Práctica Recursos Humanos

📌 Módulo 7: People Analytics 📊

En este módulo avanzaremos hacia otro tema clave de los Recursos Humanos: vamos a hablar de People Analytics, una herramienta estratégica que conecta todo lo que venimos tratando —reclutamiento, capacitación, desempeño— con datos que nos van a permitir adoptar mejores decisiones.

People Analytics significa transformar información cotidiana del área de RRHH en datos medibles, analizables y comparables, para mejorar la performance del departamento y de la empresa en general. En otras palabras: pasamos de intuiciones a indicadores reales.

🧩¿Qué es People Analytics?

People Analytics es el proceso mediante el cual recopilamos, analizamos e interpretamos datos sobre las personas dentro de nuestra organización.

El objetivo es comprender mejor la realidad interna y tomar decisiones basadas en datos.

Aunque quizás no lo notemos, desde el principio nosotros en nuestra empresa estamos generando datos que provienen de nuestras acciones cotidianas. Nombraremos algunos ejemplos, aunque veremos que encontraremos más:

• Apertura de legajos
• Registro de asistencia
• Horas Trabajadas y Sueldos
• Encuestas de clima
• Evaluaciones de desempeño
• Historial de reclutamiento

Todo esto, correctamente sistematizado, se convierte en una fuente de información importante. Pero para ello, antes tenemos que comprender cómo crear las métricas que vamos a necesitar para obtener datos destacados.

💡¿Por qué es importante People Analytics?

Analicemos algunos puntos que nos ayudarán a entender la importancia de People Analytics y cómo puede beneficiarnos aplicarlo en nuestra empresa:

1. Mejorar el reclutamiento y la retención

   • Lograremos identificar los canales de reclutamiento que nos son más efectivos para los diferentes puestos en nuestra empresa.
   • Mediremos el tiempo ocupado en cubrir las vacantes y también la calidad de contratación. Qué tan bien se acopló la nueva persona al puesto y cultura de la empresa.
   • Detectando por qué renuncian los empleados. Será indispensable crear un cuestionario de salida, nos ayudará a conocer los motivos de partida en nuestra empresa. Estos datos los podremos utilizar más adelante en modelos predictivos, nos reportaran grandes beneficios.

2. Optimizar el desempeño

   La comparación entre las diferentes métricas de área y roles nos asistirá a encontrar puntos de mejora.

3. Aumentar el compromiso y el bienestar

   Analizando clima laboral (encuesta de clima laboral), cargas de trabajo (FTE) y prácticas de liderazgo.

4. Aplicar decisiones basadas en evidencia

   Ahora lograremos sustentar la toma de decisiones fundamentadas en datos concretos, medibles y replicables. De aquí la importancia de crear métricas robustas.

📌 Tipos de datos en People Analytics

Antes de continuar, es importante que entendamos los tipos de datos con los que podemos trabajar, ellos nos permitirán crear las métricas para que sean confiables en nuestros análisis. Vamos a ello 🙌

• Datos cualitativos => Son datos NO numéricos, describen características o cualidades. Se dividen en dos categorías:

  • Nominales: categorías sin orden o jerarquía (género, área, estado civil, etc.). Por ejemplo con ellos podremos hacer un análisis de diversidad en nuestra empresa.
  • Ordinales: categorías con orden o jerarquía (nivel educativo, satisfacción, desempeño, etc.). Nos permite analizar, por ejemplo, nuestra empresa desde el nivel educativo alcanzado por nuestros empleados.

• Datos cuantitativos => Son datos representados por valores numéricos. Se dividen en dos categorías:

  • Discretos: son valores numéricos que resultan del conteo (número de hijos, faltas, cursos completados). Por ejemplo, contar la cantidad de empleados en nuestra empresa que poseen hijos.
  • Continuos: son medidas, valores que resultan de una medición dentro de un rango (edad, sueldo, horas trabajadas). Por ejemplo, cuando queremos agrupar por rangos de edad o sueldos.
• Además, vamos a poder distinguir nuestros datos entre las siguientes dos categorías: datos estructurados (tienen un formato predefinido y organizado, tablas, planillas, bases) y datos no estructurados (no poseen un formato predefinido, texto libre, imágenes, videos).

🧩 Tipos de análisis en People Analytics

Cuando elaboremos nuestro análisis, descubriremos que podemos analizar nuestra empresa desde cuatro puntos de vista. Vamos a aprender acerca de ellas... 😉

