Caso de estudio: Transforma tu Pensamiento — proyecto de Talento Humano de Towerbank
donde la estadística rigurosa, el machine learning y el análisis de redes
transforman datos de clima en decisiones de negocio.
Ulises González · Rizo.ma
Definiciones de clima, ONA y Graph ML. El stack analítico completo.
Instrumento de 22 dimensiones. Estadística rigurosa. ONA y centralidad.
Ficha técnica. Resultados de cultura. Demo interactiva de la red.
Dimensiones de Prosci. De datos a decisiones. Takeaways.
¿Qué es clima organizacional? ¿Cómo se mide con rigor? ¿Por qué la mayoría de las encuestas se quedan cortas?
Tres conceptos que necesitamos distinguir antes de avanzar.
Percepciones compartidas de los colaboradores sobre las prácticas, políticas y procedimientos de la organización. Se mide mediante encuestas con escalas tipo Likert. Captura actitudes individuales agregadas, no relaciones.
Mapeo y análisis de las relaciones informales de colaboración, comunicación y confianza. Captura estructura relacional — quién se conecta con quién y qué rol juegan en la red.
Familia de técnicas de aprendizaje automático que operan sobre datos con estructura de grafo (nodos + aristas). Incluye detección de comunidades, cálculo de centralidad, y modelos que incorporan atributos relacionales.
Schneider & Barbera (2014) señalan que las encuestas de clima típicamente reportan promedios sin validación estadística. ¿Qué cambia cuando se agrega rigor?
Schneider, B. & Barbera, K. M. (2014). "The Oxford Handbook of Organizational Climate and Culture." Oxford University Press.
Cuatro capas que transforman respuestas de encuesta en inteligencia accionable.
Sin instrumento validado, no hay datos confiables. 22 dimensiones peer-reviewed, Likert 5 pts, 107+ ítems.
Sin inferencia, un promedio es solo un número. Cronbach α, Welch t, Cohen's d, HLM. Discriminar señal de ruido.
La encuesta mide actitudes, no relaciones. Comunidades, centralidad, puentes, resiliencia de la red.
Si no se traduce en decisiones, no sirve. Prosci + indicadores operativos. Evidencia, no intuición.
El valor de cada capa: ¿qué pregunta responde? ¿Qué método usa? ¿Por qué importa?
Cada dimensión tiene fundamento teórico peer-reviewed. No es una encuesta genérica.
Orgullo, Propósito, Seguridad, Balance vida-trabajo, Cuidado mutuo, Demandas
Mael & Ashforth · Deci & Ryan
Liderazgo, Autonomía, Comunicación, Confianza, Claridad de rol
Bass & Avolio · Hackman & Oldham
Sueldo, Reconocimiento, Beneficios, Equidad, No-discriminación
Adams · Eisenberger
Cohesión, Innovación, Resultados, Desarrollo, Aprendizaje
Amabile · Senge · Edmondson
Engagement se mide con UWES-9*: vigor, dedicación y absorción. No es un promedio de satisfacción.
*UWES-9: Utrecht Work Engagement Scale — instrumento validado de 9 ítems (Schaufeli et al., 2006).
Cada número tiene un intervalo de confianza, un test de significancia y una medida de efecto.
Cronbach α — ¿Los ítems de una dimensión miden lo mismo?
rwg (James et al., 1984) — ¿Hay acuerdo intra-grupo?
KMO — ¿Los datos son factorizables?
Welch t-test — ¿La diferencia entre dos mediciones es real?
Bootstrap CI — Intervalos sin asumir normalidad
Cohen's d — Tamaño del efecto (small/medium/large)
Pearson r — ¿Qué dimensiones impulsan engagement?
CFA — ¿El modelo factorial se confirma?
HLM — ¿Cuánta varianza es departamental vs individual?
James et al. (1984). "Estimating Within-Group Interrater Reliability." · Cronbach (1951). "Coefficient Alpha." · Kaiser (1974). "An Index of Factorial Simplicity." · Welch (1947). "The Generalization of Student's Problem."
La capa que revela la estructura invisible de la organización.
Grafo construido desde similitud coseno entre los vectores de 22 dimensiones de cada respondente. Dos personas están conectadas si perciben la organización de forma similar.
Algoritmo que optimiza modularidad para encontrar subgrupos con mayor densidad interna que externa. Estabilidad validada con NMI (Normalized Mutual Information) sobre 50 iteraciones.
