El modelo en un minuto
Happyforce mide en continuo, no anualmente. La arquitectura tiene dos niveles: dos indicadores raíz medidos directamente cada día y cada trimestre, y seis Scores que los explican.
1 pregunta · diaria1 pregunta · trimestralLos Scores son las palancas; el HI y el eNPS son los resultados. Como todo se mide en continuo sobre la misma población, podemos calcular cómo cada palanca correlaciona con las raíces — a nivel de equipo y segmento, nunca individual. Eso es lo que convierte una encuesta en un modelo de drivers: no solo te dice cómo están las personas, te dice qué palanca está más asociada a cómo están.
Por qué medición continua
El instrumento dominante en este campo — la encuesta anual de engagement — pide a las personas evaluar en retrospectiva un año entero de experiencia. Eso la hace vulnerable al sesgo de recencia y de recuerdo: la gente responde según las últimas semanas, no según el año. Kahneman y colegas desarrollaron el Day Reconstruction Method (2004) precisamente porque la evaluación retrospectiva y la experiencia vivida divergen.
La medición continua toma el enfoque opuesto, más cercano al experience sampling: muchas observaciones pequeñas, capturadas cerca del momento en que ocurren. El dato individual es más ruidoso; la serie temporal resultante es mucho más informativa.
- La tendencia es la señal, no el número absoluto. Un equipo en HI 62 te dice poco de forma aislada; un equipo que cayó de 71 a 62 en seis semanas te dice mucho. El modelo está construido sobre evolución y desviación, no sobre fotos fijas.
- Puedes ver los eventos. Las encuestas anuales promedian los eventos hasta hacerlos desaparecer. Las series continuas los muestran — un cambio de liderazgo, el anuncio de una reestructuración — con fecha.
- La carga de respuesta colapsa. Una pregunta al día tarda 20–30 segundos. La participación sostenida se vuelve viable donde una encuesta anual de 60 ítems produce fatiga.
Nota honesta sobre participación
Responder es voluntario, lo que introduce auto-selección. Lo mitigamos de tres formas: (a) la participación se monitoriza como métrica de primer nivel por equipo y segmento, (b) el tamaño de muestra se reporta junto a cada agregado, y (c) los cambios en la propia participación se tratan como señal — el desenganche suele aparecer como silencio antes de aparecer en los scores. Mitigado, no eliminado: ver Limitaciones.
Para calibrar, nuestra base histórica: el 79% de los empleados invitados activa la app, y la participación mediana sostenida entre organizaciones es del 41% — con el cuartil superior por encima del 56% y dos docenas de organizaciones sosteniendo más del 70%. Publicamos estos números porque una metodología que depende de la participación debe enseñar su participación.
El Happiness Index
Una pregunta — "¿Cómo de feliz estás hoy en el trabajo?" — con cuatro opciones de respuesta. Disponible cada día; cada persona responde cuando y si quiere.
Cómo se calcula
Las respuestas se mapean a una escala 0–100 y se agregan con una ventana móvil ponderada por recencia: los votos recientes pesan más que los antiguos. Por diseño, el índice reacciona a lo que está pasando ahora sin dar bandazos por un solo lunes malo. Los agregados se calculan siempre a nivel de equipo, área o compañía (ver Anonimato).
Qué mide — y qué no
El HI es una medida de afecto momentáneo, y por acumulación, de bienestar subjetivo — la percepción de cada persona sobre cómo está, que es como el campo define el bienestar desde el trabajo fundacional de Diener (1984). La felicidad no es algo que definamos por las personas; es algo que cada persona reporta por sí misma. La tradición del World Happiness Report descansa sobre el mismo principio.
El HI no es un score de engagement. El estado de ánimo y el engagement son constructos relacionados pero distintos; confundirlos es un error común de la industria. Los constructos cercanos al engagement viven en los Scores; el HI es el termómetro rápido.
