Causa ou efeito?

Alguns autores, como Maram Marimuthu et alii [1] identificaram uma correlação positiva entre o desempenho das organizações e o investimento em capital humano, incluindo as ações de treinamento.

A conclusão óbvia trazida pelo texto é que vale a pena treinar. Mas, sendo isento na análise, temos que concluir que, ainda que os fatos estejam relacionados, não temos segurança para afirmar o que é causa e o que é efeito. Afinal, também é possível acreditar que organizações com negócios mais favoráveis e lucrativos tenham mais recursos para investir em treinamento.

Uma análise semelhante foi apresentada por Sara Kaplan [2] ao afirmar “Verifiquei se as pesquisas científicas realmente corroboram a ideia de que diversidade traz melhor desempenho e minha conclusão é que não há necessariamente uma relação de causa e efeito. É bem possível que diversidade e performance sejam dois aspectos de ‘ser uma ótima empresa’”.

Então, na análise de dados, sempre que temos resultados que se correlacionam, devemos ser bastante críticos em tentar saber o que é causa, o que é efeito ou, ainda o que é apenas consequência de algum terceiro motivo ou coincidência.

Referências:

  1. Marimuthu, M., Arokiasamy, L. and Ismail, M. Human Capital Development and Its Impact on Firm Performance: Evidence From Developmental Economics. Uluslararası Sosyal Arastırmalar Dergisi. The Journal of International Social Research. Volume 2 / 8 Summer 2009. pp. 265 – 272. Disponível em: http://www.sosyalarastirmalar.com/cilt2/sayi8pdf/marimuthu_arokiasamy_ismail.pdf. Acesso em 20.06.19
  2. Revista HSM. Vamos inovar em diversidade de gênero? Dez 4, 2017.

Rotatividade voluntária

Gráfico comparando retenção com taxa de desemprego.

A Rotatividade Voluntária, também denominada de Desligamento Voluntário, descreve o percentual dos empregados que deixa a organização por iniciativa própria. Isto ocorre basicamente devido aos seguintes fatores:

  • Insatisfação com a empresa (clima organizacional ou remuneração).
  • Melhores oportunidades no mercado de trabalho.
  • Razões de ordem pessoal, como mudança ou doença na família.

Há, ainda, uma quarta razão, menos comum, que é a resposta aos programas de incentivo à saída; ação que as organizações eventualmente promovem para fazer downsizing ou algum ajuste no quadro de colaboradores.

Dados do departamento de estatísticas do trabalho dos Estados Unidos (U.S. Bureau of Labor Statistics) indicam que existe uma forte correlação entre a quantidade de pedidos de demissão feitos pelos empregados e o desemprego no país (ver figura) [1].

A comparação dos resultados dos nossos levantamentos [2], realizados em parceria com a Associação Brasileira de Recursos Humanos nos últimos anos, com as estatísticas produzidas pelo Ipardes [3], mostram a mesma correlação.

Assim a melhora do ambiente econômico, com a reativação da economia, deve trazer um grande desafio para o RH das empresas. Afinal, mesmo na crise, a Rotatividade Voluntária em diversos segmentos se manteve alta.

A reposição de um empregado que pediu demissão inclui os custos de recrutamento, seleção, contratação, integração e treinamento para a posição, além dos custos adicionais de supervisão no período inicial e do impacto da troca no moral da equipe. Usualmente, o período da substituição também provoca sobrecarga nos trabalhadores que ficam e algum aumento nas horas extras, o que pode se refletir em piora dos resultados de segurança, elevando ainda mais o custo da movimentação. Mas, claro, existe uma compensação pela redução da massa salarial até que a substituição seja feita.

A saída de empregados por pedidos de demissão leva também à prejuízos mais difíceis de quantificar, como a perda do investimento no treinamento feito, e o risco da transferência de conhecimentos para a concorrência.

O conforto (do ponto de vista das empresas) de saber que existe uma massa de aproximadamente 12 milhões de desempregados no mercado é relativo, pois muitos são profissionais com baixa qualificação e que não atendem às necessidades sem um forte investimento em capacitação.

Então é preciso agir preventivamente, buscando práticas de baixo custo que sejam eficazes na retenção dos colaboradores, antes que o problema se torne mais evidente.

