ebook

PEOPLE ANALYTICS
Como implantar na gestão de
pessoas da minha empresa?
sumário
1 O que é People Analytics? Pág. 02

2 Por que é prioridade? Pág. 04

Quais competências são

3 necessárias?
Pág. 07

Engenharia de dados x
4 Ciência de dados
Pág. 12

5 Por onde começar? Pág. 15

Introdução
Durante os últimos anos trabalhando com profissionais de RH, uma
das frustrações que mais ouvimos foi sobre a falta de valorização e de
priorização das atividades do RH, desde a definição do orçamento da
área até a falta de reconhecimento pelas entregas.

De fato. Pela lógica do pensamento tradicional, a área de recursos

humanos sempre teve o seu papel estabelecido como suporte às
atividades core da organização. Porém, com o aumento da
competitividade não somente pelo mercado consumidor mas também
por talentos qualificados a atender as necessidades atuais, as
empresas têm mudado o seu mindset, entendendo que ter as
pessoas certas nos lugares certos é premissa para o sucesso geral da
organização.

Segundo a pesquisa da InfoJobs 95% dos profissionais de RH afirmam

que a análise de dados é importante ou muito importante para a
gestão de pessoas. Porém, 55% dos profissionais de RH que já usam
dados para tomar decisões em sua área ainda utilizam ferramentas
manuais, como planilhas.

Apesar do RH estar ganhando importância na agenda estratégica do

negócio, a maioria dos RHs não estão preparados para atender às
necessidade do negócio.

1
 Lacuna:

CEOs
acreditam
na importância
% de CEOs

mas não rece-

bem relatórios
completos

Informação Adequada mais Informações não Não recebe

recebida é gostaria de adequadas informações
completa informações
mais ágeis

% de CEOs que consideram que as informações de RH são importantes ou

muito importantes

Figura 1: People Analytics Análise de dados aplicada à Gestão de pessoas (PwC, 2017)

1 O que é People Analytics?

People Analytics é a aplicação da ciência de dados ao processo de

gestão de pessoas com o objetivo de auxiliar líderes e organizações a
tomarem decisões mais assertivas e menos arbitrárias sobre seus
colaboradores.

Quando falamos de ciência de dados, estamos nos referindo à

combinação de 3 pilares principais: ciência da computação, estatística,
e especialização científica.

2
 “Porquê”
Para o People Analytics, a especialização científica é a expertise sobre
gestão de pessoas. Este pilar, sendo o objetivo finalístico de todo o
processo, é responsável por identificar os problemas de negócio
relacionados a pessoas, direcionar os inputs e outputs dos modelos
estatísticos e garantir as interpretações corretas sobre os dados.

“Como”
O conhecimento matemático e estatístico não são nenhuma novidade,
são técnicas e conhecimentos bem antigos. Porém, com o alto volume
de dados possibilitados pela digitalização junto ao poder
computacional, tornou-se possível aplicar esses conhecimentos já
consolidados para extrair novas informações. Portanto, temos o pilar
da ciência da computação sendo o meio para a execução dos modelos
em tempo viável para o negócio.

“O quê”
Independente da aplicação do analytics (people, marketing, finances,
health, etc.), e da tecnologia utilizada (R, SPSS, Python, técnicas
de machine learning, etc.), no final estaremos aplicando
conhecimentos estatísticos para encontrar padrões e tendências dos
dados que resultarão em insights importantes a serem transformados
em planos de ação na gestão dos colaboradores a fim de impactar nos
resultados estratégicos do negócio.

3
 Aprendizado
de máquina
Ciência da Matemática
computação estatística

Ciência
de dados

Software Pesquisa
tracional tracional

Figura 2:
Especialização Diagrama de Venn
científica para Ciência de
Dados

O grande objetivo da união entre estas disciplinas é extrair valor dos

dados, diagnosticando padrões de comportamento para a tomada de
ação mais assertiva. Portanto, de uma forma mais simplificada,
podemos dizer que People Analytics é a aplicação de Ciência de
Dados para os objetivos de gestão de pessoas.

2 Por que é prioridade para 85% das

lideranças no Brasil??
É nesse cenário que o People Analytics ganha força no Brasil. Apesar
de já estar mais consolidado em outros países como Estados Unidos,
Inglaterra e Alemanha, a pesquisa RH - Insights Trends HR Techs,
perguntou à 627 pessoas da área de Recursos Humanos, quais seriam
os 3 pontos que são prioridades para se aplicar inovações:
41% dos respondentes indicaram People Analytics. Ou seja, o People
Analytics é uma das prioridades das organizações.

