O documento discute o conceito de People Analytics e como as empresas podem utilizar dados e análises para melhorar processos de recursos humanos, como recrutamento e seleção. Ele apresenta os estágios do People Analytics, desde a coleta básica de dados até previsões, e exemplos de como empresas como Google usam esses métodos para contratar funcionários de forma mais eficiente.

1. People Analytics: O
RH Data Driven
Marcelo Furtado, Convenia

2. Marcelo Furtado
Cofunder, Convenia
@_mnfurtado
marcelo.furtado@convenia.com.br

3. • Desmistificar sem simplificar o conceito de
People Analytics
• Tornar o conceito prático
• Mostrar que as pessoas serão cada vez mais
importantes no processo

4. Como Vendas trabalha com dados?

5. Como Finanças trabalha com dados?

6. Como Marketing trabalha com dados?

7. Como você trabalha análise de
dados no RH?

8. 1. Básico-
Coletar dados
2. Intermediário-
Métricas e Indicadores
3. Avançado-
Correlacionar dados
4. Nirvana-
Prever o futuro
Estágios do People Analytics
Objetivo
RH

9. Em que estágio as empresas brasileiras se encontram?
0%
10%
20%
30%
40%
Básico Intermediário Avançado Nirvana
10%
24%
40%
26%
Fonte: Prática de People Analytics nas Organizações Brasileiras - 2ª Edição 2016

10. O que as empresas utilizam para fazer People
Analytics?
0%
25%
50%
75%
100%
Planilhas ERP Módulo do ERP Software Específico
6%
24%
38%
92%
Fonte: Prática de People Analytics nas Organizações Brasileiras - 2ª Edição 2016

11. Não tem desculpa!
Você precisa ter um RH data
driven.

12. Avaliação de
Desempenho
Staffing
(Contratar,
Promover e
Manter)
Talent
Management
• Quais funcionários tem melhor performance?
• Quais funcionários contribuem mais para o
resultado da empresa?
• Como será o desempenho futuro de um
candidato?
• Quem deve ser promovido?
• Quais funcionários sairão da empresa nos
próximos meses?
• Como aumentar a colaboração entre os times?
• Quais treinamentos oferecer para formar
futuros líderes?
• Como aumentar o engajamento dos
colaboradores?

13. People Analytics
Problema: Contratar bons vendedores

14. 1. Básico-
Coletar dados
Estágios do People Analytics
Objetivo
RH

15. Processo
vs.
Resultado

16. t- Gol!
t-1 Passe
t-2 Condução

17. Procure entender quais
são as variáveis que levam
ao resultado (processo) e
não apenas o resultado.

18. Dell Computers trocou a sua fórmula de avaliação de
desempenho no começo dos anos 2000:
Antes:
100% baseado em resultados obtidos
Depois:
50% no resultado obtido
50% como o funcionário obteve tal resultado

19. Quanto mais incerto for o ambiente
da sua empresa (ou seja, quanto
menor for o controle do funcionário
sobre o resultado), mais você deve
focar no processo ao invés do
resultado.

20. Por que eliminar o acaso
(a sorte) da sua coleta de
dados?

21. 1. Entre em sli.do
2. Digite o código do evento 1812
3. Responda a pergunta na tela
Wifi: Campus Community
Senha: workhardplayhard

22. Como você espera que os 5 primeiros
colocados no campeonato brasileiro de 2016
estarão em 2017?
a) No topo da tabela
b) No meio da tabela
c) Na parte de baixo da tabela

23. 1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
2012 2013
Média:
10,4
Média:
3

24. 1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
2013 2014
Média:
10,4
Média:
3

25. 1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
2014 2015
Média:
4
Média:
3

26. 1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
2015 2016
Média:
9,4
Média:
3

27. Média de colocação ano
posterior
2012 - 2013 10,4
2013 - 2014 10,4
2014 - 2015 4,0
2015 - 2016 9,4
Média do período 8,55
Sendo um campeonato com 20 times, a
colocação tende a média de 10.

