Cómo predecir la rotación de empleados
Cuando un empleado clave se va, casi siempre había señales semanas antes. Esta guía explica los 6 factores que mejor predicen un abandono voluntario, cómo combinarlos en un score útil, y por qué un modelo explicable y simple bate a un black-box de machine learning para este caso de uso.
Por qué importa anticipar la rotación
Reemplazar a un empleado de nivel medio cuesta entre el 75% y el 100% de su salario anual (según Society for Human Resource Management). Para directivos puede llegar al 200%. Si una empresa de 200 personas tiene una rotación voluntaria del 12%, está perdiendo unos 24 empleados al año, lo que implica un coste oculto de varios millones de euros sumando reposición, productividad perdida durante la transición, y conocimiento que se va.
Detectar el riesgo 90 días antes permite intervenir con conversación, ajuste, recolocación o, en el peor caso, organizar bien el handover. Llegar tarde implica reaccionar al hecho consumado.
Los 6 factores que mejor predicen una salida
1. Tenure relativo (tiempo en la empresa y en el puesto)
La rotación voluntaria forma una curva en U: alta en el primer año (mismatch inicial), baja entre 2-4 años (asentamiento), sube de nuevo a partir de los 4-5 (búsqueda de siguiente reto). El tiempo en el puesto sin promoción es aún más predictivo: tras 18 meses sin movimiento en empresas de cultura promocional, el riesgo se multiplica por 2-3.
2. Tendencia del pulse semanal
Pulse surveys cortas (1-3 preguntas) sobre estado de ánimo y motivación, registradas semanalmente, son la señal más fina disponible. El valor absoluto importa menos que la tendencia: una caída sostenida durante 3-4 semanas es una bandera roja, incluso si los valores siguen siendo "aceptables". Las personas que se van suelen tener un patrón claro de descenso 2-3 meses antes.
3. Performance trend
Empleados que están planeando irse muestran a menudo dos patrones opuestos: (a) el desentendido — performance bajando porque ya están mentalmente fuera, o (b) el sobre-entregado — performance subiendo artificialmente para construir un buen historial antes del salto. Ambos son señales; no es solo el "performance bajando".
4. Job Fit declining
Si el % de encaje entre perfil del empleado y perfil ideal del puesto baja con el tiempo (porque el puesto evoluciona y la persona no, o viceversa), es una señal estructural. La distancia creciente entre empleado y rol predice frustración acumulada.
5. Cambios recientes de manager directo
Los cambios de manager son disruptivos. El 30-40% de la rotación voluntaria en empresas medianas ocurre en los 6 meses siguientes a un cambio de jefe directo, según múltiples estudios. La causa puede ser química personal o expectativas no alineadas; el efecto es estadísticamente robusto.
6. Desencaje creciente con el equipo
Composiciones DISC del equipo donde un empleado queda aislado (único C en un equipo de I, único S en un equipo de D) producen frustración silenciosa. Combinado con baja participación en pulse y bajo Job Fit, es un indicador secundario fuerte.
Combinarlos: por qué un modelo simple bate al ML
La tentación es lanzar XGBoost o redes neuronales sobre los datos. Para predecir rotación, esto es contraproducente por tres motivos:
- Volumen insuficiente: una empresa de 200 personas con 12% de rotación tiene ~24 casos positivos al año. Los modelos ML necesitan miles de casos para no sobreajustar.
- Falta de explicabilidad: el manager necesita saber por qué el score es alto. "El modelo dice 87" no es accionable; "tenure 4 años + pulse bajando 5 semanas + sin promoción 22 meses" sí lo es.
- Riesgo legal: usar modelos opacos para decisiones que afectan personas tiene fricción regulatoria creciente (AI Act europeo). Modelos lineales explicables son auditables y defendibles.
Lo que funciona: modelo lineal con 5-7 factores ponderados, calibrado con benchmarks sectoriales o con la propia historia de la empresa cuando hay suficiente. Score 0-100 con desglose siempre visible. La precisión es alta y la utilidad operativa, máxima.
