WEBVTT
0
00:00:09.790 --> 00:00:12.985
Cuando los responsables de los 
departamentos de recursos humanos 

1
00:00:13.035 --> 00:00:16.830
de una empresa tienen que 
enfrentarse a una selección de personal, 

2
00:00:17.210 --> 00:00:20.825
motivar al que ya tienen para 
evitar la fuga de talento 

3
00:00:20.875 --> 00:00:24.745
o buscar estrategias para conseguir 
que cada miembro de la empresa 

4
00:00:24.795 --> 00:00:27.735
esté en el puesto más apropiado 
para su perfil, 

5
00:00:27.785 --> 00:00:30.210
deben considerarse multitud 
de variables. 

6
00:00:30.670 --> 00:00:33.510
¿Cómo manejarlas sin morir 
en el intento? 

7
00:00:34.090 --> 00:00:37.345
Bueno, pues parece que la ciencia 
de datos y la estadística 

8
00:00:37.395 --> 00:00:39.670
pueden ser herramientas muy útiles.

9
00:00:39.790 --> 00:00:41.385
Y aquí en la UNED,

10
00:00:41.435 --> 00:00:44.205
en la Facultad de Ciencias 
Económicas y Empresariales, 

11
00:00:44.255 --> 00:00:48.030
ya habían detectado la necesidad 
de formación en este terreno. 

12
00:00:48.130 --> 00:00:52.650
Así que pusieron en marcha un máster 
en analítica de recursos humanos, 

13
00:00:52.890 --> 00:00:56.630
lo que en la jerga del sector se 
conoce por su nombre en inglés, 

14
00:00:56.830 --> 00:00:57.719
People Analytics.

15
00:01:01.150 --> 00:01:04.350
Hoy nos acompañan en el estudio 
Pedro Cortiñas Vázquez, 

16
00:01:04.510 --> 00:01:07.065
profesor de Economía Aplicada 
en la UNED y director 

17
00:01:07.115 --> 00:01:10.210
del Máster de People Analytics 
de nuestra universidad. 

18
00:01:10.330 --> 00:01:11.170
¿Qué tal, Pedro?

19
00:01:11.310 --> 00:01:12.625
Bienvenido a Sin Distancias.

20
00:01:12.675 --> 00:01:13.150
Buenos.

21
00:01:13.290 --> 00:01:16.785
Bueno, Rocío Martínez, doctora 
en Ciencia de Datos, 

22
00:01:16.835 --> 00:01:20.510
licenciada en Matemáticas 
y CEO de Analyticae, 

23
00:01:20.650 --> 00:01:23.250
compañía especializada en 
analítica avanzada, 

24
00:01:23.430 --> 00:01:25.785
ciencia de datos e inteligencia 
artificial 

25
00:01:25.835 --> 00:01:27.550
aplicada a negocio.

26
00:01:27.710 --> 00:01:29.610
Buenos días, Rocío, bienvenida.

27
00:01:29.730 --> 00:01:31.100
Buenos días, muchas gracias.

28
00:01:31.149 --> 00:01:33.850
Y también contamos con Julián 
Gómez Cuadrado, 

29
00:01:33.950 --> 00:01:37.365
ingeniero informático, socio 
también de Analyticae 

30
00:01:37.415 --> 00:01:42.285
y especialista en analítica 
avanzada, Big Data, Machine Learning 

31
00:01:42.335 --> 00:01:46.165
e inteligencia artificial aplicada 
a proyectos empresariales. 

32
00:01:46.215 --> 00:01:48.430
Hola Julián, bienvenido a 
este Tiempo de Radio. 

33
00:01:48.690 --> 00:01:50.235
Muchas gracias Clara, encantado.

34
00:01:50.285 --> 00:01:54.295
Debo añadir que Rocío y Julián 
forman además parte del claustro 

35
00:01:54.345 --> 00:01:57.745
del Máster en People Analytics e 
Inteligencia Artificial de la UNED, 

36
00:01:57.795 --> 00:02:00.735
aportando la visión práctica 
y empresarial 

37
00:02:00.785 --> 00:02:03.320
de la aplicación de los datos 
y la tecnología. 

38
00:02:03.780 --> 00:02:06.955
Pedro, empezamos contigo, que 
eres el director del Máster 

39
00:02:07.005 --> 00:02:09.080
y además profesor también 
aquí en la UNED. 

40
00:02:09.140 --> 00:02:12.195
¿Qué novedades tiene este año el 
Máster en People Analytics 

41
00:02:12.245 --> 00:02:14.360
con respecto a años anteriores?

42
00:02:14.850 --> 00:02:17.985
Bueno, esta es la octava edición 
que vamos a hacer del máster 

43
00:02:18.035 --> 00:02:21.185
y, como no, la irrupción de la IA

44
00:02:21.235 --> 00:02:24.870
en nuestra vida es tan potente que 
ya detectamos el año anterior, 

45
00:02:24.970 --> 00:02:25.805
en la edición anterior,

46
00:02:25.855 --> 00:02:28.310
como la gente empezaba a usar 
masivamente la IA, 

47
00:02:28.370 --> 00:02:32.785
pero en algún sentido el uso de la 
IA yo creo que hay que también 

48
00:02:32.835 --> 00:02:34.790
formarlo, dar una formación 
a ese uso. 

49
00:02:34.930 --> 00:02:37.405
Tienes que ser tú el que utilices 
la IA y no la IA 

50
00:02:37.455 --> 00:02:38.305
la que te utiliza a ti.

51
00:02:38.355 --> 00:02:40.405
Y esa es la intención, 
introducir la IA 

52
00:02:40.455 --> 00:02:43.690
dentro de los flujos de trabajo que 
estamos elaborando en el máster. 

53
00:02:44.260 --> 00:02:46.155
Rocío, nos gustaría que 
nos explicaras 

54
00:02:46.205 --> 00:02:48.235
qué es lo que se entiende 
por People Analytics 

55
00:02:48.285 --> 00:02:50.180
y sobre todo para qué sirve.

56
00:02:50.280 --> 00:02:52.315
Bueno, People Analytics en realidad

57
00:02:52.365 --> 00:02:56.395
lo que incluye es la aplicación 
de los análisis de datos 

58
00:02:56.445 --> 00:02:57.865
y de la estadística,

59
00:02:57.915 --> 00:03:01.800
pero utilizando datos basados en 
temas de recursos humanos. 

60
00:03:02.140 --> 00:03:05.075
Entonces, hasta ahora los 
departamentos de recursos humanos 

61
00:03:05.125 --> 00:03:08.115
que no han basado sus decisiones 
en los datos lo hacían 

62
00:03:08.165 --> 00:03:09.835
porque conocen muy bien 
a sus empleados, 

63
00:03:09.885 --> 00:03:12.027
conocen muy bien el negocio 
en el que trabajan. 

