Erros comuns em projetos de People Analytics

Os 8 erros mais comuns

Erro #1: Começar com ferramenta, não com pergunta. "Vamos implementar Tableau!" — antes de saber que pergunta resolver. Resultado: Dashboard bonito mas ninguém consulta porque não responde pergunta que ninguém fez. Como evitar: comece com pergunta clara ("por quê turnover em vendas é 2x maior que em operações?"). Depois identifique dados necessários para responder. Depois escolha ferramenta que melhor visualiza esses dados. Ferramenta é meio, não fim.

Erro #2: Ignorar qualidade de dados. "Nossos dados são ruins mas vamos puxar mesmo." Resultado: analytics baseada em lixo gera output lixo. E pior: conclui-se que "People Analytics não funciona" quando na verdade dados estavam errados. Como evitar: antes de analytics, invista em qualidade. Auditoria de dados (estão completos? Consistentes entre sistemas?). Limpeza se necessário. Se dados são muito ruins, pode ser mais rápido/barato não fazer analytics ainda e focar em "data ops" primeiro.

Erro #3: Sem buy-in de stakeholder. Analytics criada em isolamento (alguém em RH trabalha sozinha). Resultado: outputs não são usados porque ninguém foi consultado se era importante, ou ninguém acredita nos números. Como evitar: envolver stakeholders desde o início. "Qual é sua maior pergunta sobre pessoas que você quer que dados respondam?" Acompanhar com eles (show semanal de progresso). Quando resultado estiver pronto, já está familiar.

Erro #4: Métrica sem ação. "Turnover é 20%. E daí?" Sem plano de ação, insight é inútil. Como evitar: sempre conectar insight a decisão. "Se turnover em vendas é 30%, qual ação vamos tomar?" (aumentar salário? Mudar gestão? Melhorar onboarding?). Se não há ação potencial, não é pergunta que vale a pena responder agora.

Erro #5: Esperar perfeição. "Dados não estão 100% limpos, vamos esperar." Resultado: protelação infinita (dados nunca ficarão 100% limpos). Como evitar: começar com 80% de qualidade. Melhorar iterativamente. "80% de resposta rápida" vale mais que "100% de resposta em 6 meses".

Erro #6: Sem comunicação clara. "Análise pronta!" e ninguém sabe o que significa ou por que deveria importar. Como evitar: comunicar resultado em linguagem clara para não-técnicos. Evitar jargão. Usar visualização. Explicar implicação ("estamos perdendo talento em área crítica, isso afeta roadmap de inovação"). Comunicar para diferentes públicos de forma diferente (CEO quer número final; gestor quer detalhe de seu time).

Erro #7: Sem acompanhamento ou iteração. "Projeto de analytics terminou" — falta de revisão de impacto, sem ajustes. Analytics que foi válida em Janeiro pode não ser em Junho (contexto mudou). Como evitar: ritmo regular de revisão (mensal). Medir adoção (as pessoas estão usando?). Medir impacto (comportamento mudou com base no insight?). Iteracionar.

Erro #8: Expertise inadequada. Contratar apenas técnico sem conhecimento de RH. Resultado: análise tecnicamente correta mas contexto de RH é perdido. Como evitar: mix de skills. Pessoa com conhecimento técnico (SQL, Python, BI) + pessoa com conhecimento de RH/negócio que faz perguntas certas e explica contexto.

Indicadores de que projeto está perdendo rumo

Semana 2: Escopo já aumentou (começou com 1 pergunta, virou 5). Sinais: será difícil entregar, projeto vai atrasar.

Mês 1: Ninguém do negócio está envolvido. Analytics está sendo feita em silo. Sinais: resultado não será usado.

Mês 2: Problemas com qualidade de dados descobertos. Ninguém sabia que dados eram ruins. Sinais: limpeza vai atrasalar, ou resultado será questionado.

Mês 3: Ferramenta foi comprada mas ninguém sabe como usar ou que pergunta responder com ela. Sinais: investimento será desperdiçado.

Mês 4+: Análise está pronta mas stakeholder diz "não acredito nesses números" ou "e agora?" (sem plano de ação). Sinais: projeto falhou em entregar valor.

Checklist de prevenção

Fase de Definição: - Qual é a pergunta de negócio clara que vamos responder? (documentada) - Quem são os stakeholders que vão usar o resultado? - O que acontece se a resposta for "A" vs "B"? (há decisão potencial?) - Qual é o deadline?

Fase de Dados: - Quais dados precisamos para responder a pergunta? - Dados estão em qual sistema? Acessível? - Qual é a qualidade atual? Precisamos limpar? - Quem é o dono dos dados?

Fase de Análise: - Qual método analítico vamos usar? (regressão, segmentação, preditivo?) - Quem vai fazer análise? (pessoa com skills técnicos?) - Análise precisa de validação por segunda pessoa? (sim, se é importante) - Qual é a frequência de atualização? (mensal? Trimestral?)

Fase de Comunicação: - Resultado foi comunicado? A em linguagem clara? - Stakeholder entendeu e concorda com conclusão? - Plano de ação foi definido? - Como vamos acompanhar impacto?

Recuperação: se projeto já perdeu rumo

Se projeto de analytics não está gerando valor, diagnóstico:

Não há pergunta clara? Pause. Volta à fase de definição. Conversa com stakeholder: qual é realmente a pergunta que você precisa responder para tomar melhor decisão? Depois continua.

Dados são ruins? Pausa. Investe em limpeza. Ou muda de pergunta para dados que são bons. Depois continua analytics.

Ninguém está usando? Problema de comunicação. Volta e comunica resultado de forma diferente (mais simples, mais visual, mais acionável). Conversa 1:1 com stakeholder: por quê não está usando?

Ferramenta é errada? Muda. Não vale a pena prosseguir com ferramenta inadequada.

Construir cultura de People Analytics

Sucesso não é um projeto, é capacidade. Para construir capacidade: (1) ter pequenas vitórias que demonstram valor (responda 1 pergunta bem), (2) educar organização (People Analytics não é magia, é lógica + dados), (3) criar ritmo (revisão mensal de métricas chave), (4) investir em skills (contratar ou treinar pessoa), (5) formalizar perguntas (ter lista de "decisões que vamos tomar com base em dados").