Resumen Ejecutivo
Ante dudas surgidas de los plazos de transición laboral de ejecutivos en
procesos de Outplacement en Chile, de acuerdo con 3 artículos publicados en el
diario El Mercurio (ver Apéndice I: El Mercurio del 13 de febrero de 2017, 29
de octubre de 2018 y 2 de diciembre de 2019), la empresa de outplacement LabLab
decidió realizar un estudio que permitiera establecer estos plazos con rigor
analítico.
Para este propósito, se consideraron los datos de 478 ejecutivos que
participaron en programas de outplacement, base de datos levantada a partir de
listados difundidos en 2018 por dos empresas tradicionales de la industria (ver
Apéndice II: Base de datos). Estos ejecutivos fueron contactados
individualmente para verificar sus tiempos de transición laboral, con un
período de observación promedio de 19 meses. El tamaño muestral permite hacer
un análisis determinístico para el universo de ejecutivos que perdieron su
trabajo e iniciaron un proceso de outplacement el año 2018, como también
modelar los plazos de desempleo para aquellos anteriores al 2018 (al no contar
con los datos de quienes sí encontraron trabajo en periodos previos). La
metodología de análisis es el estimador de Kaplan-Meier, el cual corresponde a
uno de los métodos no-paramétricos para análisis Time-to-Event.
Los resultados del modelo indican que los plazos
efectivos de desempleo para ejecutivos que realizaron programas de recolocación
durante el 2018 ascienden a 10 meses. Esto se compone de un 60% de ejecutivos
que perdieron su empleo el año 2018 y sí encontraron trabajo (en promedio a los
6,3 meses) y un 40% que aún seguía en búsqueda a los 13 meses promedio de observación
desde la fecha de pérdida del empleo.
Las cifras publicadas por las empresas objetos del
estudio, y por otras dos empresas tradicionales en el diario El Mercurio en las
fechas antes señaladas, afirman que los tiempos de transición ascienden aproximadamente
a 4 meses, lo cual difiere de lo observado en el análisis con datos objetivos y
con el modelamiento de los datos. Lo anterior nos lleva a realizar una
invitación amplia a instituir metodologías que permitan tener una discusión
certera sobre los tiempos de desempleo, y a considerar todos los casos, incluyendo
los datos de quienes no han encontrado trabajo, pues entregan información
necesaria para estimar correctamente los tiempos efectivos de recolocación.
Introducción
En Chile, el mercado de empresas de outplacement es
una industria de US$ 10 millones al año (Pleasant Work Chile, 2018), con dos
actores importantes que concentran sobre un 50% (People & Partners y Lee
Hecht Harrison), más varios otros de menor tamaño. Durante los últimos años y
desde el 2015, se ha instalado en la discusión pública el “desempeño” que esta
industria tiene en los ejecutivos que buscan empleo. En importante medida, este
desempeño está ligado al plazo de reinserción de altos ejecutivos, el que según
cifras publicadas en El Mercurio asciende aproximadamente a 4 meses (Sommer
Group, 2014; Lee Hetch Harrison, 2017; PwC, 2018; El Mercurio, 2018; Lukkap,
2019).
LabLab es una empresa de outplacement digital cuya
misión es encontrar trabajo a personas que lo necesitan. Al estar ingresando al
mercado, LabLab decidió evaluar y medir los tiempos de desempleo y recolocación
laboral de los ejecutivos como una práctica de benchmarking. Para esto, en una
primera instancia se tomó una muestra pequeña y se calculó los tiempos de
recolocación. Se encontró una diferencia importante con la información que está
publicada en El Mercurio y que, hoy en día, se considera el estándar de la
industria. Esta situación inspiró a analizar los datos en una escala mayor que
permitiera generalizar los datos con una metodología robusta, entendiendo las
complejidades y particularidades de los datos que entrega cada ejecutivo que
participa en un proceso de outplacement.
Se entiende, con este ejercicio, que es fundamental
exponer con exactitud los tiempos reales de recolocación en programas de
outplacement, ya que esto impacta en las expectativas de las personas que participan
en estos programas de recolocación laboral. Además, puede tener efectos no
deseados en aquellos ejecutivos que superan en tiempo lo que se ha dicho hasta
ahora.
