El dato que ves
no es la respuesta
que necesitas
Datos, hallazgos y perspectivas en people analytics: tres cosas distintas que parecen la misma y que, si se confunden, llevan a tomar decisiones equivocadas aunque los números sean correctos.
¿Prefieres ir directo a la práctica? Al final del artículo hay dos ejercicios interactivos sobre el mismo dataset.
Ir a los ejercicios →Imagina que tu sistema de RRHH te dice que el departamento comercial tiene una rotación del 31%. ¿Sabes ya qué hacer? La mayoría de los técnicos de RRHH responderían que no, que necesitan más información. Tienen razón, pero no siempre saben exactamente qué tipo de información les falta ni por qué.
Este artículo explica la diferencia entre los tres niveles en que se puede leer un mismo dato, con un ejemplo concreto que se mantiene de principio a fin. La IA acelera enormemente la generación de hallazgos. Precisamente por eso distinguir entre hallazgo y perspectiva resulta hoy más importante que nunca.
Los tres conceptos
Una observación registrada en el sistema, sin análisis. El 31% de rotación en comercial es un dato. No dice nada sobre por qué ocurre ni si es un problema. Para que sea útil necesita que alguien lo cruce con otras variables.
Lo que aparece cuando cruzas varios datos y encuentras un patrón. «Los departamentos con más rotación tienen más tiempo hasta la primera promoción» es un hallazgo. Describe una relación, pero aún no la explica ni dice qué hacer.
Lo que obtienes cuando añades contexto organizacional al hallazgo y entiendes por qué ocurre. «La rotación en comercial no se debe al tiempo hasta la promoción, sino a un modelo de incentivos que genera ciclos de presión y abandono» es una perspectiva. Solo con ella puedes decidir qué hacer.
Si tratas un hallazgo como si fuera una perspectiva, tomas decisiones que parecen razonables pero atacan el síntoma en lugar de la causa. El resultado habitual: inversión desperdiciada y el problema sin resolver.
El ejemplo: una empresa, cuatro departamentos, muchas preguntas
Trabajamos con datos de una empresa de servicios financieros de 1.200 empleados. Estos son los datos disponibles en el sistema. Los leeremos en cinco niveles distintos a lo largo del artículo.
| Departamento | Rotación anual | Absentismo | Desempeño medio | Formación completada | Tiempo hasta promoción |
|---|---|---|---|---|---|
| Operaciones | 18% | 6,2% | 3,1 / 5 | 91% | 4,2 años |
| Tecnología | 22% | 3,1% | 3,8 / 5 | 88% | 3,1 años |
| Comercial | 31% | 4,8% | 3,4 / 5 | 72% | 5,8 años |
| Riesgo y cumplimiento | 9% | 2,9% | 3,6 / 5 | 95% | 6,1 años |
Las cinco capas de lectura
Fíjate cómo cambia lo que «ves» en el mismo dataset según el nivel de análisis que aplicas.
El sistema muestra los números tal como están registrados. Comercial tiene una rotación del 31%. Operaciones tiene el absentismo más alto, 6,2%. Riesgo y cumplimiento tarda 6,1 años en promover.
Los datos solos no tienen dirección. No dicen si el 31% es mucho o poco, si lleva así cinco años o es un pico puntual, ni si el departamento con menos rotación está bien gestionado o simplemente tiene miedo al mercado laboral. Es la materia prima. Nada más.
Cuando cruzas variables aparecen patrones. Dos saltan de inmediato en este dataset:
Hallazgo 1 — rotación y promoción. Comercial tiene la rotación más alta (31%) y el tiempo hasta promoción más largo entre los departamentos problemáticos (5,8 años). El patrón parece claro. Pero entonces miras Riesgo y cumplimiento: tiene la rotación más baja (9%) y el tiempo hasta promoción más largo de todos (6,1 años). El patrón se rompe. La relación existe en algunos departamentos, no en todos.
Hallazgo 2 — formación y desempeño. Operaciones completa el 91% de la formación —la tasa más alta de la empresa— pero tiene la puntuación de desempeño más baja: 3,1 sobre 5. Más formación no está produciendo mejor desempeño. Algo no encaja.
Estos hallazgos son reales y valiosos. Pero no son respuestas: son preguntas mejor formuladas.
Aquí entran el conocimiento organizacional y la historia reciente. Los números no cambian. Lo que cambia es lo que significan.
