¿Se puede predecir el absentismo laboral con IA?
Sí. Y la evidencia científica ya lo ha demostrado. Inauguramos el blog de ThirdWish People respondiendo a la pregunta que siempre tenemos que responder desde que decidimos montar la compañía: ¿Se puede predecir el absentismo? La respuesta corta es: sí.La respuesta seria es: sí, pero no como se suele contar.La IA no es una bola de cristal.No puede garantizar que una persona concreta vaya a faltar el próximo jueves a las 9:00.Eso no es ciencia. Eso es humo.Lo que sí puede hacer la IA, y esto es lo importante, es predecir riesgo futuro de absentismo antes de que el problema aparezca en los indicadores oficiales.Puede detectar patrones.Puede anticipar qué centros, turnos, colectivos o equipos tienen más probabilidad de sufrir un incremento de ausencias.Puede estimar si el riesgo apunta a absentismo corto, frecuente o prolongado.Y puede ayudar a decidir dónde actuar antes de que el coste llegue a la cuenta de resultados.Esto no es una opinión.Esto ya aparece en la literatura científica. Explore More Primero, pongamos bien la pregunta “¿Puede una IA decirme exactamente quién se va a ausentar y cuándo?” Green Adventure Her extensive perceived may any sincerity extremity. Indeed add rather may pretty see. Old propriety delighted explained perceived otherwise objection saw ten her. Doubt merit sir the right these alone keeps. Esa pregunta está mal formulada.La pregunta correcta es otra: ¿Puede una IA identificar con antelación patrones de riesgo de absentismo para que la empresa actúe antes? Ahí la respuesta es claramente sí. Y ese matiz lo cambia todo. Porque una empresa no necesita magia. Necesita anticipación.Necesita saber dónde puede aparecer el problema.Necesita saber qué colectivos se están tensionando.Necesita saber qué centros pueden disparar el coste.Necesita saber qué señales no está viendo a simple vista.Y necesita saber qué hacer antes de que el absentismo se convierta en un problema operativo, económico y humano. Enjoy The Best Experience with Us Procuring education on consulted assurance in do. Is sympathize he expression mr no travelling. Preference he he at travelling in resolution. So striking at of to welcomed resolved. Northward by described up household therefore attention. Excellence decisively nay man yet impression for contrasted remarkably.
¿Se puede predecir el absentismo laboral con IA?
Sí. Y la evidencia científica ya lo ha demostrado. ¿Se puede predecir el absentismo laboral con IA?Sí. Y la evidencia científica ya lo ha demostrado. Inauguramos el blog de ThirdWish People respondiendo a la pregunta que siempre tenemos que responder desde que decidimos montar la compañía:¿Se puede predecir el absentismo?La respuesta corta es: sí.La respuesta seria es: sí, pero no como se suele contar.La IA no es una bola de cristal.No puede garantizar que una persona concreta vaya a faltar el próximo jueves a las 9:00.Eso no es ciencia. Eso es humo.Lo que sí puede hacer la IA, y esto es lo importante, es predecir riesgo futuro de absentismo antes de que el problema aparezca en los indicadores oficiales.Puede detectar patrones.Puede anticipar qué centros, turnos, colectivos o equipos tienen más probabilidad de sufrir un incremento deausencias.Puede estimar si el riesgo apunta a absentismo corto, frecuente o prolongado.Y puede ayudar a decidir dónde actuar antes de que el coste llegue a la cuenta de resultados.Esto no es una opinión.Esto ya aparece en la literatura científica. Primero, hagamos bien la pregunta Cuando una empresa pregunta si el absentismo se puede predecir, normalmente está preguntando esto:“¿Puede una IA decirme exactamente quién se va a ausentar y cuándo?”Esa pregunta está mal formulada.La pregunta correcta es otra:¿Puede una IA identificar con antelación patrones de riesgo de absentismo para que la empresa actúe antes?Ahí la respuesta es clara: sí.Y ese matiz lo cambia todo.Porque una empresa no necesita magia.Necesita anticipación.Necesita saber dónde puede aparecer el problema.Necesita saber qué colectivos se están tensionando.Necesita saber qué centros pueden disparar el coste.Necesita saber qué señales no está viendo a simple vista.Y necesita saber qué hacer antes de que el absentismo se convierta en un problema operativo, económico y humano. Lo que la IA no debe prometer Lo que la IA sí puede demostrar “Sabemos exactamente quién va a faltar y qué día.” “Podemos identificar personas, equipos, centros o colectivos con mayor riesgo relativo de usencia.” “Sabemos exactamentequién va a faltar y quédía.” “Podemos identificar personas, equipos, centros o colectivos con mayor riesgo relativo de usencia.” “El modelo acierta siempre.” “El modelo clasifica probabilidades y permite priorizar dónde actuar primero.” “La IA sustituye a RRHH, prevención u operaciones.” “La IA ayuda a RRHH, prevención y operaciones atomar mejores decisiones antes.” “El absentismo se elimina.”