• Análisis descriptivo: Estamos realizando un análisis descriptivo cuando nos enfocamos en qué está pasando en nuestra empresa. Utilizamos datos históricos para identificar patrones y tendencias. Lo podemos utilizar para hacer una introducción a nuestro análisis general. Por ejemplo, podemos analizar la tasa de rotación de empleados en los últimos años, mostrar la edad promedio del personal o el tiempo de cobertura de vacantes.
• Análisis diagnóstico (exploratorio): Explica por qué ocurre algo. Profundizamos en los datos para identificar las causas subyacentes de ciertos fenómenos. Por ejemplo, si notamos un aumento en la rotación de empleados, podemos analizar encuestas de salida, evaluaciones de desempeño y otros datos para entender las razones detrás de este fenómeno.
• Análisis predictivo: Vamos a utilizar datos históricos junto con modelos estadísticos y algoritmos de aprendizaje automático para predecir eventos futuros. Por ejemplo, podemos predecir qué empleados tienen más probabilidades de renunciar en los próximos meses basándonos en patrones históricos. Aquí es donde los modelos de Machine Learning nos serán de gran utilidad.
• Análisis prescriptivo: Ofrece recomendaciones sobre qué acciones tomar para lograr ciertos objetivos. Utiliza datos y modelos para sugerir estrategias óptimas. Por ejemplo, si queremos reducir la rotación de empleados, el análisis prescriptivo puede sugerir intervenciones específicas, como programas de desarrollo profesional o mejoras en el ambiente laboral. Es uno de los modelos más avanzados y complejos, utilizaremos la ayuda de la IA y redes neuronales para lograr nuestro objetivo.

📌 No es necesario que nos enfoquemos en un solo tipo de análisis, podemos combinarlos con el fin de dar un panorama más completo de los RRHH en nuestra empresa.

🤔 ¿Cómo podemos comenzar nuestro análisis?

Ya tenemos una idea de los análisis que podemos realizar en nuestra empresa, pero para que no se trate simplemente de un análisis, lo vamos a fundamentar con la norma internacional ISO 30414, diseñada para analizar personas dentro de las compañías. Esta norma nos ayudará a estructurar nuestro análisis y a enfocarnos en los aspectos más relevantes.

📑 El rol de la ISO 30414 en People Analytics

Como expresé anteriormente la ISO 30414 nos permitirá realizar un análisis de las personas mucho más estructurado. Conozcamosla en profundidad... 🤓

• ISO 30414:2018 – Fue la primera versión, se centró en recomendaciones de métricas que podíamos utilizar para realizar nuestros análisis..
• ISO 30414:2025– Es la versión actualizada, que nos introduce a métricas auditables, las que nos permitirán lograr un mayor peso a nuestros resultados.

👉 Los invito a leer el siguiente artículo de Brad Boyson publicado en LinkedIn, en el que nos comparte 10 cambios que surgieron con la nueva ISO 30414:2025 => Top 10 Changes Between Edition 1 (2018) and 2 (2025) of ISO 30414 Human Capital Reporting & Disclosure.

¿Es obligatorio aplicarlas? 🤔

👉 No, pero sí es recomendable si queremos que los reportes sean confiables, comparables y profesionalizados.

🔎 Aspectos que abarca la ISO 30414

La norma nos propone métricas entre las siguientes categorías:

1. Costos de RRHH
2. Diversidad
3. Liderazgo
4. Productividad
5. Seguridad y bienestar
6. Reclutamiento y movilidad
7. Habilidades y capacidades
8. Cultura organizacional
9. Planes de sucesión
10. Cumplimiento y ética
11. Disponibilidad del personal

Cada una aporta indicadores que permiten comprender con mayor precisión cómo funcionan las personas y el área de RRHH.

🛠️ Herramientas para trabajar con People Analytics

Hemos aprendido qué son las People Analytics, los tipos de datos y análisis que podemos utilizar, la ISO 30414, y ahora es momento de conocer los programas que nos permitirán trabajar con nuestras analíticas y presentarlas en dashboards que logren destacar los resultados. Vamos a conocerlos... 🙌

Entre los más asequibles y para comenzar:

• Excel => Nos permite organizar datos, crear tablas dinámicas y gráficos básicos.
• Power BI => Ideal para crear dashboards interactivos y visualizaciones avanzadas. Adicionalmente, nos permite conectar con múltiples fuentes de datos, usar DAX para cálculos complejos, automatizar y transformar los datos.
• Tableau => Excelente para análisis visuales y manejo de grandes volúmenes de datos. Similar a Power BI.

Luego si queremos llevar nuestro análisis a niveles más profundos podemos trabajar con:

• Python => Nos permite realizar análisis estadísticos avanzados y crear modelos predictivos.
• SQL => Ideal para gestionar y consultar grandes bases de datos.

A excepción de SQL, con todas las demás lograremos crear dashboards, visualizaciones e informes. Lo importante es que debemos elegir la herramienta que se adapte a nuestro trabajo y tamaño de la empresa.

📅 Etapas del proceso de People Analytics

Ya estamos casi listos para comenzar con nuestros análisis de People Analytics, observemos algunos puntos guía que nos ayudarán a lograr un estudio exitoso en nuestra empresa.

1. Lo primero es definir el objetivo, aquello que queremos demostrar con nuestro análisis.

   El objetivo va a moldear el tipo de análisis que vamos a realizar, los datos que vamos a necesitar y la fuente que nos proveerá de los datos para nuestro estudio.

