Evidências para tomada de decisão em RH

O problema brasileiro: RH operado por achismo

RH no Brasil ainda opera muito por intuição, experiência, ou pior, por "achismo" do CHRO. Decisões críticas sobre talent strategy, estrutura, remuneração, programas de desenvolvimento dependem frequentemente de feeling em vez de evidência.

Consequências:

• Investimentos errados em programas que não resolvem problema real
• Falta de alinhamento entre ação de RH e estratégia de negócio
• Dificuldade de escalar o que funciona (falta de métrica, não sabe o que funciona)
• Perda de confiança de executivos em RH (sem dados, como acreditar?)
• Repetição de erros (sem documentação, não aprende)

RH estratégico é, essencialmente, RH baseado em evidência.

Diferença entre dado, métrica e insight

Antes de começar, clarificar conceitos essenciais:

Muitos RHs coletam dados e métricas, mas nunca chegam a insight e ação. Parar no dado/métrica é inútil.

Ciclo de tomada de decisão baseada em evidência

RH baseado em evidência segue ciclo claro:

1. Pergunta estratégica: Começa com pergunta que importa. "Por que estamos perdendo talentos críticos?" Não "vamos coletar dados porque é bom."
2. Coleta de dados: Identificar dados relevantes para responder pergunta. (Turnover por nível? Pesquisa com quem saiu? Dados de mercado?)
3. Análise: Processar dados. Agrupar em temas. Comparar com benchmark.
4. Interpretação: Qual é o insight? O que dados dizem?
5. Recomendação: Com base em insight, qual é ação recomendada?
6. Decisão: Liderança decide se atua sobre recomendação (ou oferece alternativa).
7. Implementação: Executar decisão.
8. Monitoramento: Acompanhar se ação teve efeito esperado. Voltar para passo 1 com nova pergunta.

Quando algum desses passos é pulado, qualidade da decisão sofre.

Tipos de dados em RH

Dados de RH caem em três categorias:

Melhor abordagem usa todos três: dados de recursos para eficiência, dados de resultados para alinhamento com negócio, dados de clima para compreensão de experiência.

Métricas-chave por função de RH

Não meça tudo. Foque em métricas que importam. Aqui estão as principais por função:

• Recrutamento: Time-to-fill (dias para preenchimento), cost-per-hire (custo total), quality of hire (performance de novo hire nos primeiros 12 meses), conversion rate (% de candidatos que avançam).
• Treinamento & Desenvolvimento: Horas de treinamento por pessoa, completion rate (% que termina programa), post-training application (% que usa o aprendido), impact on performance (mudança em KPI após treinamento).
• Remuneração: Pay equity (% de pay gaps injustos), market competitiveness (vs. mercado), retention rate (% que fica após review salarial).
• Saúde Organizacional: Engagement score, turnover voluntário (geral e por nível), absenteeism rate (dias ausentes), safety incidents (acidentes/segurança).

Fontes de dados para RH

Dados vêm de múltiplas fontes. Combinar é mais poderoso:

• HRIS: Sistema de informação de RH. Contém: folha, história de contratação, performance ratings, treinamento feito. Dado estruturado, confiável.
• Pesquisas: Surveys com colaboradores (engagement, satisfação, cultura). Dado de percepção, qualitativo. Cuidado com viés de respondente.
• Entrevistas de desligamento: Quando pessoa sai, conversa estruturada. "Por que está saindo?" Indica motivos de turnover.
• Análise de performance: Dados de performance por pessoa, times, gerente. Indica quem está bom, quem precisa suporte.
• Dados de mercado: Dados de mercado de trabalho (salários, competências, turnover setorial). Permite benchmarking externo.
• Dados operacionais do negócio: Revenue, produção, qualidade, reclamações de clientes. Correlaciona com dados de RH.

Como traduzir dados em perguntas estratégicas

Armadilha comum: coletar dados porque "é bom fazer". Depois não sabe o que fazer com eles.

Melhor abordagem: começar com pergunta estratégica que importa. Depois buscar dados para respondê-la.

