O que na prática significa analisar pessoas com dados
A maioria das empresas que abrimos para falar sobre people analytics acaba confundindo dashboard com análise. Ter números no PowerPoint não é people analytics. É coleta de dados com cara de apresentação. O conceito em si é mais simples do que parece: usar dados comportamentais, de performance e operacionais para tomar decisões sobre pessoas que antes eram tomadas no impulso ou na intuição do gerente. Ponto. Mas aí entra o problema real. Porque na prática, a grande maioria dos RHs que eu vejo tentando implementar isso está usando planilhas com 40 colunas, dados espalhados em três sistemas que não conversam entre si, e um sentimento de que "vai dar certo quando tivermos tudo organizado". Eu já passei por isso. Não dá certo assim.
People analytics o que é: definição técnica
People analytics é a aplicação de métodos estatísticos e de ciência de dados sobre informações relacionadas aos colaboradores de uma organização. O objetivo é identificar padrões, testar hipóteses e apoiar decisões de gestão de pessoas com evidência. Não é um software. Não é uma ferramenta. É uma disciplina. E como qualquer disciplina, exige que você saiba o que está perguntando antes de começar a coletar dados. A coisa mais importante que eu aprendi é que a pergunta errada gera um resultado muito pior do que não ter pergunta nenhuma. Quando alguém me liga dizendo "quero saber por que nossos talentos estão saindo", a primeira resposta correta não é abrir o sistema de Turnover. A primeira resposta é: definir o que significa "saindo". É involuntary? VoluntaryinvoluntarySe você misturar tudo, seu modelo vai te dar uma conclusão que parece certa mas que é inútil na prática.
Como isso funciona no dia a dia
Eu comecei a trabalhar com isso há muitos anos, numa empresa onde tínhamos dados de performance trimestral, avaliação 360, resultados de engajamento e horas extras. O gestor pedia: "Quem são os riscos de saída?" A resposta ingênua seria olhar os que mais reclamaram no clima. A resposta certa exige construir um modelo de churn com variáveis que façam sentido. Eu tive um caso específico que ainda me incomoda até hoje. Em 2019, montamos um modelo preditivo de turnover num grupo de ~800 colaboradores. O modelo apontava que os maiores preditores de saída eram: tempo na função (acima de 24 meses), ausência de promoção nos últimos 18 meses, e nível de engajamento abaixo da média. Parecia óbvio. Até que cruzamos com dados de manager. Descobrimos que o fator #1 era o gestor direto. Funcionários sob gestores com turnover elevado na própria equipe (o famoso "efeito arrasto") tinham 3,2x mais chance de sair. O modelo original tinha ignorado isso porque o campo "gestor" não estava estruturado como variável no sistema de RH.
O workaround foi simples e doloroso: passeei duas semanas reconstruindo o data warehouse de pessoas. Mapeei hierarquia, calculei turnover por gestor, e finalmente refiz o modelo. O resultado mudou completamente o plano de ação. Em vez de apenas "oferecer promoções para quem está há 24 meses", focamos em coaching de gestão para os 15 gestores com histórico negativo. Isso reduziu o turnover espontâneo em 41% no trimestre seguinte. Não é mágica. É trabalho sujo de dados.
👉 Clique no botão abaixo para saber mais sobre o assunto!
O que ninguém te conta sobre a implementação
Existem armadilhas que aparecem só depois que você tenta colocar em produção. A primeira é a qualidade dos dados. Sistemas de RH brasileiros muitas vezes têm campos obrigatórios mal definidos. Nome do gestor pode estar escrito de formas diferentes para a mesma pessoa. Data de admissão pode ter inconsistências de fuso horário se a empresa tem unidades em múltiplas regiões. Antes de qualquer análise, você gasta entre 40% e 60% do tempo apenas limpando dados. Isso não é um problema técnico secundário. É o gargalo principal que faz 70% dos projetos de people analytics falharem nos primeiros seis meses. A segunda armadilha é a causalidade versus correlação. Você vai encontrar correlações impressionantes que não significam nada. No meu caso, detectamos que colaboradores que usavam o transporte corporativo tinham 22% menos absenteísmo. Parecia óbvio que o transporte reduzia faltas. Mas quando controlei por localização residencial e turno, a correlação desapareceu. Era apenas um efeito de zona geográfica. Se você agir baseado nessa correlação, vai gastar dinheiro com transporte e não ver mudança nenhuma no absenteísmo.
O terceiro ponto é ética e privacidade. LGPD não é burocracia, é limite real. Dados de saúde, orientação sexual, syndicalismo — tudo isso está fora do jogo. E mesmo com dados permitidos, a anonimização não é trivial. Eu vi um caso onde um modelo de "potencial de promoção" era tão preciso que, cruzando título, departamento e antiguidade, era possível identificar indivíduos específicos em datasets agregados. Isso expõe a empresa a riscos legais sérios.
Ferramentas que realmente funcionam
Não precisa de Python avançado para começar. Excel com Power Query resolve 80% dos problemas iniciais. A parte que geralmente trava é a integração entre fontes. Se você tem SAP, TOTVS, orabs, ou qualquer outro sistema de folha, a exportação manual em CSV vai te limitar rapidamente. O ideal é construir um data layer mínimo: uma tabela unificada de colaboradores com chave única (cpf ou id), data de admissão, desligamento, cargo, gerente, local, e métricas de performance ligadas a ela. Para visualização, Tableau e Power BI são padrão. Para modelagem preditiva mais avançada, R e Python são úteis, mas só quando você já passou da fase de entender o que está acontecendo. Não adianta rodar um random forest se você não consegue explicar com uma cross-tabulação simples qual é o padrão por trás do turnover.
O maior erro que eu vejo empresas cometendo é comprar uma plataforma cara de people analytics e instalar sem ter o fundamento de dados organizado. Ferramenta não resolve falta de governança de dados. Pelo contrário, ela apenas torna os erros mais caros e mais visíveis.
Quando people analytics simplesmente não funciona
Empresas com menos de 50 colaboradores não têm volume suficiente para qualquer análise confiável. O que você chama de "análise de dados" aí é opinião com planilha. Equipes que não confiam nos dados do RH vão rejeitar qualquerInsight, independentemente da qualidade. Se o gestor acha que os números são "da TI" e não refletem a realidade dele, você perdeu antes de começar. A cultura organizacional precisa supporter dados como ferramenta, não como arma política. Sem isso, qualquer projeto vira mais uma iniciativa que morre no relatório trimestral.
