- Uma força de trabalho adaptável depende, em primeiro lugar, de conhecer a real capacidade da sua organização e, na maioria das organizações, esse panorama é muito menos completo do que parece.
- Dados sobre skills são essencialmente diferentes de outros tipos de dados empresariais. São probabilísticos, dependem do contexto e se deterioram ao longo do tempo, o que significa que forçá-los nas mesmas estruturas rígidas utilizadas para operações e contratos destrói grande parte do seu valor para a tomada de decisões.
- A maioria das organizações sofre do que se pode chamar de insuficiência de dados sobre o trabalho: o trabalho acontece e a capacidade é demonstrada, mas quase nada se transforma em dados estruturados e utilizáveis, uma vez que os sistemas das empresas foram projetados para gerenciar o trabalho e não para registrar sinais de capacitação.
- Desenvolver inteligência da força de trabalho caso a caso, em vez de uma transformação de cima para baixo, é mais eficaz. Cada estudo de caso bem-sucedido comprova o valor, aumenta a confiança nos dados e define a base a para desenvolvimento do próximo estudo.
Pergunte à maioria dos gerentes de RH se suas organizações estão desenvolvendo uma força de trabalho adaptativa e a resposta deles será 'sim'. Pergunte a eles se realmente sabem, neste exato momento, o que sua força de trabalho é capaz de fazer e a resposta se complica rapidamente. Porque a preparação da força de trabalho é complicada.
Contudo, a pergunta "você sabe o que seus colaboradores são capazes de fazer hoje?" raramente recebe a atenção direta que merece.
A visibilidade da força de trabalho é a primeira capacidade da qual a força de trabalho adaptável depende e para a maioria das organizações, também é a base mais instável sobre a qual estão se desenvolvendo.
Há um momento que a maioria dos gerentes de RH conhece bem. Uma iniciativa estratégica não sai do papel e alguém na sala pergunta se a organização dispõe dos profissionais necessários para colocá-la em prática. Você acredita que sim, mas quando tenta comprovar na prática, os dados não são tão claros. Você se depara com cargos, registros de conclusão e talvez uma avaliação de skills do ano passado, que metade da força de trabalho nunca concluiu. Assim, a organização tende a recorrer à contratação externa. Os meses se passam, a oportunidade se perde e, em algum ponto do desenvolvimento, três pessoas que poderiam ter feito o trabalho sentem-se invisíveis e começam a procurar outro emprego.
Trata-se de uma falha de dados disfarçada de falha de estratégia de talentos. E até que as organizações a tratem dessa maneira, toda a iniciativa de skills, todo o mercado de talentos e todo o programa de mobilidade interna continuarão entregando resultados insatisfatórios, porque as bases não foram pensadas para sustentar as decisões exigidas.
O problema de confiança que sempre reaparece
As estratégias de talentos baseadas em skills tendem a fracassar de uma forma bem específica. Elas raramente desabam por completo. As organizações simplesmente perdem a credibilidade e o padrão é quase sempre o mesmo.
Um líder empresarial pergunta quem tem experiência em arquitetura em nuvem. O sistema retorna uma longa lista. Algumas dessas pessoas concluíram o treinamento há dois anos. Algumas delas já estão utilizando sistemas de produção há seis meses. O líder não é capaz de diferenciar entre elas, portanto, hesita. E essa hesitação não tem nada a ver com resistência à ideia. Os dados simplesmente não bastam para compor a base da decisão que está sendo solicitada.
Uma equipe de aprendizagem lança um programa estratégico de upskilling. Seis meses depois, os gaps não parecem estar sendo preenchidos. O sistema registra as conclusões em vez da mudança de capacidade e o sinal parece positivo, enquanto o resultado indica o oposto.
Um Talent Marketplace apresenta candidatos internos para uma nova função e os gestores anulam as recomendações porque não conseguem enxergar o motivo pelo qual a combinação faz sentido. A adoção desacelera. A plataforma permanece tecnicamente ativa, mas operacionalmente irrelevante.
Por fora, nada se rompeu de forma visível. As ferramentas funcionam e os painéis de controle se atualizam. Mas o modelo de dados subjacente não é capaz de sustentar as decisões tomadas com base nele, de modo que as pessoas buscam soluções alternativas. Elas confiam na memória, em suas redes pessoais e validam as informações por meio de diálogos informais, não porque resistam a abordagens baseadas em skills, mas porque os dados nunca são confiáveis o suficiente para substituir sua própria discrição.
Este é o problema da confiança no coração da visibilidade da força de trabalho, e tende a persistir até que as organizações compreendam o tipo de dados que os skills são de fato e desenvolvam sua infraestrutura em torno dessa realidade, e não somente com base no que for conveniente capturar.