4
Além do RH ter entrado para a agenda estratégica do negócio pelo
contexto explicado na introdução, a seguir apresentamos 3 motivos
que respondem por si só a este questionamento.

“ Organizações que se destacam em práticas de People Analytics

possuem 3,1 vezes mais chances de superarem seus
concorrentes em performance, segundo a DDI World.

É comum encontrarmos práticas de gestão em que são gerados

relatórios com as principais métricas do RH, como os headcount
reports por exemplo, que não agregam valor para a estratégia do
“
negócio e também não geram insights sobre o que pode ser feito
como melhoria para as próprias métricas.

O que o people analytics se propõe a fazer, é trazer significado para

este grande volume de dados espalhados pela organização, identifi-
cando oportunidades para intervenções estratégicas e proativas do RH
em relação às necessidades do negócio e gerando ganhos reais para a
organização como um todo.

Figura 3: Ranking de países relacionados a importância

que enxergam no People Analytics

5
Assim, quando conseguimos atrair e reter os melhores talentos do
ecossistema, alocar as pessoas certas nos lugares certos, desenvolver
as habilidades e competências específicas para cada colaborador e
identificar os drivers motivacionais e necessidades do nosso time, o
retorno em performance da organização aparece como consequência
das intervenções do RH e dos próprios gestores.

“ Segundo a AIHR, o business analytics pode gerar para as empre-

sas o retorno de $13,00 para cada $1,00 investido. Isso significa
um ROI de 13 vezes e engloba o People Analytics.

Ainda não existem pesquisas que comprovem o ROI específico gerado

somente pelaspráticas de people analytics de forma geral, porém é
“
possível enquadrar sua contribuição ao negócio junto às práticas de
business analytics, que demonstraram retornos de 13 vezes sobre o
total investido para adoção destas práticas.

A partir da identificação de padrões no comportamento dos dados da

organização e da criação de modelos estatísticos preditivos, é possível
dar a chance para que as lideranças das organizações antecipem
situações onerosas e tomem ações proativas, reduzindo total ou
parcialmente os custos envolvidos na situação evitada.

São nesses momentos que o retorno sobre investimento é comprova-

do, ocorrendo em diferentes momentos da jornada dos colaboradores
na organização. Um exemplo famoso de ganho com a aplicação do
people analytics foi a decisão do Google em reduzir o número de
entrevistas realizadas com gestores no seu processo de recrutamento,
pois identificaram que a partir da quarta entrevista a efetividade do
processo não se alterava.

6
“ A aplicação do People Analytics nas organizações têm gerado
cases expressivos como a economia de $70.000.000 pela
retenção de talentos ou 400% de ROI a partir da aplicação
treinamentos específicos

Em março de 2015, o jornal "Wall Street" publicou um artigo com o

título: "O Algoritmo que avisa ao chefe quem pode se demitir”.
O artigo chamou atenção para os resultados do modelo preditivo que
foi capaz de prever o risco de turnover dos talentos da organização,
bem como identificar o motivo por trás destes riscos.

Em um ano, o Credit Suisse economizou $70.000.000 aproximadamen-

te com a implantação de treinamentos e programas para as lideranças
com foco em minimizar os fatores de maior correlação com o risco de
pedidos de desligamento dos talentos, e consequente retenção destes
colaboradores.

Quais competências são

3 necessárias?

A abordagem mais utilizada para ilustrar as habilidades e competên-

cias requeridas para People Analytics é o modelo criado por Morten
Kamp Andersen e, mais tarde, ajustado por um dos maiores
especialistas de People Analytics no mundo, David Green

De acordo com a lista, para termos o máximo impacto em People

Analytics, o profissional necessita:

7
1. Avaliar e garantir qualidade dos dados
2. Ser bom em Storytelling
3. Ter conhecimentos na área de negócios
4. Dominar técnicas de visualização de dados
5. Ter habilidades sólidas em psicologia
6. Dominar números e estatística
7. Expertise em Gerenciamento de Mudanças

Figura 4: As 7 competências-chave para um time multidisciplinar de people analytics

O ponto principal desse modelo é que não ter uma das competências
requeridas para People Analytics já pode ser suficiente para que a área
fracasse. Na coluna da extrema direita, é possível observar o impacto
negativo que a ausência de cada competência possui no resultado
final: sem bons dados ummodelo de analytics é incapaz de ter boa
performance; sem narrativa e técnicas de visualização a mensagem
não é compreendida; sem clareza dos problemas de negócio, corre-se
o risco de focar em problemas errados; sem conhecimentos de

8
de psicologia e estatística as análises podem ser rasas e conter erros
conceituais; sem gestão da mudança os insights não se tornam ações.

