Artigo escrito por Thiago Rocha e Thomas Dobereiner, que fazem parte, respectivamente, dos times de Business Intelligence e Talent Management da Resultados Digitais.

A importância e a conscientização das empresas em tomar decisões baseadas em dados vem ganhando cada vez mais relevância.

Com o propósito de tomar decisões melhores, os dados são coletados, interpretados e transformados em insights em cenários cada vez mais amplos no negócio da empresa, tais como: desenvolvimento do produto, otimização dos gastos em marketing, aperfeiçoamento do processo de vendas, melhorias no processo de contratação de talentos, entre outros.

A vantagem competitiva de ter mais decisões baseadas em dados e menos em julgamentos é evidenciada nesse artigo escrito por Andrew McAfee e Erik Brynjolfsson para a Harvard Business Review, destacando que:

“As empresas que costumam usar dados para a tomada de decisão foram, em média, 5% mais produtivas e 6% mais rentáveis do que as concorrentes”.

Ao analisar o uso de dados no contexto de recrutamento, se procurarmos no Google o termo HR Analytics aparecem inúmeros artigos, cursos e livros que falam sobre o uso de dados e métricas claras dentro de recursos humanos (ou Talent Management, como chamamos a área aqui na RD).

Volume de busca por HR Analytics desde 2004

Até pouco tempo atrás, as empresas costumavam confiar na intuição e no bom senso para a contratação de pessoas. Hoje, tornou-se um aspecto fundamental na vida de um recrutador utilizar ferramentas que auxiliam na aquisição de talentos, para que o processo seja cada vez mais certeiro.

No entanto, mesmo com uma grande quantidade de informações fornecidas por essas ferramentas, poucas empresas se dispõem a operacionalizar e organizar os dados e fazer com que as métricas sejam utilizadas nas decisões do dia dia de forma rápida e eficiente.

Em 2017, contratamos 246 pessoas em apenas 8 meses, o que representa um aumento de 61% em relação ao ano de 2016, em que houve a contratação 228 pessoas no ano.

Como parte da cultura da empresa, a importância das métricas já estava muito clara para todo mundo — um dos valores da RD é ser data-driven, ou seja, orientado a dados para a tomada de decisões.

No entanto, as rápidas mudanças dos processos prejudicaram a qualidade e a confiabilidade dos dados, resultando em um gasto excessivo de tempo para a resolução de análises simples e até mesmo inviabilizando aquelas consideradas mais complexas

Esse post descreve como foi o processo de implementar Business Intelligence no time de Talent Management da Resultados Digitais e os resultados que já foram conquistados nos primeiros meses.

Antes de construir gráficos, entender o problema é fundamental

Antes de começarmos a medir de forma desorganizada, era necessário entender todo o processo de recrutamento: como são as interações com o software de contratação, como e onde os dados são armazenados, quais são os gargalos e quais as perguntas que os dados podem ajudar a responder. Para isso, houve uma troca constante de conhecimentos com todos os stakeholders (recrutadores, gestores e analistas de pessoas).

Após o entendimento geral, foi definido que o primeiro projeto para a implementação de Business Intelligence no time de talentos seria a criação de um painel de métricas com objetivo de tornar a tomada de decisão mais precisa, baseada em dados.

Além disso, com o auxílio do software de BI, se torna mais fácil analisar o desempenho do time de recrutamento e também analisar gargalos, definir os key performance indicators (KPIs) e os objective and key results (OKRs).

O primeiro passo para a construção do dashboard foi entender com mais detalhes as reais dores da área e as principais oportunidades que poderiam ser geradas, tanto no curto quanto no longo prazo.

Após alguns estudos e benchmarkings, desenvolvemos um questionário para nos guiar nesse processo:

1. Qual o objetivo do dashboard?
2. O que não é possível analisar hoje?
3. Quais ações seriam possíveis realizar com o novo dashboard?
4. Quais análises e informações seriam necessárias para que uma decisão fosse realizada de modo confortável?
5. Para cada análise, quais métricas ajudariam a fazer as ações definidas?
6. Como você resumiria brevemente a história que o dashboard apresentará?

