Durante muito tempo, boa parte das decisões de recursos humanos assentou na experiência de quem as tomava. Contratava-se "por instinto", promovia-se quem parecia mais empenhado e a saída de um bom colaborador explicava-se com um encolher de ombros. A intuição tem valor, mas não escala, não se audita e raramente distingue a sorte da competência.
People analytics é a prática de aplicar análise de dados às pessoas de uma organização para decidir de forma mais justa, mais rápida e mais fácil de justificar. Não substitui o julgamento humano — dá-lhe uma base factual. Em vez de "parece que estamos a perder pessoas", passa a dizer-se "estamos a perder 18% dos comerciais no primeiro ano, sobretudo os que tiveram menos de três sessões de acompanhamento".
Este guia é para quem quer começar sem grande investimento. Vamos ver o que é (e o que não é) people analytics, que dados já tem à mão, que métricas seguir primeiro e que erros evitar. O objetivo não é montar um departamento de ciência de dados, mas tomar melhores decisões com o que já existe.
O que é, e o que não é, people analytics
People analytics — também chamada análise de pessoas ou HR analytics — é o uso sistemático de dados sobre colaboradores para responder a perguntas de gestão. Quem tende a ficar mais tempo? Que fatores antecipam uma saída? A formação está a traduzir-se em desempenho? São perguntas antigas; a diferença é respondê-las com evidência em vez de anedota.
Convém dizer o que não é. Não é vigilância: medir ao minuto o que cada pessoa faz destrói confiança e raramente melhora resultados. Não é substituir gestores por algoritmos. E não é um painel cheio de gráficos que ninguém abre. Se um número não muda nenhuma decisão, provavelmente não vale a pena segui-lo.
Porque é que a intuição já não chega
A intuição funciona bem em ambientes estáveis e com retorno rápido. O RH raramente é assim: entre uma decisão de contratação e o seu resultado podem passar meses, e há dezenas de fatores a interferir. É terreno fértil para enviesamentos — contratamos quem se parece connosco, lembramo-nos mais dos casos recentes e confundimos confiança com competência.
Os dados não eliminam estes enviesamentos, mas expõem-nos. Ao olhar para os números, descobre-se muitas vezes que a "regra" seguida há anos não tem sustento. Foi assim que muitas organizações perceberam que exigir certos requisitos formais afastava bons candidatos sem melhorar o desempenho.
Os quatro níveis de maturidade
Ajuda pensar em people analytics como uma escada de quatro degraus, que se sobem por ordem:
- Descritivo — o que aconteceu? Taxa de rotatividade do último ano, absentismo por equipa, tempo médio de contratação.
- Diagnóstico — porque aconteceu? Cruzar a rotatividade com salário, antiguidade ou gestor direto para encontrar padrões.
- Preditivo — o que é provável que aconteça? Estimar que colaboradores têm maior risco de sair nos próximos meses.
- Prescritivo — o que fazer? Sugerir ações concretas, como ajustar cargas de trabalho ou rever progressões.
A maioria das equipas ganha imenso só por dominar bem os dois primeiros degraus. Saltar para modelos preditivos sem uma base descritiva sólida é a receita para conclusões erradas.
Por onde começar: dados que já tem
Não precisa de comprar nada para arrancar. A maioria das organizações já tem, dispersos, os dados essenciais: datas de entrada e saída, função, departamento, salário, histórico de formação, resultados de avaliações e registos de assiduidade. O primeiro trabalho, quase sempre, é juntar e limpar isto — não modelar.
Comece por escolher uma pergunta que interesse a alguém com poder de decisão. "Porque saem os comerciais no primeiro ano?" é melhor ponto de partida do que "vamos analisar tudo". Uma pergunta concreta define os dados de que precisa e evita meses a construir relatórios que ninguém pediu.
Métricas que valem a pena seguir primeiro
Há dezenas de indicadores possíveis, mas poucas equipas precisam de mais do que um punhado bem escolhido:
- Taxa de rotatividade, separando saídas voluntárias de involuntárias — misturá-las esconde o que interessa.
- Rotatividade precoce (saídas no primeiro ano), um sinal quase sempre ligado a recrutamento ou integração.
- Tempo de contratação e custo por contratação, para perceber a eficiência do recrutamento.
- Absentismo por equipa, útil como alerta precoce de problemas de carga ou de liderança.
- Taxa de aceitação de ofertas, que revela se a proposta é competitiva.
Repare que nenhuma destas exige tecnologia sofisticada. Exige consistência na definição: se cada pessoa calcula a rotatividade de forma diferente, os números deixam de servir para decidir.
Ferramentas: do Excel ao Power BI
Não deixe a ferramenta ditar o ritmo. Muita análise de RH útil começa numa folha de cálculo bem organizada. Quando as perguntas se repetem e as fontes crescem, faz sentido passar para uma ferramenta de Business Intelligence como o Power BI, que atualiza os relatórios automaticamente e permite cruzar fontes sem copiar e colar.
Se mais tarde precisar de modelos preditivos, entram linguagens como o Python ou o R. Mas é erro comum começar por aí. A ordem sensata é: primeiro dados fiáveis e perguntas claras, depois visualização, e só então modelação — quando o valor já estiver provado.
Erros comuns, e como evitá-los
O primeiro erro é medir o fácil em vez do importante. Contar horas ao minuto é simples; perceber porque saem os melhores é difícil — e é o que importa. O segundo é confundir correlação com causa: equipas com mais formação podem ter melhor desempenho por já serem melhores, não por causa da formação.
O terceiro erro é ignorar a privacidade e a ética. Dados de pessoas exigem cuidado redobrado: anonimizar sempre que possível, limitar acessos e ser transparente sobre o que se mede e porquê. Um programa de people analytics que os colaboradores sintam como espionagem está condenado, por melhor que seja a técnica.
Mini-caso: uma empresa de serviços
Uma empresa de serviços com cerca de 200 colaboradores via a rotatividade subir sem explicação clara. Em vez de lançar um novo programa de retenção às cegas, juntou num único ficheiro as datas de entrada e saída, a função, o gestor direto e o histórico de formação dos últimos três anos.
A análise descritiva revelou que quase metade das saídas ocorria nos primeiros nove meses e se concentrava em duas equipas. Cruzando os dados, notou-se que essas equipas tinham tido integração mais curta e menos acompanhamento inicial. A empresa alargou o período de integração e criou pontos de contacto mensais no primeiro ano.
Um ano depois, a rotatividade precoce nessas equipas tinha caído de 34% para cerca de 20%. Nada de algoritmos complexos: bastou juntar dados que já existiam, fazer a pergunta certa e agir sobre a resposta. É este o retorno típico dos primeiros passos em people analytics.
Na prática
People analytics não começa com tecnologia, começa com uma boa pergunta e com dados que quase de certeza já tem. Escolha um problema que interesse a quem decide, defina as métricas com rigor, mostre os resultados de forma simples e aja sobre eles. Suba os degraus por ordem — descritivo antes de preditivo — e trate os dados das pessoas com o cuidado ético que merecem. Feito assim, mesmo uma equipa pequena passa a decidir com evidência, e não apenas com intuição.
