Arquivo da categoria: Sem categoria

O que fazer antes de colher dados e criar painéis de indicadores

Publicado em por
Responder
Cabeçalho das identidades de indicador da Bachmann

Antes de sair colhendo dados, padronize cada um dos indicadores que aparecerão nos painéis (dashboards) e nos relatórios, para ter certeza que atendem aos objetivos desejados e que haverá um mesmo entendimento dos diversos envolvidos na organização.

A padronização exige ao menos o seguinte:

  • O nome do indicador, para que todos se referenciem a uma mesma informação.
  • Uma descrição da finalidade ou propósito do indicador.
  • A fórmula ou metodologia de cálculo do indicador.
  • Informações detalhadas sobre os dados usados para o cálculo do indicador, incluindo sua origem.

Para exemplificar, veja os indicadores que padronizamos com o apoio da ABRH, em https://materiais.indicadoresrh.com.br/calculo

Uma amostra do que o futuro da people analytics pode trazer para o RH

Publicado em por
1
Gráfico de dispersão, desenvolvido pela empresa Humanyze, mostrando as interações entre as pessoas.
Mapa de interações, gerado pelos crachás eletrônicos da Humanyse.
Imagem: Site da Humanyse (www.humanyse.com).

Nos últimos anos, Sandy Pentland, diretor do Human Dynamics Laboratory do MIT foi pioneiro no uso de crachás eletrônicos que transmitem dados sobre as interações dos funcionários 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; e mais. Cada crachá gera cerca de 100 pontos de dados por minuto.

O objetivo inicial de Pentland era lançar luz sobre o que diferenciava as equipes de sucesso das malsucedidas. Como descreveu no ano passado na Harvard Business Review, ele testou o dispositivo em cerca de 2.500 pessoas, em 21 organizações diferentes, e aprendeu várias lições interessantes. Cerca de um terço do desempenho da equipe geralmente pode ser previsto apenas pelo número de trocas face a face entre os membros da equipe; muitos contatos são tão problemáticos quanto muito poucos. Usando dados coletados pelos crachás, ele foi capaz de prever quais equipes venceriam um concurso de planos de negócios e quais trabalhadores (corretamente) diriam que tinham tido um dia produtivo ou criativo.

Ele também alegou que seus pesquisadores haviam descoberto a “assinatura de dados” dos líderes naturais, a quem chamava de “conectores carismáticos”, e todos eles circularam ativamente, deram seu tempo democraticamente aos outros, se engajaram em breves, mas enérgicas conversas, e ouviam tanto quanto falavam (ver figura).  Em um desenvolvimento que surpreenderá poucos leitores, Pentland e seus colegas pesquisadores criaram uma empresa, a Sociometric Solutions (hoje Humanyse), em 2010, para comercializar sua tecnologia de crachás.

Fonte: They’re Watching You at Work -What happens when Big Data meets Human Resources. The Atlantic magazine. Disponível em https://www.theatlantic.com/magazine/archive/2013/12/theyre-watching-you-at-work/354681/ Acesso em 3.08.19.

Cuidado com os vieses ao analisar dados

Publicado em por
Responder
Diagrama de Venn com dois círculos. Subvalorizado e bobagens. A interseção corresponde aquilo que é sobrevalorizado.

A análise dos resultados dos indicadores de gestão, embora bastante objetiva, está sujeita aos nossos vieses. Afinal, somos todos humanos! Tendo consciência disso, podemos fazer análises mais isentas e tomar melhores decisões.

Vieses cognitivos são padrões comuns de desvios na forma como os seres humanos pensam e tomam decisões. Ocorrem quando o processamento mental das informações é influenciado por fatores subjetivos, levando a julgamentos irracionais ou distorcidos. Resultam de influências como experiências pessoais, contexto social, emoções, e da estrutura do cérebro humano. São armadilhas que nos levam a interpretar o mundo de forma equivocada e, consequentemente, tomar decisões irracionais, mas podem ser combatidos pelo uso desapaixonado das abordagens formais de análise de dados.

Sempre que há algum julgamento humano há potencial para viés.

Viés de aceitação

Toda vez que um dado diz o contrário do que queremos ou esperamos, nos preocupamos em ir mais fundo e questionar sua veracidade. Entretanto, se o dado reforça nosso ponto de vista, é aceito com facilidade. Esse fenômeno é chamado de Viés de Aceitação e frequentemente influencia as análises.

A melhor forma de prevenir os efeitos do Viés de Aceitação é estar consciente de sua existência e estabelecer, a priori, as ações de validação dos dados que serão realizadas.

Viés de Confirmação

As pessoas favorecem as informações que confirmam suas crenças.

Nas análises de dados para a gestão, devemos levar em conta que as pessoas favorecem as informações que confirmam suas crenças. Por exemplo, se um supervisor sabe que o colaborador passou por um treinamento, ele espera uma melhora no aspecto correspondente. Logo, ele pode “ver” um resultado que na realidade não existe [1]. É uma racionalização comum, no sentido de comprovar uma expectativa, mas que pode influenciar a avaliação subjetiva da eficácia do treinamento.