Com essa etapa realizada, é possível ter clareza sobre a situação da área em relação ao processo de análise, como os dados vão auxiliar a resolver os problemas expostos e até mesmo se será necessário alterar algum processo existente.

Dessa forma, a próxima etapa é entender as respostas geradas pelo questionário e transformá-las em visualizações gráficas, conhecidas também como prototipagem.

A prototipagem é um meio rápido e fácil onde você poderá iterar com os usuários mostrando o primeiro rascunho do que seria o dashboard. Ela pode ser feita tanto em um papel quanto em slides.

Como guia para essa etapa, sugerimos que você utilize esse fluxograma para entender qual é a melhor forma de visualização para cada tipo de dado que você queira mostrar.

Primeiro protótipo do dashboard de TM da RD

Não espere que o primeiro protótipo seja exatamente igual à versão final do dashboard. Como veremos abaixo, é normal fazermos alterações, já que muitas vezes os usuários não têm muita clareza do que precisam até usarem no dia a dia.

Por isso, não deve ser gasto tempo demais nessa etapa, pois o objetivo dela é enxergar quais dados serão necessários para suprir os gráficos e quais são as fontes (ATS, Excel, Google Sheets, banco de dados). Essa etapa já serve para preparar e verificar se será possível obter todos os dados para o desenvolvimento do dashboard.

Se for verificada a possibilidade de obter os dados, essa etapa é finalizada com a validação do gestor da área sobre o protótipo e a realização de ajustes finais, caso tenha faltado algo. Se não for possível obter algum dado, mudanças de processo deverão ser feitas e algumas visualizações podem deixar de serem priorizadas na primeira entrega do projeto.

Recapitulando o que foi feito até aqui:

• Entendemos as dores e oportunidades da área ✅
• Demonstramos de forma gráfica as oportunidades que encontramos para resolver as dores do dia a dia ✅
• Verificamos se é possível puxar todos os dados necessários para os gráficos ✅
• Fizemos uma validação com stakeholders da área ✅

Colocando a mão na massa

Sabemos agora tudo o que precisamos fazer e só falta uma coisa: fazer. É recomendado que seja utilizada uma ferramenta de BI conceituada no mercado, pois ajuda com integrações, visualizações, usabilidade etc.

Atualmente as principais ferramentas de BI são Microsoft Power BI, Qlikview, Pentaho e Tableau. Todas elas possuem versão gratuita e, hoje, o Power BI tem períodos de teste da versão paga de 1 ano.

No caso da Resultados Digitais, foi utilizado o Power BI pelo preço atrativo e pelas melhorias mensais da ferramenta, ganhando destaque no quadrante mágico da Gartner — relatório contendo uma representação gráfica segmentando os softwares de BI em quatro principais quadrantes: líderes, desafiadores, visionários e concorrentes de nicho.

Quadrante mágico da Gartner 2017

Construindo o dashboard

Não serão abordadas questões técnicas nesse post (se tiver alguma dúvida no futuro, pode nos contactar pelos emails [email protected] ou [email protected]), mas assim que tiver escolhido alguma ferramenta e tiver importado os dados para o software, começa uma das partes mais longas do projeto:

• Interpretar os processos baseado nos dados;
• Verificar a confiabilidade dos dados, limpando os dados se necessário.

São inúmeros os casos que podem aparecer nessa etapa e não será possível abordar todos, mas vamos exemplificar um erro de processo que prejudicaram os nossos dados.

No Lever, nossa ferramenta de Applicant tracking system (ATS), temos um campo chamado “Company” que fica logo abaixo do nome do candidato. No entanto, o campo é editável e não há nenhuma indicação sobre qual informação deveria estar lá. Rapidamente, ele se tornou um ótimo bloco de notas dos recrutadores, e quando os dados foram importados, não conseguimos entender por que o campo Company não continha o nome das empresas.

Esse é só um exemplo real da Resultados Digitais, mas existem muitos campos importantes que as pessoas que não estão na operação do dia dia não conseguem entender de forma rápida. Para isso é fundamental o auxílio e interação constante entre o analista de BI e os futuros usuários.

