People analytics preditivo: como começar sem virar projeto de dados

O que é people analytics e o que é o nível preditivo

People analytics é transformar dados de pessoas em decisões melhores, e o nível preditivo é o estágio em que se usa o histórico para antecipar o que tende a acontecer. A diferença entre os níveis não é de ferramenta, é de pergunta: cada nível responde a uma pergunta mais ambiciosa que o anterior, e não se pula etapa sem pagar o preço em confiabilidade.

A escada de maturidade: descritivo, diagnóstico, preditivo, prescritivo

Os níveis de people analytics representam o grau de maturidade da empresa no uso de dados. Segundo a ADP, são quatro: o descritivo responde "o que está acontecendo?" (quantos colaboradores por área, qual o turnover mensal); o diagnóstico responde "por que isso está acontecendo?" (por que o turnover é maior em certas equipes); o preditivo responde "o que pode acontecer?" (estimar risco de turnover em grupos específicos); e o prescritivo responde "o que devemos fazer?" (indicar quais ações têm maior probabilidade de reduzir o turnover)^[1].

Por que não se pula do descritivo ao preditivo

O nível preditivo depende de dados históricos confiáveis — e é aí que a maioria das empresas tropeça. Sem uma base descritiva sólida (números certos, cadastro limpo, registro consistente), qualquer previsão é um chute com aparência de ciência. Como a própria ADP ressalva, nem toda empresa vai direto para o preditivo, e tudo bem: o importante é saber em que nível se está hoje e evoluir aos poucos, garantindo que cada avanço gere valor real^[1].

O que "preditivo" não é

Preditivo não é adivinhar o futuro. É usar dados históricos para enxergar cenários prováveis e planejar melhor os próximos passos. A diferença importa porque evita duas armadilhas: tratar a previsão como certeza (e agir cegamente por ela) e descartar a previsão por não ser exata (e ignorar um sinal útil). O modelo aponta probabilidade, não destino.

Quais indicadores importam de fato

Poucos indicadores confiáveis valem mais que muitos indicadores sujos. Para começar, quatro cobrem a maior parte das decisões de RH: turnover, absenteísmo, tempo de preenchimento de vaga e eNPS (ou pesquisa de engajamento equivalente). A tentação de medir tudo é o inimigo — mede-se muito, confia-se em pouco e decide-se nada.

Os quatro indicadores de partida

Turnover mostra quantas pessoas saem e revela problemas de retenção; absenteísmo capta ausências que sinalizam sobrecarga ou desengajamento; tempo de preenchimento de vaga mede a eficiência do recrutamento e o custo de posições abertas; e o eNPS ou pesquisa de engajamento captura como as pessoas percebem o trabalho. Juntos, dão uma visão inicial suficiente para agir — e são exatamente os indicadores que ADP e outras fontes citam como base do people analytics em RH^[1].

Por que poucos e confiáveis vencem muitos e sujos

Um indicador só gera decisão se a empresa confia nele. Quatro números certos, revisados todo mês, produzem ação; vinte números de origem duvidosa produzem discussão sobre a origem dos números. A confiabilidade — cadastro limpo, registro consistente, fonte única de verdade — é pré-requisito de qualquer análise, inclusive a preditiva.

Segmentar para enxergar o que a média esconde

Um turnover global de 15% pode esconder uma área com 40% e outra com 3%. Segmentar os indicadores por área, cargo, tempo de casa e gestor é o que transforma um número agregado em informação acionável. A média tranquiliza; a segmentação revela onde agir. Esse é o primeiro passo do diagnóstico — responder "por que" começa por olhar o número por recorte.

Como começar sem projeto grande

Começar people analytics não exige sistema, orçamento nem equipe de dados — exige uma planilha, poucos indicadores, cadência mensal e uma pergunta de negócio por vez. A ideia de que é preciso um "projeto de BI" antes de gerar valor é o que mais atrasa o RH. O valor aparece no primeiro mês em que um número vira uma ação.

Planilha, poucos KPIs, cadência mensal

Uma planilha com turnover, absenteísmo e tempo de vaga, atualizada todo mês, já é people analytics de verdade. A disciplina da cadência — olhar sempre, no mesmo dia, os mesmos números — vale mais que a sofisticação da ferramenta. É a repetição que revela tendência e transforma dado em rotina de decisão.

