Otimizando a gestão de pessoas com Advanced Analytics

Vivemos em um mercado de trabalho extremamente conectado, onde todos as áreas de negócio estão caminhando para um futuro data driven, movimentando-se dentro de um processo de Transformação Digital. 

Por isso, nós da Aquarela gostamos de mostrar (e reforçar) o conceito de que; existindo dados, análises podem ser feitas, e neste post mostraremos um exemplo disso aplicado a área de RH, otimizando a gestão de pessoas com Advanced Analytics.

Se mencionarmos que o RH produz uma quantidade considerável de dados que são mensuráveis utilizando-se técnicas de Machine Learninge Data Analytics, talvez algumas pessoas não acreditem, mas é verdade. No exemplo abaixo, utilizamos uma base de dados que foi higienizada e “anonimizada” pelo cientista de dados Ludovic Benistant.

A base está disponível para download neste link, para que você tire suas próprias conclusões e perceba que Data Analyticstambém se aplica a satisfação do seu time, acompanhe conosco:

Perguntas da pesquisa

Seguindo a metodologia DCIM (Data Culture Introduction Methodology) para orientar a pesquisa, levantamos as seguintes questões:

• Quais os fatores de maior influência na satisfação dos colaboradores?
• Quais os principais cenários de satisfação existentes?
• Quais são os principais padrões associados aos cenários de satisfação?
• Quais fatores influenciam a saída de profissionais?

 Características dos dados

No total foram 15 mil funcionários avaliados, considerando as seguintes variáveis já higienizadas por nossos scripts:

1. Nível de satisfação (0 a 10) – Provavelmente preenchido pelo funcionário;
2. Nota da última avaliação (0 a 10) – Provavelmente preenchido pelo superior;
3. Número de projetos (2 a 7) – Número de projetos em que o empregado atuou;
4. Média de horas mensais (96 a 310);
5. Tempo na empresa (2 a 10) – Quanto tempo a pessoa já trabalha na empresa;
6. Se tiveram um acidente de trabalho (Sim =1 / Não = 0);
7. Se tiveram uma promoção nos últimos 5 anos (Sim =1 / Não = 0 );
8. Faixa Salarial (Baixo = 1, Médio = 2, Alto = 3); Obs: Valores reais não disponíveis.
9. Deixou a empresa (Sim =1 /Não = 0 ).

Número de pessoas por departamento

Análise de Frequência/Distribuição da Satisfação

Abaixo vemos que a maior concentração de satisfação se encontra na faixa entre 7 e 9, sendo que há poucas pessoas com notas de satisfação entre 1.5 e 3.0.

Resultado: Otimizando a gestão de pessoas

Ranking de Influência de Fatores na Satisfação Laboral

Com o processamento dos dados utilizando os algoritmos da plataforma Vorteris, chegamos ao ranking de influência sistêmica de fatores relacionados à satisfação dos funcionários, ou seja, quais os fatores que apresentam maior peso na variação da satisfação no trabalho. Abaixo estes fatores estão apresentados em ordem de importância, seguidos pela sua intensidade:

1. Média de horas mensais (50)
2. Tempo gasto na empresa (21)
3. Número de projetos (20)
4. Faixa Salarial (13)
5. Deixou a empresa (10)
6. Se tiveram uma promoção nos últimos 5 anos (9)
7. Se tiveram um acidente de trabalho (9)

Obs.: o fator “Nota da última avaliação” não apresentou influência relevante e foi descartada automaticamente pelo Vorteris.

Cenários de Satisfação

Na tabela abaixo temos o resultado do processamento com a separação dos funcionários em grupos feito automaticamente pela plataforma. Ao todo foram encontrados 120 grupos, e aqui vamos focar apenas no 20 mais relevantes e deixaremos os demais fora por serem casos isolados e não serem o foco da análise.

Validação Visual do Modelo

Tipicamente os gestores ficam receosos com a capacidade da máquina buscar e agrupar automaticamente tantas informações (automatizar a descoberta de insights). Então, como prova do modelo encontrado pela máquina, escolhemos alguns recortes dos dados brutos para demonstrar visualmente os insights sobre alguns comportamentos.

