Durante mucho tiempo, buena parte de las decisiones de recursos humanos se apoyó en la experiencia de quien las tomaba. Se contrataba "por instinto", se ascendía a quien parecía más comprometido y la salida de un buen empleado se explicaba con un encogimiento de hombros. La intuición tiene valor, pero no escala, no se puede auditar y rara vez distingue la suerte de la competencia.
People analytics es la práctica de aplicar análisis de datos a las personas de una organización para decidir de forma más justa, más rápida y más fácil de justificar. No sustituye el juicio humano — le da una base factual. En lugar de "parece que estamos perdiendo gente", se puede decir "estamos perdiendo el 18% de los comerciales en su primer año, sobre todo los que tuvieron menos de tres sesiones de seguimiento".
Esta guía es para quien quiere empezar sin una gran inversión. Veremos qué es (y qué no es) people analytics, qué datos ya tiene a mano, qué métricas seguir primero y qué errores evitar. El objetivo no es montar un departamento de ciencia de datos, sino tomar mejores decisiones con lo que ya existe.
Qué es, y qué no es, people analytics
People analytics — también llamado análisis de personas o HR analytics — es el uso sistemático de datos sobre empleados para responder a preguntas de gestión. ¿Quién tiende a quedarse más tiempo? ¿Qué factores anticipan una salida? ¿La formación se traduce en desempeño? Son preguntas antiguas; la diferencia es responderlas con evidencia en vez de con anécdotas.
Conviene decir lo que no es. No es vigilancia: medir al minuto lo que hace cada persona destruye la confianza y rara vez mejora los resultados. No es sustituir a los responsables por algoritmos. Y no es un panel lleno de gráficos que nadie abre. Si un número no cambia ninguna decisión, probablemente no vale la pena seguirlo.
Por qué la intuición ya no basta
La intuición funciona bien en entornos estables y con respuesta rápida. RRHH rara vez es así: entre una decisión de contratación y su resultado pueden pasar meses, y hay decenas de factores que interfieren. Es terreno fértil para los sesgos — contratamos a quien se nos parece, recordamos mejor los casos recientes y confundimos confianza con competencia.
Los datos no eliminan estos sesgos, pero los exponen. Al mirar los números, se descubre a menudo que la "regla" seguida durante años no tiene sustento. Así fue como muchas organizaciones comprendieron que exigir ciertos requisitos formales alejaba a buenos candidatos sin mejorar el desempeño.
Los cuatro niveles de madurez
Ayuda pensar en people analytics como una escalera de cuatro peldaños, que se suben por orden:
- Descriptivo — ¿qué pasó? Tasa de rotación del último año, absentismo por equipo, tiempo medio de contratación.
- Diagnóstico — ¿por qué pasó? Cruzar la rotación con salario, antigüedad o responsable directo para encontrar patrones.
- Predictivo — ¿qué es probable que pase? Estimar qué empleados tienen mayor riesgo de irse en los próximos meses.
- Prescriptivo — ¿qué hacer? Sugerir acciones concretas, como ajustar cargas de trabajo o revisar promociones.
La mayoría de los equipos gana muchísimo solo con dominar bien los dos primeros peldaños. Saltar a modelos predictivos sin una base descriptiva sólida es la receta para conclusiones equivocadas.
Por dónde empezar: datos que ya tiene
No necesita comprar nada para arrancar. La mayoría de las organizaciones ya tiene, dispersos, los datos esenciales: fechas de entrada y salida, puesto, departamento, salario, historial de formación, resultados de evaluaciones y registros de asistencia. El primer trabajo, casi siempre, es reunir y limpiar esto — no modelar.
Empiece por elegir una pregunta que le importe a alguien con poder de decisión. "¿Por qué se van los comerciales en su primer año?" es mejor punto de partida que "vamos a analizarlo todo". Una pregunta concreta define los datos que necesita y evita meses construyendo informes que nadie pidió.
Métricas que vale la pena seguir primero
Hay decenas de indicadores posibles, pero pocos equipos necesitan más que un puñado bien elegido:
- Tasa de rotación, separando salidas voluntarias de involuntarias — mezclarlas esconde lo que importa.
- Rotación temprana (salidas en el primer año), una señal casi siempre ligada a la selección o a la incorporación.
- Tiempo de contratación y coste por contratación, para entender la eficiencia de la selección.
- Absentismo por equipo, útil como alerta temprana de problemas de carga o de liderazgo.
- Tasa de aceptación de ofertas, que revela si la propuesta es competitiva.
Fíjese en que ninguna de estas exige tecnología sofisticada. Exige consistencia en la definición: si cada persona calcula la rotación de forma distinta, los números dejan de servir para decidir.
Herramientas: de Excel a Power BI
No deje que la herramienta marque el ritmo. Mucho análisis de RRHH útil empieza en una hoja de cálculo bien organizada. Cuando las preguntas se repiten y las fuentes crecen, tiene sentido pasar a una herramienta de Business Intelligence como Power BI, que actualiza los informes automáticamente y permite cruzar fuentes sin copiar y pegar.
Si más adelante necesita modelos predictivos, entran lenguajes como Python o R. Pero empezar por ahí es un error común. El orden sensato es: primero datos fiables y preguntas claras, luego visualización, y solo entonces modelado — cuando el valor ya esté probado.
Errores comunes, y cómo evitarlos
El primer error es medir lo fácil en vez de lo importante. Contar horas al minuto es simple; entender por qué se van los mejores es difícil — y es lo que importa. El segundo es confundir correlación con causa: los equipos con más formación pueden rendir mejor porque ya eran mejores, no a causa de la formación.
El tercer error es ignorar la privacidad y la ética. Los datos de personas exigen un cuidado redoblado: anonimizar siempre que sea posible, limitar accesos y ser transparente sobre qué se mide y por qué. Un programa de people analytics que los empleados sientan como espionaje está condenado, por buena que sea la técnica.
Mini-caso: una empresa de servicios
Una empresa de servicios con unos 200 empleados veía subir la rotación sin explicación clara. En lugar de lanzar un nuevo programa de retención a ciegas, reunió en un único archivo las fechas de entrada y salida, el puesto, el responsable directo y el historial de formación de los últimos tres años.
El análisis descriptivo reveló que casi la mitad de las salidas ocurría en los primeros nueve meses y se concentraba en dos equipos. Al cruzar los datos, se notó que esos equipos habían tenido una incorporación más corta y menos acompañamiento inicial. La empresa amplió el periodo de incorporación y creó puntos de contacto mensuales durante el primer año.
Un año después, la rotación temprana en esos equipos había caído del 34% a alrededor del 20%. Nada de algoritmos complejos: bastó con reunir datos que ya existían, hacer la pregunta correcta y actuar sobre la respuesta. Este es el retorno típico de los primeros pasos en people analytics.
En la práctica
People analytics no empieza con tecnología, empieza con una buena pregunta y con datos que casi seguro ya tiene. Elija un problema que le importe a quien decide, defina las métricas con rigor, muestre los resultados de forma sencilla y actúe sobre ellos. Suba los peldaños por orden — descriptivo antes que predictivo — y trate los datos de las personas con el cuidado ético que merecen. Hecho así, incluso un equipo pequeño empieza a decidir con evidencia, y no solo con intuición.
