Cuando alguien de un equipo presenta su dimisión, rara vez es una sorpresa total. En los meses anteriores hubo señales — reuniones menos participadas, un proyecto entregado sin el brillo habitual, días de vacaciones acumulándose sin usar. El problema es que esas señales están repartidas por sistemas distintos y por percepciones que nadie junta a tiempo. Cuando se comunica la decisión, ya es tarde para influir en ella.
People analytics propone algo fácil de decir y exigente de hacer: usar los datos que la empresa ya tiene sobre el trabajo para estimar, con honestidad, quién tiene más riesgo de irse — y actuar mientras aún hay margen. No es una bola de cristal ni un sistema de vigilancia. Es una forma estructurada de convertir intuiciones dispersas en prioridades claras para quien lidera personas.
Este artículo muestra cómo abordar la predicción de la rotación sin caer en dos extremos: la corazonada que ignora los datos y el tecnocentrismo que trata a las personas como filas de una tabla. En medio hay un camino útil, y de ese camino vamos a hablar.
Qué significa (y qué no significa) predecir la rotación
Predecir la rotación es estimar la probabilidad de que una persona deje la empresa en un horizonte definido — los próximos seis o doce meses, por ejemplo. El resultado no es una sentencia, es un score de riesgo que ordena la atención: en quién vale la pena invertir una conversación, un ajuste de función, una revisión de condiciones.
Lo que la predicción no es: una justificación para tratar de forma diferente a quien "el modelo" marcó, ni un sustituto del criterio de quien dirige. Un score alto es una invitación a preguntar por qué, no una etiqueta. Y hay salidas que ni se quieren predecir para retener — quien se va para crecer, quien ya no encaja en el proyecto. El objetivo es reducir la rotación no deseada, la que cuesta conocimiento, clientes y moral.
Por qué la rotación cuesta más de lo que muestra la nómina
Es tentador ver la sustitución de una persona como el coste de un anuncio y unas semanas de reclutamiento. La cuenta real es mayor. Está el tiempo del equipo entrevistando, la curva de aprendizaje de quien llega, los errores normales de quien aún no conoce los procesos, y el conocimiento tácito que sale por la puerta y no estaba escrito en ninguna parte.
Estimaciones conservadoras sitúan el coste de sustituir a un profesional cualificado entre la mitad y el doble de su salario anual, según la función y la antigüedad. Aunque tu empresa esté en el extremo bajo de esa escala, basta para justificar el esfuerzo de anticipar salidas en lugar de gestionarlas a remolque.
Qué datos usar — y cuáles dejar fuera
La materia prima suele estar dispersa, pero accesible. Señales útiles y defendibles incluyen:
- Tiempo en el puesto y en la empresa: el riesgo suele tener picos previsibles — cerca del primer año, y cuando alguien se estanca años en la misma función sin evolución.
- Progresión: tiempo desde la última promoción o aumento, y cómo se compara con pares en la misma función.
- Remuneración relativa: posición frente a la banda salarial del mercado y de los colegas, más que el valor absoluto.
- Carga y patrones de trabajo: horas extra sistemáticas, vacaciones sin disfrutar, picos prolongados sin alivio.
- Contexto de equipo: cambios recientes de jefatura, salidas cercanas, reorganizaciones.
Y qué dejar fuera: contenidos privados como correos o mensajes, datos de salud, y cualquier variable que sirva de proxy para género, edad u origen — no solo por ser éticamente problemáticas, sino porque vuelven el modelo legalmente frágil e injusto. Menos datos sensibles y más datos sobre el trabajo suele dar modelos más robustos y más fáciles de defender.
Cómo construir una primera versión sin excesos técnicos
No necesitas deep learning para empezar. Un buen primer modelo es simple, explicable y honesto sobre sus límites. Un camino pragmático:
- Define el objetivo con claridad: "salida voluntaria en los próximos 12 meses". Sin esta definición, todo lo demás queda ambiguo.
- Reúne un histórico: dos o tres años de datos de quienes salieron y quienes se quedaron, para que el modelo aprenda patrones reales.
- Empieza por una regresión logística o un árbol simple: dan probabilidades y, sobre todo, dejan ver qué factores pesan más.
