La analítica de datos en reclutamiento, también llamada analítica de reclutamiento o de selección, consiste en usar los datos de contratación para decidir dónde buscar candidatos, a qué ritmo avanzar, qué ofrecer y a quién contratar. En lugar de basarse en la costumbre o la intuición, los equipos de adquisición de talento (TA) miden cada fase del embudo, la comparan con el mercado laboral externo y corrigen la fase en la que se pierden candidatos.
Esta disciplina está llegando a los propios recruiters. El análisis de TalentUp de ofertas de empleo de recruiters y de adquisición de talento en diez países europeos muestra que el 12,0% pedía competencias en datos, métricas o analítica en enero–septiembre de 2026, frente al 7,4% en el mismo periodo de 2024. Las menciones de métricas de reclutamiento concretas, como el tiempo de contratación o las tasas de conversión, casi se duplicaron, del 5,2% al 9,0%.
Esta guía explica los cuatro niveles de la analítica de reclutamiento, las métricas que vale la pena seguir (con fórmulas), lo que aportan los datos externos de ofertas de empleo, un plan paso a paso para crear esta capacidad y las normas de la UE sobre IA y transparencia retributiva que ahora condicionan cómo se pueden usar los datos de contratación.
Puntos clave
- La analítica de reclutamiento combina los datos internos del embudo (ATS, HRIS) con datos externos de mercado sobre salarios y demanda.
- Seis métricas cubren la mayoría de las necesidades: tiempo de contratación, tiempo de cobertura, fuente de contratación, conversión por fase, aceptación de ofertas y coste por contratación; la calidad de la contratación las vincula con los resultados.
- Las ofertas de empleo de recruiters en Europa piden cada vez más competencias de analítica: el 12,0% en 2026 frente al 7,4% en 2024 (datos de TalentUp).
- La analítica de ofertas solo es tan buena como tu benchmark salarial: en 2026 solo alrededor del 38% de las ofertas de recruiters de nuestra muestra indicaba el salario, y la práctica varía mucho según el país.
- La IA utilizada para filtrar o evaluar candidatos es de alto riesgo según el Reglamento de IA de la UE; planifica la gobernanza antes de automatizar.
¿Qué es la analítica de datos en reclutamiento?
La analítica de reclutamiento es la recopilación y el análisis sistemáticos de los datos de contratación para tomar mejores decisiones. Los datos proceden de tres fuentes:
- Tu sistema de seguimiento de candidatos (ATS): solicitudes de vacantes, candidaturas, movimientos entre fases, entrevistas, ofertas y la fuente de cada candidato.
- Tu HRIS y tus datos de desempeño: lo que ocurrió después de la contratación, como las evaluaciones de desempeño, el tiempo hasta alcanzar la plena productividad, las promociones y la rotación temprana.
- El mercado externo: volumen de ofertas de empleo, salarios publicados, competencias más demandadas y cómo presentan sus ofertas los competidores.
La mayoría de las guías de analítica de reclutamiento se quedan en la primera fuente. La segunda convierte las métricas de actividad en métricas de calidad, y la tercera te dice si un embudo lento se debe a tu proceso o simplemente a un mercado tensionado.
La madurez analítica suele avanzar en cuatro niveles:
| Nivel |
Pregunta que responde |
Resultados típicos |
Datos necesarios |
| Descriptivo |
¿Qué ha pasado? |
Tiempo de contratación, candidaturas por puesto, contrataciones por fuente |
Datos del ATS limpios |
| Diagnóstico |
¿Por qué ha pasado? |
Abandono fase a fase, ofertas rechazadas por motivo, comparación con los salarios de mercado |
ATS + datos de ofertas + benchmarks salariales |
| Predictivo |
¿Qué es probable que pase? |
Previsión de necesidades de contratación, tiempo de cobertura probable, riesgo de rotación temprana |
Varios años de histórico, resultados del HRIS |
| Prescriptivo |
¿Qué deberíamos hacer? |
Asignación de presupuesto por canal, rango de oferta recomendado, vacantes priorizadas |
Todo lo anterior más reglas de decisión claras |
La mayoría de los equipos de RRHH obtienen el mayor retorno al pasar bien de lo descriptivo a lo diagnóstico, mucho antes de cualquier modelo predictivo. Para una visión más amplia de cómo se están digitalizando las funciones de RRHH, consulta la transformación digital de RRHH en Europa.