Exemplos de perguntas estratégicas:

• "Por que estamos perdendo talentos críticos?" ? Coleta: turnover por nível, entrevista de desligamento, pesquisa de engagement
• "Nosso programa de liderança está desenvolvendo o pipeline certo?" ? Coleta: dados de succession planning, performance de líderes desenvolvidos, retenção de high potentials
• "Como está nossa equidade salarial?" ? Coleta: dados de salário, performance, contexto histórico (quando foi contratado)
• "Qual é o ROI de nosso treinamento?" ? Coleta: dados de treinamento, performance antes/depois, feedback de gerente, resultado de negócio

Vieses comuns em análise de RH e como evitar

Dados não são objetivos se análise é viesada. Cuidado com:

• Correlation vs. causation: Correlação ? causação. Turnover aumenta quando temperatura aumenta (ambos correlacionam com verão). Temperatura não causa turnover. Cuidado em assumir causa sem evidência.
• Selection bias: Se apenas pessoas satisfeitas respondem pesquisa, resultado é viés para cima. Sempre considerar who didn't respond.
• Confirmation bias: Tendência de procurar dados que confirmam crença anterior. "Acho que salário é problema" ? só olha dados de salário, ignora dados que mostram problema é gestão. Procure dados que desafiem sua hipótese.
• Small sample fallacy: Amostra pequena (ex: 5 pessoas em entrevista de desligamento) pode não ser representativa. Sempre questione se amostra é suficiente.
• Comparison fallacy: Comparar apple com orange. "Turnover subiu 5% vs. ano passado" sem considerar que contratação foi 50% maior (natural que mais saiam). Sempre compare com baseline relevante.

Apresentação de dados para públicos não-técnicos

Dados não ajudam se ninguém entender. Como apresentar para executivos/gerentes:

• Comece com insight, não com dado: "Estamos perdendo talentos críticos 2x mais rápido que mercado" (insight) vs. "Taxa de turnover de senior engineers é 20%" (dado).
• Contextualize com benchmark: "Taxa de 20% vs. média de mercado de 10%" agora faz sentido.
• Mostre impacto financeiro: "Turnover de 20% custa $2M ao ano em recrutamento e produtividade perdida." Agora executivo liga.
• Ofereça cenários: "Se reduzirmos turnover para 10% (benchmarkde mercado), economizamos $1M. Investimento em retenção: $200K. ROI: 5x."
• Visualize: Gráficos são mais eficazes que tabelas. "Turnover tem aumentado 2% ao ano" (linha ascendente) é mais impactante que "2020: 10%, 2021: 12%, 2022: 14%, 2023: 16%."
• Seja honesto sobre limitações: "Estamos 90% confiantes, mas amostra é pequena. Recomendamos validar com mais pesquisa antes de decisão de $1M."

Benchmarking interno vs. externo

Duas formas de contextualize dados:

• Benchmarking interno: Comparar você com você mesmo ao longo do tempo. "Turnover era 10% em 2020, agora é 15%." Mostra tendência. Útil para monitorar se melhora ou piora.
• Benchmarking externo: Comparar com mercado, setor, concorrente. "Turnover de 15% vs. média de mercado de 12%." Mostra se você está acima ou abaixo. Útil para saber se é problema.

Use ambos: interno para tendência, externo para contexto de mercado.

Ética e privacidade de dados em RH

Importante ao coletar dados:

• Consentimento: Colaboradores sabem que dados são coletados? Consentiram?
• Anonimização: Análise pode ser feita sem revelar identidade? "Taxa de turnover de mulheres em área X" pode identificar pessoa se area é pequena. Cuidado.
• Segurança: Dados são mantidos seguros? Quem tem acesso? LGPD/GDPR aplica?
• Transparência: Que dados são coletados, por quê, como usados? Comunicar a colaboradores.
• Correção: Erros em dados são corrigidos? Colaborador pode contestar?

Violar privacidade prejudica confiança. Confiança é base para que colaboradores respondam pesquisa com honestidade.