Modelos de maturidade em People Analytics

Os cinco níveis de maturidade em People Analytics

Nível 1: Ad-hoc. Dados de RH existem mas desorganizados. Relatórios são criados sob demanda ("gere uma análise de turnover"). Não há fonte única de verdade — dados estão em planilhas, sistemas legados, memória de gestores. Decisões são baseadas em intuição. Não há governança de dados. Pessoas envolvidas: RH que conhece um pouco de Excel, às vezes consultor externo para análise. Tempo estimado em nível: 1–2 anos. Valor gerado: baixo (relatórios ad-hoc não influenciam decisão estratégica).

Nível 2: Descritivo. Dados consolidados em relatórios regulares (mensal, trimestral). Dashboard básico em Excel ou BI (Tableau, Power BI). Métricas-chave definidas (turnover, headcount, absenteísmo, custo por contratação). Relatórios respondem "o que aconteceu?". Integração de dados começa (sistema de RH + folha, pelo menos). Uma pessoa dedicada part-time a analytics. Governança mínima (dicionário de métricas documentado). Tempo em nível: 2–3 anos (estágio em que maioria das pequenas-médias fica). Valor: moderado (decisões táticas são informadas por dados, não estratégia).

Nível 3: Analítico. Exploração de dados para entender padrões e correlações. Análise exploratória responde "por que aconteceu?". Integração de dados é robusta (RH + BI + folha + learning + pesquisas de clima). Múltiplos dashboards especializados (por área, por nível, por tema). Analista dedicado tem expertise em SQL/BI. A/B testing em algumas iniciativas (testa impacto de programa de retenção em coortes). Governança madura (documentação, SLAs, auditorias). Tempo em nível: 2–3 anos. Valor: substancial (estratégia começa a ser informada por dados, não intuição).

Nível 4: Preditivo. Machine learning aplicado a casos de uso (predição de turnover, performance prediction, talent matching). Modelos são validados, acurácia é documentada. Equipe tem cientistas de dados ou analistas com ML expertise. Dados históricos de qualidade (2–3 anos minimum) e volume suficiente para treinar modelos. Processo de modelagem: hipótese, treinamento, validação cruzada, teste em população hold-out, deployment. Monitoramento contínuo (model drift — modelo fica menos preciso com tempo). Integração com sistemas de decisão (recomendações aparecem em interface de RH). Tempo em nível: 3–5 anos. Valor: alto (prevenção em vez de reação — você intervém antes que problema ocorra).

Nível 5: Prescritivo. Analytics não apenas prediz, mas recomenda ações otimizadas. Exemplo: modelo prevê risco de saída de talento crítico, recomenda: (a) ajuste salarial com probabilidade de retenção X%, (b) mudança de função com probabilidade Y%, (c) programa de desenvolvimento com probabilidade Z%. Sistema recomenda ação de maior impacto. Decisão final fica com humano, mas recomendação é informada e otimizada. Requer: modelos preditivos robustos, dados de outcome de ações passadas, otimização matemática. Raríssimo — maioria das grandes corporações aspira a este nível. Tempo em nível: 5+ anos. Valor: transformativo (RH é data-driven e ao mesmo tempo humano).

Requisitos para progressão: o que você precisa para cada nível

Infraestrutura de dados. Nível 1–2: sistema de RH + Excel basta. Nível 3: integração de múltiplas fontes + BI tool (Tableau, Power BI). Nível 4: data warehouse, feature engineering, MLOps. Nível 5: dados em tempo real, APIs, integração com sistemas de decisão.

Pessoas. Nível 1–2: RH que gosta de números + suporte externo ocasional. Nível 3: analista dedidado part-time. Nível 4: analista full-time + cientista de dados part-time. Nível 5: equipe de People Analytics (2–4 pessoas, mix de analistas e cientistas).

Processos. Nível 1–2: informal, sob demanda. Nível 3: reporte regular, ritmo de análise (meeting mensal/trimestral). Nível 4: processo de modelagem formalizado, validação cruzada, monitoramento. Nível 5: otimização contínua, feedback loops de ação.

