A atenção para o People Analytics aumentou muito nos últimos anos. Muitas organizações estabeleceram equipes de People Analytics e várias startups promissoras desenvolveram software que pode ajudar o RH com People Analytics.

O pressuposto é que, se tivermos acesso aos dados certos, se tivermos as ferramentas de análise certas e pessoas inteligentes para interpretar os dados, seremos capazes de prever o comportamento humano – e que essas previsões serão usadas de maneira sensata nas organizações . Tenho algumas duvidas.

É hora de examinar mais de perto a psicologia do People Analytics

A Inspiração

Dois livros foram uma grande inspiração e leitura obrigatória para profissionais de RH e especialistas em People Analytics

No número um, “ Pensando, rápido e devagar ”, do ganhador do prêmio Nobel Daniel Kahneman . Olhando para os números que foram vendidos deste livro, você esperaria que quase todo mundo tenha lido este livro (ou pelo menos: comprado este livro). 

Quando estudei psicologia (de 2008 -2013) Kahneman já era famoso. Ainda me lembro do famoso artigo que publicou em 1974 com seu colega Amos Tversky: Julgamento sob incerteza – heurísticas e vieses . Cito este artigo:“A confiança em heurísticas e a prevalência de vieses não se restringem a leigos. Pesquisadores experientes também estão sujeitos aos mesmos preconceitos quando pensam intuitivamente. Por exemplo, a tendência de prever o desfecho que melhor representa os dados, com consideração insuficiente da probabilidade anterior, foi observada nos julgamentos intuitivos de indivíduos que tiveram amplo treinamento em estatística ” .

No número dois “ A arte de pensar com clareza ”, escrito por Rolf Dobelli . Seu livro é menos científico, mas certamente vale a pena ler com muitas boas lições. Em 99 capítulos, ele descreve os erros de pensamento mais comuns, com exemplos interessantes.

Também usei a lista de vieses cognitivos da Wikipedia. Uma lista excelente e extensa. Essa lista inspirou Buster Benson a agrupar esses preconceitos cognitivos em categorias, que ele descreve em seu excelente artigo Cognitive bias cheat sheet . Com base neste artigo, John Manoogian fez um infográfico muito interessante e informativo, o Cognitive Bias Codex .

Por que o conhecimento científico é mal utilizado nas organizações?

Muitas das lições que aprendi há muito tempo (com Kahneman e outros) dificilmente são aplicadas nas organizações. Dois exemplos.

Aprendi que uma entrevista geralmente é um instrumento de seleção muito pobre. Você pode melhorar um pouco esse instrumento pobre conduzindo entrevistas estruturadas e pode melhorar muito o processo de seleção adicionando testes e avaliações. Ainda hoje, na maioria das organizações, os candidatos são selecionados com base nos resultados de uma série de entrevistas não estruturadas.

O segundo exemplo diz respeito ao uso de sistemas de bônus. Há muito poucas evidências de que, para a maioria dos empregos, os sistemas de bônus ajudam a mudar o comportamento das pessoas. Ainda assim, muitas equipes de RH em muitas organizações gastaram muito tempo no projeto de sistemas sofisticados de bônus.

Se o conhecimento científico for mal utilizado, o que acontecerá com todas as análises e recomendações das equipes de People Analytics recém-estabelecidas?

Vamos ver como alguns dos vieses cognitivos são importantes para o People Analytics e como podemos melhorar o impacto do People Analytics levando-os em consideração.

Alguns vieses cognitivos que são importantes para o People Analytics

De várias fontes, selecionei 15 vieses cognitivos que são relevantes quando você está trabalhando com People Analytics ou com os resultados do People Analytics. A seguir você vai conhecer 15 dos principais viesse. Para as breves descrições, usei principalmente a Wikipedia e A arte de pensar com clareza .

