Saltar al contenido
← Todos los casos
· Caso Microfinanzas · MultiMoney

Retención temprana y productividad.

Re-run del Perfil Ideal predictivo sobre la operación real de MultiMoney, medido en una cohorte de 220 altas en cuatro mercados de Centroamérica.

Cliente
MultiMoney
Sector
Microfinanzas
Mercados
NI · SV · GT · CR
Región
Centroamérica
Puestos
Ventas · Cobros · SAC
Owly con identidad de MultiMoney
Ramp-up
2 vs 6 meses
rotación 30 días
0.0% · BUO 100%
· resultados de la cohorte · 220 altas
ramp-up
de 6 a 2 meses
0.0%
rotación 30 días
BUO 100% vs 4.6% No-BUO
-16.7pp
rotación Nicaragua
el mercado de más volumen
234d
tenencia BUO 75%
vs 161d No-BUO

El reto: talento que tardaba en arrancar

La operación histórica de MultiMoney tardaba seis meses en poner a una persona a rendir al 80% de cumplimiento. Cada alta lenta es costo que no vuelve — y la rotación temprana era alta.

El reto se multiplicaba por la heterogeneidad: cuatro países —Nicaragua, El Salvador, Guatemala y Costa Rica— y áreas muy distintas (Ventas, Cobros, SAC), cada una con un comportamiento del talento propio. Sin un perfil que lo capturara, cada contratación era una apuesta.

"Por primera vez vemos qué perfil rinde y se queda en cada mercado. El re-run convirtió nuestra rotación temprana en una variable que podemos manejar."

MM
Dirección Regional
MultiMoney · Centroamérica

La solución: un re-run sobre su operación

Buo entrenó el Perfil Ideal sobre la propia operación de MultiMoney: una cohorte de 220 altas post-marzo 2025, de las cuales 91 alcanzaron elegibilidad con suficiente data de desempeño. Cada alta se clasificó por su match contra el perfil: BUO 50%, 75% y 100%.

· meses medianos hasta ≥ 80% de cumplimiento
BUO 75–100%
2.0 m
BUO 50%
2.0 m
No Buo
3.0 m
Pre-marzo 2025
6.0 m

El talento filtrado alcanzó productividad plena 3× más rápido que la operación histórica — y la rotación temprana se cortó casi por completo: 0.0% a 30 días en la cohorte BUO 100%, frente al 4.6% del perfil sin filtro.

· cómo lo hicimos

Cuatro pasos,
sobre su propia data.

· paso 1

Mapeo de la cohorte

220 altas post-marzo 2025 en 4 países y 3 áreas — la base sobre la que se mide el efecto Buo.

· paso 2

Perfil Ideal por puesto

Factores predictivos distintos para Ventas y Cobros: pensamiento analítico, extroversión, eje de riesgo, paciencia y diplomacia.

· paso 3

Scoring por match

Cada alta se clasifica por su coincidencia con el perfil: cohortes BUO 50%, 75% y 100%.

· paso 4

Medición de impacto

Rotación por ventana, velocidad de ramp-up y clasificación de desempeño — validadas con datos reales.

El impacto, traducido a números.

· productividad

3× ramp-up

El talento con match alto alcanza el 80% de cumplimiento en 2 meses, frente a los 6 de la operación histórica. El pico de la curva llega a 0.96 en el mes 2.

· retención

0.0% rotación a 30 días

La cohorte BUO 100% no registró bajas en el primer mes (4.6% No-BUO). A 90 días, 4.3% vs 8.5%. La rotación temprana, cortada de raíz.

· dónde rinde

−16.7 pp en Nicaragua

En el mercado de mayor volumen la rotación cae de 50.0% a 33.3%. Costa Rica marca la mayor caída relativa: −19.4 pp. En Cobros, BUO 50% logra la tasa más baja del análisis.

· desempeño

42.4% Tops en BUO 50%

La mayor proporción de alto desempeño entre todas las cohortes. El match parcial ya sostiene rendimiento elevado.

Honestidad analítica: Guatemala y El Salvador muestran el patrón inverso — el perfil pide refinamiento local antes de generalizar. La próxima iteración del modelo ya lo contempla.

¿Hacemos el re-run de tu operación?

30 minutos con un experto. Te enseñamos cómo se vería el modelo aplicado a tu propio equipo, mercado por mercado.