Uma pergunta de negócio por vez

Antes de olhar os dados, defina o que quer descobrir. "Por que o turnover é mais alto em determinada área?" ou "quais fatores influenciam o engajamento?" são perguntas que direcionam quais dados coletar e quais análises fazem sentido^[1]. Sem pergunta, o RH coleta dado por coletar e afoga a decisão em relatório. Uma pergunta clara por ciclo mantém o foco e garante que a análise termine em ação.

Confiabilidade antes de sofisticação

O primeiro investimento não é em ferramenta, é em qualidade de dado. Cadastro atualizado, registro consistente de admissões e desligamentos, uma definição única de cada indicador — isso é o que sustenta tudo o que vem depois. Sofisticar a análise sobre dado ruim só produz erro mais rápido.

Como estimar risco de turnover por sinais observáveis

O risco de turnover pode ser estimado observando sinais que costumam anteceder uma saída: alta de absenteísmo, excesso de horas extras, tempo longo sem promoção e queda de engajamento. Não é preciso um modelo estatístico para começar a olhar esses sinais — o RH pode acompanhá-los manualmente e agir antes que o pedido de demissão chegue.

Os sinais que costumam anteceder a saída

Como referência de mercado, modelos preditivos de turnover cruzam sinais como aumento de absenteísmo, excesso de horas extras, queda de performance, tempo longo sem promoção e feedbacks negativos. Esse é um conjunto de sinais usados na prática, não uma fórmula validada única — cada empresa combina os que fazem sentido para a sua realidade. O valor está em olhar para eles antes da crise, não depois.

Do sinal manual ao modelo estatístico

Uma empresa pequena pode acompanhar esses sinais em uma planilha: quem está com absenteísmo subindo, quem acumula horas extras, quem está há muito tempo sem movimentação de carreira. Uma empresa grande, com volume de dados, pode treinar um modelo estatístico ou de machine learning para estimar o risco de turnover em grupos de colaboradores^[1]. A lógica é a mesma; muda a escala e a formalização.

Estimativa é probabilidade, não sentença

Um sinal ou um score de risco aponta uma probabilidade, não um destino. O objetivo não é rotular pessoas como "prováveis desistentes", e sim identificar padrões de área ou situação que a empresa pode endereçar — sobrecarga em uma equipe, estagnação de carreira em um grupo. A previsão serve para agir sobre a causa, não para vigiar o indivíduo.

Do dashboard à decisão: a ponte que a maioria ignora

O painel que não gera ação é custo, não valor. A parte que a maioria dos conteúdos de people analytics ignora é justamente a mais importante: o que fazer com o número. Um dado só vira valor quando dispara uma ação com responsável e prazo — do contrário, é um relatório bonito que ninguém usa.

Gatilho de ação, responsável e prazo

Para cada indicador que importa, defina de antemão: qual número dispara uma ação (o gatilho), quem é responsável por agir e em que prazo. Por exemplo: se o absenteísmo de uma área passar de um patamar definido, o gestor daquela área conduz uma conversa de diagnóstico em até duas semanas. Sem gatilho, responsável e prazo, o número é observado e esquecido.

Aplicar o insight é onde o people analytics se paga

People analytics só faz sentido quando sai do relatório e chega à prática — ajustando recrutamento, redesenhando onboarding, revisando políticas de carreira, apoiando gestores com informação mais precisa^[1]. É nesse ponto que os dados se transformam em decisão concreta e impacto real. Medir sem aplicar é a forma mais cara de não decidir nada.

O ciclo contínuo

Cada ação implementada gera novos dados, que são avaliados e usados para refinar a próxima decisão. People analytics não é um projeto pontual, é um ciclo: medir, decidir, agir, medir de novo. É esse ciclo que tira o RH do papel operacional e o coloca como parceiro estratégico, decidindo por evidência e não por percepção.

Ética e LGPD ao cruzar dados de pessoas

Cruzar dados de colaboradores exige base legal, finalidade declarada e um limite claro entre acompanhar e vigiar. People analytics lida com dados de pessoas, muitos deles sensíveis — e o mesmo cruzamento que ajuda a reduzir turnover pode, mal desenhado, virar vigilância. O que separa um do outro é a finalidade e a transparência.

Base legal e finalidade declarada

Antes de cruzar dados de ponto, folha e desempenho, o RH precisa saber com qual base legal trata esses dados e para qual finalidade. Políticas de privacidade devem ser rigorosamente respeitadas, e os dados usados precisam ser confiáveis e coletados com propósito claro^[1]. A pergunta prática é direta: "eu conseguiria explicar ao colaborador, com naturalidade, por que cruzo esses dados dele e para quê?".

