People Analytics: cómo decidir sobre personas con evidencia | LBS Knowledge Hub

La disciplina conocida como people analytics —el uso sistemático de datos, estadística y modelos predictivos para fundamentar decisiones sobre talento— ha pasado de ser un experimento de empresas tecnológicas a convertirse en una capacidad crítica para cualquier organización que compita por talento en mercados inciertos. Según el McKinsey HR Monitor 2026, que relevó a aproximadamente 1.300 profesionales de RH y 5.500 empleados en diez países, las brechas estructurales entre la planificación operativa y la previsión estratégica siguen siendo el principal freno al desempeño organizacional. En ese contexto, people analytics es el puente entre el dato y la decisión.

Este artículo pillar del Knowledge Hub de LBS sobre people analytics sintetiza el estado del arte, los modelos de madurez, las aplicaciones de alto impacto y la hoja de ruta que un decisor de LATAM necesita para ir del diagnóstico a la acción. Si buscas profundizar en aplicaciones específicas, te recomendamos también nuestros artículos sobre workforce planning basado en datos y sobre métricas de cultura organizacional.

People analytics no es un dashboard de headcount ni un reporte mensual de ausentismo. Es la práctica de aplicar rigor analítico —desde estadística descriptiva hasta machine learning— al ciclo completo de gestión del talento: atracción, selección, desarrollo, retención y sucesión. McKinsey lo define con precisión: 'People Analytics helps managers and senior talent leaders unlock the power of data—increasing rigor, reducing bias, and improving performance.'

La distinción conceptual clave es entre tres niveles de análisis:

1. Descriptivo: ¿qué está pasando? (tasas de rotación, tiempo de cobertura de vacantes, distribución salarial).

2. Predictivo: ¿qué va a pasar? (modelos de riesgo de fuga, forecast de necesidades de competencias, identificación de high potentials).

3. Prescriptivo: ¿qué debemos hacer? (recomendaciones de intervención personalizadas, simulación de escenarios de fuerza laboral).

El valor de negocio se concentra en los niveles predictivo y prescriptivo, pero la mayoría de las organizaciones —especialmente en LATAM— aún opera en el nivel descriptivo, cuando no en la intuición pura.

Las organizaciones toman cientos de decisiones sobre personas cada año —a quién contratar, a quién promover, dónde invertir en desarrollo, cómo estructurar equipos— y la mayoría de esas decisiones se basan en sesgos cognitivos, experiencias anecdóticas e intuición directiva. El costo de ese déficit analítico es medible: rotación no anticipada, brechas de competencias que frenan la ejecución estratégica, y estructuras de compensación que no retienen a quienes más valor generan.

El McKinsey State of Organizations 2026 —basado en una encuesta a 10.018 líderes— señala que la infusión de tecnología, incluyendo IA junto con automatización y analítica de datos, está llevando a las organizaciones a reimaginar cómo se ejecuta el trabajo y a redefinir estructuras tradicionales. Sin embargo, ese potencial sigue siendo teórico para la mayoría: el mismo reporte advierte que solo el 11% de las organizaciones ha adoptado una perspectiva de largo plazo en su planificación de fuerza laboral.

El dato más revelador del contexto latinoamericano proviene de nuestra propia investigación: El 90.2% de los profesionales de RH en LATAM se ubica en la etapa 'stage_0' de madurez en adopción de inteligencia artificial para la gestión de personas (fuente: Observatorio LBS 2026, n=53.593). Esta cifra no es un dato menor: sobre una muestra de más de cincuenta mil profesionales, confirma que la brecha entre el discurso sobre transformación digital y la capacidad analítica real de las áreas de RH en la región es abismal.

