PEOPLE ANALYTICS, COMPETENCIAS Y BIENESTAR PARA LA GESTIÓN DEL
DESEMPEÑO Y LA RETENCIÓN DEL TALENTO EN ORGANIZACIONES DE
PICHINCHA

PEOPLE ANALYTICS, COMPETENCIES AND WELL-BEING FOR PERFORMANCE
MANAGEMENT AND TALENT RETENTION IN ORGANIZATIONS IN PICHINCHA

Autores:
¹Francisco
Vicente
Soto
Paredes,
²Taña
Diocelina
Guanochanga
Oña
y
³Hernán
Eduardo Paredes García.

¹ORCID ID:
https://orcid.org/0009-0005-3306-0151

²ORCID ID:
https://orcid.org/0000-0002-8124-8125

3
ORCID ID:
https://orcid.org/0009-0009-9863-1620

¹E-mail de contacto:
fsoto@instituto-ohiggins.com

²E-mail de contacto:
tguanochanga@instituto-ohiggins.com

³E-mail de contacto:
hparedes@instituto-ohiggins.com

Afiliación: ¹*²*³*Instituto Superior Tecnológico Bernardo O`Higgins, (Ecuador).

Artículo recibido: 29 de Abril del 2026.

Artículo revisado: 01 de Junio del 2026.

Artículo aprobado: 15 de Agosto del 2026.

¹Licenciado en Administración, graduado de la Pontificia Universidad Católica del Ecuador, (Ecuador). Magíster en Dirección Estratégica
de Recursos Humanos, graduado de la Pontificia Universidad Católica del Ecuador, (Ecuador).

²
Tecnóloga en Electrónica y Telecomunicaciones, graduada de la Escuela Politécnica Nacional, (Ecuador). Licenciada en Ciencias de la
Educación,
mención
Matemática,
graduada
de
la
Universidad
UTE,
(Ecuador).
Magíster
en
Tecnología
Educativa
y
Competencias
digitales, graduada de la Tech México, graduado de la Universidad Tecnológica, (México).

³Psicólogo Industrial, graduado de la Pontificia Universidad Católica del Ecuador, (Ecuador). Magíster en
Dirección Estratégica de
Recursos Humanos, graduado de la Pontificia Universidad Católica del Ecuador, (Ecuador).

Resumen

La
analítica
de
personas
se
ha
consolidado
como
un
enfoque
para
transformar
datos
de
talento humano en evidencia de decisión, pero
su aplicación organizacional suele fragmentarse
entre
métricas
operativas,
evaluaciones
de
competencias,
mediciones
de
bienestar
y
registros
de
desempeño.
El
objetivo
de
este
artículo
es
proponer
un
modelo
integrado
de
People
Analytics
que
conecte
competencias,
bienestar,
desempeño
y
retención
del
talento,
contextualizado
para
organizaciones
de
la
provincia de Pichincha, Ecuador. Se desarrolló
una
investigación
aplicada
de
diseño
metodológico
con
revisión
estructurada
de
literatura, análisis de referentes de People/HR
Analytics, gestión por competencias, bienestar
y
rotación,
y
contextualización
territorial
mediante estadísticas oficiales empresariales y
laborales. Como resultado se diseñó el Modelo
Integrado de People Analytics, Competencias,
Bienestar
y
Retención
(MIPAC-BR),
organizado en gobernanza y calidad de datos,
competencias, bienestar, desempeño, capacidad
analítica,
decisión
y
retención
sostenible.
El
modelo
propone
una
escalera
analítica
desde
descripción
hasta
predicción/prescripción,
condicionada
por
la
calidad
de
datos
y
la
explicabilidad.
Se
concluye
que
el
valor
de
People
Analytics
no
reside
en
acumular
indicadores
o
algoritmos,
sino
en
integrar
preguntas estratégicas, datos confiables, teoría
organizacional, ética y capacidad de acción. El
MIPAC-BR ofrece una arquitectura susceptible
de
validación
empírica
y
transferencia
a
organizaciones con distintos niveles de madurez
analítica.

Palabras
clave:
People
analytics,
HR
analytics, Competencias, Bienestar laboral,
Desempeño.

