Los datos transforman la gestión de personas en una disciplina estratégica. Con people analytics puedes detectar patrones, reducir sesgos y construir reportes de performance listos para junta directiva, incluso sin ser experto en estadística. Esta guía te muestra cómo hacerlo con Claude Code y prompts listos para usar.

¿Qué es people analytics y por qué importa en RRHH?

Hablamos del uso de datos históricos del equipo para tomar decisiones más finas: detectar top performers, identificar quién necesita capacitación y diseñar estrategias de retención con respaldo numérico.

El dato duro: el 69% de las empresas líderes ya usa people analytics porque mejora la retención y permite accionar sobre quienes rinden menos. Herramientas como Culture Amp o Lattice centralizan esta información para convertirla en estrategia.

¿Qué es people analytics? Es la práctica de analizar datos del equipo (desempeño, horarios, KPIs) para tomar decisiones de RRHH basadas en evidencia y no en intuición.

¿Cómo detectar burnout y patrones de productividad?

Los patrones de productividad revelan información incómoda pero útil. Te ayudan a identificar ciclos de burnout, personas quemadas que necesitan descanso o reducción de carga, y quienes requieren más mentoring para alcanzar metas.

También muestran los horarios de mejor performance. Microsoft descubrió que su gente rendía más entre 9:00 y 12:00, así que cambió su estrategia de juntas y horarios. Ese tipo de ajuste solo nace cuando tienes datos en la mano.

¿Cómo reducen los datos los sesgos en decisiones de RRHH?

Las decisiones humanas están llenas de atajos mentales. Los datos ayudan a neutralizar tres muy comunes:

• Efecto halo: condonar errores de personas que te caen bien.
• Sesgo de confirmación: decidir antes de mirar la data.
• Favoritismo por afinidad: preferir a alguien por universidad, género o background compartido.

Cuando el número manda, esos filtros pierden fuerza y las decisiones se vuelven más justas.

¿Cómo armar un análisis de performance con Claude Code paso a paso?

Aquí entra la parte práctica. La herramienta usada fue Claude Code, con un costo de 200 USD al mes [03:30]. Si tu compañía no tiene presupuesto para algo más caro, es una opción razonable para empezar.

El flujo se construye en tres prompts encadenados, cada uno alimentando al siguiente.

¿Cómo generar la base de datos inicial?

El primer prompt pide registros dummies para no exponer información real de la compañía. Si vas a usar datos propios, esta es la estructura que debe contener tu base:

• Employee ID.
• Nombre de la persona.
• Departamento y puesto.
• KPIs históricos.
• Posición específica.
• Rango de fechas a analizar.

También se incluye una descripción de KPIs y se especifica el formato de salida como database. Piensa en esto como pedirle a Claude que te envuelva el regalo de una forma específica para que la IA no se equivoque al generar el código después.

¿Por qué pedir el output como database? Porque estandariza la estructura y evita errores cuando la IA procese el archivo en el siguiente paso del análisis.

¿Cómo generar el reporte HTML con insights?

El segundo prompt toma el archivo anterior y pide un análisis de performance usando pruebas de hipótesis, extracción de insights principales y entrega final en HTML, es decir, una página web con gráficos y explicaciones del porqué de cada hallazgo.

El resultado incluye:

• Total de empleados y departamentos.
• Periodo analizado y KPIs evaluados.
• Resumen ejecutivo con metodología.
• Hallazgos con gráficas.
• Correlaciones estadísticas.
• Distribución temporal de performance.

Si alguna parte estadística no te queda clara, puedes pedirle a la IA que te explique paso a paso. La idea es que tú entiendas lo suficiente para defender el análisis frente a tu equipo directivo.

¿Cómo escalar el dataset y comparar performance entre equipos?

El tercer prompt parte de los resultados anteriores ya cargados en el chat y pide una comparación con analítica de datos: quién tiene mejor performance, posibles razones y un incremento de 50 ejemplos adicionales para llegar a un total de 100 empleados.

Lo que devuelve es oro para una junta:

• Top 10 performers identificados.
• Comparaciones por departamento sin sesgos de confirmación.
• Insights clave como "Backend lidera consistencia".
• Análisis por nivel de senioridad y progresión.
• Hallazgos no solicitados, como la paradoja del top performer, el junior superando al peor senior y la alta variabilidad en roles de gestión.
• Recomendaciones basadas en datos.

Ese último bloque es interesante porque la IA aporta valor que ni siquiera estaba en el prompt. Ahí está la diferencia entre un reporte plano y un análisis que mueve la conversación.

¿Qué hacer con estos prompts una vez los tengas?

Los tres prompts están listos en tu caja de recursos. La invitación es probarlos con datos dummies primero, ajustarlos a la realidad de tu organización y después llevarlos a una conversación real con liderazgo.

Déjame saber en la caja de comentarios cómo te fue y comparte un screenshot de tus resultados para verlos en acción.