejor los puntos donde actuar, y para ello decidimos estimar como la satisfacción de cada aspecto (formación, relación con el jefe etc.) afectaba a la satisfacción global, dado que podía haber áreas con satisfacción baja pero sin gran impacto en la satisfacción global.

Pero esto de la regresión ya es otra historia… contaré más de esto en otro post sobre como utilicé una regresión para mejorar la satisfacción de los clientes.

No te olvides suscribirte al blog si quieres descargar la plantilla Excel con los cálculos (los datos han sido modificados por temas de confidencialidad).