Para reduzir a Rotatividade Voluntária, as práticas mais comuns são [4]:

  • Manter um ambiente de trabalho agradável e seguro.
  • Adotar uma política de remuneração e recompensa adequada.
  • Priorizar as promoções internas.
  • Melhorar o processo de seleção e recrutamento.

Em tua organização como são avaliadas as ações para prevenir a perda de colaboradores?

Serviço

Quer comparar gratuitamente a Rotatividade Voluntária de tua empresa com outras? Acesse o BenchOnline.

https://materiais.indicadoresrh.com.br/benchmarking_ben11

Referências

  1. Erickson, Robin. Calculating the True Cost of Voluntary Turnover: The Surprising ROI of Retention. Disponível em: https://www.visier.com/wp-content/uploads/2016/11/Bersin-by-Deloitte-Calculating-the-True-Cost-of-Voluntary-Turnover.pdf  Acesso em 1.03.19.
  2. Bachmann & Associados. Benchmarking Paranaenses de RH. Várias edições. Disponíveis em: https://www.indicadoresrh.com.br/benchmarking/?mnu=28&id=73&area=material
  3. IPARDES. Estatísticas de emprego. Disponível em: http://www.ipardes.gov.br/pdf/indices/emprego_formal.pdf.  Acesso em 26 jul. 2018.
  4. Bachmann, Dórian L. Boas Práticas de RH: O que eles fizeram e deu certo. Bachmann & Associados. Curitiba. 2018. Disponível em: https://www.amazon.com.br/kindle/dp/B07L416T25/ref=rdr_kindle_ext_eos_detail Acesso em 3.03.19.

Prevendo o futuro РExtrapola̵̤es

Gráfico de pontos extrapolado com reta

Extrapolação é o processo mais elementar para fazer previsões. Mas, apresenta uma falha básica. Presume que a tendência vai continuar, o que muitas vezes não é verdade. Extrapolações em escalas exponenciais são particularmente arriscadas (Nate, p. 213).

Observando o crescimento da participação feminina no mercado de trabalho no Paraná no período de 2009 a 2013 fiz uma projeção – de brincadeira – apresentada no Bom Dia RH de outubro de 2014, concluindo que em 2030 todos os postos de trabalho estariam tomados por mulheres. Embora contrariando o bom senso, os número indicavam isso.

A maioria dos economistas confia em seu julgamento quando faz previsões, ao invés de tomar apenas os resultados de modelos estatísticos (Nate, p. 198). Estudo feito nos Estados Unidos (ref. 62 do Nate. Capítulo 6) concluiu que isso resulta em previsões cerca de 15% mais acuradas. Mas, o julgamento pessoal também cria espaço para distorções derivadas – muitas vezes de forma inconsciente – de crenças, preconceitos e interesses pessoais.

Com o advento do big data, alguns autores (ref. 56 da p. 481 do Nate) acreditam que o volume de dados disponíveis permite previsões e conclusões que prescindem de um modelo teórico consistente. Infelizmente, isso não parece ser verdade. Até porque um modelo de causa e efeito permite agir com previsibilidade. Segundo Nate (p. 197), inferências estatísticas são muito mais fortes quando ancoradas na teoria.

Referências

  1. Bachmann & Associados. 6º Benchmarking Paranaense de RH. 2014. Curitiba. PR. “Em média, as mulheres já dominam (2012) 38,0% dos postos de trabalho. Caso o crescimento continuasse no mesmo ritmo dos útimos 4 anos, em 2036 não haverá mais empregos para homens”.
  2. Silver, Nate. The Signal and the Noise: Why So Many Predictions Fail-But Some Don’t. The Penguin Press. New York, 2012. (Inglês) Já disponível em português.

Falácias estatísticas exigem interpretação

Talheres, colocados na vertical, com alimentos saudeaveis espetados neles. Coisas como tomate.

Saiu na capa da CNN, segunda-feira 22.10.18: “Alimentos orgânicos reduzem o risco de câncer, diz estudo”.

Quem se der ao trabalho de pular a reportagem e ir direto para o estudo vai perceber que as amostras de populações com baixa frequência de câncer têm uma série de hábitos: elas fumam menos, bebem menos álcool, têm menos gordura no corpo, possuem maior renda média, maior nível educacional, fazem esportes regularmente e comem alimentos orgânicos.

Percebe a nuance?

