En datos de personas, la perfección es rara. El riesgo es usar "faltan datos" como excusa para no decidir o, al revés, usar datos imperfectos como si fueran certeza.
El punto medio es método: supuestos explícitos, límites claros y utilidad para la decisión.
Tipos de imperfección
Datos faltantes, definiciones inconsistentes, errores de carga, cambios de sistema, sesgos de selección (solo respondieron algunos). Cada tipo requiere una respuesta distinta: limpiar, segmentar, declarar límites o no usar para decisiones sensibles.
Supuestos explícitos
Cuando faltan datos, siempre asumimos algo (aunque no lo digamos). Hacerlos explícitos aumenta credibilidad. Ej.: "asumimos que el patrón de ausencias faltantes es aleatorio".
Utilidad según irreversibilidad
Decisiones irreversibles (promociones, despidos) exigen más calidad. Decisiones reversibles (pilotos, ajustes) permiten empezar con evidencia mínima.
Ejemplo aplicado
Regla práctica: si el dato tiene 20% de faltantes, puede servir para detectar tendencias agregadas, pero no para decisiones individuales.
Aprovecha lo que ya has aprendido y completa tu formación en el curso de People Analytics aplicado: de métricas a decisiones e impacto
Este sitio utiliza cookies propias y de terceros con fines analíticos anónimos, para guardar tus preferencias y garantizar el correcto funcionamiento del sitio web.
Puedes aceptar todas las cookies, rechazarlas o configurarlas según tus preferencias utilizando los botones correspondientes.
Puedes obtener más información y volver a configurar tus preferencias en cualquier momento en la Política de cookies
