Primeiro vieram os dados, depois a pergunta: o que fazer com eles? Foi assim que começou, em 2023, o percurso da CUF rumo à maturidade em people analytics. A meta, embora desafiante, é clara: levar a informação certa às pessoas certas, para decisões mais informadas, estratégicas e, sobretudo, humanas.

A jornada da CUF em people analytics segue o modelo de maturidade proposto por Keith McNulty (McKinsey &
Company), que descreve a evolução das organizações desde a fase “Good Data”, centrada na fiabilidade e sistematização da informação, até às etapas “Strong Data”, “Advanced Analytics” e “Reliable Predictions”, onde a gestão deixa de se limitar a descrever o passado para começar a antecipar o futuro.

Mas, como sublinha Ricardo Tavares, Head of HR Analytics & Transformation da CUF, à RHmagazine, “é importante reforçar que estes níveis de maturidade não são estanques e uma organização pode situar-se em diferentes níveis em áreas distintas”. E acrescenta: “Estar no nível 3 (Strong Data) não significa que não haja problemas de qualidade de dados. A premissa central na definição de prioridades deve ser sempre o valor gerado para a organização”.

A arquitetura dos dados na CUF

A primeira etapa, Good Data, marcou o início da sistematização dos processos e dos sistemas de registo. A CUF implementou uma solução transacional (ERP/HRIS) e definiu regras claras para a introdução de dados, assegurando consistência e rastreabilidade.

Um dos exemplos mais ilustrativos é o do Full-Time Equivalents, o indicador que mede a força de trabalho equivalente a tempo inteiro. Trata-se de uma métrica sensível, com inúmeras nuances – desde prestadores de serviço a absentismo – e que, por isso, exigiu várias redefinições até atingir a coerência necessária.

A automatização dos cálculos, com recurso a ferramentas como o Power BI, veio reforçar a consistência e reduzir o risco de erro humano, consolidando a base de dados fiável que sustentaria as fases seguintes do projeto.

Tecnologia ao serviço das pessoas

Ultrapassada a fase inicial, a CUF entrou no patamar Strong Data, em que a prioridade deixou de ser apenas a qualidade da informação para incluir a sua acessibilidade e utilidade. A questão deixou de ser “se os dados estão certos” para passar a ser “quem tem acesso a eles e como os usa”. Foi nesta etapa que a organização tomou uma decisão estratégica: construir internamente o seu sistema de reporting de recursos humanos (RH).

“A decisão entre construir ou comprar estas soluções implica ponderar fatores como a velocidade de implementação, a flexibilidade, os recursos necessários e o risco”, explica Ricardo Tavares. Na CUF, “optámos por construir o sistema de reporting de RH, aproveitando o conhecimento de engenharia e modelação de dados, bem como o portal de indicadores (baseado em Power BI) já existentes na organização, e dedicando dois recursos a tempo inteiro ao desenvolvimento deste projeto”.

A escolha permitiu criar uma solução ajustada à realidade e à linguagem internas, mas trouxe também novos desafios. “Há que alertar para o risco elevado nas datas de conclusão de cada módulo/relatório, já que dificuldades técnicas de acesso aos dados podem provocar atrasos de meses. Por outro lado, é importante reforçar que os relatórios não têm de estar perfeitos para serem úteis e que há uma tendência natural para tentar incluir mais informação do que a necessária, situação que também provoca atrasos desnecessários.”

Ainda assim, o balanço é positivo. “As métricas internas de utilização dos relatórios desenvolvidos comprovam o sucesso desta iniciativa, garantindo uma solidez no acesso a dados que permitirá atingir no futuro níveis superiores de maturidade, como o Advanced Analytics e Reliable Predictions”, aponta o Head of HR Analytics & Transformation da CUF.

Da análise à predição

É precisamente aí que assenta o próximo passo da CUF: usar a informação de forma mais preditiva e integrada. As fases de Advanced Analytics e Reliable Predictions exigem recursos especializados, ferramentas analíticas e competências estatísticas, recorrendo a linguagens como R, Python ou SPSS. “Um problema típico a endereçar nesta área é a análise da retenção, podendo ser utiliza – dos métodos estatísticos e, se fizer sentido, machine learning, sobre dados estruturados – por exemplo, dados demográficos ou características das funções – e também dados qualitativos – como entrevistas de saída.”

A ambição é inequívoca: cruzar dados, detetar padrões, antecipar tendências. Compreender por que razão
as pessoas saem, o que as faz permanecer e como criar ambientes de trabalho mais estáveis e motivadores. Mas, nesta fase, a cautela é tão importante quanto a inovação. “À medida que se avança para a predição e o uso de IA, é necessário e aconselhável ter cuidado redobrado com questões éticas e regulamentares, considerando, por exemplo, os níveis de risco definidos pelo AI Act da União Europeia”, remata Ricardo Tavares.