¿Por qué Riesgo y cumplimiento retiene bien con promociones lentas? El departamento lleva tres años en expansión regulatoria. Los perfiles senior en compliance son escasos en el mercado. La empresa los retiene con retribución variable específica del sector que no aparece en la tabla estándar. La antigüedad en ese perfil tiene valor de mercado: un técnico de cumplimiento normativo con seis años en la misma entidad sabe exactamente qué controles existen. Quedarse tiene sentido aunque la promoción tarde. Las mismas condiciones objetivas producen efectos opuestos según el mercado del perfil.
¿Por qué Operaciones tiene alto absentismo pese a completar tanta formación? Ese año ejecutó una migración de sistema. La formación obligatoria ligada a la migración infló el porcentaje. Lo que el sistema registra como «desarrollo formativo» son horas de adaptación forzada. El absentismo refleja el agotamiento del proyecto, no un problema estructural de clima. El 91% es un artefacto del tipo de formación registrada, no un indicador de desarrollo.
¿Por qué Comercial tiene tanta rotación? Los comerciales trabajan con objetivos revisados trimestralmente. Los que se marchan lo hacen los meses posteriores a no alcanzar la cuota. La baja formación completada no causa la rotación: ambas son síntomas del mismo problema de fondo, un modelo de incentivos que genera ciclos de presión y abandono. Invertir en formación sin tocar ese modelo no retendría a nadie.
El modelo trabaja con lo que se le da. Un modelo bien construido puede detectar valores atípicos, señalar baja confianza en una predicción o advertir de que ciertos perfiles están fuera de la distribución con la que fue entrenado. Lo que no puede hacer es identificar una variable relevante que nunca fue capturada: si algo no está en los datos, el modelo no sabe que existe. Eso solo lo puede hacer alguien que conozca la organización.
En este caso, el sistema no recogía: conversaciones de feedback (ningún manager de Comercial las documenta en el software); carga real de proyecto (la migración de Operaciones no estaba trazada en el HRMS); retribución variable de Riesgo y cumplimiento (gestionada fuera del sistema estándar).
Resultado: el modelo sobreestimó el riesgo de rotación en Riesgo porque no veía la palanca de retención real; subestimó el problema en Comercial porque no veía el ciclo de presión-abandono; y confundió tipo de formación con nivel de desarrollo en Operaciones. Estos no son fallos del algoritmo. Son consecuencias directas de qué datos se le proporcionaron.
Cuando se presentan estos hallazgos a un director con veinte años en el sector, la reacción más habitual es: «Comercial siempre ha tenido rotación alta, es la naturaleza del puesto» y «En Riesgo llevan años sin moverse porque el mercado está parado».
Esas dos frases pueden ser ciertas. O pueden ser el relato que lleva años justificando no intervenir. El problema es que sin el dato que las contradiga, no hay forma de distinguir entre intuición válida e inercia cognitiva.
En este caso, un análisis de red social interna —que el sistema tampoco recogía— revelaría que tres personas del departamento Comercial son los nodos centrales de transmisión de conocimiento de producto. Su salida no es «rotación normal del sector»: es un riesgo de pérdida de conocimiento que no aparece en ninguna columna de la tabla. Sin people analytics, la experiencia gana por defecto.
¿Qué hace la IA y qué sigue siendo trabajo tuyo?
Aclaración importante: muchos sistemas que se venden como «analítica con IA» son en realidad herramientas de BI con visualizaciones automáticas. La IA real aplica aprendizaje automático para detectar patrones complejos o hacer predicciones individuales. La distinción importa porque sus limitaciones son distintas.
BI frente a IA: el mismo dataset, dos tipos de output
Ana García es técnica de Comercial, lleva cuatro años en la empresa y su último trimestre fue el peor en cuota.
Conectas el HRMS. El sistema genera automáticamente el gráfico de rotación por departamento, la línea temporal del absentismo y el mapa de calor de desempeño. Si configuras una alerta, te avisa cuando Comercial supera el 30%.
El sistema no hace ninguna inferencia. Si la rotación sube, el gráfico sube. No te dice por qué ni qué va a pasar después.
El sistema analiza tres años de datos históricos y construye un modelo predictivo. Actualiza semanalmente una puntuación de riesgo individual para cada empleado.
Detectó que Ana tuvo el peor trimestre en cuota, lleva 14 meses sin conversación de desarrollo registrada y su manager tiene el índice de retención más bajo del departamento.