O que torna os dados de skill mais difíceis de coletar do que qualquer outro tipo de dados da empresa
A causa-raiz aqui é um erro de categoria e reconhecer isto muda completamente a forma como se aborda a solução.
A maioria dos dados empresariais descreve fatos. Um pagamento foi processado, uma unidade foi enviada, um contrato foi assinado. São eventos determinísticos que ocorreram ou não. São registrados uma única vez e podem ser utilizados indefinidamente. Os skills são algo completamente diferente. São avaliações probabilísticas, inferências extraídas de evidências fragmentadas em vez de fatos que podem ser simplesmente anotados.
Analise o que realmente significa dizer que alguém tem skills em arquitetura em nuvem. Em que plataformas? A que nível? Atualizados até que ponto? Com base em que evidências? Você pode constatar que obtiveram uma certificação há quatorze meses, estão trabalhando em uma parte diferente da pilha há cinco meses e recentemente pediram ajuda a um colega para resolver um problema de configuração. Uma inferência razoável a partir desses sinais é confiança moderada em implementações em nuvem padrão, confiança em declínio e menor em trabalhos de arquitetura avançada. Mas a maioria dos sistemas armazena um único registro: arquitetura em nuvem, presente.
Isso é extremamente importante para a preparação da força de trabalho. Uma força de trabalho adaptável depende de saber não apenas se existe um skill na organização, mas até que nível está atualizado, qual a sua profundidade e exatamente onde se encontra. Um registro de skills que não responde às perguntas fornece uma falsa percepção de visibilidade em vez de uma perspectiva real, e as decisões tomadas com base neles tendem a agravar o problema em vez de solucioná-lo.
Insuficiência de dados de trabalho: por que a maior parte da capacidade demonstrada nunca se torna um dado utilizável
Mesmo que os sistemas fossem desenvolvidos para lidar bem com dados probabilísticos, há um desafio estrutural mais profundo por trás deles. A maioria das organizações simplesmente não captura o que seus profissionais realmente fazem.
Pense em um gestor de produtos que lidera sua iniciativa mais estratégica há 18 meses. Onde estão as evidências da sua capacidade real? O trabalho estratégico está em uma ferramenta, os roteiros em outra, a pesquisa com usuários em uma terceira e a coordenação com os stakeholders espalhada por e-mails e chats. Cada sistema tem um fragmento. Nenhum deles tem uma visão completa e não há um mecanismo que sintetize esses fragmentos quando alguém pergunta quem deve liderar o próximo grande segmento de produtos.
Compare esta situação ao setor financeiro, onde cada operação é registrada instantaneamente no ERP ou em vendas, onde cada interação é registrada no CRM. Nos dois domínios, o sinal de capacidade existe e é sistematicamente capturado. Na força de trabalho, o trabalho é realizado, o valor é agregado e a capacidade é demonstrada, mas quase nada disso se torna dados estruturados e utilizáveis. Os sistemas foram projetados para gerenciar o trabalho e não para gerar os sinais de capacidade dos quais as decisões sobre a força de trabalho dependem.
É a insuficiência de dados de trabalho. Trata-se de uma realidade estrutural subjacente a toda iniciativa, da visibilidade da força de trabalho que uma organização implementou e é por isso que a mudança para uma força de trabalho adaptável exige uma abordagem diferente sobre o que e como é capturada, e não apenas de relatórios melhores sobre o que já existe.
As organizações que criaram visibilidade genuína da força de trabalho abordam esta questão diretamente. Elas inferem skills a partir da atividade real de trabalho e do comportamento de aprendizagem, em vez de esperar por relatórios do próprio colaborador ou ciclos de avaliação formais. Elas percebem o panorama de skills como algo que está em atualização contínua, porque atualizá-lo anualmente significa que toda decisão tomada nesse intervalo será baseada em um retrato de como era a força de trabalho na época
Como dados inadequados sobre skills prejudicam uma força de trabalho adaptável em todas as dimensões
Quando uma iniciativa estratégica ou um programa de transformação não avança, o instinto é culpar a tecnologia ou a gestão de mudanças. O motivo mais comum é a incerteza sobre a capacidade: as organizações investem em plataformas e ferramentas sem saber se as pessoas necessárias para utilizá-las, desenvolvê-las ou liderá-las realmente existem internamente. Dados de capacidade mais apurados mudam esse quadro de maneira direta. Tornam os talentos internos visíveis antes de assumir compromissos e permite que verdadeiros gaps sejam distintos das capacidades adjacentes que podem ser desenvolvidas rapidamente. Essa diferença frequentemente separa uma transformação bem-sucedida a partir de um projeto-piloto dispendioso.