Patrones de riesgo y acción recomendada
| Patrón | Señales | Acción |
|---|---|---|
| Plateau profesional | Tenure +4 años · sin promo +18m · performance estable | Conversación de carrera, lateral move, proyecto cross |
| Burnout incipiente | Pulse bajando 3+ semanas · carga creciente · más horas | 1:1 urgente, reducir carga, considerar tiempo libre |
| Mismatch puesto | Job Fit < 50% · performance bajando | Recolocación interna, no promoción que agrava |
| Choque con manager | Cambio de manager + drop pulse coincide en tiempo | Mediación, evaluación 360 al manager |
| Outsider en equipo | Composición DISC lo aísla · poca participación | Reorganización, mentoring entre equipos |
| Salto preparado | Performance subiendo + LinkedIn activo + pulse normal | Difícil: cuando se llega aquí ya hay una oferta. Conversación de retención inmediata. |
Errores comunes en programas de retención basados en flight risk
- Reaccionar a todos los altos scores con contraofertas económicas. La mitad de las salidas no son por dinero — son por aburrimiento, mala química con manager, falta de progreso. Subir el sueldo a alguien que se va por aburrimiento solo retrasa la salida 6 meses.
- Compartir los scores con los managers sin entrenarlos. Un score elevado puede llevar a un mal manager a confrontar al empleado ("oye, dicen que te quieres ir"), lo que acelera la salida en lugar de prevenirla.
- No actuar sobre los clusters. Si tres empleados de un mismo equipo aparecen en riesgo alto, el problema es el equipo o el manager — no los empleados. Tratarlo individualmente no resuelve nada.
- Dejar de medir cuando alguien se va. La salida da información: ¿el modelo lo predijo? ¿Qué factor pesaba más? ¿Qué intervención funcionaría la próxima vez? Cada salida es un caso de estudio.
Preguntas frecuentes
¿Es ético predecir la rotación de empleados?
Sí, si la información se usa para retener (mejor conversación, plan de desarrollo, ajuste de carga) y no para vigilar o castigar. La línea ética la marca el destino: predecir para apoyar es buena práctica de RRHH; predecir para "tener fichados" a los desmotivados es invasivo. La transparencia con el equipo sobre que se hace y cómo es lo que diferencia ambos casos.
¿Qué precisión se puede esperar?
Modelos lineales con 5-7 factores bien elegidos identifican correctamente al ~70% de los empleados que efectivamente acabarán saliendo en los próximos 6 meses, con una tasa de falsos positivos del 15-20%. No es perfecto, pero es muy superior a la intuición del manager (que típicamente acierta solo en los casos obvios y se sorprende en el 50% de las salidas).
¿Funciona con menos de 50 empleados?
Funciona, pero el valor marginal es menor. Por debajo de 50 empleados, el manager directo conoce a su gente lo suficiente para detectar señales sin necesidad de un modelo. A partir de 100-150 empleados, el modelo empieza a aportar porque la atención humana ya no llega a todos los matices.
¿Puedo usar el modelo de Flight Risk para decidir despidos?
Nunca. Flight Risk identifica probabilidad de salida voluntaria — confundirlo con "candidato a despido" es un error categorial y un riesgo legal severo. Son métricas opuestas en intención: una mide riesgo de perder talento, la otra hablaría de riesgo de mantenerlo.
¿El modelo aprende automáticamente?
En la versión básica del módulo de MyTalentOS los pesos están calibrados con benchmarks sectoriales y son fijos. Para grandes corporaciones con histórico de salidas suficiente, se puede entrenar un modelo específico de la empresa que aprende de sus propios casos. Es un upgrade enterprise.
Flight Risk operativo con causas explicables
MyTalentOS calcula el score, lo desglosa en 6 factores y sugiere plan de retención según el patrón. Demo de 30 min.
Solicitar demo