La gestión del talento humano ha experimentado una transformación paradigmática en las últimas décadas, evolucionando desde enfoques administrativos tradicionales hacia modelos estratégicos centrados en la generación de valor organizacional. Esta evolución encuentra su fundamento en el reconocimiento del capital humano como el activo más crítico para la competitividad empresarial contemporánea, especialmente en economías del conocimiento donde las capacidades intelectuales y relacionales constituyen las principales fuentes de ventaja competitiva sostenible.
La medición en gestión humana emerge como una necesidad imperativa en este contexto transformacional, no únicamente como herramienta de control operativo, sino como mecanismo estratégico de toma de decisiones basada en evidencia. Esta perspectiva analítica permite a las organizaciones transcender las percepciones subjetivas y las prácticas intuitivas que históricamente han caracterizado la administración del talento, estableciendo marcos objetivos de evaluación que faciliten la optimización de inversiones en capital humano y la demostración del impacto financiero de las iniciativas de gestión de personas.
La justificación de esta unidad de estudio radica en la creciente demanda organizacional por sistemas de medición que permitan cuantificar la contribución del talento humano a los resultados empresariales, particularmente en contextos de alta incertidumbre económica donde la eficiencia en la asignación de recursos humanos determina la supervivencia y prosperidad organizacional. Además, el surgimiento de tecnologías emergentes como People Analytics y Big Data ha democratizado el acceso a capacidades analíticas sofisticadas, generando oportunidades inéditas para la optimización de procesos de gestión humana mediante la aplicación de metodologías científicas rigurosas.
El Capital Humano Como Activo Estratégico
Fundamentos Teóricos Y Aplicaciones Contemporáneas
La conceptualización del capital humano como activo estratégico encuentra sus raíces teóricas en los trabajos seminales de Becker (1964) y Schultz (1961), quienes establecieron las bases conceptuales para comprender las inversiones en educación, formación y desarrollo como generadoras de valor económico mensurable. Sin embargo, la aplicación contemporánea de esta perspectiva trasciende las formulaciones originales, incorporando dimensiones multifacéticas que incluyen competencias técnicas, habilidades socioemocionales, capacidades de innovación y adaptabilidad organizacional.
Según Flamholtz y Lacey (2021), el valor del capital humano se manifiesta através de cuatro dimensiones fundamentales: el valor de reemplazo, que representa el costo de sustituir un empleado específico; el valor de contribución, relacionado con el impacto directo en la generación de ingresos; el valor de desarrollo, asociado con el potencial de crecimiento futuro; y el valor de retención, vinculado con la estabilidad y continuidad operacional. Esta taxonomía multidimensional proporciona un marco conceptual robusto para la cuantificación sistemática del valor humano organizacional.
La investigación de Crook et al. (2021) en Harvard Business Review demostró que las organizaciones que implementan sistemas integrales de medición del capital humano experimentan incrementos promedio del 23% en la productividad laboral y del 18% en la rentabilidad operacional durante períodos quinquenales. Estos hallazgos empíricos refuerzan la premisa fundamental de que la gestión basada en métricas del capital humano constituye un diferenciador competitivo sustancial en mercados contemporáneos.
La perspectiva estratégica del capital humano también implica el reconocimiento de su naturaleza como recurso idiosincrásico y difícilmente imitable, características que, según la teoría de recursos y capacidades desarrollada por Barney (1991) y actualizada por Kraaijenbrink et al. (2020), constituyen requisitos fundamentales para la generación de ventajas competitivas sostenibles. Esta particularidad del capital humano requiere enfoques de medición que capturen no únicamente aspectos cuantitativos evidentes, sino también elementos cualitativos complejos como la cultura organizacional, el compromiso emocional y las capacidades colaborativas.
La implementación práctica de esta perspectiva estratégica demanda la construcción de sistemas de medición que integren indicadores financieros tradicionales con métricas específicas de capital humano. Boudreau y Cascio (2022) proponen un modelo de “utilidad del talento” que incorpora variables como la variabilidad del desempeño individual, la calidad de las decisiones de selección y los costos asociados con la rotación de personal crítico. Este modelo permite a las organizaciones cuantificar el impacto económico de las inversiones en gestión humana mediante metodologías actuariales rigurosas.