A contratação de pessoal para projetos conta uma história semelhante. Quando os dados de capacidade são precisos e atualizados, as funções críticas são preenchidas mais rapidamente, as pessoas certas encontram o trabalho certo e a contratação externa se torna uma escolha ponderada em vez de uma escolha reflexa. Quando os dados são pouco confiáveis, os custos se acumulam discretamente. Novos contratados ocupam vagas que candidatos internos poderiam ter assumido. Os prestadores de serviços atendem a uma demanda que sempre existiu na organização. E as pessoas capacitadas que se sentem invisíveis começam a procurar vagas em outras organizações, levando consigo uma capacidade que a organização nunca percebeu que tinha.
Investir em aprendizagem é onde o gap se torna particularmente frustrante. A maioria das organizações está gastando mais em desenvolvimento do que jamais gastaram. Porém, sem dados precisos da capacidade da linha de base, os programas são desenvolvidos em torno de gaps assumidos em vez de gaps confirmados. A questão que vale a pena considerar é se é possível medir de fato se a aprendizagem está funcionando. Sem esse referencial, melhorar a resposta é realmente inviável e o investimento continua sendo feito sem uma indicação clara do retorno.
A mobilidade interna talvez seja a consequência mais visível. Colaboradores que poderiam ocupar um cargo nunca se candidatam a ele. Os gestores não sabem quem considerar. O Talent Marketplace recomenda uma correspondência que é ignorada porque o raciocínio é obscuro. Dados de skills confirmados tornam essa correspondência visível e defensável, retendo pessoas que, de outra forma, deixariam a empresa em busca de oportunidades e cuja existência na própria empresa elas desconheciam, além de reduzir a contratação externa decorrente do esgotamento de profissionais, que pode ser evitada.
Em conjunto, os gaps descrevem uma organização que tenta ser adaptativa sem ter a visibilidade que a adaptabilidade requer.
Como os gerentes de RH podem reposicionar os dados sobre skills como infraestrutura da empresa
O diálogo sobre skills tem sido visto como uma iniciativa de RH há tempo demais e essa abordagem acarreta um custo silencioso. Quando uma iniciativa de RH não entrega os resultados esperados, o RH assume a responsabilidade pelo fracasso. O orçamento é cortado, o programa perde a prioridade e o problema de dados subjacente permanece exatamente onde estava.
Os dados sobre a capacidade da força de trabalho pertencem a uma categoria totalmente diferente. É uma infraestrutura da empresa que está no domínio do RH, na mesma camada de sistemas que o ERP, o CRM e a cadeia de suprimentos. O setor financeiro depende do ERP. As vendas funcionam com o CRM. A cadeia de suprimentos opera com painéis operacionais integrados. A força de trabalho deveria funcionar com base em dados de capacidade confirmados e dinâmicos e merece o mesmo grau de rigor nos investimentos, rigor arquitetônico e gestão interdisciplinar que esses outros sistemas exigem.
O gerente de RH que defende essa ideia, que posiciona os dados de capacidade como infraestrutura corporativa e convida os diretores de informática e operações para compartilharem a responsabilidade sobre o problema, muda tanto o diálogo quanto os resultados. A tecnologia não precisa ser nova. O que muda é que o enquadramento finalmente corresponde à escala do que está em jogo.
Também é nesse ponto que o panorama mais amplo de uma força de trabalho adaptável se torna relevante. A visibilidade da força de trabalho alimenta a infraestrutura que traduz inteligência em ação e essa infraestrutura só oferece todo o seu valor quando uma cultura de mobilização assegura que os gestores realmente utilizem o que o sistema trás à tona. Acertar os dados é o ponto em que se inicia todo o sistema e a estrutura adaptativa da força de trabalho estrutura como a visibilidade, a infraestrutura e a cultura se reforçam mutuamente assim que essa base estiver devidamente estabelecida.
Desenvolvimento de inteligência da força de trabalho caso a caso
As transformações de skills de cima para baixo, em escala global, costumam falhar por um motivo previsível. Elas exigem que a organização concorde em tudo antes que qualquer coisa aconteça. Os debates sobre taxonomia duram meses. A resistência à gestão de mudanças aumenta. A iniciativa emperra antes que uma única decisão tenha sido otimizada.
Um ponto de partida melhor seria um menor.
O sucesso vem de aplicativos direcionados, desenvolvidos a cada estudo de caso, cada qual comprovando seu valor, gerando confiança nos dados e estabelecendo a base para o próximo passo. O primeiro estudo de caso correto está na interseção entre a importância estratégica e a dor visível: um programa de transformação que excede prazos continuamente, uma iniciativa de crescimento bloqueada pela falta de talentos, gastos com prestadores de serviços que continuamente aumentam porque as capacidades internas são invisíveis para as pessoas que poderiam reatribuí-las. Quanto mais altos os riscos empresariais e mais mensurável o custo atual, mais forte será o estudo de caso para o diálogo sobre o investimento previsto.