Por qué un solo ítem es un instrumento legítimo
Las medidas de bienestar de un solo ítem tienen un pedigrí real de investigación: muestran fiabilidad adecuada y fuerte convergencia con escalas multi-ítem (Abdel-Khalek, 2006), y las Guidelines on Measuring Subjective Well-being de la OCDE (2013) avalan las medidas de afecto de un ítem exactamente para este tipo de medición repetida y de baja carga. Lo que un solo ítem pierde en granularidad, lo gana en frecuencia — y la frecuencia es lo que hace funcionar la serie temporal.
Evidencia de que funciona
Sensibilidad a eventos reales. Cuando España declaró el confinamiento por COVID-19 en marzo de 2020, el HI cayó una media de 19 puntos en días en toda nuestra base de clientes — visible compañía a compañía, equipo a equipo. Un indicador que no se hubiera movido bajo la mayor disrupción laboral en décadas no estaría midiendo nada. El HI se movió inmediatamente y en todas partes — y después se recuperó a velocidades distintas en organizaciones distintas, lo cual era en sí mismo información diagnóstica.
Relación predictiva con la rotación. En investigación peer-reviewed sobre datos de Happyforce (Berengueres, Duran & Castro, 2017), variables derivadas de la felicidad ayudaron a rankear empleados por riesgo de rotación. El hallazgo más interesante fue metodológico: la felicidad media absoluta no fue un predictor significativo, mientras que la felicidad relativa — el nivel individual normalizado por la media de su compañía — estuvo entre los tres primeros. Esto respalda una decisión central de diseño: el contexto y la desviación llevan la información, no los niveles brutos.
eNPS
"¿Qué probabilidad hay de que recomiendes [compañía] como lugar para trabajar?" en una escala de 0 a 10, medido trimestralmente, con la aritmética estándar de Net Promoter (Reichheld, 2003):
El eNPS es grueso — el corte promotor/detractor descarta información, y un solo ítem evaluativo no puede explicar por qué. Lo mantenemos por dos razones: es el benchmark más ampliamente entendido de la industria, útil para comités y comparación entre compañías; y como medida evaluativa complementa la medida afectiva del HI. El HI captura cómo se siente el trabajo día a día; el eNPS captura el juicio meditado. Los dos juntos triangulan mejor que cualquiera por separado.
El trabajo explicativo que el eNPS no puede hacer lo hacen los Scores — que es el sentido de la arquitectura.
El modelo de Scores
Seis Scores → 18 factores → ~57 ítems, en dos formatos que mapean a una escala común de 1 a 10: ítems de escala (1–10 con anclajes verbales en ambos extremos) e ítems de opciones (4–5 opciones etiquetadas conductualmente, cada una mapeada a una puntuación calibrada). Los ítems se distribuyen en el tiempo en lugar de entregarse como un cuestionario largo — la misma lógica de experience sampling que el HI, aplicada al modelo de drivers. Todo se reporta con tamaños de muestra y segmenta por equipo, antigüedad, rol, ubicación o dimensiones definidas por el cliente.
No inventamos estos constructos. Cada Score operacionaliza un cuerpo de psicología organizacional con décadas de evidencia detrás — abre cada uno:
Motivación IntrínsecaAutonomía · Maestría · PropósitoTeoría de la Autodeterminación
Es la Teoría de la Autodeterminación (Deci & Ryan, 1985; Ryan & Deci, 2000), uno de los marcos más replicados de la ciencia de la motivación: las personas están intrínsecamente motivadas cuando se cubren tres necesidades — autonomía (control sobre cómo trabajas), competencia (crecer y usar tus habilidades) y propósito (tu trabajo significa algo). La formulación Autonomía/Maestría/Propósito la popularizó Pink (2009). Nuestros ítems mapean directamente: margen de decisión e involucración (autonomía), desarrollo de habilidades y visibilidad de carrera (maestría), sentido y contribución (propósito).
