Dados da força de trabalho podem impulsionar soluções organizacionais

Em uma pesquisa recente com profissionais de tecnologia da informação, ciência de dados e engenharia de dados na América do Norte, os entrevistados disseram que, em média, os volumes de dados em suas organizações estão crescendo 63% a cada mês e que eles estão coletando esses dados de uma média de 400 fontes diferentes – computadores, smartphones, sites, redes sociais e muito mais^[1].

Com o acesso sem precedentes a volumes de dados sobre o trabalho e a força de trabalho, as organizações estão operando para capitalizar o potencial desses dados para ajudar a facilitar decisões melhores e mais rápidas, impulsionar a eficiência e o crescimento, aprimorar a estratégia e criar valor compartilhado nos níveis individual, de equipe, organizacional e social.

No entanto, mais dados podem não ser automaticamente iguais a melhores resultados.

A capacidade das organizações de coletar dados pode ter disparado nos últimos anos, mas os esforços de coleta muitas vezes superam a capacidade de aplicar e analisar esses dados em relação às prioridades organizacionais, o que resulta em um excesso de informações, mas com poucos insights. Como resultado, as organizações podem perder muito tempo resolvendo os problemas errados ou encontrando soluções temporárias – correções rápidas – e, no processo, podem alienar sua força de trabalho devido à falta de progresso em questões importantes.

Se as organizações quiserem ir além das correções rápidas e usar os dados sobre o trabalho e a força de trabalho para promover uma solução de problemas mais profunda – e, muitas vezes, mais desafiadora –, é importante que elas analisem os dados em um contexto. Atualmente, existem muitas fontes de dados e ferramentas de interpretação que podem ajudar as organizações a desvendar as camadas de desafios relacionados ao trabalho que podem estar desenvolvendo para resolver e explorar os problemas sistêmicos que os impulsionam.

Considere a fadiga do trabalhador como um exemplo do que pode acontecer quando os dados são interpretados literalmente. Trabalhar quando se está cansado pode ser perigoso, principalmente em áreas que envolvem a operação de equipamentos pesados. Nos últimos anos, algumas empresas começaram a medir a fadiga do trabalhador usando ferramentas como capacetes inteligentes que medem as ondas cerebrais, óculos inteligentes que monitoram a duração e a frequência das piscadas e câmeras que medem o movimento da cabeça e do pescoço para procurar sinais de cochilo^[2]. Um projeto chegou a usar dados das pálpebras capturados por webcams para procurar sinais de sono entre os funcionários de escritório e acionou automaticamente o ar-condicionado ao primeiro sinal de sonolência^[3].

Karen Levy, professora de sociologia, estudou os impactos da tecnologia de monitoramento no setor de transporte rodoviário e observou que os esforços para monitorar a fadiga dos caminhoneiros têm se concentrado tradicionalmente em medir o estado de alerta de cada motorista e, em seguida, impedir que o motorista trabalhe quando os dados mostram que ele está cansado^[4]. Mas esses esforços de monitoramento ignoram os fatores contribuintes que existem em outros pontos do sistema de transporte, como atrasos no carregamento. Nesse caso, os dados destacam um problema na superfície – um motorista cansado –, mas, a menos que a organização busque um nível mais profundo de análise, ela pode perder oportunidades de melhorar a saúde, a segurança e a felicidade de cada trabalhador (e, assim, beneficiar a empresa) ao abordar os fatores subjacentes que contribuem para a fadiga do motorista.

Usando dados para ajudar a identificar problemas sistêmicos na força de trabalho, no local de trabalho e no trabalho de uma organização

Seja através da aplicação de análises, machine learning (aprendizagem automática) ou julgamento humano, a criação de sentido é o que ajuda as organizações a converter dados em insights, decisões e ações que têm o poder de fazer melhorias, desde a inovação à agilidade até ao desempenho e bem-estar dos trabalhadores. Mas sem o contexto certo, mesmo medições simples podem minar os esforços para transformar dados em valor.