Abstract

Persona
analytics
has
consolidated
as
an
approach
to
transform
human
talent
data
into
decision
evidence,
but
its
organizational
application is fragmented between operational
metrics,
skills
assessments,
well
-
being
measurements
and
performance
records.
The
objective
of
this
article
is
to
propose
an
integrated People Analytics model that connects
skills,
well
-
being,
performance
and
talent
retention,
contextualized
for
organizations
in

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 10.1
Edición Espécial X 2026
Página 812

the
province
of
Pichincha,
Ecuador.
Applied
research
of
methodological
design
was
developed with a structured review of literature,
analysis
of
People/HR
Analytics
references,
management by skills, well
-
being and rotation,
and territorial contextualization through official
business
and
labor
statistics.
As
a
result,
the
Integrated
Model
of
People
Analytics,
Competencies,
Behavior
and
Retention
(MIPAC
-
BR)
was
designed,
organized
into
governance and quality of data, competencies,
efficiency,
performance,
analytical
capacity,
decision
-
making and sustainable retention. The
model
propose
s
an
analytical
scale
from
description
to
prediction/prescription,
conditioned
by
the
quality
of
data
and
explanability. It is concluded that the value of
People Analytics does not lie in accumulating
indicators
or
algorithms,
but
in
integrating
strategic
questions, reliable data, organizational
theory, ethics and action capacity. MIPAC
-
BR
offers
an architecture susceptible to
empirical
validation
and
transfer
to
organizations
with
different levels of analytical maturity.

Keywords:
People
analytics,
HR
analytics,
Competences,
Labor
well
-
being,
Performance.

Sumário

A análise de pessoas foi consolidada como uma
abordagem
para
transformar
dados
de
talento
humano
em
evidência
de
decisão,
mas
sua
aplicação
organizacional
é
bastante
fragmentada
entre
análises
operacionais,
avaliações de competências, medidas de bem
-
estar
e
registros
de
desempenho.
O
objetivo
deste artigo é propor um modelo integrado de
People
Analytics
que
conecte
competências,
bem
-
estar,
desempenho
e
retenção
de
talento,
contextualizado para organizações da província
de Pichincha, Equador. Foi desenvolvid
a uma
investigação aplicada de design
metodológico
com revisão estruturada de literatura, análise de
referentes de People/HR Analytics, gestão por
competências,
bienestar
e
rotação,
e
contextualização
territorial
por
meio
de
estatísticas
oficiais
empresari
ais
e
laborais.
Como
resultado
foi
concebido
o
Modelo
Integrado de People Analytics, Competências,
Bienestar e Retenção (MIPAC
-
BR), organizado
em
governança
e
qualidade
de
dados,
competências,
bienestar,
desempenho,
capacidade
analítica,
decisão
e
retenção
sustentável.
O
modelo
propõe
uma
balança
analítica
a
partir
da
descrição
até
a
previsão/prescrição
,
condicionada
pela
qualidade
dos
dados
e
pela
explicabilidade.
Conclui
-
se que o valor do People Analytics não
reside
no
acúmulo
de
indicadores
ou
algoritmos, mas sim na integração de questões
estratégicas,
dados
confiáveis,
teoria
organizacional, ética e
capacidade de ação. O
MIPAC
-
BR oferece uma arquitetura suscetível
de
validação
empírica
e
transferência
para
organizações
com
diferentes
níveis
de
maturidade analítica.

Palavras
-
chave:
People
Analytics,
HR
Analytics, Competencias, Bienestar laboral,
Desempeño.

Introducción

La
digitalización
de
la
gestión
del
talento
humano
ha
multiplicado
la
disponibilidad
de
datos
sobre
contratación,
capacitación,
desempeño,
asistencia,
movilidad,
compensación
y
experiencia
de
los
trabajadores. Sin embargo, la disponibilidad de
datos
no
garantiza
que
las
organizaciones
posean capacidad analítica. Marler y Boudreau
(2017)
advierten
que
HR
Analytics
debe
vincular
análisis
rigurosos
con
problemas
relevantes
de
gestión,
mientras
Minbaeva
(2018)
señala
que
la
credibilidad
del
human
capital analytics depende simultáneamente de la
calidad de los datos, la capacidad analítica y la
capacidad estratégica para actuar. Por tanto, el
desafío
no
es
meramente
tecnológico,
sino
organizacional
y
metodológico.
La
literatura
identifica
una
evolución
desde
métricas
operativas hacia enfoques que buscan explicar y
predecir
resultados
de
la
fuerza
laboral.
Dulebohn
y
Johnson
(2013)
distinguen
decisiones operativas, gerenciales y estratégicas
con
necesidades
de
información
diferentes.
Huselid (2018) plantea que workforce analytics

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 10.1
Edición Espécial X 2026
Página 813

puede
mejorar
la
gestión
si
refleja
cómo
la
fuerza
laboral
contribuye
a
la
estrategia;
Levenson
(2018)
añade
que
el
análisis
debe
comenzar por los
problemas del
sistema y de
ejecución
estratégica
antes
de
seleccionar
indicadores. Margherita (2022), al sistematizar
la
investigación
del
campo,
muestra
que
la
analítica
de
recursos
humanos
combina
tecnología,
datos,
procesos
y
resultados,
pero
conserva retos de integración teórica y práctica.
Un
segundo
reto
es
que
los
fenómenos
de
talento
se
analizan
con
frecuencia
de
manera
aislada.
La
gestión
por
competencias
permite
especificar
conocimientos,
habilidades
y
comportamientos
relevantes
para
roles
y
estrategia, pero requiere prácticas de modelado
rigurosas
para
no
convertirse
en
taxonomías
genéricas (Campion et al., 2011).