Pontos importantes sobre o modelo das

7 competências

Tendo em vista que todas as competências são essenciais para o bom

funcionamento da aplicação, é necessário buscar profissionais com
perfil e competências aderentes a esse cenário ao montar uma equipe
ou, então, decidir terceirizar partes do trabalho.

Por exemplo, caso sua empresa não tenha profissionais com conheci-
mento em tratamento de bases de dados, é possível contratar uma
empresa especializada para realizar o trabalho.

Outro ponto a ser observado é a multidisciplinaridade das

competências para People Analytics, como saber estatística e dados,
negócios e psicologia – o que nos leva a concluir que, em geral, os
profissionais de People Analytics precisam ter um certo nível de co-
nhecimento das competências de outras áreas.

O engenheiro de dados que irá construir o data lake (repositório

centralizador, que armazena todos os tipos de dados gerados pela e
para a empresa) de RH, por exemplo, precisa ter noções mínimas de
RH e psicologia para montar a estrutura. Ele poderá ter suporte de
um especialista em RH, mas as bases de dados da área são tão
diversas que, caso não tenha conhecimentos suficientes, o profissional
não conseguirá prever todas as possíveis variações e cruzamentos de
dados.

9
Ao mesmo tempo, o especialista em RH precisa ter conhecimentos
básicos de banco de dados para entender as possibilidades que os
dados disponíveis podem oferecer e quais os impactos das decisões
relacionadas aos bancos.

Essa necessidade de conhecimentos complementares impossibilita que

seja montada uma equipe de uma pessoa só – o que aumenta o
número de contratações e, por consequência, os custos para que a
empresa implemente People Analytics com sucesso.

Além das 7 competências, pontuamos

4 dicas adicionais

Com base nos projetos realizados pela Dhados, nossos especialistas

acrescentaram mais 4 dicas a serem levadas em consideração

“ Dica 1: Ética é fundamental.

Por mais que todos os profissionais devam ser éticos, a responsabilida-

de por esse ponto deve recair sobre o profissional analista de RH.
E com o potencial de impacto que People Analytics traz para a
operação, a preocupação com a ética se amplifica.

Imagine, por exemplo, que foi desenvolvido um modelo preditivo de

desempenho e são detectados na empresa profissionais com 99% de
probabilidade de um desempenho baixo nos próximos anos, o que
levaria alguns gestores a pensar em já demitir esses colaboradores
como medida preventiva.

10
Isso seria uma aplicação inadequada de People Analytics, pois não
basta gerar insights: é necessário construir análises considerando
as possíveis aplicações para a tomada de decisão.

“ Dica 2: Dados bons são dados seguros.

A preocupação com a segurança da informação e com o uso correto

dos dados são pré-requisitos para qualquer trabalho de People
Analytics e devem ser constantes, ainda mais em um cenário de LGPD
em vigor.

“ Dica 3: Diferencie RH e Psicologia.

Essa divisão é importante no mapeamento de competências do

profissional, para que sejapossível entender os dados de pessoas (o
que requer conhecimentos em Psicologia) e, ao mesmo tempo,
entender o funcionamento dos subsistemas de RH. Além disso, outro
ponto fundamental em uma equipe de People Analytics é conhecer
profundamente a legislação trabalhista.

“ Dica 4: Agilidade é fundamental

Estruturar a área de People Analytics dentro de casa requer um investi-

mento considerável. Além disso, devido à troca constante entre PA
e outras áreas da empresa, uma parte considerável das demandas
ocorre por projetos.

Considerando o trabalho por projetos e o custo, o modelo ágil de

gestão é o mais adequado para garantir a eficácia e eficiência da área.
Além disso, as entregas por ciclo de trabalho (Sprint) e os quick wins

11
ajudam a justificar o investimento e a entrega de valor gerada pela
área.

Então, como garantir o sucesso da área?

Para a garantia de sucesso da área de People Analytics, é necessário

contar com profissionais que tenham conhecimento para garantir a
qualidade dos dados disponíveis, sejam capazes de analisar os dados,
extrair insights, adequa-los às necessidades do RH/ negócio e fazer
com que sejam exibidas em uma forma clara de visualização.