Abaixo, exploramos vários exemplos de como as organizações podem estar limitando sua análise ao nível superficial e como uma análise mais profunda pode revelar problemas sistêmicos e levar a oportunidades de transformação.

Na força de trabalho

• O que os dados mostram: escassez de talentos.
• O que os dados podem revelar: ocasião de ajustar os sistemas de contratação para identificar oportunidades ocultas.

Segundo uma pesquisa de 2023 do ManpowerGroup, 77% dos empregadores em todo o mundo estão enfrentando dificuldades para preencher cargos – um recorde em 17 anos^[5]. Mas as organizações podem ter menos escassez de talentos do que pensam. Se os dados estiverem destacando uma escassez de talentos em uma organização, considere se o problema subjacente pode ser o fato de os sistemas e processos de contratação estarem ignorando os talentos ocultos e muitas vezes negligenciados que estão ao seu alcance. Os sistemas automatizados de contratação e as ferramentas de triagem de inteligência artificial (IA), por exemplo, podem estar filtrando talentos qualificados, criando “trabalhadores ocultos” – indivíduos que podem ter sido ignorados devido a lacunas na experiência ou no currículo, por exemplo^[6]. O acesso a talentos diversos e ocultos pode exigir o ajuste das políticas de recrutamento e retenção para se concentrar nas habilidades adjacentes dos candidatos, na adequação cultural e à equipe, em vez de apenas na formação e experiência listadas nos currículos.

Quando uma empresa de telecomunicações, por exemplo, precisou contratar funcionários com habilidades de machine learning, ela não procurou candidatos que tivessem diplomas ou experiência em machine learning ou IA – em vez disso, analisou os perfis de milhares de trabalhadores que se identificaram como especialistas em machine learning para interpretar a agregação de habilidades, experiência e caminhos relacionados ao desenvolvimento de habilidades de machine learning desses trabalhadores. Em seguida, a empresa criou algoritmos para procurar e contratar com base nessas novas métricas – aumentando o pool de talentos em pelo menos três vezes mais do que havia estimado. Depois de contratar trabalhadores com habilidades adjacentes, a empresa rapidamente se baseou nessa amostra para treinar os trabalhadores contratados com as habilidades específicas de que precisava^[7].

Outro problema que pode estar se manifestando como escassez de talentos é a falta de mobilidade dos funcionários dentro da organização. Os dados sobre habilidades transferíveis ou adjacentes, interesses e atividades dos funcionários podem ser aproveitados para combiná-los com novas oportunidades, projetos, aprendizado ou funções. Isso também pode ajudar os funcionários a entender quais habilidades podem torná-los mais comercializáveis e empregáveis à medida que a organização evolui. A mesma empresa de telecomunicações que ajustou suas práticas de recrutamento também reconheceu a importância de expandir seu pool interno de talentos e desenvolveu uma tecnologia que permite que seus funcionários avaliem sua adequação a diferentes funções, comparando seu perfil de habilidades com uma lista de habilidades necessárias para as funções^[8].

• O que os dados mostram: os esforços de diversidade, equidade e inclusão (DEI) não estão mudando a situação.
• O que os dados podem estar revelando: as métricas de representação não estão abordando as partes de “equidade” e “inclusão” da equação.

As organizações estão sendo pressionadas por investidores, clientes e funcionários para progredir nas iniciativas de DEI. De acordo com um estudo de 2023 da Harvard Business Review, embora 97% dos líderes de recursos humanos acreditem que sua organização tenha feito mudanças que melhoraram a DEI, apenas 37% dos funcionários concordam totalmente^[9]. Se os dados mostrarem que os esforços organizacionais de DEI não são impactantes, considere se o problema subjacente pode ser a necessidade de mais foco em equidade e inclusão. As métricas de representação podem ser fáceis de obter, mas talvez não abordem as questões que sustentam os esforços de DEI. No entanto, novos avanços tecnológicos podem fornecer dados melhores para ajudar a medir o impacto das questões subjacentes.

