Identificar y recolectar bien los datos es la base de cualquier proyecto de people analytics. Aquí aprenderás qué tipos de datos existen en recursos humanos, cómo clasificarlos y qué criterios seguir para recopilarlos con calidad, todo pensado para profesionales de RR.HH. que quieren tomar decisiones con evidencia.

¿Qué tipos de datos existen en people analytics?

La clasificación más común divide la información en cuantitativa y cualitativa, y entender esa naturaleza es lo que define qué análisis estadísticos puedes correr después, como correlaciones o regresiones [01:00].

Dentro de la clasificación básica encuentras tres grandes grupos:

• Datos numéricos, que pueden ser enteros o reales.
• Datos lógicos, del tipo sí o no frente a una condición.
• Datos cualitativos, como caracteres o cadenas de texto más largas.

¿Por qué importa la naturaleza del dato? Porque garantiza que uses las herramientas estadísticas correctas y que tus resultados tengan validez. Un análisis de correlación sobre datos mal clasificados pierde sentido.

Esta discusión no es nueva, sobre todo en ciencias sociales, pero desde tu rol en people analytics marca la diferencia en cómo socializas los hallazgos con el resto de la organización.

¿Qué datos de recursos humanos debes considerar?

Dentro de la información que recolecta RR.HH., hay categorías que aparecen una y otra vez en proyectos de analítica [01:45].

Datos demográficos, desempeño y compensación

Los datos demográficos incluyen edad, género, estado civil y suelen estar centralizados en los sistemas de nómina. Son la base para segmentar cualquier análisis.

Los datos de desempeño dependen de la metodología de tu organización. Pueden venir de KPIs, OKRs u otros marcos, y por eso mismo serán cuantitativos o cualitativos según el caso.

En compensación entran los salarios, bonificaciones, comisiones y el uso de beneficios. Es una de las áreas con datos más estructurados y confiables.

Compromiso, formación y rotación

El indicador de compromiso que ha cobrado fuerza recientemente es el Employee Net Promoter Score, que mide la satisfacción de las personas en una escala de uno a 10 [02:30]. También entran aquí los resultados de encuestas de clima.

En formación y desarrollo se miden el uso de programas, las horas de capacitación interna y externa, y el avance individual.

La rotación sigue siendo una de las preocupaciones centrales de RR.HH. Aquí encuentras tres métricas clave:

• El motivo de salida de cada persona.
• Los índices de rotación por área.
• El tiempo promedio que una persona permanece en la organización.

¿Qué es el Employee Net Promoter Score? Es un indicador que mide el nivel de satisfacción de los colaboradores en una escala de 1 a 10, adaptando la lógica del NPS de clientes al ámbito interno.

¿Cómo recopilar datos relevantes para tu proyecto?

La respuesta depende directamente de tu pregunta de investigación y de las hipótesis que te hagas sobre el fenómeno que quieres analizar [03:30]. Sin esa claridad, terminas recolectando información que no usarás.

Una vez tienes la pregunta, aparecen varias preguntas operativas que conviene resolver antes de avanzar:

• ¿A qué tipo de data tengo acceso y cuál necesito conseguir?
• ¿La información requiere alguna limpieza previa?
• ¿Es confiable la fuente?
• Si está en otra área, ¿necesito autorización formal para usarla?

Muchas veces los resultados que buscas no dependen solo de RR.HH. Tendrás que involucrar finanzas, operaciones u otras áreas que sostienen información complementaria.

¿Cómo sé si mi data está lista para analizar? Revisa cuatro cosas: tipo de dato, fuente, confiabilidad y necesidad de limpieza. Si alguna falla, ajusta antes de pasar al análisis.

En los recursos encontrarás una matriz para validar el nivel de madurez de tu data según esos criterios, lo que te ayudará a profundizar análisis posteriores con mayor pertinencia.

¿Qué recomendaciones siguen los proyectos exitosos?

De la experiencia recogiendo datos para people analytics, hay tres principios que se repiten en los proyectos que funcionan [05:15]:

1. Información centralizada, para evitar buscar fuentes dispersas cada vez que necesitas analizar algo.
2. Fácilmente digitalizable, porque cuando los datos viven en lápiz y papel, las fases posteriores se vuelven un cuello de botella.
3. El poder de lo simple, ya que entre más sencilla sea la forma de recolección, mayor es la probabilidad de éxito en el análisis.

La pregunta de investigación manda. Datos hay muchos, pero solo unos cuantos responden lo que tu organización realmente necesita resolver. ¿Qué tipo de datos estás recolectando hoy en tu equipo y cuáles te gustaría empezar a medir?