Abaixo o Gráfico do padrão de horas trabalhadas pelas 588 pessoas do cenário 9 (muito insatisfeitas).

Gráfico do padrão de horas trabalhadas do maior cenário (1) que tem 4085 funcionários, uma satisfação boa de trabalho e baixo nível de evasão laboral.

Na visão abaixo, cada círculo representa um colaborador em quatro dimensões:

• Nível de satisfação no eixo y.
• Média de horas mensais no eixo x.
• Cores laranja para pessoas que deixaram a empresa e azul para quem permanece.
• Tamanho do círculo representa a quantidade de anos na empresa.

Assim, podemos enxergar o padrão geral. Para descobrir se ele é universal ou restrito a um departamento específico, fazemos um recorte por departamento para ver o comportamento dos dados.

Conclusões e Recomendações

Este estudo traz insights para o aperfeiçoamento da gestão de pessoas que hoje é o coração das empresas.

Aplicar algoritmos de mineração de dados na área de RH permite automatizar e acelerar o processo de descoberta de padrões em dados complexos com mais de 50 variáveis.

Entretanto, a busca por padrões em um BI tradicional continua sendo um trabalho puramente artesanal com a limitação de até 4 dimensões por tentativa (Veja este post para entender melhor: Entendendo as diferenças entre BI, Big Data e Mineração de Dados).

A automação da descoberta é um passo extremamente relevante para prever problemas antes que eles aconteçam, neste caso a evasão de profissionais qualificados e possíveis insatisfações não conhecidas pela gestão.

Com a capacidade da plataforma Vorteris de descobrir os diferentes cenários, podemos analisar os dados e concluir que:

• As pessoas do grupo 1 e 2 (55% da empresa) apresentam uma satisfação razoável de trabalho com uma carga semanal de 50 horas em média, sem receber promoção ou sofrer acidente de trabalho. Não chegam a ter altos salários por serem novos na empresa.
• O padrão encontrado persiste em todos os departamentos.
• Os grupos mais satisfeitos dos 20 maiores foram o 7 e o 10 que trabalhavam mais de 247 horas por mês, assumiam diversos projetos, mas como não receberam promoção deixaram a empresa. Estes deveriam ser retidos.
• O grupo 16 comprova que é possível ganhar bem e estar insatisfeito. Ao todo são 77 pessoas e uma pesquisa específica de causa raiz poderia ser elaborada.
• A linha de corte de horas de trabalho dos funcionários que não deixam a empresa é: mínimo 170 e máximo 238 horas trabalhadas por mês.
• Pessoas com mais de 3.5 anos de empresa trabalham mais e são mais satisfeitas. Acima de 4.7 anos de trabalho a satisfação baixa consideravelmente.
• Horas mensais acima de 261, satisfação muito baixa.
• Horas mensais abaixo de 261 com número de projetos maior que 3 se reflete em alta satisfação laboral. Menos de 2.8 projetos há uma satisfação média.
• O cenário 15 mostra a importância da promoção nos últimos 5 anos de trabalho.
• Com mais de 5 projetos a satisfação despenca, o número ideal é entre 3 e 5. Logicamente, é preciso compreender melhor o conceito de projeto para os diferentes departamentos.

Para os gestores, fica a dica da importância de coletar o máximo de indicadores e que estes estejam sendo coletados sem interrupções em todas as áreas.

Alguns destes indicadores mencionados aqui podem ajudar a aperfeiçoar sua coleta. Neste sentido, sugerimos outras variáveis para ajudar nos estudos, tais como:

• Gênero e idade e  Motivo da saída do colaborador(a);
• Distância entre a moradia e o trabalho trabalho;
• Tempo médio percorrido de casa até o trabalho;
• Número de filhos;
• Número de telefonemas ou e-mails enviados e recebidos.

Esperamos que estas informações sejam úteis para vocês de alguma forma. Caso acharem relevante, compartilhem com seus colegas da área de gestão de pessoas. Em caso de dúvida, entrem em contato!

Para ver a continuação deste artigo veja -> O que move as pessoas, um ponto de vista computacional…

Autores