Inteligência artificial

Inteligência artificial é a capacidade do sistema interpretar corretamente dados externos, aprender a partir desses dados e utilizar essas aprendizagens para atingir objetivos e tarefas específicos através de adaptação flexível [1].

O Aprendizado de Máquina faz uso de algoritmos matemáticos que vão mudando seus parâmetros ao longo do tempo para se ajustar à realidade de um conjunto de dados. Dessa forma, podemos afirmar que o sistema aprende e se torna capaz de gerar respostas cada vez melhores. É interessante observar que durante o desenvolvimento desses sistemas eles são alimentados com parte dos dados disponíveis, em um processo de aprendizagem, e depois são testados com o restante do mesmo conjunto de dados.

É importante saber que, diferentemente do que mostram os livros de ficção científica, cada sistema criado é limitado a um conjunto de atividades para uma finalidade específica.

É a ciência e engenharia de fazer computadores se comportarem de maneiras que, até recentemente, pensávamos que era necessário inteligência humana. Andrew Moore

Andrew Moore

Referência

  1. Kaplan, Andreas e Haenlein, Michael. Siri, Siri, in my hand: Who’s the fairest in the land? On the interpretations, illustrations, and implications of artificial intelligence. Disponível em: https://www.sciencedirect.com/science/article/pii/S0007681318301393#. Acesso em 19 ago. 19.

Big Data e o RH

Big data é o termo que descreve o grande volume de dados – estruturados e não estruturados – que não consegue ser tratado pelos softwares tradicionais. Portanto, o termo se refere ao processamento de volumes monstruosos de dados, o que exige máquinas e algoritmos poderosos. Mas, além da quantidade de dados, o Big Data se diferencia pela capacidade de processar dados não estruturados, como os continuamente emanados em grandes quantidades de sensores digitais, dispositivos de gravação de áudio e vídeo, dispositivos de computação móvel, pesquisas na Internet, redes sociais e tecnologias de mídia e assim por diante.

Explicando: nas antigas fichas que o RH tinha de cada colaborador, havia campos preenchidos com informações específicas como nome, data de nascimento, etc. Então uma pesquisa para, por exemplo, saber a idade média dos colaboradores era fácil. Mas essas fichas também tinham um espaço para observações. As análises das informações anotadas ali só podiam ser feitas por humanos, por não estarem “estruturadas” ou em um formato padronizado. A mesma informação poderia ter redações diferentes quando anotada por pessoas diferentes. Por exemplo:

• Teve afastamento pelo INSS por 25 dias.

• Ela tirou licença médica de 25 dias.

• Faltou vinte e cinco dias por motivos de saúde.

As ferramentas de Big Data são capazes de interpretar essas várias redações e entender que se trata da mesma informação.

Embora o termo Big Data seja relativamente novo, o ato de coletar e armazenar grandes quantidades de informações para análises é muito antigo. O conceito ganhou força no começo dos anos 2000, quando o analista Doug Laney articulou a definição atualmente mais aceita do big data em três Vs:

Volume. Organizações coletam dados de fontes variadas, incluindo transações financeiras, mídias sociais e informações de sensores ou dados transmitidos de máquina para máquina. No passado, armazená-los teria sido um problema — mas novas tecnologias (como o Hadoop) aliviaram esse fardo.

Velocidade. Os dados são transmitidos numa velocidade sem precedentes e devem ser tratados em tempo hábil. Etiquetas RFID, sensores e medições inteligentes estão impulsionando a necessidade de lidar com torrentes de dados praticamente em tempo real.

Variedade. Dados são gerados em inúmeros formatos — estruturados (numéricos, em databases tradicionais) e não estruturados (documentos de texto, e-mail, vídeo, áudio, cotações da bolsa e transações financeiras), mas todos têm de ser lidos e interpretados.

O Big Data é a matéria-prima do processo da People Analytics. Serve para obter insights que levam a decisões melhores e ações estratégicas de negócio.

People Analytics – Referências selecionadas

Este post apresenta algumas referências interessantes e sugestões de leitura sobre o uso da People Analytics.

Leituras sugeridas

  • Human Capital Analytics: How to harness the potential of your organization’s greatest asset (by Pease, Byerly & Fitz-enz). Easy to read and a lot of examples from case studies of companies applying analytics to HR
  • The Practical Guide to HR Analytics: Using Data to Inform, Transform, and Empower HR Decisions (SHRM, 2018).

Para aprofundar

  • MIT Management – Curso online sobre Inteligência Artificial

https://executive-education.mit.edu/mit-artificial-intelligence-online-short-course-sf

Cursos grátis sobre o assunto

Coursera – https://pt.coursera.org/learn/people-analytics

Universidade Solides – https://universidade.solides.com.br/course/people-analytics/

Curso de People Analytics da Wharton University of Pennsylvania, 2016.

