Como este tema funciona na sua empresa
Pequenas empresas não têm time de People Analytics — têm 0,5-1 generalista (frequentemente dentro de RH, frequentemente part-time) que faz analytics ad hoc quando pergunta surge. Pessoa típica: profissional de RH com Excel avançado, mais curiosidade por dados do que formação especializada. Ação recomendada para pequenas empresas: investir em ferramentas de self-service analytics (Looker Studio, Power BI simples, Metabase) que permitem RH acessar dados sem depender de especialista. Capacitar a equipe de RH em leitura de dados é mais eficiente que contratar especialista que será subutilizado.
Empresas médias precisam de 2-4 pessoas: 1 analista sênior (que lidera e faz análises complexas) + 1-2 analistas junior (que fazem análises rotineiras e preparam dados) + talvez 1 engineer (que mantém pipelines de dados e integração). Time reporta ao CHRO ou a RH (não separado). Recrutamento é misto: contratar 1 sênior com experiência em dados para liderar, develop junior internamente ou contratar com potencial e treinar. Tempo para ter time funcional: 2-3 meses para recrutamento, 3-6 meses para ramp-up e primeiros insights.
Grandes organizações têm times robusto de 8-15 pessoas: 2-3 analistas sênior, 3-4 analistas mid, 2-3 junior, 1-2 data engineers, 1 product manager (priorização de análises), possível head de People Analytics que reporta a COO ou CFO (não diretamente a CHRO). Mix de competências é profundo: estatísticos, engenheiros, especialistas em machine learning. Contratação é 60% externa (traz expertise) + 40% desenvolvimento interno (retém conhecimento). Custo anual é R$ 2-5M dependendo de tamanho e seniority. Time tem identidade própria, comunidade de aprendizado, acesso a ferramentas avançadas.
Montar um time de People Analytics significa estruturar composição equilibrada de profissionais (analista, cientista, engineer, product manager) com competências técnicas (SQL, Python, BI, estatística) e comportamentais (comunicação, curiosidade, pensamento estruturado), desenvolvidos internamente ou contratados externamente, com carreira clara e cultura de aprendizado. Muitas organizações falham tentando terceirizar ou contratar um "cientista de dados" isolado. Especialista isolado fracassa porque: (1) insights precisam ser comunicados para ação (requer product manager ou RH savvy), (2) pipelines de dados precisam manutenção (requer engineer), (3) volume de demanda é grande (requer múltiplos analistas). Time equilibrado é more resiliente e impactante. Pesquisas indicam que organizações com times de People Analytics estruturados geram 25-40% mais insights acionáveis, com tempo-para-insight 50% menor[1].
Papéis típicos: competências e responsabilidades
Analista de Dados. Responsável por análises exploratórias, relatórios, diagnósticos. Competências: SQL (extrair dados), Excel avançado (análise), BI (visualização). Conhecimento de RH é aprendido on-the-job. Papel exige: curiosidade, pensamento estruturado, comunicação clara (como você explica achado a RH que não entende estatística?). Salário (Brasil): R$ 100-150k/ano (junior) até R$ 150-250k (sênior).
Cientista de Dados. Responsável por modelagem preditiva, machine learning, algoritmos. Competências: Python/R, estatística, machine learning, SQL. Background típico: graduado em estatística, matemática, engenharia + experiência em dados. Papel exige: rigor matemático, experimentação, capacidade de questionar se modelo está correto. Salário: R$ 150-250k/ano (mid) até R$ 250k+ (sênior).
Data Engineer. Responsável por pipelines de dados, infraestrutura, integração de sistemas. Competências: SQL, Python, conhecimento de cloud (AWS/GCP/Azure), orquestração de dados. Papel exige: pensamento em escala, atenção a detalhe, problem-solving. Salário: R$ 150-200k/ano (mid) até R$ 200-300k (sênior).
Product Manager (ou Analytics Manager). Responsável por priorização de análises, comunicação de insights, alinhamento com RH. Competências: entendimento de negócio (RH), gestão de projeto, comunicação. Papel exige: empatia com stakeholders, habilidade de traduzir pergunta de negócio em análise, facilidade em comunicar números para não-técnicos. Salário: R$ 120-180k/ano.
Head/Diretor de People Analytics (em grandes organizações). Responsável por estratégia, liderança de time, roadmap. Competências: todas acima + leadership, visão estratégica, relacionamento executivo. Salário: R$ 250k-400k+/ano.
