Resumo

O uso de alto volume de dados se tornou uma estratégia para manter as organizações competitivas. Setores antes considerados apenas administrativos como o RH têm buscado adaptar técnicas baseadas em análise de dados como o people analytics. O people analytics pode ser definido como o uso de técnicas analíticas como mineração de dados para compreensão do comportamento social humano e tomada de decisões mais estratégicas, o que permite que os insights fornecidos para os gestores de pessoas sejam expandidos das tradicionais práticas de gestão para a eficácia dos negócios e melhorias de eficiência.

Diante das vantagens da aplicação do people analytics citadas e para contribuir com esse novo modelo de gestão, desenvolveu-se o presente trabalho, o qual buscou responder o seguinte problema de pesquisa: de que forma o people analytics pode gerar insights para a promoção de uma gestão de pessoas mais estratégica, considerando um conjunto restrito de dados? O estudo teve como objetivo realizar uma análise das variáveis de um grupo específico de colaboradores de uma empresa a fim de identificar padrões de características e propor estratégias de melhoria relacionadas à gestão de pessoas.

A transformação da gestão de pessoas caminha junto a transformação e evolução dos negócios e por isso os líderes corporativos estão cada vez mais adotando a análise da força de trabalho como ferramenta estratégica essencial. Em virtude disso, fez-se necessário o desenvolvimento de ferramentas capazes de extrair as informações valiosas para transforma-las em conhecimento útil e organizado. Esta necessidade levou ao nascimento da mineração de dados, em que padrões encontrados podem revelar informações importantes, que não seriam evidenciadas utilizando apenas dados individuais.

A pesquisa foi realizada por meio da análise de variáveis oriundas do sistema de gestão integrada - ERP de uma empresa brasileira de transporte e logística. Foram utilizados os dados de janeiro a dezembro de 2018, provenientes de uma amostra de 85 motoristas lotados no estado de Minas Gerais. Utilizando o software R, aplicou-se a base de dados padronizada uma técnica de data mining denominada clusterização (ou análise de agrupamentos), que visa a identificação e classificação de variáveis em diferentes conjuntos de acordo com a características especificadas por indicadores de semelhança.

A partir da aplicação da técnica de clusterização, obteve-se a formação de dois grupos: o grupo 1 formado por motoristas mais velhos, com mais tempo de empresa e de habilitação, menor quantidade de veículos movimentados, que realizaram menor quantidade de horas extras e registraram mais ausências no trabalho e o grupo 2 composto por funcionários mais jovens, com menos tempo de empresa e de habilitação, que realizaram mais horas extras, têm desempenho superior na movimentação de carros e menos registros de ausências no trabalho.

Foram propostas práticas mais direcionadas conforme os perfis encontrados e três pontos principais foram levantados: o absenteísmo, o número de horas extras e a produtividade. Para tratar das ausências ao trabalho, propõe-se o estabelecimento de políticas de reconhecimento. Quanto às horas extras, propõe-se estudos de melhoria nos processos que possam direcionar qual a sua causa raiz e então mitigá-la. Considerando o menor desempenho do grupo 1, sugere-se medidas para empoderar o colaborador quanto a sua produção, como quadros de gestão à vista e a criação de programas de mentoring.

DAVENPORT, Thomas; HARRIS, Jeanne; SHAPIRO, Jeremy. Competing on Talent Analytics. Harvard Business Review, v. 88, n. 10, p. 1-6, Oct. 2010. HAIR Joseph F. et al. Multivariate Data Analysis ed. 6. Londres: Pearson, 2006. ISSON, Jean Paul; HARRIOTT, Jesse S.; FITZ-ENZ Jac. People Analytics in the Era of Big Data: Changing the Way You Attract, Acquire, Develop, and Retain Talent. Hoboken: Wiley, 2016. WABER, Ben. People Analytics: How Social Sensing Technology Will Transform Business and What It Tells Us about the Future of Work. Upper Saddle River: FT Press, 2013.