Resposta rápida
People analytics é o uso sistemático de dados comportamentais e organizacionais para informar decisão sobre pessoas. Aplica-se em todo o funil — atrair, selecionar, engajar, desenvolver, reter e desligar. Operacionalizado sem psicólogo organizacional e sem base legal sob a LGPD, produz vigilância eficiente em vez de decisão melhor. McKinsey (2024) e MIT Sloan (2024) indicam que retorno material vem de programas com governança ética estruturada, não de plataforma comprada.
Tese contraintuitiva: o problema não é técnico, é de validade de construto
A conversa pública sobre people analytics tende a focar na ferramenta — qual plataforma comprar, qual dashboard implementar, qual algoritmo de IA aplicar. A discussão técnica é necessária, mas é segunda ordem. O problema primário em people analytics é validade de construto: a variável que o modelo mede é, de fato, a variável que importa? Engajamento medido por taxa de resposta em pulse não é engajamento — é disposição a responder pulse. Intenção de saída medida por logins reduzidos não é intenção de saída — é correlato fraco que pode refletir férias, projeto novo ou doença. Risco de turnover modelado em dados históricos enviesados não é risco — é replicação algorítmica de decisão passada.
O salto que a literatura empresarial tem omitido é simples: a maioria das variáveis que importam em pessoas são construtos psicológicos — bem-estar, comprometimento organizacional, segurança psicológica, satisfação, intenção de saída, fit cultural. Construto psicológico exige operacionalização técnica que respeite validade convergente, validade discriminante e confiabilidade. Sem isso, o modelo produz número, mas o número não significa o que parece significar. Decisões tomadas com base nesse número são decisões com aparência de rigor científico e fundamento epistêmico ralo.
A inversão prática para o líder: antes de comprar plataforma ou contratar cientista de dados, perguntar quem na operação garante a validade dos construtos medidos. Se a resposta for "ninguém, usamos o que vem padrão na ferramenta", o projeto está em risco. Validade de construto é a função técnica que justifica psicólogo organizacional na sala de people analytics — e a função pela qual modelos enviesados continuam sendo publicados como soluções.
Fundamentação: do dashboard descritivo ao modelo causal
Davenport & Harris consolidaram o termo "competing on analytics" em 2007 e, no trabalho aplicado a RH (Davenport, Harris & Shapiro, 2010, Harvard Business Review; Davenport & Harris, 2017, segunda edição), classificaram a maturidade analítica em três estágios. Estágio descritivo responde "o que aconteceu" — quantos saíram, qual o turnover por área. Estágio preditivo responde "o que vai acontecer" — quem tem mais probabilidade de sair nos próximos seis meses. Estágio prescritivo responde "o que deve ser feito" — qual intervenção em qual segmento traz maior retorno. A maioria das empresas brasileiras opera no descritivo e chama isso de people analytics.
A pesquisa State of People Analytics da McKinsey (2024) reforça que empresas no quartil superior em maturidade de people analytics — definidas por uso de modelos preditivos para decisão de talento, governança ética estruturada e integração com decisão de negócio — apresentam diferenças mensuráveis em produtividade e retenção. O dado importante é a contrapartida: organizações que investem em ferramenta sem investir em capacidade analítica humana relatam ROI baixo e abandono de projeto em três anos.
"Analytics sem decisão é entretenimento caro. Analytics que decide sem entender o que está sendo medido é decisão arriscada disfarçada de rigor." — Tom Davenport, Competing on Analytics (Davenport & Harris, 2017).
O ângulo ético foi sistematizado por MIT Sloan Management Review em ciclo de artigos sobre algorithmic management (Kellogg, Valentine & Christin, 2020; e atualização editorial 2024). O argumento central: quando algoritmos passam a tomar ou influenciar decisões sobre pessoas — quem entra, quem fica, quem promove, quem demite —, o regime jurídico e ético muda. A pessoa avaliada tem direito à explicação, à contestação e à revisão humana significativa. A LGPD brasileira, em seu artigo 20, é explícita: existe direito de revisão por pessoa natural em decisão automatizada que afete interesses do titular.
