Esta é a verdade incômoda: a maioria das organizações está tomando decisões críticas sobre a força de trabalho em relação a quem contratar, desenvolver e alocar, baseando-se em dados incompletos e estáticos. E, na medida em que a IA se torna importante para essas decisões, o problema de qualidade piora. A diferença entre um sistema de skills que realmente funciona e um que se torna um software pouco utilizado está na arquitetura de dados subjacente. Sem uma arquitetura de dados de qualidade, a IA da sua organização estará apenas cometendo erros mais rapidamente e em escala. Essas seis perguntas vão ajudá-lo a filtrar o marketing e avaliar se uma solução foi desenvolvida sobre uma base realmente capaz de gerar resultados quando as decisões são importantes.
1. Ela trata skills como probabilísticos ou determinísticos?
O problema: a maioria dos sistemas trata skills como uma caixa de opções. O colaborador X tem o skill Y: VERDADEIRO. Mas não é assim que os skills realmente funcionam. São avaliações ponderadas pela confiança que mudam com o tempo.
O que procurar: O sistema é capaz de expressar incertezas? Ela diz "85% de certeza" em vez de simplesmente "sim"? Ela entende que Python para ciência de dados é completamente diferente de Python para desenvolvimento na web? Se o sistema não for capaz de informar o grau de confiança de uma avaliação, estará apenas dando um palpite. E você não tem como saber quando esses palpites estão incorretos.
2. Ela captura sinais de desempenho ou apenas registros?
O problema: os registros de treinamento mostram o que as pessoas estudaram. Os relatórios de autoavaliação mostram o que elas acham que podem fazer. Nenhuma dessas informações mostra o que as pessoas podem realmente entregar quando realmente importa.
O que procurar: o sistema se conecta com o local em que o trabalho realmente acontece? Ele é capaz de extrair informações do GitHub, Jira, Confluence e das suas ferramentas de gestão de projetos? A melhor prova de capacidade é o trabalho demonstrado e não um certificado de conclusão de curso. Se o sistema tem informações apenas sobre históricos de treinamento e avaliações anuais, ele está perdendo os sinais mais importantes.
3. Ela entende o contexto ou apenas corresponde a palavras-chave?
O problema: "Python" não é um skill. Python para ciência de dados (pandas, scikit-learn) é completamente diferente de Python para desenvolvimento na Web (Django, Flask) ou automação de DevOps. Sistemas que meramente correspondem palavras-chave produzem recomendações insatisfatórias.
O que procurar: o sistema entende o contexto semântico? Ele é capaz de distinguir entre "análise de dados" no contexto de finanças em comparação ao contexto de marketing? Ele sabe que skills Reativos para desenvolver painéis são diferentes dos skills Reativos para desenvolver aplicativos para celular? Sem compreensão semântica, sua correspondência é uma pesquisa de palavras-chave dispendiosa e vai pouco allém disso.
4. Ela gera modelos de desgaste temporal?
O problema: Uma skill que você utilizou ontem vale mais do que uma que você utilizou há três anos. Os skills ficam mais refinados com o uso. E perdem eficácia com o desuso. A maioria dos sistemas os trata da mesma forma.
O que procurar: Pergunte sobre a atualização: quando foi demonstrado pela última vez? Frequência: Com que frequência está sendo utilizado? Trajetória: Está ficando mais forte ou enfraquecendo? Se cada skill parecer igualmente válido quer tenha sido aplicado na semana passada ou há três anos, seus dados perdem a confiabilidade no momento em que alguém muda de função ou se afasta de uma função.
5. É capaz de explicar suas avaliações?
O problema: Se você não puder ver por que o sistema deduz que alguém tem determinada capacidade, você não será capaz de validá-la. Não é possível depurar. Não é possível otimizar. E a confiança se esvai rapidamente quando a lógica é invisível.
O que procurar: Para cada avaliação, você deve ser capaz de traçar o raciocínio lógico. Quais são as evidências? Que sistemas contribuíram com dados? Quando foi a última atualização? Qual é o nível de confiabilidade do sistema? Quem validou? A capacidade de explicar é fundamental para tomar decisões que você pode defender.
6. Ela sintetiza múltiplas fontes ou depende de uma única fonte?
O problema: Nenhuma fonte única conta a história completa. Relatórios enviados pelos colaboradores são otimistas. Avaliações dos gestores são esporádicas. Registros de aprendizagem mostram os estudos e não a aplicação na prática. As evidências de desempenho estão distribuídas entre diversas plataformas.
O que buscar: A plataforma combina diferentes sinais e os pondera de forma inteligente? Evidências de desempenho, atividades de aprendizagem, avaliações dos gestores, validação dos colegas, relatórios enviados por colaboradores. Todos esses pontos são importantes. Nenhum deles é suficiente por si só. Plataformas de fonte única herdam todas as tendenciosidades e os pontos cegos dessa fonte. A síntese de múltiplas fontes é mais difícil de se elaborar. E este é o único fator que gera resultados.
Para onde ir a partir desse ponto?
Essas seis perguntas não bastam para fechar negócios nem para concluir uma avaliação. Entretanto, elas dirão rapidamente se um fornecedor pensou seriamente sobre o problema dos dados ou se está priorizando a taxonomia e a IU e esperando que você não faça muitas perguntas.
A verdade é que a maioria dos sistemas de skills não foi criada para responder bem a essas perguntas. Vale a pena saber disso antes de se comprometer.
Quer se aprofundar na questão dos dados? Leia nosso blog: Dados sobre Skills: Compreenda os fundamentos da inteligência da força de trabalho.
