Ter um departamento de Recursos Humanos orientado a dados atualmente é mais do que algo a mais. É quase que uma obrigação. Após as áreas de Vendas, Marketing, Finanças, Logística e tantas outras terem sido revolucionadas pelo acesso e tratamento correto de dados, é hora de a gestão de pessoas embarcar nessa jornada. O termo People Analytics tem sido cada vez mais discutido entre os profissionais de Recursos Humanos e nas publicações do meio para definir justamente um departamento de RH orientado a dados (inclusive aqui no blog, neste artigo).

Porém, é comum que o tema de análise e tratamento de dados seja abordado de maneira muito técnica, afastando-o da realidade e dos conhecimentos dos profissionais do RH. De nada adianta falarmos que People Analytics é a ciência do tratamento estatístico dos dados da área de gestão de pessoas, pois isso, apesar de correto, não significa absolutamente nada.

Por esse motivo, durante o primeiro RH TECH MEETING, realizado pelo Convenia em São Paulo, a minha palestra de abertura abordou o tema, mas tentando dar um outro foco: desmistificar um pouco do assunto, porém sem simplificá-lo. Ou seja, eu quis mostrar aos participantes como fazer People Analytics na prática sem tornar o assunto simples demais a ponto de não ser mais útil.

Neste artigo, pretendo abordar os principais pontos da palestra, que você pode ver na íntegra neste link: People Analytics: O RH Data Driven.

Começando pelo começo…

Antes de tudo, é preciso entender o motivo de estarmos fazendo tudo isso. Não existe People Analytics sem você determinar primeiramente um objetivo. Ou seja, antes de qualquer coisa, levante os principais problemas do seu RH que você pretende resolver utilizando dados. Exemplos:

  1. Qual funcionário tem melhor performance?
  2. Como será o desempenho futuro de um candidato a uma vaga? Ou seja, qual candidato devo contratar?
  3. Quem deve ser promovido para uma vaga específica?
  4. Quantos funcionários sairão da empresa no próximo semestre?
  5. Quais treinamentos devo oferecer para formar futuros líderes?

Seja qual for o problema a ser atacado, é importante defini-lo bem. E mais do que isso: se você quiser atacar vários problemas, não caia na tentação de tentar resolvê-los todos ao mesmo tempo. Comece pelos que são mais latentes, mas vá um por vez.

Uma vez definido o problema a ser atacado, você precisa percorrer quatro passos básicos para ter uma boa estratégia de People Analytics:

Passos para people analytics

Etapas para ter um RH orientado a dados

Veja abaixo o detalhe de cada etapa e algumas dicas práticas para seguir.

Etapa 1) Básico: Coletar dados

Saber coletar dados é essencial para posteriormente analisá-los e transformá-los em informação

A primeira dica na coleta de dados é não se concentrar apenas na medição do resultado, mas no processo como um todo. Se você tivesse que contratar um jogador de futebol, seria muito ruim se você olhasse apenas para os gols convertidos. É claro que gol é o que faz o time vencer uma partida, porém, o que leva um time a fazer o gol? Antes de alguém colocar a bola na rede, alguém deu o passe. Antes de alguém dar o passe, alguém conduziu a bola. Antes de alguém conduzir, alguém roubou a bola do adversário. E assim por diante.

Gol = resultado

Passe, Condução, Desarme, … = processo para o resultado

A primeira dica, portanto, é medir não apenas o desempenho, mas “como” e “o que” fez com que o funcionário tivesse aquele desempenho.

A segunda dica em coleta de dados é buscar pela persistência dos dados. Há um fenômeno estatístico chamado reversão à média. O que significa isso? Todas as vezes que um processo que se repete tiver uma tendência de voltar à média, ele está muito mais ligado ao acaso (sorte) do que a uma habilidade específica. Exemplifico: um funcionário é o melhor do time em um ano. No ano seguinte, ele é o pior. No terceiro ano, ele está na média. Isso não significa nada, pois a performance dele ao longo do período é simplesmente média. Porém, se um funcionário é primeiro colocado em um ano, terceiro no outro, primeiro novamente, segundo no outro… Isso significa que ele é um top performer.

Segunda dica, busque a persistência nos dados para eliminar o fator do acaso na sua análise.

A terceira e mais importante dica: tenha processos no RH que sejam estruturados, ou seja, cujos dados você medir e exportar, senão será praticamente impossível fazer um bom trabalho de People Analytics. Se você pensar na evolução que a análise de dados trouxe para a gestão de empresas, vislumbrará que ela só foi possível a partir do momento em que as áreas criaram processos estruturados por meio de (muitas vezes) softwares. Na área de vendas, com o CRM. Na área financeira, com os ERPs. E assim por diante.

No RH, é importante que você também tenha processos estruturados. Nós do Convenia podemos te ajudar muito com isso. Agende uma demonstração para ver na prática.

Em menos de 1 minuto você pode extrair TUDO que está acontecendo na área em um excel que posso tratar da forma que achar melhor.