Uma vez identificado esse estudo de caso, o padrão tende a se manter. Comece com um problema específico da empresa onde melhores dados de capacidade poderiam mudar fundamentalmente a decisão disponível, não uma taxonomia global de skills, mas um problema com consequências claras em termos de custo ou estratégia. Desenvolva a infraestrutura de dados mínima necessária para solucionar o problema, em vez de uma arquitetura abrangente que exige o alinhamento de tudo antes de apresentar qualquer resultado. Meça os resultados comerciais em vez das métricas de RH: cargos preenchidos internamente, redução do tempo de formação da equipe de projetos e gastos com treinamento direcionados o gaps comprovados em vez de gaps conjecturados.
Esse conhecimento torna o próximo estudo de caso mais rápido e mais confiável. Além disso, e talvez o mais importante, cada sucesso prepara pessoas na organização que vivenciaram tomadas de decisões mais eficientes e agora querem mais. Esse tipo de ímpeto vale mais do que qualquer determinação de governança.
Conclusão
O problema dos dados de skills tende a ser enquadrado como uma questão de tecnologia de RH. Uma taxonomia melhor, uma estrutura de avaliação mais sofisticada, uma nova plataforma. Essas soluções podem ajudar em casos pontuais, mas abordam a superfície e não a estrutura. O que realmente faz a diferença é tratar a capacidade da força de trabalho como o que ela já é: dados operacionais que merecem o mesmo rigor, a mesma titularidade interdisciplinar e a mesma disciplina de investimento de qualquer outro sistema que a empresa utilizar.
O diálogo que vale a pena é um convite aos diretores de informática e de operações para assumirem a responsabilidade conjunta por algo que afeta toda a organização, formulando a linguagem de investimento em termos de infraestrutura, em vez de um programa de RH. O gerente de RH que defende bem esse ponto não soluciona apenas um problema de dados. Ele muda aquilo de que a organização acredita ser capaz.
Para explorar o panorama completo, leia o e-book Desenvolvimento de uma força de trabalho adaptativa: preparação da força de trabalho em uma era de constante reinvenção.
Perguntas frequentes
Por que a qualidade dos dados de skills é importante para a preparação da força de trabalho?
Uma força de trabalho adaptativa depende de saber em tempo real que capacidade existe e onde ela se encontra. Quando os dados de skill estão incompletos, desatualizados ou não forem confiáveis, cada decisão sobre talentos desenvolvida com base neles será mais fraca do que parece. Investimentos em desenvolvimento vão parar nos lugares errados, a mobilidade interna falha porque os candidatos adequados são invisíveis e as organizações recorrem à contratação externa quando a capacidade de que precisam já existe em algum lugar na própria organização.
O que é a insuficiência de dados sobre o trabalho?
A insuficiência de dados sobre o trabalho descreve o gap estrutural em que a capacidade é demonstrada por meio do trabalho real, mas quase nunca é registrada como dados utilizáveis. Os sistemas empresariais foram projetados para gerenciar o trabalho em vez de gerar sinais de capacidade; portanto, a maioria dos skills demonstrados simplesmente nunca atingem um formato que possa respaldar decisões sobre a força de trabalho.
Por que as estratégias de talentos baseadas em skills perdem a credibilidade com o tempo?
Porque o modelo de dados subjacente tem dificuldade para respaldar as decisões que se esperam dele. Os líderes relutam em implementar recomendações do sistema que não conseguem verificar. Os gestores ignoram as sugestões do Talent Marketplace que não conseguem justificar. Com o tempo, as pessoas compensam as falhas com conhecimento informal e de redes pessoais e o sistema se torna operacionalmente marginal, mesmo se continuar tecnicamente funcional.
Como os gerentes de RH devem estruturar a conversa sobre dados de skills com os diretores de informática e operações?
Como uma discussão sobre a infraestrutura empresarial, em vez de uma iniciativa de RH. Os dados de capacidade da força de trabalho se enquadram na mesma categoria dos sistemas de ERP e CRM: uma infraestrutura operacional da qual toda a organização depende. Essa formulação muda o diálogo sobre investimento, o nível de rigor aplicado e a responsabilidade interdisciplinar resultante.
Por onde as organizações devem começar para desenvolver inteligência da força de trabalho?
Para um problema comercial específico em que dados de capacidade mais aprimorados mudariam significativamente a decisão disponível, medido em resultados comerciais e não em métricas de RH. Cada estudo de caso bem-sucedido, por sua vez, gera confiança e uma arquitetura que tornam o próximo caso mais rápido e confiável.