Entender en qué etapa se encuentra una organización es el primer paso para diseñar una hoja de ruta realista. El modelo de madurez más utilizado en la práctica distingue cinco niveles:

| Nivel | Nombre | Descripción |

|-------|--------|-------------|

| 0 | Reactivo | Sin datos sistematizados; decisiones por intuición. |

| 1 | Reporting operativo | Métricas básicas (headcount, ausentismo, rotación) en Excel o HRIS. |

| 2 | Analítica descriptiva avanzada | Dashboards integrados; benchmarking interno. |

| 3 | Analítica predictiva | Modelos estadísticos de riesgo de fuga, forecast de demanda de talento. |

| 4 | Analítica prescriptiva e IA | Recomendaciones automatizadas; nudges personalizados; integración con decisiones de negocio. |

Como muestra el dato del Observatorio LBS 2026, el 90.2% de los profesionales de RH en LATAM está en el nivel 0. Esto significa que el salto más urgente —y con mayor retorno— no es implementar modelos de machine learning, sino establecer la infraestructura de datos básica: fuentes únicas de verdad (HRIS consolidados), definiciones homogéneas de métricas y gobernanza mínima de datos de personas.

1. Predicción de rotación no deseada

La rotación voluntaria de talento crítico es uno de los problemas de negocio con mayor costo oculto. Los modelos predictivos de attrition analizan señales como frecuencia de interacciones con el manager, resultados de encuestas de clima, historial de compensación relativa, tiempo en el rol y patrones de carrera. Las organizaciones que implementan estos modelos pueden anticipar entre el 70% y el 80% de las renuncias con tres a seis meses de anticipación, habilitando intervenciones proactivas.

2. Optimización de la selección

Los sesgos en los procesos de selección son costosos y legalmente riesgosos. McKinsey describe cómo el uso de analítica avanzada permite 'identificar características asociadas con contrataciones exitosas y aplicar procesos rigurosos para evaluar candidatos en función de esas características', resultando en procesos más rápidos y conjuntos de contrataciones más diversos. En LATAM, donde la informalidad en los procesos de selección es alta, el impacto de estructurar este proceso con datos es especialmente significativo.

3. Planificación estratégica de fuerza laboral (SWP)

El McKinsey HR Monitor 2026 es categórico: 'Workforce planning must move beyond operational capacity planning to strategic capability planning.' La planificación estratégica de fuerza laboral con analítica permite modelar escenarios de demanda de competencias a tres a cinco años, identificar brechas críticas y diseñar rutas de build-buy-borrow-bot antes de que las brechas se conviertan en emergencias operativas.

4. Analítica de desempeño y potencial

El reporte Deloitte Global Human Capital Trends 2025 —basado en más de 13.000 líderes y empleados de más de 90 países— plantea que desbloquear el desempeño humano requiere ir más allá del rediseño de procesos de performance management. La analítica permite identificar los factores contextuales que predicen el alto desempeño: composición de equipo, patrones de colaboración, calidad del feedback recibido y acceso a oportunidades de desarrollo.

5. Analítica de cultura y experiencia del empleado

Deloitte 2025 Human Capital Trends introduce el concepto de 'stagility': la capacidad de las organizaciones de ofrecer estabilidad a los trabajadores mientras mantienen agilidad operativa. El 75% de los trabajadores encuestados declaró desear mayor estabilidad en el trabajo, mientras el 85% reconoció que las organizaciones necesitan formas más ágiles de organizar el trabajo. La medición continua de la experiencia del empleado —mediante pulses, análisis de redes organizacionales (ONA) y NLP aplicado a conversaciones de feedback— es la única forma de navegar esa tensión con datos.

El año 2025 marcó un punto de inflexión: los equipos de people analytics comenzaron a integrar IA generativa no solo como objeto de estudio (¿cómo impacta la IA en los roles?) sino como herramienta analítica. En enero de 2026, McKinsey documentó cómo los equipos de people analytics están poniendo a trabajar la IA generativa de manera cuidadosa, construyendo guardarraíles que entregan respuestas confiables sin sacrificar el rigor analítico.

Este movimiento es disruptivo por dos razones:

Primera: democratiza el acceso al análisis. Un business partner de RH sin conocimientos de SQL puede formular preguntas en lenguaje natural y obtener respuestas fundamentadas en datos. Esto reduce la dependencia de especialistas técnicos y acelera el ciclo de insight-to-decision.

Segunda: amplifica los riesgos éticos. Los sesgos en los datos históricos se amplifican en los modelos de IA. La gobernanza ética de people analytics —qué datos se recogen, con qué propósito, con qué transparencia hacia los empleados— pasa de ser una preocupación teórica a un requisito operativo.

