Por qué la deserción temprana en la tecnología se trata más de la trayectoria profesional que de la cultura

      TL;DRA Un estudio de People Analytics que analiza a 205 profesionales de tecnología encontró que la alta rotación temprana de empleados se debe más a la falta de impulso en la carrera que a la cultura laboral. Las promociones, la movilidad interna y las oportunidades de crecimiento visibles fueron los mejores predictores de retención, mientras que la socialización en equipo tuvo poco impacto medible.

      Entré en esta investigación convencido de que ya conocía la respuesta.

      Después de más de una década en People Analytics, los últimos años en Meta, tenía una teoría de trabajo sobre por qué los empleados de tecnología dejan sus trabajos dentro del primer año. Creía que dos cosas estaban causando la mayor parte del daño: si alguien estaba siendo promovido y con qué frecuencia socializaba con su equipo inmediato fuera del trabajo. Lo primero parecía obvio. Lo segundo parecía el tipo de factor humano que la industria subestima consistentemente.

      Tenía medio razón.

      Cuando encuesté a 205 profesionales de tecnología a nivel global y entrené un modelo de aprendizaje automático para predecir la rotación temprana, las promociones resultaron ser la señal más fuerte en el conjunto de datos. ¿Pero la socialización? Apenas registró. Y los factores que sí importaron junto con las promociones apuntaron a un lugar que no había anticipado completamente. La rotación temprana en tecnología no es principalmente un problema de cultura. Es un problema de impulso en la carrera.

      Ese hallazgo cambió la forma en que pienso sobre la retención. Sospecho que podría hacer lo mismo por ti.

      La tecnología siempre ha tenido un problema de rotación

      La industria tecnológica tiene una de las tasas de rotación más altas de cualquier sector. La duración media en muchas empresas de tecnología es de alrededor de un año, independientemente del tamaño de la empresa. Esto no es una resaca post-pandémica o una anomalía del mercado laboral caliente. Ha sido la línea base estructural desde que existe la industria, y la industria nunca lo ha resuelto realmente.

      Los costos están bien documentados. Reemplazar a un empleado puede costar hasta 2.5 veces su salario una vez que se tienen en cuenta el reclutamiento, la incorporación, la pérdida de productividad y el conocimiento institucional que se va con ellos. La investigación sugiere que un aumento de una desviación estándar en la tasa de rotación se correlaciona con una caída del 8.9% en las ganancias. En una era en la que las empresas tecnológicas están invirtiendo miles de millones en infraestructura de IA y examinando cada otra línea de su base de costos, perder dinero por rotación prevenible es una posición más difícil de defender de lo que solía ser.

      Lo que se entiende menos es por qué el problema persiste a pesar de la enorme inversión en intentar solucionarlo. Las empresas tecnológicas gastan mucho en beneficios, programas de compromiso, iniciativas culturales y capacitación para gerentes. Parte de ello funciona en los márgenes. Ninguno de ellos ha doblado la curva de manera significativa.

      Parte de la razón, argumentaría, es que la mayoría de los esfuerzos de retención son reactivos. Alguien señala que está descontento, o peor, presenta su renuncia, y la respuesta se activa. Para entonces, generalmente es demasiado tarde. La pregunta que siempre me ha interesado profesionalmente no es cómo responder a la rotación una vez que está sucediendo. Es si puedes verlo venir lo suficientemente pronto como para hacer algo al respecto.

      No había ningún conjunto de datos para esto, así que hice uno

      El primer problema con el que me encontré fue la falta de datos. No hay escasez de conjuntos de datos públicos sobre la rotación de empleados, pero casi ninguno especifica la industria. El más utilizado es un conjunto de datos de RRHH ficticio creado por científicos de datos de IBM, que ha sido reciclado en docenas de estudios académicos. Es limpio, accesible y no te dice nada específico sobre el sector tecnológico.

      Así que construí el mío. Diseñé una encuesta de 24 preguntas y la distribuí globalmente a profesionales de la industria tecnológica, con un requisito estricto: tanto sus empleadores actuales como anteriores debían ser empresas de tecnología. Después de eliminar duplicados y respuestas incompletas, tenía 205 registros utilizables. No es un conjunto de datos masivo según los estándares de la industria, pero es limpio, específico y diseñado para la pregunta que intentaba responder.

      Definí "rotación temprana" como dejar un trabajo dentro del primer año. Cada encuestado fue clasificado como rotación temprana o no, y esa clasificación se convirtió en el objetivo para el que se entrenó el modelo.