“Todos los riesgos son individuales.” “El absentismo se puede anticipar, gestionar mejor yreducir en determinados patrones accionables.” “La precisión estadística es suficiente.” “Muchos riesgos son organizativos: turno, centro,carga, calendario, manager, equipo o histórico.” Esta es la diferencia entre vender humo y construir una solución seria.La IA aplicada al absentismo no va de adivinar el futuro.Va de detectar señales de riesgo antes que los cuadros de mando tradicionales. El absentismo no es aleatorio Durante años, muchas empresas han gestionado el absentismo de forma reactiva.Primero ocurre la ausencia.Después se mide.Después se analiza.Después se hace un comité.Después se decide algo.Y muchas veces, cuando la empresa quiere actuar, el problema ya ha ocurrido.La evidencia científica plantea otra forma de trabajar: usar datos históricos para anticipar riesgo.En 2021, Lawrance, Petrides y Guerry publicaron en Decision Support Systems un estudio especialmenterelevante para cualquier empresa que quiera gestionar el absentismo de forma preventiva.El trabajo diseñó un sistema de apoyo a la decisión para un proveedor belga de RRHH y bienestar. El objetivo noera simplemente predecir ausencias. El objetivo era identificar grupos de empleados con riesgo de ausencia porenfermedad para poder intervenir antes.Y aquí está una de las claves: utilizaron datos reales de RRHH y nómina, sin necesidad de variables médicas,para generar predicciones mensuales y orientar intervenciones coste-efectivas.Esto cambia la conversación.Porque demuestra que la predicción del absentismo no tiene por qué basarse en datos clínicos sensibles.Puede empezar con datos que muchas empresas ya tienen: histórico de ausencias, datos laborales, estructuraorganizativa, nómina, calendario y coste. Los datos históricos de asistencia permiten anticipar ausencias Uno de los estudios más directos sobre predicción de absentismo es el de Zupančič y Panov, publicado en 2024en Applied Sciences.Su investigación responde a una pregunta muy parecida a la que se hacen muchas compañías:¿Podemos predecir ausencias futuras usando el histórico de asistencia?La respuesta del estudio es sí.Los autores utilizaron datos históricos de control horario y asistencia para predecir ausencias de empleados,incluyendo bajas por enfermedad y vacaciones.Además, trabajaron con distintos horizontes temporales: una semana, dos semanas y un mes.Esto es muy importante.Porque la gestión real del absentismo no ocurre en abstracto. Ocurre en ventanas concretas.La próxima semana.Las próximas dos semanas.El próximo mes.Una empresa necesita saber si un centro puede quedarse corto de personal, si un turno se puede tensionar, si una campaña puede sufrir más ausencias de las esperadas o si un colectivo empieza a mostrar un patrón de riesgo. La IA no tiene que acertar el futuro con precisión absoluta para ser útil.Tiene que mejorar la capacidad de anticipación frente a una gestión puramente reactiva.Y eso es exactamente lo que permite la predicción de riesgo. Incluso con datos administrativos de empresa ya se puede predecir riesgo Otro paper importante es el de Boot, van Drongelen, Wolbers, Hlobil, van der Beek y Smid, publicado enOccupational Medicine.El estudio analizó datos administrativos de una aerolínea con 7.652 empleados para predecir absentismo largo yabsentismo frecuente.La conclusión es muy relevante para las empresas: es posible construir modelos predictivos de empleados enriesgo de absentismo utilizando únicamente datos administrativos de la compañía.Esto no significa que cualquier Excel sirva.Significa algo más útil: muchas empresas ya tienen parte de la materia prima necesaria para empezar.No hace falta empezar por datos médicos.No hace falta entrar en diagnósticos.No hace falta invadir la privacidad del empleado.Se puede trabajar con información organizativa y laboral: histórico de ausencias, características del puesto,planificación, antigüedad, tipo de contrato, estructura, centro y condiciones de trabajo.El propio estudio también advierte que la capacidad explicativa era limitada y que conviene incorporar másfactores.Esa advertencia no debilita la tesis.La hace más creíble.Porque la conclusión seria es esta: sí se puede predecir, pero la calidad del modelo depende de la calidad, profundidad y granularidad del dato. También se puede predecir el absentismo de larga duración