Antes de entrar al caso, la escena que todos hemos vivido en alguna reunión de dirección:
Cualquier momento donde alguien actúa con total confianza sin tener los datos para respaldarla
Así se ve gestionar talento sin People Analytics. El caso de hoy muestra qué pasa cuando cambias esa imagen por una pregunta con datos detrás.
🔺 Esto sí importa hoy
Hay una conversación que ocurre demasiado tarde en casi todas las organizaciones: la de la rotación. El colaborador ya tomó la decisión. La carta de renuncia ya está redactada. Y el equipo de RH empieza la autopsia: ¿qué señales hubo? ¿Qué pudimos haber hecho diferente? ¿Por qué no lo vimos venir?
La respuesta casi siempre es la misma: las señales estaban ahí. Solo que nadie las estaba mirando de forma sistemática, cruzándolas entre sí, y conectándolas con los patrones que históricamente preceden una renuncia.
People Analytics predictivo no es brujería estadística. Es exactamente eso: mirar los datos que ya tienes — desempeño, ausentismo, antigüedad, resultados de clima, tiempo sin promoción, tamaño del equipo — y preguntarles cuáles combinaciones han precedido salidas anteriores. Una vez que tienes esa respuesta, puedes actuar antes.
Hoy te mostramos cómo lo hizo un equipo de RH que decidió cambiar el momento de la conversación — de la autopsia a la prevención.
🔍 LO QUE VEMOS DESDE AIM TALENTED
En México y LATAM, el costo de reemplazar a un colaborador equivale en promedio entre el 50% y el 150% de su salario anual — dependiendo del nivel y especialización del perfil. Para una empresa de 200 personas con una rotación del 18% anual, eso representa millones de pesos en costos que casi nunca se calculan de forma explícita.
El problema no es que las organizaciones no sepan que la rotación es cara. Es que la tratan como un fenómeno inevitable, no como un patrón predecible. El caso de hoy cambia esa perspectiva desde adentro.
📊 Caso de la semana
MP
Gerente de RH — empresa de servicios financieros
~240 colaboradores · México · Rotación anual: 22% al inicio del proyecto
Caso tipo construido a partir de patrones documentados en proyectos de People Analytics predictivo en empresas medianas de México y LATAM entre 2023 y 2025. Los resultados son representativos y conservadores respecto a la evidencia disponible. Nombres ficticios.
Antes
La rotación se analizaba mensualmente en un reporte de métricas. El análisis era retrospectivo: cuántos salieron, de qué áreas, con cuánta antigüedad.
Las entrevistas de salida se hacían, pero los datos quedaban en documentos separados que nadie cruzaba con otras fuentes.
Las conversaciones de retención ocurrían cuando el colaborador ya había tomado la decisión. El margen de acción era mínimo.
No había forma de saber quién estaba en riesgo hasta que renunciaba. La rotación era una sorpresa constante.
Después
Cruzaron tres años de historial de rotación con seis variables disponibles: antigüedad, área, resultado de clima, tiempo sin promoción, cambio de manager y ausentismo reciente.
Identificaron que la combinación de "más de 18 meses sin movimiento + score de clima bajo + cambio de manager en los últimos 6 meses" precedía el 68% de las salidas voluntarias.
Con ese patrón, generaron un índice mensual de riesgo por colaborador. Los managers recibían alertas sobre perfiles en zona amarilla — antes de que tomaran la decisión.
A los 9 meses: rotación bajó del 22% al 15%. El 40% de los colaboradores identificados como "riesgo alto" se quedaron después de una intervención de su manager o RH.
Las 6 señales que cruzaron — datos que ya tenían
01 Antigüedad en el rol actual (sin movimiento lateral ni vertical)
02 Resultado de la última encuesta de clima o pulso
03 Cambio de manager directo en los últimos 6 meses
04 Días de ausentismo en los últimos 90 días
05 Calificación de desempeño en la última evaluación
06 Área o función con historial de rotación elevado
Aprendizaje principal: No necesitaban datos nuevos. Necesitaban hacerle una pregunta diferente a los datos que ya tenían. El modelo predictivo más simple — cruzar seis variables con el historial de salidas — fue suficiente para cambiar el momento de la intervención de RH.
🧭 MAPA DE ACCIÓN.
1 Identifica tus tres variables de mayor correlación con rotación
No empieces con seis variables. Empieza con las tres que más intuitivamente crees que están relacionadas con las salidas en tu organización. ¿Tiempo sin promoción? ¿Score de clima? ¿Cambio de manager? Esa hipótesis inicial es suficiente para un primer análisis. La evidencia te dirá si estabas en lo correcto o te sorprenderá con algo diferente — ambos resultados son valiosos.
2 Construye tu línea base: las últimas 20 salidas voluntarias
Toma las últimas 20 renuncias voluntarias de tu organización. Para cada persona, busca el valor de tus tres variables en los 6 meses previos a la renuncia. ¿Hay un patrón? ¿Qué combinación aparece con más frecuencia? Ese análisis — que puedes hacer en una tarde con Excel — es tu primer modelo predictivo. No necesitas nada más para empezar.
3 Aplica el patrón a tu plantilla actual
Una vez que tienes el patrón identificado, aplícalo a los colaboradores actuales. ¿Quiénes tienen esa combinación de variables hoy? Esa lista es tu grupo de intervención prioritaria para el próximo trimestre. No para vigilarlos — para tener con ellos conversaciones que de otra forma nunca habrían ocurrido a tiempo.
🤖 Prompt Sugerido:
Tengo los datos de las últimas [N] salidas voluntarias en mi empresa. Para cada persona, tengo información sobre: [lista tus variables disponibles] Ayúdame a: 1. Identificar qué combinación de variables apareció con mayor frecuencia en los 6 meses previos a la renuncia 2. Construir un índice simple de riesgo (alto/medio/bajo) basado en ese patrón 3. Redactar el protocolo de intervención para cada nivel de riesgo: ¿quién actúa, cuándo y con qué conversación? No quiero un modelo complejo. Quiero algo que mi equipo pueda actualizar mensualmente sin apoyo técnico.
🧠 PARA COMPARTIR
Las señales de rotación casi siempre estuvieron ahí. El problema fue que nadie les estaba haciendo la pregunta correcta."
🤫 Spoiler para mañana
Mañana viene el dato que lo convierte en argumento de negocio. Solo el 32% de las empresas en LATAM usa analytics para decisiones de talento — y las que sí lo hacen tienen 2.3 veces más probabilidad de superar a sus competidores financieramente.
El equipo de este caso no contrató a nadie nuevo. No implementó un sistema en 18 meses. No esperó a tener los datos perfectos.
Tomó los datos que ya tenía, les hizo una pregunta diferente, y cambió el momento de la conversación de retención — de la despedida a la prevención.
Ese cambio de momento es todo. Y está disponible para cualquier equipo de RH que decida mirar sus datos con otra intención.