No necesitas decenas de KPIs. Estas siete cubren todo el embudo y son fáciles de calcular a partir de una exportación del ATS:
| Métrica |
Fórmula |
Qué te dice |
| Tiempo de contratación |
Fecha de aceptación de la oferta − fecha de entrada del candidato en el proceso |
A qué velocidad avanza tu proceso una vez encuentras a alguien |
| Tiempo de cobertura |
Fecha de aceptación de la oferta − fecha de apertura de la vacante |
Cuánto espera el negocio para cubrir el puesto; incluye el tiempo de búsqueda |
| Fuente de contratación |
Contrataciones de un canal ÷ total de contrataciones |
Qué canales generan realmente contrataciones, no solo candidaturas |
| Tasa de conversión por fase |
Candidatos que superan una fase ÷ candidatos que entran en ella |
Dónde se pierden candidatos (cribado, entrevista, oferta) |
| Tasa de aceptación de ofertas |
Ofertas aceptadas ÷ ofertas realizadas |
Si tus ofertas (salario, condiciones, rapidez) son competitivas |
| Coste por contratación |
(Costes de reclutamiento internos + externos) ÷ número de contrataciones |
Eficiencia del gasto en canales y agencias |
| Calidad de la contratación |
Puntuación acordada a partir del desempeño, el tiempo hasta la plena productividad y la retención el primer año |
Si el proceso selecciona a personas que tienen éxito |
Tres reglas prácticas hacen que estas cifras sean útiles:
- Segmenta antes de comparar. El tiempo de cobertura de una ingeniera sénior y el de un operario de almacén significan cosas distintas. Desglosa cada métrica por familia de puestos, nivel y país.
- Sigue tendencias, no valores aislados. Una tasa de aceptación de ofertas que cae durante dos trimestres es una señal; un solo mes malo normalmente no lo es.
- Combina rapidez y calidad. Reducir el tiempo de contratación solo es positivo si la calidad de la contratación y la retención el primer año se mantienen.
Qué muestran los datos de ofertas de TalentUp sobre el reclutamiento en 2026
TalentUp recopila ofertas de empleo de cientos de portales de empleo y páginas de empleo corporativas. Analizar los puestos de recruiter y de adquisición de talento en diez países europeos permite ver cómo está cambiando la propia profesión y qué ven los candidatos cuando comparan ofertas.
12,0%
de las ofertas de recruiters pedía competencias en datos, métricas o analítica en 2026 (7,4% en 2024)
9,0%
mencionaba métricas de reclutamiento concretas, como el tiempo de contratación o las tasas de conversión (5,2% en 2024)
~38%
de las ofertas de recruiters indicaba un salario en 2026
Fuente: base de datos de ofertas de empleo de TalentUp, ofertas de recruiters y TA en 10 países europeos, enero–septiembre de 2024 y 2026.
| Competencia o requisito mencionado en las ofertas de recruiters |
Ene–sep 2024 |
Ene–sep 2026 |
| Cualquier requisito de datos, métricas o analítica |
7,4% |
12,0% |
| Métricas de reclutamiento (tiempo de contratación, coste por contratación, tasas de conversión, KPIs de reclutamiento) |
5,2% |
9,0% |
| Reclutamiento «data-driven», análisis de datos de reclutamiento, people analytics |
4,8% |
7,4% |
| Reporting o dashboards |
12,2% |
12,5% |
| Herramientas de IA para reclutamiento (sourcing o cribado con IA, ChatGPT, IA generativa) |
0,8% |
2,2% |
| Excel |
7,9% |
5,7% |
| Herramientas de BI (Power BI, Tableau, Looker, SQL) |
0,3% |
0,7% |
Destacan dos patrones. Primero, las empresas esperan cada vez más que los recruiters se responsabilicen de las cifras de su embudo: las ofertas piden a los candidatos «hacer seguimiento de KPIs como el tiempo de contratación y las tasas de conversión» o «usar datos del embudo y métricas de contratación para detectar bloqueos». Segundo, la analítica que se espera es específica de reclutamiento más que técnica: las menciones de herramientas de BI y SQL siguen por debajo del 1%, mientras que las menciones genéricas de Excel han bajado. Lo que buscan las empresas es saber interpretar los datos de contratación y actuar en consecuencia, no construir pipelines de datos.
