People Analytics en Latinoamérica 2026: cómo pasar de reportar headcount a predecir y prevenir la fuga de talento (sin un equipo de data science)

En la mayoría de las áreas de Recursos Humanos de Latinoamérica, «people analytics» todavía significa exportar un reporte de headcount a Excel el último día del mes. Se cuenta cuánta gente entró, cuánta salió y se pinta de rojo la celda de rotación. El problema es que para cuando ese número llega al comité, el talento que se fue ya firmó en otra empresa. Reportar el pasado no es analítica: es contabilidad de personas. Este artículo propone una ruta realista para que un equipo de RRHH en la región pase de describir lo que ya pasó a anticipar y prevenir la fuga de talento, sin contratar un equipo de data science ni comprar una plataforma de seis cifras.

Por qué la mayoría de los proyectos de people analytics en LATAM se estancan

He visto el mismo patrón repetirse en empresas chilenas, mexicanas y colombianas: se lanza una iniciativa de analítica con mucha energía, se compra un dashboard, y a los seis meses nadie lo abre. Las causas casi nunca son técnicas. Son tres, y conviene nombrarlas antes de hablar de métricas.

1. Se empieza por la herramienta, no por la pregunta

El error fundacional es comprar un software de visualización antes de definir qué decisión va a cambiar con el dato. Un dashboard que muestra veinte indicadores no responde ninguna pregunta de negocio; solo traslada la carga de interpretar a un gerente que no tiene tiempo. La analítica útil empieza por una pregunta accionable: «¿qué equipos van a perder a su mejor gente en los próximos seis meses y por qué?». Si el dato no cambia una conversación o un presupuesto, es decoración.

2. Los datos están sucios y nadie es dueño de ellos

En la región es habitual que la fecha de ingreso viva en el sistema de nómina, el desempeño en una planilla del jefe, y el motivo de salida en la memoria de la analista de RRHH. Sin una fuente única y limpia, cualquier modelo predictivo hereda el caos. Antes de pensar en algoritmos, hay que ganar la batalla aburrida de la gobernanza del dato: una sola tabla, con definiciones acordadas de qué cuenta como «rotación voluntaria» y qué no.

3. Se confunde correlación con causa y se toman malas decisiones

El riesgo más caro de la analítica mal hecha no es no usar el dato: es usarlo mal. Si el modelo dice que la gente que vive lejos de la oficina renuncia más, la conclusión apresurada es «no contratemos gente que viva lejos». Eso es discriminatorio y probablemente ilegal. La distancia puede ser un síntoma de un problema de flexibilidad, no la causa. La analítica responsable separa lo que predice de lo que explica.

El modelo de madurez de la analítica de personas

Conviene situar a tu organización en una escalera de cuatro peldaños, porque saltarse uno garantiza el fracaso del siguiente.

Descriptiva responde «¿qué pasó?»: rotación del trimestre, ausentismo, distribución salarial. Es la base y la mayoría de las empresas de LATAM viven aquí. Diagnóstica responde «¿por qué pasó?»: cruza la rotación con antigüedad, desempeño, salario relativo al mercado y manager. Predictiva responde «¿qué va a pasar?»: estima la probabilidad de que una persona renuncie en los próximos meses. Prescriptiva responde «¿qué hago al respecto?»: recomienda una acción concreta y mide si funcionó.

El error clásico es querer comprar predicción cuando ni siquiera se tiene una definición confiable de rotación voluntaria. Domina la analítica descriptiva y diagnóstica primero; ahí está el 80% del valor y no necesitas más que una hoja de cálculo bien diseñada.

Las métricas que de verdad mueven la aguja

No se trata de medir todo, sino de medir lo que conecta con una decisión. Estas son las que recomiendo priorizar en un contexto latinoamericano.

La rotación lamentada (regretted attrition) es la métrica reina y casi nadie la separa: no es lo mismo que renuncie alguien de bajo desempeño que perder a tu mejor ingeniera. Mide solo la salida del talento que querías retener; un 8% de rotación total puede esconder un 25% de rotación lamentada en los equipos críticos.

El costo de la rotación traduce el problema al idioma del CFO. Reemplazar a un profesional cuesta entre seis meses y un año y medio de su salario sumando reclutamiento, curva de aprendizaje y productividad perdida. Cuando RRHH lleva ese número al comité, la conversación deja de ser «¿cuánto cuesta el programa de retención?» y pasa a ser «¿cuánto nos cuesta no hacerlo?».

La tasa de movilidad interna mide qué porcentaje de las vacantes se llenó con talento de adentro. En LATAM, donde el techo de crecimiento percibido es una de las primeras causas de renuncia, una movilidad interna baja es una alarma temprana. El time-to-productivity, por su parte, conecta directamente con la calidad de tu proceso de onboarding: si tarda demasiado, tu costo de rotación se dispara aunque la gente no se vaya.

Cómo construir un modelo predictivo de fuga sin un científico de datos

La buena noticia es que el 90% del valor predictivo se logra con variables que ya tienes y con herramientas que ya pagas. No necesitas redes neuronales; necesitas disciplina.

Las señales que más predicen una renuncia

Los predictores más potentes y robustos en la región suelen ser cuatro: el tiempo en el mismo cargo sin promoción ni cambio de scope (el aburrimiento es subestimado), el salario rezagado frente a la banda de mercado, una caída en el compromiso medida por encuestas de pulso, y el cambio reciente de jefe directo. La gente no renuncia a las empresas; renuncia a la combinación de un techo de crecimiento y un mal manager. Esto enlaza con un punto que desarrollé antes: la capa de mandos medios es donde se gana o se pierde la retención.

De la predicción a la acción

Un puntaje de riesgo de fuga es inútil si se queda en el dashboard. El valor aparece cuando dispara una conversación de carrera, un ajuste de banda salarial o un plan de desarrollo antes de que la persona actualice su LinkedIn. Por eso conviene integrar el modelo con los rituales que ya existen —la calibración de desempeño y la revisión de compensaciones— en lugar de crear un proceso paralelo que compite por la atención de los gerentes.

Ética y privacidad: la línea que no se cruza en LATAM

La analítica de personas opera sobre datos sensibles y en una región con marcos regulatorios cada vez más exigentes —la LGPD brasileña, la Ley 1581 colombiana, la actualización de la ley chilena de datos personales—. Tres principios no negociables: transparencia (la gente debe saber qué se mide y para qué), agregación (los análisis de clima se reportan por grupos, nunca señalando a un individuo) y propósito legítimo (el dato se usa para retener y desarrollar, jamás para penalizar). Un modelo de fuga que se convierte en una lista negra destruye la confianza que la analítica pretendía proteger, y con ella cualquier dato futuro será ruido defensivo.

Por dónde empezar el lunes

Si tu área vive en el peldaño descriptivo, no intentes saltar a la predicción. Elige una pregunta de negocio con dueño —por ejemplo, «¿por qué se nos va el talento de ventas en el primer año?»—, consolida los datos de esos casos en una sola tabla limpia, y haz el análisis diagnóstico a mano. Ese primer hallazgo, presentado con el costo de rotación en pesos o dólares, te dará la credibilidad y el presupuesto para el siguiente paso. La analítica de personas no se gana con tecnología; se gana con una pregunta bien elegida y la disciplina de actuar sobre la respuesta. Y todo esto encaja en una conversación más amplia de planeación estratégica de la fuerza laboral: medir bien hoy es la condición para proyectar las brechas de talento de mañana.