Tamanho ideal de time por porte
Pequena empresa (=50 colaboradores): 0,5-1 analista (part-time é aceitável). Foco: Excel avançado, dashboards simples, respostas ad hoc. Não precisa de especialista dedicado.
Média empresa (51-500 colaboradores): 2-4 pessoas. Típico: 1 analista sênior (coordena) + 1 analista mid/junior (análises rotineiras) + 0,5 engineer (part-time, suporta integração). Time reporta a CHRO ou VP de RH. Pode crescer para 4-5 conforme demanda de analytics aumenta.
Grande empresa (500+ colaboradores): 8-15 pessoas. Típico: 3-4 analistas (sênior + mid + junior), 2-3 engineers, 1 cientista (especializado), 1 product manager, 1 head de analytics. Time pode ser separado de RH (reporta a CFO/COO) ou dentro de RH reportando a CHRO. Descentralização é comum: analista dedicado por linha de negócio, com coordenação central.
Investir em ferramentas de self-service (Looker Studio, Power BI, Metabase). Contratar ou treinar 1 pessoa em RH para manter dashboards básicos. Orçamento: R$ 50-100k/ano em ferramentas + pessoas (tempo de RH). Resultado: dashboards básicos, respostas a perguntas simples, sem time dedicado.
Montar time de 2-4 pessoas: contratar 1 analista sênior (externo, R$ 200k/ano) como lead, develop 1-2 junior (interno, R$ 100-150k/ano), talvez 1 engineer part-time (R$ 40-60k/ano part-time). Orçamento total: R$ 350-450k/ano. Timeline: 2-3 meses recrutamento, 3-6 meses ramp-up. Tempo para impacto: 6+ meses.
Montar time de 8-15 pessoas: 50% contratação externa (traz expertise), 50% desenvolvimento interno (retém conhecimento). Estrutura: 3-4 analistas (R$ 120-200k), 2-3 engineers (R$ 150-200k), 1 cientista (R$ 200k+), 1 product manager (R$ 150k), 1 head (R$ 300k+). Orçamento: R$ 2-5M/ano. Timeline: 4-6 meses recrutamento, 6-12 meses para time funcional. Investimento em desenvolvimento contínuo (cursos, certificações) é R$ 50-100k/ano por pessoa.
Onde recrutar: caminhos para encontrar talento
Cientistas de dados e analistas: vêm de backgrounds diversos. Opções: (1) Mercado de dados (agências de recrutamento especializadas em dados — XP Education, Data Science Academy têm base de candidatos). (2) Universidades e bootcamps (Coursera, DataCamp, reputable bootcamps em São Paulo têm graduandos com potencial). (3) Comunidades (Python Brasil, PyData, R-Ladies — rede ativa de profissionais). (4) Roubá de concorrentes (difícil, caro, mas às vezes necessário para sênior com expertise específica). (5) Promoção interna (melhor candidato pode estar em TI ou RH já — é alguém com curiosidade por dados que você desenvolve). Red flag: candidato vem só de formação técnica sem experiência em negócio. Preferir: alguém com histórico em RH ou operações que aprendeu dados (porque entende contexto).
Product managers e translators: tipo raro. Ideal é promover internamente — profissional de RH que aprendeu a se comunicar com dados. Alternativamente, contratar alguém de RH com senioridade que faça curso de analytics (3-6 meses de estudo part-time).
Data engineers: vêm de TI/DevOps. Características desejáveis: experiência com cloud, pipeline de dados, integração de sistemas. Mercado é competitivo, seniores cobram premium. Alternativa: contratar junior/mid da TI com potencial e treinar em data engineering — pode funcionar se mentoria é boa.
Competências técnicas vs. comportamentais: qual priorizar?
Competências técnicas (SQL, Python, BI) são ensinadas. Competências comportamentais (curiosidade, comunicação, pensamento estruturado) são mais difíceis de desenvolver. Ao recrutarar, priorizar: Comportamentais (60%): Curiosidade (pergunta "por quê?" frequentemente?), comunicação clara (consegue explicar conceito técnico para não-técnico?), pensamento estruturado (como você aborda problema novo?), disposição para aprender (mudou de carreira antes? Fez cursos?). Técnicas (40%): Fluência em SQL é baseline. Python/R é bônus. BI tool específica é less important (aprende em 2-4 semanas). Estatística é importante para cientista, menos para analista.