A tendência de buscar, interpretar e lembrar informações de uma maneira que confirme nossas crenças preexistentes, é chamada de Viés de Confirmação (Confirmation Bias) ou Efeito Halo, e atende à necessidade humana de reforçar pontos de vista conhecidos e que trazem conforto ou conveniência. Desse modo, muitos vezes é inconsciente e, pior, não percebido nem pelo próprio analista. Entretanto, esse viés pode ser combatido pelo uso desapaixonado das abordagens formais de análise de dados.

Conhece alguma situação em que isso aconteceu em tua organização? Como ocorreu?

Referência

1. Fitz-enz, Jac e Davison, Barbara. How to Measure Human Resources Management. McGraw-Hill. 2002. 3rd edition. p. 185.

Nota: Texto inspirado em: Better Decision Making with Objective Data is Impossible, de Jack Webb, www.sloanreview.mit.edu

POST de set/19, atualizado em jun/24

Propósito. É suficiente?

Publicado em por
Responder
Peça de quebra cabeças fora de posição.

Ultimamente ouço muito as pessoas falarem em propósito. As pessoas, os palestristas e vídeos no YouTube enfatizam que o propósito é a pedra de toque do sucesso pessoal e empresarial.

Naturalmente, também acredito que um objetivo de nível mais elevado é muito importante. Mas, toda vez que escuto falar sobre propósito, lembro daquele ditado que, com alguma modificação, poderia ser “de bons propósitos o inferno está cheio”.

A verdade é que não basta ter bons propósitos. O discurso é bonito, mas não é suficiente. É preciso que as intenções gerem resultados concretos. As pessoas, de forma alinhada aos seus propósitos, têm de entregar valor, gerar riqueza e oferecer contribuições efetivas. É isso que transforma a realidade. Fazer produtos mais baratos, entregar serviços melhores, gerar empregos deve ser – na esfera profissional – o resultado concreto dos propósitos. Um curso realizado, um relacionamento saudável, apoio à uma organização social, um vício abandonado podem ser – na vida pessoal – as consequências dos propósitos.

Os gestores de RH devem se incomodar não apenas em ter colaboradores com bons propósitos, mas também em cuidar para que tenham uma boa capacidade de execução, o que exige ferramentas voltadas para a produtividade. E, para saber a eficácia do que estamos fazendo, é necessário medir. Aí entram os indicadores. Só assim saberemos se nossos propósitos são apenas boas intenções ou estão gerando alguma contribuição.

Delboni reduz rotatividade no call center

Publicado em por
Responder
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.

Onboarding

Publicado em por
Responder

O termo em inglês onboarding significa embarcar. No contexto corporativo, trata-se de um conjunto de procedimentos adotados para adaptar e capacitar o novo colaborador quanto às suas funções, cultura e procedimentos da companhia e o que a empresa espera dele enquanto profissional.
Fonte: Revista Melhor. Junho 3019. p. 12.

PS: Onboarding, por influência das multinacionais que têm dado maior importância ao tema, vem substituindo o termo “integração” nas empresas.

Novo uso para a inteligência artificial

Publicado em por
Responder

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 de 2019.

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 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. Disponível em: https://www.linkedin.com/pulse/artificial-intelligence-can-now-create-perfumes-even-without-marr  Acesso em 6.08.19.

Post de ago/19.

Internet das Coisas e o RH

Publicado em por
Responder

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

Publicado em por
Responder

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

Publicado em por
Responder
Teclado de computador sob um retângulo onde está escrito Big Data.
Imagem de Gerd Altmann por Pixabay

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 colossais 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 continuamente produzidos em grandes quantidades por sensores digitais, equipamentos de gravação de áudio e vídeo, dispositivos de computação móvel, pesquisas na Internet, redes sociais, tecnologias de mídia e assim por diante.

Explicando: As antigas planilhas do RH tinham campos preenchidos com informações específicas de cada colaborador, 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.

Mas não assuma que todo problema analítico é um problema de big data. Entenda primeiro a causa básica dos problemas e, em seguida, selecione as tecnologias analíticas certas para resolvê-los. Muitos problemas podem ser resolvidos sem grande armazenamento de dados ou análise de big data. Nenhum tipo de análise é melhor que o outro. Cada um faz coisas diferentes, resolve problemas diferentes e requer diferentes softwares e arquiteturas [1].

Embora o termo big data seja relativamente novo, o ato de coletar e armazenar grandes quantidades de informações para análises é antigo. O conceito ganhou força no começo dos anos 2000, quando o analista Doug Laney articulou a definição mais aceita de big data em três Vs [2]:

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 medidores inteligentes estão impulsionando a necessidade de lidar com torrentes de dados praticamente em tempo real.

Variedade. Dados são gerados em inúmeros formatos — desde estruturados (numéricos, em bases de dados tradicionais) a não-estruturados (documentos de texto, e-mail, vídeo e áudio).

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.

Dados não estruturados compõem mais de 90% dos dados gerados em todo o mundo, por isso é mais importante do que nunca examiná-los como parte da estratégia de dados de sua empresa. Bernard Marr

Referências:

  1. SAS. What Kind of Big Data Problem Do You Have? Disponível em: https://www.sas.com/pt_br/whitepapers/what-kind-of-big-data-problem-107085.html. Acesso em 25.03.20.
  2. SAS. Big Data: What it is and why it matters. Disponível em: https://www.sas.com/pt_br/insights/big-data/what-is-big-data.html. Acesso em 25.03.20.

Post publicado em agosto de 2019 e atualizado em maio de 2020.