El desempeño, a su vez, no depende únicamente
de competencias individuales; se configura en
interacción
con
recursos,
demandas,
apoyo
y
contexto de trabajo. El modelo Job Demands–
Resources sostiene que demandas persistentes
pueden
promover
desgaste,
mientras
los
recursos
favorecen
motivación
y
engagement
(Bakker
y
Demerouti,
2007).
Schaufeli
et
al,
(2006)
aportan
una
medida
breve
de
engagement
con
evidencia
transcultural.
El
bienestar
es
además
un
criterio
normativo
y
estratégico. Guest (2017) propone un marco de
recursos humanos que prioriza bienestar y una
relación de empleo positiva como condiciones
para beneficios mutuos. Rhoades y Eisenberger
(2002)
muestran
que
el
apoyo
organizacional
percibido
se
relaciona
con
compromiso,
desempeño
y
menor
retirada.
Meyer
et
al.
(2002)
confirman
que
las
formas
de
compromiso
mantienen
relaciones
diferenciadas
con
comportamientos
y
resultados.
Saks
(2006,
2019)
documenta
antecedentes y consecuencias del engagement,
reforzando
la
necesidad
de
integrar
recursos
laborales,
apoyo
y
vinculación.
La
retención
tampoco
puede
reducirse
a
una
variable
de
rotación
agregada.
Hausknecht
et
al,
(2009)
identifican
razones
heterogéneas
para
permanecer
y
diferencias
según
desempeño
y
características
laborales.
Allen
et
al,
(2010)
proponen
estrategias
de
retención
basadas
en
evidencia
y
advierten
contra
explicaciones
intuitivas no sustentadas. Hom et al. (2017), al
revisar un siglo de teoría de rotación, muestran
una transición hacia el estudio de permanencia,
trayectorias
y
rotación
colectiva.
En
consecuencia,
una
analítica
responsable
debe
diferenciar segmentos y mecanismos, en lugar
de asignar puntuaciones opacas de
riesgo. En
Pichincha,
la
relevancia
del
problema
se
amplifica por la densidad de organizaciones y
del empleo formal.

El Registro Estadístico de Empresas 2024 del
INEC reporta 297,6 mil empresas activas con
domicilio
fiscal
en
la
provincia,
mientras
los
resultados
anuales
del
mercado
laboral
muestran una tasa de empleo adecuado de 53,0
% en 2025. Estas cifras, interpretadas con las
advertencias metodológicas oficiales, describen
un
territorio
con
amplia
diversidad
organizacional
y
potencial
disponibilidad
de
sistemas
de
gestión
y
datos
de
talento.
La
heterogeneidad
entre
servicios,
comercio,
finanzas,
tecnología,
industria,
logística,
agroindustria
y
organizaciones
sociales
exige
modelos
suficientemente
flexibles
para
distintos niveles de madurez.

La
pregunta
que
guía
el
artículo
es:
¿cómo
integrar
datos
de
competencias,
bienestar
y
desempeño
dentro
de
una
arquitectura
de
People
Analytics
que
produzca
evidencia
explicable y ética para decisiones de desarrollo
y retención? El objetivo es proponer el Modelo
Integrado de People Analytics, Competencias,
Bienestar y Retención (MIPAC-BR), describir

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 10.1
Edición Espécial X 2026
Página 814

sus
dimensiones,
lógica
analítica
y
ruta
de
validación para organizaciones de Pichincha.

Materiales y Métodos

Se realizó una investigación aplicada de diseño
metodológico,
con
orientación
mixta
en
su
futura
validación
y
alcance
conceptual-
descriptivo
en
esta
fase
de
formulación.
El
artículo
deriva
del
proyecto
ISTBO-P02
del
Plan
Institucional
de
I+D+i
2026–2030
del
Instituto
Superior
Universitario
Bernardo
O’Higgins. La unidad de diseño fue el sistema
de decisión de talento humano y su capacidad
para integrar información sobre competencias,
bienestar,
desempeño
y
permanencia.
La
construcción del modelo se desarrolló en cuatro
procedimientos.

Primero,
se
revisaron
referentes
científicos
sobre
HR/People
Analytics,
métricas
de
recursos
humanos,
capacidades
analíticas
y
alineación
estratégica.
Segundo,
se
integraron
marcos
teóricos
de
competencias,
demandas-
recursos,
engagement,
apoyo
organizacional,
compromiso
y
retención.
Tercero,
se
contextualizó
el
problema
con
estadísticas
oficiales de estructura empresarial y empleo de
Pichincha.
Cuarto,
se
realizó
modelación
conceptual para organizar variables, relaciones,
niveles
analíticos,
salvaguardas
éticas
y
productos de decisión.

