A maturidade do time de analytics importa, e muito. Por que?
Esta semana ficamos sabendo de um caso bastante triste de uma empresa de investimentos que apresentou de forma incoerente um enorme saldo negativo na conta de um usuário, levando-o ao suicídio. Referência 1 e 2.
A história é trágica, mas bastante real sobre a necessidade de reflexão sobre a maturidade dos times de analytics responsáveis por sistemas que, direta ou indiretamente, interagem com a realidade em um novo cenário, com tomadas de decisões que vão além de valores determinísticos e começam a se basear em decisões probabilísticas.
A maturidade do time de analytics é importante, e é resultado da soma da maturidade das pessoas, dos sistemas e dos processos envolvidos na construção das soluções analíticas.
A maturidade das pessoas
Seja qual for o tipo de análise, é sempre importante lembrar que o início (alfa) e fim (ômega) da existência do sistema é servir as pessoas, seja utilizando ou não algoritmos de inteligência inteligência artificial.
Tal situação já é abordada por algumas empresas referência, como a Rstudio e H2o, que abrem seus códigos para trabalhar em comunidade, ao mesmo tempo que sugerem aos usuários das plataformas que as utilizem para fazer o “bem”.
Claro que ainda existirão situações onde profissionais amadores, utilizando software pirateado (fraudado), aplicarão golpes e fraudes. A questão central é que maturidade das pessoas se refere a formação dos “cidadãos” a priori. A formação de um cidadão cientista de dados é um longo caminho e já foi abordado neste artigo com vídeo “por que cidadãos cientista de dados são raros”.
Em adição, e de forma mais técnica, um dos passos mais importantes para elevar a maturidade humana dos times de analytics é a promoção da empatia.
Em nosso histórico, os projetos de maior sucesso estão associados às equipes com formações multidisciplinares, baixo preconceito (tecnológico/social/racial e outros) e fundamentalmente uma grande curiosidade para entender diferenças.
A melhor forma de atingir uma solução tecnológica e útil no final do projeto é trazendo clientes e usuários para o desenvolvimento, e entendendo profundamente as suas necessidades e sonhos.
Empatia no mundo de software é um americano se dispondo a aprender português para entender o porquê brasileiros (no exterior) ficam puxando as portas que só precisavam ser empurradas para abrir.
(Joni Hoppen, 2020)
Um vasto conhecimento em analytics não garante desambiguação dos resultados, ou seja, que as pessoas que consomem essas informações terão a mesma interpretação que aqueles que a conceberam tiveram. A análise de ambiguidade é apenas um dos possíveis problemas.
O time de analytics deve prover o entendimento dessas informações, e pode recorrer a ferramentas consolidadas de Service Design e UX, bem como Design de Indicadores para melhorar a eficiência e segurança da entrega dessas informações.
Processos de dicionarização de dados também são muito relevantes nesse quesito (O que é um dicionário de dados de analytics?). Afinal, quando um usuário comete um erro, por trás geralmente existe um erro de desenvolvimento e design.
A maturidade dos sistemas
Muito da maturidade dos sistemas de informação está diretamente ligada ao risco tecnológico assumido pelos arquitetos de solução. No final do dia são eles que definem:
Qual ferramenta será utilizada para resolver qual problema, R, Python ou Java?
Os times tem preparação técnica para o stack tecnológico?
O tempo de processamento é um fator crítico?
Junto a essas perguntas estão seus porquês, o que dá o realce da complexidade do desafio. Acreditamos ser importante que pelo menos um membro da equipe tenha vivenciado projetos de sucesso e fracasso no que tange a arquitetura de informação.
Esse profissional normalmente vem do mercado e não necessariamente da universidade. A comparação entre estes dois é um tema rico para outro artigo.
Além das questões técnicas de cada tecnologia, uma recomendação importante aos profissionais é a necessidade de aprimoramento contínuo em metodologias de teste.
Isso mesmo, teste de software. Embora não seja o tema mais esperado nas palestras (como é a Inteligência artificial), o teste de software é o responsável para garantir que todo o teatro fique de pé antes, durante e depois da apresentação. O bom gestor deve olhar para este aspecto com bastante atenção.
A maturidade dos processos
Os processos, assim como pessoas e tecnologias, podem variar enormemente em tamanho, complexidade, formato e risco de negócio (FIA.com.br).
Vejamos um processo de pricing (precificação) como exemplo:
Quais são os dados básicos de análise?
Como será o fluxo da régua de precificação?
Quem são os atores e sistemas envolvidos na precificação?
Quais produtos entram ou saem de cada régua?
Como aqui temos um processo grande e potencialmente bastante complexo, ele demora para ser realizado.
Os testes serão mais complexos, as interações entre os vários times é praticamente certa, e os requisitos de sistemas tendem a uma complexidade que só poderá ser domada com metodologias consistentes de gestão de sistemas. Estas por sua vez estão na conta do risco tecnológico das empresas.
