Resumen
- People Analytics es aplicar datos y análisis a las decisiones sobre personas. En vez de tirar de intuición, decides con evidencia. Hablamos de una disciplina, no de un puesto.
- Casi nadie lo hace bien: menos de 1 de cada 4 equipos de RRHH aprovecha eficazmente sus datos. La mayoría se queda en el “qué pasó” y no “para qué sirve”.
- Bien hecho, predice la rotación, mejora la retención y sienta a RRHH en la mesa de decisiones. Mal hecho, choca con la calidad del dato, el RGPD y los sesgos.
Seamos sinceros. Durante años, muchas de las decisiones sobre personas se han tomado a ojo. A quién ascender, por qué se nos va la gente, si un equipo va bien o solo lo parece. Y no por falta de ganas, sino porque el dato no estaba, o estaba disperso en cinco hojas de cálculo que solo entendía una persona. People Analytics viene justo a cambiar eso: a sustituir la corazonada por la evidencia. Y, a juzgar por los datos, todavía queda muchísimo recorrido. El estudio “State of People Analytics 2025-26” de HR.com nos muestra que menos del 25% de equipos de RRHH es realmente eficaz con sus datos, y estamos ante una cifra que apenas se ha movido en los dos últimos años.
Mientras tanto, el mercado de herramientas no para de crecer. S&P Global estima para People Analytics un crecimiento anual cercano al 12% hasta 2029. Hay apetito, hay presupuesto y hay tecnología. Lo que muchas veces falta es saber por dónde empezar, pero vamos a tratar de desgranarlo.
Qué es People Analytics (HR Analytics)
People Analytics (o analítica de personas si queremos ser estrictos con el idioma, aunque es un término que el 99% de las veces se usa en inglés), es la disciplina que recoge, ordena y analiza datos de empleados para tomar mejores decisiones sobre el talento. O dicho de otro modo, es la ciencia de datos aplicada a las personas. No hablamos de un programa que se compra ni de un puesto que se contrata. Es más bien una forma de trabajar. Se apoya en datos sobre el empleado (selección, desempeño, formación, clima, rotación) y en herramientas que convierten esos números en decisiones que de verdad tienen un impacto en la empresa.
Muchas veces ambos términos de People Analytics y HR Analytics se usan como si fuesen sinónimos, y es cierto que para el día a día lo son. Pero si se quiere hilar fino, HR Analytics habla más de las métricas operativas del área (time-to-hire, coste por contratación) y People Analytics suele ir más en relación a conectar esos datos con el negocio: productividad, retención, rendimiento. La frontera es difusa, pero la realidad es que poco importa. Lo que importa es el cambio de mentalidad.
Para qué sirve: de la intuición a los datos
Veámoslo con un ejemplo de andar por casa. Un responsable jura que su equipo está estupendo. Y a lo mejor es cierto y tiene razón, pero los datos de absentismo, las encuestas de satisfacción y el número de salidas de los últimos meses cuentan otra película. People Analytics sirve precisamente para eso: para ver lo que la intuición no ve y actuar antes de que sea tarde.
Entre sus usos más habituales encontramos los que tienen que ver con anticipar la rotación, mejorar la retención y el engagement, vigilar el absentismo, planificar la plantilla (workforce planning) y entender de verdad el motivo “oculto” por el que se va la gente. Spoiler: casi nunca es por lo que uno cree. Y esto no es palabrería. Hablamos de que las organizaciones que gestionan RRHH con datos performan por encima de sus competidoras, llegando hasta un 25% más de movilidad interna cuando se usa bien la analítica, y esto ya hemos visto que es más barato que salir al mercado a fichar talento.
Tipos: descriptivo, predictivo y prescriptivo
No toda la analítica es igual de avanzada, y aquí es donde se ve quién está empezando y quién va en serio. Podemos separarlo en tres niveles principales (cuatro si contamos también el diagnóstico) y se construyen como una torre uno encima de otro.
Descriptivo: qué ha pasado
Cuántos se fueron el trimestre pasado, cuál es la rotación por área. Es el punto de partida y, por desgracia, donde se queda la mayoría. En torno al 83% de las empresas usa sobre todo este nivel.
Predictivo: qué va a pasar
Modelos que indican quién tiene más probabilidad de marcharse en los próximos meses o dónde es más probable que surja un cuello de botella de talento.
Prescriptivo: qué conviene hacer
No solo avisa de un riesgo de fuga de talento, sino que además también sugiere la palanca (ajustar carga, formación, plan de carrera) que más ha funcionado en casos parecidos para usarla como referencia.
El salto difícil de verdad es pasar del descriptivo al predictivo. Muy pocas empresas lo dan. Ahí está casi todo el valor sin explotar.
Métricas y KPIs clave
Un proyecto de People Analytics no consiste en medirlo todo, sino en medir lo que ayuda a decidir. Recordemos, más datos no es siempre sinónimo de algo bueno. Estos son los indicadores que casi siempre merecen la pena seguir.
| Métrica | Qué te dice | Por qué importa |
|---|---|---|
| Rotación (turnover) | Quién se va y a qué ritmo | Es cara: reemplazar a alguien cuesta de media entre 0,5 y 2 veces su salario |
| Retención de talento | Si retienes a quien quieres retener | No todas las salidas duelen igual; la clave es la fuga “evitable” |
| Engagement / eNPS | Cómo de comprometida está la plantilla | Anticipa rendimiento, rotación y clima |
| Absentismo | Ausencias y su patrón | Señal temprana de desmotivación o burnout |
| Time-to-fill / cost-per-hire | Cuánto tardas y cuánto gastas en cubrir un puesto | Mide la eficiencia real de la selección |
| Movilidad interna | Cuántas vacantes cubres con talento propio | Más barato que fichar y mejora la retención |
Cómo funciona un proyecto paso a paso
Tenemos que alejarnos de la tentación de montar un dashboard precioso e ir corriendo a enseñarlo. Error clásico. Un proyecto que sirve sigue más o menos esta secuencia de 5 fases:
- Empieza por la pregunta de negocio. No “qué datos tengo”, sino “qué decisión quiero mejorar”. Por ejemplo: reducir el número de data engineers que se van de la empresa.