En este estudio se trabajó con dos preguntas de
investigación, teniendo dos focos principales: la rigurosidad metodológica y la
transparencia de las etapas. Las preguntas de investigación son las siguientes:
[RQ1] ¿Qué modelo permite describir y predecir, de mejor
manera, el tiempo de desempleo de los ejecutivos que buscan empleo?
[RQ2] Según la pregunta de investigación RQ1, ¿cuáles
son los tiempos de desempleo para los ejecutivos que participan de programas de
outplacement en empresas tradicionales en Chile?
Metodología
Esta sección se organiza de la siguiente manera:
(1) selección del modelo que mejor predice los tiempos de recolocación a partir
de los datos disponibles, sin simplificar la complejidad del problema que está
siendo observado; (2) se describen los participantes, el procedimiento y las
variables a ser analizadas y cuyo resultado se mostrará en la siguiente
sección.
1. Modelo de predicción
Un aspecto importante por considerar en el análisis
de datos es qué hacer con los ejecutivos que, al momento de realizar una
observación, aún no han encontrado trabajo. La investigación que hace el área
de la salud se considera a la vanguardia en términos de metodología,
principalmente por la relevancia que tienen las conclusiones que los
investigadores realizan. En esta línea, se tomó como análisis una metodología
que está desarrollada en el área de epidemiología. Pero también se pueden
encontrar aplicaciones en áreas de la sociología (tiempo de reincidencia de
presos), económicas y en análisis de falla de sistemas o productos (product
reliability) (Kalbfleisch, & Prentice, 2011).
Este análisis es conocido como time-to-event
e incluye una serie de métodos que analizan la duración esperada hasta que un
evento ocurra. No es solo si el evento (un ejecutivo encuentre trabajo) ocurrió
o no, ya que esto último corresponde a un análisis binario. El análisis time-to-event
considera el hecho que no todos los sujetos vivencian el evento en cuestión
durante el tiempo que estaban siendo observados. Esto hace que el tiempo de
desempleo para algunos sujetos sea desconocido o incompleto. Este fenómeno se
llama censura de datos y está bien documentado en la literatura médica (Hougaard,
1999; Cornell Statistical Consulting Unit (s.f)).
Las ventajas que tiene usar este tipo de análisis
es que se trabaja con datos censurados (Kalbfleisch, &
Prentice, 2011). Al tener datos censurados hace
imposible utilizar simples métodos de regresión lineal o logística o incluso
asumir distribución normal en los datos, lo cual significa agregar un gran
sesgo en el análisis (Clark, Bradburn, Love, & Altman, 2003). Se considera
como particularidad de time-to-event tener una pregunta de investigación
de “outcome” binario (si ocurrió o no el evento) y continuo (tiempo que pasa
hasta que ocurra el evento).
De las técnicas más comunes para realizar este tipo
de análisis se encuentra el estimador de Kaplan-Meier (Kleinbaum, & Klein,
2012; Rodriguez, 2005), el cual predice la probabilidad de que un evento ocurra
en el tiempo, en este caso, encontrar trabajo en el tiempo. Es un método
no-paramétrico, lo que implica que no supone una distribución fija de la
variable dependiente (outcome). A diferencia de un método paramétrico, que
permitiría ajustar una distribución a la variable dependiente.
2. Análisis de datos
Procedimiento
Este estudio contó con una base de datos [BD] con información difundida por dos empresas tradicionales de outplacement en Chile a lo largo del año 2018 (ver Apéndice II: Base de datos). La BD contaba con la información de 545 ejecutivos. Entre febrero y agosto del año 2019 se hizo un seguimiento de los ejecutivos, siendo contactados primero por correo electrónico donde se les solicitó el curriculum vitae [CV] actualizado. Luego de esto, se llamó, consultando si estaban todavía desempleados o no. Finalmente, se verificó la información disponible en LinkedIn para todos ellos. Con esto, se pudo obtener la siguiente información: fecha de despido y fecha de recolocación en caso de haber encontrado trabajo. Para estos efectos se privilegió la información proporcionada directamente por el ejecutivo contactado, lo cual ocurrió en el 80,00% de los casos. En ausencia de confirmación directa, se consideró la información disponible en LinkedIn, lo cual ocurrió para el 7,71% de los casos. No se logró verificar información para el 12,29% de los casos.
Con lo anterior, en 478 de 545 ejecutivos (87.71%) se pudo establecer el
tiempo en que cada ejecutivo demoró en encontrar trabajo (en caso de haber
encontrado) o si sigue cesante. Esto es independiente si al momento del
levantamiento de información la persona estaba o no cesante nuevamente.