64
00:03:12.450 --> 00:03:14.839
Y People Analytics no viene 
a eliminar ese trabajo, 

65
00:03:14.990 --> 00:03:17.385
viene realmente a darles 
una visión objetiva 

66
00:03:17.435 --> 00:03:19.950
que complementa a ese conocimiento 
de su negocio. 

67
00:03:20.110 --> 00:03:24.170
Realmente eso es People Analytics, 
utilizar todas estas técnicas, 

68
00:03:24.230 --> 00:03:27.205
matemáticas, estadísticas 
y ahora la introducción 

69
00:03:27.255 --> 00:03:29.725
de inteligencia artificial para 
automatizar y ayudarles 

70
00:03:29.775 --> 00:03:31.785
y darles herramientas que 
faciliten su día a día. 

71
00:03:31.835 --> 00:03:32.977
Eso es People Analytics.

72
00:03:33.560 --> 00:03:36.715
Pedro, entiendo que habéis visto 
la necesidad de formar 

73
00:03:36.765 --> 00:03:40.635
a los directores de recursos humanos 
en el uso de esta nueva herramienta, 

74
00:03:40.685 --> 00:03:43.740
pero ¿a quién más va dirigido 
este máster? 

75
00:03:44.040 --> 00:03:46.975
Bueno, evidentemente lo 
natural e inicial 

76
00:03:47.025 --> 00:03:49.855
es directores de recursos humanos, 
no tanto en el uso 

77
00:03:49.905 --> 00:03:52.520
como a entender para qué 
posibilidades puede tener. 

78
00:03:52.640 --> 00:03:55.115
El uso ya lo hará otra persona, 
ellos tienen que tener un poco 

79
00:03:55.165 --> 00:03:58.500
la visión de qué oportunidades 
te da People Analytics. 

80
00:03:59.260 --> 00:04:02.775
También a profesionales de recursos 
humanos que puedan reciclarse. 

81
00:04:02.825 --> 00:04:06.420
De hecho, hemos tenido a lo largo 
de estos siete años más de 150, 

82
00:04:06.540 --> 00:04:08.200
hemos formado más de 150 personas.

83
00:04:08.440 --> 00:04:10.335
Pues muchas son profesionales 
de recursos humanos 

84
00:04:10.385 --> 00:04:12.335
que quieren reciclarse 
dentro de su empresa 

85
00:04:12.385 --> 00:04:13.840
y aportar valor a la empresa.

86
00:04:13.940 --> 00:04:14.915
También es interesante.

87
00:04:14.965 --> 00:04:17.820
Pero también tenemos un 
público más junior, 

88
00:04:17.980 --> 00:04:21.340
estudiantes de psicología, 
estudiantes de relaciones laborales, 

89
00:04:21.400 --> 00:04:23.433
estudiantes de derecho, 
incluso economía. 

90
00:04:23.483 --> 00:04:25.735
Que viene muy bien porque 
se posicionan 

91
00:04:25.785 --> 00:04:27.995
dentro de un área novedosa 
en las empresas 

92
00:04:28.045 --> 00:04:30.742
a la que dentro de las empresas 
mucha gente les tiene miedo. 

93
00:04:30.900 --> 00:04:33.475
Entonces tú llegar como 
el nuevo estudiante 

94
00:04:33.525 --> 00:04:35.495
con unos conocimientos 
que puedes aplicar 

95
00:04:35.545 --> 00:04:38.135
y hacer algo nuevo en la empresa 
siempre es muy potente 

96
00:04:38.185 --> 00:04:40.480
como puerta de entrada 
al mundo laboral. 

97
00:04:40.540 --> 00:04:42.300
Claro, aportar lo último, digamos.

98
00:04:42.800 --> 00:04:46.095
Pedro, ¿y puede adaptarse 
esta nueva técnica 

99
00:04:46.145 --> 00:04:47.840
a cualquier tipo de empresa?

100
00:04:48.780 --> 00:04:50.035
Cualquier tipo de empresa, 
vamos a hablar, 

101
00:04:50.085 --> 00:04:52.455
tiene que tener una base un 
poco de recursos humanos 

102
00:04:52.505 --> 00:04:53.036
la empresa.

103
00:04:53.140 --> 00:04:54.815
O sea, no podremos adaptar 
a una empresa 

104
00:04:54.865 --> 00:04:57.515
que no tenga recursos humanos porque 
esto se basa en la gestión 

105
00:04:57.565 --> 00:04:58.295
de los recursos humanos.

106
00:04:58.345 --> 00:05:01.600
Sería empezar desde muy cero 
todo un departamento. 

107
00:05:01.660 --> 00:05:04.295
Pero hay que tener en cuenta aquí 
una cosa muy interesante. 

108
00:05:04.345 --> 00:05:06.876
Los departamentos de recursos 
humanos que antes eran. 

109
00:05:07.010 --> 00:05:09.445
Una parte lateral de la 
empresa que a veces 

110
00:05:09.495 --> 00:05:10.605
están cogiendo más fuerza.

111
00:05:10.655 --> 00:05:15.010
De hecho, en las pymes muchas 
veces se han crecido tanto, 

112
00:05:15.150 --> 00:05:17.805
han cogido tanta fuerza que 
llegan a ser mediadores 

113
00:05:17.855 --> 00:05:20.625
entre departamentos financieros 
y departamentos de ventas. 

114
00:05:20.675 --> 00:05:23.845
Ellos mismos, los recursos humanos, 
acaban teniendo una visión muy global 

115
00:05:23.895 --> 00:05:25.870
de la empresa al tener la 
visión de la gente. 

116
00:05:26.150 --> 00:05:29.650
Entonces, toda empresa que tenga un 
departamento de recursos humanos, 

117
00:05:29.710 --> 00:05:30.654
por pequeño que sea,

118
00:05:30.770 --> 00:05:33.945
esto puede implantarse porque 
le va a dar una potencia 

119
00:05:33.995 --> 00:05:36.515
mucho más grande a ese departamento 
de recursos humanos. 

120
00:05:36.565 --> 00:05:39.755
Julián, ¿y por qué creéis que las 
empresas deberían abordar 

121
00:05:39.805 --> 00:05:42.255
la transformación digital 
de sus departamentos 

122
00:05:42.305 --> 00:05:43.155
de recursos humanos

123
00:05:43.205 --> 00:05:46.040
y desarrollar nuevos procesos 
de gestión? 

124
00:05:46.240 --> 00:05:49.573
Las empresas generan actualmente una 
enorme cantidad de información, 

125
00:05:49.760 --> 00:05:51.035
tanto sobre empleados

126
00:05:51.085 --> 00:05:53.949
como sobre los procesos que están 
debajo de recursos humanos. 

