RRHH & IArrhh
People Analytics: qué es, métricas clave y cómo empezar
Qué es people analytics, 6 métricas que pide un comité de dirección, cómo pasar de Excel a Power BI y cómo usar IA sin sesgos en España. Guía 2026 para RRHH.
- Autor: humAIns
- 10 min de lectura
índice · 8 apartados
People analytics es la práctica de responder preguntas sobre personas con datos en lugar de con intuición: cuánto nos cuesta que se vaya alguien, por qué un equipo concreto pierde gente, cuánto tarda una vacante en cubrirse y qué palanca lo acorta. No es un panel bonito ni un departamento nuevo: es una forma de trabajar en la que cada informe tiene una decisión detrás.
La pregunta que trae hasta aquí a la mayoría de responsables de RRHH es más simple: han leído el término en una oferta de empleo y quieren saber si es un puesto técnico, si puede hacerlo su equipo actual y qué hace falta para empezar el lunes. Aquí van las tres respuestas, con la parte incómoda incluida: dónde la IA ayuda y dónde reproduce sesgos.
Respuesta rápida: qué es people analytics en tres frases
People analytics es el uso sistemático de datos de la plantilla para decidir sobre personas. Convierte datos dispersos —HRIS, nómina, ATS, encuestas de clima— en un número que alguien usa para tomar una decisión concreta, y se distingue de un informe tradicional en que está diseñado para cambiar algo, no para archivarlo. La definición operativa: el conjunto de preguntas sobre personas que tu empresa puede responder hoy con los datos que ya tiene, más el plan para responder las que todavía no puede.
Qué preguntas responde (y cuáles no)
Un equipo bien planteado responde: ¿qué equipos tienen rotación por encima de lo explicable por su sector y banda salarial? ¿Qué perfiles tardan más en cubrirse y por qué? ¿La formación interna acaba en promociones o en renuncias? ¿Cuánto cuesta subir la banda de un colectivo frente a reemplazarlo?
Y hay tres cosas que no responde. Por qué se fue una persona concreta: los datos agregados describen patrones, no biografías; para eso sigue estando la entrevista de salida. Qué hará una persona: cualquier modelo que puntúe a alguien es una predicción con margen de error, y en decisiones de empleo el error tiene consecuencias legales. Cultura: se miden correlatos, no cultura.
La diferencia no es de dificultad técnica, es de tipo de decisión: «¿por qué la rotación del equipo de soporte es del 28 % cuando la media es del 12 %?» admite una respuesta con intervalos y una acción de gestión; «¿se va a ir Marta?» pide una etiqueta sobre una persona, y ahí es donde los proyectos se tuercen.
Las 6 métricas que pide un comité de dirección
Si tu comité solo va a mirar seis números, que sean estos. Están ordenados por facilidad de obtención: las tres primeras se calculan con lo que ya tienes, las tres siguientes requieren cruzar fuentes.
| Métrica | Cómo se calcula | Fuente de datos | Qué decide |
|---|---|---|---|
| Rotación voluntaria | Bajas voluntarias del periodo ÷ plantilla media del periodo | HRIS + motivo de baja | Política retributiva, planes de retención por equipo |
| Coste de rotación | Coste de reemplazo (reclutamiento, onboarding, curva de aprendizaje) × bajas del periodo | Nómina, ATS, tiempo a productividad | Si compensa subir banda o invertir en desarrollo interno |
| Absentismo | Días de ausencia no planificada ÷ días teóricos de trabajo | HRIS + módulo de tiempo | Carga de trabajo, salud organizacional, cobertura de turnos |
| Tiempo a cobertura | Días desde la aprobación de la vacante hasta la firma | ATS | Dónde se atasca el proceso; si el problema es sourcing o selección |
| Compromiso (eNPS) | Promotores menos detractores sobre el total de respuestas | Encuesta de clima | Prioridades de gestión por área; comparación entre equipos |
| Promoción interna | Promociones internas ÷ vacantes cubiertas | HRIS + ATS | Si el plan de carrera funciona o si compras talento fuera por defecto |
Dos avisos. Cada métrica necesita una definición escrita: "rotación" puede ser bajas voluntarias sobre plantilla media, sobre plantilla inicial o con fin de contrato incluido, y tres definiciones dan tres cifras del mismo mes. Es la causa número uno de discusiones de una hora entre departamentos. Y una métrica sin segmentación miente: un 12 % agregado puede esconder un 35 % en un equipo de diez personas.
De Excel a Power BI: el camino mínimo en cuatro pasos
La herramienta no es el proyecto. El orden que funciona sin perfil técnico es este:
1. Un fichero, una pregunta. Empieza con un Excel donde cada fila sea una persona o un evento (una baja, una vacante). Nada de macros: exportaciones limpias y una hoja de definiciones al lado.
2. Un diccionario de datos de una página. Nombre de campo, qué significa, de qué sistema sale y quién es el dueño. Suena administrativo y es lo que salva el proyecto cuando alguien pregunta "¿de dónde sale este número?".
3. Una tabla de hechos y tres dimensiones. La mayoría de cuadros de mando de personas se monta con una tabla de eventos de empleo (altas, bajas, cambios de puesto, ausencias) y tres dimensiones: persona, organización y tiempo. Es el modelo que Power BI, Tableau o Looker esperan; si tu Excel ya tiene esa forma, la migración se hace en una tarde.
4. Publícalo mensual, con los números malos incluidos. Un panel que solo se enseña cuando mejora deja de usarse en tres meses.