Um tutorial para iniciar a prática do People Analytics fazendo previsão da rotatividade:

Uma lista de técnicas e algoritmos usados em aprendizado de máquina está disponível em:

https://towardsdatascience.com/do-you-know-how-to-choose-the-right-machine-learning-algorithm-among-7-different-types-295d0b0c7f60

Listas de cases

15 HR Analytics Case Studies with Business Impact

Rotatividade x transferências internas

A Rotatividade da organização e dos seus departamentos são distintas. A empresa pode ter uma baixa rotatividade e seus departamentos terem rotatividade elevada, se a movimentação interna for alta.

Um dos principais objetivos da Rotatividade é medir a perda de competências. Assim, quando um departamento cede um colaborador para outro, está perdendo parte do conhecimento, ainda que a empresa no todo esteja ganhando, pois o empregado continua acessível para eventuais consultas e esteja contribuindo com outra área da organização.

Portanto, no cálculo da rotatividade de uma unidade ou departamento específico, devem ser consideradas as entradas e saídas por transferência, como se fossem admissões e demissões.

Rotatividade ideal

O simples fato da Rotatividade ter se reduzido em relação ao período anterior não significa melhoria. Afinal, não interessa apenas o número de empregados substituídos, mas também as características dos empregados perdidos. Assim, para uma análise mais consistente e útil, além da Rotatividade Geral, é importante medir a Rotatividade nos grupos mais relevantes para a organização. Em uma empresa pode ser a equipe de vendas, em outra o time de P&D. 

Para uma análise mais elaborada e útil, o cálculo também pode ser feito por área de trabalho ou nível hierárquico. Por exemplo, no negócio de hospedagem, as taxas de rotatividade são cerca de 60% ao ano para funcionários de nível operacional e cerca de 25% para cargos gerenciais [1].

1. Tracey, J. B., & Hinkin, T. R. (2006). The costs of employee turnover: When the devil is in the details [Electronic article]. Cornell Hospitality Report, 6(15), 6-13.

Disponível em https://scholarship.sha.cornell.edu/cgi/viewcontent.cgi?referer=http://www.therail.media/stories/2016/3/17/hidden-costs-restaurant-staff-turnover&httpsredir=1&article=1148&context=chrpubs Acesso em 31.03.19.

O “como” faz toda a diferença

Você tem dúvidas se a forma de perguntar afeta o resultado de uma pesquisa ou enquete? Veja isso:

O famoso chef de cozinha Gordon Sinclair conseguiu reduzir o número de reservas canceladas sem aviso de 30 para 10% por conta de uma mudança mínima no discurso da recepcionista que recebia as reservas. Transformou a recomendação “Por favor, avise se mudar de planos” em uma pergunta “O senhor nos avisará se mudar de planos, certo?”. A resposta “sim” cria um comprometimento que não havia anteriormente.

Algoritmo

Algoritmos são orientações detalhadas (passo a passo) para a execução de determinada atividade. Um exemplo é o cálculo de parâmetros feito a partir de informações disponíveis, e sua comparação com valores típicos, para recomendar ou não uma liberação de crédito ou para levar um veículo autônomo a fazer um desvio.

Com base nesse conceito, uma receita detalhada para fazer um bolo pode ser chamada de algoritmo. Mas, de modo geral, o termo é usado quando estamos tratando do processamento de informações.

Sistemas automáticos podem analisar currículos e com base em uma sequência de regras preestabelecidas – o algoritmo – selecionar os candidatos com maior potencial para uma segunda etapa de avaliação.

Ah! Não confunda. Logaritmo é outra coisa. Logaritmo é o expoente ao qual se deve elevar um número para que o resultado seja igual a um determinado resultado.

Livro: How to Measure Human Resources Management

 

Crítica do livro

Apesar de um pouco antigo, o livro é um clássico e merece ser lido pelos gestores de recursos humanos que desejam se iniciar no uso de indicadores em seu processo de gestão. O texto apresenta as razões para o uso de métricas no RH e mostra exemplos detalhados de cálculos. Os autores dão grande destaque aos principais processos do RH, como: recrutamento e seleção, benefícios e compensações, treinamento e desenvolvimento, programas de retenção e outros do dia a dia dos recursos humanos.

Assim, até os gestores que não têm intenção de quantificar os esforços e resultados por meio de indicadores podem colher muitos insights para aprimorar seu trabalho.

Mesmo superado nos aspectos tecnológicos (a 3ª edição é de 2002), o livro deveria ser de leitura obrigatória para diretores e gerentes de RH, assim como para quaisquer profissionais que almejam essas posições.

Apesar do foco em indicadores, o livro oferece conselhos de um profissional experiente sobre outros aspectos da gestão de pessoas, inclusive sobre como buscar maior valorização da área dentro da organização.