Outro erro de processo comum que você deve se atentar é quando o avanço na etapa do processo seletivo do candidato não é marcado corretamente no software. Esse erro pode afetar todas as métricas de eficiência e velocidade do processo de recrutamento.

Uma frase comum que destaca a importância da qualidade dos dados e a importância de interpretá-los corretamente é: garbage in, garbage out.

Garbage in, garbage out caso os dados não estejam limpos

Se você não limpar seus dados e não puder confiar neles, não importa o que você faça, os seus resultados não serão bons.

Você pode tentar aumentar a complexidade matemática e utilizar modelos preditivos para a análise, mas os ganhos serão marginais. O grande segredo de um processo de análise world-class é ter qualidade nos dados.

Essa etapa se encerra com a certeza que os dados estão fazendo sentido e que não há anomalias. Confiando nos dados, podemos construir nossos gráficos no software de BI, seguindo o protótipo desenhado e fazendo ajustes necessários para ter finalização do dashboard.

É preciso ter mais do que gráficos

O maior erro cometido por pessoas que trabalham com dados é pensar que o projeto se encerra com a modelagem dos dados e lançamento do dashboard. No entanto, após o desenvolvimento do dashboard, começa uma das partes mais importantes do projeto: a  implementação desse dashboard no time, educando-o a usá-lo no dia a dia.

O primeiro teste de implementação a ser feito é o que você consegue entender em 5 segundos. Nesse teste, é feito um pedido para os recrutadores olharem para cada um dos gráficos e, em pouco tempo, dizerem o que entendem do gráfico e qual seria a ação que tomariam para melhorar o resultado que estão vendo — caso aplicável.

No nosso caso, ao fazer esse teste, já vimos que metade dos gráficos não são fáceis de interpretar para pessoas que não analisam dados diariamente. Nessas situações temos duas principais alternativas:

• Educar os usuários para que consigam entender os gráficos de forma mais clara: essa alternativa pode ser pouco eficiente, pois na maioria das vezes em que o usuário não entende a culpa é do analista de Business Intelligence, que poderia ter sido mais claro;
• Tornar a forma de visualização mais clara: aqui você deve entender a causa da falta de compreensão e descobrir como isso poderia ser visualmente mais claro. A maioria dos problemas se resolvem com essa alternativa e recomendamos fortemente trabalhar muito em cima disso.

Um aspecto importante é os usuários sempre terem suporte de alguém que cuide desse dashboard, fazendo alterações (caso necessário) e tirando dúvidas do dia a dia. Para que a empresa seja realmente data-driven, os usuários precisam ver o valor que as informações disponíveis trazem para o trabalho de cada um.

Enfim, chegamos ao nosso dashboard! Ele foi dividido em três principais visões sendo elas:

• Visão estratégica: detalha os indicadores gerais da área, não com o objetivo de análise minuciosa, mas para provocar reflexão e análises independentes. Ela fornece uma visão macro ao diretor da área sobre o processo de contratação com as principais métricas, tais como: forecast, número de contratação, candidate to hire (ou CTH), entre outras. Essas métricas podem ser filtradas por vaga ou por área.

• Visão tática: mostra uma visão para o gestor de recrutamento e possibilita fazer algumas análises mais complexas, obtendo uma perspectiva um pouco mais micro.

• Visão operacional: mostra uma visão que será utilizada pelo recrutador para análises diárias, por exemplo quais vagas serão preenchidas, como está o pipeline de contratação atualmente, indicadores de eficiência etc.

Benefícios do uso de dados

Com todas essas explicações e etapas, você pode estar se perguntando: será que toda essa energia e tempo valem a pena? O que mudou de fato?

Vale destacar aqui que o dashboard não é o fim e nem o meio, é o começo. Sendo assim, separamos os principais resultados adquiridos na Resultados Digitais no curto e médio prazo e o que é esperado no longo prazo.