Com isso, entendemos que estruturar uma área de People Analytics

nas empresas demanda tempo e um investimento considerável para a
contratação de profissionais multidisciplinares.

Assim, também é possível terceirizar uma parte do trabalho para

acelerar a implementação ou cumprir etapas mais técnicas em que a
empresa ainda não tem as competências requeridas para People
Analytics como, por exemplo, construir uma plataforma para extrair
e tratar os dados corretamente. A plataforma completa de People
Analytics da Dhados pode ser uma ótima solução para isso.

12
 4 Quais as diferenças entre ENGENHARIA
de dados e CIÊNCIA de dados?

Além dos processos de gestão de pessoas e das especificidades das áreas de

negócio, também existem 2 temas importantes neste
processo: a engenharia de dados e a ciência de dados.

Em síntese, a Engenharia de Dados é responsável por garantir que os dados este-

jam disponíveis para a análise de forma segura.

Para isso, é necessário realizar o desenvolvimento e sustentação de arquiteturas

compostas por diversos bancos de dados. Uma vez que esses dados estão dispo-
níveis, a área de Ciência de Dados poderá aplicar técnicas analíticas para trazer
inteligência, transformando os dados em informações para embasar as decisões
do negócio.

A imagem abaixo ilustra bem esta diferença:

Figura 5:
Diferença entre
ciência de dados
All deep
learning e engenharia de
Ciência de dados
dados
Analytics, metrics,
segments,
aggregates, features

Cleaning, anomaly detection,

Prep
Engenharia de
dados
Reliable data flow, infrastructure, pipelines,
sctructured and unstructured data storage

Instrumentation, logging, sensors, external data,

user generated content

Dados esses, que são gerados todos os dias pelas mais diversas fontes. E, essa
ciência é uma combinação das áreas de estatística, computação e conhecimen-
tos sobre um negócio específico, a fim de gerar informações relevantes para o
negócio.

13
Seu alvo é o volume de dados e com o poder de computação que
temos nos dias atuais, a ciência de dados busca aplicar técnicas
matemáticas e estatísticas para identificar padrões e projetar
tendências futuras de uma determinada empresa ou mercado.

Como elas contribuem para o People

Analytics?

O papel da engenharia de dados é conseguir construir esse processo

de ETL ( que em português é extração, tratamento e carga dos dados).

Então, primeiramente, é feita uma análise de todos os dados que a

empresa possui e se entende os objetivos de negócio que se deseja
conseguir trazer com o People Analytics. Por exemplo, reduzir o
turnover ou aumentar a performance da equipe. Então, as hipóteses
são levantadas, entende-se onde os dados estão.

A partir disso, o papel da engenharia de dados vai ser, extrair todos

esses dados, fazer o tratamento e a higienização de todos eles e
fazer com que todos esses dados que estão localizados em diferentes
sistemas de planilhas se conversem.

Em outras palavras, o papel da engenharia de dados é essa extração,

tratamento. Depois, com essa base tratada e carregada num banco de
dados, o engenheiro de dados vai fazer tudo isso de forma automática.

A ideia é que esse profissional consiga automatizar esse processo

para que todo mês ou todo dia, enfim, quando necessário, seja
possível extrair as bases, tratar e deixá-las disponíveis para serem
analisadas.

14
Já a ciência de dados utiliza desses dados tratados e cria inteligência
para eles. Essa área é responsável por transformá-los em informação a
partir de métodos estatísticos, matemáticos, computacionais e de
conhecimento de RH mesmo.

Ou seja, o seu papel é consumir os dados já tratados pela área de

engenharia de dados e conseguir trazer inteligência e previsibilidade
para conseguir responder às perguntas sobre o que aconteceu na
organização.

Para isso, o cientista de dados faz uma análise histórica, que apresenta
quais são os principais fatores que contribuíram para que aqueles
dados estejam daquela maneira. Assim, é possível prever qual a
tendência dos resultados futuros.

5 E agora, por onde começar?

Com certeza a resposta para essa pergunta virá melhor de você do que
deste artigo, já que o People Analytics deve atender aos interesses
específicos da sua organização e se encaixar à sua realidade.
Nosso objetivo é fazer com que, por meio das perguntas certas e de
uma pincelada geral sobre o tema, você termine a leitura com maior
clareza do caminho para o iniciar esta importante transformação.