127
00:05:54.100 --> 00:05:56.235
Pero muchas veces, ¿qué ocurre 
con esa información? 

128
00:05:56.285 --> 00:05:58.455
Pues que está repartida entre 
diferentes sistemas. 

129
00:05:58.505 --> 00:06:00.235
A veces no tenemos una visión global

130
00:06:00.285 --> 00:06:03.675
de qué está ocurriendo y cómo 
gestionar mejor esa compañía, 

131
00:06:03.725 --> 00:06:05.454
los recursos humanos, los empleados,

132
00:06:05.504 --> 00:06:08.720
los procesos que les afectan, 
etc. Entonces, 

133
00:06:08.800 --> 00:06:11.815
gracias a esta transformación 
digital, que hoy día es tan potente 

134
00:06:11.865 --> 00:06:13.046
y tan, digamos, tan a mano,

135
00:06:13.096 --> 00:06:15.565
se ha convertido en una commodity 
la gestión del dato, 

136
00:06:15.615 --> 00:06:19.315
pues podemos evolucionar esa gestión 
mediante esa facilidad 

137
00:06:19.365 --> 00:06:21.340
de acceder a datos y a 
cruzar esos datos. 

138
00:06:21.720 --> 00:06:24.195
Entonces, muchas veces lo 
que está ocurriendo 

139
00:06:24.245 --> 00:06:26.355
es una evolución dentro de 
la función tradicional 

140
00:06:26.405 --> 00:06:29.565
de los recursos humanos, que era 
meramente administrativa, 

141
00:06:29.615 --> 00:06:31.655
a ser una función mucho 
más estratégica 

142
00:06:31.705 --> 00:06:32.900
dentro de las compañías.

143
00:06:33.320 --> 00:06:36.555
Es decir, comprender mejor 
lo que está ocurriendo 

144
00:06:36.605 --> 00:06:39.524
con las personas tiene un impacto 
directo en la productividad, 

145
00:06:39.660 --> 00:06:41.815
en los costes, en la retención 
del talento, 

146
00:06:41.865 --> 00:06:44.560
innovación, capacidad de crecimiento 
en definitiva. 

147
00:06:45.110 --> 00:06:48.210
Rocío, ¿y qué técnicas utiliza 
People Analytics? 

148
00:06:48.710 --> 00:06:49.765
¿Se adaptan mejor

149
00:06:49.815 --> 00:06:52.585
unas u otras dependiendo 
del tipo de empresa 

150
00:06:52.635 --> 00:06:56.430
o de los problemas que se quieran 
abordar en cada caso concreto? 

151
00:06:56.850 --> 00:06:58.730
A ver, técnicas hay muchísimas.

152
00:06:58.810 --> 00:07:00.588
Imagina todo lo que es 
analizar datos, 

153
00:07:00.710 --> 00:07:02.321
el espectro que podemos tener ahí.

154
00:07:02.930 --> 00:07:06.305
Pero lo que es importante entender 
es que no se define 

155
00:07:06.355 --> 00:07:07.886
o no se elige primero una técnica.

156
00:07:07.970 --> 00:07:09.705
Lo que hay que ver es qué problema 
tienes que resolver 

157
00:07:09.755 --> 00:07:12.165
y en base a eso qué datos tienes 
y con los datos que tengas 

158
00:07:12.215 --> 00:07:13.330
qué puedes aplicar.

159
00:07:13.410 --> 00:07:15.135
Si queremos empezar de cero,

160
00:07:15.185 --> 00:07:17.005
a lo mejor con un análisis 
descriptivo 

161
00:07:17.055 --> 00:07:19.625
que puede ser relativamente sencillo 
o con visualización de datos, 

162
00:07:19.675 --> 00:07:21.965
ya tienes mucha información que 
hasta ahora no tenías. 

163
00:07:22.015 --> 00:07:23.985
Si empiezas a acumular datos 
y los tienes más o menos 

164
00:07:24.035 --> 00:07:27.535
estructurados pues puedes empezar 
a aplicar técnicas estadísticas 

165
00:07:27.585 --> 00:07:28.695
un poquito más avanzadas.

166
00:07:28.745 --> 00:07:31.055
Y si ya realmente has acumulado a lo 
mejor más historia, es decir, 

167
00:07:31.105 --> 00:07:33.636
datos que tengan historia 
suficiente, dos, tres años, 

168
00:07:33.700 --> 00:07:37.120
te va a permitir entrenar modelos 
que te permitan ver incluso a futuro. 

169
00:07:37.320 --> 00:07:39.035
Es decir, si yo quiero estimar

170
00:07:39.085 --> 00:07:41.208
antes de que ocurra el abandono 
de un empleado, 

171
00:07:41.258 --> 00:07:43.595
voy a poder analizar qué ha ocurrido 
con otros empleados 

172
00:07:43.645 --> 00:07:45.655
que han abandonado o han dejado 
la empresa previamente 

173
00:07:45.705 --> 00:07:47.700
para poder adelantarme 
a ese abandono. 

174
00:07:47.820 --> 00:07:50.815
Eso se hace con modelos predictivos 
y herramientas de Machine Learning, 

175
00:07:50.865 --> 00:07:52.955
pero ahí ya sí que exige tener 
un poquito más de dato. 

176
00:07:53.005 --> 00:07:54.869
Entonces, según el problema 
que tengas, 

177
00:07:54.940 --> 00:07:57.940
vas a ir eligiendo una técnica 
u otro, un algoritmo u otro, 

178
00:07:58.040 --> 00:07:59.180
para poderlo resolver.

179
00:07:59.300 --> 00:08:01.340
Pero hay un espectro infinito.

180
00:08:03.220 --> 00:08:06.415
Oye, Pedro, ¿y cuáles son los 
conocimientos esenciales 

181
00:08:06.465 --> 00:08:09.940
que hay que manejar para poder usar 
esta herramienta de forma eficiente? 

182
00:08:10.400 --> 00:08:12.860
Te voy a responder en dos versiones.

183
00:08:13.160 --> 00:08:14.915
La pregunta que haces para poder

184
00:08:14.965 --> 00:08:17.089
manejar esta herramienta 
de forma eficiente, 

185
00:08:17.138 --> 00:08:20.635
es decir, si tú estás en el día a 
día elaborando información o vas 

186
00:08:20.685 --> 00:08:23.640
a dedicarte a esa extracción 
y análisis de datos, 

187
00:08:23.760 --> 00:08:25.555
pues evidentemente tienes que 
tener un conocimiento 

188
00:08:25.605 --> 00:08:27.136
en el ámbito de recursos humanos,

189
00:08:27.240 --> 00:08:28.945
tienes que tener un conocimiento 
económico, 

190
00:08:28.995 --> 00:08:30.510
de analítica de datos,

191
00:08:30.590 --> 00:08:32.945
tienes que tener un conocimiento 
del negocio, es importante, 

192
00:08:32.995 --> 00:08:37.190
el saber que aplicas algo para qué 
y qué valor vas a aportar. 