1. Viés de ação

Descrição: O viés de ação afirma que, quando nos deparamos com uma incerteza ou um problema, especialmente um problema ambíguo, preferimos fazer algo; Na verdade, ficamos mais felizes fazendo qualquer coisa, mesmo que seja contraproducente, do que não fazer nada, mesmo que não fazer nada seja o melhor curso de ação.

Implicações para o People Analytics: várias implicações. A equipe de People Analytics deve trabalhar rápido. Os gerentes desejam FAZER coisas e baseiam melhor suas ações em fatos. Também ajuda a implementar um processo rígido de teste A / B e a discutir e comunicar que as ações devem ser baseadas em fatos e evidências.

2. Aversão ao algoritmo

Descrição: as pessoas tendem a confiar no julgamento humano em vez de algoritmos. Mesmo quando um algoritmo supera de forma consistente o julgamento humano, as pessoas preferem seguir seu instinto.

Implicações para o People Analytics: esse é um viés que será difícil de superar rapidamente. Também está relacionado ao ‘efeito de excesso de confiança’. Pode ser sensato usar os algoritmos discretamente, de modo que o fator humano não possa intervir. 

Quando você se senta ao lado de alguém em um Tesla, você provavelmente conhece a experiência: se o ‘motorista’ não mantém as mãos no volante, você se sente muito desconfortável. Se você não consegue ver o motorista, você se importa menos (como em um metrô sem motorista). Os algoritmos são cada vez mais usados ​​no recrutamento. Se os selecionadores humanos finais só conseguirem ver os candidatos adequados para o trabalho, a decisão humana terá menos impacto (apenas no candidato selecionado).

3. Assumindo uma distribuição normal

Descrição: as pessoas costumam presumir que os dados pessoais seguem uma distribuição normal.

Implicações para o People Analytics: A suposição de que o comportamento e as características humanas seguem uma distribuição normal tem causado muitos danos. Muitos instrumentos de RH são construídos em torno dessa suposição. 

Exemplo: se o desempenho das pessoas segue uma distribuição normal, faz muito sentido projetar um sistema de salários e um sistema de classificação de desempenho com distribuições normais. Infelizmente, há evidências de que o desempenho geralmente segue uma distribuição de lei de potência , não uma distribuição normal. As equipes de People Analytics podem fazer um trabalho muito bom aqui, revelando as distribuições reais de elementos de dados de pessoas relevantes. 

Ao apresentar os fatos, deve-se levar em consideração a (falta de) imaginação das pessoas. Uma distribuição normal é mais fácil de imaginar do que uma distribuição de lei de potência. Quando as pessoas assumem um relacionamento, geralmente é linear, não exponencial, pois relacionamentos exponenciais são muito difíceis de entender.

4. Viés de autoridade

Descrição: As pessoas tendem a acreditar e seguir as autoridades.

Implicações para o People Analytics: O RH e a equipe de People Analytics são vistos como uma autoridade quando se trata de dados e análise de dados? Os gerentes acreditarão no RH quando vierem com percepções surpreendentes? Pode ser melhor colocar a responsabilidade pela People Analytics fora do RH, com pessoas que têm mais credibilidade quando se trata de análise de dados.

5. Viés de disponibilidade

Descrição: Criamos uma imagem do mundo usando os exemplos que mais facilmente vêm à mente.

Implicações para a People Analytics: o viés de disponibilidade está presente na maioria das organizações. A Carla é uma excelente trainee, ela estudou na Delft University, então temos que contratar mais alunos da Delft, porque eles são bons. A maioria dos processos de detecção de talentos nas organizações é prejudicada por esse viés (leia: Encontrar líderes ocultos ).
O People Analytics pode ajudar a criar uma visão imparcial do mundo e, com isso, aumentar a eficácia de muitos programas de RH.

6. Viés de confirmação

Descrição: É a tendência de interpretar novas informações de modo que se tornem compatíveis com nossas teorias, crenças e convicções existentes. Filtramos qualquer nova informação que contradiga nossas visões existentes.

