Analítica de Personas (People Analytics)
Magíster en Gestión de Personas · FAE, Universidad Diego Portales · 1-2026
La página oficial del curso en Canvas está disponible en: https://udp.instructure.com/courses/43138
Descripción
En el marco de la gestión basada en evidencia, la analítica de personas consiste en un conjunto de procedimientos estadísticos utilizados para describir, predecir y explicar el comportamiento presente, pasado o futuro de las personas de la organización, o de potenciales contrataciones, con el propósito último de tomar mejores decisiones en la gestión del capital humano.
Este curso introduce a los alumnos en el campo de people analytics mediante una metodología basada en problemas: cada semana, los participantes enfrentarán un desafío de gestión de personas y aprenderán las herramientas de R necesarias para resolverlo.
A través del semestre, se revisarán análisis descriptivo, modelos predictivos (regresión logística, árboles de decisión, random forest), análisis de supervivencia, análisis de redes organizacionales, text mining, equidad salarial, engagement, recruitment analytics, diversidad e inclusión, workforce planning y dashboards ejecutivos. Todas las técnicas se implementan en R dentro del ecosistema tidyverse, con entregables en formato Quarto.
Profesor: René Gempp (rene.gempp@udp.cl) Horario: Miércoles, 10:00 – 12:50 hrs Software: R, RStudio, Quarto Prerrequisitos: No tiene. Se asume conocimiento básico de estadística y R.
Resultados de Aprendizaje
Al aprobar el curso, los estudiantes serán capaces de:
- Utilizar R y el ecosistema tidyverse para importar, limpiar, transformar y visualizar datos de recursos humanos.
- Calcular e interpretar métricas clave de gestión de personas: rotación, equidad salarial, engagement, diversidad, reclutamiento y workforce planning.
- Construir e interpretar modelos estadísticos (regresión lineal, logística, supervivencia, árboles de decisión) aplicados a problemas de RRHH.
- Aplicar técnicas de text mining y análisis de redes organizacionales a datos de personas.
- Comunicar hallazgos analíticos a stakeholders no técnicos mediante visualizaciones efectivas, dashboards y reportes ejecutivos en Quarto.
- Evaluar críticamente las implicancias éticas y de privacidad de los proyectos de people analytics.
- Utilizar herramientas de inteligencia artificial como complemento del análisis, manteniendo criterio crítico sobre sus limitaciones.
Calendario de Clases
Este calendario es tentativo y puede estar sujeto a cambios en caso de imprevistos.
| Sem. | Fecha | Contenido | Tipo | Material complementario* |
|---|---|---|---|---|
| 1 | 11-mar | “La empresa no sabe qué pasa con su gente” | Clase presencial | Apunte 1 · Apunte 2 · Apunte 3 |
| 2 | 18-mar | “¿Por qué se va la gente?”: diagnóstico de rotación | Clase presencial | |
| 3 | 25-mar | “¿Podemos predecir quién se va a ir?”: modelo predictivo | Clase presencial | |
| 4 | 01-abr | “Su primer cliente”: diagnóstico de fuerza laboral | Actividad grupal (5%) | |
| 5 | 08-abr | “¿Les estamos pagando bien?”: equidad salarial | Clase presencial | |
| 6 | 15-abr | “¿Qué tan comprometida está nuestra gente?”: engagement | Clase presencial | |
| 7 | 22-abr | Caso MineralCo: consultoría integral de PA | Evaluación grupal (15%) | |
| 8 | 29-abr | “¿Estamos contratando bien?”: recruitment analytics | Clase presencial | |
| 9 | 06-may | “¿Cuánto tiempo se quedan?”: análisis de supervivencia | Clase presencial | |
| 10 | 13-may | “¿Somos diversos e inclusivos?”: analítica de DEI | Clase presencial | |
| 11 | 20-may | “¿Qué dicen los empleados?”: text mining de encuestas | Clase presencial | |
| 12 | 27-may | “¿Quién conecta con quién?”: redes organizacionales | Clase presencial | |
| 13 | 03-jun | “¿Podemos ver el futuro?”: modelos avanzados y repaso | Clase presencial | |
| 14 | 10-jun | Evaluación parcial individual presencial | Evaluación individual (30%) | |
| 15 | 17-jun | “El directorio quiere verlo todo junto”: dashboards | Clase presencial | |
| 16 | 24-jun | “¿Cuánta gente necesitaremos?”: workforce planning | Clase presencial | |
| 17 | 01-jul | “¿Es ético todo lo que podemos hacer?”: IA y ética | Clase presencial | |
| 18 | 08-jul | Evaluación final individual presencial | Evaluación individual (30%) |
* Todo el material oficial del curso (tareas, bases de datos, scripts, presentaciones de clases, lecturas) está disponible en la página oficial del curso en Canvas. En esta columna se lista únicamente material complementario.
Evaluación
| Componente | Semana | Formato | Peso |
|---|---|---|---|
| Actividad grupal diagnóstico | 4 | Grupal, no presencial | 5% |
| Evaluación grupal consultoría | 7 | Grupal, no presencial | 15% |
| Tareas semanales en Quarto | Continuo | Individual | 10% |
| Bitácora de uso de IA | Continuo | Individual | 5% |
| Participación en clase | Continuo | Individual | 5% |
| Evaluación parcial | 14 | Individual, presencial | 30% |
| Evaluación final | 18 | Individual, presencial | 30% |
Distribución: 80% individual / 20% grupal. Las evaluaciones presenciales (semanas 14 y 18) se realizan sin acceso a internet ni herramientas de IA.
Política de Uso de Inteligencia Artificial (IA)
El curso adopta un modelo de “IA como analista junior” con autonomía escalonada:
Semanas 1–6: IA guiada. Se permite usar IA exclusivamente para comprender errores de código, explicar funciones de R y traducir conceptos estadísticos a lenguaje de negocio. Cada uso se documenta en la Bitácora de IA.
Semanas 7–13: IA supervisada. Se permite además usar IA para generar borradores de código que el alumno debe verificar, modificar y explicar. Se incorporan ejercicios de “Auditoría de IA”: el profesor proporciona análisis generados por IA con errores deliberados y los alumnos deben identificarlos.
Semanas 14 y 18: Evaluaciones sin IA. Las evaluaciones presenciales se realizan sin acceso a internet ni herramientas de IA, evaluando el dominio auténtico que el alumno ha desarrollado.
Bibliografía
Textos principales (gratuitos en línea)
- McNulty, K. (2026). Handbook of Regression Modeling in People Analytics (2ª ed.). Chapman & Hall/CRC. Disponible en peopleanalytics-regression-book.org.
- Starbuck, C. (2023). The Fundamentals of People Analytics: With Applications in R. Springer (Open Access). Disponible en link.springer.com.
- McNulty, K. (2022). Handbook of Graphs and Networks in People Analytics. Chapman & Hall/CRC. Disponible en ona-book.org.
- Silge, J. & Robinson, D. (2017). Text Mining with R: A Tidy Approach. O’Reilly. Disponible en tidytextmining.com.
- Caughlin, D. R for HR: An Introduction to Human Resource Analytics Using R. Disponible en rforhr.com.
Textos complementarios
- Edwards, M. & Edwards, K. (2019). Predictive HR Analytics (2ª ed.). Kogan Page.
- Marr, B. (2018). Data-Driven HR. Kogan Page.
- Leonardi, P. & Contractor, N. (2018). Better People Analytics. Harvard Business Review, 96(6), 70–81.