193
00:08:37.250 --> 00:08:39.250
Entonces aquí eso es muy importante.

194
00:08:39.729 --> 00:08:43.104
Pero después hay otro ámbito 
que es esta formación 

195
00:08:43.155 --> 00:08:45.955
que también nosotros le damos 
esa segunda visión, 

196
00:08:46.005 --> 00:08:49.865
formar a esa persona que va a tratar 
los datos y tiene que tener 

197
00:08:49.915 --> 00:08:52.290
un conocimiento de datos o 
formar a esa persona. 

198
00:08:52.720 --> 00:08:55.740
Que va a utilizar el People 
Analytics estratégicamente. 

199
00:08:55.980 --> 00:08:58.615
Es decir, él no tiene por 
qué ponerse a programar 

200
00:08:58.665 --> 00:09:02.045
o ponerse a analizar o saber 
una estadística profunda. 

201
00:09:02.095 --> 00:09:03.655
Él tiene que entender qué 
herramientas tiene 

202
00:09:03.705 --> 00:09:06.875
People Analytics para pedirle a 
otros que se las desarrollen. 

203
00:09:06.925 --> 00:09:08.420
Pero para tú poder pedir algo,

204
00:09:08.520 --> 00:09:10.687
primero tienes que conocer 
qué se puede pedir. 

205
00:09:10.830 --> 00:09:12.663
Entonces, es clave en 
esos dos ámbitos. 

206
00:09:12.870 --> 00:09:14.805
Digamos, la capa superior de gestión,

207
00:09:14.855 --> 00:09:16.865
voy a montar un departamento 
de Bipolanitis, 

208
00:09:16.915 --> 00:09:18.955
pero yo no tengo que estar 
picando piedra, 

209
00:09:19.005 --> 00:09:22.675
pero la otra parte es la de, bueno, 
a mí me va a tocar picar piedra. 

210
00:09:22.725 --> 00:09:24.285
Entonces, las dos cosas 
se pueden aprender 

211
00:09:24.335 --> 00:09:26.830
a través de este programa 
que hemos desarrollado. 

212
00:09:27.300 --> 00:09:28.133
Muy interesante.

213
00:09:28.480 --> 00:09:30.880
Julián, la inteligencia artificial,

214
00:09:31.040 --> 00:09:34.860
que es la novedad que vais 
a introducir este año, 

215
00:09:35.000 --> 00:09:38.000
está evolucionando constantemente.

216
00:09:38.220 --> 00:09:42.040
¿Cómo está cambiando la inteligencia 
artificial, el People Analytics, 

217
00:09:42.440 --> 00:09:45.715
y qué puede aportar actualmente 
a un departamento 

218
00:09:45.765 --> 00:09:46.940
de recursos humanos?

219
00:09:47.520 --> 00:09:49.015
Realmente, podríamos preguntar

220
00:09:49.065 --> 00:09:51.195
qué no está cambiando la 
inteligencia artificial, 

221
00:09:51.245 --> 00:09:55.635
porque prácticamente vivimos cada 
semana un susto o una novedad 

222
00:09:55.685 --> 00:09:58.955
que muchas veces no nos ha dado 
tiempo a adoptar nosotros 

223
00:09:59.005 --> 00:10:01.945
en nuestro trabajo, en nuestro 
día a día, etc. Bueno, 

224
00:10:01.995 --> 00:10:04.813
pues lo mismo está ocurriendo en 
el área de recursos humanos. 

225
00:10:05.230 --> 00:10:05.865
Ahora mismo,

226
00:10:05.915 --> 00:10:09.055
People Analytics se centraba hasta 
ahora, incluso en el máster, 

227
00:10:09.105 --> 00:10:11.845
lo teníamos orientado más a esa 
recopilación de información, 

228
00:10:11.895 --> 00:10:14.650
análisis de la información, 
creación de indicadores, 

229
00:10:14.810 --> 00:10:17.785
es decir, determinados casos 
en los que construíamos 

230
00:10:17.835 --> 00:10:20.510
modelos predictivos que ayudaban 
a esa gestión. 

231
00:10:20.610 --> 00:10:21.415
¿Qué ocurre?

232
00:10:21.465 --> 00:10:25.130
Bueno, irrumpe este elefante 
dentro del mundo digital, 

233
00:10:25.250 --> 00:10:26.917
que es la inteligencia artificial.

234
00:10:27.040 --> 00:10:29.235
Y nos impacta en todos los procesos.

235
00:10:29.285 --> 00:10:31.395
Bueno, la guía generativa, 
como todos sabemos, 

236
00:10:31.445 --> 00:10:34.655
viene un poco a movernos esa 
cantidad de algoritmos 

237
00:10:34.705 --> 00:10:36.955
que tenemos de Machine Learning y 
hacer las cosas de una manera 

238
00:10:37.005 --> 00:10:38.125
como más cercana, ¿no?

239
00:10:38.175 --> 00:10:39.655
Porque utilizamos lenguaje natural

240
00:10:39.705 --> 00:10:44.235
para acometer tareas que antes 
requerían un proceso estadístico 

241
00:10:44.285 --> 00:10:46.960
o, bueno, un proceso de analista 
de datos, ¿no? 

242
00:10:47.480 --> 00:10:49.135
Eso tiene su parte buena 
y su parte mala, 

243
00:10:49.185 --> 00:10:50.934
pero bueno, respecto 
a su parte buena, 

244
00:10:50.984 --> 00:10:54.045
hipotéticamente un director de 
recursos humanos podría, oye, 

245
00:10:54.095 --> 00:10:56.775
pues, ¿por qué se está produciendo 
un incremento de la rotación 

246
00:10:56.825 --> 00:10:59.244
en mi compañía sin tener que 
desarrollar ese modelo? 

247
00:10:59.340 --> 00:11:02.815
Bueno, podría delegar a 
una IA toda esa parte 

248
00:11:02.865 --> 00:11:03.507
del análisis.

249
00:11:03.620 --> 00:11:05.820
Con esto tenemos que tener, 
por supuesto, 

250
00:11:05.960 --> 00:11:07.295
todas las precauciones del mundo,

251
00:11:07.345 --> 00:11:09.480
igual que nos pasaría en 
nuestro día a día. 

252
00:11:10.200 --> 00:11:12.315
Pero es cierto que nos va a 
facilitar muchísimo todo 

253
00:11:12.365 --> 00:11:14.520
el tema de la IA agéntica 
que venimos hablando. 