Curto prazo (1-3 meses)

A principal mudança de imediato foram as mudanças em relação à previsibilidade. Desenvolvemos um cálculo de forecast que utiliza a nossa eficiência ao longo do funil de contratações e o número de candidatos no pipeline para determinar qual o número esperado de pessoas que vamos contratar até o final do mês. É um indicador claro que mostra se estamos próximos de bater as metas de contratação.

Outro ponto que vale destaque é que conseguimos entender a fundo nosso processo, identificar gargalos, não deixar que candidatos se percam no processo seletivo e ter uma base de dados para análises complexas. Isso foi especialmente útil para nos dar direcionamentos nos projetos a serem desenvolvidos e para mensuração dos Key Results estabelecidos.

Por fim, fizemos mudanças no processo de marcação do canal de aquisição do candidato. Com uma nitidez de valor obtido já no começo, os próprios recrutadores começaram a se policiar para que não houvesse erros de processo que pudessem prejudicar as informações do dashboard. Algumas melhorias de key performance indicators (KPIs) seriam:

KPI	1º trimestre de 2017	2º trimestre de 2017
Contratações	61	100
Média de entrevistas realizadas para cada contratação (ITH)	3.4	2.8

Médio prazo (3-9 meses)

Essa é a fase em que estamos no momento de publicação desse artigo. Com toda a base de dados pronta e processos bem mais limpos, tínhamos dados para justificar a criação de novos projetos e também para monitorar se os existentes estão sendo bem executados.

Além disso, após uma análise sobre os gargalos no processo de contratação e com metas cada vez maiores, surgiram várias iniciativas para melhorar a eficiência do recrutador com automatização de processos — expectativa de reduzir em 40% o tempo gasto por candidato.

Também surgiu a iniciativa de aprimorar a qualidade das contratações e a satisfação dos candidatos. Tudo isso só foi possível graças à clareza que os dados nos deram.

Por fim, estamos iniciando alguns estudos e conversando com várias empresas para saber como podemos usufruir de machine learning e análises preditivas para melhorar ainda mais os nossos indicadores de eficiência, velocidade e qualidade da contratação.

Longo prazo (9-18 meses)

Não chegamos aqui ainda, mas o foco é melhorar o nosso processo a partir de benchmarkings com empresas de classe mundial e de insights gerados com dados, fornecendo insumos para dimensionar e treinar o nosso time de Talent Managementde forma mais previsível.

Conclusão

Todas as mudanças que tivemos até agora são uma parte minúscula do potencial de impacto que o Business Intelligence pode trazer para uma empresa. É uma evidência clara dos benefícios que processos bem definidos e o cuidado com o armazenamento dos dados podem trazer.

Os resultados conquistados até agora só foram possíveis por dois principais fatores: dados e pessoas. Os dados limpos foram fundamentais para basear as nossas decisões e as pessoas de todas as áreas da empresa foram as grandes responsáveis por isso ao estarem atentas aos processos.

Esses resultados demonstrados no post foram somente para a área de RH, mas, como dito no início, as possibilidades de aplicação de inteligência de negócio são para todas as áreas da empresa.

Imagina se saíssemos de análises dentro de cada área, passando a ter de forma fácil a centralização dos dados para cruzar as informações de todos os setores da empresa. Qual a vantagem competitiva e o impacto que isso poderia gerar para o negócio?

Deixo isso como um pensamento provocativo para que a sua empresa também comece a tomar decisões em cima de dados — e menos em intuição. Para que sua empresa deixe de ter os famosos relatórios de gavetas e comece a ter informações verdadeiramente relevantes, sendo capaz de responder:

• Quais são as causas de determinado comportamento?
• O que fazer para alcançar as metas?
• Quais são os atuais problemas e oportunidades?
• Dado o passado recente, o que vai acontecer?

Faça sua empresa evoluir, tornando-a cada vez mais data-driven. Peter Drucker, considerado como o pai da administração moderna, já dizia:

“O que não se pode medir, não dá para gerenciar.”

E 60 anos depois a gente pode complementar:

“Você não pode gerenciar se não for data-driven. Você não pode ser data-driven se não tiver dados confiáveis.”