Fontes de dados em RH: onde começa o People Analytics

Categorias de fontes de dados

Dados estruturados (alta qualidade, fáceis de analisar): - HRIS: colaboradores ativos, salários, funções, histórico de funções - Folha de pagamento: salários, encargos, deduções, horas - Recrutamento: candidatos, tempo de contratação, fonte, performance pós-contratação - Avaliação de performance: scores de performance, feedback escrito - Benefícios: utilização de benefícios, custo - Frequência: assiduidade, licenças, férias

Dados semiestruturados (moderadamente estruturados, requerem limpeza): - Pesquisas de engajamento: respostas numéricas e abertas (eNPS, satisfação, clima) - Feedback aberto: comentários de colaboradores (pesquisas, 360, feedback contínuo) - Comunicações internas: emails, slack (análise de sentimento, tópicos) - Aprendizado: cursos completados, scores em treinamento

Dados não-estruturados (complexos de analisar, requerem NLP/IA): - Textos de feedback: comentários qualitativos que precisam de análise de sentimento - Documentação: políticas, handbook, informações sobre processos - Registros de atendimento: tickets de suporte RH, perguntas de colaboradores

Desafios práticos em consolidação de fontes

Duplicação de dados. Colaborador está em HRIS e também em folha de pagamento, mas com IDs diferentes. Integração manual é cara e sujeita a erro. Solução: API de integração (se sistema suporta) ou plataforma de integração (Zapier, middleware).

Inconsistência de dados. Salário em HRIS é R$5000; em folha é R$4800 (de desconto de seguro, por exemplo). Qual é verdade? Solução: definir "fonte de verdade" para cada métrica (salário bruto = HRIS, salário líquido = folha) e documentar.

Defasagem de dados. HRIS não foi atualizado quando pessoa saiu; folha tem informação correta. Qual usar? Solução: automação (quando pessoa sai em RH, sincroniza automaticamente em folha) ou relatório de reconciliação mensal que valida inconsistências.

Silos de dados. Recrutamento está em sistema separado; performance está em outro; engajamento em pesquisa isolada. Conexão entre esses dados é difícil (qual candidato que contratei virou bom performer?). Solução: integração ou data warehouse que consolida (caro mas necessário para analytics avançado).

Qualidade baixa. Dados foram coletados manualmente e têm erros (nome digitado errado, salário incompleto, datas de saída faltando). Solução: auditoria de qualidade, validação em tempo real (campinar erros quando são criados, não depois), limpeza retroativa se necessário.

Mapeamento prático: como começar

Passo 1: Inventário de sistemas. Liste todos os sistemas que têm dados sobre pessoas: HRIS, folha, recrutamento, performance, benefícios, pesquisas, aprendizado, colaboração. Para cada, responda: qual é o dado? Qual é a frequência de atualização? Qual a qualidade?

Passo 2: Matriz de decisão. Crie tabela: métrica chave (turnover, tempo de contratação, salário) × fontes disponíveis. Para cada combinação, identifique: qual é fonte de verdade? Como acesso? Qual é a latência (dados estão atualizados?)?

Passo 3: Identificar lacunas. Há dados que faltam? Exemplo: você quer medir "tempo de contratação" mas recrutamento não registra "data de oferta", só "data de contratação". Falta fase importante. Solução: adicionar campo em processo.

Passo 4: Priorização. Não consiga tudo de uma vez. Priorize: (a) dados mais críticos para decisão, (b) dados com melhor qualidade (menos necessidade de limpeza), (c) dados que já existem (não exigem coleta nova).

Passo 5: Documentação. Crie data dictionary: cada métrica, sua definição exata, fonte de verdade, frequência de atualização, proprietário. Exemplo: "Turnover voluntário = (número de demissões voluntárias / headcount médio do período) × 100. Fonte: HRIS. Frequência: mensal. Proprietário: RH Analytics."

Dados estruturados vs. não-estruturados

Estruturados (HRIS, folha, recrutamento) são fáceis de analisar: pode-se calcular média, tendência, segmentar por grupo. Exemplo: "salário médio é R$6000 e cresceu 5% este ano."

Não-estruturados (feedback aberto, comentários) requerem análise manual ou IA (NLP). "Colaboradores mencionam 'falta desenvolvimento' 15 vezes em feedback aberto." Precisa de tecnologia e expertise para extrair valor.

Melhor estratégia: comece com dados estruturados (ROI rápido, menos complexo). Quando estruturado estiver maduro, adicione não-estruturado (NLP, análise de sentimento) para profundidade.

Boas práticas de documentação

Data dictionary: Documentar cada campo (nome, definição, tipo, valores válidos). Exemplo: "Salário: número em reais, atualizado quando há aumento. Valores válidos: 0-999999."

Data lineage: Rastrear caminho dos dados. "Turnover é calculado a partir de saídas em HRIS. Campos usados: data de saída, motivo de saída. Transformação: agrupar por mês/departamento."

Owner e SLA: Cada dado tem proprietário e SLA de qualidade. "HRIS é mantido por RH. SLA: 95% de colaboradores têm salário atualizado. Auditoria mensal."

Frequência de atualização: Documentar: é real-time, diário, semanal, mensal? HRIS é tipicamente diário (lote noturno); folha é mensal; pesquisa é trimestral.

Roadmap de consolidação de fontes

Fase 1 (mês 1-2): Auditoria e documentação. Inventário de sistemas. Matriz de dados. Identificação de qualidade e lacunas. Resultado: documento claro de "qual é nosso estado atual de dados".

Fase 2 (mês 3-4): Priorização e quick wins. Priorizar métricas chave (turnover, salário, tempo contratação). Consolidar dados que já existem com boa qualidade. Resultado: primeiras métricas disponíveis para análise.

Fase 3 (mês 5-12): Integração. Conectar sistemas (HRIS com folha, com recrutamento). Automatizar fluxos onde possível. Resultado: dados fluem entre sistemas, reduzindo manual entry.

Fase 4 (mês 12+): Qualidade e governance. Contínuo: validação em tempo real, limpeza, auditoria, documentação atualizada. Investir em data governance (quem acessa, como, com qual propósito).