Contratação típica: procurar por pessoa com comportamento certo e técnica 70%, depois treina 30%. Evitar: pessoa tecnicamente perfeita mas com comunicação pobre ou sem curiosidade — será isolado e menos impactante.
Desenvolvimento interno: crescimento de carreira
Retenção de talento em People Analytics é desafio. Mercado é competitivo, seniores têm ofertas frequentes. Estratégias de retenção: (1) Carreira clara: junior ? mid ? sênior ? especialista/líder. Progression é visível, não é "você fica aqui para sempre". (2) Desenvolvimento contínuo: cursos, certificações, conferências. R$ 3-5k/ano por pessoa é investimento válido. (3) Projetos impactantes: trabalhar em problema que importa (ex: preditivo de turnover que realmente influencia retenção) é motivador. (4) Comunidade: time que aprende junto, compartilha conhecimento. Cultura de excelência. (5) Remuneração competitiva: não pode pagar menos que mercado esperando loyalty.
Desenvolvimento interno também significa treinar profissionais de RH em dados. Programa típico: 3-6 meses de estudo part-time (curso + mentoria de analista sênior) + projeto prático. Resultado: RH que fala linguagem de dados. Benefício: ponte entre analytics e negócio fica mais forte.
Não há "time" formal. Investir em capacitação de 1 pessoa de RH em dados básicos (curso de 3-6 meses). Ferramentas de self-service + pessoa capacitada pode resolver 80% da demanda de analytics.
Contratar 1 analista sênior como head (externo, R$ 200k). Treinar 1-2 junior (interno, R$ 100k/ano cada). Programa de desenvolvimento: mentoria do sênior para os junior, cursos anuais, projeto prático trimestral. Investimento em desenvolvimento: R$ 20-30k/ano.
Recrutamento equilibrado: 50% contratação externa (especialistas sênior) + 50% desenvolvimento interno (trainees, promoção de RH). Programa de desenvolvimento estruturado: mentoria, cursos, certificações. Learning budget: R$ 50-100k/ano por pessoa (ferramentas, cursos, conferências). Carreira clara: traineee ? analista junior ? analista mid ? analista sênior ? especialista/líder.
Cultura e estrutura do time
Estrutura de reporte importa. Reportar a CHRO: vantagem é alinhamento com RH, foco em aplicação prática. Desvantagem: possível desalinhamento com estratégia corporativa (dados de RH informam RH, não informam negócio). Reportar a CFO/COO: vantagem é independência, perspectiva mais ampla. Desvantagem é possível distância de RH, menos contexto. Ideal é estrutura matriz: analytics reporta a CHRO operacionalmente, a CFO estrategicamente. Requerém bom relacionamento, mas oferece melhor de ambos os mundos.
Cultura do time deve ser de excelência analítica, psicológica segurança para experimentar, documentação clara, code review (para engineer), peer review (para análises). Prática de "analytics guild" ou "data community" é útil — reuniões mensais onde time compartilha aprendizados, discute técnicas, aprende junto.
Erros comuns em montagem de time
Erro 1: Contratar um "cientista de dados" isolado e esperar magic. Especialista sem analyst, sem engineer, sem alinhamento com RH fracassa. Estrutura importa.
Erro 2: Recruitar só por skills técnicos, ignorar comportamento. Pessoa tecnicamente perfeita mas sem comunicação é problema. Procure curiosidade e comunicação primeiro.
Erro 3: Terceirizar tudo (agência de consultoria faz análises). Consultoria é útil para piloto ou problema específico, mas terceirizar completamente significa conhecimento sai quando consultoria vai embora.
Erro 4: Sem roadmap de carreira, turnover é alto. Talento de dados é commodity, se não oferece growth, sai. Estrutura de carreira clara reduz rotatividade.
Erro 5: Time isolado de RH. Se analytics não comunica com RH regularmente, insights não se tornam ação. Alinhamento é essencial.
Sinais de que sua organização está pronta para time de People Analytics
Se você se reconhece em 3+ cenários, está ready para investir:
- Decisões de RH significativas (remuneração, retenção, recrutamento) são frequentemente questionadas — dados poderiam ajudar justificar.
- Perguntas analíticas para RH recorrem frequentemente, tomando tempo de operacional — demanda existe, só falta estrutura.
- Seus dados de RH estão fragmentados e você gastaria para consolidar — investimento em estrutura de dados se justifica.
