Consentimento e transparência no People Analytics

Framework legal: LGPD e direitos dos colaboradores

LGPD (Lei 13.709/2018) estabelece direitos de titulares de dados pessoais. Em contexto de RH, "titulares" são colaboradores. Direitos incluem: (1) Direito de acesso: colaborador pode pedir "que dados você tem de mim?" Empresa deve responder em 15 dias com lista completa. (2) Direito de retificação: dado incorreto deve ser corrigido. (3) Direito de apagamento: em certos casos (dado não é mais necessário, consentimento foi retirado), colaborador pode solicitar apagamento. Empresa tem 15 dias para atender. (4) Direito de portabilidade: colaborador pode solicitar seus dados em formato portável (CSV, etc) para transferir a outra empresa. (5) Direito de oposição: colaborador pode se opor a certos tipos de processamento (ex: análise preditiva). (6) Direito de não ser sujeito de decisão automatizada: se análise preditiva resultaria em ação (ex: não contratar porque modelo prediz risco), colaborador tem direito a revisor humano.

Empresa tem obrigação de cumprir esses direitos. Violação não é apenas legal — danifica confiança. Base legal para coleta também importa: pode ser consentimento (explicit permission), execução de contrato (necessário para folha de pagamento), interesse legítimo (análise de turnover para reter talentos), ou obrigação legal (atender lei).

Tipos de dados e sensibilidade relativa

Nem todos os dados são equally sensitive. Classificação ajuda a estruturar governance: Sensibilidade baixa: dados demográficos (idade, localização, nível de carreira), informações públicas (nome, email corporativo). Risco é baixo. Consentimento implícito em contrato é aceitável. Sensibilidade média: performance (notas de avaliação, histórico salarial), engajamento (participação em programa, resultado de pesquisa de clima), desenvolvimento (cursos feitos, feedback). Risco moderado — dados não revelam identidade óbvia mas combinados podem identificar. Consentimento explícito é melhor. Sensibilidade alta: saúde (atestado médico, limitações de saúde), comunicações (conteúdo de emails, chats internos), localização rastreada continuamente, dados comportamentais detalhados (cada clique, cada movimento). Risco é alto — dados podem ser usados para vigilância, discriminação. Consentimento explícito e detalhado é essencial. Dados de saúde são categoria especial em LGPD — require ainda mais proteção.

Classificação de sensibilidade determina governance: dados baixa sensibilidade precisam de menos proteção; dados alta sensibilidade precisam de acesso restrito, criptografia, auditoria frequente.

Consentimento genuíno vs. consentimento performativo

Consentimento performativo: "ao assinar contrato, você concorda com coleta de dados" em letra miúda em página 8. Colaborador não lê, não entende. Legalmente pode passar, mas eticamente não é consentimento. Consentimento genuíno: explicação clara do que é coletado, por quê, como será usado, opção fácil de dizer não. Exemplo: "a gente analisa padrões de turnover para identificar razões de saída e melhorar retenção. Isso inclui análise agregada (não por pessoa), respeitando privacidade. Você concorda? Pode falar não sem consequência." Consentimento genuíno exige espaço para dúvida, não é pré-selecionado como "concordo".

Para análises específicas (ex: modelo preditivo de risco de saída), consentimento pode ser separado de consentimento geral. "Você autoriza que a gente rode modelo de ML para prever risco de saída, com objetivo de oferecer intervenção proativa (aumento salarial, mudança de função)?" Separação deixa claro que colaborador tem agency sobre usos específicos.

Transparência: o que comunicar e como

Transparência genuína significa: (1) O quê: que dados estão sendo coletados? Lista específica (data de admissão, cargo, departamento, resultado de pesquisa de clima, histórico salarial, etc). (2) Por quê: qual é o propósito? Decisão de remuneração? Análise de retenção? Identificação de talento? Ser específico. (3) Como: como dados são armazenados? Quem tem acesso? Está protegido? (4) Quanto tempo: quanto tempo é mantido? Até fim da relação de emprego? 2 anos pós-saída? (5) Direitos: você pode acessar seus dados? Corrigir? Pedir apagamento? Como?

Como comunicar: (1) Documento de privacidade claro e acessível (não legal-ese incompreensível — explicação em linguagem de colaborador). (2) Comunicação na contratação (parte do onboarding). (3) Comunicação contínua: quando novo analytics project começa (ex: "agora estamos analisando padrão de ausência para identificar risco de saída"), comunicar. (4) Transparência ativa: dashboard de transparência mostrando dados sendo coletados, usar, retenção (empresas sofisticadas fazem isso). Avoid: esconder em termo de contrato, deixar vago, comunicar obscuramente.

