Quando alguém de uma equipa entrega a carta de demissão, raramente é uma surpresa total. Nos meses anteriores houve sinais — reuniões menos participadas, um projeto entregue sem o brilho habitual, dias de férias a acumular sem gozar. O problema é que esses sinais estão espalhados por sistemas diferentes e por perceções que ninguém junta a tempo. Quando a decisão é comunicada, já é tarde para a influenciar.
People analytics propõe uma coisa simples de dizer e exigente de fazer: usar os dados que a empresa já tem sobre o trabalho para estimar, com honestidade, quem está em maior risco de sair — e agir enquanto ainda há margem. Não é uma bola de cristal nem um sistema de vigilância. É uma forma estruturada de transformar intuições dispersas em prioridades claras para quem lidera pessoas.
Este artigo mostra como abordar a previsão de rotatividade sem cair em dois extremos: o achismo que ignora os dados e o tecnocentrismo que trata as pessoas como linhas de uma tabela. Pelo meio há um caminho útil, e é sobre esse caminho que vamos falar.
O que significa (e o que não significa) prever a rotatividade
Prever a rotatividade é estimar a probabilidade de um colaborador sair da empresa num horizonte definido — os próximos seis ou doze meses, por exemplo. O resultado não é uma sentença, é um score de risco que ordena a atenção: em quem vale a pena investir uma conversa, um ajuste de função, uma revisão de condições.
O que a previsão não é: uma justificação para tratar de forma diferente quem "o modelo" marcou, nem um substituto do julgamento de quem chefia. Um score elevado é um convite a perguntar porquê, não uma etiqueta. E há saídas que nem se querem prever para reter — quem sai para crescer, quem já não encaixa no projeto. O objetivo é reduzir a rotatividade indesejada, a que custa conhecimento, clientes e moral.
Porque a rotatividade custa mais do que a folha de salários mostra
É tentador olhar para a substituição de uma pessoa como o custo de um anúncio e de umas semanas de recrutamento. A conta real é maior. Há o tempo da equipa a entrevistar, a curva de aprendizagem de quem chega, os erros normais de quem ainda não conhece os processos, e o conhecimento tácito que sai pela porta e não estava escrito em lado nenhum.
Estimativas conservadoras situam o custo de substituir um profissional qualificado entre metade e o dobro do seu salário anual, consoante a função e a senioridade. Mesmo que a tua empresa esteja no extremo baixo dessa escala, chega para justificar o esforço de antecipar saídas em vez de as gerir a reboque.
Que dados usar — e quais deixar de fora
A matéria-prima está normalmente dispersa, mas acessível. Sinais úteis e defensáveis incluem:
- Tempo na função e na empresa: o risco costuma ter picos previsíveis — perto do primeiro ano, e quando alguém estagna anos na mesma função sem evolução.
- Progressão: tempo desde a última promoção ou aumento, e como se compara com pares na mesma função.
- Remuneração relativa: posição face à banda salarial do mercado e dos colegas, mais do que o valor absoluto.
- Carga e padrões de trabalho: horas extra sistemáticas, férias por gozar, picos prolongados sem alívio.
- Contexto de equipa: mudanças recentes de chefia, saídas próximas, reorganizações.
E o que deixar de fora: conteúdos privados como emails ou mensagens, dados de saúde, e qualquer variável que sirva de proxy para género, idade ou origem — não só por serem eticamente problemáticas, como por tornarem o modelo legalmente frágil e injusto. Menos dados sensíveis e mais dados sobre o trabalho costuma dar modelos mais robustos e mais fáceis de defender.
Como construir uma primeira versão sem exageros técnicos
Não precisas de deep learning para começar. Um bom primeiro modelo é simples, explicável e honesto sobre os seus limites. Um caminho pragmático:
- Define o alvo com clareza: "saída voluntária nos próximos 12 meses". Sem esta definição, tudo o resto fica ambíguo.
- Reúne um histórico: dois a três anos de dados de quem saiu e quem ficou, para o modelo aprender padrões reais.
- Começa por uma regressão logística ou uma árvore simples: dão probabilidades e, sobretudo, deixam ver que fatores pesam mais.