Nada contra o alimento orgânico, mas ele não é a causa em si por trás da redução do risco de câncer. Ele é apenas um marcador das outras verdadeiras causas.

Por exemplo: se você ganha bem, você tem mais dinheiro sobrando para comprar os alimentos orgânicos, que são tipicamente mais caros; e você tem também dinheiro sobrando para se aposentar numa boa.

NOTA: Texto transcrito de e-mail da Empiricus (Rodolfo Amstalden) de 27.10.18.

Causa e efeito – uma análise interessante

Gato brincando com lã

As correlações podem ser valiosas, especialmente para fazer previsões. Mas isso não basta. Para termos controle sobre nossa capacidade de fazer mudanças, precisamos saber se realmente existe um relacionamento causal.

Por exemplo, o geneticista inglês Ronald A. Fisher identificou uma correlação entre a importação de maçãs e a taxa de divórcios, que claramente não tem relação de causa e efeito. Assim, limitar a compra internacional da fruta não é solução para melhorar o relacionamento dos casais.

Outra razão pela qual dois fatores podem ser correlacionados, ainda que não haja relação de causa e efeito, é quando eles têm uma causa comum.

Tais confusões são muito comuns na literatura científica. Por exemplo, um estudo de 1999, publicado na revista Nature (www.nature.com/articles/20094) mostrou que crianças com menos de dois anos de idade que dormiam com luzes noturnas eram mais propensas a ter miopia. Outros pesquisadores mostraram mais tarde (www.nature.com/articles/35004663) que os pais míopes eram mais propensos a manter as luzes acesas durante a noite. Pode ser que os pais fossem uma causa comum do uso de luzes noturnas e, em virtude de herança genética, a miopia fosse transmitida aos filhos. Nesse caso, a razão pela qual os dois fatores podem ser correlacionados, embora não tenha relação de causa e efeito, é que eles têm uma causa comum.

Fonte: Nick Barrowman, “Correlation, Causation, and Confusion,” The New Atlantis, Number 43, Summer/Fall 2014, pp. 23–44. Disponível em: http://www.thenewatlantis.com/publications/correlation-causation-and-confusion. Acesso em 25.04.17.

Gráfico com a variação do PIB da China

Fonte: Empiricus Research. E-mail de 15.07.15.

Nota: Além de permitir previsões, as correlações podem ser usadas em análises. Uma publicação financeira fez o seguinte comentário: “É interessante observar que o governo Chinês informou uma inesperada recuperação do PIB. Entretanto, o índice de Fretes em Containers, que costuma apresentar uma boa correlação com o PIB não corresponde à boa notícia. Então, o Mercado colocou a notícia sob suspeição”.

Qualidade da Contratação

Moça se apresentando

Imagem: Pixabay – RobinHiggins

A medida “Qualidade de Contratação” tem diferentes significados para diferentes organizações. Um estudo de 2010 da Aberdeen [1] concluiu que a “Satisfação do gerente contratante” e o “Desempenho dos novos contratados” são as duas medidas mais frequentemente usadas para a avaliação da métrica.

Entretanto, essas duas medidas têm elevado grau de subjetividade e exigem pesquisas junto aos colaboradores. Em minha opinião, a Retenção 90 dias é uma medida mais fácil, objetiva e eficaz para o monitoramento do processo de recrutamento e seleção, devendo ser a primeira opção para medir a qualidade das contratações. Os demais indicadores devem ser reservados para as posições mais críticas e estratégicas.

Fonte:

1 – Aberdeen Group. Workforce Analytics: Key to Aligning People to Business Strategy. June 2011. p. 6.

Um indicador melhor que o IDH

Indicadores nos dão uma visão objetiva e consistente do progresso, seja em nossa organização, seja em um país. O trecho adiante, retirado do livro Factfulness, recomendado pelo Bill Gates, mostra como as métricas podem ser úteis. Vale a leitura.

It was October 1995 and little did I know that after my class that evening, I was going to start my lifelong fight against global misconceptions. “What is the child mortality rate in Saudi Arabia? Don’t raise your hands. Just shout it out.” I had handed out copies of tables 1 and 5 from UNICEF’s yearbook. The handouts looked dull, but I was excited.

A choir of students shouted in unison: “thirty-five.”

“Yes. Thirty-five. Correct. This means that 35 children die before their fifth birthday out of every thousand live births. Give me the number now for Malaysia?”