O limite entre acompanhar e vigiar

Acompanhar é olhar padrões de área e situação para melhorar a experiência e reduzir problemas; vigiar é monitorar o indivíduo em detalhe, sem finalidade legítima declarada, de um jeito que a pessoa não aceitaria se soubesse. O teste é a transparência: se o uso do dado precisaria ser escondido do colaborador para não gerar desconforto, ele provavelmente cruzou a linha. People analytics ético é o que a empresa poderia explicar abertamente.

Transparência e o modelo que não vira caixa-preta

À medida que a empresa avança para modelos preditivos, cresce o risco de o modelo virar uma caixa-preta que ninguém entende. A governança precisa definir o que se mede, para quê e com que transparência — inclusive para o colaborador. Um modelo que estima risco de turnover deve servir para agir sobre causas (sobrecarga, estagnação), não para criar uma lista secreta de pessoas marcadas.

Erros comuns em people analytics

Os erros mais comuns são três: a métrica de vaidade, o analytics que vira vigilância e o medir tudo para decidir nada. Os três desperdiçam o esforço de coleta e minam a credibilidade do RH orientado a dados. Evitá-los é metade do caminho para gerar valor.

Métrica de vaidade

Métrica de vaidade é o número que impressiona mas não muda decisão nenhuma — headcount total, horas de treinamento sem efeito medido, quantidade de pesquisas aplicadas. Ela dá sensação de gestão sem produzir gestão. O teste para separar métrica útil de métrica de vaidade é uma pergunta: "se esse número mudar, alguma decisão muda?". Se a resposta é não, é vaidade.

Analytics que vira vigilância e medir tudo sem decidir

O analytics vira vigilância quando o foco sai do padrão que melhora a experiência e passa a ser o monitoramento detalhado do indivíduo sem finalidade legítima — o que corrói confiança e cria risco de LGPD. E "medir tudo e decidir nada" é o erro de acumular indicadores sem ligar nenhum a uma ação. Os dois se corrigem com a mesma disciplina: poucos indicadores, finalidade clara, e cada número amarrado a um gatilho de ação.

Como evoluir a maturidade sem pular etapa

Evoluir em people analytics é subir a escada de maturidade um degrau por vez, garantindo confiabilidade do dado antes de sofisticação. O erro caro é comprar um modelo preditivo enquanto o cadastro está sujo — a previsão só vai errar mais rápido. Cada degrau prepara o seguinte.

Do relatório mensal ao modelo, na ordem certa

O caminho é: primeiro, um relatório descritivo confiável (os números certos, todo mês); depois, análise diagnóstica (segmentar e entender causas); só então, quando há histórico limpo e volume, a camada preditiva. Como a ADP aponta, a empresa deve saber em que nível está hoje e estruturar dados e processos para evoluir aos poucos, garantindo que cada avanço gere valor real^[1].

Confiabilidade do dado é o gargalo real

O que trava a evolução quase nunca é a falta de ferramenta — é a falta de dado confiável. Cadastro desatualizado, registro inconsistente e sistemas que não conversam inviabilizam qualquer análise mais sofisticada. Investir em qualidade de dado é o que destrava a subida na escada, e é o investimento que a maioria das empresas adia por ser menos vistoso que um dashboard novo.

Papel do RH x dados/TI: quem faz o quê

No people analytics, o RH é dono da pergunta de negócio e a área de dados/TI é dona do modelo — e o valor nasce da parceria entre os dois. Confundir esses papéis é fonte de dois fracassos: o RH que quer construir modelo sem competência técnica, e a área de dados que constrói modelo sem entender a pergunta de RH.

O RH faz a pergunta e valida o sentido

Quem conhece o negócio de pessoas é o RH — é dele a pergunta ("por que o turnover concentra aqui?", "o que prediz baixo engajamento?") e é dele o julgamento sobre se a resposta faz sentido na realidade da empresa. Um modelo estatisticamente correto mas que responde à pergunta errada não tem valor. O RH é o guardião da relevância.

Dados/TI constrói e valida o modelo

Em empresas com volume, a área de dados constrói o modelo, garante a qualidade estatística e valida se a previsão se sustenta. Em pequena e média empresa, o próprio RH conduz — porque a análise é descritiva e diagnóstica, que não exige competência estatística avançada. A dupla RH + dados só se forma quando a empresa chega ao preditivo com volume que justifique o modelo.