- Valida em dados que o modelo não viu: treina num período, testa no seguinte. Se só funciona no passado que já conhece, não serve.
- Traduz o score em faixas: risco baixo, médio, alto. Uma probabilidade de 0,63 não ajuda um gestor; três faixas com sugestões de ação, sim.
Resiste à tentação de perseguir a última décima de exatidão. Um modelo 80% bom que as chefias entendem e usam vale mais do que um modelo 90% bom em que ninguém confia.
Do score à ação: a parte que realmente importa
Um modelo que só produz listas é um relatório caro. O valor aparece quando o score aciona uma conversa. Para cada pessoa em risco elevado, a pergunta não é "como a prendemos", é "o que mudou e o que está ao nosso alcance". Às vezes a resposta é uma revisão salarial; muitas vezes é algo mais barato — um projeto novo, reconhecimento, clareza sobre o próximo passo de carreira, menos carga.
Convém definir de antemão quem recebe os sinais e como. Regra geral, o interlocutor certo é a chefia direta, com apoio de RH, e nunca uma lista distribuída sem contexto. O sinal serve para preparar uma boa conversa, não para dispensar tê-la.
Mini-caso: a empresa que parou de perder gente boa às cegas
Uma empresa de serviços com cerca de 300 pessoas via sair anualmente perto de 18% do quadro, com o agravante de as saídas se concentrarem nos perfis mais experientes. Recrutar estava a tornar-se um custo permanente e as equipas viviam em modo de reposição.
Em vez de comprar uma ferramenta cara, cruzaram o que já tinham: antiguidade, histórico de progressão, posição salarial face ao mercado e participação em formação. Um modelo simples destacou dois padrões que ninguém tinha sistematizado — o risco disparava entre profissionais no segundo e terceiro ano sem qualquer evolução de função, e agravava-se quando a remuneração ficava mais de 15% abaixo da mediana de mercado.
Com isso, RH e chefias passaram a rever trimestralmente uma lista curta de casos prioritários. Não agiram sobre toda a gente — agiram sobre as dezenas de pessoas certas, com promoções atempadas, ajustes seletivos de salário e planos de desenvolvimento. Um ano depois, a rotatividade indesejada tinha descido para perto de 12%, e a poupança em recrutamento e substituição pagou o esforço muitas vezes. O modelo não "adivinhou" nada de mágico; apenas obrigou a organização a olhar a tempo.
Armadilhas éticas e legais a levar a sério
Prever comportamento de pessoas exige cuidado. Alguns princípios que poupam problemas:
- Transparência de propósito: o objetivo é reter melhor, não punir quem parece de saída. Se um score alguma vez prejudicar alguém, o projeto perdeu a legitimidade.
- Explicabilidade: tem de ser possível dizer, em linguagem simples, porque é que alguém aparece em risco.
- Conformidade com o RGPD: base legal clara, minimização de dados e informação às pessoas sobre o tratamento.
- Vigilância contra o enviesamento: verifica se o modelo penaliza sistematicamente algum grupo; se penaliza, corrige.
Como saber se está a resultar
Mede o que interessa, não o que é fácil. A exatidão do modelo é secundária face ao resultado no terreno: a rotatividade indesejada está a descer? As intervenções sugeridas mudaram decisões sobre pessoas concretas? O tempo entre "sinal de risco" e "conversa real" está a encurtar? Vale a pena acompanhar também um contrafactual grosseiro — comparar equipas que usaram os sinais com equipas que não usaram — para não atribuir ao modelo melhorias que teriam acontecido de qualquer forma.
Na prática
Prever a rotatividade não é sobre tecnologia sofisticada; é sobre olhar a tempo para sinais que a empresa já tem e transformar esse olhar em conversas melhores. Começa pequeno: define bem o que queres prever, usa dados sobre o trabalho e não sobre a intimidade das pessoas, prefere um modelo que se explique a um que impressione, e mede o sucesso pela retenção real, não pela exatidão no papel. Feito com respeito e transparência, people analytics deixa de ser um chavão para se tornar aquilo que devia ser desde o início: uma forma de cuidar melhor de quem faz a empresa acontecer.