“fourteen,” came the chorus.

As the numbers were thrown back at me, I scribbled them with a green pen onto a plastic film on the overhead projector.

“Fourteen,” I repeated. “Fewer than Saudi Arabia!”

My dyslexia played a little trick on me and I wrote “Malaisya.” The students laughed.

“Brazil?”

“fifty-five.”

“Tanzania?”

“one hundred and seventy-one.”

I put the pen down and said, “Do you know why I’m obsessed with the numbers for the child mortality rate? It’s not only that I care about children. This measure takes the temperature of a whole society. Like a huge thermometer. Because children are very fragile. There are so many things that can kill them. When only 14 children die out of 1,000 in Malaysia, this means that the other 986 survive. Their parents and their society manage to protect them from all the dangers that could have killed them: germs, starvation, violence, and so on. So this number 14 tells us that most families in Malaysia have enough food, their sewage systems don’t leak into their drinking water, they have good access to primary health care, and mothers can read and write. It doesn’t just tell us about the health of children. It measures the quality of the whole society.

“Just so you know,” I said, “you won’t find any countries where child mortality has increased. Because the world in general is getting better. Let’s have a short coffee break.”

Referência: FACTFULNESS: Ten Reasons We’re Wrong About the World – and Why Things Are Better Than You Think. Parte do resumo disponível em https://www.gatesnotes.com/media/features/books/Factfulness_Excerpt.pdf. Acesso em 30.05.18.

Engajamento x faturamento

Segundo pesquisa da Aon, o aumento de 5 pontos percentuais no engajamento está diretamente relacionado ao crescimento de 3% de faturamento no ano seguinte. E quando o engajamento cai, as empresas devem esperar maior rotatividade, absenteísmo e queda na satisfação dos clientes.

Fonte: Revista Melhor. Abril 2018. p. 30.

The Signal and the Noise – Resumo do livro

The signal and the Noise

Fazendo uso de exemplos fundamentados na política norte-americana, nos jogos de baseball, em projeções econômicas e na probabilidade de ocorrências de terremotos, o autor apresenta os aspectos mais importantes no trabalho de previsão de resultados.

Enquanto as eleições americanas são tema de conhecimento comum, as muitas considerações sobre beisebol – esporte pouco conhecido entre nós – podem ser enfadonhas; o capítulo sobre a bolha do pôquer foi, ao menos para mim, intragável.

Ainda assim, para os curiosos sobre o tema da análise e interpretação de dados, é um livro instigante e interessante. Mas, o foco do autor está nas muitas histórias interessantes e pouco contribui com ferramental para separar os sinais dos ruídos, como por exemplo o Controle Estatístico de Processos CEP, ferramenta apenas citada no texto.

Algumas observações selecionadas:

A verdadeira era da informação começou em 1440, com a invenção da imprensa por Johannes Guttemberg. Antes, uma página de livro manuscrito custava cerca de 20 dólares, limitando o acesso ao conhecimento.

É importante lembrar que os modelos são simplificações da realidade e devem ser usados com cuidado.

Um sinal é uma indicação de uma verdade subjacente por trás de uma estatística ou problema preditivo, enquanto ruídos são padrões aleatórios que podem facilmente ser confundidos com sinais. O sinal é a verdade. O ruído é o que nos distrai da verdade.

O objetivo de qualquer modelo de predição é capturar tantos sinais quanto possível e tão poucos ruídos quanto puder. Armstrong argumenta que “quanto mais complexo o modelo, piores são as previsões”. É uma frase bonita que faria sucesso nas redes sociais, mas que deve ser encarada com algum ressalva.

Na estatística, a confusão de tomar ruídos como sinais é denominada overfitting. Modelos puramente estatísticos, com grande número de variáveis e uma pequena quantidade de eventos para sua validação, geralmente levam ao risco de overfitting. Esse risco é consideravelmente menor quando se usa modelos físicos de causa e efeito.

Segundo o autor, o caminho para maior objetividade é reconhecer a influência que nossas premissas têm em nossas previsões.

A estatística tem sido parte dos esportes desde há muito tempo. O primeiro conjunto de informações – com cinco informações sobre cada jogador – foi publicado em jornal por Henry Chadwick em 1859.