Alguns dos processos que consideramos mais relevantes para analytics, e que talvez você ainda não conheça, são a biblioteca de processos ITIL ( Information Technology Infrastructure Library, que em português pode ser traduzido por Biblioteca de Infraestrutura de Tecnologia da Informação).
Em resumo, segundo a Venki 2020 – O ITIL é o padrão de boas práticas para gerenciamento de serviços de tecnologia da Informação mais amplamente empregado no mundo, e vem sendo construído e aprimorado desde 1980.
Do ponto de vista de analytics, vemos um ótimo encaixe destes processos no dia a dia de equipes de alta performance em projetos de pricing, manutenção preditiva, people analytics e outros. Um mergulho neste mundo de governança de dados é muito proveitoso.
Conclusão
Em mais de 10 anos desenvolvendo soluções de diversos tamanhos e em diferentes contextos, conquistamos uma grande maturidade técnica a partir dos padrões encontrados em projetos de analytics, e também na construção da plataforma Vortx.
Concluímos que a maturidade dos times é importante para os negócios, para manutenção da marcas (cada vez mais digitais) e para melhorar não só a qualidade dos modelos de machine learning, mas também garantir a consistência dos dados disponibilizados no final dos processos.
A contratação de equipes já desenvolvidas de analytics não é um processo fácil. Até já publicamos anteriormente um artigo mais detalhado sobre esse processo, porém alguns critérios podem ser levados em consideração na hora de escolher o melhor fornecedor de Data Analytics?
Para fechar, deixamos algumas recomendações chaves:
Preste atenção ao principal objetivo das pessoas envolvidas, avaliando se estão alinhadas aos objetivo de negócio e a visão humanística do profissional.
Segurança de dados não é simplesmente não ser hackeado, é garantir que o sistema não entrega informações incorretas. Em vários casos isso pode ser fatal. Não deixe que os sistemas criarem fake news!
Desenvolva uma cultura orientada a ciência, com um forte cunho de testes dos casos de uso, e possibilidade de replicações e cenarização. Escolha os profissionais mais criativos para essa parte, mesmo que pareça contra intuitivo.
Ciência de dados não se resume apenas a o desenvolvimento de um software. É importante compor um time com perfil multidisciplinar que atue tanto na construção de modelos complexos, quanto na definição e acompanhamento das metas, entendimento das necessidades dos stakeholders e construção de pipelines seguras e otimizadas.
O mais importante é que o usuário final entenda o significado dos indicadores, e não apenas o time de desenvolvimento e análise. Quando isso não ocorre, há uma falha grave de comunicação.
Fundador e Diretor Comercial da Aquarela, Mestre em Business Information Technology com especialização em logística – Universiteit Twente – Holanda. Escritor e palestrante na área de Ciência e Governança de Dados para indústria e serviços 4.0.
Diretor de Operações na Aquarela, graduado em Sistemas de Informação pela UFSC, especialista em Segurança da Informação pela Estácio de Sá e especialista em Governança de TI pela UNIASSELVI. Sólidos conhecimentos em Scrum, Agile, DevOps, Infraestrutura, Linux e Cloud Computing.
Cientista de Dados e Service Designer na Aquarela, especialista em Design Centrado no Usuário e doutorando em Engenharia Mecânica pela UFSC com foco em IA aplicada a criatividade e inovação em organizações. Tem experiência como consultor e palestrante em IA, criatividade, inovação e UX/Design de Serviço.
Em nossa publicação – Otimizando a gestão de pessoas com advanced analytics – apresentamos uma visão macro de como é possível identificar padrões robustos do comportamento de colaboradores de forma automática utilizando Inteligência Artificial (IA). E agora, vamos aprofundar a análise aplicando a mesma estratégia de decodificação, dos dados isolando os indivíduos por departamento para responder a seguinte pergunta:
Quais fatores mais influenciam a satisfação profissional nos 10 diferentes departamentos de uma empresa?
Os dados utilizados nessa análise foram disponibilizados na plataforma Kaggle – uma rede colaborativa para projetos de data Science. O dataset apresenta informações de uma empresa Canadense, portanto os resultados são diferentes da realidade brasileira, mas mesmo assim podemos traçar um padrão nas informações encontradas, percebendo como é o comportamento dos colaboradores dentro da realidade Canadense.
Análise
Tipicamente, os processos de análise de dados multivariados (com diversas variáveis) são complexos, isso por que a possibilidade de combinações entre as variáveis se torna extraordinariamente grande. Quem nunca se perguntou sobre a influência do salário no desempenho ou satisfação dos profissionais e ficou sem resposta por pensar em várias outras coisas relacionadas?
Durante o processo de confecção da análise, sempre recomendamos fazer cruzamento simples entre os fatores para tentar inferir a olho nu se existe alguma tendência, pois a visão/cognição humana é uma máquina de detecção de padrões.
Na figura abaixo cruzamos as médias de satisfação de cada setor.
Vemos que existem dois grupos de satisfação, mas a diferença é muito baixa e é quase impossível tomar qualquer decisão sobre esses resultados por dois motivos.
Não há uma ligação direta entre os resultados e otimização da performance da empresa, pois as atividades de cada departamento são muito diferentes.
