Resumen ejecutivo

• Un People Analytics specialist convierte datos de talento (atracción, retención, performance, clima) en decisiones de negocio, no solo en tableros bonitos para RRHH.

• El día a día mezcla SQL, Excel y BI con métricas de headcount y storytelling frente a líderes de área; el stack típico va de planillas a warehouses y herramientas de HRIS.

• Podés entrar desde RRHH (sumando data) o desde data analytics (sumando negocio de talento); ambos puentes son válidos si cerrás el gap con proyectos.

• El rol crece porque las empresas necesitan orquestar capacidad y skills con datos casi en tiempo real, no solo con intuición de managers.

People Analytics dejó de ser “el Excel de RRHH”. El ángulo de esta guía de rol es concreto: qué hace un specialist día a día, qué datos mira, qué stack usa y cómo entrar desde RRHH o desde data. ¿Por qué ahora? Porque las organizaciones están bajo presión para adaptarse más rápido: el Global Human Capital Trends de Deloitte pone el foco en orquestar personas, skills y tecnología con velocidad, y en usar insights de workforce para decidir —no solo reportar headcount a fin de mes. En paralelo, frameworks de la industria (por ejemplo enfoques de People Analytics for HR — HCI) consolidan el oficio como disciplina híbrida entre datos y capital humano. Si venís del mundo data, arrancá también por qué es y qué hace un data analyst.

Qué hace un People Analytics specialist

En una frase: traduce datos de personas en recomendaciones accionables para el negocio. No se limita a “armar el dashboard de rotación”. Trabaja con preguntas como:

• ¿Dónde se nos traba el funnel de selección y por qué?

• ¿Qué equipos tienen riesgo de fuga de talento clave?

• ¿El programa de onboarding correlaciona con performance a los 90 días?

• ¿Estamos pagando de más o de menos versus mercado en roles críticos?

• ¿Qué skills faltan para el roadmap de producto del próximo trimestre?

El specialist suele partnerar con Business Partners de RRHH, Finance, líderes de área y a veces con data engineering. El entregable no es solo un gráfico: es un insight más una opción de decisión (“si no intervenimos en el equipo X, el costo esperado de reemplazo es Y”).

Qué datos mira (mapa por ciclo de talento)

Atracción y selección

• Time-to-fill, time-to-hire, source of hire, offer acceptance rate.

• Calidad de hire (performance temprana, retención a 6–12 meses).

• Diversidad de funnel por etapa (con cuidado ético y legal).

Onboarding y performance

• Completion de onboarding, eNPS temprano, tiempo hasta productividad.

• Distribuciones de performance, sesgos de rating, calibraciones.

• Correlación capacitación → indicadores de negocio (siempre con causalidad cautelosa).

Retención y engagement

• Voluntary e involuntary turnover, regrettable attrition.

• Modelos de flight risk (predictivos) con gobernanza: transparencia y no discriminación.

• Resultados de encuestas de clima y pulsos, analizados por cohorte.

Organización y workforce planning

• Headcount, spans and layers, costos de personal.

• Skills inventory versus demanda futura (gap analysis).

• Escenarios de capacidad (“¿alcanza el equipo si lanzamos el producto este trimestre?”).

Stack típico

• Fundamentos: Excel avanzado, SQL, estadística básica (correlación no es causalidad).

• BI: Power BI, Tableau o Looker para tableros de People.

• HRIS / ATS: Workday, BambooHR, Greenhouse, Lever, SAP SuccessFactors (según empresa).

• Lenguajes (según seniority): Python o R para análisis más pesados; no siempre son obligatorios en roles de entrada.

• Colaboración: Notion o Confluence para documentar definiciones de métricas. El diccionario de datos de People es oro.

La skill diferenciadora rara vez es “saber más librerías”: es negociar definiciones (“¿qué cuenta como renuncia lamentable?”) y contar la historia sin jerga para un director que tiene diez minutos.

