Como este tema funciona na sua empresa
Em empresas pequenas, dados existem mas análise é informal — conversas sobre quem saiu, quando, por quê. Métrica simples funciona: planilha de turnover por mês, custo-por-contratação, tempo até primeira produtividade. Insights vêm de discussão de time, não de algoritmo. ROI é claro: identifica padrões de quem sai quando. Ferramenta mínima: Google Sheets + Zapier para automatizar entrada de dados. Objetivo não é "preditivo", é "ver o que aconteceu claramente".
Empresas médias começam a precisar de mais rigor. Implementam ferramenta BI (Looker, Tableau, Power BI). Criam dashboard: turnover por departamento, retenção por tempo de casa, tempo de contratação a primeira produtividade, correlação entre engajamento e performance. Um analista part-time faz análise. Prática: estruturar dados em HRIS (BambooHR, Rippling), limpeza de dados (maioria do tempo), automação de dashboard. ROI: identificar departamentos com risco alto, prever quem sai nos próximos 3 meses com 60%+ acurácia.
Grandes organizações têm People Analytics como função dedicada. Analista ou pequeno time (2–3 pessoas) full-time. Ferramentas enterprise: Workday Analytics, SAP Successfactors, especialista de BI. Análises sofisticadas: modelos preditivos para turnover (85%+ acurácia), skills gap analysis, organizational network analysis (quem trabalha com quem), employee lifetime value. Prática: integração de múltiplas fontes (HRIS, payroll, survey, performance, dados externos). ROI: antecipar deficiências de talent antes de virar crise, otimizar composição de teams, prever talent risk com antecedência.
Métricas de futuro são análises que usam dados históricos para antecipar tendências e riscos futuros de pessoas. Diferem de "métricas de RH" (números retrospectivos: contratamos X, saíram Y) porque focam em previsão. Isso é "People Analytics" ou "Workforce Analytics" — uso sistemático de dados para prever problemas (quem vai sair) e oportunidades (qual talento falta). RH tradicional responde "contratamos 100, saída 15%" (retrospectivo). RH com People Analytics diz "em próximos 6 meses vamos perder 8 engenheiros e aqui está o plano". A diferença é transformadora: de reativo a preditivo. McKinsey descobre que empresas com people analytics avançada têm 40% menos turnover; Gartner reporta que 71% das que usam analytics veem valor concreto[1].
Do reativo ao preditivo: mudança de mentalidade
RH tradicional opera no passado. Analisa dados históricos: "Em períodos anteriores contratamos 100 pessoas, taxa de saída foi 15%, custo médio foi R$15 mil". Tudo retrospectivo. Responde crises depois que explodem. Crise de turnover? Contrata recrutador extra. Falta de liderança? Corre para buscar no mercado. Descoberta de que muita gente não aprende IA? Começa curso emergencial.
RH preditivo opera no futuro. Usa dados históricos para antecipar. "Engenheiros com menos de 3 anos na empresa têm probabilidade 65% de sair dentro de 18 meses. Vamos investir em desenvolvimento desde o mês 6 para reduzir essa probabilidade." Ou: "Baseado em padrões salariais, vamos perder 3 líderes em 6 meses — vamos começar sucessão agora". Diferença: previne crise em vez de responder.
O desafio para RH é cultural. Requer: 1) disciplina em capturar dados estruturados (não "achismo"), 2) ferramentas de análise (BI tool, SQL, às vezes Python), 3) competência em interpretação de dados (não confundir correlação com causalidade), 4) ação baseada em insight (dados isolados não servem — é ação que gera resultado).
Tipos de métricas
Métricas operacionais são transacionais: headcount, turnover rate, custo-per-hire, tempo de preenchimento de vaga. Importam mas são retrospectivas. Métricas estratégicas conectam pessoas a resultado de negócio: retenção de talent crítico, performance correlacionada a engagement, diversidade em posições de liderança. Métricas preditivas antecipam: probabilidade de turnover, skills gaps que vão aparecer em 12 meses, mapeamento de talentos para oportunidades futuras.
Exemplo: "turnover rate de 15%" é métrica operacional — útil, mas não responde "por quê sai" ou "quem vai sair em 6 meses". Análise: "turnover é 25% em marketing (vs. 10% em ops); profissionais com menos de 3 anos têm 2.5x risco; correlação entre baixo score de engajamento (survey Q4) e saída em Q1 é 0.71". Essa é análise que permite ação."