Eigenvector — influencia de segundo orden
Betweenness — nodos puente entre comunidades
Degree — conectividad directa
¿Qué dimensiones de clima diferencian más entre comunidades? Si Liderazgo tiene alto spread, la percepción de liderazgo es lo que divide a la organización en subgrupos.
Traag et al. (2019). "From Louvain to Leiden." Scientific Reports. · Danon et al. (2005). "Comparing Community Structure Identification."
Cada métrica revela un rol distinto en la red organizacional.
¿Quién es puente?
Proporción de caminos más cortos que pasan por un nodo. Identifica personas que conectan comunidades.
CB(v) = ∑ σst(v) / σst
¿Quién amplifica?
No solo cuántas conexiones tiene, sino cuán bien conectados están sus contactos. Influencia recursiva.
xv = (1/λ) ∑ xt
¿Quién conecta más?
Número de relaciones directas. Detecta hubs y nodos periféricos — la métrica más simple y más accionable.
CD(v) = deg(v) / (n - 1)
Freeman (1978). "Centrality in Social Networks: Conceptual Clarification." Social Networks, 1(3), 215-239.
¿Qué hace el machine learning que el análisis de redes clásico no puede?
Cada colaborador se representa como un vector de 22 dimensiones (sus scores de clima). La similitud coseno entre vectores genera las aristas del grafo — dos personas están conectadas si perciben la organización de forma similar. Esto transforma respuestas de encuesta en estructura de red.
El algoritmo de Leiden optimiza modularidad iterativamente para descubrir comunidades que ningún humano predefinió. No se le dice cuántos grupos buscar — los encuentra maximizando densidad interna vs externa. 50 iteraciones con NMI para validar estabilidad.
Una vez detectadas las comunidades, Graph ML identifica qué dimensiones de clima tienen mayor spread entre clusters. Si "Liderazgo Efectivo" discrimina — la percepción de liderazgo es literalmente lo que separa a los subgrupos. Eso no emerge de promedios.
¿Qué pasa si un nodo con alta betweenness se va? Graph ML permite simular la remoción de nodos y medir el impacto en conectividad, fragmentación de comunidades y pérdida de puentes inter-departamentales — antes de que ocurra.
Hamilton (2020). "Graph Representation Learning." · Traag et al. (2019). "From Louvain to Leiden." · Grover & Leskovec (2016). "node2vec."
270 colaboradores, 22 áreas funcionales y 4 mediciones históricas.
¿Qué historia cuentan los datos cuando se analizan con rigor?
Los números que validan la muestra antes de interpretar cualquier resultado.
| Organización | Towerbank (banca privada, Panamá) |
| Universo | 270 colaboradores |
| Margen de error | ±3.9% (IC 95%) |
| Período | Noviembre 2025 |
| Historicidad | 4 mediciones (2023–2026) |
| Áreas funcionales | 22 canónicas |
| Dimensiones | 18 dimensiones medidas |
| Ítems | 60 asignados (Likert 5 pts) |
| KMO | 0.904 (Marvelous) |
| Bartlett | χ² = 8,220, p < 0.001 |
| Cronbach α | Rango: 0.80 – 0.88 |
| Pipeline | v3_audited (mar. 2026) |
Instrumento validado con análisis factorial exploratorio. Pipeline reproducible (v3_audited, marzo 2026).
Cuando el clima ya es fuerte, la pregunta cambia: ¿qué estructura lo sostiene y qué tan resiliente es?
Escala relativa por dimensión — valores omitidos por confidencialidad.
Rango superior de la escala con tendencia positiva sostenida en las 4 mediciones.
Mayoría en segmentos de alto compromiso. Representación mínima en desvinculación.
Muy por encima del benchmark del sector bancario regional.
Tres hallazgos que solo emergen con análisis riguroso — no con promedios.
Correlación Pearson con ajuste Olkin-Pratt identifica qué dimensiones realmente impulsan engagement — que no siempre coinciden con las que tienen scores más altos. El driver más fuerte puede ser una dimensión "media".
El ICC (Intraclass Correlation) muestra cuánta varianza es departamental vs individual. ICC alto (>0.15) indica que la experiencia depende más de tu área que de ti — requiere intervención a nivel equipo.
Con Welch t-test y Cohen's d: ¿el cambio entre mediciones es estadísticamente significativo o solo ruido? El tamaño del efecto determina si vale la pena invertir en amplificar esa tendencia.
Grafo sintético que ilustra cómo se visualiza la estructura relacional de una organización.
→ Abrir demo en nueva pestaña · Datos 100% sintéticos para fines educativos.
