People Analytics: ¿La Salvación de RH o Solo Otra Moda Pasajera?

El dilema Editorial: Datos vs. Intuición en la Gestión del Talento

En los últimos cinco años, People Analytics ha pasado de ser un término de nicho a un must-have en las presentaciones de cualquier HR Director innovador. Pero detrás del hype, hay una pregunta incómoda: ¿Realmente está transformando la gestión del talento, o solo estamos reemplazando el “olfato” por dashboards bonitos?

Este no es un artículo más sobre “¿por qué necesitas datos en RH?”. Es un análisis crítico sobre lo que funciona, lo que no, y lo que las consultoras no te dicen cuando venden sus soluciones de analytics.

1. La Promesa y realidad del People Analytics

Lo Que Nos Vendieron

• “Con datos, RH dejará de ser un centro de costos para ser un motor estratégico”
• “Machine Learning predecirá qué empleados renunciarán antes de que lo sepan ellos mismos”
• “Los algoritmos eliminarán los sesgos en reclutamiento”

Lo Que Realmente Está Pasando

• El 60% de los proyectos de People Analytics fracasan (según Gartner), no por la tecnología, sino por:
  • Falta de preguntas claras (“tenemos datos, pero no sabemos qué resolver”).
  • Resistencia de líderes que desconfían de “que una máquina les diga qué hacer”.
  • Datos sucios o fragmentados (ejemplo: 5 sistemas de RH que no se integran).

Caso Real: Un banco en Latam invirtió $500K en una plataforma de analytics… para descubrir que el 40% de sus datos de desempeño estaban desactualizados.

2. Los 3 Grandes Mitos del People Analytics (Que Necesitamos Derribar)

Mito 1: “Cuántos Más Datos, Mejor”

• La realidad: El valor no está en la cantidad, sino en:
  • Datos accionables (ejemplo: saber que la rotación es alta en un departamento no sirve si no sabes por qué).
  • Contexto humano (los números no explican que “el equipo de ventas renuncia por el jefe tóxico”).

Mito 2: “Los Algoritmos Son Objetivos”

• Amazon eliminó su herramienta de reclutamiento con IA porque penalizaba a mujeres (el modelo aprendió de contrataciones pasadas, dominadas por hombres).
• La paradoja: Si los datos históricos reflejan prejuicios, la IA los perpetuará.

Mito 3: “Esto Reemplazará a los Profesionales de RH”

• La verdad: People Analytics no elimina la intuición; la potencia.
• Ejemplo: Un algoritmo puede señalar que un empleado tiene 80% de riesgo de renunciar, pero solo un humano puede entender si es por salario, falta de crecimiento, o problemas personales.

3. ¿Dónde Sí Está Marcando la Diferencia? (Casos Concretos Sin Marketing)

Éxito 1: De “Encuestas de Clima” a “Termómetros de Emociones en Tiempo Real”

• Una empresa de logística reemplazó sus largas encuestas anuales por pulsos semanales via Slack (3 preguntas clave).
• Resultado: Detectaron una caída abrupta en moral tras un cambio de horarios 2 meses antes de que empezaran las renuncias.

Éxito 2: Del “Presentismo” a la “Productividad Real”

• Un estudio de Microsoft analizó datos anónimos de Teams y encontró que:
  • Los empleados más “activos” (reuniones todo el día) no eran los más productivos.
  • Los de mayor impacto tenían bloques de 2-3 horas sin interrupciones.
• Cambio: Política de “horarios silenciosos” obligatorios.

Éxito 3: Diversidad Que Va Más Allá del % de Mujeres

• Una firma de abogados usó analytics para mapear:
  • Quién hablaba en reuniones (mujeres interrumpidas un 30% más).
  • Quién accedía a proyectos estrella (minorías recibían tareas menos visibles).
• Solución: Capacitación en micro-desigualdades y asignación ciega de oportunidades.

4. El Elefante en la Habitación: ¿Estamos Vigilando Demasiado?

• El lado oscuro: Herramientas como:
  • Monitoreo de tecleo (keystroke logging).
  • Sensores de ocupación en oficinas.
  • Análisis de emociones en videollamadas.
• La pregunta ética: ¿Dónde está el límite entre “analytics” y “vigilancia laboral”?

Posición editorial: People Analytics debe ser como un termómetro médico (diagnóstica para ayudar), no como un GPS de prisión (controla cada movimiento).

Conclusión: ¿Vale la pena el esfuerzo?

Para HR Directors que dudan en invertir:

• No empiecen por comprar tecnología. Empiecen por:
  1. Definir 1 problema crítico (ejemplo: rotación en millennials).
  2. Verificar si ya tienen datos para atacarlo (ejemplo: encuestas de salida).
  3. Probar con pilotos pequeños (ejemplo: análisis de 3 meses de renuncias).

Para los escépticos:

• People Analytics no es magia, pero sin datos, RH seguirá siendo visto como “el departamento que organiza las pizzas del viernes”.

Para los entusiastas:

• Cuidado con el data overconfidence. Los mejores líderes de RH usan datos + empatía.

---

Última Reflexión:
Cuando una herramienta predice que tu mejor empleado va a renunciar, ¿llamas a IT para que ajuste el algoritmo o al empleado para preguntarle qué necesita? La respuesta define si estás usando People Analytics… o solo jugando a ser adivino con Excel.