RelacionesManagers · Compañeros · ConfianzaMeta-análisis de Gallup · confianza
El hallazgo más robusto de la literatura de engagement es que la relación con el manager domina la experiencia del empleado: los meta-análisis de Gallup sobre miles de unidades de negocio (Harter, Schmidt & Hayes, 2002) sitúan consistentemente los ítems dependientes del manager entre los correlatos más fuertes de resultados de negocio. Los ítems de compañeros beben de la literatura de apoyo social y pertenencia; el factor Confianza operacionaliza la confianza en el liderazgo, cuyos vínculos con desempeño y actitudes están establecidos meta-analíticamente (Dirks & Ferrin, 2002).
FeedbackLibertad de Opinión · Calidad y Frecuencia · Escucha ActivaSeguridad psicológica · employee voice
El factor Libertad de Opinión es una operacionalización directa de la seguridad psicológica (Edmondson, 1999) — la creencia compartida de que uno puede hablar sin castigo — que dos décadas de investigación, incluida la réplica a escala del Proyecto Aristóteles de Google, identifican como el predictor a nivel de equipo más fuerte de la efectividad. Calidad y Frecuencia y Escucha Activa beben de las literaturas de entorno de feedback y employee voice (Morrison, 2011): la voz solo existe donde alguien escucha de forma demostrable.
AlineaciónValores y Ética · Objetivos y Rol · Confianza y VisiónAjuste P-O · goal-setting · claridad de rol
Los ítems de valores operacionalizan el ajuste persona-organización (Kristof, 1996), un predictor consistente de satisfacción, compromiso y retención. Objetivos y Rol descansa sobre dos clásicos: la teoría del goal-setting (Locke & Latham) y la literatura de claridad de rol — la ambigüedad de rol como estresor crónico (Rizzo, House & Lirtzman, 1970), la lógica detrás del ítem más famoso del campo, "Sé lo que se espera de mí en el trabajo". Confianza y Visión mide si la estrategia es creíble desde abajo — una precondición del esfuerzo discrecional.
BienestarEstrés y Salud · Diversidad e Igualdad · EntornoModelo Job Demands-Resources
El marco es el modelo Job Demands-Resources (Demerouti et al., 2001; Bakker & Demerouti, 2007): la tensión resulta del balance entre demandas (carga de estrés) y recursos (herramientas, información, apoyo, trato justo). Estrés y Salud captura las demandas y el cuidado organizacional percibido; Entorno captura los recursos; Diversidad e Igualdad captura el clima de inclusión (Nishii, 2013), que funciona como un recurso — la exclusión es una demanda crónica.
Compensación y ReconocimientoCompensación · Reconocimiento · BeneficiosJusticia organizacional
Fíjate en qué preguntan los ítems de compensación: no "te pagan mucho" sino "te pagan justamente, y puedes hablar de ello". Eso es teoría de la justicia organizacional (Adams, 1965; Colquitt, 2001) — la justicia percibida de resultados y procesos predice actitudes y comportamiento mejor que los niveles absolutos de salario. Los ítems de reconocimiento reflejan uno de los hallazgos más consistentes del canon del engagement: el reconocimiento regular es un driver principal de engagement y retención.
La lógica que conecta: los Scores como drivers de las raíces
Como el HI, el eNPS y los ítems de los Scores se recogen en continuo sobre la misma población, podemos calcular — a nivel de equipo/segmento — cómo cada Score, factor e ítem correlaciona con los indicadores raíz. Este es el núcleo analítico del modelo:
- Rankea palancas: qué dimensión está más asociada al bienestar o al compromiso de este equipo, ahora — no en un benchmark genérico.
- Localiza una cadena establecida: el vínculo engagement→resultados está establecido meta-analíticamente (Harter et al., 2002: el engagement correlaciona con productividad, rentabilidad, retención y métricas de cliente a nivel de unidad de negocio). Nuestro modelo ejecuta esa cadena sobre los datos de cada organización.
Nota honesta sobre causalidad
Las correlaciones sobre datos observacionales identifican asociación, no causalidad. Las tratamos como señales de priorización — dónde mirar y actuar primero — y validamos la dirección de la única forma que permiten los entornos observacionales: interviene sobre la palanca y observa cómo responde la serie. La medición continua es lo que hace posible ese bucle de validación; una encuesta anual nunca puede cerrarlo.