La
revisión
científica
priorizó
trabajos
indexados
con
DOI
verificable
y
aportes
conceptuales
o
empíricos
directamente
vinculados con las dimensiones del modelo. Se
incluyeron revisiones, metaanálisis, estudios de
medición y artículos de workforce analytics. No
se utilizó la literatura para inferir que relaciones
observadas en otros países son automáticamente
equivalentes
en
Pichincha;
los
hallazgos
se
emplearon
como
fundamento
de
variables
e
hipótesis
que
deberán
validarse
localmente.
Para
la
fase
empírica
se
propone
un
diseño
multiphase. La población estará constituida por
organizaciones
de
Pichincha
con
procesos
de
talento
humano
y
personas
trabajadoras
elegibles.
La
selección
organizacional
será
intencional
por
criterios
de
acceso,
formalización mínima y autorización; dentro de
organizaciones, cuando exista marco completo,
se
utilizará
muestreo
probabilístico
o
estratificado. El tamaño de muestra se definirá
según
universo
accesible,
número
de
predictores,
prevalencia
de
eventos
y
tipo
de
modelo,
evitando
establecer
cifras
sin
base
muestral.

Las
variables
centrales
serán:
capacidad
de
People
Analytics;
ajuste
de
competencias;
bienestar/engagement;
desempeño;
apoyo
y
compromiso; e intención de permanencia. Los
datos
podrán
provenir
de
encuestas,
instrumentos de competencias, evaluaciones de
desempeño
y
registros
administrativos
autorizados.
Se
elaborará
un
diccionario
de
variables
y
una
matriz
de
calidad
que
documente
definición,
tipo,
fuente,
periodicidad,
completitud,
permisos
y
transformaciones.

El análisis seguirá una escalera de complejidad
condicionada
por
los
datos.
Se
iniciará
con
estadística descriptiva, confiabilidad y perfiles;
continuará
con
asociaciones
y
modelos
multivariados; y solo avanzará a predicción o
segmentación
cuando
existan
suficiencia
muestral,
estabilidad
y
validez.
En
problemas
binarios
se
considerarán
modelos
logísticos
y
métricas
de
discriminación
y
calibración;
en
resultados continuos, regresión y evaluación de
supuestos. Métodos de aprendizaje automático
se utilizarán únicamente cuando agreguen valor
y mantengan interpretabilidad. El componente
cualitativo
empleará
entrevistas
y
análisis
temático
para
comprender
contexto,

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 10.1
Edición Espécial X 2026
Página 815

mecanismos y utilidad de las recomendaciones.
La
ética
se
incorporó
como
restricción
de
diseño.
Se
aplicarán
minimización
de
datos,
finalidad
específica,
seudonimización,
control
de
acceso,
registro
de
transformaciones,
consentimiento
o
autorización
pertinente
y
revisión humana de decisiones. No se plantea el
uso del modelo para sanciones automatizadas ni
para inferir atributos sensibles no necesarios. La
validación
del
MIPAC-BR
combinará
juicio
experto, evaluación de contenido y pilotaje de
utilidad;
en
instrumentos
nuevos
podrán
estimarse
V
de
Aiken
y
consistencia
interna
según corresponda.

Resultados y Discusión

El principal resultado de la fase de diseño es el
MIPAC-BR, una arquitectura que integra siete
componentes:
gobernanza
y
calidad
de
datos;
competencias; bienestar; desempeño; capacidad
analítica;
decisiones
de
gestión;
y
retención
sostenible. La integración parte del supuesto de
que
ningún
indicador
aislado
describe
adecuadamente
el
estado
del
talento.
La
competencia puede ser alta, pero coexistir con
demandas
excesivas;
el
desempeño
puede
ser
aceptable,
pero
acompañarse
de
intención
de
salida;
un
bajo
resultado
puede
responder
a
brechas de capacidad o a falta de recursos del
puesto. Por ello, el modelo combina variables
personales, laborales y del sistema de gestión.

Figura
1.
Modelo
Integrado
de
People
Analytics, Competencias, Bienestar y Retención
(MIPAC-BR).

Fuente: Elaboración propia.

El primer componente, gobernanza y calidad de
datos, funciona como condición habilitante. El
modelo
requiere
definiciones
comunes,
identificadores
consistentes,
periodicidad,
trazabilidad y reglas de acceso. Esta decisión se
alinea
con
Minbaeva
(2018),
quien
sitúa
la
calidad de datos como requisito de credibilidad,
y
con
Dulebohn
y
Johnson
(2013),
quienes
muestran
que
las
necesidades
de
métricas
dependen del nivel de decisión. En el MIPAC-
BR,
un
tablero
no
puede
considerarse
“analítica”
si
los
datos
subyacentes
no
son
comparables o si sus definiciones cambian entre
unidades.
El
segundo
componente
es
la
arquitectura de competencias.