28. Quanto maior for o papel do
acaso em um resultado, mais
retorno a média você terá.
Busque a persistência dos dados.

29. Por que eliminar o acaso
(a sorte) da sua coleta de
dados?
Seres humanos são enviesados por natureza. Criamos
histórias para tentar justificar acontecimentos.
(sejam eles obras do acaso ou não)

30. Dica para coletar dados:
Tenha processos estruturados no
seu Departamento Pessoal e RH.

31. Admissão
Desligamento
Alteração de
cargos e salários
Férias
Afastamentos
Dados
pessoais
Desligamento

33. People Analytics
Problema: Contratar bons vendedores
Dados coletados: Performance histórica, anos de
experiência, formação, distância do trabalho que mora,
número de filhos, escolaridade,

34. 1. Básico-
Coletar dados
2. Intermediário-
Métricas e Indicadores
Estágios do People Analytics
Objetivo
RH

38. Métricas e Indicadores
• Contextualize (equalize) os seus dados antes de
fazer comparações e tirar conclusões
• Relativize: por departamento, setor, produto,
ambiente macro-econômico, etc.

39. Métricas e Indicadores
Por que isso é importante para você?
• Como avaliar alguém de atendimento em um
momento que seu produto tem falhas técnicas?
• Como avaliar um vendedor em uma economia
ruim?
• Como mensurar performance de times recém-
criados (benchmarks)?

40. People Analytics
Problema: Contratar bons vendedores
Dados coletados: Performance histórica, anos de
experiência, formação, distância do trabalho que mora,
número de filhos, escolaridade,
Métrica: Vendas / Ligações feitas (tiramos o efeito de
“esforço”)

41. 1. Básico-
Coletar dados
2. Intermediário-
Métricas e Indicadores
3. Avançado-
Correlacionar dados
Estágios do People Analytics
Objetivo
RH

42. Como contratar bons comissários de bordo?

43. Prestativa Amigável
ou
Qual característica um bom comissário de
bordo deve ter?
QUEM na empresa tem essa resposta?

45. Como foi a sua
experiência de
vôo?
Como você
descreveria os
comissários?
(identificaram a correlação entre essas duas respostas)
1 2

46. ExperiênciadeVôo
0
5
10
15
20
Amigável
0 3 6 9 12
y = 5,2 + 1,3x
(experiência de vôo)
(amigável)

47. Identificar a correlação
entre dados te ajudará a
prever um resultado futuro.
…mas cuidado…

48. 0
25
50
75
100
Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez
2 Dados de Correlação quase perfeita
Logo, se o governo proibir o
consumo de sorvetes, não
teremos mais ataques de
tubarão, correto?

49. Ataques de
tubarão
Consumo de
sorvetecorrelação
Verão
causalidadecausalidade
Achar correlação não significa que você encontrou causalidade.

50. Causalidade x Correlação
Por que isso é importante para você?
• As pessoas sempre melhoram a performance
após um treinamento? Ou só comparecem ao
treinamento quando estão com performance
baixa?
• As vagas internas são mais difíceis de serem
preenchidas? Ou só publicamos as vagas mais
difíceis de serem preenchidas?

51. ✓ Coleta de dados: pesquisa com passageiros;
✓ Criaram métrica: características pessoais do
comissário;
✓ Modelo preditivo: quanto mais amigável, melhor
o vôo;
✓ Tomaram ação: mudaram a forma de selecionar
candidatos.
Estudo de caso Jet Blue

52. People Analytics
Problema: Contratar bons vendedores
Dados coletados: Performance histórica, anos de
experiência, formação, distância do trabalho que mora,
número de filhos, escolaridade,
Métrica: Vendas / Ligações feitas (tiramos o efeito de
“esforço”)
Correlação encontrada: Distância do trabalho que mora e
número de filhos <> Métrica definida.