Pipeline de dados: coletar, limpar, integrar, analisar
Dados não surgem sozinhos. Vêm de múltiplas fontes: HRIS (BambooHR, Workday), payroll (folha de pagamento), surveys (engajamento, clima), performance (avaliações, goals), dados externos (mercado salarial). Coletar é apenas o começo. Limpar é 60% do trabalho: dados com erros, duplicatas, campos vazios, inconsistências. Integrar é conectar essas fontes — "João no HRIS é o mesmo João do survey? Qual é o departamento correto?". Analisar é investigar padrões. Comunicar é storytelling — transformar número em insight que liderança entende. Agir é a verdade — insight sem ação é apenas relatório bonito que ninguém lê.
Análise descritiva, diagnóstica e preditiva
Descritiva responde "o quê". "Contratamos 100 pessoas, saída foi 12, custo médio R$18 mil." Diagnóstica responde "por quê". "Saída é 25% em tech, 8% em ops. Profissionais de tech com menos de 2 anos têm 45% chance de sair. Por quê? Comparamos: engajamento é 20 pontos menor em tech; salário é 15% abaixo de mercado." Preditiva responde "o que vai acontecer". "Baseado em padrão histórico, estimamos que João (tech, 18 meses na empresa, score de engajamento 5.2) tem 68% de probabilidade de sair nos próximos 12 meses."
Cada nível é mais complexo, mas mais valioso. Análise descritiva qualquer um faz (exportar do HRIS). Diagnóstica exige investigação. Preditiva exige data science, mas ROI é maior — previne antes que problema exploda.
Foco em descritiva: "Quantos saíram, quando, por quê". Padrões emergem de conversa qualitativa. Métrica que importa: turnover por mês, tempo-para-produtividade. Ferramenta: spreadsheet basta.
Mix de descritiva e diagnóstica. Dashboard mostra: turnover por depto, retenção por tenure, custo-per-hire. RH investigação: "Por que tech tem turnover maior?" Padrões emergem. Ferramenta: BI simples (Power BI, Looker).
Todas as três. Descritivo em dashboard real-time. Diagnóstica em investigação contínua. Preditiva em algoritmos que recomendam ação: "João em risco de saída — aqui está o plano de retenção recomendado."
Dashboards e storytelling de dados
Dados em tabela importa menos que dados visualizado. Dashboard bem-feito comunica em segundos o que relatório de 20 páginas demoraria. Bom dashboard: foco em métrica crítica (não tudo), visual hierarchy clara, narrativa (começa com achado, depois detalhe). Storytelling transforma número em insight: "Saída de 15% não é apenas número — significa que 9 engenheiros deixaram empresa em 12 meses. Custa R$180 mil em recrutamento. Causa principal: desenvolvimento de carreira não-claro. Aqui está o plano para reduzir em 50%."
Modelos preditivos: turnover prediction
Modelos preditivos usam padrão histórico para estimar probabilidade futura. Exemplo: turnover prediction usa histórico ("João, tenure 18 meses, engajamento 5.2, dept tech, salary no percentile 40 — saiu") para prever ("Maria, perfil similar — vai sair em 6 meses com 68% de probabilidade"). Modelos têm acurácia (Deloitte reporta 85%+). Quando implementados, reduzem turnover (20–35% de redução é típica).
Risco: modelo pode amplificar viés (se dados históricos têm preconceito, modelo aprende preconceito). Solução: auditar regularmente, investigar se previsão é fair para todos os grupos. Modelo que prediz "mulher tem 30% mais risco de sair" porque dados históricos mostram saída maior de mulheres — é viés, não verdade.
Desafios de dados e ética
Desafio 1: qualidade de dados. Dados ruins geram insight pior. Desafio 2: viés histórico. Dados sobre promoção refletem preconceito passado — modelo que aprende disso reproduz preconceito. Desafio 3: privacidade. Análise pode invadir: "Detectamos que Maria tem risco de sair porque teve ausências frequentes — estava em tratamento de saúde?" Desafio 4: transparência. Pessoa é analisada ou sabe disso? Ética: ser transparente sobre quais dados coletam, por quê, como protegem privacidade, como resultado é compartilhado com colaborador.
Sinais de que seu RH precisa evoluir para uso de dados preditivos
Se você se reconhece em três ou mais cenários abaixo, RH de dados preditivos é prioridade.
- Descobrem que alguém vai sair só quando pede demissão; nunca antecipam.