Siguiendo a Campion et al. (2011), el modelo
diferencia requisitos del rol, niveles observados
y
brechas.
Las
brechas
se
interpretan
conjuntamente con contexto y desempeño, no
como
déficits
individuales
absolutos.
Esta
integración
permite
distinguir
necesidades
de
desarrollo, rediseño de rol, soporte o movilidad.
El tercer componente es bienestar, estructurado
mediante
demandas,
recursos,
engagement
y
apoyo. La inclusión de estas variables evita que
la
analítica
recomiende
intervenciones
de
desempeño
sin
considerar
sostenibilidad
humana.

El
cuarto
componente
corresponde
a
desempeño,
entendido
como
resultados
y
comportamientos contextualizados. El quinto es
la
capacidad
de
People
Analytics,
que
se
representa
en
una
escalera
de
cuatro
niveles:
descriptivo,
diagnóstico,
predictivo
y
prescriptivo.
La
progresión
no
es
obligatoria:
una organización
puede
obtener más valor de
indicadores
bien
gobernados
y
análisis
explicativos
robustos
que
de
modelos
predictivos
inestables.
Huselid
(2018)
y
Levenson
(2018)
respaldan
la
necesidad
de
conectar
analítica
y
estrategia,
mientras

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 10.1
Edición Espécial X 2026
Página 816

Kryscynski
et
al.
(2018)
muestran
que
la
capacidad analítica de profesionales de recursos
humanos se asocia con su desempeño. El sexto
componente
traduce
análisis
en
decisiones
de
gestión:
desarrollo,
selección,
movilidad,
ajustes
de
cargas,
rediseño
de
procesos,
reconocimiento, liderazgo o intervenciones de
bienestar. El séptimo componente es retención
sostenible,
que
combina
intención
de
permanencia,
compromiso,
razones
de
permanencia,
movilidad
y,
cuando
exista
información
confiable,
rotación
histórica.
La
lógica de retención es diferenciada: Hausknecht
et
al.
(2009)
muestran
que
razones
de
permanencia varían entre grupos, y Allen et al.
(2010) advierten contra políticas universales.
El
modelo
incorpora
una
matriz
de
decisión
que
obliga
a
asociar
cada
hallazgo
con
evidencia,
incertidumbre,
acción,
responsable
y
mecanismo de evaluación. De esta manera, una
correlación no se traduce automáticamente en
causalidad, y una predicción no se convierte en
decisión automática. Cada recomendación debe
ser interpretable, proporcional y susceptible de
seguimiento.
La
contextualización
territorial
sugiere que Pichincha es un escenario adecuado
para
validar
una
arquitectura
modular.
La
coexistencia
de
organizaciones
intensivas
en
servicios,
tecnología,
finanzas,
comercio,
industria
y
agroindustria
permite
comparar
niveles de formalización y madurez de datos.
No obstante, la provincia no se trata como una
unidad
homogénea:
la
selección
de
organizaciones deberá estratificarse por sector,
tamaño,
territorio
y
madurez
cuando
la
disponibilidad
lo
permita.
El
MIPAC-BR
responde a una limitación recurrente señalada
en
la
literatura:
la
distancia
entre
promesa
y
práctica
de
People
Analytics.
Marler
y
Boudreau
(2017)
observaron
que
el
campo
necesitaba
mayor
evidencia
y
rigor;
Tursunbayeva et al. (2018) mostraron fronteras
conceptuales
amplias;
Margherita
(2022)
identificó una proliferación temática que exige
sistematización.

Tabla 1.
Resultados obtenidos.

Nivel analítico

Pregunta

Producto

Condición mínima

Descriptivo

¿Qué está ocurriendo?

Indicadores, perfiles, tendencias.

Datos definidos y comparables.

Diagnóstico

¿Qué factores se relacionan con el
resultado?

Asociaciones, segmentos,
hipótesis explicativas.

Variables relevantes y contexto.

Predictivo

¿Qué probabilidad tiene un
resultado futuro?

Modelos de riesgo/proyección.

Suficiencia, validación,
calibración y explicabilidad.

Prescriptivo

¿Qué intervención conviene
evaluar?

Escenarios y recomendaciones.

Evidencia previa, factibilidad y
evaluación posterior.

Fuente: Elaboración propia.

