¿Se volverá a la normalidad? ¿Será posible introducir un modelo híbrido donde se mezcle teletrabajo con oficina? Hay que mantener distancias para volver a la oficina, ¿Cabrán todos? Para que quepan todos se tendrán que realizar turnos, por tanto ¿Qué departamentos se juntarán? ¿En función de qué se tomará esa decisión?

Estas son las preguntas a las que se han tenido y se siguen enfrentando la mayoría de las empresas tras la pandemia que ha trastocado la vida de cada uno de nosotros. Desde Afi Analytics se ha encontrado la forma de responder a algunas de esas preguntas a través del análisis de datos.

Antes de nada, recordar que para poder analizar los datos se tuvo que contar con la disposición de éstos. Por ello, una vez obtenidos esos datos, fueron limpiados, analizados y realizada una app web para que fuera más interactivo de modo que cualquier persona sin conocimientos del mundo de la programación pudiera analizar y extraer sus propias conclusiones. En este trabajo, se irá explicando paso por paso como se ha llevado a cabo el proceso mencionado.

¿Cómo se han extraído los datos?

Antes de realizar las extracciones de datos, se acudió al departamento legal para que dieran el OK por temas del Reglamento General de Protección de Datos, GDPR. Se realizó una única extracción para que se necesitaba hacer uso de una de las herramientas de Google Meets siguiendo el enlace:

Podremos extraer diferente información, tal y como se muestra en Fig.1. Eligiendo todas aquellas variables que se consideren útiles para el estudio a realizar.

¿Qué hicimos una vez teníamos los datos?

Una limpieza de datos, para ello se hizo uso de Python. Además, como se puede observar, Google Meets no ofrece el departamento al que pertenecen los miembros de la llamada, por lo que se obtuvo el Área cruzando estos datos con un fichero interno donde se tienen los distintos empleados de la empresa con su correpondiente departamento. Resaltar que gracias a este cruce no será necesario el uso del Email para realizar el análisis de tal forma que se conseguió que estuviera anonimizado.

Una de las principales funciones de esa limpieza de datos es eliminar todas aquellas llamadas recurrentes donde participen una mayoritaria parte de la empresa. Por ejemplo, la reunión de la mañana donde todos los empleados están invitados. Se extraen los siguientes datos:

• Mon: mes en el que se realizó la llamada.
• Year: año en el que se realizó la llamada, tanto 2020 como 2021 están incluidos.
• Meeting Code, Calendar Event Id y Conference ID: código de la llamada de meet para así saber quiénes participaban en la llamada.
• Duration: duración de la llamada.
• Hora: hora de la llamada.
• Área: departamento al que pertenece el usuario que realiza la llamada.

¿Qué hacemos con los datos?

Pues bien, una vez se tienen los datos se creó una aplicación web interactiva para analizar mejor cómo se comportan los distintos departamentos. Para ello, se hizo uso del framework de Python, Dash, el cual te permite la construcción de aplicaciones web.

En este caso se contó con dos secciones principales:

• ANÁLISIS: Sección donde se tienen diferentes opciones,

  • Analizar un Departamento: donde se podudieron estudiar los picos de trabajo a lo largo del día de un departamento en función del mes. En el ejemplo, se muestra a través de una captura como se verían los selectores junto con las gráficas resultantes en la aplicación web.

    

    
    A través de este gráfico se puede ver como el pico de trabajo se encuentra por la mañana entre las 10:00 y 11:00 am y van cayendo hasta las 14 que es la hora del descanso y como se van recuperando las calls aunque sin tener la misma intensidad de por las mañanas.

    

    
    En el gráfico de barras vemos como en cada semana suele haber más pico de trabajo los viernes, a pesar de ser un día de jornada intensiva por lo que se trabajan menos horas, ello se puede deber a que se puede intentar terminar lo que durante la semana no ha dado tiempo para estar el fin de semana libre y sin preocupaciones de ninguna índole.

    

  • Comparar según:

    

    Donde se podrá comparar entre:

    • Departamentos:

      

      
      Este gráfico se ha generado haciendo la media en función del número de empleados por departamento para que se puedan comparar correctamente. Se puede ver como el Departamento5 tiene más carga de trabajo entre las 9am y las 11am del mes de abril, sin embargo, el Departamento8 parece que presentó una carga de trabajo ligeramente mayor que el resto.

    • Meses:

      

      
      A la hora de comparar en función del mes del año el comportamiento de las llamadas de la empresa se puede ver como en este ejemplo, en el mes de febrero ha habido mayor carga de trabajo a primera hora de la mañana y por las tardes, mientras que en marzo y abril siguen un gráfico muy parecido, teniendo el mayor pico de trabajo a lo largo de la mañana.

  Por lo que después de esta sección se puede ver cómo se pueden extraer diferentes insights a partir de un análisis interactivo de los datos extraídos de Google Meets a través de la aplicación web mostrada.




• GRAPHEXT: Sección donde se parte de los datos comentados, pero haciendo modificaciones, ya que se pasa a Graphext un fichero con dos columnas, nodo origen y nodo destino, haciendo referencia a las llamadas entre los departamentos. Es decir, si se hace una llamada entre dos empleados del departamentoX y del departamentoY, entonces habrá una fila en el fichero que tenga en la columna nodo1, departamentoX, y en nodo2, departamentoY. De esta forma se pudo utilizar la técnica de clustering, y así ver que departamentos interactúan más entre ellos.

  Graphext es una herramienta de data science para análisis de datos y machine learning, incluyendo análisis de datos no estructurado. Incluye algoritmos para análisis de texto (NLP), análisis de imagen y clusterización, entre otros.

  Se muestra como aparece esta sección en la aplicación web.

  

  
  En este caso, se observa como se han dividido los departamentos en 3 clusters diferentes donde el primero corresponderá a todos los departamentos relacionados con el ámbito de las del Sector X, el siguiente corresponderá a todos aquellos departamentos que tengan que ver como la rama de Sector Y y, por último, un tercer cluster relacionado con las áreas más del Sector Z. Estos clusters tienen bastante sentido, ya que es normal que las áreas de campos más parecidos tengan una mayor interacción.

  A continuación, al ver que el cluster del Sector X englobaba la mayoría de los departamentos se realizó a su vez otro clustering, donde obtendríamos 6 clusters, donde tendríamos a su vez 3 áreas por cluster, aproximadamente.

  

  
  Finalmente, se ha podido ver que a través de una correcta extracción y limpieza de los datos se puede construir una aplicación web interactiva para el mejor estudio de los departamentos. Ya que nos ayudará a ver que departamentos tienen más comunicación entre ellos, provocando que sea más acertada la gestión de la vuelta a la oficina. Sin olvidar el gran apoyo que aporta el análisis a nivel individual de los departamentos como el que ayuda a comparar dando una visión más detallada, ya que se podrá seguir usando a lo largo del tiempo para poder ver las necesitades de cada una de las áreas y donde hay que apretar más para seguir teniendo éxito en cada uno de los departamentos y así en la propia compañia.