Qué es People Analytics
Definición rápida y por qué importa hoy
People Analytics (PA) es el uso sistemático de datos de personas (candidatos, empleados, equipos) para tomar decisiones de RR. HH. que impacten el negocio. No va de “hacer dashboards bonitos”: va de formular una pregunta de negocio, reunir y limpiar datos relevantes, analizarlos con rigor y activar cambios (políticas, procesos, comunicación, producto interno) que mejoren resultados.
En mi caso, PA dejó de ser teoría el día que conecté Power BI con SAP SuccessFactors para analizar rotación. Al mirar la foto completa —antigüedad, movilidad, desempeño— apareció un patrón contundente: quienes llevaban más de dos años en el mismo puesto sin promoción ni movimiento tenían ~50% más probabilidad de renunciar. Ese hallazgo cambió la conversación: pasamos de “la rotación es cosa del mercado” a acciones concretas sobre movilidad interna y planes de desarrollo.
¿Por qué importa hoy? Porque talento y negocio están más entrelazados que nunca: cada punto de retención ahorra costes de reemplazo; cada mejora en calidad de contratación acelera productividad; y cada decisión basada en evidenciaaumenta credibilidad de RR. HH. frente a dirección.
Qué mide People Analytics: de la rotación al desempeño
Los dominios típicos incluyen:
- Adquisición de talento: time-to-fill, cost-per-hire, calidad de contratación (QoH 90 días), fuentes efectivas, sesgos en el funnel.
- Rotación y retención: tasa de salida voluntaria/involuntaria, flight risk, movilidad interna, engagement y compensación total.
- Absentismo y bienestar: ausencias no planificadas, patrones estacionales, cargas de trabajo, retorno de iniciativas de bienestar.
- Desempeño y desarrollo: distribución de ratings, calibraciones, impacto de formación, skills gap y trayectorias.
- Clima/Compromiso: eNPS, drivers de compromiso, relación con líder, seguridad psicológica.
Un apunte práctico: elige métricas que cuenten una historia concreta. Yo aprendí esto por las malas: intenté montar “el dashboard definitivo” con satisfacción, rotación, vacantes, clima, desempeño, capacitación… y quedó inmirable. Desde entonces, cada panel responde una sola pregunta (p. ej., “¿cómo reducimos rotación en roles críticos este trimestre?”) y se apoya en tres métricas núcleo más un par de contexto.
Cómo implementarlo paso a paso (datos → limpieza → modelo → acción)
3.1 Inventario de datos
Lista tus fuentes: HCM/ERP (SuccessFactors, Workday), ATS, LMS, encuestas, desempeño, compensación, asistencia. Define propósito, propietario, frecuencia, calidad.
3.2 Limpieza y gobierno
Sin datos confiables, PA es humo. Lo viví en carne propia: al principio confié ciegamente en los extractos de SAP y había duplicados, ausencias sin clasificar y cargas incorrectas. Resultado: modelos basura. El mantra desde entonces: limpiar, limpiar, limpiar (tipos, rangos, duplicados, join keys, definiciones de negocio, versionado).
3.3 Features y modelos simples (cuando aportan)
Para priorizar retención monté un modelo de riesgo de salida con pandas y scikit-learn. Nada exótico: variables de antigüedad en puesto, historial de movilidad, desempeño, distancia salarial al midpoint, ausencias y resultados de clima. Logramos una precisión >0.75; en RR. HH. eso ya es útil si lo usas para enfocar acciones (p. ej., identificar cohortescon alto riesgo y diseñar movilidad o stay interviews). Clave: explicabilidad y uso responsable; el objetivo no es etiquetar personas, sino priorizar intervenciones.
3.4 Activación y cambio
Sin activación, el insight muere. En el caso de rotación, presenté en Power BI un story en tres páginas: (1) patrón de riesgo por antigüedad en puesto; (2) roles críticos afectados; (3) propuestas de movilidad y mentoring. Esa narrativa logró algo raro: el director de RH —escéptico crónico— pidió escalar el plan.
3.5 Medición y feedback loop
Define qué vas a observar tras la intervención (ej., rotación voluntaria trimestral en roles críticos, movilidad interna mensual, eNPS por equipo) y cierra el ciclo con actualizaciones breves para liderazgo.
Herramientas y stack mínimo (BI, HCM y un poco de Python)
- HCM/ATS (p. ej., SAP SuccessFactors): fuente de verdad de plantilla, movimientos, compensación, vacantes.
- BI (Power BI / Looker / Tableau): visualización y storytelling; permisos y row-level security.
- Python (pandas, scikit-learn): feature engineering, modelos ligeros, validación.
- Cuaderno de gobierno: definiciones de métricas, catálogo de datos, calendarios de refresco, responsables.
- Seguridad y ética: accesos mínimos necesarios, anonimización cuando aplique, revisiones de sesgo.