El
modelo
propuesto
intenta
reducir
esa
fragmentación
mediante
una
arquitectura
que
empieza por gobernanza de datos y problemas
de
decisión,
y
no
por
algoritmos.
La
primera
contribución consiste en integrar competencias
y bienestar dentro del mismo sistema analítico.
Los modelos de competencias suelen alimentar
selección
y
desarrollo,
pero
no
siempre
se
relacionan
con
condiciones
de
trabajo.
Al
incorporar
demandas,
recursos,
engagement
y
apoyo, el MIPAC-BR reconoce que una brecha
de
desempeño
no
puede
atribuirse
automáticamente
a
falta
de
competencia.
Bakker
y
Demerouti
(2007),
Guest
(2017)
y
Schaufeli
et
al.
(2006)
ofrecen
fundamentos
para
evaluar
condiciones
que
energizan
o
desgastan
el
desempeño.
La
segunda
contribución
es
tratar
la
retención
como
resultado
multidimensional.
La
evidencia
acumulada
sobre
compromiso,
apoyo
y
permanencia
muestra
que
salir
o
permanecer
responde
a
múltiples
mecanismos.
Rhoades
y

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 10.1
Edición Espécial X 2026
Página 817

Eisenberger (2002) relacionan apoyo con menor
retirada;
Meyer
et
al.
(2002)
diferencian
componentes
de
compromiso;
Saks
(2006,
2019)
vincula
engagement
con
actitudes
y
comportamientos; Hom et al. (2017) muestran
la
evolución
teórica
desde
rotación
hacia
permanencia
y
trayectorias.
El
modelo
evita,
por
ello,
interpretar
una
“probabilidad
de
salida” como explicación suficiente. La tercera
contribución
es
metodológica
y
ética.
La
analítica predictiva en recursos humanos puede
producir
una
apariencia
de
objetividad
que
oculte sesgos de medición, selección y uso. Por
eso,
la
arquitectura
propuesta
condiciona
cualquier
predicción
a
calidad
de
datos,
suficiencia, estabilidad, desempeño diferencial
y explicabilidad.

Becker
y
Huselid
(2006)
resaltan
que
la
arquitectura
de
recursos
humanos
debe
conectarse
con
ejecución
estratégica;
el
MIPAC-BR añade que esa conexión
debe ser
verificable
y
compatible
con
derechos
de
las
personas.
En
el
contexto
de
Pichincha,
la
propuesta tiene pertinencia por la concentración
de
empresas
y
empleo
adecuado,
pero
la
transferencia exige cautela. No puede asumirse
que prácticas de una organización financiera de
Quito sean equivalentes a las de una empresa
agroindustrial
de
Cayambe
o
una
operación
logística
de
Mejía.
Por
ello,
el
modelo
es
modular:
define
un
núcleo
común
de
datos,
competencias,
bienestar,
desempeño
y
permanencia, pero permite variar indicadores,
periodicidad y métodos según sector y madurez.
El artículo presenta limitaciones. Los resultados
corresponden
a
diseño
conceptual
y
metodológico, no a estimaciones empíricas de
asociaciones o tasas de retención. La validación
futura
deberá
examinar
propiedades
psicométricas,
estabilidad
de
indicadores,
calidad
predictiva,
utilidad
para
usuarios
y
posibles
efectos
no
deseados.
También
será
necesario
evaluar
invariancia
o
desempeño
diferencial
entre
grupos
antes
de
utilizar
modelos en decisiones sensibles. La agenda de
investigación incluye comparar organizaciones
con
distinta
madurez
analítica;
analizar
si
calidad
de
datos
modera
la
relación
entre
capacidad
analítica
y
decisiones;
evaluar
mediación
del
bienestar
entre
condiciones
de
trabajo
y
permanencia;
y
estudiar
si
intervenciones
basadas
en
el
MIPAC-BR
mejoran
resultados
sin
deteriorar
equidad
o
confianza. Estas preguntas permiten avanzar de
una
lógica
de
“dashboard”
a
una
lógica
de
aprendizaje
organizacional
basado
en
evidencia.

Conclusiones

People
Analytics
genera
valor
cuando
transforma
datos
confiables
en
conocimiento
accionable,
pero
su
efectividad
depende
de
teoría,
contexto,
capacidades
analíticas,
gobernanza
y
ética.
La
integración
propuesta
muestra
que
competencias,
bienestar,
desempeño
y
retención
no
deben
analizarse
como
módulos
desconectados:
forman
un
sistema en el que los resultados de una persona
dependen de su ajuste con el rol, de recursos y
demandas,
de
apoyo
organizacional
y
de
decisiones de gestión.

El MIPAC-BR organiza esa integración en siete
componentes y una progresión analítica desde
descripción
hasta
prescripción.
La
propuesta
incorpora
una
regla
fundamental:
la
sofisticación del método debe ser proporcional
a
la
calidad
de
datos
y
a
la
capacidad
de
interpretar y actuar. Un modelo predictivo no
sustituye una definición clara del problema ni
legitima
decisiones
automáticas.
Para
organizaciones
de
Pichincha,
la
arquitectura
ofrece una base adaptable a distintos sectores y
niveles de madurez. Su siguiente etapa debe ser
la validación empírica mediante organizaciones

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 10.1
Edición Espécial X 2026
Página 818

autorizadas,
instrumentos
pertinentes,
datos
protegidos
y
evaluación
de
utilidad.
La
transferencia será efectiva cuando los resultados
se
incorporen
a
decisiones,
procesos
de
desarrollo,
tableros,
formación
y
mecanismos
de
seguimiento,
y
no
únicamente
cuando
se
produzca un informe o visualización.

