people analytics - o rh data driven

People Analytics: O RH Data Driven

Marcelo Furtado, Convenia

Marcelo FurtadoCofunder, Convenia

@_mnfurtado marcelo.furtado@convenia.com.br

• Desmistificar sem simplificar o conceito de People Analytics

• Tornar o conceito prático

• Mostrar que as pessoas serão cada vez mais importantes no processo

Como Vendas trabalha com dados?

Como Finanças trabalha com dados?

Como Marketing trabalha com dados?

Como você trabalha análise de dados no RH?

1. Básico-Coletar dados

2. Intermediário-Métricas e Indicadores

3. Avançado-Correlacionar dados

4. Nirvana-Prever o futuro

Estágios do People AnalyticsObjetivo

RH

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

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

Não tem desculpa!

Você precisa ter um RH data driven.

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?

People AnalyticsProblema: Contratar bons vendedores

1. Básico-Coletar dados

Estágios do People AnalyticsObjetivo

RH

Processo vs.

Resultado

t- Gol!

t-1 Passe

t-2 Condução

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

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

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.

Por que eliminar o acaso (a sorte) da sua coleta de

dados?

1. Entre em sli.do2. Digite o código do evento 18123. Responda a pergunta na tela

Wifi: Campus CommunitySenha: workhardplayhard

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

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

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

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

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

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.

Quanto maior for o papel do acaso em um resultado, mais

retorno a média você terá.

Busque a persistência dos dados.

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)

Dica para coletar dados:

Tenha processos estruturados no seu Departamento Pessoal e RH.

Admissão

Desligamento

Alteração de cargos e salários

Férias

AfastamentosDados

pessoais

Desligamento

People AnalyticsProblema: Contratar bons vendedores

Dados coletados: Performance histórica, anos de experiência, formação, distância do trabalho que mora, número de filhos, escolaridade,

1. Básico-Coletar dados

2. Intermediário-Métricas e Indicadores

Estágios do People AnalyticsObjetivo

RH

Métricas e Indicadores

• Contextualize (equalize) os seus dados antes de fazer comparações e tirar conclusões

• Relativize: por departamento, setor, produto, ambiente macro-econômico, etc.

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)?

People AnalyticsProblema: 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”)

1. Básico-Coletar dados

2. Intermediário-Métricas e Indicadores

3. Avançado-Correlacionar dados

Estágios do People AnalyticsObjetivo

RH

Como contratar bons comissários de bordo?

Prestativa Amigável

ou

Qual característica um bom comissário de bordo deve ter?

QUEM na empresa tem essa resposta?

Como foi a sua experiência de

vôo?

Como você descreveria os comissários?

(identificaram a correlação entre essas duas respostas)

1 2

Expe

riênc

ia d

e Vô

o

0

5

10

15

20

Amigável

0 3 6 9 12

y = 5,2 + 1,3x(experiência de vôo)

(amigável)

Identificar a correlação entre dados te ajudará a

prever um resultado futuro.

…mas cuidado…

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?

Ataques de tubarão

Consumo de sorvetecorrelação

Verão

causalidadecausalidade

Achar correlação não significa que você encontrou causalidade.

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?

✓ 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

People AnalyticsProblema: 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.

1. Básico-Coletar dados

2. Intermediário-Métricas e Indicadores

3. Avançado-Correlacionar dados

4. Nirvana-Prever o futuro

Estágios do People AnalyticsObjetivo

RH

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

As características que fizeram um

funcionário ser bem sucedido em um

cargo são as mesmas do próximo

nível?

O que acontece se quisermos avaliar mais

de uma variável?

Competências técnicas

Características Pessoais

Avaliação

Experiências Anteriores

Formação

y = 5,2 + 1,3x

y = 5,2 + 1,3x + 0,5y + 0,2z(amigável)

(experiência)

(avaliação)

(procure no Google - Regressão Multivariável no Excel)

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)

Limitação: É preciso ter acesso a muitos

dados estruturados para conseguir montar uma regressão multivariável.

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?

y = 5,2 + 1,3x + 0,5w + 0,2z(vendas)

(# ligações)

(# propostas)

(reuniões)

People AnalyticsProblema: 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.

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)

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?

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

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

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.

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

Estudo de caso Google

Fonte: Um Novo Jeito de Trabalhar - Laszlo Bock

300.000 CV recusados

10.000 CV revisados

150 contratados

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

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.

Muito obrigado! Marcelo Furtado

marcelo.furtado@convenia.com.br