Estadística en Recursos Humanos. People Analytics: cuando los datos también hablan de personas
¿Sabías que la estadística también puede predecir quién va a renunciar antes de que esa persona lo decida? Descubre cómo People Analytics transforma los datos de Recursos Humanos en decisiones que cambian organizaciones.
Carolina Ramírez Patiño
6/30/20265 min read
Cuando pensamos en estadística aplicada a los negocios, solemos imaginar tableros de ventas, proyecciones financieras o análisis de mercado. Pero hay un campo que, aunque lleva años madurando en silencio, está transformando profundamente la manera en que las organizaciones toman decisiones sobre su activo más valioso: las personas.
Ese campo es People Analytics, y si eres estadístico o te apasionan los datos, este es un territorio que merece toda tu atención.
¿Qué es People Analytics?
People Analytics —también conocido como HR Analytics o Workforce Analytics— es la aplicación de métodos estadísticos, analíticos y de ciencia de datos al área de Recursos Humanos. En términos sencillos: es usar datos para tomar mejores decisiones sobre las personas que conforman una organización.
No se trata de espiar ni de reducir a los seres humanos a un número. Se trata de entender patrones, anticipar riesgos y diseñar entornos laborales más justos, eficientes y saludables.
La pregunta que guía este campo es simple: ¿Por qué confiar solo en la intuición cuando tenemos datos?
¿Qué tipo de datos se analizan?
Aquí es donde el panorama se vuelve interesante para cualquier estadístico. Las fuentes de datos en RRHH son variadas y, muchas veces, subutilizadas:
Datos estructurados: nómina, asistencia, evaluaciones de desempeño, tiempo en cada cargo, índices de rotación, resultados de encuestas de clima.
Datos no estructurados: respuestas abiertas en encuestas, correos internos (de forma anónima y ética), comentarios en plataformas de retroalimentación.
Datos externos: benchmarks del sector, datos del mercado laboral, información de plataformas como LinkedIn.
La riqueza está en cruzarlos. Un alto índice de ausentismo por sí solo dice poco. Pero al combinarlo con datos de clima organizacional, carga de trabajo y liderazgo del equipo, la historia se vuelve mucho más nítida.
¿Qué puede hacer un estadístico en People Analytics?
Mucho. Demasiado para resumirlo en una lista corta, pero aquí van los grandes bloques:
1. Análisis descriptivo: ¿qué está pasando?
El primer nivel es entender la realidad actual. ¿Cuál es la tasa de rotación por área, por género, por rango de edad? ¿Cómo varía el ausentismo entre temporadas? ¿Qué perfiles tienen mayor tiempo de permanencia en la empresa?
Aquí entran las herramientas clásicas: medidas de tendencia central, distribuciones, visualizaciones, tablas de contingencia. Parece básico, pero muchas organizaciones aún no tienen este primer piso construido.
2. Análisis predictivo: ¿qué va a pasar?
Este es el corazón del campo. Algunos ejemplos concretos:
Modelos de predicción de rotación (churn laboral): ¿qué empleados tienen mayor probabilidad de renunciar en los próximos seis meses? Regresión logística, árboles de decisión, modelos de supervivencia —todos tienen cabida aquí.
Predicción de desempeño: ¿qué factores al momento de la contratación predicen mejor el éxito en el cargo? Análisis de regresión múltiple, validación cruzada.
Predicción de ausentismo: modelos de series de tiempo para anticipar picos de ausentismo y planificar capacidad.
3. Análisis de redes organizacionales (ONA)
Uno de los más fascinantes y menos explorados. Usando teoría de grafos y análisis de redes, se puede mapear cómo fluye realmente la información dentro de una organización: quiénes son los conectores clave, dónde hay recursos intangibles, qué equipos están desconectados.
El organigrama formal rara vez refleja cómo funciona la organización en la práctica. El análisis de redes sí lo hace.
4. Análisis de equidad y sesgo
Aquí la estadística tiene una responsabilidad ética enorme. ¿Existen brechas salariales por género o etnia al controlar por cargo, experiencia y desempeño? ¿Los procesos de selección favorecen sistemáticamente a ciertos perfiles?