El 81% es una predicción individual con variables que la sostienen. Eso no lo genera ningún dashboard de BI. Pero el sistema no sabe que Ana lleva dos semanas negociando una reubicación interna que le interesa. No sabe que su mal trimestre se debió a un cambio de territorio a mitad de año. Y no sabe que si se va, se lleva el conocimiento de los tres clientes más difíciles de la cartera. El modelo te señaló a quién mirar. La decisión sobre qué hacer sigue siendo tuya.
La distinción práctica: si la herramienta te muestra qué pasó y cómo está la situación ahora, es BI. Si te dice qué va a pasar y a quién le va a pasar, hay un modelo de machine learning detrás. En ambos casos, el paso de ese output a una decisión concreta requiere que alguien añada el contexto organizacional que el sistema no tiene.
| Capa | Qué produce | Quién lo hace | Limitación principal |
|---|---|---|---|
| Dato bruto | Registros del sistema | HRMS / infraestructura | Solo captura lo configurado |
| Hallazgo básico | Patrones entre variables | Data analytics · BI | No explica por qué existe el patrón |
| Hallazgo a escala | Patrones en muchas variables, predicciones individuales | IA · machine learning | Aprende del pasado. No conoce sus puntos ciegos |
| Perspectiva | Explicación causal accionable | Criterio humano | Requiere contexto que no está en ningún sistema |
| Variables ausentes | Identificación de sesgos y lagunas | Criterio humano | Un modelo no puede identificar variables relevantes que nunca fueron capturadas |
Pon a prueba lo que has leído
Ejercicio 1 — clasifica el enunciado
Seis enunciados extraídos del mismo dataset. Clasifica cada uno antes de ver la respuesta. Algunas distinciones son intencionadamente difíciles.
«Operaciones completa el 91% de la formación asignada —la tasa más alta de la empresa— pero tiene la puntuación de desempeño más baja: 3,1 sobre 5.»
«El modelo identifica que en los últimos cuatro años, los comerciales con más de 36 meses de antigüedad y dos trimestres consecutivos por debajo de la cuota han abandonado la empresa en el 74% de los casos. El patrón es estadísticamente consistente.»
«Hay que aumentar la inversión en formación del departamento Comercial para reducir su rotación.»
«El dashboard muestra que el absentismo de Operaciones ha subido mes a mes durante los últimos cuatro meses y ya está por encima de la media de la empresa.»
«Ana García tiene un 81% de probabilidad de abandonar la empresa en los próximos seis meses. El modelo lo basa en su bajo resultado de cuota, la ausencia de conversaciones de desarrollo registradas y el perfil de retención de su manager.»
«La retribución variable de los perfiles senior de Riesgo y cumplimiento se gestiona fuera del HRMS estándar, lo que explica por qué el modelo predijo un riesgo de rotación alto en ese departamento cuando en realidad es bajo.»
Ejercicio 2 — antes de actuar, ¿qué contexto necesitas?
Tienes un output de IA y una propuesta de acción ya formulada. Antes de aprobarla, ¿qué información necesitas verificar? Selecciona las tres que consideras imprescindibles.
El sistema de people analytics lanza una alerta en Tecnología: 6 de los 8 perfiles senior tienen un riesgo de rotación superior al 70% en los próximos seis meses.
El modelo lo basa en tres factores: salario por debajo del benchmark de mercado en un 18%, cero movimientos internos en los últimos dos años, y ausencia de conversaciones de desarrollo documentadas.
Selecciona las tres verificaciones que harías antes de aprobar la revisión salarial:
Una regla para el próximo dato
Cuando llegue el próximo informe a tu mesa —un dashboard, un output de IA, una tabla de rotación por departamentos— hazte una sola pregunta antes de usarlo para decidir:
Si la respuesta es sí, tienes una perspectiva: puedes actuar. Si la respuesta es no, tienes un hallazgo, y antes de actuar necesitas el contexto que falta: qué ha pasado en ese departamento, qué hay en la vida laboral de esas personas que no está registrado en ningún sistema, qué variable relevante nunca fue capturada.
La IA te da ese hallazgo más rápido, con más variables y a escala individual. Eso es valioso. Pero el paso de ese hallazgo a la decisión correcta sigue necesitando a alguien que conozca el contexto. Ese trabajo no se puede delegar al sistema. Es el tuyo.
Para llevarte de este artículo
El dato informa.
El hallazgo orienta.
La perspectiva decide.