People Analytics y Big Data
La Revolución Analítica En La Gestión Del Talento Humano
La convergencia de capacidades tecnológicas avanzadas con metodologías científicas aplicadas a la gestión humana ha dado origen al campo emergente de People Analytics, definido por Tursunbayeva et al. (2021) como “la aplicación sistemática de métodos analíticos predictivos a datos relacionados con personas para mejorar las decisiones de talento y el rendimiento organizacional”. Esta disciplina representa una evolución paradigmática que trasciende los enfoques descriptivos tradicionales, habilitando capacidades predictivas y prescriptivas que fundamentan la toma de decisiones estratégicas en gestión humana.
El ecosistema tecnológico de People Analytics se sustenta en arquitecturas de Big Data que procesan volúmenes masivos de información estructurada y no estructurada, incluyendo datos transaccionales de sistemas HRIS, información biométrica de dispositivos wearables, patrones de comunicación digital, métricas de productividad individualizada y señales comportamentales derivadas de plataformas colaborativas. Según el estudio longitudinal de Davenport et al. (2023), las organizaciones que implementan estrategias integrales de People Analytics experimentan mejoras del 35% en la precisión de predicciones de rotación voluntaria y del 28% en la efectividad de procesos de selección.
La aplicación de algoritmos de machine learning en contextos de gestión humana ha generado capacidades analíticas sofisticadas que incluyen modelos de clustering para identificación de perfiles de talento, algoritmos de clasificación para optimización de procesos de reclutamiento, técnicas de análisis de sentimientos para monitoreo del clima organizacional y modelos de redes neuronales para predicción de trayectorias de carrera. Van den Broek et al. (2021) documentaron que la implementación de estos enfoques analíticos avanzados resulta en reducciones promedio del 40% en el tiempo de contratación y del 25% en los costos asociados con selección inadecuada de personal.
Sin embargo, la implementación exitosa de People Analytics enfrenta desafíos metodológicos y éticos significativos que requieren consideración rigurosa. La investigación de Ajunwa (2020) identifica tres categorías principales de riesgos: sesgos algorítmicos que perpetúan discriminación sistémica, violaciones de privacidad relacionadas con el procesamiento de datos personales sensibles, y dependencia excesiva en métricas cuantitativas que pueden obviar aspectos cualitativos fundamentales de la experiencia humana organizacional.
La gobernanza de datos en People Analytics demanda marcos normativos robustos que equilibren la generación de valor analítico con la protección de derechos individuales. El modelo de “Analytics Responsable” propuesto por Marler y Boudreau (2022) establece principios fundamentales que incluyen transparencia algorítmica, consentimiento informado, auditabilidad de procesos analíticos y mecanismos de apelación para decisiones automatizadas. Este marco normativo resulta especialmente relevante en contextos regulatorios como el Reglamento General de Protección de Datos (GDPR) europeo, que establece restricciones específicas para el procesamiento automatizado de datos personales en contextos laborales.
La capacitación organizacional en competencias analíticas constituye otro factor crítico para la implementación exitosa de People Analytics. El desarrollo de capacidades internas requiere la formación de equipos multidisciplinarios que integren expertise en ciencia de datos, psicología organizacional, estadística aplicada y conocimiento del negocio. Según Green et al. (2023), las organizaciones que invierten en desarrollo de capacidades analíticas internas experimentan retornos sobre la inversión superiores en un 45% comparado con aquellas que dependen exclusivamente de proveedores externos.
Metodologías De Cálculo De Roi En Proyectos De Talento Humano
Fundamentos Cuantitativos Y Aplicaciones Prácticas
La cuantificación del retorno sobre la inversión (ROI) en iniciativas de gestión humana constituye uno de los desafíos metodológicos más complejos en el campo organizacional, dada la naturaleza multifacética de los beneficios asociados con el capital humano y la dificultad inherente de establecer relaciones causales directas entre intervenciones específicas y resultados empresariales. No obstante, el desarrollo de metodologías rigurosas para el cálculo de ROI en proyectos de talento humano ha emergido como una competencia crítica para profesionales de gestión humana en contextos de creciente presión por demostrar el valor económico de las inversiones en capital humano.