Al pasar de Intermediación a Influencia, los nodos importantes cambian. No son las mismas personas — cada métrica revela un rol distinto en la red.
Haz clic en un departamento. Observa su densidad de conexiones internas vs externas. Los silos no siempre están donde crees.
Activa Simulación. Retira un broker. La fragmentación de la red es el riesgo que el organigrama no muestra.
Todo se resume en una pregunta: ¿cómo se traduce esto en decisiones que mueven indicadores?
La analítica de clima y ONA son la palanca para tomar decisiones de cambio en cada una de estas dimensiones.
Clima revela dónde generan fricción. HLM identifica si es sistémico o departamental.
Drivers Pearson muestran cuánto pesan en el engagement total.
Innovación y Cambio mide disposición a adoptar. ONA muestra el canal de difusión.
Liderazgo y Autonomía miden percepción. Wave-over-wave valida si las intervenciones funcionan.
ONA contrasta organigrama vs red real. Leiden revela los equipos verdaderos.
Seguridad Física y Balance miden contexto. Segmentación revela disparidades por área.
Brokers modelan comportamientos para el resto. Intervenir en ellos amplifica el cambio.
ONA identifica a quién conectar con mentoría por posición en la red.
Propósito, Orgullo y Cohesión capturan la base sobre la que se construye el cambio.
Clima mide percepción. ONA muestra los canales reales y dónde se interrumpen.
Prosci (2018). "Best Practices in Change Management." 10th Ed.
Cada capa del stack responde una pregunta de negocio distinta — y las respuestas se encadenan.
18 dimensiones segmentadas por 22 áreas. Si una dimensión puntúa bajo, ¿es sistémico o localizado? La segmentación lo responde.
Schneider & Barbera (2014). "The Oxford Handbook of Organizational Climate and Culture."
Cohen's d cuantifica el tamaño del efecto. Si d = 0.8, es grande y justifica inversión. Si d = 0.2, es marginal — no actuar impulsivamente.
Cohen, J. (1988). "Statistical Power Analysis for the Behavioral Sciences."
La centralidad identifica personas con alto alcance de difusión. Incluir brokers en programas de desarrollo amplifica el alcance de la intervención.
Cross, R. et al. (2004). "A Relational View of Information Seeking."
Conectar clima con indicadores operativos (rotación, ausentismo, NPS) permite estimar el costo de no-intervención y el retorno esperado por acción.
Harter et al. (2002). "Business-Unit-Level Relationship." Journal of Applied Psychology.
¿Qué puede y qué no puede hacer este enfoque? La honestidad metodológica es parte del valor.
Que Liderazgo correlacione con engagement no significa que mejorar liderazgo cause más engagement. Atribución causal requiere diseños experimentales o cuasi-experimentales.
El clima mide cómo la gente percibe la organización, no cómo actúa. Un engagement alto en encuesta puede coexistir con baja productividad o alta rotación.
Quienes no responden la encuesta podrían tener percepciones sistemáticamente distintas. El margen de error muestral no captura este sesgo — es una limitación inherente al autoinforme.
ONA basada en similitud de respuestas (perceptual) no es lo mismo que ONA basada en interacciones reales (sociométrica). La primera agrupa por percepción similar, la segunda por colaboración real.
Podsakoff et al. (2003). "Common Method Biases in Behavioral Research." Journal of Applied Psychology. · Conway, M. (1967). "How Do Committees Invent?"
¿Cómo los datos conectan e impulsan valor organizacional?
Likert × centralidad × segmentación. Cada colaborador tiene perfil actitudinal y posición estructural. Habilita preguntas que ningún dataset responde solo.
Welch t + Cohen's d separan señal de ruido. Pearson Olkin-Pratt identifica drivers reales. HLM focaliza: ¿intervención individual o departamental?
Un broker alcanza más nodos en menos pasos. Seleccionar agentes de cambio por centralidad — no por jerarquía — optimiza cada peso invertido.
(continuación)
Las 10 dimensiones de Prosci traducen hallazgos en palancas concretas: procesos, roles, sistemas, comportamientos. Sin ese puente, es ejercicio académico. Con él, herramienta de gestión.
KMO 0.904, Cronbach α por dimensión, pipeline v3_audited, 4 mediciones históricas. No es one-shot — es infraestructura analítica que se capitaliza con cada wave.
El valor no está en medir más. Está en entender mejor.
Business Scientist · Rizo.ma
ulises@rizo.ma
Demo interactivo
Caso de estudio: Transforma tu Pensamiento — Towerbank. Red sintética. Datos de clima basados en estudio real (pipeline v3_audited).