Variables
Tiempo de observación: tiempo que pasa desde que el ejecutivo pierde el empleo y fue contactado
para el estudio. En caso de tener una respuesta afirmativa cuando se preguntaba
si se habían reintegrado, se cerraba el seguimiento. Para el resto de los
ejecutivos, el tiempo de observación corresponde al tiempo que pasa desde que
el ejecutivo pierde el empleo hasta agosto del 2019.
Tiempo de desempleo: tiempo que pasa entre que un ejecutivo pierde el empleo hasta que logra
recolocarse en un nuevo trabajo.
Tiempo de recolocación: tiempo que pasa desde que un ejecutivo ingresa al programa de
outplacement hasta que encuentra un nuevo trabajo.
A partir de la descripción de las variables
anteriores, es evidente que tiempo de recolocación y tiempo de desempleo no
son, necesariamente, equivalentes. Para la sección de resultados se analiza el
tiempo de desempleo pues los datos disponibles no permiten para todos los casos
establecer la fecha de ingreso al programa de outplacement, no siendo posible
calcular el tiempo de recolocación.
Resultados
Análisis descriptivo de los datos
La BD cuenta con 478 ejecutivos validados, según lo
que fue descrito en la subsección Procedimiento. De ellos, los ejecutivos
recolocados corresponden a un 72.80% del total (N = 348). El restante 27.19% (N
= 130) aún no encontraba trabajo al término de la observación, en promedio a
los 19.26 meses de tiempo de observación. Esto significa que se cuenta con 130
datos incompletos o censurados.
Por lo tanto, se puede afirmar de los datos
observados que aquellos que sí encontraron trabajo según se muestra en
la Figura 1, se distribuyen con una media de 8.67 meses (SD = 6.21), una
mediana de 7 meses y una moda de 5.84 meses. Según se puede apreciar, esta
distribución no corresponde a una distribución normal.
Figura 1. Distribución de tiempos de desempleo de ejecutivos que sí encuentran trabajo (N=348). Las líneas amarillas,
magenta y roja indican moda, mediana y media respectivamente. La curva azul representa la densidad acumulada o
proporción de personas que encuentra trabajo de la muestra total (N=478).
Al considerar una submuestra con observaciones de
quienes quedaron desempleados el año 2018 (N=230), se observa que un 59.56% (N
= 137) de ellos encontró trabajo, mientras que un 40.43% (N = 93) aún no lo
hacía al término de la observación (con un tiempo de observación promedio de
13.03 meses). Al considerar solo aquellos ejecutivos que encontraron trabajo,
el promedio de tiempo de desempleo es 6.38 meses (SD = 3.53) con una mediana de
6 meses y una moda de 5.60 meses.
Figura 2. Histograma con meses de desempleo para submuestra de personas
desempleadas durante el 2018 y que encontraron
empleo (N=137). Las líneas amarilla, magenta y roja indican moda, mediana y
media respectivamente. La curva azul
representa la densidad acumulada o proporción de personas que encuentra trabajo
de la submuestra total (N=230).
La siguiente tabla resume los resultados del
análisis descriptivo de los datos, en la cual se aprecia que el tiempo de
desempleo para los ejecutivos que encuentra trabajo, varía en función del
tiempo de observación, como también del porcentaje de ejecutivos empleados
dentro de dicho periodo.
| Descripción de la muestra |
Tamaño muestral (N) |
Tiempo de observación (meses) |
Ejecutivos empleados al término de la observación (%) |
Ejecutivos sin trabajo al término de la observación (%) |
Tiempo promedio de desempleo para quienes sí se emplean (meses) |
| BD completa de ejecutivos validados en el estudio | 478 | 19,26 | 72,80 % | 27,19% | 8,67 |
| Submuestra de BD con los desempleados durante 2018 |
230 | 13,03 | 59,56 % | 40,43% | 6,38 |
Del cuadro anterior se desprende que, concluir cifras de tiempos de recolocación de ejecutivos sin considerar aquellos que al momento de la observación no han encontrado trabajo (y que son significativos), lleva a sacar conclusiones erradas respecto al tiempo promedio de recolocación laboral.