Por exemplo, preconceitos implícitos em toda a força de trabalho podem estar se infiltrando nas comunicações e podem afetar negativamente as métricas de inclusão. As organizações que têm acordos voluntários de compartilhamento de dados ou medidas de adesão dos funcionários podem ser capazes de identificar os preconceitos, as lacunas nos esforços de inclusão e os focos tóxicos de conversa que prejudicam os esforços mais amplos de DEI e pertencimento por meio da análise de texto do trabalho, das comunicações e das plataformas de feedback de desempenho. Algumas ferramentas de IA também podem fornecer feedback personalizado sobre fatores como tom e escolhas de linguagem em e-mails para ajudar a limitar preconceitos ou microagressões.

Os dados que mostram uma falta de progresso nos esforços de DEI também podem revelar um problema relacionado às interações das pessoas com líderes, mentores e grupos de recursos ou afinidades. A análise de rede organizacional (ONA, na sigla em inglês) – uma forma de medir e representar graficamente as conexões e os padrões de colaboração entre as pessoas dentro e entre as organizações – realizada com esses dados pode ser útil para identificar desigualdades. Ela também pode revelar o grau de pertencimento que os trabalhadores sentem.

Em um exemplo de como a ONA pode ser usada para mapear o impacto dessas conexões, uma grande organização com base em serviços queria entender melhor se estava alcançando a verdadeira diversidade de gênero em suas equipes. Aparentemente, a diversidade de gênero parecia equilibrada, com aproximadamente 44% das equipes compostas por mulheres. Mas como as equipes estavam funcionando? Usando a ONA, a organização conseguiu mapear suas redes por gênero, revelando que, embora houvesse algum agrupamento de gênero, o centro da rede era solidamente misto, confirmando que diversas perspectivas estavam representadas no centro da organização. Esse é o tipo de análise profunda que as organizações podem usar para ir além das métricas tradicionais de representação e obter uma compreensão mais sutil da diversidade^[10].

No local de trabalho

• O que os dados mostram: os funcionários não estão em seus computadores com a frequência que a liderança acredita que deveriam estar para serem produtivos.
• O que os dados podem estar revelando: as métricas de produtividade desatualizadas são um indicador impreciso do desempenho humano.

Graças, em grande parte, à pandemia da Covid-19, o trabalho remoto e híbrido passou de uma opção ocasional para um novo normal com um punhado de funcionários individuais em muitos setores. Mas um sentimento crescente de “paranoia de produtividade” – um termo cunhado pela Microsoft para descrever o fato de que apenas 12% dos líderes estão confiantes de que os funcionários que trabalham remotamente estão sendo produtivos^[11] – está lançando uma sombra sobre os dados do local de trabalho. Se os dados estão questionando a produtividade dos funcionários, um problema pode ser o fato de as organizações não estarem monitorando as métricas de produtividade corretas.

Com os avanços tecnológicos que possibilitam mais trabalho de conhecimento, as métricas tradicionais de produtividade podem não levar em conta o aumento do trabalho “invisível” em que muitos trabalhadores estão se envolvendo à medida que as organizações mudam para modelos de trabalho mais abertos e estruturam funções e responsabilidades em torno de problemas a serem resolvidos, em vez de um conjunto de tarefas repetitivas. Em um estudo da Deloitte, a maioria dos líderes de recursos humanos (79%) disse que as funções estão evoluindo para algo mais amplo e mais integrado, muitas vezes abrangendo tarefas de trabalho adjacentes, e a maioria dos trabalhadores concordou: 71% dos entrevistados disseram que já estão realizando trabalho fora do escopo declarado de responsabilidade do trabalho^[12]. (Leia mais sobre métricas de produtividade no artigo da Deloitte Insights, em inglês, “Outcomes over outputs” – “Resultados em vez de produtos”, em tradução livre).