Implicações para a People Analytics: todos são vulneráveis ​​a esse preconceito, inclusive as pessoas que trabalham com People Analytics. Este é um argumento para uma equipe analítica de pessoas realmente profissionais, com pessoas com uma boa formação científica. 

Amadores podem causar muitos danos na People Analytics, porque provavelmente são mais propensos a alguns dos vieses cognitivos e porque geralmente carecem de um conhecimento sólido de metodologia e estatística. Os profissionais de People Analytics devem levar em consideração o viés de confirmação ao apresentar a análise a seus clientes.

7. Viés retrospectiva

Descrição: Em retrospecto, tudo parece claro e inevitável. Faz-nos acreditar que somos melhores preditores do que somos, fazendo com que sejamos arrogantes quanto ao nosso conhecimento e, consequentemente, corramos muitos riscos.

Implicações para a People Analytics: o viés retrospectivo está conectado ao ‘viés da história’ e ao ‘efeito de excesso de confiança’, porque gostamos de boas histórias coerentes e gostamos muito de acreditar que somos muito bons em fazer previsões. Os gerentes gostam de estar no controle e, se você pode prever o futuro, está no controle. A equipe de People Analytics também deve estar ciente dessa tendência, pois estará muito interessada em mostrar que a análise preditiva pode realmente ser preditiva.

8. Viés de informação

Descrição: a tendência de buscar informações, mesmo quando não pode afetar a ação.

Implicações para a People Analytics: “Precisamos de mais informações” é uma frase ouvida em muitas salas de reuniões. Freqüentemente, essa é uma tática de retardo, pois, enquanto novas informações são coletadas, nada acontece. A equipe de analítica de pessoas nem sempre deve ficar feliz quando novas informações são solicitadas, mas ressaltar, quando apropriado, que adicionar novas informações não agregará valor, apenas atrasará o processo de tomada de decisão.

9. Falácia da causa única

Descrição: quando se presume que existe apenas uma causa para um fenômeno, enquanto outras causas possivelmente contribuintes não são detectadas, são ignoradas ou são ilegitimamente minimizadas.

Implicações para o People Analytics: A vida nas organizações seria mais fácil se muitas coisas tivessem apenas uma causa. Freqüentemente, as perguntas feitas ao RH e à equipe de People Analytics dão uma dica nesta direção: Qual é a causa do abandono do talento? Qual é a principal característica dos bons líderes? O que está causando o baixo nível de engajamento de nosso pessoal nos EUA? A equipe de People Analytics deve se aprofundar e encontrar maneiras de apresentar uma realidade complexa de maneira simples.

10. Falsa causalidade

Descrição: o argumento geralmente se parece com este: Evento A aconteceu. O evento B aconteceu depois de A. Portanto, A causou B. A falácia de causa falsa às vezes é resumida e apresentada sob os slogans “correlação não é causa” e “sequência não é causa”.

Implicações para o People Analytics: Mais uma vez, esse é um bom motivo para não comprometer a qualidade do RH e da equipe de People Analytics. Podemos ver a falsa causalidade em ação o tempo todo. Nossa empresa estava indo bem. Chega um novo CEO. Os resultados estão piorando. Deve ser o CEO. Portanto, se nomearmos um novo CEO, os resultados serão melhores.
Falsa causalidade, em combinação com pequenas amostras e profissionais de RH que são fracos em estatísticas são uma mistura muito perigosa.

11. Efeito de expectativa do observador

Descrição: quando um pesquisador espera um determinado resultado e, portanto, manipula inconscientemente um experimento ou interpreta erroneamente os dados para encontrá-los.

Implicações para o People Analytics: ainda assim, muitas pessoas querem agradar seus chefes e, provavelmente, as análises de pessoas não são diferentes. Estar ciente!

12. Efeito de enquadramento

Descrição: tirar conclusões diferentes das mesmas informações, dependendo de como essas informações são apresentadas.