A ANPD (Autoridade Nacional de Proteção de Dados) tem produzido orientações técnicas e aplicado sanções desde 2023, com foco em empresas que tratam dados pessoais de colaboradores sem base legal adequada e sem governança documentada. O cenário regulatório aproxima Brasil de marcos europeus como GDPR e AI Act, e reposiciona people analytics como atividade com risco material de não conformidade.
People analytics ao longo do funil de RH
Cada estágio tem aplicação típica, métrica relevante e risco ético próprio. Tabela operacional para mapear maturidade e prioridade.
| Estágio do funil | Aplicação típica | Risco ético principal |
|---|---|---|
| Atrair | Análise de fonte de candidato, qualidade por canal, custo por contratação útil. | Anúncio segmentado pode excluir grupo protegido (caso Facebook 2019). |
| Selecionar | Triagem de currículo por IA, análise de vídeo-entrevista, modelo de fit cultural. | Viés algorítmico replicando decisão histórica (caso Amazon 2018). |
| Engajar | Pulse de engajamento, análise de sentimento em pesquisa, eNPS. | Confidencialidade frágil em time pequeno, retaliação tácita a resposta crítica. |
| Desenvolver | Análise de skills, recomendação de trilha de aprendizagem, fit para promoção. | Modelo que estabiliza desigualdade de oportunidade existente. |
| Reter | Modelo preditivo de saída voluntária, alerta de risco de turnover. | Categorização gerencial pode antecipar desligamento ou degradar tratamento. |
| Desligar | Análise de causa raiz de saída, análise de stay vs exit interview. | Uso de dado de saída para perfilar colaborador ativo sem consentimento. |
Caso composto · ilustrativo
Quando o algoritmo de promoção replicava o viés de tempo de casa
Empresa de varejo brasileira, 12 mil pessoas, com programa de people analytics há quatro anos. Construiu modelo preditivo para identificar talentos prontos para promoção. O algoritmo usava avaliações de performance históricas, certificações concluídas, participação em projetos transversais e nota em assessment center como features. Acurácia validada acima de 80% no histórico. A diretora de pessoas, recém-formada em MBA com módulo de people analytics, decidiu auditar o modelo.
O achado: o modelo replicava o viés humano original. Pessoas com mais tempo de casa tinham historicamente sido promovidas com mais frequência — não por desempenho, mas por proximidade com lideranças que decidiam promoção. O algoritmo aprendeu que "tempo de casa correlaciona com promoção", e passou a recomendar promoção para quem tinha tempo de casa, independentemente de desempenho recente. Mulheres em retorno de licença-maternidade, contratações laterais e profissionais de áreas adquiridas em fusão eram sistematicamente subestimados pelo modelo. A correção envolveu três frentes: refazer feature engineering removendo proxies de tempo, balancear dataset de treino, instituir comitê de revisão humana com psicólogo organizacional. Em dois ciclos, a taxa de promoção entre grupos sub-representados subiu 22 pontos percentuais sem queda de performance pós-promoção. O modelo não estava errado tecnicamente — estava errado epistemicamente.
O que você faz a respeito
Plano de implementação ou auditoria de people analytics em sequência operacional.
- Mapear maturidade atual. Em que estágio o programa opera — descritivo, preditivo ou prescritivo. A maioria reporta preditivo mas opera descritivo com nome novo.
- Inventariar dados pessoais tratados. RoPA da LGPD aplicado a RH. Base legal por finalidade, retenção, compartilhamento com fornecedor, transferência internacional. Sem inventário, qualquer programa de analytics é exposição.
- Garantir validade de construto. Para cada variável-chave (engajamento, retenção, fit, performance), revisar operacionalização. Psicólogo organizacional na sala é o controle.