      A partir de ahí, entrené cinco algoritmos de aprendizaje automático en los datos y probé cada uno en múltiples configuraciones. Utilicé una puntuación F1 en lugar de una simple precisión para medir el rendimiento, y la razón es importante. Un modelo que predice si alguien dejó su trabajo dentro de un año podría técnicamente lograr una alta precisión simplemente etiquetando a todos como "se quedó más tiempo", ya que ese es el resultado más común. Una puntuación F1 tiene en cuenta ese desequilibrio y ofrece una imagen más honesta de cuán bien está funcionando realmente el modelo. La configuración de mejor rendimiento combinó un algoritmo llamado Extra Trees Classifier con una técnica llamada SMOTE, que abordó el desequilibrio en el conjunto de datos generando ejemplos sintéticos de la clase minoritaria. Esa combinación logró una puntuación F1 de 0.97 de un máximo de 1.

      El modelo funcionó. La pregunta más interesante era qué había aprendido.

      La promoción fue la señal más fuerte en la sala

      De todas las variables en el conjunto de datos, el número de veces que alguien había sido promovido en su trabajo anterior fue el predictor más fuerte de si dejó su trabajo dentro del primer año. La correlación fue de -0.54, lo que en términos simples significa esto: cuanto menos promociones había recibido alguien, más probable era que fuera una rotación temprana. No marginalmente más probable. Significativamente más probable.

      Esto confirmó la mitad de mi hipótesis original, y no debería sorprender a nadie que haya trabajado en tecnología. La promoción no es solo un cambio de título o un aumento de sueldo. Para la mayoría de las personas, especialmente al principio de sus carreras, es la señal principal de que la empresa los ve y está invirtiendo en su futuro. Cuando esa señal no llega, las personas comienzan a buscarla en otros lugares.

      Casi la mitad de los encuestados en mi encuesta, el 49%, nunca había sido promovido en su trabajo anterior. Ese número me impactó. En una industria que se enorgullece de la meritocracia y de moverse rápido, casi la mitad de la muestra nunca había recibido un solo reconocimiento formal de progreso. El modelo estaba captando algo que se ocultaba a simple vista.

      Junto con las promociones, surgieron otros tres factores como predictores significativos. Cada uno merece ser analizado individualmente porque la direccionalidad no siempre es lo que esperarías.

      Edad. Los trabajadores más jóvenes eran significativamente más propensos a ser rotaciones tempranas. La correlación entre la edad y la salida temprana fue de -0.49, lo que significa que cuanto mayor era el encuestado, menos probable era que hubiera dejado su trabajo dentro del primer año. Esto tiene sentido intuitivo si lo piensas desde una perspectiva de psicología de carrera. Los empleados en las primeras etapas de su carrera tienen menos costos hundidos, enfrentan un reclutamiento más agresivo por parte de los competidores y tienden a tener expectativas más altas de progresión rápida. Cuando esas expectativas no se cumplen rápidamente, se van. Para los líderes de RRHH, esto significa que las contrataciones de carrera temprana y de nuevos graduados merecen una atención desproporcionada en los primeros doce meses. La planificación de carrera visible y las señales de promoción temprana no son un lujo para este grupo. Son infraestructura de retención.

      Cambios de rol internos. Este punto va en contra de una suposición común. Los empleados que habían experimentado más cambios de rol dentro de su empresa anterior eran en realidad menos propensos a haber sido rotaciones tempranas, con una correlación de -0.49. La intuición suele ser tratar la movilidad interna como un signo de inquietud. Los datos sugieren lo contrario. El movimiento dentro de una empresa parece ser un marcador de compromiso e inversión, no de inestabilidad. Las personas que son trasladadas, que cambian de equipos o funciones, son personas que han recibido razones para seguir comprometidas. Los programas rotacionales y las transferencias internas no solo son buenos para el desarrollo de habilidades. Son herramientas de retención.

      Cambios de gerente. El hallazgo más contraintuitivo en el conjunto de datos. Los empleados que habían experimentado más cambios de gerente en su empresa anterior eran menos propensos a haber dejado su trabajo dentro del primer año, con una correlación de -0.44. La suposición que la mayoría de las personas hace es que la inestabilidad del gerente impulsa la rotación, y hay mucha investigación que apoya eso a un nivel general. Pero dentro de este conjunto de datos, la relación iba en la dirección opuesta.

      Una cosa que vale la pena ser transparente en ambos hallazgos: alguien que dejó su trabajo dentro del primer año simplemente tuvo menos tiempo para acumular cambios de rol o cambios de gerente que alguien que se quedó más