Etapa 2) Intermediário: Métricas e indicadores

Após ter coletado os dados, você deve ter um mãos uma planilha de Excel com dados brutos. Mas dados brutos, normalmente, são ruins de serem analisados. Mais do que isso, eles podem levar a conclusões erradas. Assim, é preciso agora extrair métricas e indicadores desses dados.

Talvez o indicador mais conhecido no mundo do RH seja o turnover. Pense bem, se o seu objetivo for avaliar qual a rotatividade de pessoal de uma determinada empresa, e eu te disser que em média 35 pessoas são desligadas dessa empresa por mês, você tem a resposta para a sua pergunta?

Eu te mostrei o dado bruto: 35 desligados. Porém, por que você não consegue tirar conclusões? Simplesmente, porque a empresa pode ter 40 funcionários (e aí seria um grande problema já que 87% teriam se desligado), ou ela poderia ter 10.000 funcionários (e aí não seria tão grave já que representaria apenas 0,35% do efetivo total). Portanto, o valor que você precisa analisar é a métrica de turnover e não o dado bruto de desligados.

A construção de métricas e indicadores visa, principalmente, à contextualização os dados e à relativização, para que você consiga analisar valores sob a mesma dimensão. Em outras palavras, comparar “bananas com bananas”.

Etapa 3) Avançado: Correlacionar os dados

Agora que você consolidou os dados brutos e calculou algumas métricas e indicadores, é hora de colocar a mão na massa – estatisticamente falando. O primeiro passo para fazer uma análise de dados correta é encontrar correlações entre dados e métricas.

Correlação de dados nada mais é do que a interdependência entre eles. Ou seja, quando o “movimento” de uma determinada variável influencia em outras. Imagine que você faça uma entrevista de candidatos quantitativa, ou seja, que ao final você atribua um número ou uma nota para cada candidato. Após ter contratado uma série de pessoas utilizando essa metodologia, seria interessante avaliar se as notas que você dá se reflem posteriormente na performance do candidato já empregado. Em outras palavras, se há correlação entre a nota do candidato e a sua performance futura na empresa.

Mas atenção para a diferença entre correlação e causalidade. 

Então encontrar a correlação pode ser a solução para os seus problemas, correto? Cuidado! Identificar correlação entre dados não significa que você encontrou a CAUSALIDADE entre eles.

O exemplo mais comum para este efeito é a correlação entre consumo de picolés e ataques de tubarão. Veja abaixo um gráfico ilustrativo que representa ambos ao longo do tempo:

People Analytics - Causalidade x Correlação

People Analytics – Causalidade x Correlação

Você pode perceber que quando aumenta o consumo de picolé, aumenta também o número de ataques de tubarão registrados, correto? Então, poderia inferir que SE esses dados forem dependentes, para resolvermos o problema de ataques de tubarão, poderíamos proibir o consumo de picolés, correto? Com certeza não!

Essa é a diferença entre causalidade e correlação. Os dados podem ser correlacionados, porém, isso pode significar apenas que são causados por um efeito em comum. No caso acima, é óbvio que o que causa ambos é o verão. Ou seja, pessoas consomem mais picolé e vão mais a praia (sendo mais suscetíveis a ataques de tubarão) durante o verão.

Fique atento para, durante as suas analises, não cometer erros desse tipo.

Etapa 4) Nirvana: Prever o futuro

Por último, o principal motivo de fazermos todo este trabalho: tentar prever o futuro. Imagine que com base na nota que você deu para um determinado candidato ao time de vendas, você conseguisse prever quantas vendas ele fará nos próximos meses? Seria maravilhoso, não seria?

Se você tiver dados suficientes e conseguir elaborar uma modelagem correta, será possível elaborar equações matemáticas que te dão uma probabilidade dos eventos acontecerem com base em entradas de dados básicas – como no exemplo do candidato à vaga comercial.

E isso é muito útil pois você conseguiria ser certeiro nas estratégias e execuções do RH.

Conclusão

Ter um RH cada vez mais orientado a dados não é algo simples, principalmente para uma área que não está acostumada a trabalhar assim. Mas está longe de ser impossível. Seguindo essas dicas simples, você conseguirá facilmente iniciar algumas análises que te darão retorno no curto prazo.

O mais importante é a mudança da mentalidade do time de gestão de pessoas. Acreditar que as ações devam ser tomadas com base em dados concretos e não com base em “achismos” já é uma grande mudança para a área.

Se precisar de ajuda, conte com as soluções do Convenia, que deixarão seus processos mais estruturados (e dentro do próprio software você terá acesso a alguns dados e indicadores importantíssimos para seu RH).

Este artigo é resumo da minha apresentação feita durante o RH Tech Meeting. Veja os slides abaixo:

banner_post_planejamento_orcamento_rh

 

Sobre o autor

Marcelo Furtado

Co-fundador e CEO do Convenia.