Master data management em RH: garantindo a consistência dos dados

Downstream impact (erro se propaga): Se RH tem colaborador com salário errado, erro flui para folha (pagamento errado), BI (custo errado), contabilidade (lançamento errado). Um erro em uma fonte = múltiplos erros em múltiplos sistemas.

Retrabalho manual: Sem MDM, time gasta tempo conciliando dados ("por que BI diz 500 colaboradores mas RH diz 480?"). Alguém precisa investigar, identificar discrepância, corrigir manualmente.

Análises não confiáveis: Se dados inconsistentes, People Analytics sofre. Relatório de retenção está errado? Ou colaborador foi contado duas vezes em um sistema? Liderança desconfia de números.

Conformidade/auditoria: Auditor externo questiona discrepâncias. LGPD exige que dados pessoais sejam precisos. MDM ajuda documentar que empresa tem processos para manter qualidade.

Master data (estável, referência): Colaborador, departamento, cargo, localização, centro de custo. Muda pouco (quando collaborador entra/sai, transfere, promove). É "dado de referência" que múltiplos processos usam. Exemplo: "qual é o custo deste colaborador?" usa master data de salário.

Transactional data (muda frequentemente): Horas trabalhadas, ausências, bonuses, ajustes de folha. Muda constantemente. É "dado de operação" específico de um processo. Exemplo: "quanto este colaborador trabalhou esta semana?" é transactional (muda semanalmente).

Implicação: Master data exige mais cuidado com validação (entrada correta é crítica, erro se propaga). Transactional é mais tolerante (um erro em horas afeta folha esta semana, mas não o histórico).

Acurácia: Dado está correto? Salário registrado é o salário real? Nome está escrito certo? Métrica: % de registros que, quando verificados manualmente, estão corretos. Alvo: 95%+.

Completude: Todos os campos obrigatórios têm valor? Todo colaborador tem departamento? Todo departamento tem gestor? Métrica: % de campos preenchidos. Alvo: 100% para campos críticos.

Consistência: Dado é consistente entre sistemas? Colaborador tem même ID em HRIS e folha? Departamento tem mesmo nome em RH e ERP? Métrica: % de registros onde dados match entre sistemas. Alvo: 100%.

Conformidade: Dado segue regras de negócio? Salário não pode ser negativo. Data de demissão não pode ser antes de admissão. Métrica: % de registros que violam regras. Alvo: 0%.

Integridade referencial: Registros relacionados existem? Colaborador referencia departamento que existe? Centro de custo referencia localização que existe? Métrica: % de registros com referências válidas. Alvo: 100%.

Entrada manual: Se usuário digita dados manualmente (HRIS, formulário), erros são comuns: typos, salário digitado errado, data formatada wrong. Mitigation: validação na UI (regex para email, range para salário, date picker para datas).

Integração de sistemas: Quando dados vêm de outro sistema (folha envia para RH, ATS envia para RH), pode haver transformação errada (formato diferente, lógica errada). Mitigation: testes de integração, validação antes de aceitar dados.

Duplicação: Mesmo colaborador criado duas vezes (ex: contratado em ATS, depois alguém cria em RH não sabendo que já existe). Mitigation: processo de match (verificar se já existe antes de criar), deduplicação automática.

Atualização não sincronizada: Colaborador promovido em RH, mas ATS não é atualizado. Dados saem de sincronização. Mitigation: integração (ATS reflete dados de RH), ou processo que força atualizar todos.

Definição: Qual é master data? Para colaborador: ID único, nome, email, departamento, cargo, salário, localização, data de admissão, data de demissão. Documentar (quais campos são obrigatórios, qual é o formato, qual é a regra de validação).

Criação (ingresso): Quando novo colaborador, como entra em HRIS? Formulário? API? Validação ocorre aqui (email válido?, departamento existe?, salário > 0?). Se falha validação, rejeitar e pedir correção.

Validação: Processos que verificam se dados estão corretos. Batch validation (todo dia, checar todos os registros para erros). Exception handling (se encontra erro, alerta para data owner corrigir).

Deduplicação: Identificar registros duplicados. Algoritmo de match (probabilistic: "João Silva" + "email: joao@..." é muito similar a "Joao Silva" + "email: joao@...", marque como potencial duplicata). Depois, merge manual ou automático.

Sincronização: Garantir que master data em HRIS é refletido em folha, BI, ERP, etc. Integração contínua ou batch diário.

Data owner: Pessoa responsável por qualidade de cada entidade. Exemplo: RH Manager é data owner de "Colaborador". Essa pessoa valida dados, resolve conflitos, garante completude. Sem owner, ninguém é responsável e qualidade fica de lado.

Resolução de conflitos: Se RH diz salário é $5000 mas folha diz $4500, qual é correto? Definer regra clara (RH é autoridade, folha reflete), ou processo de resolução (RH Manager + Finance Manager conferem, decidem).

Auditoria: Registrar quem criou/modificou qual dado, quando, por quê. Se há erro, conseguir rastrear origem. Importante para conformidade e aprendizado (qual foi a causa? Como evitar?)

% de registros completos: Quantos % de colaboradores têm todos os campos obrigatórios preenchidos? Alvo: 100%.

% de registros validados: Quantos % de colaboradores passaram validação (sem erros)? Alvo: 95%+.

% de síncronia entre sistemas: Se RH tem 500 colaboradores ativos, quantos aparecem em folha? Alvo: 100%.

Taxa de duplicação: Quantos % de registros são potencialmente duplicadas? Alvo: <1%.

Tempo de resolução de erro: Quando erro é encontrado, quanto leva para corrigir? Alvo: <24h para críticos.

Custo de retrabalho: Quanto tempo pessoas gastam conciliando/limpando dados? Métrica vaga, mas útil para justificar investimento em MDM.