El McKinsey State of Organizations 2026 documenta que los encuestados citaron preocupaciones éticas y desafíos organizacionales como las principales barreras para la adopción de IA. En el contexto de people analytics, eso se traduce en la necesidad de marcos de gobernanza explícitos antes de escalar cualquier modelo.

La región enfrenta un paradox específico. Por un lado, las presiones del mercado laboral son intensas: escasez de talento técnico, alta rotación en sectores de manufactura y servicios, compresión salarial y creciente presión regulatoria sobre transparencia de compensaciones. Por otro, la infraestructura analítica es precaria.

El dato del Observatorio LBS 2026 (n=53.593) es el más representativo disponible para la región: el 90.2% de los profesionales de RH en LATAM se ubica en la etapa 'stage_0' de madurez en adopción de inteligencia artificial para la gestión de personas. Esto no significa que people analytics sea imposible en LATAM —significa que la secuencia de inversión debe ser distinta a la de organizaciones norteamericanas o europeas que ya tienen HRIS consolidados y equipos de analítica establecidos.

La hoja de ruta para organizaciones en stage_0 tiene tres fases:

Fase 1 — Fundamentos (0-6 meses): Auditoría de fuentes de datos de personas. Selección e implementación de HRIS único. Definición de diccionario de métricas. Nombramiento de un 'data steward' de RH.

Fase 2 — Reporting analítico (6-18 meses): Construcción de dashboard de métricas core (rotación, tiempo de cobertura, engagement, cobertura de sucesión). Integración con sistemas financieros para calcular costo total de la fuerza laboral. Primeros ejercicios de benchmarking externo.

Fase 3 — Analítica predictiva (18-36 meses): Primeros modelos de riesgo de fuga. Segmentación de fuerza laboral por criticidad y reemplazabilidad. Vinculación de indicadores de talento con KPIs de negocio (productividad, satisfacción de cliente, margen).

Una de las decisiones más críticas —y más frecuentemente subestimada— es dónde vive el equipo de people analytics y cómo se relaciona con el negocio. Aplicando el Star Model de Galbraith, hay cinco dimensiones a configurar:

• Estrategia: ¿Qué preguntas de negocio debe responder people analytics? La función debe tener un backlog de preguntas priorizadas por impacto en decisiones estratégicas, no por facilidad de respuesta.
• Estructura: ¿Centro de excelencia centralizado, modelo federado o híbrido? En organizaciones con múltiples unidades de negocio en LATAM, el modelo híbrido —equipo central de plataforma y data, con analistas embebidos en las unidades— tiende a ser el más efectivo.
• Procesos: Cadencia de reporting (mensual para métricas operativas, trimestral para análisis estratégico, ad-hoc para decisiones críticas). Proceso de validación ética de modelos antes de producción.
• Personas: El perfil del analista de personas combina conocimiento de ciencias del comportamiento, estadística aplicada y capacidad de comunicación con ejecutivos. Es uno de los perfiles más escasos en LATAM.
• Cultura: Sin una cultura de toma de decisiones basada en evidencia en la dirección general, people analytics se convierte en un ejercicio técnico sin impacto. El cambio cultural —aplicando marcos como ADKAR de Prosci— es condición necesaria.

A medida que los modelos de people analytics se vuelven más sofisticados, la frontera entre insight y vigilancia se vuelve más delgada. Las organizaciones líderes están estableciendo principios de gobernanza explícitos:

1. Proporcionalidad: Los datos recogidos deben ser proporcionales al propósito declarado.

2. Transparencia: Los empleados deben saber qué datos se recogen, cómo se usan y qué decisiones informan.

3. Explicabilidad: Los modelos que informan decisiones individuales (promoción, compensación, desempeño) deben ser explicables, no solo precisos.

4. Equidad: Los modelos deben auditarse periódicamente para detectar sesgos por género, edad, etnia o condición socioeconómica.

Este marco no es solo una exigencia ética —es una exigencia regulatoria emergente. La OIT y varios marcos de regulación de IA en América Latina están convergiendo hacia requisitos de transparencia algorítmica en decisiones laborales.