Referencias Bibliográficas

Allen, D., Bryant, P., & Vardaman, J. (2010).
Retaining
talent:
Replacing
misconceptions
with evidence-based strategies. Academy of
Management
Perspectives,
24(2),
48–64.
https://doi.org/10.5465/amp.2010.51827775

Bakker, A., & Demerouti, E. (2007). The Job
Demands–Resources model: State of the art.
Journal
of
Managerial
Psychology,
22(3),
309–328.
https://doi.org/10.1108/02683940710733115

Becker,
B.,
&
Huselid,
M.
(2006).
Strategic
human resources management: Where do we
go from here? Journal of Management, 32(6),
898–925.
https://doi.org/10.1177/0149206306293668

Campion, M., Fink, A., Ruggeberg, B., Carr, L.,
Phillips,
G.,
&
Odman,
R.
(2011).
Doing
competencies
well:
Best
practices
in
competency
modeling.
Personnel
Psychology,
64(1),
225–262.
https://doi.org/10.1111/j.1744-
6570.2010.01207.x

Dulebohn,
J.,
&
Johnson,
R.
(2013).
Human
resource
metrics
and
decision
support:
A
classification
framework.
Human
Resource
Management
Review,
23(1),
71–83.
https://doi.org/10.1016/j.hrmr.2012.06.005

Guest, D. (2017). Human resource management
and
employee
well-being:
Towards
a
new
analytic
framework.
Human
Resource
Management
Journal,
27(1),
22–38.
https://doi.org/10.1111/1748-8583.12139

Hausknecht,
J.,
Rodda,
J.,
&
Howard,
M.
(2009).
Targeted
employee
retention:
Performance-based
and
job-related
differences
in
reported
reasons
for
staying.
Human Resource Management, 48(2), 269–
288.
https://doi.org/10.1002/hrm.20279

Hom, P., Lee, T., Shaw, J., & Hausknecht, J.
(2017).
One
hundred
years
of
employee
turnover
theory
and
research.
Journal
of
Applied
Psychology,
102(3),
530–545.
https://doi.org/10.1037/apl0000103

Huselid, M. (2018). The science and practice of
workforce
analytics.
Human
Resource
Management,
57(3),
679–684.
https://doi.org/10.1002/hrm.21916

Instituto
Nacional
de
Estadística
y
Censos.
(2025).
Principales
resultados
de
mercado
laboral
y
pobreza
anual
2025.
INEC.
https://www.ecuadorencifras.gob.ec/

Instituto
Nacional
de
Estadística
y
Censos.
(2025).
Registro
Estadístico
de
Empresas
2024:
Principales
resultados,
II
semestre.
INEC.
https://www.ecuadorencifras.gob.ec/registro
-estadistico-de-empresas/

Jiang, K., Lepak, D., Hu, J., & Baer, J. (2012).
How
does
human
resource
management
influence
organizational
outcomes?
Academy
of
Management
Journal,
55(6),
1264–1294.
https://doi.org/10.5465/amj.2011.0088

Kryscynski, D., Reeves, C., Stice-Lusvardi, R.,
Ulrich, M., & Russell, G. (2018). Analytical
abilities
and
the
performance
of
HR
professionals.
Human
Resource
Management,
57(3),
715–738.
https://doi.org/10.1002/hrm.21854

Levenson,
A.
(2018).
Using
workforce
analytics
to
improve
strategy
execution.
Human Resource Management, 57(3), 685–
700.
https://doi.org/10.1002/hrm.21850

Margherita,
A.
(2022).
Human
resources
analytics:
A
systematization
of
research
topics
and
directions
for
future
research.
Human
Resource
Management
Review,
32(2),
100795.
https://doi.org/10.1016/j.hrmr.2020.100795

Marler, J., & Boudreau, J. (2017). An evidence-
based
review
of
HR
Analytics.
The
International
Journal
of
Human
Resource
Management,
28(1),
3–26.
https://doi.org/10.1080/09585192.2016.1244
699

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 10.1
Edición Espécial X 2026
Página 819
Licencia de Creative Commons

Meyer,
J.,
Stanley,
D.,
Herscovitch,
L.,
&
Topolnytsky,
L.
(2002).
Affective,
continuance,
and
normative
commitment
to
the
organization.
Journal
of
Vocational
Behavior,
61(1),
20–52.
https://doi.org/10.1006/jvbe.2001.1842

Minbaeva, D. (2018). Building credible human
capital
analytics
for
organizational
competitive
advantage.
Human
Resource
Management,
57(3),
701–713.
https://doi.org/10.1002/hrm.21848

