Las entrevistas de retiro guardan información valiosa sobre tu organización, pero analizarlas a fondo requiere combinar datos cuantitativos con técnicas avanzadas de people analytics. Aquí te comparto un caso real donde aplicamos inteligencia artificial para extraer hallazgos que el análisis tradicional no detectaba, útil para equipos de recursos humanos que quieren tomar decisiones basadas en datos.

¿Por qué las entrevistas de retiro son clave en people analytics?

En recursos humanos, las entrevistas de salida son uno de los insumos más ricos para entender qué está pasando dentro de la organización. Te permiten identificar áreas de oportunidad, fortalezas, ajustes en la marca empleadora y decisiones sobre beneficios.

El problema aparece cuando intentas analizar la parte cualitativa. Las preguntas abiertas generan un volumen de texto difícil de procesar, sobre todo si lo comparas con las variables cuantitativas que sí puedes medir con una escala Likert, una herramienta muy usada en ciencias sociales para cuantificar percepciones.

¿Qué es una escala Likert? Es una escala de medición que permite calificar percepciones o actitudes en niveles, por ejemplo del 1 al 5. Se usa para convertir opiniones subjetivas en datos cuantitativos comparables.

¿Cómo estructurar un proyecto de análisis de entrevistas de salida?

El reto inicial fue que cada área y geografía manejaba formatos distintos, lo que impedía un análisis homologado. Por eso el proyecto se organizó en cuatro fases.

Limpieza y estandarización de datos

El primer paso fue unificar los formatos. Sin un estándar común, no puedes comparar áreas ni regiones. La limpieza de datos consiste en organizar la información para que todas las variables se midan igual y puedas extraer hallazgos consistentes.

Análisis exploratorio cuantitativo

Con los datos ya ordenados, hicimos un análisis exploratorio sobre las variables medidas en escala Likert. Aquí identificamos cuáles eran las variables con mejores resultados y cuáles representaban la mayor oportunidad de mejora.

Este tipo de análisis es el punto de partida más común y lo puedes hacer incluso en Excel, dependiendo del volumen de datos.

Procesamiento de lenguaje natural sobre comentarios abiertos

Para aprovechar la riqueza de los comentarios abiertos, aplicamos procesamiento de lenguaje natural (NLP), una técnica de inteligencia artificial que permite analizar texto a gran escala. El software utilizado fue R, un lenguaje estadístico potente para este tipo de tareas.

¿Qué es procesamiento de lenguaje natural? Es una rama de la inteligencia artificial que permite a una máquina entender, clasificar y extraer significado de texto escrito por humanos. En people analytics se usa para analizar comentarios abiertos sin tener que leerlos uno por uno.

El hallazgo fue revelador: aparecieron palabras mencionadas con alta frecuencia que señalaban oportunidades de mejora distintas a las que mostraba el análisis cuantitativo. Es decir, la información cualitativa contenía señales que las preguntas cerradas no estaban capturando.

¿Qué aporta el análisis de sentimiento en recursos humanos?

La cuarta fase fue un análisis de sentimiento, una técnica muy usada en mercadeo y servicio al cliente que cuantifica la carga emocional de los comentarios. Funciona comparando cada palabra con una lista de referencia que asigna puntuaciones positivas o negativas.

Por ejemplo, la palabra terrible tiene una connotación muy negativa y recibe una puntuación baja. La palabra malo también es negativa, pero menos intensa, así que su puntuación es diferente. Al sumar todas las puntuaciones obtienes un valor global por área o geografía.

¿Cómo se visualiza un análisis de sentimiento? Con un histograma que muestra qué puntuaciones aparecen con más frecuencia. Al cruzarlo con áreas o regiones, identificas dónde la percepción es más positiva, más negativa o tiende a la neutralidad.

La hipótesis inicial era que las personas que abandonan la organización dejarían comentarios mayoritariamente negativos. El resultado nos sorprendió: las puntuaciones fueron más favorables de lo esperado, lo que cambió la lectura interna sobre el clima de salida.

¿Qué nivel de análisis necesitas tú?

No todos los proyectos requieren inteligencia artificial. La elección depende de tres factores principales:

• La madurez de tus procesos de recursos humanos.
• Los recursos tecnológicos disponibles, desde Excel hasta software estadístico como R.
• El equipo de trabajo y las habilidades analíticas con las que cuentas.

Lo importante es que enriquezcas tus análisis cuantitativos con información cualitativa. Ahí es donde aparecen los hallazgos que sustentan decisiones más estratégicas frente al negocio.

¿Has aplicado alguna de estas técnicas en tu equipo de recursos humanos? Cuéntame en los comentarios cuál te gustaría implementar primero.