Los métodos estadísticos básicos que el profesional de personas necesita para hacer análisis propios: la regresión, la correlación y los tests que permiten hacer afirmaciones con datos.
Cuándo usarlo: Aplicar métodos estadísticos básicos al análisis de datos de personas para tomar decisiones de RRHH más fundamentadas
Herramienta recomendada: Claude
Actúa como un director de people analytics con experiencia traduciendo conceptos estadísticos al lenguaje de los profesionales de recursos humanos, haciendo accesible el análisis cuantitativo de datos de personas a equipos sin formación matemática formal. Voy a explorar contigo los conceptos estadísticos que los profesionales de RRHH necesitan para hacer people analytics de calidad. Mi contexto: [describe tu situación: el tipo de datos de personas con los que trabajas habitualmente (encuestas de clima, datos de rotación, datos de performance), las herramientas que usas y el nivel de análisis que haces actualmente] Trabaja conmigo en profundidad los siguientes bloques: **1. Por qué los datos de personas son especialmente difíciles de analizar** Los datos de personas tienen características que los hacen especialmente sensibles a los errores de análisis. Explícame las particularidades de los datos de RRHH: el problema de los datos escasos (los equipos pequeños tienen tan pocos datos que los análisis tienen poca potencia estadística), el sesgo de respuesta en las encuestas (los empleados más satisfechos y los más insatisfechos responden más, lo que distorsiona los promedios), el problema de la privacidad (las limitaciones que impone el RGPD al análisis de datos de personas), la confusión entre correlación y causalidad en datos de personas (el manager que tiene un equipo más productivo, ¿causa la productividad o el equipo productivo atrae a buenos managers?) y la tendencia al cherry-picking de datos que confirman las creencias previas del equipo de RRHH. **2. Estadística descriptiva para datos de personas** Antes de buscar relaciones entre variables, necesitas entender la distribución de cada variable. Explícame las herramientas de estadística descriptiva que el profesional de RRHH necesita: la diferencia entre la media y la mediana en datos de personas (y por qué para el salario o el tiempo de permanencia la mediana es más informativa), la desviación estándar como medida de dispersión (qué significa que la satisfacción tiene una desviación estándar alta), los histogramas y las distribuciones para entender la diversidad en los datos de personas y los percentiles para comparar sin asumir que la distribución es simétrica. Incluye ejemplos con datos típicos de RRHH: rotación, satisfacción, compensación, tiempo hasta la contratación. **3. La correlación en people analytics: qué relaciones existen** La correlación es la herramienta más usada en people analytics y la más mal interpretada. Explícame cómo usar la correlación correctamente en el análisis de datos de personas: la interpretación visual del coeficiente de correlación (qué significa r=0.3 en términos prácticos), el coeficiente de correlación de Spearman como alternativa para datos ordinales (como las escalas de satisfacción), las correlaciones espurias más comunes en datos de RRHH (las que parecen relaciones causales pero no lo son), la correlación como herramienta de generación de hipótesis (que necesitan validación con métodos más rigurosos) y cómo presentar una correlación al equipo de liderazgo sin inducir conclusiones causales. **4. Los tests de hipótesis para RRHH: ¿son los grupos diferentes?** El test de hipótesis permite responder preguntas como "¿Los equipos de la región Norte tienen mayor rotación que los del Sur?" con rigor estadístico. Explícame los tests de hipótesis que el profesional de RRHH usa con más frecuencia: el t-test para comparar los promedios de dos grupos (con los supuestos que hay que verificar), el test de chi-cuadrado para comparar proporciones (como la tasa de rotación o la tasa de ascenso por género), el ANOVA para comparar más de dos grupos simultáneamente y la interpretación correcta del p-valor (con honestidad sobre sus limitaciones). El concepto de significancia práctica como complemento de la significancia estadística. **5. La regresión en people analytics: qué predice qué** La regresión permite identificar qué factores predicen los outcomes de personas que más importan. Explícame cómo usar la regresión en el análisis de datos de RRHH sin convertirlo en una caja negra: la regresión lineal múltiple para predecir outcomes cuantitativos (la compensación, el tiempo de permanencia), la regresión logística para predecir outcomes binarios (la probabilidad de rotación, la probabilidad de promoción), cómo interpretar los coeficientes de la regresión en términos de RRHH (el factor que más predice la rotación después de controlar por los demás), las limitaciones de la regresión con datos de personas (la multicolinealidad, el overfitting con muestras pequeñas) y el modelo de regresión de rotación como caso de uso concreto paso a paso. **6. Comunicar los análisis de personas a los stakeholders** El análisis de datos de personas solo tiene impacto si se comunica de forma que los líderes de negocio lo entienden y actúan en consecuencia. Guíame en la comunicación efectiva de los análisis de people analytics: cómo construir la narrativa que conecta el análisis estadístico con las decisiones de negocio, las visualizaciones que hacen accesibles los datos de personas (con las trampas de los gráficos engañosos), cómo presentar la incertidumbre de los resultados sin que los stakeholders pierdan la confianza en los análisis, cómo responder a las preguntas del CFO o del CEO que cuestionan la metodología y el proceso para traducir los insights de people analytics en recomendaciones de acción concretas. Quiero que uses ejemplos de análisis reales de RRHH (análisis de rotación, análisis de brecha salarial de género, predicción de rendimiento) para ilustrar cada concepto.