People Analytics: qué es, qué no es,
y por qué ya no puedes ignorarlo
Si trabajas en RRHH y nunca has analizado datos más allá de un Excel, este post es para ti. Sin tecnicismos, sin fórmulas. Solo lo que necesitas saber para empezar a entender de qué va esto.
Hace unos años, si en una reunión de dirección el CEO preguntaba “¿por qué nos están dejando los ingenieros?”, la respuesta habitual del equipo de RRHH era algo así como: “Creemos que es por el salario” o “Hay mucho movimiento en el sector”.
Hoy esa respuesta ya no es suficiente. No porque el instinto de RRHH sea malo —a menudo es bueno— sino porque existen datos que pueden confirmar o contradecir ese instinto, y cada vez más empresas los están usando.
Eso es, en esencia, People Analytics.
Una definición sin jerga
People Analytics es usar datos sobre las personas de una organización para tomar mejores decisiones sobre ellas. Ni más, ni menos.
No es necesariamente inteligencia artificial. No requiere un equipo de data scientists. No es exclusivo de las grandes tecnológicas. Es, en su forma más básica, hacerse las preguntas correctas y buscar respuestas en los datos que ya tienes.
Los cuatro niveles: dónde está tu empresa ahora mismo
No todas las organizaciones están en el mismo punto. El modelo más extendido distingue cuatro niveles de madurez analítica. La mayoría de los equipos de RRHH están atascados en el primero o el segundo.
El salto más difícil no es del nivel 3 al 4. Es del 1 al 2, porque requiere cruzar fuentes de datos que en la mayoría de empresas viven en sistemas separados que nunca se han hablado: la nómina, el sistema de evaluación, la encuesta de clima, el ATS de selección.
Lo que People Analytics no es
Antes de seguir, conviene limpiar el concepto de algunas confusiones frecuentes.
- × No es tener un dashboard bonito. Un cuadro de mando que nadie consulta para tomar decisiones es decoración, no analytics. La herramienta es el medio, no el fin.
- × No es solo contar cosas. Reportar que tienes 850 empleados, que el 52% son mujeres y que la edad media es 38 años es estadística descriptiva. Útil, pero no es analytics si no genera ninguna decisión.
- × No es exclusivo de grandes empresas. Un equipo de RRHH de 3 personas con Excel y acceso a los datos correctos puede hacer análisis que cambian decisiones reales. El tamaño importa menos que la voluntad de hacerse las preguntas adecuadas.
- × No es infalible ni neutral. Los datos reflejan las decisiones del pasado, no la verdad objetiva. Un modelo que aprende de contrataciones históricas heredará los sesgos de esas contrataciones. Saber esto no es opcional.
Un ejemplo concreto para aterrizar todo esto
Imagina que en tu empresa la rotación ha subido del 12% al 18% en un año. Tienes cuatro formas de responder a ese dato según en qué nivel estés:
Nivel 2 — Cruzas el dato con departamento, antigüedad y resultado de la última encuesta de clima. Descubres que el 80% de las bajas ocurre en los primeros 18 meses, y que todos venían de tres equipos con las peores puntuaciones de manager.
Nivel 3 — Construyes un modelo sencillo que identifica qué empleados actuales tienen un perfil similar al de los que se fueron. Tienes una lista de 31 personas en riesgo.
Nivel 4 — El modelo te dice que las intervenciones de desarrollo con manager de por medio reducen el riesgo un 40% si se hacen antes del mes 12. Diseñas el protocolo y lo escalas.
Los cuatro análisis usan datos que probablemente ya existen en tu empresa. La diferencia está en qué preguntas te haces y si te atreves a cruzar esas fuentes.
¿Por dónde empieza alguien que parte de cero?
No empieces por la herramienta. Empieza por la pregunta. Estas cinco fases funcionan para cualquier proyecto de People Analytics, independientemente del tamaño de la empresa o del equipo.
-
1Define el problema de negocio“¿Por qué perdemos talento junior en los primeros 18 meses?” es un punto de partida. “Analizar datos de RRHH” no lo es.
-
2Audita qué datos tienes realmente¿Qué sistemas tienes? ¿Los datos son fiables? ¿Se pueden cruzar? La respuesta honesta suele ser incómoda pero necesaria.
-
3Analiza y encuentra el insightEl insight no es el dato. Es la interpretación que genera una decisión. “El 18% rota” es un dato. “Tenemos una ventana de 4 meses para intervenir antes de que decidan irse” es un insight.
-
4Comunica con narrativa, no con tablasDirección no toma decisiones con 47 gráficos. Toma decisiones con una historia clara: problema, evidencia, implicación, acción recomendada.
-
5Mide si funcionóSi no cierras el bucle, no sabrás si el análisis sirvió para algo. Define antes de actuar qué vas a medir y cuándo.
Una pregunta para llevarte de aquí
Piensa en la última decisión importante sobre personas que tomó tu empresa: una restructuración, un cambio en política de retribución, un programa de formación, una modificación de los criterios de selección.
¿Esa decisión se tomó con datos? ¿Con qué datos? ¿Alguien midió después si funcionó?
Si la respuesta es “no” o “no lo sé”, ahí está tu punto de partida. No en aprender Python ni en montar un Data Lake. En empezar a hacerse esas preguntas en voz alta.
No hay comentarios:
Publicar un comentario