Entre os funcionários que trabalham em escritórios, métricas desatualizadas de produtividade organizacional podem estar limitando as perspectivas dos líderes sobre o que realmente importa para aumentar o desempenho humano no local de trabalho físico. Os dados sobre como os funcionários se movimentam, trabalham e interagem ao longo do dia, por exemplo, podem melhorar muito a compreensão de como otimizar o design do local de trabalho para ajudar a melhorar o desempenho humano. Recentemente, uma grande empresa de energia utilizou dados de crachás do local de trabalho para analisar onde e como os diferentes grupos estavam interagindo durante o planejamento de uma mudança de escritório. Ela descobriu que, à medida que as equipes multifuncionais se tornavam mais dispersas, elas tinham menos interações informais e, em vez disso, dependiam muito de reuniões formais ocasionais. A empresa usou essa descoberta para planejar a localização dos membros da equipe durante a realocação para criar mais oportunidades de conexão informal, melhorando a eficiência do fluxo de trabalho em 5,3%^[13].

• O que os dados mostram: altas taxas de rotatividade e burnout.
• O que os dados podem estar revelando: os indicadores atrasados e reativos de risco da força de trabalho não estão revelando os problemas com antecedência suficiente para mitigá-los.

Com o aumento do burnout dos funcionários em todo o mundo – 42% relatam que se sentem esgotados no trabalho, a taxa mais alta desde 2021^[14] – as organizações têm razão para se preocupar com os indicadores de risco da força de trabalho. Os funcionários que sofrem de burnout têm 3,4 vezes mais probabilidade de procurar um novo emprego no próximo ano e duas vezes mais probabilidade de se sentirem desconectados de seus colegas de equipe, líderes e valores da empresa do que aqueles que não estão esgotados^[15].

Quando os dados parecem estar identificando taxas crescentes de rotatividade, esgotamento, desafios de conformidade, danos à reputação e problemas de DEI, isso pode ser um sinal de que os indicadores que a organização está usando para monitorar o risco da força de trabalho são reativos e não proativos — eles destacam um problema retroativamente em nível organizacional, em vez de ajudar a revelá-lo mais cedo no nível do funcionário, onde ele pode ser tratado antes que se agrave.

Uma das maneiras pelas quais os líderes podem usar os dados do trabalho e da força de trabalho para ajudar a se manter à frente dos problemas de risco da força de trabalho é analisar a cultura organizacional em busca de indicadores de que um problema pode estar se formando. O processamento de linguagem natural, a análise de texto, a linguística computacional e a análise de áudio de reuniões de negócios e comunicações podem ajudar a identificar e quantificar possíveis declínios no sentimento da força de trabalho. Os dados podem ser reunidos em um painel de controle e usados para ajudar a informar as estratégias organizacionais.

Uma organização global de tecnologia, por exemplo, há muito tempo confiava na intuição de seus gerentes e nas informações de seu departamento de recursos humanos para avaliar as intenções de rotatividade dos funcionários. Mas o diretor de RH da empresa percebeu que essas informações poderiam ser melhor coletadas e avaliadas por meio de algoritmos. Sob sua orientação, a organização criou um algoritmo de machine learning que analisa diversas variáveis e milhões de pontos de dados para identificar funcionários em risco de deixar a organização. Em seguida, esse algoritmo fornece aos gerentes recomendações de conversas que podem ajudar a reter esses funcionários em risco^[16].

No trabalho

• O que os dados mostram: a produtividade organizacional está ficando para trás.
• O que os dados podem estar revelando: as interações e os processos entre os domínios funcionais precisam de atenção.

Muitas organizações são estruturadas em torno de capacidades, com diferentes áreas funcionais operando no melhor interesse de suas próprias prioridades. Isso geralmente leva a silos de informações organizacionais ou à competição por recursos. Por exemplo, os departamentos de produção e manutenção podem entrar em conflito sobre quando as máquinas devem ser desligadas para manutenção de rotina. Ou os departamentos de marketing e mídia podem estar coletando as mesmas informações usando programas de software diferentes, criando um trabalho desnecessariamente repetitivo.

Quando os dados de produtividade apresentam tendência de queda, uma abordagem é tentar otimizar as funções individuais da organização. Mas os dados podem estar revelando um problema maior a ser resolvido: como os domínios funcionais estão trabalhando juntos. Concentrar-se em eficiências individuais sem uma visão unificada de como a organização está funcionando em todos os domínios pode resultar na incapacidade de resolver problemas subjacentes que podem estar no centro da produtividade defasada.