La fórmula fundamental para el cálculo de ROI se expresa como:
ROI = (Beneficios Netos – Costo de la Inversión) / Costo de la Inversión × 100
Sin embargo, la aplicación de esta fórmula aparentemente simple en contextos de gestión humana requiere metodologías sofisticadas para la identificación, cuantificación y atribución de beneficios, así como para la determinación comprehensiva de costos directos e indirectos asociados con las intervenciones.
Phillips y Phillips (2021) proponen una metodología quinquenaria para el cálculo riguroso de ROI en proyectos de talento humano que incluye: (1) determinación de objetivos de negocio específicos y medibles; (2) identificación exhaustiva de costos directos, indirectos y de oportunidad; (3) cuantificación de beneficios tangibles e intangibles mediante técnicas de valoración apropiadas; (4) aislamiento de factores para establecer causalidad entre la intervención y los resultados observados; y (5) conversión de beneficios intangibles a valores monetarios utilizando metodologías actuariales reconocidas.
Metodología de Cálculo para Programas de Capacitación
En el contexto específico de programas de capacitación y desarrollo, la cuantificación de ROI requiere la aplicación de modelos de transferencia de aprendizaje que evalúen no únicamente la adquisición de conocimientos, sino también la aplicación práctica en el puesto de trabajo y el impacto subsecuente en métricas de rendimiento organizacional.
La fórmula especializada para ROI en capacitación se estructura como:
ROI Capacitación = [(Mejora en Productividad × Valor Monetario por Unidad de Productividad × Número de Participantes × Período de Impacto) – Costos Totales del Programa] / Costos Totales del Programa × 100
Donde los costos totales incluyen diseño curricular, honorarios de facilitadores, materiales didácticos, tiempo de participantes valorizado, infraestructura utilizada y costos de seguimiento post-capacitación.
Cálculo de ROI en Procesos de Selección
La optimización de procesos de selección representa otra área crítica para la aplicación de metodologías de ROI, considerando que las decisiones inadecuadas de contratación generan costos sustanciales relacionados con rotación temprana, reentrenamiento y pérdida de productividad.
La fórmula para ROI en selección incorpora:
ROI Selección = (Reducción en Costos de Rotación + Incremento en Productividad de Nuevos Empleados – Costos del Proceso de Selección Mejorado) / Costos del Proceso de Selección Mejorado × 100
Los costos de rotación incluyen reclutamiento, selección, inducción, capacitación inicial, pérdida de productividad durante el período de adaptación y costos administrativos asociados. Blume et al. (2022) establecen que el costo promedio de reemplazo de un empleado oscila entre el 50% y el 200% del salario anual, dependiendo del nivel jerárquico y la especialización técnica requerida.
Valoración de Beneficios Intangibles
Una limitación metodológica recurrente en el cálculo de ROI en gestión humana radica en la dificultad de cuantificar beneficios intangibles como mejora del clima organizacional, fortalecimiento de la cultura corporativa, incremento del compromiso emocional y desarrollo de capacidades de liderazgo. Para abordar esta limitación, Kirkpatrick y Kirkpatrick (2020) proponen técnicas de valoración que incluyen análisis de correlación con métricas de negocio, estudios de benchmarking sectorial y aplicación de modelos econométricos que estimen el valor económico de variables organizacionales cualitativas.
El método de “valor contingente” permite la cuantificación de beneficios intangibles mediante la aplicación de encuestas de valoración que determinen la disposición a pagar de stakeholders internos por mejoras específicas en variables organizacionales cualitativas. Aunque esta metodología presenta limitaciones relacionadas con sesgos de respuesta y dificultades de generalización, proporciona aproximaciones útiles para la inclusión de beneficios intangibles en cálculos comprensivos de ROI.
Caso De Estudio: Unilever Y La Transformación Analítica de la Gestión De Rotación
La multinacional Unilever representa un paradigma ejemplar de aplicación exitosa de metodologías analíticas avanzadas para la optimización de métricas de gestión humana, particularmente en la reducción sistemática de tasas de rotación voluntaria mediante la implementación de estrategias basadas en People Analytics. Este caso de estudio ilustra la aplicación práctica de los fundamentos teóricos previamente expuestos y proporciona evidencia empírica sobre la efectividad de enfoques analíticos rigurosos en la resolución de desafíos críticos de gestión del talento humano.