Análises sensíveis: como ser transparente sobre preditivo e viés

Análises preditivas e prescritivas são particularmente sensíveis porque resultam em decisão que afeta colaborador. Análise preditiva de turnover: modelo que prediz "chance dessa pessoa deixar a empresa é 60%". Como comunicar? "A gente análise padrões de dados para identificar colaboradores em risco de saída, com propósito de oferecer suporte (conversa com gestor, aumentar responsabilidade, desenvolvimento). Você faz parte dessa análise? Sim. Você pode pedir para não participar? Sim (mas isso limita suporte proativo oferecido)."

Análise de viés: algoritmo que avalia candidatos pode ter viés de gênero, raça, idade — histórico de dados discriminação é amplificado. Transparência aqui significa: "o modelo de triagem de candidatos foi auditado para viés de gênero e raça (score de viés <2%). A gente revalidamos a cada trimestre." Se viés é descoberto, comunicar (não esconder). Decisões automatizadas: se análise resultaria em ação sem revisão humana (ex: não chamar para entrevista porque score é baixo), colaborador tem direito a revisão humana — não pode ser 100% automático.

Governança: estrutura de controle

Política de privacidade em RH: documento que especifica como dados de RH são coletados, processados, protegidos. Diferente de política geral de privacidade corporativa. Deve cobrir: quais dados, por quê, como protegidos, direitos de colaborador. Atualizar a cada 12-18 meses. Data classification: cada campo de dado de RH é classificado (baixa/média/alta sensibilidade). Determina proteção necessária. Access control: apenas pessoas que precisam têm acesso a dados sensíveis. Acesso é registrado em auditoria. Data retention policy: quanto tempo é mantido? Após saída de colaborador, dados são mantidos por quanto tempo? Política clara evita "dados acumulando indefinidamente". Privacy Impact Assessment (PIA): antes de novo analytics project (particularmente se preditivo ou envolve dados sensíveis), avaliar: qual é o risco de privacidade? Como será mitigado? Pode colaborador opor? Documentar conclusão. Comitê de revisão: reunião mensal/trimestral com RH, Tecnologia, Legal para revisar projects, aprovar novos, discutir compliance.

Governança não é overhead — é proteção contra risco legal e é sinal de respeito. Organizações com governance forte atraem talentos que se importam com privacidade.

Desafios práticos: resolvendo tensões comuns

Desafio 1: "Transparência total pode comprometer insights." Preocupação: se comunicar exatamente que análise preditiva de turnover vai prever quem sai, pessoas podem mudar comportamento (reagir ao modelo). Resposta: sim, mas é feature, não bug. Pessoas que sabem que há análise preditiva podem refletir sobre se realmente vão sair. Melhor que surpresa. Transparência é feature, não liability.

Desafio 2: "Colaborador opõe analytics, mas é crítico para negócio." Preocupação: se oferecer "você pode optar para não participar", alguns vão optar, comprometendo análise. Resposta: verdadeiro. Mas consentimento genuíno requer respeitar "não". Alternativa: explicar benefício para colaborador (análise de turnover identifica talentos em risco, oferece suporte). Melhor que forçar consentimento falso.

Desafio 3: "Dados de origem têm viés, como ser transparente?" Preocupação: se viés histórico está em dados de origem (ex: mulheres têm menos chance de promoção), modelo vai aprender viés. Solução: auditar modelo para viés, comunicar achados, decidir conscientemente se vair usar modelo ou corrigir. Ser transparente sobre limitação: "modelo foi auditado para viés de gênero; encontramos 3% de diferença (mulheres com score 2% menor em média); estamos investigando se é viés real de dados ou algoritmo."

Desafio 4: "Como proteger modelo se devo comunicar tudo?" Preocupação: segredos comerciais/propriedade intelectual. Resposta: comunicar propósito e impacto, não algoritmo detalhado. "A gente usa modelo de machine learning para prever turnover (você não precisa saber exatamente qual algoritmo, isso é propriedade nossa). Score é 1-100 representando risco relativo. Você pode pedir interpretação: quais fatores contribuem para seu score?" Balanceamento entre transparência (o que esperar) e proteção (como funciona não é público).

Benefício inesperado: confiança interna

Transparência e consentimento genuíno resultam em algo inesperado: confiança interna aumenta. Colaboradores que entendem porque dados estão sendo coletados e veem empresa respeitando direitos tendem a ser mais receptivos. Cultura organizacional melhora. Em contraste, empresas que forçam conformidade falsa geram desconfiança — "eles têm dados sobre mim e não sabem exatamente o quê estão fazendo". Resultado paradoxal: consentimento genuíno + transparência real não prejudicam analytics — ampliam adoção e impacto porque há confiança.