Impacto. Nível 1–2: tático ("nosso turnover está em 18%"). Nível 3: estratégico exploratório ("turnover é alto em tech por falta de crescimento"). Nível 4: estratégico preditivo ("vamos intervir em X talentos identificados como risco"). Nível 5: estratégico prescritivo ("o sistema recomenda ações para cada situação").

Investimento estimado. Nível 1–2: R$ 50–200k/ano (software + pessoa). Nível 3: R$ 200–400k/ano. Nível 4: R$ 400–800k/ano. Nível 5: R$ 800k–1.5M+/ano. ROI é difícil de medir, mas empresas maduras em analytics relatam impacto em retenção (10–20% redução de turnover voluntário), eficiência em contratação (redução de 20–30% em time-to-hire) e otimização salarial.

Armadilhas comuns: quando empresas tentam pular níveis

Pular de Ad-hoc direto para Preditivo. Empresa contrata cientista de dados, quer modelo de ML. Problema: não tem dados de qualidade, não tem fonte única de verdade, não tem pergunta clara. Resultado: modelo lindo que ninguém usa. Solução: progressão gradual — Descritivo, depois Analítico, depois Preditivo.

Comprar ferramenta antes de ter pergunta. "Vamos comprar Tableau porque é moderno." Problema: Tableau bonito com maus dados é ainda mau. Resultado: dashboard que ninguém consulta. Solução: comece com pergunta ("qual é nosso turnover por área?"), depois escolha ferramenta.

Investir em tecnologia sem investir em pessoas. "Vamos implementar data warehouse e ML." Problema: sem pessoa que entenda dados, investimento é desperdiçado. Resultado: sistema caro, subutilizado. Solução: comece com pessoa (RH com interesse em dados), depois infraestrutura cresce com ela.

Analytics isolado de negócio. Team de dados gera insights, mas RH não lê relatórios. Problema: desconexão entre produção de insights e consumo. Resultado: muito esforço, pouco impacto. Solução: analytics deve estar próximo de decisão — analista em reunião com business, não em silo separado.

Framework de auto-avaliação: onde sua empresa está?

Pergunta 1: Dados são centralizados? Nível 1 (não), Nível 2+ (sim, em sistema de RH ou BI). Se dados estão em planilhas soltas, você é Nível 1–2.

Pergunta 2: Qual é frequência de reporte? Nível 1 (ad-hoc), Nível 2 (mensal/trimestral), Nível 3 (contínuo em dashboard). Se relatórios são criados "quando alguém pede", você é Nível 1.

Pergunta 3: Você consegue responder "por que?" Nível 2 não (só fatos), Nível 3 sim (análise exploratória). Se dashboard mostra número mas não explica causa, você é Nível 2.

Pergunta 4: Você usa machine learning? Nível 1–3 não, Nível 4+ sim. Se você está prevendo saídas ou matching de talentos com modelo, você é Nível 4.

Pergunta 5: Insights influenciam decisão real? Nível 1–2 raramente, Nível 3+ frequentemente. Se insights estão em relatório mas decisão é igual (ninguém lê), você ainda é Nível 2 ou 3 baixo.

Roadmap de evolução realista

Não tente pular. Progressão realista:

Ano 1 (Ad-hoc ? Descritivo): Consolidar dados, criar dashboard básico, definir métricas-chave. Investimento: software BI R$ 20–50k/ano + RH part-time. Resultado esperado: relatórios mensais confiáveis.

Ano 2 (Descritivo ? Analítico baixo): Integrar mais fontes, contratar analista part-time, exploração básica (correlações, segmentação). Investimento: R$ 100–200k/ano. Resultado: perguntas "por que" começam a ter resposta.

Ano 3 (Analítico): Análise exploratória madura, A/B testing em alguns programas, governança formalizada. Investimento: R$ 200–400k/ano. Resultado: decisões tática e estratégica começam a ser data-driven.

Ano 4–5 (Analítico ? Preditivo): Primeiros modelos de ML (risco de saída, performance), contrata cientista part-time. Investimento: R$ 400–800k/ano. Resultado: prevenção em vez de reação.

Ano 5+ (Preditivo): Modelo operacional, monitoramento contínuo, múltiplos casos de uso. Investimento: R$ 800k–1.5M+/ano. Resultado: People Analytics é função estratégica, não tática.