Delboni reduz rotatividade no call center

Trabalhadoras em call center

O desafio de reduzir a rotatividade na área de call center levou o Delboni Auriemo Medicina Diagnóstica a rever o perfil de colaboradores que eram contratados para a área. A média de idade da equipe era de 20 anos, registrando rotatividade de 11% ao mês e permanência no emprego de apenas 4 meses.

Então, a área de RH decidiu repensar os critérios para contratação, lançando o projeto Novo Perfil, priorizando pessoas com idade entre 35 e 60 anos.

Aos poucos, o laboratório elevou a média de idade dos colaboradores e, como resultado, foram registrados ganhos em termos de aderência comportamental (cumprimento de horários, respeito ao tempo estipulado para pausas, faltas) e produtividade.

Agora, dos 1700 colaboradores ativos do call center, em média 500 pertencem ao “Novo Perfil”, sendo que 78 deles têm mais de 50 anos. Com isso, o turnover mensal foi reduzido para 6,6% – quase a metade do índice registrado anteriormente.

Fonte: Exame. No Delboni, mais paciência no call center. Disponível em https://exame.abril.com.br/carreira/mais-paciencia-no-call-center/ de 19.06.14. Acesso em 15.05.19.

Novo uso para a inteligência artificial

Uma parceria entre a IBM e a Symrise, uma produtora global de fragrâncias e sabores baseados na Alemanha, desenvolveu o primeiro perfume usando a tecnologia de Inteligência Artificial. O produto (Egeo ON Me) foi lançado pela O Boticário em junho deste ano.

Existem 1.300 blocos de perfume (fragrâncias sintéticas e extratos de flores, musgos, especiarias e frutas) disponíveis para um perfumista. Usando um banco de dados de 1,7 milhão de fórmulas feitas a partir de várias combinações dessas substâncias e informações sobre quais fragrâncias vendiam bem entre diferentes gêneros, grupos etários e países, um algoritmo de aprendizagem profunda analisou os dados e o sistema de inteligência artificial (que é livre de viés cultural, preferência pessoal, conhecimento, experiência ou conforto com uma substância) encontrou possibilidades que não haviam sido exploradas anteriormente. A partir dos dados, são produzidas fórmulas de perfume que devem funcionar bem para um grupo alvo. Um perfumista entrou em cena para refinar as fórmulas geradas pela IA. É importante entender que o algoritmo de aprendizado profundo usado permite que ele saiba como vários ingredientes podem ser combinados e não está apenas agindo com base no que um ser humano o programou para fazer.

Fonte: Marr, Bernard. Artificial Intelligence Can Now Create Perfumes, Even Without A Sense Of Smell. https://www.linkedin.com/pulse/artificial-intelligence-can-now-create-perfumes-even-without-marr  Acesso em 6.08.19.

Internet das Coisas e o RH

A Internet das Coisas (Internet of Things – IoT) é o conceito de conectar qualquer dispositivo à internet e aos outros dispositivos conectados.

É uma rede gigantesca de conexões entre coisas e pessoas, que coleta e compartilha dados sobre a forma como os aparelhos são usados e também sobre os ambientes em que estão.

Essa tecnologia é a mais recente na People Analytics, mas apresenta grande potencial, como os crachás eletrônicos sinalizam. A Humanyse foi pioneira no uso de crachás especializados que transmitem dados sobre as interações dos empregados [1, 2]. Ao longo do dia os crachás capturam todo tipo de informação sobre conversas formais e informais: sua duração; o tom de voz e gestos das pessoas envolvidas; quanto essas pessoas falam, ouvem e interrompem; o grau de empatia e extroversão que demonstram, etc. Cada crachá gera cerca de 100 pontos de dados por minuto.

As experiências com esses crachás ofereceram lições interessantes. Por exemplo, cerca de um terço do desempenho da equipe geralmente pode ser previsto apenas pelo número de trocas cara a cara entre os membros da equipe.

Referências

  1. Peck, Don. They’re Watching You at Work: What happens when Big Data meets Human Resources. The Atlantic Magazine. Dec. 2013. Disponível em https://www.theatlantic.com/magazine/archive/2013/12/theyre-watching-you-at-work/354681/. Acesso em 3 ago. 19.
  2. https://www.humanyze.com.

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 um 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.