Cómo LTM usa Snowflake Cortex AI para predecir la incorporación de candidatos

LTM opera en la intersección entre la intensidad de talento y la escala global — una firma de consultoría tecnológica donde la capacidad de reclutar, incorporar y retener profesionales calificados determina directamente la capacidad de entrega. Con tasas de abandono posoferta que alcanzan el 30% en ciclos de contratación competitivos, la brecha entre asegurar un candidato y verlo presentarse el primer día representa una exposición tanto operativa como financiera. A la escala de LTM, de más de 80.000 usuarios en RRHH y operaciones empresariales, incluso mejoras marginales en la precisión de predicción se traducen en ganancias significativas de costo y productividad.

Antes de su migración a Snowflake, la infraestructura de analítica de RRHH de LTM dependía de sistemas heredados locales caracterizados por silos de datos, altos costos de mantenimiento y lentitud en el procesamiento. Las predicciones de incorporación de candidatos se retrasaban semanas, no días, y durante las temporadas pico de contratación los gastos de reclutamiento se multiplicaban por dos o tres. El equipo carecía de una visión unificada de los resultados históricos de contratación, lo que hacía imposible identificar candidatos en riesgo de abandonar antes de que esas decisiones se volvieran irreversibles.

LTM ejecutó una migración por fases a Snowflake AI Data Cloud, comenzando con un lift-and-shift de cargas de trabajo críticas usando la herramienta Snowconvert, seguido de la modernización de pipelines ETL con conectores zero-ETL para SAP, SuccessFactors y plataformas ATS. El equipo luego desplegó modelos de machine learning mediante Snowpark e integró Snowflake Cortex AI para acceder a grandes modelos de lenguaje como Snowflake Arctic, Llama 3 y Mistral a través de un entorno serverless completamente gestionado. Un predictor de probabilidad de incorporación analiza 12 características predictivas de datos históricos, segmentando candidatos en categorías Rojo, Ámbar y Verde según la probabilidad de incorporación.

El resultado más relevante es la precisión del 80% del modelo al predecir la incorporación de candidatos con 25 a 30 días de anticipación, dando a los equipos de RRHH tiempo de acción para implementar intervenciones personalizadas como ofertas dirigidas o sesiones de adecuación cultural. Los abandonos posoferta típicamente cuestan a la organización entre una y tres veces el salario del candidato; la identificación temprana convierte ese costo en un resultado prevenible. La migración también logró un rendimiento de consultas 10 veces más rápido y una reducción del 70% en el coste total de propiedad.

La transformación de LTM posiciona la adquisición de talento como una función predictiva basada en datos, en lugar de un proceso transaccional. Con más de 700 usuarios en Adquisición de Talento, Negocio y Operaciones accediendo a información a través de dashboards de Power BI actualizados por ejecuciones diarias automatizadas del modelo, la empresa ha integrado la IA en su flujo de trabajo de contratación estándar. La implicación más amplia es que las grandes empresas que gestionan complejos pipelines de talento globales pueden ahora tratar la probabilidad de incorporación como una métrica medible y mejorable.