Personalización sin perder el modelo
Las organizaciones pueden adaptar la medición — modificar, eliminar o añadir ítems, ajustar terminología, definir sus propias métricas — sobre la misma arquitectura (ítem → factor → score → raíz). Los ítems personalizados siguen los mismos formatos y la misma normalización 1–10, de modo que la medición específica del cliente sigue siendo comparable en el tiempo y analizable con la misma lógica de drivers.
De datos de percepción a métricas de negocio
Las métricas de percepción se vuelven aptas para decidir cuando conectan con costes que la organización ya reconoce:
- El absentismo se calcula con los datos duros del propio cliente (horas perdidas × coste salarial). Sin estimación — es el suelo conservador de cualquier business case.
- El presentismo — capacidad perdida estando presente — se estima a partir de las métricas blandas, siempre como un rango, con cada supuesto explícito y ajustable por el cliente. La investigación en salud ocupacional sitúa consistentemente los costes de presentismo por encima de los de absentismo, así que las estimaciones por rango son conservadoras respecto al benchmark académico.
- El riesgo de rotación se construye sobre la línea de modelado publicada en Berengueres et al. (2017): variables relativas y conductuales, no niveles brutos de satisfacción.
El principio: nosotros ponemos el modelo y la calibración de nuestros datos históricos; los números del propio cliente hacen la monetización. Un business case calculado con los supuestos del cliente es un business case que el cliente se cree.
Anonimato y ética de datos
Para un sistema de medición que depende de que las personas digan la verdad, el anonimato no es una funcionalidad de cumplimiento — es una condición de validez. Las personas reportan con honestidad cuando la honestidad es segura.
- Las respuestas individuales nunca se exponen. Todo el reporting se agrega a nivel de equipo/segmento. Por debajo de un grupo mínimo de 5 personas, los datos se agregan automáticamente hacia el nivel superior.
- El análisis cruzado se mantiene agregado. Los análisis de correlación — incluido cualquier cruce con datos de desempeño — se ejecutan solo a nivel de equipo/segmento, nunca individual. Esto protege simultáneamente el anonimato, la participación y el cumplimiento del GDPR.
- El empleado es dueño de la relación. Cada empleado acepta directamente los términos de Happyforce — la relación de datos es entre la persona y Happyforce, no mediada por el empleador.
- Infraestructura: hosting en la UE, cumplimiento GDPR, certificación ISO 27001.
La investigación publicada que sigue cumplió el mismo estándar: el dataset público está completamente anonimizado, con el texto de los comentarios sustituido por recuentos de caracteres.
Investigación publicada
Happyforce es, hasta donde sabemos, una de las pocas plataformas de su categoría cuyos datos han sustentado una publicación peer-reviewed con dataset disponible en abierto:
Happiness, an inside job? Turnover prediction using employee likeability, engagement and relative happiness
Berengueres, J., Duran, G., & Castro, D. — una colaboración entre UAE University y Happyforce, con 2,5 años de datos anonimizados de la plataforma: 34 compañías, más de 4.300 empleados, más de 221.000 votos de felicidad más datos de interacción del foro anónimo.
- Los tres primeros predictores de rotación fueron conductuales y relativos, no actitudinales y absolutos: likeability (ratio de likes recibidos en los comentarios propios), frecuencia de publicación y felicidad relativa (nivel individual normalizado por la media de la compañía). Precision@50 = 80% en el conjunto de test.
- La felicidad media no fue un predictor significativo. Estar en 6/10 en una compañía que promedia 8 es una señal muy distinta de estar en 6 en una compañía que promedia 5. El contexto es la información.
- La réplica independiente fue posible porque el dataset anonimizado se publicó en abierto — un nivel de transparencia inusual para datos laborales comerciales.
Estos hallazgos alimentaron directamente el producto: son la razón por la que nuestra analítica privilegia la desviación, la tendencia y la comparación intra-compañía sobre el benchmarking absoluto. La línea de investigación continúa sobre una base mucho mayor — desde 2014, 288 organizaciones en múltiples países, 82.901 empleados alcanzados, 65.763 activados (79%). Ese histórico acumulado es lo que calibra los modelos descritos en este documento.
