Cientista, UX e engenheiro: tudo que você precisa para um RH estratégico baseado em dados sem perda de tempo

Texto por: Rafael Balaniuk

No mundo do RH, há três desafios cruciais quando se trata de dados:

Os 3 desafios podem ser resumidos nestas frases:
  1- Se não resolver um problema, você não precisa fazer.
  2- Só gera resultado se as pessoas usarem.
  3- Não vale a pena fazer se é caro demais.

Esses desafios podem parecer um pouco desconexos, mas, na verdade, a ordem dos fatores afeta muito o resultado.

Já ficou com dúvidas na hora de começar a usar dados para tomada de decisão no RH? Todos querem resolver problemas de maneira eficaz, mas como garantir que as pessoas adotem as soluções propostas e, ao mesmo tempo, não extrapolar o orçamento? A resposta pode ser mais simples do que parece: Cientista, UX e Engenheiro.

Não, não são 3 pessoas que você precisa, são 3 formas de pensar. Pode ser uma pessoa pensando nas 3 formas ou times inteiros pensando de cada uma das formas, o importante é responder da forma certa aos 3 grandes desafios de dados para RH. Aqui, vamos explorar como essas três abordagens são a chave para impulsionar o RH estratégico. 

Por que fazer uma coisa barata que ninguém usa e não resolve um problema? Ou por que fazer uma coisa que todo mundo usa, mas que não resolve problema nenhum?

Desafio 1: Pensando como um Cientista

O primeiro passo é abordar os problemas com mentalidade científica. Como um cientista, seu foco deve ser fazer as perguntas certas e encontrá-las com base em evidências sólidas. No RH, isso significa mergulhar nas principais dores de gestão de pessoas e “verdades absolutas”.

Suponha que muitos gestores atribuam a saída de talentos ao salário. Será que é por isso mesmo que eles estão saindo? Um cientista trata isso como uma hipótese e explora o problema real: por que estamos perdendo talentos? Isso implica em identificar os indicadores que representam corretamente o fenômeno e conduzir as análises adequadas ao problema, considerando os dados que já estão disponíveis.

O objetivo é gerar insights que sejam úteis aos tomadores de decisão, pois elas precisam resolver os problemas.

Desafio 2: Pensando como um UX Designer

Vamos imaginar que a solução foi criar um modelo preditivo que aponta quem tem maior risco de pedir para sair nos próximos meses e as causas desse pedido. Mesmo com a análise correta, se o gestor não tomar nenhuma ação em relação aos colaboradores de alto risco, não teremos nenhum impacto.

Aqui, entramos na segunda fase: experiência do usuário (UX). Para divulgar as análises, você precisa criar soluções de dados, como dashboards ou até mesmo planilhas. Não importa o quanto você seja bom em fazer dashboards, as pessoas nunca usam a primeira versão. Portanto, a chave aqui é lançar soluções o mais rápido possível para aprender com elas. É um processo iterativo, onde a solução é liberada para um grupo pequeno de usuários e eles são observados usando-a. Com isso, são realizadas melhorias na solução até que você tenha certeza que os tomadores de decisão a usarão.

Desafio 3: Pensando como um Engenheiro

Talvez você esteja achando que eu esqueci do tratamento de dados e provavelmente pensando: em todos os lugares que eu li sobre dados, falaram para começar pelo tratamento deles. Embora seja essencial, seu lugar é no final do processo.

Isso não quer dizer que o tratamento de dados não seja necessário para criar um modelo preditivo ou para um dashboard, quer apenas dizer que o tratamento ainda não foi o foco. Até aqui, não importa se os dados têm erros porque trabalhamos em uma escala pequena, com acompanhamento dos gestores e sem que sejam tomadas decisões drásticas. As decisões de alto impacto só são tomadas quando terminamos a fase de engenharia. O papel do engenheiro é abordar problemas de qualidade de dados e automatizar a extração, tratamento e carregamento de dados.

O engenheiro examina os possíveis erros nos dados, desde a criação até o cálculo dos indicadores. Seus papéis são resolver os problemas de qualidade (Data Quality Assurance – DQA) e automatizar a extração, tratamento e carregamento deles (ETL). Ao final desse processo, temos uma solução de dados que é econômica e eficaz, gerando um impacto relevante em um problema de negócio.

O Caminho para a Eficiência

É fácil pensar que esse caminho de três visões é demorado, mas na verdade, as soluções de dados só são eficazes se forem usadas para tomar decisões melhores. Antes desse momento, não estão prontas.

Essas são algumas das frases que mais ouvimos quando analisamos soluções de dados em clientes:

“Nosso dashboard é excelente, ele é atualizado diariamente de forma automática, mas os gestores têm resistência para usar.”

“Os gestores não olham para o indicador na hora de tomar a decisão.”

Uma solução de dados só gera retorno para o negócio se por meio dela são tomadas decisões melhores. Enquanto isso não acontecer, ela não está pronta.

Em resumo, resolver o desafio dos dados no RH envolve uma abordagem estratégica, aliando mentalidade científica, UX e engenharia. Esta combinação desbloqueia o verdadeiro potencial dos dados e fornece soluções que realmente fazem a diferença no mundo do Recursos Humanos.