53. 1. Básico-
Coletar dados
2. Intermediário-
Métricas e Indicadores
3. Avançado-
Correlacionar dados
4. Nirvana-
Prever o futuro
Estágios do People Analytics
Objetivo
RH

54. Princípio de Peter
“Em algum momento, todas as posições da
empresa serão ocupadas por um funcionário
incompetente para a sua função.”
Peter and Hull, 1969

55. As características
que fizeram um
funcionário ser bem
sucedido em um
cargo são as
mesmas do próximo
nível?

56. O que acontece se
quisermos avaliar mais
de uma variável?
Competências
técnicas
Características
Pessoais
Avaliação
Experiências
Anteriores
Formação

57. y = 5,2 + 1,3x
y = 5,2 + 1,3x + 0,5y + 0,2z
(amigável)
(experiência)
(avaliação)
(procure no Google - Regressão Multivariável no Excel)

58. y = 5,2 + 1,3x + 0,5w + 0,2z
Um modelo matemático deste tipo, pode te responder,
qual é a melhor pessoa para assumir determinado cargo.
(independente de opiniões subjetivas)
(quão boa é a pessoa para
assumir o cargo)
(variáveis que você escolheu)

59. Limitação:
É preciso ter acesso a muitos
dados estruturados para conseguir
montar uma regressão multivariável.

60. Time de Vendas
• Quantas ligações fez?
• Quantas ligações foram
atendidas?
• Quantos contatos (leads) foram
criados?
• Quantas reuniões foram
marcadas?
• Quantas propostas foram
enviadas?
• Quantas vendas foram feitas?

61. y = 5,2 + 1,3x + 0,5w + 0,2z
(vendas)
(# ligações)
(# propostas)
(reuniões)

62. People Analytics
Problema: Contratar bons vendedores
Dados coletados: Performance histórica, anos de
experiência, formação, distância do trabalho que mora,
número de filhos, escolaridade,
Métrica: Vendas / Ligações feitas (tiramos o efeito de
“esforço”)
Correlação encontrada: Distância do trabalho que mora e
número de filhos <> Métrica definida.
Modelo preditivo: y = 9,8 + 2,3x + 7.9z
Sendo, x = Distância da moradia em km e z = Número de
filhos.

63. Se você tinha medo de
estatística…
• Processo vs Resultado (neymar)
• Regressão à média (times de futebol)
• Contextualização de dados (goleiro dos EUA)
• Correlação (caso Jet Blue)
• Causalidade x Correlação (tubarão x sorvete)
• Regressão Multi-variável (promover corretamente)

64. Estudo de caso Google
Fonte: Um Novo Jeito de Trabalhar - Laszlo Bock
300.000Currículos de Engenheiros de Software Rejeitados em 2010
Como saber se, no meio destes currículos, o Google não
deixou passar algum bom profissional?

65. Estudo de caso Google
Fonte: Um Novo Jeito de Trabalhar - Laszlo Bock
1. Coleta de dados:
- Google processa todos os currículos dos atuais
titulares do cargo de Engenheiro de Software e os
currículos recebidos

66. Estudo de caso Google
Fonte: Um Novo Jeito de Trabalhar - Laszlo Bock
2. Métricas e indicadores:
- O algoritmo identifica as palavras-chave mais
comuns
- A lista de palavras-chave é ampliada por um seleto
grupo de recrutadores e gestores

67. Estudo de caso Google
Fonte: Um Novo Jeito de Trabalhar - Laszlo Bock
3. Correlação dos dados:
- Um segundo algoritmo analisa o currículo dos
candidatos e atribuí um peso a cada palavra-chave
conforme a frequência que ela ocorre no currículo de
candidatos malsucedidos e bem sucedidos.

68. Estudo de caso Google
Fonte: Um Novo Jeito de Trabalhar - Laszlo Bock
4. Projetando o futuro:
- O modelo indica quais currículos foram reprovados
mas mereciam uma re-avaliação
- RH re-avalia e chama para novo processo

69. Estudo de caso Google
Fonte: Um Novo Jeito de Trabalhar - Laszlo Bock
300.000
CV recusados
10.000
CV revisados
150
contratados

70. Estudo de caso Google
Fonte: Um Novo Jeito de Trabalhar - Laszlo Bock
0%
0,4%
0,8%
1,2%
1,6%
Aproveitamento total Modelo
1,5%
0,25%
6x
melhor

71. Desafio
1. Escolha um problema para atacar
2. Colete dados e crie métricas
3. Encontre correlações básicas dos dados
Se nos próximos 15 dias você chegar neste estágio,
montaremos o modelo preditivo juntos.

72. Muito obrigado!
Marcelo Furtado
marcelo.furtado@convenia.com.br