El McKinsey HR Monitor 2026 identifica una brecha persistente entre la planificación operativa y la previsión estratégica, señalando que las organizaciones deben evolucionar hacia una planificación prospectiva basada en capacidades, o arriesgan subestimar la escala de la transformación de fuerza laboral que viene. Esa evolución requiere un nuevo tipo de liderazgo en RH: el Chief People Analytics Officer (CPAO) o equivalente funcional, que actúa como puente entre la función de personas y la dirección general, traduciendo datos de talento en argumentos de negocio.

Este perfil no reemplaza al CHRO —lo potencia. Mientras el CHRO opera en el plano de la estrategia de personas y la cultura, el CPAO opera en el plano de la evidencia: ¿qué dice el dato sobre el estado actual de la fuerza laboral? ¿Qué modelos predictivos informan las decisiones de inversión en talento? ¿Cómo se mide el ROI de los programas de desarrollo?

El argumento más poderoso para invertir en people analytics no es técnico —es financiero. Deloitte (2025) documenta que las organizaciones que aumentan la capacidad de sus trabajadores para crecer personalmente, usar su imaginación y pensar en profundidad son 1.8 veces más propensas a reportar mejores resultados financieros y 1.6 veces más propensas a ofrecer trabajo significativo. People analytics es el mecanismo que permite identificar, medir y replicar las condiciones que generan ese tipo de desempeño.

En términos prácticos, las organizaciones con capacidades avanzadas de people analytics reportan consistentemente:

• Reducción del tiempo de cobertura de vacantes críticas en 20%-40%.
• Disminución de la rotación no deseada en 10%-25% tras implementar modelos predictivos.
• Mejora en la calidad de contratación (medida por desempeño a 12 meses) de hasta 30% al incorporar analítica en selección.
• Mayor precisión en el forecast de costos de fuerza laboral, reduciendo desviaciones presupuestarias en planificación de personas.

Antes de invertir en herramientas o contratar especialistas, responda estas diez preguntas:

1. ¿Tenemos una fuente única de verdad para datos de personas (HRIS consolidado)?

2. ¿Podemos calcular nuestra tasa de rotación voluntaria en menos de 24 horas?

3. ¿Nuestras métricas de RH están vinculadas a KPIs de negocio en un modelo causal explícito?

4. ¿Tenemos definida una política de privacidad y uso ético de datos de empleados?

5. ¿El CHRO reporta insights de talento en el comité de dirección con la misma frecuencia que el CFO reporta resultados financieros?

6. ¿Contamos con al menos una persona con competencias en estadística aplicada dentro de RH?

7. ¿Nuestros managers toman decisiones de selección y desarrollo con apoyo de datos estructurados?

8. ¿Medimos el impacto de nuestros programas de desarrollo con metodología de evaluación rigurosa?

9. ¿Tenemos un proceso de workforce planning que contemple escenarios a más de 12 meses?

10. ¿La dirección general demanda evidencia analítica para aprobar inversiones en talento?

Si respondió 'no' a más de seis preguntas, su organización está en stage_0 o stage_1. El paso siguiente no es comprar un software de analítica —es construir los fundamentos.

En un entorno donde —según McKinsey State of Organizations 2026— las fuerzas de la IA, la incertidumbre económica y la fragmentación geopolítica están redefiniendo cómo los líderes crean valor, las organizaciones que toman decisiones sobre personas con evidencia tienen una ventaja estructural sobre las que siguen operando por intuición.

El dato del Observatorio LBS 2026 (n=53.593) sobre el estado de madurez en LATAM no es una condena —es una oportunidad. Las organizaciones que comiencen hoy a construir capacidades de people analytics —con la secuencia correcta, la gobernanza adecuada y el foco en las preguntas que importan al negocio— estarán varias etapas adelante cuando el mercado exija esa capacidad como estándar.

La pregunta ya no es si people analytics vale la pena. La pregunta es qué tan caro sale seguir tomando decisiones sobre el activo más crítico de la organización sin datos.

¿Quiere desarrollar capacidades de people analytics en su organización? Conozca nuestro programa especializado y dé el primer paso con evidencia.

Explorar el Programa de People Analytics y Gestión Basada en Datos →

Lecturas relacionadas en el Knowledge Hub

• Workforce Planning basado en datos: guía para LATAM
• Métricas de cultura organizacional: más allá del engagement
• Volver al hub de People Analytics