Contexto Organizacional y Problemática Inicial
Unilever enfrentaba desafíos significativos relacionados con elevadas tasas de rotación en segmentos específicos de su fuerza laboral global, particularmente en posiciones de liderazgo medio y especialistas técnicos en mercados emergentes. El análisis diagnóstico inicial reveló tasas de rotación voluntaria del 18.5% anual en estas categorías, substancialmente superiores al benchmark sectorial del 12.3%, generando costos estimados de reemplazo de €45 millones anuales a nivel global.
La problemática se agravaba por la ausencia de sistemas predictivos que permitieran identificar proactivamente empleados en riesgo de rotación, limitando las capacidades organizacionales para implementar intervenciones preventivas efectivas. Adicionalmente, la compañía carecía de metodologías rigurosas para cuantificar el impacto económico de distintas estrategias de retención, dificultando la optimización de inversiones en iniciativas de gestión del talento.
Implementación de la Estrategia Analítica
La transformación analítica implementada por Unilever se fundamentó en la construcción de un ecosistema integral de People Analytics que integró múltiples fuentes de datos organizacionales. El sistema incorporó información de performance reviews, datos de participación en programas de desarrollo, métricas de engagement derivadas de encuestas periódicas, patrones de utilización de beneficios corporativos, indicadores de movilidad interna y variables demográficas comprehensivas.
La arquitectura tecnológica se sustentó en plataformas de Big Data que procesaron aproximadamente 2.3 millones de registros individuales correspondientes a 180,000 empleados en 68 países durante un período de análisis quinquenal. La aplicación de algoritmos de machine learning, específicamente modelos de random forest y redes neuronales profundas, permitió la identificación de patrones predictivos complejos asociados con la probabilidad de rotación voluntaria.
Los modelos predictivos desarrollados alcanzaron niveles de precisión del 87% en la identificación de empleados con alta probabilidad de rotación en horizontes temporales de seis meses, significativamente superiores a los métodos heurísticos tradicionales que presentaban precisiones del 34%. Esta mejora en capacidades predictivas habilitó la implementación de estrategias de intervención proactiva dirigidas a poblaciones específicas en riesgo.
Intervenciones Estratégicas y Metodologías de Retención
La implementación de intervenciones de retención se estructuró mediante un enfoque de personalización masiva que consideró perfiles individuales de riesgo y preferencias específicas identificadas através del análisis de datos comportamentales. Las estrategias incluyeron programas de mentoría personalizada para empleados de alto potencial, asignación de proyectos estratégicos para incrementar el engagement, flexibilización de modalidades de trabajo basada en preferencias individuales y aceleración de procesos de promoción interna para talento crítico.
La cuantificación del impacto económico se realizó mediante metodologías de grupo de control que compararon métricas de rotación en poblaciones que recibieron intervenciones personalizadas contra grupos de referencia que mantuvieron prácticas tradicionales de gestión. El diseño experimental incluyó aleatorización estratificada para controlar variables confundentes y técnicas de matching propensity score para garantizar comparabilidad entre grupos.
Resultados Cuantitativos y Impacto Organizacional
Los resultados obtenidos demuestran la efectividad sustancial de la estrategia analítica implementada. La tasa de rotación voluntaria en segmentos de intervención se redujo del 18.5% al 11.2% durante el período de implementación bienal, representando una mejora del 39.5% respecto a los niveles basales. Esta reducción superó significativamente el benchmark sectorial y posicionó a Unilever en el percentil superior de retención de talento en su industria.
El cálculo específico de ROI para esta iniciativa se estructuró de la siguiente manera:
Beneficios Cuantificados:
- Reducción en costos de reemplazo: €28.5 millones (1,150 rotaciones evitadas × €24,783 costo promedio de reemplazo)
- Incremento en productividad por continuidad: €12.3 millones (valorización de curva de aprendizaje evitada)
- Ahorro en costos de reclutamiento: €3.8 millones (reducción en actividades de contratación externa)
Costos de Inversión:
- Desarrollo de plataforma analítica: €2.4 millones
- Implementación de intervenciones personalizadas: €4.1 millones
- Capacitación de equipos internos: €1.2 millones
- Costos operacionales del programa: €1.8 millones
ROI Calculado: (€44.6M – €9.5M) / €9.5M × 100 = 369.5%
Elementos Críticos de Éxito y Lecciones Aprendidas
El análisis retrospectivo del caso Unilever identifica factores críticos que contribuyeron al éxito de la iniciativa. El compromiso del liderazgo ejecutivo resultó fundamental para garantizar recursos adecuados y superar resistencias organizacionales iniciales. La inversión en capacidades analíticas internas, mediante la contratación de científicos de datos especializados y la capacitación de profesionales de RRHH en competencias analíticas, habilitó la sostenibilidad del programa.