As organizações podem usar os dados de rede para identificar gargalos ou pontos em que uma maior interação entre as áreas funcionais pode melhorar um processo e ajustar adequadamente seus padrões de comunicação. Os dados de comunicações ou de aplicativos de trabalho podem ajudar a melhorar os padrões de trabalho e colaboração dentro ou entre grupos funcionais, reduzindo potencialmente o tempo de comercialização.

Os dados do trabalho e da força de trabalho também podem ser usados para informar o projeto do local de trabalho que otimiza a colaboração entre várias funções ou atividades organizacionais. Por exemplo, um fornecedor automotivo de nível 1 usou a análise de vídeo com tecnologia de IA para fornecer visibilidade detalhada das atividades que os trabalhadores realizam na fábrica. A análise revelou uma desaceleração nas estações cujas configurações inibiam os trabalhadores. Consequentemente, a organização reconfigurou essas estações e melhorou o equilíbrio da linha, reduzindo assim o tempo de ciclo geral e aumentando a produtividade geral^[17].

• O que os dados mostram: os processos organizacionais são ineficientes.
• O que os dados podem estar revelando: os processos organizacionais não refletem a maneira como o trabalho é realmente feito.

Um organograma ou um mapa de processos pode contar a história oficial sobre como uma organização colabora, mas geralmente não é a história completa. Quando os dados parecem indicar que os processos ou gráficos de uma organização não estão funcionando, é provável que a história sobre como o trabalho é feito – e quem o está fazendo – seja mais complexa do que os processos ou estruturas mapeados parecem estar revelando.

Em vez de tentar elaborar processos organizacionais no papel, novas fontes de dados podem ajudar os líderes a entender padrões de trabalho ocultos e identificar quem está trabalhando em quê e como está fazendo isso. A ONA pode destacar estruturas e funções informais para ajudar a informar um novo projeto de organização ou ajudar os líderes a identificar colaborações que precisam ser estimuladas. A ONA também pode identificar joias ocultas na força de trabalho – equipes com fortes conexões ou funcionários energizadores que podem infundir novas ideias na organização. A mineração de sistemas de transações empresariais, dados de fluxo de trabalho ou análise de vídeo podem ajudar a identificar as causas básicas dos problemas, as tarefas subjacentes a cada trabalho e as oportunidades mais fortes de melhorias.

Quando uma empresa de informática e tecnologia, por exemplo, quis entender melhor como seus funcionários se conectam e se comunicam além de seus organogramas, ela utilizou metadados de trabalho agregados – e-mails identificados e dados de comunicação de ferramentas colaborativas, chamadas e reuniões – para mapear como a colaboração estava realmente acontecendo. O que eles descobriram foi que as equipes mais fortes eram aquelas que se formavam e se desfaziam rapidamente em torno de projetos, independentemente do local, título ou departamento. Em um exemplo, os dados de comunicação revelaram uma intensa colaboração entre vários laboratórios em diferentes locais. Apesar das diferenças geográficas, as equipes distribuídas na verdade funcionavam como uma única unidade, permitindo que os líderes ajustassem com sucesso as estratégias e os processos de trabalho^[18].

Entendendo os dados em um contexto

À medida que as organizações procuram ir além das soluções rápidas e usam os dados para ajudar a resolver problemas mais profundos e complexos, como elas podem garantir que estão obtendo o quadro completo do que os dados estão lhes dizendo? Há três ações que os líderes podem considerar para ajudar a garantir que não estejam perdendo um contexto importante em sua análise de dados.