Limitaciones — la sección que la mayoría de proveedores no escribe
Participación voluntaria → auto-selección. Mitigada monitorizando la participación como métrica, reportando la n en todas partes y leyendo el silencio como señal. No eliminada.
Las raíces de un solo ítem son gruesas. Por diseño — el intercambio es granularidad por frecuencia. La profundidad explicativa viene de los Scores, no de las raíces.
Análisis de drivers correlacional. Asociación, no prueba de causalidad. Se usa para priorizar; se valida mediante intervención y seguimiento de la serie temporal.
Auto-reporte en todo. Todas las medidas de percepción comparten varianza de método. Por eso el modelo insiste en conectar con datos duros externos (rotación, absentismo) en lugar de vivir en un bucle cerrado de auto-reporte.
Los benchmarks son secundarios. Nuestra propia investigación dice que las señales relativas y longitudinales superan a los niveles absolutos. Mostramos benchmarks porque los clientes los piden; construimos el modelo sobre tendencias.
Referencias
Lista completa de referencias
- Abdel-Khalek, A. M. (2006). Measuring happiness with a single-item scale. Social Behavior and Personality, 34(2).
- Adams, J. S. (1965). Inequity in social exchange. Advances in Experimental Social Psychology, 2.
- Bakker, A. B., & Demerouti, E. (2007). The Job Demands-Resources model: State of the art. Journal of Managerial Psychology, 22(3).
- Berengueres, J., Duran, G., & Castro, D. (2017). Happiness, an inside job? Turnover prediction using employee likeability, engagement and relative happiness. ASONAM '17. DOI: 10.1145/3110025.3110132
- Colquitt, J. A. (2001). On the dimensionality of organizational justice. Journal of Applied Psychology, 86(3).
- Deci, E. L., & Ryan, R. M. (1985). Intrinsic Motivation and Self-Determination in Human Behavior. Plenum.
- Demerouti, E., Bakker, A. B., Nachreiner, F., & Schaufeli, W. B. (2001). The Job Demands-Resources model of burnout. Journal of Applied Psychology, 86(3).
- Diener, E. (1984). Subjective well-being. Psychological Bulletin, 95(3).
- Dirks, K. T., & Ferrin, D. L. (2002). Trust in leadership: Meta-analytic findings. Journal of Applied Psychology, 87(4).
- Edmondson, A. (1999). Psychological safety and learning behavior in work teams. Administrative Science Quarterly, 44(2).
- Harter, J. K., Schmidt, F. L., & Hayes, T. L. (2002). Business-unit-level relationship between employee satisfaction, employee engagement, and business outcomes: A meta-analysis. Journal of Applied Psychology, 87(2).
- Kahneman, D., Krueger, A. B., Schkade, D., Schwarz, N., & Stone, A. A. (2004). A survey method for characterizing daily life experience: The Day Reconstruction Method. Science, 306.
- Kristof, A. L. (1996). Person-organization fit. Personnel Psychology, 49(1).
- Morrison, E. W. (2011). Employee voice behavior. Academy of Management Annals, 5(1).
- Nishii, L. H. (2013). The benefits of climate for inclusion for gender-diverse groups. Academy of Management Journal, 56(6).
- OECD (2013). OECD Guidelines on Measuring Subjective Well-being. OECD Publishing.
- Pink, D. H. (2009). Drive: The Surprising Truth About What Motivates Us. Riverhead.
- Reichheld, F. F. (2003). The one number you need to grow. Harvard Business Review, 81(12).
- Rizzo, J. R., House, R. J., & Lirtzman, S. I. (1970). Role conflict and ambiguity in complex organizations. Administrative Science Quarterly, 15(2).
- Ryan, R. M., & Deci, E. L. (2000). Self-determination theory and the facilitation of intrinsic motivation, social development, and well-being. American Psychologist, 55(1).