Nosso instinto é categorizar as informações, geralmente em um pequeno número de categorias, pois isso facilita o entendimento.

A inspeção visual de um gráfico que mostra a interação entre duas variáveis geralmente é um caminho mais rápido e confiável para identificar outliers nos dados do que um teste estatístico.

Predizer o passado é um oximoro e obviamente não pode ser contado entre os sucessos.

A estatística é uma das habilidades fundamentais necessárias à ciência dos dados.

Uma previsão científica exige um resultado probabilístico, ou seja, nas previsões é importante informar também a incerteza. Coisa comum nas pesquisas eleitorais, porém rara nos resultados de outras previsões. Laplace via a probabilidade como um meio caminho entre a ignorância e o conhecimento.

A heurística do “acompanhe a maioria, especialmente quando não sabe nada melhor” normalmente funciona bem.

Consenso não é sinônimo de unanimidade, mas um grande acordo obtido após um processo de deliberação. É, portanto, uma alternativa à votação.

Informação só se transforma em conhecimento quando colocada em um contexto.

Fonte:

Silver, Nate. The Signal and the Noise: Why So Many Predictions Fail-But Some Don’t. The Penguin Press. New York, 2012. (Inglês)

Nota: Já está disponível em português.

O número de piratas influencia a temperatura global? ou Correlação implica em causa e efeito?

Quantidade de piratas versus temperatura global

Quantidade de piratas versus temperatura global

É uma brincadeira comum entre os analistas de dados a conclusão, baseada em uma forte correlação de dados [2], que a redução na quantidade de piratas provocou o aumento da temperatura global. Isso serve para mostrar que uma boa correlação nem sempre está associada a um vínculo de causa e efeito.

Mas, uma relação de causa e efeito necessariamente implica em correlação?

A resposta parece óbvia, mas talvez não seja. Melhor começar por entender que correlação quantifica a dependência linear entre duas variáveis. Logo, relações não-lineares não são percebidas.

Para esclarecer, vamos avaliar duas variáveis bem comuns, pois sabemos que a temperatura influencia a densidade da água. Mas, como a figura 1 indica, a densidade da água alcança seu maior valor a 4°C.

Figura 1 – Densidade da água versus Temperatura

Figura 1 – Densidade da água versus Temperatura

Então, não há uma relação linear ou correlação entre causa (temperatura) e efeito (densidade). Isto é, quando uma variável aumenta a outra aumenta ou quando uma aumenta a outra diminui. Não perceberíamos a anomalia observando apenas uma parte do gráfico (figura 2), o que poderia nos levar a fazer previsões irrealistas.

Figura 2 – Densidade da água versus Temperatura (0ºC a 2ºC)

Figura 2 – Densidade da água versus Temperatura (0ºC a 2ºC)

Esse tipo de fenômeno é relativamente comum e resulta em previsões com grandes erros. Portanto, antes de usar correlações, é conveniente analisar os dados, se possível graficamente, e não fazer projeções distantes dos dados existentes.

Embora tenhamos usado a variação incomum da densidade da água com a temperatura como exemplo, é bom saber que esse comportamento também ocorre em vários fenômenos sociais, como o aumento da motivação com o ganho salarial [3].

Resumindo:

  1. Uma boa correlação nem sempre está associada a um vínculo de causa e efeito.
  2. Uma relação real de causa e efeito não implica, necessariamente, em correlação.
  3. O desconhecimento do comportamento das variáveis torna arriscadas as projeções baseadas em correlações.

Referências

  1. SRIVASTAVA, Tavish. 7 most commonly asked questions on Correlation. 23.06.15. Disponível em www.analyticsvidhya.com/blog/2015/06/correlation-common-questions. Acesso em 27.04.17. (figuras 1 e 2)
  2. ANDERSEN, Erika. True Fact: The Lack of Pirates Is Causing Global Warming www.forbes.com/sites/erikaandersen/2012/03/23/true-fact-the-lack-of-pirates-is-causing-global-warming/#4a29ea263a67 Acesso em 3.05.17. (figura da capa)
  3. Gallup. Majority of American Workers Not Engaged in Their Jobs. Disponível em: www.gallup.com/poll/150383/majority-american-workers-not-engaged-jobs.aspx Acesso em 3.05.17.

Nota: Post publicado em maio de 2017 e atualizado em maio de 2020.