254
00:11:14.740 --> 00:11:17.200
Oye, un agente es capaz de 
recopilar información, 

255
00:11:17.580 --> 00:11:20.275
presentar un informe y automatizar 
tareas que antes 

256
00:11:20.325 --> 00:11:23.735
no quedaba otra que delegarlas 
a un administrativo 

257
00:11:23.785 --> 00:11:26.320
o que un data scientist tenía 
que desarrollar. 

258
00:11:26.440 --> 00:11:28.815
Bueno, pues ahora es verdad 
que un agente 

259
00:11:28.865 --> 00:11:31.495
podría estar verificando 
directamente indicadores 

260
00:11:31.545 --> 00:11:34.765
dentro de la compañía, recurriendo 
a alarmas y eso 

261
00:11:34.815 --> 00:11:38.125
prácticamente sin un desarrollo de 
Machine Learning por detrás, 

262
00:11:38.175 --> 00:11:41.670
gracias a esos modelos enormes 
del lenguaje. 

263
00:11:42.250 --> 00:11:45.225
Precisamente durante esta edición 
del máster hemos incorporado 

264
00:11:45.275 --> 00:11:48.085
toda esta parte de IA generativa 
y IA génetica 

265
00:11:48.135 --> 00:11:51.325
y lo hemos hecho introduciendo 
una serie de sesiones 

266
00:11:51.375 --> 00:11:55.045
online en las que vamos a contar 
casos y experiencias 

267
00:11:55.095 --> 00:11:57.505
de cómo usar este tipo 
de nuevas técnicas 

268
00:11:57.555 --> 00:11:59.252
dentro del área de recursos humanos.

269
00:11:59.480 --> 00:12:02.480
El objetivo no es sustituir al 
profesional de recursos humanos, 

270
00:12:02.580 --> 00:12:06.135
por supuesto, sino proporcionarle 
unas herramientas que de verdad 

271
00:12:06.185 --> 00:12:09.335
le permitan dedicar muchísimo menos 
tiempo a tareas repetitivas 

272
00:12:09.385 --> 00:12:12.640
y centrarse más en la interpretación 
de los datos, 

273
00:12:12.840 --> 00:12:15.795
en la interpretación y la 
gestión estratégica 

274
00:12:15.845 --> 00:12:17.431
de la gestión de recursos humanos.

275
00:12:17.570 --> 00:12:19.925
Julián, pero claro, cuando hablamos 
de recursos humanos 

276
00:12:19.975 --> 00:12:22.665
estamos hablando de información 
sobre empleados. 

277
00:12:22.715 --> 00:12:26.185
¿Qué precauciones deberíamos 
tomar cuando utilizamos 

278
00:12:26.235 --> 00:12:29.250
inteligencia artificial con datos 
de recursos humanos? 

279
00:12:29.790 --> 00:12:31.985
Fíjate, en recursos humanos 
especialmente manejamos 

280
00:12:32.035 --> 00:12:33.530
información sensible,

281
00:12:33.770 --> 00:12:36.150
manejamos información relativa 
a personas, 

282
00:12:36.430 --> 00:12:40.160
trabajamos con información relativa 
a a datos de nóminas, etcétera. 

283
00:12:40.240 --> 00:12:43.715
Datos que son altamente sensibles 
para andarlos confiando por ahí 

284
00:12:43.765 --> 00:12:44.740
sin una supervisión.

285
00:12:44.840 --> 00:12:47.280
Todo este tema se trabaja 
dentro del máster, 

286
00:12:47.340 --> 00:12:50.060
hay un módulo específico de 
temas legales y demás, 

287
00:12:50.180 --> 00:12:53.291
toda la jurisprudencia que aplica a 
este área de recursos humanos. 

288
00:12:53.730 --> 00:12:56.765
También estamos incorporando ahora 
toda la parte de la normativa europea 

289
00:12:56.815 --> 00:12:58.365
que ya nos está afectando.

290
00:12:58.415 --> 00:13:01.085
Entonces, en términos generales, 
a nosotros nos gusta decir 

291
00:13:01.135 --> 00:13:06.110
que tiene que ir a mínimos siempre 
respecto a los datos que accedemos. 

292
00:13:06.310 --> 00:13:08.625
Es decir, si podemos trabajar 
con datos anonimizados 

293
00:13:08.675 --> 00:13:11.250
porque no nos importa saber 
muchas veces la persona, 

294
00:13:11.350 --> 00:13:12.210
sino sus datos.

295
00:13:12.620 --> 00:13:13.755
Hay que hacerlo así, es decir,

296
00:13:13.805 --> 00:13:16.195
cuanto menos acceso a datos 
sensibles tengamos, 

297
00:13:16.245 --> 00:13:18.800
muchísimo mejor para nuestros 
modelos y demás, ¿vale? 

298
00:13:19.120 --> 00:13:20.095
Entonces, en recursos humanos,

299
00:13:20.145 --> 00:13:22.720
la pregunta no es solamente qué 
se puede hacer con la IA, 

300
00:13:22.800 --> 00:13:25.340
sino dónde están, dónde se 
procesan esos datos. 

301
00:13:25.600 --> 00:13:27.740
Confiar nuestros datos a un chat GPT,

302
00:13:27.800 --> 00:13:29.935
a un cloud, etcétera,

303
00:13:29.985 --> 00:13:32.215
tiene muchísimo peligro porque 
le estamos delegando 

304
00:13:32.265 --> 00:13:35.355
información que ellos pueden 
utilizar para entrenar esos datos, ¿no? 

305
00:13:35.405 --> 00:13:38.415
Todo este tipo de cuestiones las 
abordaremos en estas sesiones 

306
00:13:38.465 --> 00:13:40.615
y que, bueno, pues todo el 
mundo seamos conscientes 

307
00:13:40.665 --> 00:13:42.251
de qué hacemos con esos datos, ¿no?

308
00:13:42.670 --> 00:13:45.165
Claro, porque todo lo que 
técnicamente podemos hacer 

309
00:13:45.215 --> 00:13:49.910
con inteligencia artificial no 
necesariamente debemos hacerlo, 

310
00:13:50.030 --> 00:13:51.030
aunque podamos, ¿no?

311
00:13:51.190 --> 00:13:54.045
Claro, esto no es solamente, 
seguramente nos vamos 

312
00:13:54.095 --> 00:13:56.425
a cualquier otra área de 
conocimiento y nos pasa igual. 

313
00:13:56.475 --> 00:13:56.950
Lo mismo.

314
00:13:57.670 --> 00:13:59.565
Pero sí es cierto que aquí 
en Recursos Humanos 

315
00:13:59.615 --> 00:14:02.670
quizá es algo sensible cuando 
trabajamos con personas. 