Também apresenta considerações e análises sobre aspectos mais qualitativos da gestão, como a oferta de benefícios, políticas de treinamento, etc.

Suas considerações sobre a medida do trabalho de gestão são alinhadas com o pensamento de Davenport [1], mas a abordagem é um pouco mais prática e operacional.

Outro ponto que me pareceu particularmente útil para os gestores de RH é a proposição da medição e análise dos atendimentos individuais, até como um substituto vantajoso das pesquisas de clima.

Referência

1. Davenport, Thomas H. Pense fora do quadrado. Rio de Janeiro: Elsevier, 2006.

Fonte

Fonte: Fitz-enz, Jac e Davison, Barbara. How to Measure Human Resources Management. McGraw-Hill. 2002. 3rd edition.

Transformação digital. O que o RH tem com isso?

Um estudo apontou que 98% dos entrevistados acreditam que a Transformação Digital é necessária, mas 86% afirmaram que as equipes não estão preparadas para essa mudança. O principal fator que atrapalha essa transformação, segundo 45% deles, é a falta de budget; 15% afirmam ser a falta de conhecimento técnico; 14% dizem que a cultura da empresa impede esse tipo de mudança; e 11% entendem que falta tempo para realizar projetos desse tipo [1].

Acredito que essa visão ocorre pela forte associação que existe entre a transformação digital e o uso de recursos tecnológicos (hardware e software) que têm custos elevados. Justamente o RH deveria ter um foco maior nas pessoas (humanware) e alavancar a transformação pelo investimento em incentivo e capacitação das pessoas, que é o alicerce mais importante e barato nesse processo de mudança. Vale a reflexão.

Na B&A capacitamos as pessoas para entender a lógica da escolha e uso dos indicadores, em trabalho a quatro mãos com os clientes, privilegiando a inteligência sobre a tecnologia.

Referência:

  1. Revista Melhor Online. Disponível em: https://revistamelhor.com.br/pesquisa-dificuldades-do-rh-com-a-transformacao-digital/  Acesso em 22.07.19.

A amostra induz ao resultado

Desenho de avião, em planta, mostrando pontos em que recebeu projéteis.

Durante a Segunda Guerra Mundial, na tentativa de reduzir o número de aviões abatidos pelo inimigo, os aliados estudaram onde os aviões retornados sofreram mais danos. Desta forma, eles poderiam reforçar essas partes. A conclusão: reforçar as pontas das asas, os lemes e o centro do avião, que foi onde eles identificaram mais impactos.

Mas Abraham Wald, um estatístico que trabalhava para a defesa, propôs algo diferente: reforçar o cockpit, os motores e as costas do corpo. E por que reforçar as áreas onde não houve impactos?

O que eles não haviam considerado é que havia um viés importante ao fazer o estudo. Eles estavam apenas observando os aviões que conseguiram retornar.

Wald identificou que a distribuição dos impactos seria mais ou menos homogênea. Eles viram impactos em áreas que não eram vitais. Porque, apesar de sofrerem grandes danos, os aviões conseguiram retornar à base.

Se um avião receber grandes danos na cabine, nos motores e na cauda, ele será abatido e, assim, será incapaz de retornar à base. Mas estes não foram considerados no estudo inicial.

Esse fenômeno é algo que na estatística chamamos de “viés de seleção”. Muitas vezes, dados mal interpretados ou “intuição” nos levam a tomar decisões erradas [1]. 

Outro exemplo, desta vez na análise de fundos de investimento, mostra problema semelhante. A empresa de análise de investimentos americana Morningstar criou uma categoria de fundos chamada Large Blend — aqueles que aplicam em ações de grandes empresas da bolsa americana.

De acordo com seus cálculos, esses fundos cresceram, em média, 178,4% de 1995 a 2004 — quase 11% ao ano. Um ótimo investimento para os padrões americanos. Entretanto, um estudo de 2006, feito pela gestora Savant Capital, questiona esse sucesso.

Para chegar ao resultado, a Morningstar pegou todos os fundos classificados como Large Blend e viu quanto cresceram no prazo de dez anos. Mas ignorou os fundos que já não existiam; esses, provavelmente, são os que não deram lucro. 

Julgar o desempenho de uma categoria de fundos por uma década considerando apenas os que permanecem operando no final do período é, claramente, uma distorção que favorece os bons resultados. Se os fundos mortos fossem incluídos no cálculo, a taxa de retorno cairia para 134,5%, média anual inferior a 9%.

Conclusão: A análise dos dados deve começar pelo verificação de sua representatividade. 

Não há nada mais enganador do que um fato óbvio. Sherlock Holmes

Referências:

1.             Jacle Garbretch, no LinkedIn em 5.06.19.

2.             https://exame.abril.com.br/ciencia/uma-defesa-apaixonada-do-pensamento-matematico/ Acesso em 8.06.19.