Escrito por: Rafael Balaniuk | Editado por: Clara Freitas
Criada para resolver a dor de diversos negócios extraindo valor dos dados, a ciência de dados é um dos campos mais interessantes que existem hoje – e é altamente relacionada com a estruturação de uma área de People Analytics.
Confira no post dessa semana quais as semelhanças entre essas duas áreas e como o People Analytics utiliza da aplicação da Ciência de Dados para estruturar uma área e seus processos.
Qual o ponto de encontro entre Ciência de Dados e People Analytics?
Ciência de dados é uma área que combina vários campos, incluindo estatística, métodos científicos, Inteligência Artificial (IA) e Análise de Dados. Tudo para extrair valor para as empresas, que possuem uma enorme quantidade de dados armazenados e nem sempre sabem como gerar insights que podem ajudar em melhores tomadas de decisão e identificação de tendências para os negócios.
A partir dessa descrição já é possível encontrar um ponto em comum entre a área de Ciência de Dados e People Analytics – uma vez que a Gestão de Pessoas é também uma área que possui uma grande quantidade de dados pulverizados em diversos pontos (ERP, R&S, AD, e-mails, entre outros) e, com People Analytics, é possível extrair valor desses dados,diagnosticando padrões de comportamento para a tomada de ação mais assertiva. Sendo assim, podemos aferir que People Analytics é a aplicação de Ciência de Dados para RH.
Entretanto, esses dados muitas vezes ainda estão apenas em bancos e/ou data lakes, em sua maioria intocados, o que representa um grande potencial acumulado de inteligência para o negócio que acaba sendo desperdiçado
Relação entre o funcionamento das áreas de Ciência de Dados e People Analytics
Para entender como funciona o processo de trabalho em Ciência de Dados, podemos ilustrar de forma simples com a imagem abaixo:
Fonte: https://towardsdatascience.com/the-data-science-process-a19eb7ebc41b
Primeiramente, temos a coleta e tratamento de dados. Após serem tratados, os dados são explorados para que seja possível entender o que há neles e como se relacionam. A partir dessas constatações, pode ser construído um modelo preditivo e, posteriormente, aplicado na organização.
Contextualizando o processo com People Analytics
Trazendo para o contexto de People Analytics, em um caso de investigação de taxa alta de pedidos de desligamento, seriam coletados os dados de diversas fontes, como o ERP (Sistema de Gestão Integrada), a plataforma de Recrutamento e Seleção, pesquisas de clima e avaliações de desempenho.
Para retirar possíveis erros e separar o público que realmente queremos analisar (excluindo estagiários e aprendizes, por exemplo), as bases seriam tratadas e esses dados transformados para que consigamos integrar as bases, ou seja, analisá-las em conjunto.
Agora, com as bases concatenadas, realizamos análises exploratórias, que podem ser de menor complexidade(como análise das médias, medianas e desvio-padrão), ou de maior complexidade também (como correlações e regressões).
Entendendo os dados e como eles se relacionam, usamos Inteligência Artificial para construir modelos preditivos e escolhemos o que é mais adequado para a empresa.
Quais os principais erros que um projeto de Ciência de Dados e People Analytics podem compartilhar?
Assim como na Ciência de Dados, o ponto mais fundamental do trabalho de People Analytics é identificar e resolver problemas de negócio. Por isso, é um grande erro tratar os dados que estão disponíveis e passar para os analistas “encontrarem o que der”.
Primeiramente, se não há um problema de negócio para ser resolvido, não seria necessária a análise de dados – gerando desperdício de recursos essenciais à empresa, como tempo e dinheiro. Em segundo lugar, se a análise não parte de um problema real, você não sabe o que procurar ou como tratar.
E, ainda que você encontre algo pesquisando em “mar aberto” nos dados, pode aplicar a solução errada para o problema detectado – é o caso da empresa que encontra um problema de turnover voluntário e decide aumentar o salário de todos os talentos da companhia, o que pode aumentar a sensação de reconhecimento, mas não necessariamente a retenção.
Os 5 objetivos para estruturar uma área de People Analytics
Vamos considerar uma empresa que ainda não tem iniciativas de People Analytics e está pensando em começar até atingir um alto nível de maturidade, em que os dados são usados corriqueiramente para a tomada de decisão. Para isso, será necessário atingir 5 objetivos:
- Resolver problemas de negócio
- Conquistar os stakeholders
- Automatizar a coleta e o tratamento dos dados
- Realizar análises e construir modelos simples e fáceis de interpretar
- Massificar as análises de dados
O caminho para People Analytics
Para atingir os 5 objetivos citados, desenvolvemos um caminho ideal, baseado no que observamos em outras empresas e também no que aprendemos em nossa jornada de Startup:
- encontrar um problema de negócio que pode ser resolvido nas primeiras entregas (que serão feitas considerando a estrutura e recursos já existentes);
- criação de dashboards manuais para que o RH e os gestores possam manipular e entender o valor do trabalho;
- montagem e automação do tratamento dos dados (usando Data lakes ou Data Warehouses);
- escalabilidade da operação, a partir de projetos recorrentes de People Analytics.
Caso sua empresa não possua pessoas com a habilidade de fazer o tratamento e automação de, bem como a criação das dashboards, um caminho possível é contar com um fornecedor especializado na área – o que geralmente é uma solução mais econômica em tempo e recursos. Assim, sua equipe estaria livre para realizar atividades mais estratégicas.
Resumindo a relação entre Ciência de Dados e People Analytics
Assim como a Ciência de Dados extrai informações relevantes de bancos de dados imensos e gera insights para as empresas, People Analytics utiliza os dados como suporte para embasar as operações de Gestão de Pessoas.
Isso quer dizer que People Analytics dá um passo além, que é o uso das informações e evidências colhidas para a tomada de decisão – isso é, um RH data-driven. Ainda assim, todo o fluxo de trabalho da definição do problema até os insights é a aplicação pura da Ciência de Dados.
Nenhum comentário ainda