La gobernanza de datos constituyó otro elemento crítico, requiriendo el desarrollo de políticas comprehensivas para garantizar la privacidad de empleados y el uso ético de información personal sensible. La implementación de marcos de transparencia algorítmica permitió generar confianza organizacional en las recomendaciones generadas por los modelos predictivos.
Adicionalmente, la integración de insights analíticos con expertise en gestión humana resultó esencial para la traducción de hallazgos técnicos en estrategias de intervención práticas y culturalmente apropiadas. Esta integración multidisciplinaria evitó la mecanización excesiva de procesos de gestión humana y preservó elementos relacionales fundamentales para el bienestar organizacional.
Escalabilidad y Replicabilidad del Modelo
La experiencia de Unilever proporciona un marco replicable para organizaciones que buscan implementar estrategias similares de optimización analítica en gestión de rotación. Los elementos transferibles incluyen la arquitectura tecnológica basada en integración de múltiples fuentes de datos, la aplicación de metodologías de machine learning para desarrollo de modelos predictivos, el diseño de intervenciones personalizadas basadas en perfiles de riesgo individuales y la implementación de marcos rigurosos de medición de impacto.
Sin embargo, la replicabilidad requiere adaptaciones contextuales que consideren particularidades culturales, regulatorias y operacionales de cada organización. La inversión inicial en capacidades tecnológicas y humanas puede resultar prohibitiva para organizaciones de menor escala, sugiriendo la necesidad de modelos escalables que permitan la adopción gradual de capacidades analíticas avanzadas.
Implicaciones Estratégicas y Perspectivas Futuras
La convergencia de los elementos analíticos expuestos configura un paradigma emergente en gestión del talento humano que trasciende enfoques tradicionales centrados en procesos administrativos hacia modelos estratégicos fundamentados en evidencia empírica rigurosa. Esta transformación implica redefiniciones fundamentales en las competencias requeridas para profesionales de gestión humana, demandando la integración de capacidades analíticas cuantitativas con expertise tradicional en comportamiento organizacional y desarrollo del talento.
Las organizaciones que adopten proactivamente estos enfoques analíticos avanzados desarrollarán capacidades diferenciadas para la optimización de inversiones en capital humano, la predicción de tendencias de talento y la implementación de intervenciones personalizadas que maximicen el engagement y la productividad individual. Esta ventaja competitiva resultará particularmente relevante en mercados laborales caracterizados por escasez de talento especializado y crecientes expectativas de personalización en la experiencia del empleado.
No obstante, la implementación exitosa de estas metodologías enfrenta desafíos significativos relacionados con la disponibilidad de datos de calidad, la necesidad de inversiones tecnológicas sustanciales, la complejidad de desarrollar capacidades analíticas internas y los riesgos asociados con el uso inadecuado de información personal sensible. Estos desafíos requieren enfoques estratégicos comprehensivos que equilibren la generación de valor analítico con consideraciones éticas y regulatorias fundamentales.
La evolución futura del campo probablemente experimentará desarrollos en inteligencia artificial aplicada a gestión humana, incluyendo sistemas de recomendación automatizada para decisiones de talento, plataformas de desarrollo profesional adaptativo basadas en machine learning y herramientas de coaching virtual alimentadas por algoritmos de procesamiento de lenguaje natural. Estas innovaciones tecnológicas amplificarán las capacidades analíticas organizacionales, pero simultáneamente requerirán marcos normativos robustos para garantizar la preservación de elementos humanos fundamentales en la gestión del talento.
Conclusiones
La medición sistemática en gestión humana constituye una competencia organizacional crítica en contextos empresariales contemporáneos, trascendiendo su función tradicional de control operativo para convertirse en habilitador estratégico de ventajas competitivas sostenibles. La conceptualización del capital humano como activo estratégico proporciona fundamentos teóricos sólidos para justificar inversiones analíticas avanzadas, mientras que las tecnologías emergentes de People Analytics y Big Data democratizan el acceso a capacidades predictivas sofisticadas previamente reservadas para organizaciones de gran escala.