Implicações para o People Analytics: O efeito de enquadramento (do qual “como mentir com as estatísticas” faz parte) é, obviamente, muito relevante para o People Analytics. Você pode presumir que as pessoas, incluindo profissionais de People Analytics, inconscientemente interpretam os fatos de tal forma que confirmam seus pontos de vista, e isso afetará a maneira como apresentam os fatos. Qual é a utilidade de uma análise aprofundada, se os resultados deixam muito espaço para diferentes interpretações? A equipe de People Analytics deve ser capaz de apresentar os fatos de uma forma clara e inequívoca.

13. Generalizando a experiência pessoal de alguém

Descrição: a tendência de presumir que a experiência pessoal de alguém também é a experiência de outras pessoas.

Implicações para o People Analytics: um de meus ex-chefes era muito movido a dinheiro. Ele não poderia imaginar que existam pessoas que não fossem tão movidas pelo dinheiro.
Uma executiva com quem trabalhei tinha ampla experiência na indústria de petróleo e gás e presumia que todos os setores eram como a indústria de petróleo e gás. O People Analytics agrega muito valor, por exemplo, ao reunir e analisar as preferências de funcionários e pessoas no mercado.

14. Insensibilidade ao tamanho da amostra

Descrição: a tendência de variação abaixo do esperado em amostras pequenas.

Implicações para o People Analytics: o People Analytics geralmente deve funcionar com pequenos dados e, infelizmente, não com big data. É difícil tirar conclusões de tamanhos de amostra pequenos, mas freqüentemente as conclusões são tiradas de qualquer maneira (mesmo se a amostra for apenas uma, veja o viés número 10, ‘generalizando a própria experiência’). 

No domínio de RH, as amostras são frequentemente pequenas (um grupo de dez trainees, um curso com 24 participantes), e a pressão para tirar conclusões da avaliação das intervenções é compreensível (“80% dos trainees estão satisfeitos com o programa”; quando houve apenas dez estagiários de um grupo maior que completaram o questionário, esta pode ser uma base pobre para tirar qualquer conclusão). A capacidade de explicar os princípios básicos da estatística é importante, assim como uma abordagem muito profissional.

15. Efeito de excesso de confiança

Descrição: As pessoas superestimam sistematicamente seus conhecimentos e habilidades. “Seja cético em relação às previsões, principalmente se vierem dos chamados especialistas”.

Implicações para o People Analytics: esse preconceito pode ser visto muito no local de trabalho. Leia também a entrada em ‘Aversão a algoritmos’. Esse preconceito pode ser um verdadeiro obstáculo para o People Analytics. Os líderes seniores são frequentemente indicados porque são confiantes, e alguns deles precisam ser muito convencidos antes de acreditarem em novos fatos que não estão de acordo com seu pensamento. Apresentar e vender fatos e análises é parte integrante do trabalho das pessoas que trabalham com People Analytics.

Existem muitos outros vieses cognitivos interessantes, que são importantes para o RH e e o People Analytics. A Folha de Polarização Cognitiva oferece uma excelente visão geral.

Ignorar a psicologia não é uma opção. Presumir que ‘os fatos falarão por si’ pode ser considerado ingênuo. Há uma vantagem para os profissionais de People Analytics aprenderem mais sobre psicologia e vieses cognitivos importantes, porque ninguém está isento desses vieses. Conscientizar é a primeira etapa, usar e neutralizar alguns dos preconceitos é uma condição importante para o sucesso do People Analytics.

Leitura Adicional

• Buster Benson: folha de dicas de preconceito cognitivo (2016)
• Rolf Dobelli: A arte de pensar com clareza (2013)
• Kristian Hammond: 5 fontes inesperadas de preconceito em inteligência artificial (2016)
• Daniel Kahneman: Pensando, rápido e lento (2011)
• Lista de vieses cognitivos (Wikipedia)