316
00:14:02.790 --> 00:14:04.665
Al final estás en una compañía

317
00:14:04.715 --> 00:14:08.010
o eres un candidato que te 
candidatas a un puesto de trabajo. 

318
00:14:08.330 --> 00:14:12.705
El que tus datos se estén procesando 
dentro de un sistema que puede tener 

319
00:14:12.755 --> 00:14:14.625
faltas de seguridad o 
que está cruzando 

320
00:14:14.675 --> 00:14:16.855
datos que legalmente no 
se pueden cruzar. 

321
00:14:16.905 --> 00:14:18.885
Es decir, tú por muchos 
datos que tengas hay 

322
00:14:18.935 --> 00:14:21.165
veces que no puedes cruzar esos 
datos o no puedes acercarte. 

323
00:14:21.215 --> 00:14:24.870
Agregar datos para sacar 
conclusiones que no están permitidas. 

324
00:14:24.970 --> 00:14:27.730
Yo tengo acceso a cuatro 
tiendas de retail, 

325
00:14:27.970 --> 00:14:30.725
pero esas tiendas de retail tienen 
un contrato de confidencialidad. 

326
00:14:30.775 --> 00:14:32.545
Yo, aunque tenga sus datos, 
no los voy a cruzar. 

327
00:14:32.595 --> 00:14:36.550
Algo parecido pasa con un candidato 
o con un empleado de mi compañía. 

328
00:14:36.690 --> 00:14:38.550
A mí me gustaría introducir 
aquí algo. 

329
00:14:39.210 --> 00:14:41.530
Es verdad que no se debería 
hacer todo con la IA. 

330
00:14:41.990 --> 00:14:43.645
Efectivamente, todos 
sabemos en el uso 

331
00:14:43.695 --> 00:14:48.010
nuestro día a día de esta IA, 
la IA llega donde llega. 

332
00:14:48.130 --> 00:14:49.605
O sea, genera procesos,

333
00:14:49.655 --> 00:14:54.010
pero no tiene la sensibilidad que tú 
tienes de negocio, de seres humanos, 

334
00:14:54.190 --> 00:14:55.412
de trabajar con personas.

335
00:14:55.470 --> 00:14:58.010
Entonces, una supervisión 
siempre, siempre. 

336
00:14:58.290 --> 00:15:01.030
Y para eso es muy importante que 
tú sepas lo que quieres. 

337
00:15:01.650 --> 00:15:04.090
Y que no sea la IA la que te 
diga lo que puedes hacer, 

338
00:15:04.190 --> 00:15:05.685
que tú sepas de antemano 
qué es lo que quieres 

339
00:15:05.735 --> 00:15:07.095
y tú puedas mandar a la IA,

340
00:15:07.145 --> 00:15:08.241
no que la IA te mande a ti.

341
00:15:08.670 --> 00:15:09.885
Apuntando a lo que dice Pedro,

342
00:15:09.935 --> 00:15:12.125
es algo fundamental que además 
también se trabaja mucho 

343
00:15:12.175 --> 00:15:14.535
en el máster, que es el 
concepto de sesgo. 

344
00:15:14.585 --> 00:15:16.305
Es decir, muchas veces en estos datos

345
00:15:16.355 --> 00:15:19.145
que tenemos accesibles y tal, 
intrínsecamente hay un sesgo, 

346
00:15:19.195 --> 00:15:21.285
o bien un sesgo de género, 
o bien un sesgo de edad, 

347
00:15:21.335 --> 00:15:22.310
o bien un sesgo de tal.

348
00:15:22.450 --> 00:15:25.525
Es súper importante que seamos 
conscientes de esos sesgos 

349
00:15:25.575 --> 00:15:27.865
dentro de los datos a la hora 
de desarrollar modelos 

350
00:15:27.915 --> 00:15:30.610
o de pedirle a una IA que nos 
dé cierta información. 

351
00:15:30.810 --> 00:15:33.270
Si introducimos un sesgo 
que está en los datos, 

352
00:15:33.390 --> 00:15:35.175
un sesgo de género, un sesgo de edad,

353
00:15:35.225 --> 00:15:38.770
y le pedimos un modelo similar, oye, 
recomiéndame un candidato, 

354
00:15:38.870 --> 00:15:41.205
tenemos que ser conscientes de 
si esos datos tienen sesgo. 

355
00:15:41.255 --> 00:15:42.985
Es un tema que trabajamos también 
dentro del máster 

356
00:15:43.035 --> 00:15:44.225
para que el alumno,

357
00:15:44.275 --> 00:15:46.945
cuando salga, sea consciente de 
ese problema que es real 

358
00:15:46.995 --> 00:15:48.865
y que va a existir en los datos 
que va a trabajar luego 

359
00:15:48.915 --> 00:15:50.390
en la vida real en sus compañías.

360
00:15:50.590 --> 00:15:52.805
Y que hay que estar atento 
para minimizarlo, ¿no? 

361
00:15:52.855 --> 00:15:53.497
Fundamental.

362
00:15:53.670 --> 00:15:56.050
Bueno, Rocío, vamos a 
la parte práctica. 

363
00:15:56.150 --> 00:15:58.345
¿Qué habría que hacer para implantar 
People Analytics 

364
00:15:58.395 --> 00:16:00.330
en una empresa determinada?

365
00:16:00.730 --> 00:16:03.265
Bueno, lo que hay que hacer es 
lo que realmente se hace 

366
00:16:03.315 --> 00:16:06.650
en cualquier proyecto donde hay que 
aplicar análisis de datos. 

367
00:16:06.790 --> 00:16:09.365
Y es lo estrictamente fundamental 
es saber 

368
00:16:09.415 --> 00:16:11.334
cuál es el problema que 
quieres resolver. 

369
00:16:11.440 --> 00:16:13.975
Porque cuando tú tienes muchos 
datos y te pones a analizar, 

370
00:16:14.025 --> 00:16:14.812
te puedes perder.

371
00:16:14.862 --> 00:16:18.100
Puedes estar infinitos días 
analizando y no llegar a nada. 

372
00:16:18.260 --> 00:16:19.875
Entonces es realmente estresante.

373
00:16:19.925 --> 00:16:22.289
Entonces lo primero es definir 
qué problema tengo. 

374
00:16:22.340 --> 00:16:24.635
Imagina que has definido o has 
detectado que en tu empresa 

375
00:16:24.685 --> 00:16:28.975
hay mucho problema de absentismo o 
hay mucho abandono de talento 

376
00:16:29.025 --> 00:16:30.995
o hay un problema de que realmente

377
00:16:31.045 --> 00:16:34.835
cada vez que abres una vacante 
te llegan 50.000 currículums 

378
00:16:34.885 --> 00:16:37.175
y eres incapaz de digerir esa 
cantidad de información 

379
00:16:37.225 --> 00:16:39.700
y de realmente reclutar a la 
persona que encaja mejor. 