Agile development

plan launch plan launch plan launch

Figura 6: Framework de desenvolvimento ágil

15
A Dhados, grande adepta do modelo startup enxuta, estruturou um
modelo para rodar sprints ágeis de People Analytics e gerar ganhos
rápidos para as organizações. Por isso, o que abordaremos nos próxi-
mos parágrafos pode ser interpretado como etapas chave de um ciclo
completo do People Analytics, que depois deve ser replicado para
demais indicadores a fim de se tornar um processo sistêmico e
contínuo.

1. Quais problemas de negócio queremos resolver?

Lembra no início do ebook quando falamos sobre como o RH está

assumindo, cada vez mais, um papel estratégico para o negócio?
Este é um lembrete importante para reforçar que nosso objetivo
principal é ajudar as organizações a resolverem seus problemas de
negócio por meio de uma gestão de pessoas mais proativa, eficiente e
estratégica.

Quando falamos de problemas de negócio, estamos falando daqueles

que impedem a organização de gerar mais resultados dentro
da sua missão, estratégia e estrutura.

Por exemplo, se o processo seletivo de uma empresa contrata pessoas

que não se encaixem na organização e que em poucos meses deixam a
posição, como consequência haverá queda na produtividade, aumento
nos custos da empresa e retrabalho para reposição.

Se estas consequências afastam a organização da sua missão e

objetivos estratégicos, então você está diante de um problema de
negócio e não apenas de um problema de processo do departamento
pessoal.

16
É por isso que os objetivos e métricas do RH não podem estar
descolados dos objetivos estratégicos do negócio.

Tendo feito essa colocação inicial, é fundamental darmos luz para os

problemas de negócio que a empresa possui (ou que achamos
que possui) e que estão fortemente relacionados a pessoas.

Alguns deles talvez já estejam evidentes para o RH, pela alta

frequência de ocorrência durante as atividades mais operacionais ou
pela ênfase dada a eles durante as reuniões.

Porém, outros problemas de cunho mais estratégico ou que ocorram

com maior intensidade sob a lente de outras áreas e papéis, podem
passar despercebidos.

Por isso, é importante que se converse com pessoas de diferentes

áreas e cargos e se compreenda o cenário de uma forma mais
completa.

Por fim, saiba diferenciar o que são problemas tático-operacionais e

problemas estratégicos. Como estamos no início do processo, não
foque tanto nos "comos", investigue a fundo os “porquês”. Afinal, de
nada adianta aplicar as melhores técnicas nas ferramentas mais
avançadas se você estiver indo para a direção errada.

2. Quais hipóteses já possuímos sobre estes problemas?

Com os problemas na mesa, é possível dar início ao levantamento das

principais hipóteses existentes em torno deles. Quais são os principais
fatores correlacionados? Quais consequências ele traz para os objetivos
da organização? Quais custos são gerados com sua ocorrência? Quem
são as pessoas envolvidas nesta questão?

17
Até mesmo achismos infundados são importantes neste momento,
uma vez que podem representar uma crença limitante ou viés histórico
presente na cultura da organização.

Da mesma forma como sugerimos que o mapeamento dos problemas

ocorresse com diversas amostras de colaboradores, o levantamento de
hipóteses também deve ser amplo, afinal todo ponto de vista é a
vista de um ponto e não faria sentido criarmos um modelo baseado
somente na realidade enxergada por um grupo específico.

Para a construção dessas hipóteses, vale lembrar três orientações

básicas oriundas do pensamento científico. Um boa hipótese deve
ser:

• Afirmativa: hipóteses não são perguntas, podemos dizer que são

achismos estruturados sobre uma questão específica.

• Clara: precisam conseguir expressar de forma simples e objetiva

exatamente o que está em jogo.

• Sujeita a negação: uma afirmação que não é passível de negação

ou é uma certeza, ou não terá utilidade para os fins do trabalho.

3. Como transformar problemas de negócio em problemas

matemáticos?

Pode ser que nesta altura do artigo você esteja se perguntando por
que ainda não falamos sobre dados. A grande questão é que os dados
nada mais são do que a matéria-prima que alimenta os modelos mate-
máticos para responder perguntas relativas ao negócio.

18
A pergunta que precisamos responder agora é: como podemos
transformar nossos problemas de negócio e hipóteses levantadas em
problemas matemáticos que apresentem respostas orientadas a
dados?

Neste momento, é importante entender em qual nível de maturidade

com dados sua empresa se encontra. Se o seu objetivo é iniciar a
implantação do People Analytics como modelo de gestão de pessoas,
provavelmente ela se encontra entre o nível 1 e 3.

