En 2018, IBM reveló que su sistema de analítica de personas basado en IA había evitado unos 300 millones de dólares en costes de rotación, prediciendo con un 95% de precisión qué empleados estaban en riesgo de dejar la empresa. No fue un golpe de suerte ni una herramienta mágica de IA. Fue people analytics aplicado a una escala que pocas empresas pueden permitirse, pero cuya lógica cualquier departamento de RRHH puede empezar a aplicar mañana.
Esa lógica es la que este artículo intenta desmontar: qué es exactamente, qué hace falta saber para hacerlo bien, y por dónde empezar si quieres ser tú quien lo haga. Es, de hecho, uno de los perfiles que aparece en nuestro repaso de las salidas profesionales de RRHH con más demanda, y uno de los que más rápido está subiendo de sueldo.
Qué significa exactamente "hacer" people analytics (no solo tener un dashboard)
People analytics es la disciplina que aplica análisis de datos y estadística a las decisiones sobre personas dentro de una empresa: contratación, rotación, desempeño, compensación, desarrollo. En lugar de decidir por intuición o por "así se ha hecho siempre", se decide con evidencia.
Lo que casi nadie aclara es que tener un dashboard de RRHH no es hacer people analytics. Un dashboard que muestra cuántas bajas ha habido este mes es reporting: describe el pasado. People analytics empieza cuando ese dato se usa para responder una pregunta de negocio —¿por qué se van los mejores comerciales antes de los dos años? ¿qué combinación de factores predice que un equipo vaya a tener bajo rendimiento el próximo trimestre?— y esa respuesta cambia una decisión real.
Esa distinción importa porque es exactamente donde falla la mayoría de intentos de "hacer analítica de RRHH": se quedan en la fase de bonito informe trimestral y nunca llegan a influir en ninguna decisión.
Los casos que muestran el impacto real
IBM es el caso más citado, y con razón: la compañía combinó datos de contratación, antigüedad, historial de ascensos, desempeño y sentimiento de los empleados en un modelo de aprendizaje automático capaz de predecir con un 95% de precisión qué trabajadores tenían mayor riesgo de marcharse, según reveló su entonces consejera delegada, Ginni Rometty. El resultado, aplicado a perfiles críticos y de alta demanda, fue un ahorro estimado de 300 millones de dólares en costes de retención.
Credit Suisse construyó un modelo similar para identificar de forma anónima a empleados con riesgo de salida y las razones probables, de manera que los managers pudieran actuar sobre esos factores de riesgo antes de que el empleado tomara la decisión de irse.
Ninguno de los dos casos empezó con un algoritmo sofisticado. Empezaron con una pregunta de negocio concreta —¿a quién estamos perdiendo y por qué?— y con datos que la empresa ya tenía pero nadie había cruzado.
Qué hace falta saber (y en qué nivel) para hacer esto de verdad
No hace falta ser data scientist para empezar, pero sí hay un suelo técnico por debajo del cual es difícil aportar algo distinto a un informe bonito en PowerPoint.
Herramienta o skill | Nivel mínimo útil | Para qué se usa en la práctica |
|---|---|---|
Excel avanzado (tablas dinámicas, funciones de búsqueda) | Imprescindible desde el primer día | Cruces rápidos de datos de plantilla, primeros análisis de rotación |
Power BI o Tableau | Deseable a partir del segundo proyecto | Dashboards conectados a HRIS, visualización para dirección |
SQL básico | Marca la diferencia salarial más que ninguna otra skill | Consultar directamente las bases de datos del HRIS sin depender de IT |
Estadística aplicada (correlación, regresión) | Necesario para pasar de describir a predecir | Modelos de riesgo de rotación, análisis de desempeño |
Conocimiento del HRIS de la empresa (Workday, SAP SuccessFactors) | Se aprende en el puesto | Saber qué datos existen realmente y en qué calidad |
Niveles orientativos según la experiencia de mercado en perfiles de People Analytics en España. La progresión salarial suele acelerarse a partir del dominio de SQL y estadística aplicada, no solo de herramientas de visualización.
Lo que nadie suele decir es que la habilidad que más rápido diferencia a un perfil junior de uno senior no es la herramienta de visualización, es la estadística. Cualquiera puede aprender a hacer un dashboard bonito en un fin de semana. Saber si una correlación entre dos variables de RRHH es real o es ruido estadístico lleva más tiempo, y es justo lo que separa a quien analiza de quien solo reporta.