- Adotar arquitetura de trio. Cientista de dados, psicólogo organizacional e líder de negócio. Ausência de qualquer um produz padrão de falha conhecido.
- Implementar auditoria de fairness. Para todo modelo que afete decisão sobre pessoas, métricas de disparate impact por grupo protegido (gênero, raça, idade, deficiência). Reportar resultado, não esconder.
- Garantir direito de explicação. Decisão automatizada que afete o colaborador exige canal de pedido de revisão por pessoa natural, conforme LGPD art. 20. Documento técnico de explicação por modelo.
- Mensurar retorno de negócio. Cada hipótese analítica precisa estar ligada a decisão acionável e métrica de impacto. Dashboard sem decisão é entretenimento caro, conforme Davenport.
A coordenação técnica desse trabalho é tema do módulo de People Analytics e IA aplicada ao RH no MBA em Psicologia Organizacional e do Trabalho do IPOG, em formato Ao Vivo síncrono.
Perguntas frequentes sobre people analytics
People analytics é diferente de análise de RH tradicional?
Sim. Análise de RH tradicional descreve o passado — quantos foram desligados, qual o turnover por área, quanto custa a folha. People analytics inferencial busca relação causal entre variáveis comportamentais e resultados organizacionais — qual prática de liderança aumenta retenção, qual processo de onboarding reduz tempo até produtividade, qual fator predito de saída antecede pedido de demissão. Davenport & Harris (2017) classificam essa diferença como salto entre analytics descritivo e prescritivo.
People analytics sem psicólogo na sala é problema?
Sim, com risco material. Variáveis comportamentais — engajamento, motivação, intenção de saída, fit cultural — têm definição teórica densa em psicologia organizacional. Quando o time de people analytics é exclusivamente quantitativo, a tendência é operacionalizar essas variáveis com base no que está disponível, não no que é válido. O resultado são modelos que parecem precisos no histórico e falham em produção. Psicólogo organizacional traz validade de construto — distinção que separa análise útil de análise enganadora.
LGPD impacta people analytics?
Diretamente. Dados comportamentais de colaboradores são dados pessoais e, em muitos casos, sensíveis. A LGPD (Lei 13.709/2018) exige base legal específica, finalidade declarada, minimização de coleta e direito de explicação em decisão automatizada. Empresa que faz people analytics sem mapeamento RoPA (Registro de Operações de Tratamento), DPIA (Avaliação de Impacto) para casos de risco e canal de explicação está em não conformidade material. ANPD tem aplicado sanções desde 2023.
Algoritmo de seleção pode ter viés de promoção embutido?
Pode e historicamente teve. Caso Amazon de 2018 (modelo de triagem de currículos descontinuado por viés contra mulheres em STEM) é referência. O viés geralmente não está no algoritmo — está nos dados históricos de treino. Se a base reflete decisões passadas enviesadas, o modelo aprende e reproduz o viés com aparência de neutralidade técnica. Auditoria de fairness, conjuntos de dados balanceados e revisão por psicólogo organizacional são mitigações conhecidas, não panaceia.
Quem deve liderar projeto de people analytics em uma empresa?
Idealmente um trio: cientista de dados, psicólogo organizacional e líder de negócio. O cientista garante rigor metodológico, o psicólogo garante validade de construto, o líder garante decisão acionável. People analytics sem decisão na ponta vira dashboard caro. Sem psicólogo vira vigilância. Sem cientista vira achismo com gráfico. O MBA em POT do IPOG trata explicitamente esse arranjo interdisciplinar.
Síntese
People analytics maduro é interdisciplinar, ético e ligado à decisão
O passo entre dashboard descritivo e prescrição responsável passa por validade de construto, governança LGPD e arquitetura de equipe. O MBA em Psicologia Organizacional e do Trabalho do IPOG dedica módulo específico a people analytics e IA em RH, em formato Ao Vivo síncrono com docente nominal.