- Valida en datos que el modelo no vio: entrena en un período, prueba en el siguiente. Si solo funciona en el pasado que ya conoce, no sirve.
- Traduce el score en franjas: riesgo bajo, medio, alto. Una probabilidad de 0,63 no ayuda a un gestor; tres franjas con sugerencias de acción, sí.
Resiste la tentación de perseguir la última décima de exactitud. Un modelo 80% bueno que las jefaturas entienden y usan vale más que uno 90% bueno en el que nadie confía.
Del score a la acción: la parte que de verdad importa
Un modelo que solo produce listas es un informe caro. El valor aparece cuando el score dispara una conversación. Para cada persona en riesgo alto, la pregunta no es "cómo la retenemos", es "qué cambió y qué está a nuestro alcance". A veces la respuesta es una revisión salarial; muchas veces es algo más barato — un proyecto nuevo, reconocimiento, claridad sobre el próximo paso de carrera, menos carga.
Conviene definir de antemano quién recibe las señales y cómo. Por regla general, el interlocutor adecuado es la jefatura directa, con apoyo de RR. HH., y nunca una lista distribuida sin contexto. La señal sirve para preparar una buena conversación, no para ahorrársela.
Mini-caso: la empresa que dejó de perder gente buena a ciegas
Una empresa de servicios con unas 300 personas veía irse cada año cerca del 18% de la plantilla, con el agravante de que las salidas se concentraban en los perfiles más experimentados. Reclutar se estaba convirtiendo en un coste permanente y los equipos vivían en modo de reposición.
En vez de comprar una herramienta cara, cruzaron lo que ya tenían: antigüedad, histórico de progresión, posición salarial frente al mercado y participación en formación. Un modelo simple destacó dos patrones que nadie había sistematizado — el riesgo se disparaba entre profesionales en su segundo y tercer año sin ningún cambio de función, y se agravaba cuando la remuneración quedaba más de un 15% por debajo de la mediana de mercado.
Con eso, RR. HH. y las jefaturas pasaron a revisar trimestralmente una lista corta de casos prioritarios. No actuaron sobre todo el mundo — actuaron sobre las decenas de personas adecuadas, con promociones a tiempo, ajustes selectivos de salario y planes de desarrollo. Un año después, la rotación no deseada había bajado a cerca del 12%, y el ahorro en reclutamiento y sustitución pagó el esfuerzo muchas veces. El modelo no "adivinó" nada mágico; solo obligó a la organización a mirar a tiempo.
Trampas éticas y legales que hay que tomar en serio
Predecir el comportamiento de personas exige cuidado. Algunos principios que ahorran problemas:
- Transparencia de propósito: el objetivo es retener mejor, no castigar a quien parece a punto de irse. Si un score alguna vez perjudica a alguien, el proyecto perdió su legitimidad.
- Explicabilidad: tiene que ser posible decir, en lenguaje sencillo, por qué alguien aparece en riesgo.
- Cumplimiento del RGPD: base legal clara, minimización de datos e información a las personas sobre el tratamiento.
- Vigilancia contra el sesgo: comprueba si el modelo penaliza sistemáticamente a algún grupo; si lo hace, corrígelo.
Cómo saber si está funcionando
Mide lo que importa, no lo que es fácil. La exactitud del modelo es secundaria frente al resultado en el terreno: ¿está bajando la rotación no deseada? ¿Las intervenciones sugeridas cambiaron decisiones sobre personas concretas? ¿Se está acortando el tiempo entre "señal de riesgo" y "conversación real"? Vale la pena seguir también un contrafactual aproximado — comparar equipos que usaron las señales con equipos que no — para no atribuir al modelo mejoras que habrían ocurrido de todos modos.
En la práctica
Predecir la rotación no va de tecnología sofisticada; va de mirar a tiempo señales que la empresa ya tiene y convertir esa mirada en mejores conversaciones. Empieza pequeño: define bien qué quieres predecir, usa datos sobre el trabajo y no sobre la intimidad de las personas, prefiere un modelo que se explique a uno que impresione, y mide el éxito por la retención real, no por la exactitud en el papel. Hecho con respeto y transparencia, people analytics deja de ser un eslogan para convertirse en lo que debía haber sido desde el principio: una forma de cuidar mejor a quienes hacen que la empresa suceda.