2. Establecido el objetivo y el tipo de análisis, vamos a identificar el programa con el que vamos a procesar los datos.

   Recuerden que, al momento de trabajar con nuestros datos, debemos aplicar un proceso de limpieza de los mismos, en el que vamos a asegurar que el tipo de dato con el que vamos a trabajar es el correcto (algunos tipos de dato son: texto, número entero, nº flotante o decimal, fecha, booleanos y más).

   Asegurar el correcto tipo de dato nos evitará que se produzcan errores de procesamiento cuando trabajamos los datos.

   Es recomendable para facilitar el procesamiento, identificar los datos necesarios para nuestro análisis y descartar aquellos que no serán utilizados. 🚨 No olviden por las dudas, hacer un backup de sus datos.

3. Ya con nuestra base limpia, podemos comenzar entonces con el análisis de los datos.

   Los programas nos permitirán trabajar con fórmulas, las cuales nos permitirán aprovechar aún más los datos con los que trabajamos.

   Deberemos elegir las visualizaciones que mejor representen los resultados buscados. Los gráficos pueden ser de torta, barras horizontales o verticales, tablas y más.

   

4. Ya con las visualizaciones, procederemos a crear el dashboard para presentar el resultado de nuestro análisis.

   👉 TIP: Antes de hacer la presentación, pueden preguntarle a un compañero que revise el dashboard para identificar si es entendible lo que se pretende informar.

5. Ahora sí, luego de las últimas revisiones, ya estamos listos para presentar nuestro análisis. 💪

😇 Buenas prácticas en el manejo de datos

Para dar un cierre, aquí les quiero transmitir unos puntos a tener presente cuando trabajamos con People Analytics.

• Garantizar consistencia y protección de la información.

• Asegurar transparencia en los reportes.

• Limitar el acceso solo a quienes lo necesitan.

• Alinear los análisis con los objetivos estratégicos de la empresa.

• Elaborar protocolos de reporte (generalmente anuales).

• Mantener métricas válidas, auditables y confiables.

🪄 Ejemplos aplicados a la vida real

Con el propósito de que puedan observar cómo podemos conducir nuestros análisis de people analytics, vamos a advertir un par de ejemplos.

• 📝Ejemplo 1: Alta rotación en un área

  • Datos utilizados: edad, antigüedad, clima, desempeño, jefatura.

  • Resultado: la renuncia estaba asociada a cargas excesivas y liderazgo deficiente.

  • Acción: redistribución de tareas + capacitación de mandos medios.

• 📝Ejemplo 2: Optimización de reclutamiento

  • Se analiza el tiempo de cobertura y el origen de candidatos exitosos.

  • Se detecta que LinkedIn genera el 70% de buenas contrataciones.

  • Acción: se deja de invertir en portales poco efectivos.

• 📝Ejemplo 3: Predicción de renuncias

  • Se entrena un modelo que analiza 20 indicadores.

  • Se identifican empleados en riesgo.

  • Acción: entrevistas preventivas, ajustes de condiciones y carga laboral.

👇 Aquí les facilito un ejemplo de cómo calcular el FTE (Full Time Equivalent).

🔐 Cierre

People Analytics nos brinda una radiografía humana y objetiva de la empresa. Permite entender cómo estamos funcionando, anticipar problemas, tomar mejores decisiones y comunicar resultados tanto internamente como a inversores o accionistas.

📌 Es una herramienta que profesionaliza al área de RRHH y la alinea con la estrategia del negocio.

🧠 Ejercicios prácticos

👉 Ejercicio 1: Crear un panel descriptivo básico

1. Reúne datos reales de tu empresa (o inventados): edad, antigüedad, área y género.
2. Crea un dashboard simple con 3 visualizaciones descriptivas.
3. Extrae 5 conclusiones.

👉 Ejercicio 2: Identificar un problema y un análisis adecuado

1. Elige un problema real: rotación, ausentismo, demoras en reclutamiento.
2. Decide qué tipo de análisis usar (descriptivo, diagnóstico, predictivo o prescriptivo).
3. Indica qué datos necesitarás.

👉 Ejercicio 3: Crear una métrica simple

1. Selecciona un indicador (ej. rotación, antigüedad promedio, costo de capacitación).
2. Escríbelo con una fórmula clara.
3. Explica por qué es importante para tu empresa.

🪄 Extra

Para el final un pequeño bonus de un análisis de People Analytics que realicé como práctica con una base de datos de Kaggle. La base de datos utilizada fué la siguiente:

• Usuario: PAVANSUBHASH
• Title: IBM HR Analytics Employee Attrition & Performance
• Link: Ir al dataset

Es un análisis en el que utilicé la ISO 30414:2018 y para trabajar con la base de datos utilicé Python, Excel y Power BI.

Aquí les dejo el link para ver el link para que vean el análisis completo: Ir al análisis

🚨 Y los animo a experimentar ustedes mismos con la base de Kaggle 😉💪