• Reúna dados de diferentes domínios e fontes para análise. Para ajudar a evitar a simplificação excessiva dos problemas e garantir um raciocínio preciso de causa e efeito, considere analisar dados de vários domínios. Considere novamente o exemplo do monitoramento da fadiga dos motoristas de caminhão. Embora os dados coletados tenham levado a resultados acionáveis, eles não eram necessariamente os resultados corretos. Concentrar-se no trabalhador individual em vez de analisar os dados de todo o ecossistema simplificou demais o problema e ignorou os problemas organizacionais e estruturais que estão na raiz.
• Certifique-se de que você está medindo o que deve – e não apenas o que pode. Pode ser fácil se deixar seduzir mais pelos dados e números do que pela meta real. As organizações devem sempre se perguntar: só porque pode ser medido, realmente precisa ser – e, em caso afirmativo, por quê? Parte da coleta de dados responsável é garantir que os dados coletados reflitam as métricas mais importantes para as metas e os objetivos de uma organização.
• Identifique possíveis vieses nos algoritmos de coleta de dados. As organizações devem garantir que a coleta e o uso de dados sejam justos, equitativos e éticos. Novos avanços em tecnologia podem ajudar. Os fornecedores agora oferecem ferramentas de teste projetadas para adotar uma abordagem contínua e automatizada de testes contra vieses. Outros oferecem soluções de monitoramento e governança destinadas a monitorar, medir e aprimorar o machine learning para ajudar a garantir que os modelos estejam fornecendo resultados precisos, transparentes e justos. Outros avanços, como a complementação de dados humanos com dados sintetizados criados por software, podem ajudar a permitir que a IA preencha as lacunas de “casos extremos” que não aconteceram no mundo real e inclua conjuntos de dados mais inclusivos e menos tendenciosos.

Os dados podem destacar os sintomas de um problema organizacional, mas o tratamento desses sintomas pode oferecer apenas uma solução temporária. As organizações devem estar dispostas a fazer uma análise mais profunda e permitir que os dados revelem as mudanças organizacionais que podem ser mais desafiadoras ou difíceis de implementar. No final, ir além da solução rápida pode ajudar as organizações a alcançar o tipo de transformação que as aproxima de suas metas e resultados.

^[1]Matillion, “Matillion and IDG Survey: Data Growth is Real, and 3 Other Key Findings,” January 26, 2022. View in Article

^[2] Karen Levy, Data Driven: Truckers, Technology and the New Workplace Surveillance (New Jersey: Princeton University Press, 2023). View in Article

^[3] Johnny Wood, “Feeling sleepy in the office? This Japanese technology detects tired workers and blasts cold air into the room” World Economic Forum, July 31, 2018. View in Article

^[4] Karen Levy, Data Driven: Truckers, Technology and the New Workplace Surveillance. View in Article

^[5] Manpower Group, “The talent shortage,” accessed on September 27, 2023. View in Article

^[6] Ramona Schindelheim, “AI-powered hiring systems screen out qualified talent, creating ‘hidden workers’,” Workingnation.com, September 14, 2021. View in Article

^[7] Sue Cantrell (vice president—products, workforce strategies, Deloitte), interview, November 19, 2018. View in Article

^[8] Ibid. View in Article

^[9] Jeremie Brecheisen, “Research: Where employees think companies DEIB efforts are failing,” Harvard Business Review, March 9, 2023. View in Article

^[10] Michael Arena, “Diversity at the Core of the Network,” HR Exchange Network, September 18, 2019. View in Article

^[11] Allison Roller, “Productivity paranoia 101: What it is and how to manage it,” HRMorning.com, November 10, 2022. View in Article

^[12] Sue Cantrell, Michael Griffiths, Robin Jones, and Julie Hiipakka, Building tomorrow’s skills-based organization: A new operating model for work and the workforce, Deloitte, November 2, 2022. View in Article

^[13] Alexa Lightner and Paulina Borrego, “Energy company improves culture & productivity after strategic M&A,” Humanyze, accessed March 21, 2023. View in Article

^[14] Future Forum, Amid spiking burnout, workplace flexibility fuels company culture and productivity, Winter snapshot, February 2023. View in Article

^[15] Ibid. View in Article

^[16] David Kiron, “AI can change how you measure – and how you manage,” MIT Sloan Management Review, March 8, 2022. View in Article

^[17] John Sprovieri, “Video analytics help auto parts assembler improve cycle time,” Assembly Magazine, December 18, 2022. View in Article

^[18] Microsoft, “Org charts are like maps of the workplace,” accessed September 27, 2023. View in Article