Las ofertas de recruiters también han pasado a representar una parte menor del total de ofertas en estos países: el 0,55% en enero–septiembre de 2026, frente al 0,73% en el mismo periodo de 2024. Con menos recruiters por vacante, crece la presión para priorizar con datos. Para ver el efecto en la contratación de perfiles júnior, consulta por qué los empleos de nivel inicial en Europa son cada vez más difíciles de encontrar.
Datos externos de mercado: la capa que falta en la mayoría de los dashboards de TA
Las métricas internas te dicen que algo va mal; los datos externos a menudo te dicen por qué. Un tiempo de cobertura largo puede deberse a un proceso lento o, simplemente, a que todos los competidores están contratando el mismo perfil. Una tasa de aceptación de ofertas baja puede deberse a decisiones lentas o a que tu rango salarial está por debajo de lo que los candidatos ven en otras empresas.
La información salarial es el ejemplo más directo. En la muestra de TalentUp de 2026 de ofertas de recruiters y TA, el porcentaje que indicaba el salario variaba mucho según el país:
| País |
Ofertas de recruiters que indican salario (ene–sep 2026, aprox.) |
| Países Bajos |
~67% |
| Reino Unido |
~65% |
| Francia |
~34% |
| España |
~20% |
| Alemania |
~19% |
| Italia |
~18% |
| Portugal |
~16% |
Donde la mayoría de los competidores publican rangos, los candidatos comparan ofertas antes de presentar su candidatura, y un rango poco competitivo se traduce en menos candidaturas y más ofertas rechazadas, no en una queja explícita. Donde pocos los publican, tu propio rango puede convertirse en un factor diferencial. Nuestro análisis de ofertas de empleo con salario transparente ofrece la visión de conjunto del mercado.
Esto está cambiando por ley. Según la Directiva de la UE sobre transparencia retributiva (2023/970), cuyo plazo de transposición vencía el 7 de junio de 2026, las empresas deben comunicar a los candidatos el salario inicial o la banda salarial antes de la entrevista y no pueden preguntar por su historial salarial, a medida que se apliquen las leyes nacionales. Por eso, la analítica de ofertas necesita rangos defendibles y basados en el mercado antes de abrir la vacante. Lee por qué el benchmarking salarial es clave para cumplir la transparencia retributiva de la UE o empieza con el benchmark salarial gratuito de transparencia retributiva.
Cómo crear una capacidad de analítica de reclutamiento, paso a paso
- Define primero las decisiones. Enumera las 3–5 decisiones que quieres que se apoyen en datos, por ejemplo el presupuesto por canal, los rangos de oferta o la prioridad de las vacantes. Cada métrica debe corresponder a una de ellas.
- Limpia los datos del ATS. Haz que las fases, los motivos de descarte y las fuentes sean obligatorios y coherentes. La mayoría de los proyectos de analítica fracasan por campos vacíos o de texto libre, no por las herramientas.
- Acuerda las definiciones. Deja por escrito cómo se calculan el tiempo de contratación, el tiempo de cobertura y el coste por contratación, para que las cifras signifiquen lo mismo en todos los países e informes.
- Construye una línea base descriptiva. Reporta mensualmente las métricas principales por familia de puestos, nivel y país durante al menos dos trimestres antes de fijar objetivos.
- Añade contexto de mercado. Compara tus ofertas con datos salariales actuales para el mismo puesto, nivel y ubicación, y sigue la demanda de tus perfiles clave. La metodología de TalentUp explica cómo se normalizan los salarios de las ofertas de empleo.
- Vincula la contratación con los resultados. Cruza los registros del ATS con los datos del HRIS sobre desempeño y retención el primer año para medir la calidad de la contratación.
- Solo entonces plantéate la predicción. Prever el tiempo de cobertura o la rotación temprana requiere varios años de datos coherentes y una gobernanza clara (consulta la siguiente sección).