Día a día (semana tipo)

1. Lunes: refresh de tableros críticos y anomalías (pico de bajas, caída de offers).

2. Martes–miércoles: deep dive pedido por un BP (“¿por qué se estanca el hiring de ingeniería?”).

3. Jueves: reunión con stakeholders, opciones y trade-offs; documentar decisión.

4. Viernes: calidad de datos, backlog de métricas, automatizar un reporte manual.

En empresas chicas, la misma persona puede mezclar People Analytics con compensación o HRBP. En empresas grandes, hay especialización (recruiting analytics, workforce planning, DEI analytics).

Métricas mínimas que tenés que saber explicar

En una entrevista de People Analytics casi seguro te pidan definir, con fórmula y limitaciones:

• Turnover: bajas en el período / headcount promedio. Separá voluntario vs involuntario y “regrettable”.

• Time-to-fill vs time-to-hire: desde apertura de requisición hasta aceptación, versus desde candidatura activa hasta oferta aceptada.

• Offer acceptance rate: ofertas aceptadas / ofertas extendidas. Bajá por seniority y fuente.

• eNPS o engagement: no lo trates como vanidad: cruzalo con retención y performance, cuidando sesgo de no-respuesta.

Si podés armar un one-pager con definiciones + un ejemplo numérico sintético, ya estás por encima del promedio de candidatos junior.

Cómo entrar al rol: dos puentes

Desde RRHH, Psychology o Business Partner

• Aprendé SQL y un BI hasta poder responder solos el 80% de pedidos recurrentes.

• Armá dos proyectos: funnel de selección end-to-end y análisis de rotación con recomendaciones.

• Documentá un diccionario de métricas de tu empresa actual (aunque sea informal).

Desde Data Analytics o BI

• Aprendé el ciclo de talento y el lenguaje de RRHH (ATS, HRIS, performance cycles).

• Estudiá ética de datos de personas: privacidad, sesgos, consentimiento, minimización.

• Hacé un case study con datos sintéticos o públicos y contalo como negocio, no solo como modelo.

Señales de que estás listo para aplicar: podés explicar cinco métricas core sin leer, tenés un portfolio con dos casos People, y sabés decir “no” a un pedido que viola privacidad o no tiene tamaño de muestra suficiente. Si querés ver cómo se narra otro rol data-adjacent, mirá también guías de rol como la de Business Intelligence como carrera.

Cursos recomendados de Coderhouse

Para construir el músculo analítico, el Curso de Data Analytics o la Carrera de Data Analytics te dan SQL, visualización y pensamiento de negocio. Si todavía necesitás solidez en planillas —muy pedida en People—, sumá Excel. Y si tu empresa empieza a cruzar People data con automatizaciones e IA, Introducción a la Inteligencia Artificial te ayuda a usar modelos con criterio ético.

CTA: esta semana elegí un puente (RRHH hacia data o data hacia People), armá el outline de un case study de rotación o funnel, y sumá SQL/BI a tu plan. Revisá Data Analytics y Excel en Coderhouse para cerrar el gap técnico con proyectos.

Preguntas frecuentes

¿People Analytics es lo mismo que HRBP? No. El HRBP es partner de negocio de talento; People Analytics provee evidencia y modelos. En empresas chicas a veces una persona hace ambos; en grandes son roles distintos que colaboran.

¿Necesito saber machine learning? No para entrar. Primero métricas, SQL, BI y storytelling. El ML (flight risk, matching) aparece en equipos más maduros y con gobernanza fuerte.

¿Es un rol solo de empresas grandes? Las grandes tienen más datos y headcount dedicado. En pymes el rol puede ser “analista de RRHH con datos” o un data analyst que dedica parte del tiempo a People. El oficio escala con la madurez de datos.

¿Qué portafolio muestro en entrevistas? Dos casos con problema, datos, método, insight y decisión recomendada. Incluí limitaciones (sesgo, muestra chica, correlación). Eso pesa más que un certificado solo.