Ocho semanas para el primero es realista si los datos existen. Lo que retrasa estos proyectos casi nunca es la herramienta: es ponerse de acuerdo en la definición y encontrar al dueño del dato en nómina.
IA en personas: dónde ayuda y dónde crea sesgo
Conviene separar dos cosas que se venden juntas. IA generativa redacta y resume —descripciones de puesto, resúmenes de entrevistas, explicaciones de una métrica— y no decide nada sobre nadie. Machine learning puntúa y prioriza: riesgo de rotación, adecuación de una candidatura. Eso sí decide, y tiene un régimen legal distinto.
La afirmación de que "la IA elimina los sesgos del reclutamiento" es falsa. Un modelo aprende del histórico: si durante diez años se promocionó a un perfil concreto, aprende ese patrón y lo aplica a escala, con la ventaja de que ahora parece objetivo porque sale de un algoritmo. Los sesgos de los sistemas de selección vienen de variables proxy —código postal, nombre, hueco en el CV, tipo de universidad— que correlacionan con características protegidas.
Lo que sí funciona es un control de daños explícito: revisar qué variables entran, medir la tasa de selección por grupo, comprobar cuántas candidaturas se descartan sin lectura humana y asegurar que quien revisa puede apartarse de la puntuación. El estándar de la AEPD y el RGPD ya exige buena parte: base jurídica, minimización, información a las personas afectadas y derecho a no ser objeto de una decisión basada únicamente en un tratamiento automatizado.
El Reglamento (UE) 2024/1689 (AI Act) clasifica los usos de empleo del anexo III —selección, promoción, extinción, evaluación del rendimiento— como alto riesgo; tras el Reglamento (UE) 2026/1744, sus obligaciones se aplican desde el 2 de diciembre de 2027. Lo ya vigente no es opcional: alfabetización en IA (artículo 4), información a la plantilla y a su representación antes del despliegue (artículo 26) y derecho a explicación en una decisión adversa (artículo 86).
Si tu equipo ya está aplicando modelos sobre datos de personas —o lo va a hacer—, el detalle técnico y legal está en machine learning en RRHH, y el lado de selección, en IA para recruiters.
El rol de People Analytics Lead: tareas, perfil y qué se paga
El puesto aparece cada vez más en empresas de entre 200 y 2.000 empleados, y su contenido varía más que el título. Un People Analytics Lead define el catálogo de métricas con negocio, construye y mantiene el cuadro de mando, hace los análisis ad hoc que pide dirección —"¿por qué se va la gente de logística?"— y gobierna el dato: calidad, permisos, cumplimiento.
No se contrata un data scientist puro. Pesa más la combinación de criterio de negocio sobre personas, soltura con Excel avanzado y una herramienta de BI, y capacidad de explicar un número a quien no es técnico. SQL básico se da por supuesto; Python, no siempre.
Sobre la retribución: no hay datos públicos consolidados de la banda de People Analytics Lead en España. Las guías salariales de 2026 no publican esa fila. Como referencia indirecta, el Estudio de Remuneración 2026 de Michael Page (consultado el 8 de noviembre de 2026) sitúa a un Data Analyst en 30.000-45.000 € con 1-3 años, 45.000-65.000 € con 4-7 años y 65.000-85.000 € con 8 o más. Un rol con responsabilidad de equipo y reporte a dirección se negocia por encima de esa mediana, pero la cifra concreta depende de sector, tamaño y ciudad. Puedes ver el resto de bandas por rol y comunidad en salarios de IA en España.
Plan de 90 días para montar el primer cuadro de mando
Un plan que se sostiene en empresas de 100 a 1.000 empleados, con un HRIS y Excel como punto de partida.
Días 1-30 · Definir. Elige tres métricas, no veinte, y escribe la definición de cada una con el dueño de la fuente delante. Revisa en qué estado está la calidad: registros sin motivo de baja, fechas de alta vacías. Termina el mes con un documento de definiciones firmado, aunque no haya ni una visualización.
Días 31-60 · Construir. Monta el modelo y el primer panel con las tres métricas, segmentadas por equipo y antigüedad. Valida cada número contra una fuente independiente antes de enseñarlo. Este paso se salta casi siempre y es la razón por la que un panel pierde credibilidad en la segunda reunión.
Días 61-90 · Usar. Presenta el panel con una decisión asociada: revisar la banda de un colectivo con rotación alta o cambiar el proceso de una vacante que tarda el doble que la media. Si a los 90 días no ha cambiado nada, no tienes un problema de datos: tienes un problema de patrocinio.
Días 91 en adelante. Una métrica nueva por trimestre, no cinco, y cada sesgo detectado documentado con su corrección: ese registro es lo que te permitirá justificar el sistema si mañana alguien lo audita.
La formación del equipo suele ir más lenta que el panel: pasar de usar Excel como almacén a usarlo como fuente de decisión requiere método, no un curso de dos horas. Está planteado en formar a tu equipo de RRHH en IA.
Cómo empezar esta semana
Si no sabes si el puesto es para ti: probablemente sí, y no como data scientist. La primera tarea no es un modelo, es una definición. Elige la métrica que hoy discutís en cada reunión sin poneros de acuerdo —casi siempre rotación o tiempo a cobertura— y escríbela en una página. Eso ya es people analytics.
El test gratuito de ¿cuánto te queda? te dice en cinco minutos en qué punto estás; y si quieres hacerlo con método y datos reales de tu empresa, el curso de IA para RRHH cubre people analytics con herramienta de visualización en 8 semanas, sin exigir que programes.
Sigue leyendo en humAIns