O estudo, que acompanha 372 organizações em mais de 180 países, também mostra que as equipes dedicadas a People Analytics cresceram 60% desde 2020, estabilizando em 2025 numa proporção de um profissional de People Analytics para cada 2.500 funcionários. Ou seja, o campo deixou de ser uma aposta e virou estrutura permanente dentro das empresas que levam gestão de pessoas a sério.

Os conceitos que sustentam essa prática, porém, não mudaram. E é sobre eles que vamos falar aqui.

O que é People Analytics, afinal?

A definição mais direta é simples: People Analytics é o processo de coletar, organizar e analisar dados sobre o comportamento das pessoas para embasar decisões dentro de uma empresa. Outra forma de explicar é ainda mais prática: é o processo de descobrir, interpretar e comunicar padrões relacionados às pessoas que façam sentido para melhorar decisões e desempenho.

Um ponto merece destaque. People Analytics não veio para substituir o julgamento humano. Veio para apoiá-lo. A ideia é tirar a tomada de decisão do terreno do viés e da opinião pessoal e colocá-la em cima de dados e fatos.

As quatro etapas de maturidade do People Analytics

Existe uma forma prática de organizar a evolução de um projeto de People Analytics dentro de uma empresa, dividida em quatro etapas que crescem em complexidade.

A primeira é a etapa descritiva. Aqui, o objetivo é simplesmente entender o que aconteceu, usando dados para confirmar ou refutar suposições sobre a própria organização.

A segunda é a etapa diagnóstica, que busca entender o porquê. A diferença em relação à etapa anterior é a capacidade de investigar relações de causa e efeito. Um exemplo clássico é entender de que forma a satisfação e o desempenho de um time influenciam o turnover, ou seja, a saída de profissionais da empresa.

A terceira é a etapa preditiva, que tenta responder o que vai acontecer. Um bom exemplo é o cruzamento de dados de um colaborador de alta performance, muito aderente à cultura da empresa, mas remunerado bem abaixo do mercado, num setor com muitas vagas abertas para a sua posição. Esses fatores combinados apontam um risco alto de perda desse talento, mesmo antes de qualquer sinal explícito.

A quarta e mais complexa é a etapa prescritiva, que responde como fazer alguma coisa acontecer (ou deixar de acontecer). Um case conhecido do Walmart ilustra bem essa etapa. Uma loja da rede nos Estados Unidos queria aumentar a venda de cerveja, que estava estagnada. A análise do comportamento de compra mostrou algo inesperado: pais e mães que compravam fraldas também costumavam comprar cerveja. A solução foi colocar o freezer de cerveja ao lado da prateleira de fraldas. O resultado foi um aumento substancial nas vendas, medido antes e depois da mudança.

Por onde começar: o case do Projeto Oxigênio do Google

Um erro comum é achar que People Analytics exige tecnologia sofisticada desde o primeiro dia. Não é verdade. O primeiro passo é simplesmente organizar a casa: coletar dados de forma consistente antes de qualquer análise mais avançada.

O Projeto Oxigênio, do Google, é um exemplo clássico disso. A empresa investigou uma grande quantidade de dados de performance de gestores e realizou entrevistas para identificar quais características de liderança geravam equipes mais felizes, mais produtivas e com melhores resultados. A partir desse mapeamento, o Google criou um guia de treinamento de lideranças com base nas características identificadas. O resultado foi medido antes e depois da implementação, e a empresa comprovou melhora na performance dos times ligados aos gestores treinados.

Não houve nada de aprendizado de máquina ou modelos complexos nesse processo. Só coleta de dados, identificação de padrões e ação sobre eles.

People Analytics na prática: como aplicar dentro da empresa

Um ponto importante: People Analytics não é uma receita pronta. O que funciona numa empresa pode não funcionar em outra, porque cada organização tem sua própria cultura e seus próprios fatores de influência.

Por isso, o primeiro passo prático é sempre mapear o problema que se quer resolver. Se o problema é turnover alto, por exemplo, a pergunta inicial não pode ser respondida com base em opinião ou achismo de gestor. É preciso coletar dados de verdade: entrevistas de desligamento, mapeamento de performance, análise de quem está sendo promovido e reconhecido dentro da empresa. Só depois desse mapeamento é possível agir com precisão sobre a causa real do problema, em vez de tratar sintomas.

Na prática, esse processo costuma se apoiar em duas frentes complementares: uma voltada à gestão de desempenho, com ciclos de avaliação por competências, metas e OKRs (Objectives and Key Results, ou objetivos e resultados-chave), e outra voltada à pesquisa de clima e engajamento, capaz de mapear onde estão os principais pontos de atenção da organização a partir da percepção de quem vive o dia a dia dela.

Questionários e análise de sentimento

A qualidade de um projeto de People Analytics depende diretamente da qualidade das perguntas feitas aos colaboradores. Perguntas ambíguas ou mal construídas distorcem o resultado e comprometem qualquer conclusão tirada a partir delas.

Por isso, perguntas fechadas, normalmente numa escala de concordância, tendem a trazer respostas mais objetivas e fáceis de comparar. Já as perguntas abertas trazem um desafio maior: como extrair algo relevante de milhares de respostas em texto livre, especialmente em empresas com muitos funcionários? É praticamente impossível ler manualmente todas as respostas qualitativas de uma pesquisa de clima em uma organização grande.

É aqui que entra a análise de sentimento. Ela consiste em processar todas as respostas textuais para identificar os temas mais citados, como remuneração ou infraestrutura do escritório, e classificar o contexto em que cada tema aparece, positivo ou negativo. Isso permite que a empresa identifique rapidamente onde estão os problemas mais recorrentes, sem depender da leitura manual de cada resposta, e ainda assim consiga aprofundar a investigação nos pontos que fizerem sentido.

Além do RH: People Analytics aplicado a produto e mercado

A lógica de People Analytics não se limita à gestão de pessoas dentro da empresa. O mesmo raciocínio de testar hipóteses com dados reais, em vez de confiar apenas em opinião, é usado por empresas de tecnologia no desenvolvimento de produtos. Um exemplo comum é o teste controlado: uma funcionalidade nova é liberada para uma pequena fatia de usuários antes de ser expandida para todos, e os resultados observados definem se a mudança vai adiante ou não.

O princípio é o mesmo. Decisões baseadas em dados e fatos, combinadas com a percepção das pessoas envolvidas, tendem a ser mais assertivas do que decisões baseadas apenas na convicção de quem está tomando a decisão.

Mensagem final: cultura de dados, erro e inovação

Talvez a mensagem mais importante para quem está começando essa jornada seja simples: não tenha medo de errar. O erro, quando bem administrado, é o que leva uma empresa a crescer. É comum ouvir que “minha empresa é muito tradicional, isso não funcionaria aqui”. Mas essa costuma ser a opinião de uma pessoa, baseada em anos de vivência dentro da organização, e não necessariamente um retrato fiel da cultura real da empresa. A única forma de saber com certeza é coletar dados e conversar com quem está lá dentro, especialmente com quem chegou mais recentemente e não carrega o mesmo peso de tradição.

Isso também vale para inovação. Não é possível construir uma cultura que valoriza a inovação se, no primeiro erro cometido por alguém tentando algo diferente, essa pessoa é punida. Permitir espaço para propor, testar e errar é o que sustenta esse tipo de cultura no longo prazo.

No fim, o que determina se uma empresa vai crescer ou regredir são as pessoas que trabalham nela, independentemente do produto ou segmento. Entender essas pessoas com profundidade, usando dados como apoio e não como substituto do julgamento humano, é o que o People Analytics se propõe a fazer.