380
00:16:40.150 --> 00:16:42.605
Bueno, pues esas son cosas muy 
concretas que tú tienes 

381
00:16:42.655 --> 00:16:43.405
que saber resolver.

382
00:16:43.455 --> 00:16:44.685
Entonces, cuando eliges una 
de ellas, dices, venga, 

383
00:16:44.735 --> 00:16:46.250
pues voy a ver el absentismo.

384
00:16:46.430 --> 00:16:47.545
Pues te centras en ella y dices,

385
00:16:47.595 --> 00:16:50.665
a ver, ¿qué información o qué datos 
puedo tener yo dentro de mis sistemas 

386
00:16:50.715 --> 00:16:53.430
que me ayuden a sintetizar 
información sobre esto? 

387
00:16:53.630 --> 00:16:55.965
Y ahí, hablando un poco y alazando 
con lo que decían antes, 

388
00:16:56.015 --> 00:16:58.325
por supuesto tenemos las técnicas 
tradicionales, 

389
00:16:58.375 --> 00:17:00.445
por supuesto tenemos inteligencia 
artificial, 

390
00:17:00.495 --> 00:17:02.765
pero yo soy la persona 
de recursos humanos 

391
00:17:02.815 --> 00:17:05.678
que conoce realmente el problema 
y que conoce a mis empleados, 

392
00:17:05.760 --> 00:17:08.535
y que va a ir dirigiendo a esas 
pistas que me puede dar 

393
00:17:08.584 --> 00:17:09.555
la inteligencia artificial.

394
00:17:09.605 --> 00:17:10.895
Voy cruzando esa información.

395
00:17:10.944 --> 00:17:14.300
Entonces, primero mi problema, 
después veo qué datos tengo, 

396
00:17:14.459 --> 00:17:16.155
observo si tengo calidad 
en esos datos, 

397
00:17:16.204 --> 00:17:17.175
si no existen esos sesgos,

398
00:17:17.225 --> 00:17:18.635
si voy a construir un modelo 
que sea bueno, 

399
00:17:18.685 --> 00:17:21.140
y en el que tengo esto, 
lanzo mi análisis. 

400
00:17:21.220 --> 00:17:23.475
Y después cojo mis conclusiones 
y lo pongo en práctica. 

401
00:17:23.525 --> 00:17:25.255
Entonces, el orden es, 
primero problema, 

402
00:17:25.305 --> 00:17:27.214
nada de elegir tecnología 
sin saber a lo que voy. 

403
00:17:27.265 --> 00:17:29.315
Viene un problema, después 
calidad de datos, 

404
00:17:29.365 --> 00:17:31.375
o sea, analizar qué datos hay 
y ver si tienen calidad, 

405
00:17:31.425 --> 00:17:33.455
entreno mi modelo, lo 
pongo en práctica, 

406
00:17:33.505 --> 00:17:36.055
y después analizo si realmente lo 
que he hecho tiene sentido 

407
00:17:36.105 --> 00:17:36.834
y ha funcionado.

408
00:17:36.884 --> 00:17:38.060
Ese es un poco el esquema.

409
00:17:38.260 --> 00:17:41.000
Bueno, y además de tener 
presente este esquema, 

410
00:17:41.100 --> 00:17:43.615
¿cuál suele ser uno de los 
principales errores 

411
00:17:43.665 --> 00:17:46.473
cuando una empresa empieza a 
trabajar con People Analytics? 

412
00:17:46.880 --> 00:17:49.760
Pues lo que ocurre en todas 
las empresas es, 

413
00:17:49.920 --> 00:17:51.380
primero elijo la tecnología.

414
00:17:52.110 --> 00:17:54.865
Entonces me pongo como loco a 
comprar servidores o a contratar cloud 

415
00:17:54.915 --> 00:17:57.330
o a buscar herramientas como 
si no hubiera mañana. 

416
00:17:57.550 --> 00:17:58.625
Cuando todavía no sabes 
lo que necesitas. 

417
00:17:58.675 --> 00:18:01.005
Cuando no sabes ni lo que necesitas, 
efectivamente. 

418
00:18:01.055 --> 00:18:03.265
O decir, no, es que yo quiero 
utilizar inteligencia artificial 

419
00:18:03.315 --> 00:18:04.205
porque es que todo el mundo,

420
00:18:04.255 --> 00:18:05.841
si no hablo de IA, yo 
no estoy al día. 

421
00:18:06.510 --> 00:18:06.985
Pues no.

422
00:18:07.035 --> 00:18:08.565
Es que a veces no lo necesitas.

423
00:18:08.615 --> 00:18:09.805
O a veces lo pones como en paralelo,

424
00:18:09.855 --> 00:18:11.245
como si fuera un ayudante.

425
00:18:11.295 --> 00:18:12.705
O sea, es una persona 
que trabaja contigo 

426
00:18:12.755 --> 00:18:15.670
o un elemento que trabaja contigo 
y que está a tu servicio. 

427
00:18:15.930 --> 00:18:20.090
Pero el fallo principal es no 
centrar lo que te decía anteriormente. 

428
00:18:20.290 --> 00:18:22.179
Primero piensa que necesitas 
resolver. 

429
00:18:22.310 --> 00:18:24.850
Porque seguramente tengas 10 
problemas a resolver, 

430
00:18:25.030 --> 00:18:25.784
enfócate en uno.

431
00:18:25.834 --> 00:18:27.685
Y después de eso sigue 
los pasos que decía. 

432
00:18:27.735 --> 00:18:29.045
Y ahí no falla.

433
00:18:29.095 --> 00:18:30.739
Ahí consigues seguro un resultado.

434
00:18:30.788 --> 00:18:31.714
El que hoy funciona,

435
00:18:31.910 --> 00:18:34.290
o sea, el que pones en práctica 
y lo analizas. 

436
00:18:34.720 --> 00:18:36.815
A lo mejor después te das cuenta, 
oye, se me escapó esto, 

437
00:18:36.865 --> 00:18:38.475
porque cada día aprendes más, 
con lo cual cada vez 

438
00:18:38.525 --> 00:18:39.475
lo vas haciendo mejor.

439
00:18:39.525 --> 00:18:41.520
Y el modelo que hoy te resolvió 
un problema, 

440
00:18:41.700 --> 00:18:42.955
pues mañana lo vas a 
tener que mejorar, 

441
00:18:43.005 --> 00:18:44.475
pero siempre vas a ir 
a mejor, a mejor, 

442
00:18:44.525 --> 00:18:46.635
porque cada vez tienes más 
conocimiento de tus sistemas, 

443
00:18:46.685 --> 00:18:48.240
de tus datos y de tu negocio.

