Las cuatro decisiones que cambia
Contratar. En lugar de comparar candidatos contra una lista de requisitos, los priorizas por probabilidad de éxito en ese puesto.
Retener. Identificas dónde y por qué se concentra la rotación, y la atacas antes de la baja.
Desarrollar. Detectas en qué necesita apoyo cada persona para llegar antes a su nivel de productividad.
Suceder. Sustituyes el 'potencial percibido' por señales medibles al elegir quién sigue. Más en nine box: qué es y por qué ya no basta con evaluarlo.
Qué necesitas para empezar
No necesitas un equipo de ciencia de datos ni meses de implementación. Necesitas tres cosas:
- Una pregunta de negocio concreta. No 'queremos analytics', sino '¿por qué una parte de nuestros vendedores no llega a la meta en los primeros 90 días?'.
- Los datos que ya tienes. Nómina, evaluaciones, rotación y resultados suelen existir; el problema es que están dispersos.
- Un criterio de éxito medible para el rol, con horizonte de tiempo.
La mayoría de las empresas todavía no explota estos datos: según un estudio de Deloitte (2026), solo 43% de las organizaciones alcanza niveles avanzados de madurez en people analytics.
Cómo aprende el modelo de Buo
El modelo compara a los colaboradores que más rinden y permanecen contra los que no, y aprende qué comportamientos se repiten en cada grupo. Con esa diferencia construye un Perfil Ideal Predictivo por puesto y región, que se reentrena cada trimestre con un mínimo de 500 perfiles históricos.
Cada candidato o colaborador recibe un score de 0 a 100 contra ese perfil. La precisión se puede expresar como AUC: un AUC de 0.81, por ejemplo, equivale a un poder predictivo "muy bueno" — 8 de cada 10 personas que el modelo prioriza cumplen el objetivo de permanencia o desempeño.
El modelo usa variables del contexto del candidato, pero no discrimina por edad, género ni escolaridad. Los datos del cliente no se usan para entrenar modelos de terceros, y la plataforma cuenta con certificaciones ISO 27001 y SOC 2 Type II, además de cumplir con GDPR y estar preparada para la EU AI Act. Método completo en cómo lo hacemos.
Resultados en empresas reales
- Diunsa: −40% de rotación interanual (de 174% a 69.6%) y +22 pp de productividad (de 86% a 108%), con una evaluación integrada de menos de 15 minutos por candidato.
El mismo modelo ya opera en más de 40 empresas en México y LATAM, con más de 350,000 perfiles evaluados.
Preguntas frecuentes
¿Necesito un equipo de data science para usar People Analytics?
No. Lo que necesitas es una pregunta de negocio clara y los datos de talento que ya generas (nómina, evaluaciones, rotación, resultados de selección). La plataforma se encarga del modelado: construye el Perfil Ideal Predictivo y lo reentrena cada trimestre, sin que tengas que programar ni mantener el modelo tú mismo.
¿Qué datos se usan?
Los que tu empresa ya tiene: información de colaboradores, resultados de desempeño, rotación y datos del proceso de selección. Buo los conecta con el resultado que quieres mejorar (permanencia, productividad, venta) y construye un perfil por puesto y región, sin pedirte información nueva que no generes en tu operación diaria.
¿Para qué tipo de empresas funciona?
Para organizaciones con volumen suficiente de colaboradores en un mismo rol o contexto, donde una mejor decisión de talento se traduce en resultados medibles: operaciones, retail, servicios financieros y fuerzas comerciales. Con poco volumen el modelo tiene menos señal histórica para entrenar, y el criterio aporta menos que en alto volumen.
· Fuentes
Deloitte (2026), citado en People Matters — Future of Work and People Analytics Maturity: The Indian Story. — www.peoplematters.in
· seguir leyendo