- Leadership quer "ser data-driven" mas não tem capacidade — realização requer time técnico.
- Problemas de RH (turnover alto, retenção, engajamento) carecem de diagnóstico — analytics poderia apontar causas raiz.
- Você investiu em HCM/BI mas dados não estão sendo usados — falta ponte entre dados e decisão (papel de analytics).
- Orçamento de RH permite investimento em novo capability (R$ 200k-500k/ano) — viável pagar pelos benefícios esperados.
Caminhos para estruturar time de People Analytics
Duas abordagens principais — escolha depende de urgência, orçamento, capacidade interna.
Investir em desenvolvimento de talentos internos, crescimento graduais do team.
- Abordagem: treinar profissionais de RH em dados, contratar 1-2 juniores, grow ao longo de 12-24 meses
- Tempo: 12-24 meses para team funcional
- Faz sentido quando: você tem paciência, orçamento existe, quer expertise interna duradoura
- Vantagem: conhecimento fica interno, custo eventual é menor
- Risco: progress pode ser lento, talentos podem sair antes de ROI
Contratar 1-2 sênior externamente como líder, recrutar junior com potencial para development, usar consultoria para acelerar.
- Abordagem: head de analytics externo (R$ 200k+/ano) + juniors internos + mentoria + consultoria por 6-12 meses
- Tempo: 3-6 meses para time funcional
- Faz sentido quando: urgência é alta, orçamento permite, quer expertise rápida
- Vantagem: rápido, traz best practices, desenvolvimento interno garante continuidade
- Custo: R$ 400-600k/ano inicial (sênior + juniors + consultoria), reduz com tempo
Pronto para montar time de People Analytics?
Se você quer estruturar capacidade de analytics em RH, o oHub conecta você gratuitamente a especialistas em construção de teams, coaches de data leaders, agências de recrutamento especializadas em dados e consultores que podem mentoriar seu time. Em menos de 3 minutos, sem compromisso.
Encontrar fornecedores de RH no oHub
Sem custo, sem compromisso. Você recebe propostas de especialistas e decide se e com quem trabalhar.
Perguntas frequentes
Qual é o tamanho mínimo de time de People Analytics?
Para empresas médias: 2 pessoas (1 sênior + 1 junior) é mínimo viável. Menos que isso = você não consegue cobrir demanda. Para grandes: 5+ pessoas (analistas, engineer, cientista). Acima disso você cresce por especialidade (time por linha de negócio).
Quanto custa montar e manter um time de People Analytics?
Pequena empresa: R$ 50-100k/ano (ferramentas + parte de 1 pessoa de RH). Média: R$ 350-500k/ano (3-4 pessoas + ferramentas). Grande: R$ 2-5M/ano (8-15 pessoas + ferramentas + desenvolvimento). ROI típico: 3-5x em 2-3 anos.
Melhor recrutar analista ou cientista primeiro?
Analista. Cientista é mais especializado, mais caro, exigir volume de projeto. Analista é mais generalista, cobre mais necessidades. Contratar sênior analista first, depois adicione cientista quando tenha volume de projeto preditivo/ML.
Como encontrar e recrutar talento em dados no Brasil?
Agências especializadas (XP Education, recrutadores de dados). Comunidades (Python Brasil, PyData, R-Ladies). Redes sociais (LinkedIn). Universidades (conversas com professores em pós-grad). Bootcamps. Empresa concorrente (mais caro). Internamente (procure RH ou TI com curiosidade por dados). Melhor fonte: referências internas + reputação de bom lugar para trabalhar.
Preciso de cientista de dados para ter People Analytics?
Não necessariamente. Analistas conseguem resolver 80% das demandas (análise exploratória, relatórios, diagnósticos). Cientista é importante para 20% (modelos preditivos, ML). Contratar cientista só se você tem volume de projeto que justifique (ao menos 20-30% do tempo alocado a preditivo/ML).
Referências
- Gartner (2024). "Building People Analytics Teams." https://www.gartner.com/en/human-resources
- Davenport, T. & Patil, D. (2023). "Data Scientist: Still the Sexiest Job?" Harvard Business Review. https://hbr.org/
- Provost, F. & Fawcett, T. (2013). "Data Science for Business." O'Reilly Media.
- SHRM (2024). "Competencies for HR Data Professionals." https://www.shrm.org/
- Catalyst Advisors (2023). "State of People Analytics Maturity." Industry report.