Análisis de Time-To-Event
Los análisis se realizaron con el software R (ver
Tableman, & Kim, 2003), con la librería survival. Además, se utilizó el método Kaplan-Meier con
tiempos de desempleo mayor a 0 meses, lo que permite realizar análisis no-paramétricos
(Kaplan-Meier) y paramétricos (ajuste de distribución a la variable
dependiente). Con esto, la muestra queda en 473 ejecutivos (5 menos, cuyo
tiempo de desempleo fue 0). De ellos, 343 (72.51%) encontraron trabajo mientras
que 130 (27.48%) no lo hicieron. Los 130 ejecutivos que no encontraron trabajo
se consideran datos censurados.
La Figura 3 muestra la curva de Kaplan-Meier (para
más detalle ver Apéndice IV: output Kaplan-Meier), la cual corresponde a la
representación gráfica de la probabilidad estimada (curva azul continua) por
este método con rangos de 95% de confianza (curva azul punteada):
Figura 3. Curva de Kaplan-Meier
Según como se observa, la mediana (es decir, el
valor en el eje x que corresponde a la probabilidad de supervivencia de 0.5)
corresponde a 10 meses. La probabilidad de supervivencia debe
interpretarse como la “probabilidad de que luego de X meses, una persona
siga desempleada”.
Con respecto a la distribución de la muestra, ésta
no corresponde a una distribución normal (ver Apéndice III: curva de Cullen and
Frey). Esto quiere decir que no se puede describir la muestra con la media, lo
que corresponde a una de las medidas de tendencia central más conocidas (media,
mediana y moda). Es por esto que se decidió realizar un análisis paramétrico e
intentar ajustar la muestra a una distribución conocida. Según el análisis de
Cullen & Frey (ver Apéndice III) las más probables son Lognormal, Gamma y
Weibull.
Ajustando a la curva de distribución Weibull y Lognormal
descrito en Therneau (2015), la escala es significativa (p < 0.001) en el
primer caso. El ajuste se muestra en la Figura 4a y 4b.
Figura 4a. Ajuste de distribución Weibull.
Figura 4b. Ajuste de distribución Lognormal
Discusión
Los resultados revelan una gran brecha entre lo que declaran las empresas de outplacement los últimos años (alrededor de 4 meses) y los datos del modelo (10 meses), lo cual nos lleva a plantear la hipótesis de que la industria omite la información de quienes no han encontrado empleo (datos censurados para efectos de este estudio) a la hora de calcular sus tiempos de recolocación. Y, como se demostró, la muestra no distribuye normal como para entregar la media como medida de tendencia central. Por otro lado, se levanta una segunda hipótesis: la industria entrega como tiempo de desempleo el tiempo de recolocación, lo que genera la percepción de que los tiempos de desempleo son menores, dado que los ejecutivos tienden a entrar a los programas de outplacement con un desfase con respecto al momento de ser despedidos.
Un elemento importante es que, al momento de
entregar los resultados, hay que ser claros en referir el tiempo de desempleo a
una unidad de tiempo de observación. La ventana de observación de este estudio
es de 19.26 meses y al cabo de este tiempo hubo un porcentaje de personas que
no había encontrado empleo. Esto es relevante a la hora de exponer de forma
precisa la información de la industria de outplacement. Así se podrá sincerar
las expectativas de las personas y el mercado.
Considerando la forma de la curva de una
distribución Weibull y Lognormal se observa que existe una asimetría derecha.
Esto significa que hay un grupo importante de ejecutivos que encuentran trabajo
en un plazo relativamente bajo. Por otro lado, los ejecutivos que no encuentran
trabajo, y que se encuentran en la cola de la distribución, lo hacen después
del año. Esto muestra la importancia de la ventana de observación: si nos
concentramos en la primera porción de meses podemos subestimar, de manera muy
equivocada, el tiempo de desempleo.
Conclusiones
Para responder la primera pregunta de investigación
¿Qué modelo permite describir y predecir, de mejor manera, el tiempo de
desempleo de los ejecutivos que buscan empleo? este trabajo propone utilizar
los métodos que provee el análisis de supervivencia, o time-to-event analysis.
Estos análisis permiten considerar datos que están censurados o incompletos, lo
que ocurre en el caso de los tiempos de desempleo. Para responder la segunda
pregunta ¿cuáles son los tiempos de desempleo para los ejecutivos que participan
de programas de outplacement en empresas tradicionales en Chile? se utilizó el
método Kaplan-Meier, el cual pudo predecir el tiempo de desempleo de estas
personas con una mediana de 10 meses (ver Figura 3).