- Quando há turnover inesperado, não sabem por quê; investigação é qualitativa e demora.
- Não conseguem diferenciar "turnover normal" de "turnover crítico" — tratam tudo igual.
- RH usa relatórios estáticos (Excel, PDF) que criam fila de espera para respostas simples.
- Decisões de pessoas (promoção, aumento, estrutura) não consideram dados — são políticas ou intuição.
- Não sabem qual é o real custo de uma saída (direto + indireto + oportunidade).
- RH não tem conversas sobre dados; foco é em atividades (contratações, treinamentos) não em impacto.
- Equipe de RH não tem skills de análise ou acesso a ferramentas; fica dependente de TI para relatório simples.
Caminhos para implementar People Analytics
Implementar People Analytics não é "comprar BI tool" — é desenvolver capacidade. Pode ser feito internamente ou com apoio especializado.
Viável quando você tem alguém em RH com inclinação para dados e quando HRIS está estruturado.
- Primeiros passos: Auditoria de dados (o que você tem, qualidade), definição de métrica crítica, escolha de ferramenta BI simples
- Tempo estimado: Dashboard básico em 2–4 semanas; modelo preditivo em 2–3 meses
- Faz sentido quando: Você tem problema claro (turnover) que dados podem ajudar a resolver
- Risco principal: Falta de tempo — RH fica em operacional, projeto de dados fica para trás
Indicado quando você quer acelerar ou quando RH não tem expertise em análise de dados.
- Tipo de fornecedor: Consultoria em People Analytics, especialista em BI/RH, plataforma SaaS de analytics
- Vantagem: Conhecimento de metodologia, aceleração, capacitação de equipe interna
- Faz sentido quando: Problema é urgente ou você não tem expertise interna
- Resultado típico: Diagnóstico em 3 semanas, primeiro dashboard em 4 semanas, modelo preditivo em 2 meses
Quer implementar People Analytics em sua organização?
Se transformar RH em função data-driven é prioridade, o oHub conecta você gratuitamente a especialistas em People Analytics e implementação de BI. Em menos de 3 minutos, sem compromisso.
Encontrar fornecedores de RH no oHub
Sem custo, sem compromisso. Você recebe propostas e decide se e com quem avançar.
Perguntas frequentes
Qual é a diferença entre HR metrics e People Analytics?
HR metrics são números (contratamos X, saída Y, custo Z) — retrospectivos. People Analytics é interpretação e ação baseada em dados (por quê saem, quem vai sair, como reduzir). Metrics é descrição; analytics é compreensão.
Como começar People Analytics em minha empresa?
Comece simples: escolha um problema (turnover alto), defina métrica clara (turnover por departamento, por tenure), escolha ferramenta mínima (Google Sheets ou BI simples), investigar padrão, tomar ação. Resultado em 4 semanas.
Qual é o ROI de People Analytics?
Josh Bersin Institute reporta 4x ROI: para cada R$ investido em dados + ferramentas + capacitação, retorna R$4 em redução de turnover, melhoria de performance, ou otimização de hiring. Depende de problema que resolve.
Posso fazer People Analytics com ferramentas simples?
Sim. Google Sheets + Zapier para automação já permite análise descritiva e diagnóstica. Para preditiva, precisa de BI tool (Power BI, Looker, Tableau) ou especialista de data science. Comece simples, evolua quando necessário.
Como evitar viés em modelos preditivos?
Audir regularmente: modelo está fazendo recomendação injusta para grupo (mulheres, minoria, etc.)? Se sim, ajuste. Use dados objetivos (performance, tenure) não subjetivos (potencial, cultura fit). Sempre revise historicamente: dados refletem preconceito ou verdade?
Qual é a acurácia de modelos de turnover prediction?
Modelos bem-calibrados têm 85%+ acurácia — predizem corretamente 85 de 100 casos. Mas nada é 100%. Importante: usar modelo como guia, não verdade absoluta. Sempre diálogo humano — "dados dizem que João tem risco, vamos conversar com ele."
Referências e fontes
- McKinsey. "Data-driven talent strategies." mckinsey.com
- Gartner. "People Analytics & HR Data Management Research." gartner.com
- Josh Bersin Institute. "Talent Analytics Reports." joshbersin.com
- Deloitte. "Predictive Analytics & Workforce Transformation." deloitte.com
- Gallup. "State of the Global Workplace Report." gallup.com