- Forma a los recruiters para que usen las cifras. La analítica solo cambia las decisiones si los recruiters y los hiring managers saben interpretarla. Es justo lo que piden cada vez más las ofertas de empleo anteriores; consulta también por qué la fluidez en IA en RRHH está transformando el futuro del trabajo.
Analítica predictiva, IA y sesgos: qué exigen las normas de la UE
Los modelos predictivos y el cribado con IA prometen shortlists más rápidas, pero los modelos entrenados con decisiones de contratación pasadas pueden reproducir los sesgos del pasado. En la UE se aplican ahora varias capas de regulación:
| Norma |
Qué implica para la analítica de reclutamiento |
| Reglamento de IA de la UE (Reglamento 2024/1689), anexo III |
Los sistemas de IA utilizados para publicar ofertas de empleo dirigidas, analizar y filtrar candidaturas o evaluar a candidatos son de alto riesgo. Con las modificaciones del Ómnibus de IA, aprobadas por el Parlamento Europeo el 16 de junio de 2026, estas obligaciones de alto riesgo se aplicarán a partir del 2 de diciembre de 2027. |
| RGPD (Reglamento 2016/679), artículo 22 |
Los candidatos tienen derecho a no ser objeto de una decisión basada únicamente en el tratamiento automatizado que les afecte significativamente, salvo excepciones limitadas. Mantén a una persona en la decisión. |
| Directiva de transparencia retributiva (2023/970) |
A medida que se apliquen las leyes nacionales: banda salarial antes de la entrevista, prohibición de preguntar por el historial salarial, denominaciones de puesto neutras en cuanto al género y, para empresas con 100 o más personas trabajadoras, informe sobre la brecha salarial de género (250 o más, cada año a partir del 7 de junio de 2027; 150–249, cada tres años a partir del 7 de junio de 2027; 100–149, cada tres años a partir del 7 de junio de 2031). Una brecha no justificada del 5% o más que no se corrija en seis meses obliga a una evaluación retributiva conjunta, y en los casos de discriminación retributiva la carga de la prueba pasa a la empresa. |
Una buena gobernanza no espera a los plazos:
- Audita los resultados por grupo. Compara las tasas de paso en cada fase por género y otros grupos legalmente relevantes; investiga las diferencias importantes.
- Documenta las variables. Conoce qué datos de entrada utiliza un modelo o una herramienta y excluye variables proxy como el historial salarial.
- Mantén la responsabilidad en las personas. Usa las puntuaciones para priorizar, no para descartar automáticamente.
- Informa a los candidatos. Explica cuándo y cómo se usan herramientas automatizadas en tu proceso.
Para una visión más amplia de la IA en todo RRHH, lee IA en RRHH: el futuro de los recursos humanos con inteligencia artificial.
Errores habituales en la analítica de reclutamiento
| Error |
Por qué sale mal |
Qué hacer en su lugar |
| Seguir todas las métricas que ofrece el ATS |
Dashboards que nadie lee; sin vínculo con las decisiones |
Elige métricas ligadas a 3–5 decisiones |
| Optimizar solo el tiempo de contratación |
Contrataciones más rápidas que se van el primer año |
Combina rapidez con calidad de la contratación y rotación temprana |
| Comparar medias entre puestos y países |
Un efecto composición oculta problemas reales |
Segmenta por familia de puestos, nivel y ubicación |
| Comparar ofertas con encuestas antiguas |
Los rangos se quedan por debajo del mercado y se rechazan ofertas |
Usa datos de mercado actuales para el mismo contenido de puesto |
| Automatizar descartes con un modelo no auditado |
Reproduce sesgos; riesgo legal según el RGPD y el Reglamento de IA |
Revisión humana, auditorías de resultados por grupo, documentación |
| Medir las fuentes por candidaturas |
Premia a los canales que aportan volumen, no contrataciones |
Mide contrataciones y calidad de la contratación por fuente |
La analítica también necesita una estructura retributiva detrás. Si las ofertas siguen fallando por el salario, revisa tus bandas con nuestra guía sobre cómo crear una buena banda salarial y el equilibrio entre salarios de mercado y equidad interna. Para el contexto salarial por país, consulta el European Salary Benchmark Report.
Fuentes