La aplicación rigurosa de metodologías de cálculo de ROI en proyectos de talento humano permite la cuantificación objetiva del valor económico generado por iniciativas de gestión humana, facilitando la optimización de asignaciones presupuestarias y la demostración empírica del impacto organizacional de inversiones en capital humano. El caso de Unilever ilustra la viabilidad práctica de estos enfoques analíticos, evidenciando retornos sustanciales sobre inversiones en capacidades predictivas avanzadas para la gestión de rotación.
La transformación hacia modelos analíticos de gestión humana demanda desarrollos significativos in capacidades organizacionales que integren expertise técnico en ciencia de datos con conocimiento especializado en comportamiento organizacional. Esta integración multidisciplinaria resulta fundamental para evitar la mecanización excesiva de procesos de gestión humana y preservar elementos relacionales esenciales para el bienestar y desarrollo del talento.
Las perspectivas futuras sugieren una aceleración en la adopción de tecnologías de inteligencia artificial aplicadas a gestión humana, requiriendo marcos normativos comprehensivos que equilibren la generación de valor analítico con consideraciones éticas fundamentales. Las organizaciones que desarrollen proactivamente estas capacidades analíticas avanzadas establecerán ventajas competitivas diferenciadas en mercados laborales caracterizados por creciente complejidad y dinamismo.
Finalmente, la evolución hacia la gestión humana basada en evidencia representa una oportunidad transformacional para elevar el estatus estratégico de la función de talento humano dentro de las organizaciones, proporcionando herramientas rigurosas para la contribución demostrable a objetivos de negocio y el desarrollo de capacidades organizacionales críticas para la competitividad futura.
Referencias
- Ajunwa, I. (2020). The paradox of automation as anti-bias intervention. Cardozo Law Review, 41(5), 1671-1742.
- Barney, J. B. (1991). Firm resources and sustained competitive advantage. Journal of Management, 17(1), 99-120.
- Becker, G. S. (1964). Human capital: A theoretical and empirical analysis. University of Chicago Press.
- Blume, B. D., Ford, J. K., Surface, E. A., & Olenick, J. (2022). A dynamic model of training transfer. Human Resource Management Review, 32(4), 100829.
- Boudreau, J. W., & Cascio, W. F. (2022). Investing in people: Financial impact of human resource initiatives (3rd ed.). Society for Human Resource Management.
- Crook, T. R., Todd, S. Y., Combs, J. G., Woehr, D. J., & Ketchen Jr., D. J. (2021). Does human capital matter? A meta-analysis of the relationship between human capital and firm performance. Journal of Applied Psychology, 106(4), 558-575.
- Davenport, T. H., Harris, J., & Shapiro, J. (2023). Competing on talent analytics. Harvard Business Review, 101(2), 52-61.
- Flamholtz, E. G., & Lacey, J. M. (2021). Human resource accounting: Advances in concepts, methods and applications (5th ed.). Springer.
- Green, D., Tuncdogan, A., & Baur, X. (2023). Building analytical capabilities in HR: A roadmap for success. MIT Sloan Management Review, 64(3), 41-48.
- Kirkpatrick, J. D., & Kirkpatrick, W. K. (2020). An introduction to the new world Kirkpatrick model. Kirkpatrick Partners.
- Kraaijenbrink, J., Spender, J. C., & Groen, A. J. (2020). The resource-based view: A review and assessment of its critiques. Journal of Management, 46(1), 331-364.
- Marler, J. H., & Boudreau, J. W. (2022). An evidence-based review of HR Analytics. The International Journal of Human Resource Management, 33(14), 2777-2815.
- Phillips, J. J., & Phillips, P. P. (2021). Handbook of training evaluation and measurement methods (4th ed.). Routledge.
- Schultz, T. W. (1961). Investment in human capital. The American Economic Review, 51(1), 1-17.
- Tursunbayeva, A., Di Lauro, S., & Pagliari, C. (2021). People analytics—A scoping review of conceptual boundaries and value propositions. International Journal of Information Management, 43, 224-247.
- Van den Broek, E., Sergeeva, A., & Huysman, M. (2021). When the machine meets the expert: An ethnography of developing AI for hiring. MIS Quarterly, 45(3), 1557-1580.