Pro tip: empieza con stack que ya tienes y cuida tres cosas: joins robustos (IDs consistentes), diccionario de métricas compartido y una agenda ejecutiva para socializar hallazgos.
Casos reales en RRHH: rotación, retención y calidad de contratación
5.1 Rotación por estancamiento en puesto
Al cruzar antigüedad en el mismo puesto con movilidad interna, vi que >2 años sin movimiento disparaba la salida. La solución no fue “más salario” sino carreras internas visibles: job-posting interno trimestral, mentores para roles críticos y shadowing. Resultado: más solicitudes internas y menor salida “dolorosa” (la de talento que queríamos retener).
5.2 Priorización de retención con modelo >0.75
Con el modelo, RR. HH. dejó de “apagar incendios” para ir a la prevención: cohortes de riesgo alto recibieron stay interviews, upskilling y propuestas de movilidad lateral. La magia estuvo en comunicar que el modelo no decide, prioriza.
5.3 Calidad de contratación a 90 días (QoH 90)
Cruzamos resultados de entrevistas con desempeño a 90 días. Los entrevistadores que usaban guías conductuales estructuradas tomaban mejores decisiones. Ajustamos la entrevista y estandarizamos criterios: cambio barato y potente. A los 3 meses, la curva de desempeño temprano mejoró de forma visible.
KPIs y ejemplos prácticos (con umbrales orientativos)
- Rotación voluntaria (12m): objetivo por debajo del X% (define por sector); desglosa por rol crítico.
- Movilidad interna (12m): ≥15–25% de vacantes cubiertas internamente en áreas foco.
- QoH 90 días: % de nuevas contrataciones con desempeño ≥ esperado a los 90 días (apunta a ≥70–80%).
- Time-to-Fill: días desde requisición a aceptación; usa p25/p50/p75 para gestionar expectativas.
- Engagement (eNPS): tendencia trimestral y drivers (líder, carga, propósito).
- Sesgo en selección: diferencias estadísticamente significativas en conversion rates por grupo → activar revisiones.
Regla de oro: tres métricas núcleo por objetivo de negocio (p. ej., “reducir salida dolorosa” = Rotación voluntaria en roles críticos + Movilidad interna + eNPS líder) y dos de contexto máximo.
Storytelling de dashboards: cómo evitar el “árbol de Navidad”
- Empieza por la pregunta (no por el gráfico).
- Una historia por dashboard: portada (mensaje principal), evidencia (2–3 visuales), acción (qué haremos y cuándo).
- Diseño: pocos colores, tipografía clara, sparklines para tendencia, tooltips con definiciones.
- Cadencia ejecutiva: revisiones de 15–20 minutos; una página “state of talent” al mes.
- Higiene de métricas: panel fijo de definiciones y fecha de actualización visible.
Yo ya quemé esa fase de árbol de Navidad. Desde que lo simplifiqué, la adopción subió: ahora sí lo ven y, sobre todo, actúan.
Errores frecuentes y cómo salvarlos (data quality, sesgos, expectativas)
- Confiar en datos crudos: valida con controles (unicidad, rangos, nulls, reconteo con nómina).
- Modelos sin gobernanza: documenta variables, versión y responsable; revisa sesgos (impacto por grupo).
- Prometer más de la cuenta: comunica incertidumbre; en RR. HH., una buena regla del 70–80% de precisión con explicabilidad suele ser mejor que un 92% opaco.
- No cerrar el ciclo: cada insight debe tener dueño, fecha y medida de éxito.
- Olvidar a los líderes: forma a people managers en lectura de paneles y conversaciones de stay interview.
Preguntas frecuentes
¿En qué se diferencia People Analytics de HR Analytics?
Se usan como sinónimos. Si quieres matiz: PA pone foco en personas y comportamiento; HR Analytics abarca el portafolio completo de RR. HH. (procesos, costes, cumplimiento).
¿Qué datos necesito para empezar?
Plantilla, movimientos, vacantes, desempeño, ausencias y, si puedes, clima. Con eso ya cuentas historias potentes.
¿Qué nivel de precisión es “suficiente”?
Depende del uso. Para priorizar retención, un modelo >0.70–0.80 y explicable suele ser adecuado si lo combinas con criterio humano.
¿Cómo mido la calidad de contratación a 90 días?
Define umbrales de desempeño (≥ esperado) y evalúa qué prácticas de entrevista predicen mejor ese resultado. Las guías conductuales han sido mi caballo ganador.
Conclusión
People Analytics no es un proyecto de dashboards; es una forma de decidir. Cuando lo enfoqué a una pregunta concreta —“¿por qué perdemos gente valiosa?”— descubrí el patrón de estancamiento de >2 años y, con un modelo >0.75 de precisión, priorizamos quiénes necesitaban movilidad o stay interviews. Sumado a entrevistas conductuales en selección, el ciclo se cerró: mejor gente entrando, mejor gente quedándose. Empieza pequeño, limpia obsesivamente y cuenta una historia que mueva acción.