   

    
       


      

      

          


       
         
    

  
„ €‚       ƒ
        
   

 
­      
      
     

19
Caso ainda não possua coleta de dados estruturada e integrada aos
processos de gestão de pessoas, será necessário dar um passo atrás. É
importante pontuar que, além dos dados mais evidentes extraídos dos
ERPs, pesquisas de pulso ou folha de pagamento, também existe
grande valor nos dados gerados em sistemas secundários que dei-
xamrastros digitais que dizem muito sobre o comportamento dos
colaboradores.

Com os dados extraídos de um (ou vários) sistema-fonte, é necessário

tratá-los individualmente, convertê-los em um formato que possa ser
analisado e carregá-los em uma base única, também conhecida como
Data Warehouse.

Nesse processo, é provável que muitas inconsistências sejam identifi-

cadas. Dados faltantes, duplicados, ambíguos, com erros de digitação e
formatação, incoerentes com as regras de negócio, etc. Por isso será
necessário aplicar diversos métodos estatísticos acompanhado pelo
olhar crítico do profissional de RH para correção da amostra.

Com a base de dados pronta, é possível realizar as análises a partir do

cruzamento de indicadores, segmentação de amostra, identificação de
correlação entre variáveis, aplicação de modelos estatísticos para
verificação de tendências, etc.

Existem inúmeros modelos que podem ser aplicados para fornecer

melhor análise, masque devem ser adequados às necessidades de
cada hipótese. Antes de se chegar a qualquer conclusão sobre valida-
ção ou invalidação das hipóteses,é necessário que haja uma rigorosa
análise qualitativa dos profissionais envolvidos no problema de
negócio em questão e verificação da ocorrência ou não de vieses na
inferência, como o problema das variáveis omitidas, o problema da
causalidade reversa, o paradoxo de Simpson, viés da seleção, etc.
(podemos fazer um artigo só para falar desses problemas de
inferência).

20
 4. Como comunicar as informações geradas a partir
dos dados?

Por fim mas não menos importante, é preciso saber comunicar os

dados, as informações e os insights para os tomadores de decisão e
demais colaboradores da empresa.

Vale lembrar que o conceito de comunicação vem do latim communi-

care, que significa tornar comum, compartilhar, associar. Ou seja,
por mais que você crie modelos preditivos e prescritivos extremamente
robustos, pouco vai adiantar se as pessoas não compreenderem a
mensagem por trás e como elas podem utilizar aquilo ao seu favor.

Pelo conceito apresentado no livro Storytelling com Dados, contar

histórias nesse contexto tem o sentido de criar um modelo de repre-
sentação capaz de comunicar com clareza e eficiência até mesmo as
ideias mais complexas.

Para isso, existem 3 dicas importantes:

• Saiba para quem a história será contada ecustomize a informação;
• Seja objetivo e não perca tempo com dados inúteis;
• Seja objetivo, mas não conte a história pela metade.

Esperamos que de alguma forma este conteúdo tenha agregado para

os seus objetivos e desafios e como falamos no início, ainda é possível
aprofundar em muitas outras discussões quando falamos de People
Analytics.

Se quiser continuar recebendo nossos conteúdos, fique ligado(a)

no nosso site.

21
Referências
Figura 1: Pesquisa InfoJobs 2021 - Profissionais de RH tomam decisões baseadas
em dados.

Figura 2: Diagrama de Venn para Ciência de Dados (Drew Conway, 2010)

http://drewconway.com/zia/2013/3/26/the-data-science-venn-diagram

Figura 3: Pesquisa RH - Insights Trends HR Techs 2019

As 7 competências-chave para um time multidisciplinar de People Analytics

(Morten Kamp Andersen, 2016 e David Green, 2017)
https://www.linkedin.com/pulse/what-constitutes-best-practice-
-people-analytics-david-green/

Figura 5: Why You Should Consider Being a Data Engineer Instead of a Data
Scientist (Towards Data Science, 2021)
https://towardsdatascience.com/why-you-should-consider-being-
-a-data-engineer-instead-of-a-data-scientist-2cf4e19dc019

Figura 6: Framework de Desenvolvimento Ágil (Banco de Imagens Freepik)

https://www.freepik.com/premium-vector/agile-development-me-
thodology-software-developments-sprint-develop-process-management-scrum-
sprints-illustration_8636934.htm

Figura 7: Níveis de Maturidade em People Analytics (Salt RH, 2020)

www.minehr.com

22
dahdos.contato@minehr.com.br
11 3512-6000