444
00:18:48.380 --> 00:18:50.515
Eso es un poco lo que yo creo 
que hay que ir haciendo. 

445
00:18:50.565 --> 00:18:53.715
Oye, Julián, ¿y cómo sabemos si un 
proyecto de People Analytics 

446
00:18:53.765 --> 00:18:55.240
ha tenido éxito?

447
00:18:56.240 --> 00:18:59.915
Pues aquí es curioso porque los 
que somos más analíticos 

448
00:18:59.965 --> 00:19:03.080
del dato, etc., nos centramos mucho 
en la bondad del modelo, 

449
00:19:03.180 --> 00:19:05.655
en la precisión estadística 
que tiene y tal, 

450
00:19:05.705 --> 00:19:08.335
y efectivamente un modelo 
no es otra cosa 

451
00:19:08.385 --> 00:19:10.193
que una representación 
de la realidad. 

452
00:19:10.560 --> 00:19:12.095
Esos modelos, que son muy buenos

453
00:19:12.145 --> 00:19:13.875
y podemos conseguir modelos 
estupendos, 

454
00:19:13.925 --> 00:19:15.289
hay que ponerlos en práctica.

455
00:19:15.400 --> 00:19:16.315
Es decir, al final

456
00:19:16.365 --> 00:19:19.580
el objetivo de People Analytics no 
es solamente construir el modelo, 

457
00:19:19.700 --> 00:19:23.935
es un impacto real en el negocio y 
para eso hay que tomar decisiones, 

458
00:19:23.985 --> 00:19:25.535
hay que también animar

459
00:19:25.585 --> 00:19:28.615
a la dirección a que implante 
ese tipo de modelos, 

460
00:19:28.665 --> 00:19:29.855
que a veces es lo que más cuesta,

461
00:19:29.905 --> 00:19:33.220
la gestión de personas dentro 
de una compañía. 

462
00:19:33.360 --> 00:19:36.595
Entonces, al final no se trata 
solamente de desarrollar modelos, 

463
00:19:36.645 --> 00:19:39.020
como también de saber explicarle 
a la dirección. 

464
00:19:39.480 --> 00:19:42.475
Cómo se toman esas acciones, dándole 
unos cuadros de mando 

465
00:19:42.525 --> 00:19:45.455
que le permitan tomar esas 
decisiones de una manera adecuada, 

466
00:19:45.505 --> 00:19:47.500
no solamente la bondad 
del modelo como tal. 

467
00:19:47.990 --> 00:19:49.765
Pedro, pues como director del máster,

468
00:19:49.815 --> 00:19:51.977
no sé si quieres añadir algo 
más para terminar. 

469
00:19:52.090 --> 00:19:53.750
Bueno, una recomendación.

470
00:19:53.810 --> 00:19:55.410
Yo como director del máster,

471
00:19:55.490 --> 00:19:58.625
pues nosotros cuando desarrollamos 
este máster 

472
00:19:58.675 --> 00:20:01.205
habíamos detectado un hueco en 
el mundo de recursos humanos 

473
00:20:01.255 --> 00:20:05.105
y es un hueco que sí es verdad 
que ha evolucionado 

474
00:20:05.155 --> 00:20:08.445
y parece que se va implantando cada 
vez más y la gente ha cogido 

475
00:20:08.495 --> 00:20:11.830
en estos siete años una conciencia 
del dato mucho mayor. 

476
00:20:12.160 --> 00:20:14.235
Pero es verdad que todavía hay 
mucho campo de desarrollo 

477
00:20:14.285 --> 00:20:16.520
o mucha capacidad de implantación.

478
00:20:16.920 --> 00:20:19.175
Es importante todo lo que 
hemos estado comentando 

479
00:20:19.225 --> 00:20:22.120
de cuando vas a implantar 
un proyecto de estos, 

480
00:20:22.200 --> 00:20:23.635
tener un éxito a corto plazo

481
00:20:23.685 --> 00:20:26.660
para poder demostrar que funciona 
lo que estás haciendo. 

482
00:20:26.760 --> 00:20:28.315
Bueno, es gestión del cambio básico.

483
00:20:28.365 --> 00:20:29.535
Si vas a hacer algo de esto.

484
00:20:29.585 --> 00:20:33.295
Pero también me gustaría transmitir 
la necesidad que tenemos 

485
00:20:33.345 --> 00:20:34.635
de seguir formándonos.

486
00:20:34.685 --> 00:20:37.615
Esa formación continua, ese 
aprendizaje, ese estar al día 

487
00:20:37.665 --> 00:20:41.755
y formarte no de forma superficial, 
sino de forma profunda 

488
00:20:41.805 --> 00:20:44.815
para que después tú tengas un 
conocimiento muy grande 

489
00:20:44.865 --> 00:20:47.618
de lo que estás haciendo, que es 
lo que pretende este máster. 

490
00:20:47.940 --> 00:20:50.120
Entrar muy de lleno en 
todas las áreas. 

491
00:20:50.180 --> 00:20:51.335
Después tú ya utilizarás

492
00:20:51.385 --> 00:20:53.400
o esto o aquello o lo 
que te venga bien. 

493
00:20:53.560 --> 00:20:56.980
Pero nosotros vamos a darle al 
estudiante un abanico muy amplio. 

494
00:20:57.310 --> 00:20:59.225
Y después ella que utilice 
lo que necesita. 

495
00:20:59.275 --> 00:21:02.230
Pero lo mejor es saber qué tienes 
para poderlo utilizar. 

496
00:21:02.430 --> 00:21:04.905
Y esto es un poco la recomendación, 
seguir formándose, 

497
00:21:04.955 --> 00:21:06.145
seguir formándose, seguir formándose.

498
00:21:06.195 --> 00:21:07.503
Y para eso la UNED es la mejor.

499
00:21:07.590 --> 00:21:08.670
Desde luego que sí.

500
00:21:09.030 --> 00:21:13.290
Bueno, pues Pedro Cortiñas, Rocío 
González y Julián Gómez, 

501
00:21:13.390 --> 00:21:16.305
muchísimas gracias por acompañarnos 
hoy en Sin Distancias 

502
00:21:16.355 --> 00:21:18.025
para hablarnos de este máster

503
00:21:18.075 --> 00:21:21.030
y de las novedades que trae 
en esta nueva edición. 

504
00:21:21.170 --> 00:21:21.870
A ti, Clara.

505
00:21:22.010 --> 00:21:22.605
Muchas gracias.

506
00:21:22.655 --> 00:21:23.130
Gracias.