No basta con analizar el mejor escenario, que es el de las personas que sí
encuentran empleo. También hay que considerar aquellos que no lo
encuentran. Esto nos lleva a realizar una invitación amplia a (i) instaurar metodologías
robustas que permitan tener una discusión certera sobre tiempos de desempleo y
recolocación, (ii) considerar todos los casos, incluso los datos de quienes no
han encontrado trabajo (datos censurados), pues dan una información necesaria
para estimar los tiempos efectivos de recolocación.
Dejamos como futuras líneas de investigación
utilizar tecnologías de inteligencia artificial como machine learning
para poder encontrar los factores que determinan los tiempos de desempleo y
recolocación de una persona y así poder entregar una información más cercana a
las personas, considerando los factores que ayudan y/o perjudican a la hora de
encontrar empleo.
Agradecimientos
Se agradece a Daniela Caballero, PhD en Ciencias de
la Computación PUC, por su revisión y sugerencias en la parte metodológica e
identificación del modelo de predicción. Por su colaboración en las distintas
etapas del documento, a Tal Rosen, PhD en Ciencias de la Ingeniería PUC, a Magdalena
León, Ingeniero Comercial PUC, y a Juan José Andreu, MSc en Ingeniería y
Ciencias de la Computación PUC (todos socios de LabLab). También a Gabriel
Martínez, María Teresa Ferrada y Evangelina Nawarth por su colaboración en la
etapa de levantamiento de información.
Referencias
Clark,
T.G., Bradburn, M.J., Love, S.B., Altman, D.G. (2003). Survirval Analysis Part
I: Basic concepts and first analyses. British Journal of Cancer, 89,
232-238.
Cornell
Statistical Consulting Unit (s.f). Censored Data – Cornell
University. http://www.cscu.cornell.edu/news/statnews/stnews67.pdf
El Mercurio (2019). Economía y Negocios: Incertidumbre sobre futuro
laboral prevé un alza en los tiempos de recolocación de ejecutivos. Recuperado
de: http://www.lukkap.cl/incertidumbre-sobre-futuro-laboral-preve-un-alza-en-los-tiempos-de-recolocacion-de-ejecutivos/
El Mercurio (2018). Economía y Negocios: Mujeres acortan tiempos de
recolocación con hombres y ambos promedian 4 meses. Recuperado de: https://www.pwc.com/cl/es/prensa/prensa/2018/Mujeres-acortan-tiempos-de-recolocacion-con-hombres-y-ambos-promedian-4-meses.html
El Mercurio (2018). Economía y Negocios: Tiempo de recolocación de
profesionales de más de 50 años disminuye casi 20% desde 2016. Recuperado de: http://www.economiaynegocios.cl/noticias/noticias.asp?id=479364
El Mercurio (2017). Economía y Negocios: Ejecutivos en programas de
outplacement demoran 4.7 meses en reubicarse en 2016. Recuperado de: www.lhh.cl/el-mercurio-ejecutivos-en-programas-de-outplacement-demoraron-47-meses-en-reubicarse-en-2016
Pleasant Work Chile (2018). Programas de outplacement aumentan 30% en el
último año. Recuperado de: https://www.headhuntersworkplace.cl/sitio/index.php?option=com_content&view=article&id=142:-programas-de-outplacement-aumentan-30-en-el-ultimo-ano&catid=12:Outplacement&Itemid=25
Hougaard, P. (1999), Fundamentals of Survival Data. Biometrics, 55.
13-22.
doi:10.1111/j.0006-341X.1999.00013.x
Kalbfleisch,
J. D., & Prentice, R. L. (2011). The statistical analysis of failure
time data (Vol. 360). John Wiley & Sons.
Kleinbaum
D.G., Klein M. (2012) Kaplan-Meier Survival Curves and the Log-Rank Test. In:
Survival Analysis. Statistics for Biology and Health. Springer, New York,
NY
Rodríguez
G (2005). Non-Parametric Estimation in Survival Models. http://data.princeton.edu/pop509/NonParametricSurvival.pdf
Tableman,
M., & Kim, J. S. (2003). Survival analysis using S:
analysis of time-to-event data. Chapman and Hall/CRC.