Rhoades,
L.,
&
Eisenberger,
R.
(2002).
Perceived
organizational
support:
A
review
of
the
literature.
Journal
of
Applied
Psychology,
87(4),
698–714.
https://doi.org/10.1037/0021-9010.87.4.698

Saks, A. (2006). Antecedents and consequences
of
employee
engagement.
Journal
of
Managerial
Psychology,
21(7),
600–619.
https://doi.org/10.1108/02683940610690169

Saks, A. (2019). Antecedents and consequences
of employee engagement revisited. Journal of
Organizational
Effectiveness:
People
and
Performance,
6(1),
19–38.
https://doi.org/10.1108/JOEPP-06-2018-
0034

Schaufeli,
W.,
Bakker,
A.,
&
Salanova,
M.
(2006).
The
measurement
of
work
engagement
with
a
short
questionnaire.
Educational
and
Psychological
Measurement,
66(4),
701–716.
https://doi.org/10.1177/0013164405282471

Tursunbayeva, A., Di Lauro, S., & Pagliari, C.
(2018). People analytics A scoping review of
conceptual
boundaries
and
value
propositions.
International
Journal
of
Information
Management,
43,
224–247.
https://doi.org/10.1016/j.ijinfomgt.2018.08.0
02

Esta obra está bajo una licencia de
Creative
Commons
Reconocimiento-No
Comercial
4.0 Internacional. Copyright ©
Francisco Vicente Soto
Paredes, Taña Diocelina Guanochanga Oña y Hernán
Eduardo Paredes García.

Declaraciones éticas y editoriales del artículo

Contribución de los autores (Taxonomía CRediT)

Francisco Vicente Soto Paredes: conceptualización de la investigación, diseño metodológico, desarrollo del proceso investigativo, análisis formal de
los datos, redacción del borrador original del manuscrito, revisión crítica del contenido científico y supervisión general del estudio.

Taña Diocelina Guanochanga Oña: curación y organización de los datos, participación en la recolección de información, validación de los resultados
obtenidos y elaboración de representaciones gráficas y visualización de los datos.

Hernán Eduardo Paredes García: provisión de recursos académicos y materiales para el desarrollo del estudio, apoyo en la administración del
proyecto investigativo y revisión editorial del manuscrito antes de su publicación.

Declaración de conflicto de intereses

Los autores declaran que no existe conflicto de intereses en relación con la investigación presentada, la autoría del manuscrito ni la publicación del
presente artículo.

Declaración de financiamiento

La presente investigación no recibió financiamiento específico de agencias públicas, comerciales o de organizaciones sin fines de lucro. En caso de
existir financiamiento institucional o externo, este deberá ser declarado explícitamente por los autores en esta sección.

Declaración del editor

El editor responsable certifica que el proceso editorial del presente artículo se desarrolló conforme a los principios de integridad científica,
transparencia y buenas prácticas editoriales. El manuscrito fue sometido a un proceso de evaluación mediante revisión por pares doble ciego,
garantizando la confidencialidad de la identidad de los autores y revisores durante todo el proceso de dictamen académico. Asimismo, el editor
declara que el artículo cumple con los criterios científicos, metodológicos y éticos establecidos por la revista.

Declaración de los revisores

Los revisores externos que participaron en la evaluación del presente manuscrito declaran haber realizado el proceso de revisión de manera objetiva,
independiente y confidencial. Asimismo, manifiestan que no mantienen conflictos de interés con los autores ni con la investigación evaluada, y que
sus observaciones y recomendaciones se fundamentan exclusivamente en criterios científicos, metodológicos y académicos.

Declaración ética de la investigación

Los autores declaran que la investigación se desarrolló respetando los principios éticos de la investigación científica, garantizando la confidencialidad
de los datos y el respeto a los participantes del estudio. En los casos en que la investigación involucre seres humanos, los procedimientos deben
ajustarse a los principios éticos establecidos en la Declaración de Helsinki y a las normativas institucionales correspondientes.

Declaración sobre el uso de inteligencia artificial

Los autores declaran que el uso de herramientas de inteligencia artificial, en caso de haberse utilizado durante el proceso de investigación o redacción
del manuscrito, se realizó únicamente como apoyo técnico para mejorar la claridad del lenguaje o el análisis de información, manteniendo siempre la
responsabilidad intelectual sobre el contenido del artículo. Las herramientas de inteligencia artificial no fueron utilizadas como autoras del
manuscrito ni sustituyen la responsabilidad académica de los investigadores.

Disponibilidad de datos

Los datos que respaldan los resultados de esta investigación estarán disponibles previa solicitud razonable al autor de correspondencia, respetando las
normas éticas y de confidencialidad establecidas por la investigación.

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 10.1
Edición Espécial X 2026
Página 820