- Reúne y limpia los datos. Suelen estar repartidos entre el HRIS, encuestas y nóminas. Aquí se va medio proyecto. Sin datos en los que confiar, el resto no se sostiene.
- Analiza o modela. Desde un cruce sencillo hasta un modelo predictivo, según lo que tengas y necesites.
- Visualiza y cuenta la historia. Un dashboard solo vale si quien va a tomar la decisión lo entiende sin un máster en estadística.
- Actúa y mide. Si el análisis no cambia ninguna decisión, no era analítica, era decoración. Debemos ser críticos para ver resultados e impacto real.
People Analytics vs. RRHH tradicional
No se trata de tirar por la borda la experiencia ni el trato humano que siguen siendo imprescindibles. Se trata de añadirles una capa de evidencia. Es más fácil ver la diferencia en una tabla:
| RRHH tradicional | RRHH con People Analytics |
|---|---|
| Decide por intuición y experiencia | Decide con datos, sin renunciar al criterio |
| Reacciona cuando el problema ya estalló | Anticipa con modelos predictivos |
| Mide a final de año (si acaso) | Sigue indicadores de forma continua |
| RRHH como función administrativa | RRHH como socio estratégico del negocio |
Herramientas en 2026
La buena noticia es que no necesitas un arsenal de herramientas complicadas para empezar. Mucha gente arranca con lo que ya tiene. De hecho, en pymes la herramienta estrella sigue siendo la hoja de cálculo (sí, un Excel), y no hay nada de malo en empezar por ahí. Al contrario, es lo mejor para dar el primer paso de una manera fácil y que no genere fricción.
Y a medida que el proyecto va madurando, lo normal es apoyarse en herramientas de visualización como Power BI o Tableau, en los datos del propio HRIS (Workday, SAP SuccessFactors). Y para organizaciones más avanzadas, se suele optar por plataformas específicas de People Analytics o en Python para los modelos. La regla fácil: la herramienta va detrás de la pregunta, nunca al revés. Comprar un software carísimo sin saber qué quieres responder es la mejor forma de tener un dashboard que no mira nadie y que cuesta varios ceros al año.
Retos éticos y de privacidad
Pongámonos serios un momento. Trabajar con datos de personas no es lo mismo que trabajar con datos de ventas, y conviene tenerlo presente desde el minuto uno. No es casualidad que una gran mayoría de responsables de People Analytics reconozca tener dudas éticas y de privacidad sobre lo que hace.
Los frentes principales son tres. El RGPD, que obliga a tratar los datos de empleados con base legal, finalidad clara y proporcionalidad. El sesgo algorítmico, porque un modelo entrenado con un historial sesgado puede perpetuar (o amplificar) esa injusticia sin que nadie se dé cuenta. Y la transparencia: si no puedes explicar por qué el sistema recomienda algo, difícilmente alguien va a fiarse de lo que diga. La analítica de personas se sostiene sobre la confianza. Hablamos de personas, de seres humanos. Y no podemos olvidar que somos seres sociales y vamos a confiar más fácilmente en una persona que en una máquina. Por tanto, si llega el día en el que la plantilla siente que la vigilan en lugar de acompañarla, el proyecto habrá muerto.
Salidas laborales
La parte profesional es de las más golosas. Es un perfil híbrido (negocio, personas y datos) que escasea y que las empresas se rifan porque junta dos mundos que casi nunca van de la mano. Encaja en equipos de RRHH que quieren dar el salto a lo estratégico, pero también en áreas de datos que necesitan contexto de personas.
Si esto te llama y quieres saber más sobre funciones del día a día, puedes leer el artículo del blog donde profundizamos en el puesto del especialista en People Analytics. Y como patrón profesional cercano, el de analista de datos comparte buena parte de las competencias técnicas por lo que también puede ser interesante echarle un ojo.
Cómo desarrollar una carrera en People Analytics
La buena noticia: no necesitas un doctorado en estadística para empezar. Pero sí necesitas una base que combine lo técnico con lo humano. En lo técnico, nociones de SQL, algo de Python, una herramienta de visualización como Power BI y conocimientos sólidos de estadística. En lo humano, saber leer un negocio y, sobre todo, saber traducir un dato en una decisión y contarla de forma que la entienda quien no es analista. Ese storytelling es la mitad del éxito de un buen People Analytics.
Si vienes de RRHH, tienes media carrera hecha: ya entiendes a las personas y ahora solo te falta la capa de datos. Y si vienes de datos, te falta el contexto de negocio de personas. Para cualquiera de los dos caminos, el Máster en People Analytics e Inteligencia Artificial de Evolve está pensado justo para ese salto: práctica real, casos de negocio y herramientas que se usan de verdad en las empresas. Nada de teoría que se olvida a la semana. Porque al final, People Analytics no va de tener más datos. Va de tomar mejores decisiones sobre las personas y que tienen una implicación directa en el negocio. Y eso, hoy, no es una opción, forma parte del desarrollo de las organizaciones.