Therneau,
T. (2015). A Package for Survival Analysis in S. version 2.38, https://CRAN.R-project.org/package=survival.
Apéndice
I. El Mercurio – 2 de diciembre de 2019
I. El Mercurio – 29 de octubre 2018
I. El Mercurio – 13 de febrero de 2017
II. Base de Datos [BD]
La base de datos validada que fue utilizada en el estudio
está compuesta de:
- Un 16.52% de ejecutivos (N = 79) que realizó el
proceso de recolocación en Lukkap, y un 83.47% (N = 399) que lo hizo en People
& Partners. - Un 19.66% de ejecutivos de género femenino (N = 94)
y un 80.33% de ejecutivos de género masculino (N = 384). - La proporción por tipo de cargo es la siguiente:
hay un 4,81% de gerentes generales (N = 23), un 61,30% de gerentes (N = 293),
un 26,15% de subgerentes (N = 125) y un 7,74% de jefaturas y otros roles (N =
37). - Con respecto a la participación por sector, el
sector servicio tiene el 72.38% (N = 346) de los ejecutivos, el de manufactura
el 20.50% (N = 98) y el sector extractivo y agrícola el restante 7.11% (N =
34). - Por último, se observa que las industrias más
representadas son telecomunicaciones y medios (N = 65), intermediación
financiera (N = 64), salud (N = 49), y consumo masivo (N = 47).
III. Gráfico de Cullen and Frey
descdist(registro_2018$desempleado_meses, discrete = FALSE, boot = 600, method = "sample",
graph = TRUE, obs.col = "darkblue", obs.pch = 16, boot.col = "orange")
summary statistics
min: 1 max: 42
median: 10
mean: 11.57082
sample sd: 7.94722
sample skewness: 1.085166
sample kurtosis: 4.098066
IV. Output Kaplan-Meier
Call: survfit(formula = surv_registro_2018 ~ 1, data = registro_2018)
time n.risk n.event survival std.err lower 95% CI upper 95% CI
1 473 21 0.9556 0.00947 0.9372 0.974
2 452 20 0.9133 0.01294 0.8883 0.939
3 432 17 0.8774 0.01508 0.8483 0.907
4 415 34 0.8055 0.01820 0.7706 0.842
5 381 30 0.7421 0.02012 0.7037 0.783
6 351 25 0.6892 0.02128 0.6487 0.732
7 326 25 0.6364 0.02212 0.5945 0.681
8 301 25 0.5835 0.02267 0.5407 0.630
9 273 19 0.5429 0.02292 0.4998 0.590
10 252 20 0.4998 0.02304 0.4566 0.547
11 228 9 0.4801 0.02305 0.4370 0.527
12 215 15 0.4466 0.02301 0.4037 0.494
13 190 23 0.3925 0.02282 0.3503 0.440
14 157 11 0.3650 0.02268 0.3232 0.412
15 139 9 0.3414 0.02253 0.3000 0.389
16 120 5 0.3272 0.02248 0.2860 0.374
17 103 7 0.3049 0.02246 0.2639 0.352
18 87 4 0.2909 0.02250 0.2500 0.339
19 76 4 0.2756 0.02258 0.2347 0.324
20 60 3 0.2618 0.02281 0.2207 0.311
22 49 4 0.2404 0.02332 0.1988 0.291
23 45 2 0.2298 0.02347 0.1881 0.281
24 42 2 0.2188 0.02360 0.1771 0.270
25 38 1 0.2131 0.02367 0.1714 0.265
26 37 2 0.2015 0.02375 0.1600 0.254
28 31 2 0.1885 0.02393 0.1470 0.242
30 22 1 0.1800 0.02433 0.1381 0.235
31 18 1 0.1700 0.02495 0.1275 0.227
34 7 1 0.1457 0.03103 0.0960 0.221
38 3 1 0.0971 0.04472 0.0394 0.239
> print(km_registro_2018)
Call: survfit(formula = surv_registro_2018 ~ 1, data = registro_2018)
n events median 0.95LCL 0.95UCL
473 343 10 9 12
[1] Rodrigo Vera es Ingeniero Civil Industrial de la Pontificia Universidad Católica de Chile (PUC) y MSc in Management de Stanford University.
Rafael Rodríguez es Ingeniero Comercial de la PUC. Ambos son socios de LabLab, empresa de Outplacement digital.
