Dentro de industrias intensivas en conocimiento como la tecnología, existe una demanda casi insaciable de empleados altamente calificados, como ingenieros de software y desarrolladores de aplicaciones. La necesidad de talento a menudo motiva fusiones y adquisiciones (M&A), en un proceso conocido coloquialmente como "adquisición".
Sin embargo, como es bien sabido, las diferencias en la cultura empresarial y los desajustes organizativos durante el proceso de fusión pueden provocar rotación de talento, tensión y un mayor potencial de fracaso.
En un artículo de trabajo reciente publicado en SSRN Electronic Journal , Jingyuan Yang, profesor de gestión de operaciones y sistemas de información en la Facultad de Negocios Donald G. Costello de la Universidad George Mason, descubre cómo predecir de manera eficiente la rotación de empleados utilizando un enfoque innovador impulsado por IA. Este artículo también fue escrito en coautoría por Denghui Zhang del Instituto de Tecnología Stevens y Hao Zhong de la Escuela de Negocios ESCP de París.
"El objetivo principal de este estudio es examinar los efectos de las fusiones y adquisiciones en la rotación de empleados en diversos sectores empresariales y extraer información generalizable sobre los patrones de rotación", afirma Yang.
En este estudio, los investigadores utilizaron un conjunto de datos del mundo real a gran escala que contenía información sobre las historias de los empleados adquiridos, así como información sobre las empresas de fusiones y adquisiciones para su prueba de método. Luego, los investigadores desarrollaron una "red neuronal de gráficos heterogéneos de doble ajuste" para predecir la rotación de talentos en la fase de fusión de las empresas.
A través del análisis de datos, midieron un ajuste de organización a organización (O-O), que compara las similitudes entre las dos empresas, y un ajuste de persona a organización (P-O), que analiza la compatibilidad entre las funciones laborales individuales y la nueva cultura de la empresa.
Yang enfatiza la distinción entre este estudio y la investigación tradicional sobre fusiones y adquisiciones, que "sólo se centra en las relaciones entre empresas y carece de una perspectiva sobre la compatibilidad de los empleados", dice Yang.
El ajuste OO y el ajuste P-O se convirtieron en una estructura gráfica, que se puede utilizar para cuantificar el ajuste general de las dos empresas. Esta puntuación, a su vez, determina la tasa probable de rotación para puestos de trabajo específicos.
Los investigadores descubrieron que el rendimiento predictivo de su solución superó a cuatro modelos convencionales de aprendizaje automático entrenados con los mismos datos, así como a tres modelos de redes neuronales gráficas existentes.
Basándose en investigaciones existentes, Yang descubre que un sorprendente "30 por ciento de las empresas fusionadas se marcharon en tres años", lo que subraya la gravedad del problema. Desde la perspectiva de Yang, esto parece ser una gran pérdida y un fracaso de una adquisición orientada a la contratación.
Pero, ¿qué significa el enfoque de Yang para las empresas que puedan participar en la "contratación de adquisiciones" en el futuro y quieran evitar el mismo destino? Para Yang, este modelo de IA sirve como una herramienta potencial que puede ayudar a la toma de decisiones y la eficacia general de las organizaciones.
"Si tienen esta información de antemano, creo que les será muy útil para tomar la decisión de fusionarse y también para ver si esta es la forma más efectiva de contratar y retener al equipo".
Afirma que este modelo predictivo responde a la pregunta de "qué tipo de empleado se verá más afectado y el equipo de recursos humanos puede identificar rápidamente si el empleado deseado se irá o no". Además, los dos ajustes contienen información útil para evaluar el proceso de fusiones y adquisiciones, para ver si "a nivel de empresa hay alta compatibilidad, y a nivel individual para ver si el futuro empleado adquirido estará satisfecho y permanecerá en una empresa". P>
Las predicciones precisas de las tasas de rotación por función laboral también permiten a las empresas adquirentes tomar medidas proactivas para retener a los empleados de misión crítica que podrían estar en alto riesgo de renunciar. "Les ayuda a determinar su paquete de retención... [hay] muchas estrategias para identificar a los empleados que realmente quieren adquirir", afirma Yang.
"Esto puede ayudarles a tener las expectativas correctas. Las empresas deben considerar el costo estimado de su paquete de retención antes de cerrar el acuerdo de fusión y adquisición".
Pero dada la alta probabilidad de rotación y los costos de retención resultantes, ¿la "contratación por adquisición" es incluso una buena idea en la mayoría de los casos? "Creo que va a ser tendencia durante mucho tiempo, porque todavía aporta muchos beneficios. Los adquirentes no sólo obtienen productos y técnicas únicos, sino que también hay un conjunto de conocimientos entre los empleados adquiridos que es realmente valioso. Así que creo que esto La estrategia seguirá prevaleciendo en el campo de la tecnología", afirma Yang.
Más información: Denghui Zhang et al, Acqui-hiring or Acqui-quitting:predicción de la facturación posterior a fusiones y adquisiciones basada en datos mediante un modelo de doble ajuste, SSRN Electronic Journal (2023). DOI:10.2139/ssrn.4389063
Proporcionado por la Universidad George Mason