Não é possível identificar ou inferir os motivos dessa desigualdade neste nível de visualização.
Abaixo fizemos mais um cruzamento, agora os níveis de satisfação foram separados por departamento em relação às faixas salariais (visão ainda macro).
Nesta visualização, temos mais algumas pistas sobre os fenômenos de satisfação. Por exemplo, os pesquisadores no P&D e a turma da Produção estão aparentemente satisfeitos com salários mais baixos e os Contadores e TI não tornam-se mais felizes com o aumento da faixa. Por outro lado, Recursos Humanos, Suporte e Vendas valorizam mais a questão salarial. Todas essas hipóteses ainda são bastante genéricas, porém já nos guiam em direção de saber quais fatores que levam a esses resultados.
Ranking de fatores por departamento
Utilizando a plataforma de inteligência artificial VORTX chegamos aos seguintes resultados de ranqueamento de fatores:
Estes departamentos tem em comum a grande influência da satisfação na continuidade da empresa.
Agrupamos todos os departamentos em que a variação na satisfação motivaram uma alta variação na decisão de sair ou permanecer na empresa. Para não ficar muito longa a análise, escolhemos apenas Marketing para mostrar o que o algoritmo encontrou por baixo deste ranking.
Ao todo, foram dois grupos com as seguintes diferenças:
Profissionais de Marketing com baixa satisfação. Cor escura = horas trabalhadas por mês em escala de 100-310), cor clara = notas recebidas na última avaliação em escala de 0-10).
Profissionais de Marketing com boa satisfação. Cor escura = horas trabalhadas por mês em escala de 100-310), cor clara = notas recebidas na última avaliação em escala de 0-10.
A seguir são apresentados os demais departamentos:
Conclusões e recomendações
Acreditamos que a Inteligência Artificial pode gerar ambientes melhores de trabalho, com pessoas mais felizes e produtivas, fazendo aquilo que são mais aptas a fazer. Nossa pesquisa buscou insights sobre o que move as pessoas em cada departamento e chegamos nas seguintes conclusões:
O nível de satisfação é possivelmente o principal fator de saída dos profissionais de Administração, Contabilidade, Marketing e Recurso Humanos. Necessitando novas rodadas de processamento omitindo a variável: “deixou a empresa”.
A equipe de P&D, Suporte e a área Técnica apresentaram grande sensibilidade a nota da última avaliação feita pelos seus superiores.
A equipe Técnica e de TI têm sua satisfação bastante atrelada ao tempo de empresa, abrindo a possibilidade de um novo estudo para buscar a causalidade desta relação. Ex. se a satisfação aumenta o tempo na empresa ou ao contrário.
A equipe de Suporte não tende a deixar a empresa por motivos de satisfação profissional.
O Departamento de TI é o mais sensível às promoções de carreira.
Marketing e Produção apresentam sensibilidade em relação as horas trabalhadas e a nota de feedback dos superiores.
Vendas tem sensibilidade ao tempo de empresa e faixa salarial não importando a quantidade de horas trabalhadas, nem mesmo o número de projetos ou a nota da avaliação.
Como recomendação, vale lembrar que estes dados representam a realidade de uma empresa canadense. Novas pesquisas devem ser executadas em setores específicos no Brasil coletando estas e outras variáveis que possivelmente possam trazer insights ainda mais profundos dos comportamentos encontrados.
Fundador e Diretor Comercial da Aquarela, Mestre em Business Information Technology com especialização em logística – Universiteit Twente – Holanda. Escritor e palestrante na área de Ciência e Governança de Dados para indústria e serviços 4.0.
Fundador da Aquarela, CEO e arquiteto da plataforma VORTX. Mestre em Engenharia e Gestão do Conhecimento, entusiasta de novas tecnologias, tendo expertise em linguagem funcional Scala e em algoritmos de Machine Learning e IA.
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:
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.
gráfico nível de satisfação
Resultado: Otimizando a gestão de pessoas
Ranking de Influência de Fatores na Satisfação Laboral
Com o processamento dos dados utilizando os algoritmos da plataforma VORTX, 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:
Média de horas mensais (50)
Tempo gasto na empresa (21)
Número de projetos (20)
Faixa Salarial (13)
Deixou a empresa (10)
Se tiveram uma promoção nos últimos 5 anos (9)
Se tiveram um acidente de trabalho (9)
Obs.: o fator “Nota da última avaliação” não apresentou influência relevante e foi descartada automaticamente pelo VORTX.
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.
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 VORTX 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!
Fundador e Diretor Comercial da Aquarela, Mestre em Business Information Technology com especialização em logística – Universiteit Twente – Holanda. Escritor e palestrante na área de Ciência e Governança de Dados para indústria e serviços 4.0.
Fundador da Aquarela, CEO e arquiteto da plataforma VORTX. Mestre em Engenharia e Gestão do Conhecimento, entusiasta de novas tecnologias, tendo expertise em linguagem funcional Scala e em algoritmos de Machine Learning e IA.