Cómo aprenderlo: la ruta que realmente funciona
La forma más habitual de aprender people analytics de manera desordenada es apuntarse a un curso suelto de Power BI, otro de estadística y esperar que la combinación cuaje sola. Funciona, pero tarda mucho más y deja huecos — sobre todo en la parte de negocio: entender qué preguntas de RRHH merece la pena responder con datos y cuáles no.
La ruta que mejor funciona combina tres cosas en paralelo, no en secuencia: herramientas técnicas (Excel, Power BI, SQL), fundamentos de estadística aplicada a personas, y criterio de negocio de RRHH — sin este último, un perfil técnico puro puede construir modelos impecables que nadie en el comité de dirección sabe usar para decidir nada.
Es exactamente esa combinación la que busca cubrir el Power HR de ThePower: forma en people analytics y gestión del talento a la vez, no por separado, y en un formato compatible con seguir trabajando. Si vienes de un perfil generalista de RRHH y quieres dar el salto sin dejar tu trabajo actual, es la ruta más directa de las que existen en español.
Cuánto se paga y qué tan difícil es entrar
El salario medio de un especialista en People Analytics en España se sitúa en torno a los 42.000 € brutos anuales, con un rango que va de 31.000 € para perfiles junior a más de 70.000 € para quienes dominan modelos predictivos, según datos de mercado recogidos por PayScale y Glassdoor. Es, además, uno de los perfiles de RRHH con más vacantes que candidatos capaces de cubrirlas con solvencia — lo que está empujando la compensación al alza más rápido que en roles de RRHH más tradicionales.
Es un salario parecido al de otro perfil que crece en paralelo dentro de RRHH: el HR Business Partner, con el que People Analytics comparte cada vez más funciones — no es raro que quien domina ambos termine liderando la conversación de datos en el comité de dirección.
Preguntas frecuentes
¿Se puede empezar en people analytics sin venir de un perfil técnico o de ingeniería?
Sí, y de hecho es lo habitual: la mayoría de perfiles de people analytics en España vienen de RRHH generalista y han añadido las herramientas técnicas después, no al revés. Lo que marca la diferencia no es el origen académico sino la disposición a aprender Excel avanzado, SQL básico y estadística aplicada mientras se sigue trabajando en RRHH.
¿Qué diferencia real hay entre "reporting de RRHH" y "people analytics", si en la práctica ambos usan las mismas herramientas?
La herramienta es la misma, la pregunta que responde no. El reporting describe qué ha pasado (cuántas bajas, qué absentismo). People analytics usa esos mismos datos para responder por qué está pasando y qué va a pasar si no se actúa, y esa respuesta se conecta con una decisión de negocio concreta, no solo con un informe.
¿Cuánto tiempo real se tarda en poder aportar valor con people analytics, no solo en "saber la teoría"?
Depende del punto de partida, pero la experiencia de mercado apunta a un patrón: quien ya domina Excel avanzado y tiene acceso a los datos del HRIS de su empresa puede empezar a generar análisis útiles en pocos meses. El salto a modelos predictivos serios —el que realmente cambia el rango salarial— suele necesitar entre uno y dos años de práctica combinando estadística con casos reales de la propia organización.
¿People analytics sirve igual en una pyme que en una multinacional como IBM?
La lógica es la misma, la escala no. Una pyme no necesita un modelo de machine learning para predecir rotación: con Excel avanzado y unas cuantas preguntas bien planteadas (¿quién se va y cuándo, en qué departamentos, tras qué eventos) ya puede tomar mejores decisiones que la mayoría de sus competidores. La sofisticación técnica de IBM es útil cuando el volumen de datos lo justifica, no antes.
¿Qué se mide primero cuando una empresa empieza a hacer people analytics desde cero?
Casi siempre rotación y absentismo, porque son los datos que ya existen en cualquier HRIS y tienen un coste económico fácil de calcular. A partir de ahí se suele avanzar hacia calidad de contratación (si los procesos de selección predicen bien el desempeño posterior) y clima o compromiso, que son más difíciles de medir pero con mayor impacto a largo plazo.