Análisis de varianza, regresión con variables de control, pruebas de hipótesis —estas herramientas permiten auditar procesos y señalar sesgos que de otra forma permanecerían invisibles.
5. Modelos de optimización de la fuerza laboral
¿Cuántas personas necesita el área de servicio al cliente para el próximo trimestre, dado el crecimiento proyectado? ¿Cómo distribuir los turnos para minimizar el agotamiento y maximizar la cobertura?
Programación lineal, simulación, modelos de colas. Problemas de operaciones que tienen a las personas como variable central.
6. Minería de texto y análisis de sentimiento
Las encuestas de clima con preguntas abiertas son un tesoro sin explotar en la mayoría de empresas. Procesamiento de lenguaje natural (NLP), análisis de sentimiento, modelado de tópicos (LDA) —todas estas técnicas permiten extraer señales cualitativas de forma sistemática.
Un ejemplo para aterrizar todo esto
Imagina una empresa con alta rotación en su área de ventas. El departamento de RRHH lo atribuye a "el mercado está difícil". Pero los datos cuentan otra historia:
Al construir un modelo de predicción de rotación con variables como antigüedad, resultado de última evaluación, cambio de jefe directo en los últimos seis meses y puntaje de encuesta de clima, encuentras que el cambio de jefe directo es el predictor más fuerte, con una probabilidad de renuncia que casi se duplica en los tres meses siguientes al cambio.
El problema no es el mercado. Es la transición de liderazgo. Y ahora la organización tiene dónde actuar.
Eso es People Analytics: convertir una intuición en una evidencia accionable.
¿Por qué este campo importa ahora más que nunca?
Las organizaciones latinoamericanas están comenzando a despertar a esta realidad. La presión por retener talento, los costos altísimos de la rotación (que algunos estudios estiman entre el 50% y el 200% del salario anual del cargo) y la creciente disponibilidad de datos están creando una demanda genuina de profesionales que puedan unir el mundo de la estadística con el mundo del talento humano.
Y aquí está la oportunidad: la mayoría de los departamentos de RRHH tienen los datos pero no las herramientas analíticas. La mayoría de los estadísticos tienen las herramientas pero no han mirado hacia RRHH como un campo fértil.
La intersección está casi vacía. Y eso es exactamente donde vale la pena estar.
Por dónde empezar
Si quieres explorar este campo, te sugiero:
Familiarízate con las métricas clave de RRHH: tasa de rotación, tiempo de cobertura de vacantes, índice de ausentismo, NPS del empleado (eNPS). Son el vocabulario básico.
Busca datasets públicos de RRHH para practicar: en Kaggle hay varios conjuntos populares, como el IBM HR Analytics Employee Attrition Dataset, ideal para modelos de clasificación.
Lee sobre ética en People Analytics: trabajar con datos de personas exige una capa adicional de responsabilidad. La privacidad, el consentimiento y el uso ético de los modelos no son opcionales.
Conecta con el área de RRHH de tu organización: muchas veces los datos ya existen. Solo hace falta alguien que sepa qué hacer con ellos.
La estadística siempre estuvo aquí
People Analytics no es una moda pasajera ni una disciplina ajena a lo que ya sabemos hacer. Es estadística aplicada a uno de los problemas más complejos y más humanos de cualquier organización.
Los datos están ahí: en cada nómina, en cada encuesta, en cada registro de asistencia. La pregunta es si alguien con las herramientas correctas va a mirarlos con las preguntas correctas.
No tenía conocimiento de esta aplicación de la estadística hasta que se me presentó la oportunidad y abrí mi mente a todo este conocimiento, mi hizo pensar más que la estadística está en cualquier área.
Los datos son la semilla. El análisis, la cosecha. Y en Recursos Humanos, esa cosecha puede cambiar la vida laboral de muchas personas.
¿Tu organización ya usa datos para tomar decisiones sobre personas? Cuéntame en los comentarios o escríbeme a contacto@carolinaramirezpatino.com